当前基于神经网络的端到端SAT求解模型在各类SAT问题求解上展现了巨大潜力。然而SAT问题难以容忍误差存在,神经网络模型无法保证不产生预测误差。为利用SAT问题实例特性来减少模型预测误差,提出了错误偏好变量嵌入架构(architecture of ...当前基于神经网络的端到端SAT求解模型在各类SAT问题求解上展现了巨大潜力。然而SAT问题难以容忍误差存在,神经网络模型无法保证不产生预测误差。为利用SAT问题实例特性来减少模型预测误差,提出了错误偏好变量嵌入架构(architecture of embedding error-preference variables, AEEV)。该架构包含错误偏好变量嵌入调整算法和动态部分标签训练模式。首先,为利用参与越多未满足子句的变量越可能被错误分类这一特性,提出了错误偏好变量嵌入调整算法,在消息传递过程中根据变量参与的未满足子句个数来调整其嵌入。此外,提出了动态部分标签监督训练模式,该模式利用了SAT问题实例的变量赋值之间存在复杂依赖关系这一特性,避免为全部变量提供标签,仅为错误偏好变量提供一组来自真实解的标签,保持其他变量标签为预测值不变,以在训练过程管理一个更小的搜索空间。最后,在3-SAT、k-SAT、k-Coloring、3-Clique、SHA-1原像攻击以及收集的SAT竞赛数据集上进行了实验验证。结果表明,相较于目前较先进的基于神经网络的端到端求解模型QuerySAT,AEEV在包含600个变量的k-SAT数据集上准确率提升了45.81%。展开更多
基于模型的诊断问题在人工智能领域内一直备受关注,将诊断问题转换成SAT(Satisfiable)问题成为解决基于模型诊断问题的一个重要方法.基于目前高效诊断方法 LLBRS-Tree(Last-Level Based on Reverse Search-Tree)的研究,本文提出电路分...基于模型的诊断问题在人工智能领域内一直备受关注,将诊断问题转换成SAT(Satisfiable)问题成为解决基于模型诊断问题的一个重要方法.基于目前高效诊断方法 LLBRS-Tree(Last-Level Based on Reverse Search-Tree)的研究,本文提出电路分块诊断方法 ACDIAG(Abstract Circuit Diagnosis)方法,对电路进行分块来缩减电路规模,利用LLBRS-Tree方法对分块后抽象电路求得极小块诊断解;提出诊断解拓展方法,结合分块后电路结构特征对每个极小块诊断解进行直接扩展得到极小诊断解,避免对抽象电路还原后才能得到所有解的问题.展开更多
文摘基于模型的诊断问题在人工智能领域内一直备受关注,将诊断问题转换成SAT(Satisfiable)问题成为解决基于模型诊断问题的一个重要方法.基于目前高效诊断方法 LLBRS-Tree(Last-Level Based on Reverse Search-Tree)的研究,本文提出电路分块诊断方法 ACDIAG(Abstract Circuit Diagnosis)方法,对电路进行分块来缩减电路规模,利用LLBRS-Tree方法对分块后抽象电路求得极小块诊断解;提出诊断解拓展方法,结合分块后电路结构特征对每个极小块诊断解进行直接扩展得到极小诊断解,避免对抽象电路还原后才能得到所有解的问题.
