Naukowcy twierdzą, że osiągnięcie certyfikowanej poprawności w neuronalnym rozumowaniu ograniczeń wymaga integracji podejść symbolicznych zamiast polegania wyłącznie na metodach opartych na machine learningu. Problem dotyczy tego, że neuronowe solwery dla problemów spełniania ograniczeń osiągają dobre wyniki na danych z treningu, ale gdy dane zmienią się znacząco, model nadal raportuje wysoką pewność mimo naruszających ograniczenia błędów.
Papers fokusujem się na Sudoku jako reprezentacyjnym benchmarku NP-zupełnym, ponieważ problem wykazuje asymetrię między weryfikacją a rozwiązywaniem: sprawdzenie kandydata wymaga czasu O(n²), podczas gdy znalezienie rozwiązania może wymagać wyszukiwania wykładniczego. Przegląd metod obejmuje algorytmy deterministyczne, optymalizację metaheurystyczną, podejścia oparte na learningu i rozumowanie sterowane językiem. Wszelkie metody czysto neuronowe bez certyfikacji na poziomie instancji nie osiągają gwarantowanej poprawności, którą oferują podejścia symboliczne i neuro-symboliczne.
Proponowana integracja bidirectional ma neuronowe metody wzmacniające solwery symboliczne poprzez uczoną heurystykę i konwersję percepts na symbole, podczas gdy metody symboliczne weryfikują wyjścia sieci neuronowych. Taki ramework wieloagentowy umożliwia osiągnięcie zarówno efektywności, jak i niezawodności, rozwiązując fundamentalny problem zastosowania głębokich sieci w domenach wymagających gwarantowanej poprawności.