CG4AI to nowy framework łączący optymalizację liniową z treningiem modeli sztucznej inteligencji, aby zagwarantować spełnienie rzeczywistych ograniczeń na wyjściu sieci. Standardowe metody uczenia minimalizują funkcję straty, ale nie dają gwarancji, że model będzie respektować zadane reguły - problem krytyczny w systemach autonomicznych, routingu sieciowym czy aplikacjach medycznych. Framework rozwiązuje to, budując konweksyjną kombinację wielu modeli, gdzie wagi mieszaniny są określane przez główny program liniowy.
Metoda opiera się na koncepcji generacji kolumn - przyspieszonym algorytmie optymalizacyjnym. Program liniowy wyznacza optymalną mieszankę, a równoległy problem pricing generuje nowe modele kierowane zmiennymi dualnymi LP, skupiając się na najbardziej naruszanych ograniczeniach. Procedura cutting-plane rozszerza gwarancje wykonalności poza zbiór treningowy. Badacze testowali CG4AI na dwóch problemach: klasyfikacji cyfr na MNIST, gdzie demonstrują cztery zastosowania ograniczeń (uczenie wyłącznie z ograniczeń, poprawa odporności na ataki adversaryjne, korekcja błędnie sklasyfikowanych przykładów, wymuszanie relabelingu wyjścia) oraz na wielotowarowym problemie przepływu, gdzie wymuszają ograniczenia pojemności łącz na neuronowych predyktorach routingu.
Eksperymenty na MNIST i standardowych sieciach benchmarkowych SNDLIB wykazały, że CG4AI niezawodnie produkuje predyktory spełniające ograniczenia, jednocześnie osiągając lepszą dokładność niż pojedyncze modele bazowe. To szczególnie ważne dla zastosowań krytycznych dla bezpieczeństwa, gdzie naruszenie ograniczeń może mieć poważne konsekwencje.