Massachusetts Institute of Technology（麻省理工学院）

Learning Discrete Decisions for MIPs with Constraint-Aware Diffusion

基于约束感知扩散的混合整数规划离散决策学习

Vincenzo Di Vito, Mehdi Taghizadeh, Deepjyoti Deka, Kaarthik Sundar, Ferdinando Fioretto

机构 * University of Virginia（弗吉尼亚大学） ； MIT（麻省理工学院） ； Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室） 纠错

AI总结 该研究提出Constrained Graph Diffusion（CGD）框架，结合图扩散模型与可行性投影算子求解混合整数规划，在两类任务上较基线方法提升可行性与质量，且最高加速425倍。

A Cloud-Edge System for Multimodal Clinical Screening in Resource-Constrained Rural Settings

面向资源受限农村地区多模态临床筛查的云边协同系统

Hei Ting, Chan, Chenwei Wu, Xueshen Liu, Zesen Zhao, Boyuan Zheng, Luis Filipe Nakayama, Michael G. Morley, Liyue Shen, Jiasi Chen, Z. Morley Mao

机构 * University of Michigan（密歇根大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Harvard Medical School（哈佛医学院） 纠错

AI总结 该研究针对资源受限农村地区的多模态临床筛查问题，提出云边协同架构，经实验验证其诊断性能优异且成本更低，可适配部署约束。

Comments 31 pages, 3 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)

The data geometry of masking diffusion: Certified-optimal schedules via unmasking growth complexity

掩码扩散的数据几何：通过去掩蔽增长复杂度实现可验证最优调度

Martin J. Wainwright

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 该研究引入去掩蔽增长复杂度（UGC）度量，推导了离散采样掩码扩散的可验证最优调度，得到适配数据几何的采样器，其迭代复杂度接近神谕过程，且在维度相关收益上优于粗调度。

Neural Quadratic Forms: A Unified Minimal Model for Sudden Learning and Scaling Laws

神经二次型：用于突发学习与标度律的统一最小模型

Liu Ziyin, Yizhou Xu, Tomaso Poggio, Isaac Chuang

机构 * Massachusetts Institute of Technology（麻省理工学院） ； École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） 纠错

AI总结 该研究提出神经二次型模型，统一描述感知机等多种架构的突发学习与标度律，通过对称性推导其训练动力学为洛特卡-沃尔泰拉方程，经数值验证符合相关行为。