DisjunctiveNet：透過可微分凸化優化層的神經符號學習

近期一項研究論文提出 DisjunctiveNet，這是一個針對神經符號學習的新框架，旨在解決稀疏數據集與領域知識結合的挑戰。論文指出，在科學和工程中，學習任務常受限於數據稀缺，而領域知識如物理定律和專家規則則以邏輯命題和線性不等式形式存在。現有神經符號方法多採用軟懲罰近似規則執行，或假設規則與輸入無關，或在推理時依賴非可微分後處理，難以實現硬約束滿足。DisjunctiveNet 提出了一個統一的端到端方法，通過將規則表示為析取約束，並應用層次凸鬆弛技術，生成可微分的優化層，嵌入神經網路中。這種方法允許在訓練和推理階段直接執行硬性、輸入相關的混合整數線性約束，從而實現精確的規則滿足。在真實數據集上的測試顯示，DisjinctiveNet 不僅完美遵守規則，還展現出優異的預測性能，為結合符號推理與機器學習提供了新的途徑。