When Do Learned Diffusion Proposals Help Constraint Solving? A Controlled Study on Continuous Algebraic Systems
arXiv 论文 2607.27169v1 研究学习式扩散提议在连续代数约束求解中的效用。MARC 将系统转为因子图，用图神经扩散去噪器提议赋值，精确计算机代数能量下降精化，符号检查器验证。对照随机多起点，学习式提议在满足赋值选择上仅窄幅胜出（0.997 vs 0.236 平衡非线性菜单准确率，p<10^-70，跨种子 0.982±0.006），且优于预算匹配的逐候选探测。
Development
- First ReportWhen Do Learned Diffusion Proposals Help Constraint Solving? A Controlled Study on Continuous Algebraic SystemsarXiv cs.LG
- Current Assessment该研究对 AI 求解器领域有方法论意义：强调在评估学习式提议时加入随机多起点等强基线，否则可能高估学习方法的贡献。这或推动行业采用更严格的评估协议，避免过度依赖复杂模型而忽视简单基线。可验证信号：后续研究是否普遍采用此类对照，以及是否影响求解器设计选择。Agent Pulse · analysis
该研究针对连续代数约束系统，区分两个决策：选择满足约束的值，以及选择使不可解系统可解的结构增强。经典求解器擅长前者，后者仅靠枚举。论文提出候选条件修复排序器，在 K 个增强中选择，以少量调用达到穷举搜索上限，优于随机（0.997 vs 0.236 平衡非线性菜单准确率，p<10^-70，跨种子 0.982±0.006），并优于预算匹配的逐候选探测。MARC 将系统转为因子图，用图神经扩散去噪器提议赋值，精确计算机代数能量下降精化，符号检查器验证。评估扩散提议时很少包含同一精化预算下的随机多起点对照。应用于该系统，随机多起点大幅削减了学习式提议在值决策上的贡献。在满足赋值选择上，学习式提议仅窄幅胜出，且仅在可预测的受限低维族中。
该研究的关键在于将约束求解中的离散结构决策与连续值决策分离，并针对离散决策训练候选条件修复排序器，显著减少枚举成本。MARC 结合图神经扩散去噪器与精确符号验证，形成可证明的求解流程。但对照实验表明，在连续值决策上，学习式提议相对随机多起点的优势有限，提示扩散提议的收益可能集中在特定问题族。可验证的下一信号：在更高维或更复杂约束系统中，学习式提议是否仍能保持优势，或随机多起点是否在更大预算下追平。
该研究对 AI 求解器领域有方法论意义：强调在评估学习式提议时加入随机多起点等强基线，否则可能高估学习方法的贡献。这或推动行业采用更严格的评估协议，避免过度依赖复杂模型而忽视简单基线。可验证信号：后续研究是否普遍采用此类对照，以及是否影响求解器设计选择。
对约束求解工具供应商，该研究提供成本效益分析：在预算有限时，简单随机多起点可能足够，而学习式提议仅在特定场景值得投入。这影响产品定价与功能优先级。可验证信号：商业求解器是否集成类似候选条件排序器，或是否在营销中强调评估严谨性。
未来工作可能探索学习式提议在更广泛约束系统（如混合整数、非线性规划）中的适用性，并优化提议与精化之间的预算分配。可验证信号：论文是否发布代码或扩展实验，以及社区是否复现并扩展结果。