知识卡片：当学习型扩散提议帮助约束求解时——连续代数系统的受控研究

一句话结论

对连续代数约束系统的求解，学习型扩散提议（diffusion proposals）在满足赋值决策上仅在高维且变量独立时才显著优于随机多起点搜索；在低维或变量耦合时优势消失，且在八个真实世界系统中经典随机多起点即可全部解决，未出现学习型有利区间。

事件概述或研究问题

求解连续代数约束系统需两类决策：①哪些值满足约束；②何种结构增补使不可解系统变为可解。经典求解器擅长前者，对后者只能枚举。现有扩散模型作为学习型提议用于加速求解，但缺乏一个关键控制实验：相同精炼预算下的随机多起点基线。本文系统性地比较了学习型扩散提议与随机多起点在赋值决策上的表现，并刻画了有利区间。

方法/产品要点

• MARC框架：将约束系统转化为因子图，用图神经扩散去噪器提出候选赋值，计算机代数精确能量函数进行精炼（polish），符号验证器确认解。
• 控制条件：所有方法共享同一个精炼器和验证器，唯一区别是提议生成方式（学习型 vs 随机多起点）。
• 随机多起点公式：best-of-K 随机多起点成功概率为 (1 - (1 - q(n))^K)，其中 (q(n)) 为单次起点可达性，该公式无自由参数，预测与实验平均绝对误差仅0.012。

主要结果或产业意义

• 在 高维且变量独立 的合成族中，学习型提议显著优于随机多起点；但在 低维、变量耦合 时两者持平或学习型优势消失。
• 对 候选条件修复排序（candidate-conditioned repair ranker）任务，在K种增补中排序学习型提议达到穷举搜索上限的零头（平衡非线性菜单准确率0.997 vs 0.236，p < 10⁻⁷⁰，跨种子0.982±0.006），远超随机。
• 真实世界测试（机器人、定位、优化、代数共8个系统）：经典随机多起点全部成功求解，无一落入学习型有利区间。

为什么重要

本文首次系统性地引入随机多起点作为扩散提议的控制基线，发现学习型提议的“有用”范围十分狭窄——仅在变量独立的高维空间中有意义，而真实问题通常不满足该条件。这为后续约束求解的研究提供了反直觉的基准：不要默认学习型提议优于简单的随机重启。

局限与不确定性

• 正文未抓取，完整实验细节（如扩散模型架构、训练数据规模、是否使用固定种子）待核实。
• 合成族的“变量独立”定义可能过于简化，真实系统中变量耦合程度复杂，结论的泛化性限于本文的8个实例。
• 学习型提议在修复任务（reapir ranker）上表现突出，但该任务与本卡片聚焦的赋值决策属于不同维度，不能混为一谈。

可用于图书/PPT/简报的角度

• “简单基线有时胜过年复一年的深度学习”案例——展示随机多起点可作为扩散提议的公平对照。
• 约束求解的“无免费午餐”定理：学习型方法的受益域非常狭窄，需先诊断问题结构再选方法。
• 向非专业听众解释时，强调“实验控制”的重要性：没有随机多起点基线，可能误判扩散模型的价值。

原始材料

• 英文标题：When Do Learned Diffusion Proposals Help Constraint Solving? A Controlled Study on Continuous Algebraic Systems
• 英文关键词：foundation-model, constraint solving, diffusion models, continuous algebraic systems, random multi-start
• URL：https://arxiv.org/abs/2607.27169v1
• Track：academic
• 备注：由于未能抓取论文正文，本卡片所有陈述基于arXiv摘要（Candidate summary）。具体数据、超参数、多起点实现细节等均标注为待核实。