Attention Satisfies: A Constraint-Satisfaction Lens on Factual Errors of Language Models
Stanford University（斯坦福大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
该研究从约束满足视角探究大语言模型事实错误的内部机制，发现注意力与事实准确性正相关，提出SAT Probe方法可预测错误并助力提升模型可靠性。
2024-04-17 cs.AI cs.CL cs.LG
XCSP3-core: A Format for Representing Constraint Satisfaction/Optimization Problems
本文提出XCSP3-core格式用于表示约束满足/优化问题，聚焦主流框架与约束，提供Java和C++解析器，并为约束求解器竞赛定义核心比较格式。
2024-08-29 cs.AI
The Regularization of Small Sub-Constraint Satisfaction Problems
Brandenburg University of Technology Cottbus-Senftenberg（科特布斯-森夫滕贝格勃兰登堡工业大学）
本文提出了一种用局部一致的正则隶属约束代替子约束满足约束满足问题的新方法。该方法的目的是减少解析过程中的失败次数，通过加强约束传播来改善约束求解器在搜索期间做出的推断，并且在降低传播约束的成本的同时保持传播的水平。我们的实验结果表明，改进的分辨率速度相比，原来的CSP和最近的制表方法的竞争力。此外，我们的方法可以实现在一个预处理步骤，因此不会冲突的冗余约束或并行计算，如果实施。
2019-08-16 cs.AI
Guarantees and Limits of Preprocessing in Constraint Satisfaction and Reasoning
UNSW Australia（新南威尔士大学）；NICTA（澳大利亚国家信息与通信技术研究院）；Vienna University of Technology（维也纳工业大学）
我们提出了第一个理论分析的权力多项式时间预处理的重要组合问题，从各个领域的人工智能。我们考虑的问题从约束满足，全局约束，可满足性，非单调和贝叶斯推理下的结构限制。所有这些问题都涉及两个任务：（i）识别输入中的结构，以满足约束的要求，以及（ii）使用识别的结构来有效地解决推理任务。我们表明，对于大多数考虑的问题，任务（一）承认一个多项式时间预处理的问题内核，其大小是多项式的结构问题参数的输入，相比之下，任务（二）不承认这样的减少到一个问题内核的多项式大小，受复杂性理论假设。作为一个值得注意的例外，我们表明，AtMost-NValue约束的一致性问题承认一个多项式核组成的二次变量和域值。我们的研究结果提供了一个坚实的最坏情况下的保证和理论边界的性能的多项式时间预处理算法所考虑的问题。
2014-06-12 cs.AI cs.CC cs.DS
Hybrid Tractable Classes of Binary Quantified Constraint Satisfaction Problems
本文研究了二元量化约束满足问题的混合易处理性。首先，一个基本的易处理类的二进制QCSP的确定使用的破三角性质。在这个类中，破三角形属性的变量顺序必须与QCSP前缀中的变量顺序相同。其次，我们打破这一限制，允许存在量化的变量可以在其块内或块外移动，从而通过引入破角属性来识别一些新的易处理类。最后，我们确定了一个更一般化的易处理类，即，QCSP的最小最大可扩展类。
2011-04-26 cs.AI
The Exact Closest String Problem as a Constraint Satisfaction Problem
University of St Andrews（圣安德鲁斯大学）
我们报告（据我们所知）的第一次评估约束满足作为一个计算框架，解决最接近的字符串问题。我们表明，仔细考虑符号出现可以提供搜索启发式方法，在最佳距离及以上提供几个数量级的加速。我们还报告（据我们所知）的第一次分析和评估-使用任何技术-的计算困难，在识别所有最接近的字符串为一个给定的输入集。我们描述了网络规模的分布式解决方案的最接近的字符串问题的算法，无论是纯粹基于AI回溯搜索，也混合数值AI方法。
2010-05-01 cs.AI
Asynchronous Partial Overlay: A New Algorithm for Solving Distributed Constraint Satisfaction Problems
SRI International（斯坦福国际研究院）；University of Massachusetts（马萨诸塞大学）
分布式约束满足（DCSP）一直是多智能体系统研究中的一个重要问题。这是因为许多现实世界的问题可以表示为约束满足，这些问题往往以分布式的形式出现。在这篇文章中，我们提出了一个新的完整的，分布式的算法称为异步部分覆盖（APO）解决DCSP是基于一个合作的调解过程。该算法背后的主要思想是，代理，当作为一个调解人，集中小，相关部分的DCSP，这些集中的子问题重叠，以及代理增加其子问题的大小沿关键路线内的DCSP的问题解决展开。我们提出的经验证据表明，APO优于其他已知的，完整的DCSP技术。
2011-09-27 cs.AI
Exploring Properties of Icosoku by Constraint Satisfaction Approach
Brandenburg University of Technology Cottbus-Senftenberg（科特布斯-森夫滕贝格勃兰登堡工业大学）
Icosoku是一个具有挑战性和有趣的难题，具有高度对称性和组合性。在本文中，我们提出的问题，从困惑，但更困难和一般性。此外，我们还提出了一个约束规划模型的建议的问题，它可以提供我们的前两个问题的答案。本文的目的是分享我们的初步结果和问题，以鼓励研究人员在群论和约束社区进一步考虑这个话题。
2019-08-16 cs.AI
Improving Constraint Satisfaction Algorithm Efficiency for the AllDifferent Constraint
研究了组合问题的约束满足问题。它示出的例子，任何算法设计的原始CSP，并涉及AllDifferent约束，具有至少相同的水平的功效时，同时适用于原始和其互补的问题。介绍了将CSP问题转化为互补问题的一对一映射方法，互补问题也是CSP问题。介绍了这种“双CSP”方法及其应用。几个随机问题的实例分析表明，这种方法的好处，减少变域相比，标准的CSP方法。除了AllDifferent之外的额外约束的扩展，以及混合算法的使用，被提出作为这种双CSP方法的候选者。
2020-12-13 cs.AI
T-SKM-Net: Trainable Neural Network Framework for Linear Constraint Satisfaction via Sampling Kaczmarz-Motzkin Method
本文提出T-SKM-Net框架，通过将混合约束问题转化为纯不等式问题，并结合采样Kaczmarz-Motzkin方法进行迭代求解，实现神经网络在约束满足中的高效处理，同时保证了端到端的可训练性。
2025-12-11 cs.AI cs.LG math.OC
Streamlining Variational Inference for Constraint Satisfaction Problems
Stanford University（斯坦福大学）
解决约束满足问题的几种算法是基于调查传播，变分推理方案，用于获得近似的边际概率估计变量分配。这些边际值对应于每个变量在满意的分配中被设置为真的频率，并用于在搜索过程中通知分支决策;然而，通过调查传播获得的边际估计是近似的，并且可能是自相矛盾的。我们引入了一个更一般的分支策略的基础上精简的约束，回避硬分配给变量。我们发现，流线型求解器在几个问题大小的随机k-SAT实例上始终优于基于抽取的求解器，在k= 3，4，5，6时，经验性能和理论可满足性极限之间的差距平均缩小了16.3%。
2018-11-24 cs.AI cs.LG cs.LO
KITAB: Evaluating LLMs on Constraint Satisfaction for Information Retrieval
Microsoft Research（微软研究院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
提出KITAB数据集评估LLMs在信息检索中的约束满足能力，发现缺乏上下文时模型表现严重受限且随信息流行度降低而加剧。
2023-10-24 cs.AI cs.CL cs.IR
Only Project Once: Projection-Adaptive Loss for Exact Constraint Satisfaction
ETH Zürich（苏黎世联邦理工学院）
本文提出投影自适应损失（PAL），通过单个分离投影步骤实现精确约束满足，训练速度比现有方法快2.5倍，并在非线性约束下保持近乎完美可行性。
2026-10-06 cs.AI cs.CE cs.LG
A constraint satisfaction approach to the robust spanning tree problem with interval data
Brown University（布朗大学）
稳健优化是组合优化中处理不确定性问题的基本方法之一。本文考虑区间数据的鲁棒生成树问题，它出现在各种电信应用中。它提出了一个约束满足的方法，使用组合下界，修剪组件，删除不可行的和次优的边缘，以及搜索策略探索最不确定的边缘第一。由此产生的算法是生产非常戏剧性的改进，在数学规划方法的Yaman等人。并扩大了相当大的类问题，服从有效的解决方案
2012-12-12 cs.AI
Multi-Attribute Constraint Satisfaction via Language Model Rewriting
Georgia Institute of Technology（佐治亚理工学院）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；The Ohio State University（俄亥俄州立大学）；University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出MACS方法，通过将语言模型训练为编辑器并利用约束满足奖励迭代改进输出，实现多外部实值属性的细粒度控制，在文本风格迁移和蛋白质设计任务上取得最优效果。
2024-12-26 cs.AI
Solution Dominance over Constraint Satisfaction Problems
VUB Brussels（布鲁塞尔自由大学）；Data61 CSIRO（联邦科学与工业研究组织数据61中心）；Monash University（莫纳什大学）
约束满足问题（CSP）通常具有满足所有约束的许多解。然而，通常情况下，一些解决方案优于其他解决方案，也就是说，一些解决方案主导其他解决方案。我们目前的解决方案的优势作为一个正式的框架，理由这样的设置。我们将约束支配问题定义为具有支配关系的约束支配问题，即约束支配问题解的前序。该框架涵盖了约束满足的许多著名的变体，包括优化、多目标优化、Max-CSP、最小模型、最小校正子集以及CP-网和任意支配关系上的优化。我们扩展MiniZinc，一个声明性的语言建模CSP，通过引入优势nogoods的CDPs，这些可以从优势关系的原则性的方式。一种用于求解任意CDP的通用方法递增地调用CSP求解器，并且与任何支持MiniZinc的现有求解器兼容。这鼓励对一个问题尝试不同的解决方案支配关系，以及比较不同的求解器，而不必修改它们的实现。
2018-12-21 cs.AI
GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction
University of California Berkeley（加州大学伯克利分校）
在这项工作中，我们提出了一种新的方法，黑箱优化和约束满足。试图解决这个问题的现有算法无法考虑多个模式，并且不能适应环境动态的变化。为了解决这些问题，我们开发了一种改进的交叉熵方法（CEM），使用掩蔽自回归神经网络建模均匀分布的解决方案空间。我们使用来自强化学习的最大熵策略梯度方法对模型进行训练。我们的算法是能够表达复杂的解决方案空间，从而使它能够跟踪各种不同的解决方案区域。我们经验比较我们的算法与变化的CEM，包括一个高斯先验与固定方差，并表现出更好的性能方面：不同的解决方案，更好的模式发现在多模态问题，更好的样本效率在某些情况下。
2020-02-17 cs.AI cs.LG stat.ML
Solving Set Constraint Satisfaction Problems using ROBDDs
The University of Melbourne（墨尔本大学）；NICTA（澳大利亚国家信息与通信技术研究院）
在本文中，我们提出了一种新的方法来建模有限集域约束问题，使用简化有序二叉决策图（ROBDDs）。我们表明，它是可能的，以构建一个有效的集域传播competencies表示许多集域和集约束使用ROBDD。我们证明，基于ROBDD的方法提供了前所未有的灵活性，在建模约束满足的问题，导致性能的提高。我们还表明，基于ROBDD的建模方法可以扩展到整数和多集约束问题的建模，在一个简单的方式。由于域传播并不总是实用的，我们还展示了如何将不太严格的一致性概念到ROBDD框架，如设置界限，基数界限和字典界限的一致性。最后，我们提出的实验结果表明，基于ROBDD的求解器比各种更传统的约束求解器在几个标准集约束问题上的表现更好。
2011-09-09 cs.AI
Towards Geometry-Preserving Reductions Between Constraint Satisfaction Problems (and other problems in NP)
University of Bucharest（布加勒斯特大学）
本文受组合优化相变现象启发，定义了两类保持几何结构的归约，用于约束满足问题与其他NP搜索问题之间，并给出实例与反例。
2024-10-31 cs.AI cs.CC cs.DM
Solving Weighted Constraint Satisfaction Problems with Memetic/Exact Hybrid Algorithms
加权约束满足问题（WCSP）是一种可以表达解之间偏好的约束满足问题。桶消元法是解决这类约束满足问题的一种常用的完整技术。当应用桶消除所需的存储器太高时，可以使用基于它的探试法（命名为迷你桶）来计算最优解的边界。然而，维数灾难使得这些技术在大规模问题上不切实际。针对这种情况，我们提出了一个模因算法WCSP桶消除作为一种机制，用于重组的解决方案，提供最好的可能的孩子从父母的集合。随后，一个多层次的模型中，这种精确/元启发式混合进一步杂交与分支定界技术和迷你桶进行了研究。作为一个案例研究，我们已经将这些算法的最大密度静物问题，一个硬约束优化问题的基础上康威游戏的生活的决议。由此产生的算法始终找到最佳模式，最新解决的情况下，在更短的时间比目前的方法。此外，它表明，该建议提供了新的最佳已知的解决方案非常大的情况下。
2014-01-15 cs.AI
MUSE CSP: An Extension to the Constraint Satisfaction Problem
本文描述了一个扩展的约束满足问题（CSP）称为MUSE CSP（多段约束满足问题）。这个扩展对于那些分割成多组部分共享变量的问题特别有用。这样的问题在包括计算机视觉、语音处理和手写识别的信号处理应用中自然出现。对于这些应用程序，它往往是难以分割的数据，在只有一种方式给定的低层次的信息所利用的分割算法。MUSE CSP可用于复杂表示约束满足问题的几个类似实例。如果CSP的多个实例具有一些具有相同域和约束的公共变量，则可以将它们组合到MUSE CSP的单个实例中，从而减少应用约束所需的工作。我们介绍了MUSE节点一致性、MUSE弧一致性和MUSE路径一致性的概念。然后，我们演示了如何MUSE CSP可以被用来competencies表示词汇歧义的句子和多个句子的假设，经常产生的语音识别算法，使语法约束可以被用来提供所有语法正确的句子解析。给出了MUSE弧和路径一致性的算法。最后，我们将讨论如何从一组CSP中创建MUSE CSP，这些CSP被标记为指示同一变量何时由多个CSP共享。
1996-11-01 cs.AI
Enhanced Spreadsheet Computing with Finite-Domain Constraint Satisfaction
University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）
电子表格应用程序是现代社会中使用最广泛的计算工具之一。它提供了出色的可用性和实用性，并且它可以轻松地使非程序员以可视化表格的“笔和纸”方法执行类似编程的任务。然而，由于电子表格的单向数据流，电子表格主要限于类似簿记的应用程序。本文展示了如何扩展电子表格计算范式，以打破这一限制，解决约束满足问题。我们提出了一个增强的电子表格系统，有限域约束求解是很好地支持在一个可视化的环境。此外，一个电子表格专用的约束语言，一般用户指定的数据单元格之间的约束，在一个声明性和可扩展的方式。新的电子表格系统使用可视化表格界面大大简化了许多基于约束的应用程序的开发。给出的例子来说明扩展的电子表格范例的可用性和有用性。关键词：单页计算，单域约束满足，约束逻辑程序设计
2022-02-22 cs.AI cs.PL
Phase Transition of Tractability in Constraint Satisfaction and Bayesian Network Inference
University of Alberta（阿尔伯塔大学）
识别NP完全问题的易处理子类并为这些易处理子类设计有效的算法一直是研究的热点。约束满足和贝叶斯网络推理是这类问题的两个例子，在人工智能和算法中非常重要。本文在随机约束满足问题和随机贝叶斯网络的框架下，研究了一个以问题树宽为特征的典型易处理子类。我们发现，具有有限树宽的CSP和贝叶斯网络推理问题的属性有一个相变，而发生的问题的底层结构仍然稀疏。这意味着，算法利用树宽的结构知识，只有在有限的范围内的随机实例有效地工作。
2012-10-19 cs.AI cs.DS
An Algebraic Hardness Criterion for Surjective Constraint Satisfaction
Universidad del País Vasco（巴斯克大学）；IKERBASQUE, Basque Foundation for Science（伊克尔巴斯克，巴斯克科学基金会）
关系结构B上的约束满足问题（constraint satisfaction problem，CSP）是在给定关系B的变量上的一组约束条件的情况下，判定是否存在满足所有约束条件的变量的赋值;满射CSP是判定是否存在满足对B的论域的满射赋值的变体。我们提出了一个代数条件B的多态克隆，并证明了它是足够的有限结构B上的满射CSP的硬度，在这个意义上说，这个问题承认从一定的固定结构CSP减少。据我们所知，这是第一个结果，允许使用代数信息从一个关系结构B推断信息的复杂性硬度满射约束满足的B。我们的结果的一个推论是，在任何有限的非平凡结构，只有本质上一元多态性，满射约束满足是NP-完全的。
2014-06-02 cs.AI cs.CC cs.LO
A Constraint Satisfaction Approach to Decision under Uncertainty
IRIT - Universite Paul Sabatier（IRIT - 保罗·萨巴捷大学）；INRA（法国国家农业研究院）
约束满足问题（CSP）框架为表示和解决简单的决策问题提供了一个简单而可靠的基础，没有不确定性。本文致力于CSP框架的扩展，使我们能够处理一些决策问题的不确定性。这种扩展依赖于代理可控的决策变量和不可控的参数之间的差异，其值取决于不确定事件的发生。假设参数值的不确定性以概率分布的形式给出。给出了两个算法，分别计算解决问题的最大概率的决策，和条件决策映射的最大可能数量的可能情况下，以实际的决策。
2013-02-20 cs.AI
Constraint Propagation as Information Maximization
University of Western Ontario（西安大略大学）；INRIA Rocquencourt（法国国立信息学及自动化研究院罗克库尔研究中心）；University of Victoria（维多利亚大学）
本文借鉴了计算机科学的不同领域，以开发一个统一的计算视图：（1）运筹学中的优化，其中一个数值目标函数在约束条件下最大化，从数值全序推广到非数值偏序，可以解释的信息。(2)关系被一般化，使得存在其组成元组具有数字索引的关系，而在其他关系中，这些索引是变量。这种区别在我们定义约束满足问题时是必不可少的。(3)约束满足问题是根据谓词逻辑的原子公式的合取的语义来表述的。(4)近似结构，可用于几个重要的领域，适用于解决约束满足问题。作为应用，我们处理实数上的约束满足问题。这些涵盖了数值分析的很大一部分，最重要的是非线性方程和不等式。本文分析的混沌算法结合了浮点计算的效率和约束满足问题的逻辑数学模型的正确性保证。
2013-02-07 cs.AI
Testing Unsatisfiability of Constraint Satisfaction Problems via Tensor Products
University of Lethbridge（莱斯布里奇大学）；InBridge Inc（英桥公司）
研究了证明约束满足问题（CSP）不可满足性的随机局部搜索方法的设计。对于二元CSP，已经使用CSP的微结构设计了这样的方法。在这里，我们开发了一种方法来分解成图张量的微观结构。我们展示了如何使用张量分解计算证明的不满足有效和并行。我们还提供了大量的经验证据表明，我们的方法提高了实践。例如，一个分解在一半的时间内产生不可满足性的证明，而不牺牲质量。另一种分解比以前的方法快20倍，有效时间为原来的十分之三。我们的方法适用于任意CSP使用众所周知的对偶和隐变量变换从任意CSP到二进制CSP。
2020-01-31 cs.AI
Hiding Quiet Solutions in Random Constraint Satisfaction Problems
CNRS（法国国家科学研究中心）；ESPCI ParisTech（巴黎高等物理化工学院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
我们研究所谓的“种植”随机合奏约束满足问题。我们表明，对于某一类问题，如图着色，通常的随机系综的许多属性是定量相同的种植随机系综。我们研究了结构的相变，以及在平均计算复杂度下的易/难/易模式。我们还讨论了有限温度相图，发现与液体/玻璃/固体唯象的密切联系。
2009-05-27 cond-mat.dis-nn cond-mat.stat-mech cs.AI
Quantum-Inspired Approximations to Constraint Satisfaction Problems
Applied Research Laboratories, The University of Texas at Austin（德克萨斯大学奥斯汀分校应用研究实验室）
约束满足问题的两个对比算法范例是连续的相邻配置的局部探索与使用关于问题的全局信息产生新的配置（例如，近似满足配置的概率分布的边缘）。本文提出了新的算法，后者的框架，最终产生满意的配置使用布尔傅立叶分析方法的估计。该方法广泛地受到量子振幅放大算法的启发，因为它最大限度地增加了近似函数的振幅，超过了给定顺序细化的满意配置。我们证明，满意的解决方案可以检索到类似于量子测量的过程中有效的稀疏在傅立叶域，并提出了一个完整的求解器的建设使用这种新的近似。细化策略中的自由度为在进化计算框架中设计求解器提供了进一步的机会。结果表明，对本地求解器的布尔可满足性（SAT）问题的竞争力表现，鼓励未来的工作，了解布尔傅立叶分析和约束满足之间的联系。
2022-12-08 cs.AI quant-ph
Constraint Satisfaction over Generalized Staircase Constraints
IBM Research Lab（IBM研究实验室）
约束满足问题的一个重要研究方向是识别易处理的约束类并为它们开发有效的解决方案。在本文中，我们介绍了广义楼梯（GS）的约束，这是一个重要的推广这样一个听话的类在文献中发现，即楼梯约束。GS约束有两种，下楼梯（DS）和上楼梯（US）。我们首先检查GS约束的几个属性，然后证明弧一致性足以确定DS约束的CSP的解决方案。此外，我们提出了一个O（cd）的时间和空间的最优算法来计算弧一致性GS约束，其中c是约束的数量和d是最大域的大小。其次，观察到弧一致性是不必要的求解DSCSP，我们提出了一个更有效的算法来解决它。关于US约束，弧一致性是不足以确定一个解决方案，因此，方法，如路径一致性或变量消除是必要的。由于弧一致性作为这些现有方法的子程序，用我们的最优O（cd）弧一致性算法代替它产生了一个更有效的方法来解决USCSP。
2013-04-18 cs.AI cs.DS
Language Generation via Combinatorial Constraint Satisfaction: A Tree Search Enhanced Monte-Carlo Approach
Purdue University（普渡大学）；ByteDance AI Lab（字节跳动人工智能实验室）
在复杂约束条件下生成自然语言是实现可控文本生成的一个原则性表述。我们提出了一个框架，允许指定的组合约束的句子生成。我们提出了TSMH，一个有效的方法来生成高似然句子相对于一个预先训练好的语言模型，同时满足约束。我们的方法是高度灵活的，不需要特定任务的培训，并利用高效的约束满足解决技术。为了更好地处理组合约束，树搜索算法被嵌入到马尔可夫链蒙特卡罗（MCMC）的建议过程中，以探索满足更多约束的候选人。与现有的MCMC方法相比，我们的采样方法具有更好的混合性能。实验表明，TSMH在多个语言生成任务上取得了一致的显著改进。
2020-11-30 cs.AI cs.CL
Beyond Q-Resolution and Prenex Form: A Proof System for Quantified Constraint Satisfaction
Universidad del País Vasco（巴斯克大学）；IKERBASQUE, Basque Foundation for Science（伊克巴斯克巴斯克科学基金会）
我们考虑量化的约束满足问题（QCSP），这是决定，给定一个结构和一个一阶句子（这里不假设是在前束形式）建立从连接和量化，是否句子是真的结构。我们提出了一个证明系统，用于证明QCSP实例的虚假性，并发展其基本理论，例如，我们提供了一个算法解释其行为。我们的证明系统将建立的Q-分辨率证明系统在更广泛的背景下，也使我们能够得到QCSP易处理性的结果。
2014-12-20 cs.AI cs.CC cs.LO
Spines of Random Constraint Satisfaction Problems: Definition and Connection with Computational Complexity
我们研究了组合问题中相变的顺序和决策算法的复杂性之间的联系。我们严格地表明，对于一类随机约束满足问题，这两种现象之间确实存在有限的联系。具体来说，我们扩展的定义的脊柱序参数的Bollobas等人。随机约束满足的问题，严格表明，对于这样的问题，脊柱的不连续性与随机情况下的$2^{Ω(n)}$分辨率的复杂性（从而$2^{Ω(n)}$复杂的DPLL算法）。这两个现象有一个共同的根本原因：出现的“大”（线性大小）最小不可满足的子公式的随机公式在可满足性相变。我们提出了几个进一步的结果，增加重量的直觉，随机约束满足问题与尖锐的阈值和连续的脊椎“定性类似于随机2-SAT”。最后，我们认为，这是脊柱，而不是骨干参数的连续性组合问题的决策复杂性的影响，我们提供的实验证据表明，这两个参数可以表现出不同的方式。
2005-03-29 cond-mat.dis-nn cs.AI cs.CC
Pattern-Based Constraint Satisfaction and Logic Puzzles
Institut Mines Télécom（法国矿业电信学院）
基于模式的约束满足和逻辑谜题开发了解决有限约束满足问题（CSP）的纯逻辑、基于模式的视角，重点是找到“最简单”的解决方案。不同的推理方式与约束形式化的各种家庭的“决议规则”，他们每个人都携带自己的概念简单。这本书的很大一部分通过将其应用于各种流行的逻辑谜题来说明这种方法的力量。它提供了如何建模和解决它们的统一视图，即使它们涉及非常不同类型的约束：Sudoku中明显的对称约束，Futoshiki中的非对称但传递的约束（不等式），Map着色，Numbrix和Hidato中的拓扑和几何约束，以及Kakuro（或交叉和）中更复杂的非二进制算术约束。它还表明，这些谜题的最熟悉的技术确实可以被理解为仅仅是一般规则的特定于应用程序的表示。数独被用作整本书的主要例子，使它也成为“数独的隐藏逻辑”（同一作者的另一本书）的高级续集，其中包括：不同规则之间的关系和异常情况的许多例子;各种规则家族的解决潜力的比较;谜题难度的详细统计;极端情况的分析。
2013-04-05 cs.AI math.LO
The Dichotomy for Conservative Constraint Satisfaction is Polynomially Decidable
CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）；INP Toulouse（图卢兹国立理工学院）
给定一个固定的约束语言$Γ$，$Γ$上的保守CSP（记作c-CSP（$Γ$））是CSP（$Γ$）的一个变体，其中每个变量的定义域都可以任意限制.保守CSP有一个二分法：对于每一个固定的语言$Γ$，c-CSP（$Γ$）要么是P完备的，要么是NP完备的。然而，保守易处理语言的特征是代数性质的，并且朴素识别算法在域大小上是超指数的。本文的主要贡献是一个多项式时间算法，给定一个约束语言$Γ$作为输入，决定如果c-CSP（$Γ$）是听话的。此外，如果$Γ$被证明是易处理的，该算法还输出其彩色图，该彩色图包含关于$Γ$的结构的有价值的信息。
2016-06-20 cs.AI cs.CC
Graph Neural Networks for Maximum Constraint Satisfaction
RWTH Aachen University（亚琛工业大学）
许多组合优化问题可以用约束满足问题的语言来表述。我们引入了一个图神经网络架构来解决这样的优化问题。该架构是通用的，它适用于所有二进制约束满足问题。训练是无监督的，在相对较小的实例上进行训练就足够了;产生的网络在大得多的实例（至少大10倍）上表现良好。我们实验评估我们的方法，各种问题，包括最大割和最大独立集。尽管是通用的，我们表明，我们的方法匹配或超越最贪婪和半定编程为基础的算法，有时甚至优于国家的最先进的具体问题的算法。
2020-02-10 cs.AI cs.LG
Learning with Logical Constraints but without Shortcut Satisfaction
State Key Lab of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；The University of Hong Kong（香港大学）；Birkbeck, University of London（伦敦大学伯克贝克学院）
针对神经符号学习中逻辑约束被捷径空洞满足的问题，本文提出引入逻辑连接词对偶变量并构建兼容原始损失的变分分布式损失框架，提升了泛化能力与约束满足效果。
2024-03-01 cs.AI cs.LG
Calibrated Data-Dependent Constraints with Exact Satisfaction Guarantees
University of Michigan（密歇根大学）；IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
我们考虑训练具有数据依赖约束的机器学习模型的任务。这些约束通常作为期望值约束的经验版本出现，这些约束强制执行公平或稳定目标。我们重新制定数据相关的约束，使它们被校准：强制执行重新制定的约束保证其预期值对应满足用户规定的概率。由此产生的优化问题是可扩展的标准随机最优化算法，我们证明了我们的方法对公平敏感的分类任务，我们希望保证分类器的公平性（在测试时）的功效。
2023-01-15 cs.LG stat.ML
Cost-Optimal LLM Routing with Limited User Feedback under User Satisfaction Guarantees
Technical University of Munich（慕尼黑工业大学）；University of Exeter（埃克塞特大学）；Horace Greeley High School（霍勒斯格里利高中）
针对LLM推理成本与服务质量之间的矛盾，提出SLARouter在线路由算法，利用稀疏单侧用户反馈学习成本最优策略，理论保证成本最优和SLA合规，实验显示成本降低高达2.2倍。
2026-09-09 cs.AI cs.IR cs.LG
Incremental Inference on Higher-Order Probabilistic Graphical Models Applied to Constraint Satisfaction Problems
Stellenbosch University（斯泰伦博斯大学）
概率图模型（Probabilistic Graphical Models，PGMs）是解决复杂概率关系的工具。然而，次优PGM结构主要用于实践中。本论文提出了三个贡献的PGM文献。第一个是因子图和聚类图之间的比较图着色问题，如数独-表明一个显着的优势，首选聚类图。第二个是聚类图的应用，在制图的实际问题：土地覆盖分类提升。第三个是一个PGMs制定的约束满足问题和一个算法称为清除和合并，以解决这些问题太复杂的传统PGMs。
2022-05-26 cs.LG
Conditional Policy Generator for Dynamic Constraint Satisfaction and Optimization
Sungkyunkwan University（全州大学）；Samsung Electronics（三星电子）；Delft University of Technology（代尔夫特理工大学）
针对动态变化环境中的约束满足与优化问题（变量统计独立），提出基于强化学习的条件策略生成器（借鉴类条件GANs思想），结合静态约束设计奖励引导训练，编码动态约束为类别标签输入并监督更新，经多模态问题验证可行性并对比无条件情况。
2025-09-21 cs.LG
A Probabilistic Neuro-symbolic Layer for Algebraic Constraint Satisfaction
School of Informatics, University of Edinburgh, UK（爱丁堡大学信息学院）；DiSI, University of Trento, Italy（特伦托大学迪西研究所）
针对安全关键场景下神经模型难以满足复杂代数约束的问题，提出可无缝嵌入神经架构、可通过最大似然训练的概率代数层PAL，实现非凸代数约束的可靠满足与高效精确的符号积分重归一化。
2025-06-16 cs.LG
Reinforcement Learning for Temporal Logic Control Synthesis with Probabilistic Satisfaction Guarantees
University of Oxford（牛津大学）；University of Pennsylvania（宾夕法尼亚大学）
强化学习（RL）已成为解决自动控制、计算机科学、经济学和生物学中复杂序列决策问题的一种有效方法。在本文中，我们提出了一个无模型的RL算法来合成控制策略，最大限度地满足高层次的控制目标的概率作为线性时序逻辑（LTL）公式。不确定性被认为是在工作空间的属性，工作空间的结构，和代理的行动，从而产生一个概率标记的马尔可夫决策过程（PL-MDP）与未知的图形结构和随机行为，这是更一般的情况下，比一个完全未知的MDP。我们首先将LTL规范转换为极限确定性Buchi自动机（LDBA），然后将其用于PL-MDP的即时产品中。此后，我们定义了一个同步的奖励功能的基础上接受条件的LDBA。最后，我们表明，RL算法提供了一个政策，最大限度地满足概率渐近。我们提供的实验结果表明，所提出的方法的效率。
2019-09-11 cs.LG cs.LO cs.SY
Automatic Exploration Process Adjustment for Safe Reinforcement Learning with Joint Chance Constraint Satisfaction
Fujitsu Laboratories Ltd.（富士通实验室）；Reading Skill Test, Inc.（阅读技能测试公司）
在强化学习（RL）算法中，在学习过程中使用探索性控制输入来获取决策和控制知识，而被控对象的真实动态是未知的。然而，这种探索属性有时会因违反关于受控对象状态的约束而导致不期望的情况。在本文中，我们提出了一种自动探索过程调整方法，利用一个线性标称模型的控制对象在连续的状态和动作空间的安全RL。具体来说，我们提出的方法自动选择是否使用探索性输入或不在每一个时间取决于状态和其预测值，以及调整的方差-协方差矩阵中使用的高斯政策的探索。我们还表明，我们的勘探过程调整方法理论上保证满足的约束条件与预先指定的概率，即满足一个联合的机会约束在每一个时间。最后，通过数值仿真验证了该方法的有效性.
2021-03-05 cs.AI cs.LG cs.SY
HardNet++: Nonlinear Constraint Enforcement in Neural Networks
Massachusetts Institute of Technology（麻省理工学院）
提出一种通过阻尼局部线性化迭代调整网络输出来强制执行线性和非线性等式与不等式约束的方法，并证明在正则条件下可达到任意精度，应用于非线性模型预测控制问题中实现紧约束满足且不损失最优性。
2026-05-26 cs.LG
Ontology Neural Networks for Topologically Conditioned Constraint Satisfaction
Department of Mechanical Engineering Soongsil University Seoul, Republic of Korea（机械工程系首尔大学韩国）
本研究提出一种结合拓扑条件和梯度稳定机制的本体神经网络框架，通过优化方法在约束满足任务中实现高效且可解释的优化。
2026-01-08 cs.LG stat.ML
Training Recurrent Neural Networks as a Constraint Satisfaction Problem
University of Nevada, Reno（内华达大学里诺分校）
本文提出了一种新的方法来训练人工神经网络使用解决约束满足问题（CSP）的技术。商梯度系统（QGS）是求解CSP的一种基于概率的方法。本研究将神经网络的训练集转换成CSP，并使用QGS来求解。QGS通过跟踪非线性动力系统的轨迹来找到优化问题的全局最小值，并且不会停止在优化问题的局部最小值处。李雅普诺夫理论被用来证明的渐近稳定性的解决方案和不存在的测量误差。数值例子说明了所提出的方法的有效性，并比较它的遗传算法和误差反向传播。
2018-05-14 cs.LG eess.SP stat.ML
