立场：神经约束推理的正确性认证需要符号集成

arXiv:2608.14569v1 公告类型：新 摘要：用于约束满足问题的神经求解器已经取得了显着的分布精度，但它们存在一个基本限制：即使模型报告高置信度，在分布变化下也会发生持续的约束违规。这篇立场文件认为，当存在硬约束并且验证成本相对较低时，神经约束推理必须优先考虑符号集成而不是纯学习。我们证明我们将数独作为代表性 NP 完全测试平台的关注是合理的，因为它在简单验证和困难求解之间表现出明显的不对称性：检查候选解决方案仅需要多项式时间 $O(n^{2})$，而找到解决方案可能需要指数搜索。通过对确定性算法、元启发式优化、基于学习的方法和语言条件推理等解决方法的全面调查，我们证明，没有实例级认证的纯神经方法无法实现符号和神经符号方法所提供的可证明的正确性。我们提倡双向集成，其中神经方法通过学习启发式并将感知转换为符号来增强符号求解器，而符号方法则验证神​​经输出以确保其可靠性。为了落实这一立场，我们提出了一个多智能体认证推理框架，该框架演示了这种集成如何实现计算效率和可证明的正确性。