基于理论的结构化学习

对包含布尔变量和数值变量混合的问题进行建模是人工智能长期关注的兴趣点。然而，在混合域中执行推理和学习是一项特别艰巨的任务。这种建模能力在“学习设计”任务中至关重要，即学习如何从示例中进行自动 {\em de novo} 设计新颖对象的应用。在本文中，我们提出了基于理论的结构化学习（Structured Learning Modulo Theories），这是一种基于可满足性模理论（Satisfiability Modulo Theories）的混合域学习最大间隔方法，它允许结合布尔推理和连续线性算术约束上的优化。主要思想是利用最先进的广义可满足性模理论求解器来实现结构化输出支持向量机（Structured Output SVMs）的推理和分离预言机。我们在人工和现实场景中对我们的方法进行了验证。