用于代数约束满足的概率神经符号层
机器学习
2025-06-17 v3
摘要
在安全关键应用中,保证连续环境下约束的满足至关重要,例如,自主智能体绝不能撞上障碍物或驶离道路。神经模型在这些约束面前表现欠佳,尤其当约束涉及复杂的代数关系时。为解决这一问题,我们引入一种可微的概率层,保证连续变量上非凸代数约束的满足。该概率代数层(PAL)可无缝嵌入任何神经网络架构,并通过最大似然进行训练,无需任何近似。PAL 定义了由多项式参数化的线性不等式的合取与析取上的分布。该表述支持通过符号积分实现高效且精确的重正化,可分摊到不同数据点上,并易于在 GPU 上并行化。我们在多个代数约束集成基准以及真实世界轨迹数据上展示了 PAL 及其集成方案。
引用
@article{arxiv.2503.19466,
title = {A Probabilistic Neuro-symbolic Layer for Algebraic Constraint Satisfaction},
author = {Leander Kurscheidt and Paolo Morettin and Roberto Sebastiani and Andrea Passerini and Antonio Vergari},
journal= {arXiv preprint arXiv:2503.19466},
year = {2025}
}
备注
Accepted as oral presentation at UAI 25