SnareNet：带硬约束的神经网络灵活修复层
机器学习
2026-05-12 v2 人工智能
机器学习
摘要
神经网络日益被用作跨多个领域的快速替代模型，但无约束的预测可能违反物理、操作或安全要求。我们提出 SnareNet，一种受约束控制的可行性架构，用于学习必须满足输入依赖约束的映射。SnareNet 在约束图谱的范围空间中导航的可微分修复层，将迭代引导 toward 可行性并产生满足用户指定容忍度的修复输出。我们通过自适应松弛（adaptive relaxation）来稳定端到端训练，这是一种新的训练范式，通过在初始化时“捕获”神经网络并在训练后期收缩至可行集中，以实现早期探索和严格可行性。在优化学习和轨迹规划基准测试上，SnareNet 始终实现了更好的目标质量，同时更可靠地满足约束，是首次在中等到高精度下稳健地跨实例强制执行非凸约束。
引用
@article{arxiv.2602.09317,
title = {SnareNet: Flexible Repair Layers for Neural Networks with Hard Constraints},
author = {Ya-Chi Chu and Alkiviades Boukas and Madeleine Udell},
journal= {arXiv preprint arXiv:2602.09317},
year = {2026}
}