Deep Neural Network for Constraint Acquisition through Tailored Loss Function

学习从数据中获取约束的意义在于其在现实世界问题解决中的潜在应用。虽然约束在建模和解决中很受欢迎，但从数据中学习约束的方法仍然相对稀少。此外，建模的复杂任务需要专业知识并容易出错，因此约束获取方法通过从解决方案和非解决方案的示例或行为中学习约束来自动化此过程，提供了解决方案。这项工作介绍了一种基于符号回归的深度神经网络（DNN）的新方法，通过设置适当的损失函数，可以直接从数据集中提取约束。使用这种方法，直接制定约束得以实现。此外，鉴于DNN的广泛预先开发的架构和功能，可以预见与其他框架的连接和扩展。

学习约束条件的重要性在于其在实际问题解决中的应用。本文试图通过从数据中学习约束条件来解决问题。

本文提出一种基于符号回归的深度神经网络方法，通过设置适当的损失函数，直接从数据集中提取约束条件。

本文的方法可以自动化约束条件的获取过程，从而减少了建模的错误率。实验结果表明，该方法可以直接从数据中提取约束条件，而且可以和其他框架进行连接和扩展。

最近的相关研究包括《Learning to Infer Constraints for Structured Prediction》和《Learning Constraints for Stable Task-Specific Grasping》等。