National University of Singapore（新加坡国立大学）

2507.23390 2026-03-03 math.OC cs.AI

FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming

FMIP: 混合整数线性规划的联合连续-整数流

Hongpei Li, Hui Yuan, Han Zhang, Jianghao Lin, Dongdong Ge, Mengdi Wang, Yinyu Ye

机构 * Shanghai University of Finance and Economics（上海财经大学）； Princeton University（普林斯顿大学）； National University of Singapore（国立新加坡大学）； Antai College of Economics and Management（经济管理学院）； Shanghai Institute for Mathematics and Interdisciplinary Sciences（上海数学与交叉科学研究院）； Stanford University（斯坦福大学）

AI总结 FMIP提出了一种新的生成框架，通过联合建模整数和连续变量分布，提升混合整数线性规划求解效率。

Comments Accepted at the International Conference on Learning Representations (ICLR), 2025. A generative framework for MILP that jointly models integer and continuous variables, achieving 41% primal gap reduction with broad solver compatibility

2506.15307 2026-03-03 cs.LG

SecP-Tuning: Efficient Privacy-Preserving Prompt Tuning for Large Language Models via MPC

SecP-Tuning: 通过MPC实现大语言模型高效隐私保护提示微调

Jinglong Luo, Zhuo Zhang, Yehong Zhang, Shiyu Liu, Ye Dong, Hui Wang, Yue Yu, Xun Zhou, Zenglin Xu

机构 * Pengcheng Laboratory（鹏城实验室）； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））； Fudan University（复旦大学）； Shanghai Academy of AI for Science（上海人工智能科学研究院）； Institute of Statistical Interdisciplinary Research, Southwestern University of Finance and Economics（统计交叉学科研究所，西南财经大学）； National University of Singapore（新加坡国立大学）

AI总结 SecP-Tuning通过MPC实现大语言模型高效隐私保护提示微调，显著提升微调效率并减少通信开销。

Comments ICLR 2026

2506.10941 2026-03-03 cs.CV cs.AI cs.CL cs.LG cs.MM

VINCIE: Unlocking In-context Image Editing from Video

VINCIE：从视频中解锁上下文图像编辑

Leigang Qu, Feng Cheng, Ziyan Yang, Qi Zhao, Shanchuan Lin, Yichun Shi, Yicong Li, Wenjie Wang, Tat-Seng Chua, Lu Jiang

机构 * National University of Singapore（国立新加坡大学）； ByteDance Seed（字节跳动种子）

AI总结 VINCIE通过视频直接训练模型，实现了强大的上下文图像编辑能力，并在多轮图像编辑基准中取得最佳成绩。

Comments ICLR 2026 Camera-ready. Project page: https://vincie2025.github.io/

2603.00194 2026-03-03 cs.CV cs.AI cs.CR

SKeDA: A Generative Watermarking Framework for Text-to-video Diffusion Models

SKeDA：一种面向文本到视频扩散模型的生成水印框架

Yang Yang, Xinze Zou, Zehua Ma, Han Fang, Weiming Zhang

机构 * School of Electronic and Information Engineering, Anhui University（安徽大学电子与信息工程学院）； Anhui Province Key Laboratory of Digital Security and the CAS Key Laboratory of Electromagnetic Space Information, University of Science and Technology of China（安徽省数字安全重点实验室和中国科学院电磁空间信息重点实验室，中国科学技术大学）； School of Computing, National University of Singapore（新加坡国立大学计算机学院）

AI总结 SKeDA是一种专为文本到视频扩散模型设计的生成水印框架，通过分布保持采样和差分注意机制提升水印的鲁棒性和可靠性。

Comments 11 pages, 6 figures