可微分符号规划：用于约束推理与学习可行性的神经架构
机器学习
2026-04-06 v1 人工智能
摘要
神经网络擅长模式识别，但在约束推理——确定配置是否满足逻辑或物理约束——方面存在困难。我们提出了可微分符号规划（DSP），一种在保持完全可微的同时执行离散符号推理的神经架构。DSP 维护一个可行性通道（phi），用于跟踪每个节点的约束满足证据，通过学习规则加权组合将其聚合为全局可行性信号（Phi），并使用 sparsemax 注意力实现精确零值的离散规则选择。我们将 DSP 集成到通用认知核（UCK）中，该核结合了图注意力与迭代约束传播。在三个约束推理基准测试上评估——图可达性、布尔可满足性和规划可行性——UCK+DSP 在 4 倍规模泛化下的规划准确率达到 97.4%（而消融基线为 59.7%），在 2 倍泛化下的 SAT 准确率达到 96.4%，并且在正负两类上保持平衡性能，而标准神经方法则会崩溃。消融研究表明全局 phi 聚合至关重要：移除它会导致准确率从 98% 降至 64%。学习到的 phi 信号表现出可解释的语义，在无监督条件下出现了可行案例的 +18 和不可行案例的 -13 值。
引用
@article{arxiv.2604.02350,
title = {Differentiable Symbolic Planning: A Neural Architecture for Constraint Reasoning with Learned Feasibility},
author = {Venkatakrishna Reddy Oruganti},
journal= {arXiv preprint arXiv:2604.02350},
year = {2026}
}
备注
12 pages, 4 figures, 7 tables