Massachusetts Institute of Technology（麻省理工学院）

Computing Equilibrium beyond Unilateral Deviation

在单方面偏离之外计算均衡

Mingyang Liu, Gabriele Farina, Asuman Ozdaglar

机构 * LIDS, EECS, Massachusetts Institute of Technology（LIDS电子工程系，麻省理工学院） 纠错

AI总结 本文提出一种新的均衡概念，通过最小化联盟偏离激励来保证存在性，针对平均收益和最大内联盟收益扩展框架，并证明计算此类均衡的复杂性下界。

Man, Machine, and Mathematics

人、机器与数学

Akshunna S. Dogra

机构 * NSF AI Institute for Artificial Intelligence and Fundamental Interactions（美国国家科学基金会人工智能与基本相互作用研究所） ； EPSRC Centre for Doctoral Training: Mathematics of Random Systems（英国工程与物理科学研究委员会博士培训中心：随机系统数学） ； Center of Mathematical Sciences and Applications, Harvard University（哈佛大学数学科学中心） ； Department of Physics, Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT）物理系） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； MathePhysics 纠错

AI总结 本文探讨构建统一框架以指导学习、优化与建模领域的发展，提出解决可解问题的通用收敛定理，并利用动力系统、几何和基础物理中的工具简化学习研究。

Comments 31 pages, 8 figures, 3 appendices. Survey article/scientific manifesto covering learning and optimisation from a broad perspective, especially within computational contexts

MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications

MAEO：多目标非形集合优化用于可扩展的大规模工程应用

Omer F. Erdem, Dean Price, Paul Seurin, Majdi I. Radaideh

机构 * Department of Nuclear Engineering and Radiological Sciences, University of Michigan, Ann Arbor, MI 48109, United States（核工程与辐射科学系，密歇根大学，安阿伯，MI 48109，美国） ； Department of Computer Science and Engineering, University of Michigan, Ann Arbor, MI 48109, United States（计算机科学与工程系，密歇根大学，安阿伯，MI 48109，美国） ； Department of Nuclear Science and Engineering, Massachusetts Institute of Technology, 60 Vassar St., Cambridge, MA 02139（核科学与工程系，麻省理工学院，60 Vassar街，剑桥，MA 02139） ； Idaho National Laboratory, Idaho Falls, ID 83415, United States（爱达荷国家实验室，爱达荷福尔斯，ID 83415，美国） 纠错

AI总结 MAEO通过非形集合策略统一先进进化算法，解决多目标优化中收敛性、多样性与计算效率的平衡问题，经基准测试和核反应堆优化验证其有效性。

Comments 33 pages, 9 figures, 5 tables, under peer review

Efficient-DLM: From Autoregressive to Diffusion Language Models, and Beyond in Speed

Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破

Yonggan Fu, Lexington Whalen, Zhifan Ye, Xin Dong, Shizhe Diao, Jingyu Liu, Chengyue Wu, Hao Zhang, Enze Xie, Song Han, Maksim Khadkevich, Jan Kautz, Yingyan Celine Lin, Pavlo Molchanov

机构 * Georgia Tech（佐治亚理工学院） ； University of Chicago（芝加哥大学） ； University of Hong Kong（香港大学） ； MIT（麻省理工学院） 纠错

AI总结 本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。

The AI Risk Repository: A Comprehensive Meta-Review, Database, and Taxonomy of Risks From Artificial Intelligence

人工智能风险仓库：人工智能风险的全面元综述、数据库和分类

Peter Slattery, Alexander K. Saeri, Emily A. C. Grundy, Jess Graham, Michael Noetel, Risto Uuk, James Dao, Soroush Pour, Stephen Casper, Neil Thompson

机构 * MIT AI Risk Initiative（麻省理工学院人工智能风险倡议） 纠错

AI总结 本文构建了首个公开可访问的人工智能风险数据库，通过系统综述和专家咨询，分类了777个风险，涵盖因果因素和领域分类，为协调管理AI风险提供基础。

Journal ref Patterns 101517 (2026)