Active Constraint Acquisition Using Large Language Models

Mechqrane, Younes

doi:10.1613/jair.1.19277

Active Constraint Acquisition Using Large Language Models

2026-04-07

0

PRE

AI

M

Mechqrane, Younes *

DOI：10.1613/jair.1.19277

原文链接

摘要

En 中文

背景：在约束编程中，约束获取是处理将问题建模为约束集的子领域，以便通过约束求解器进行求解。这是一种显著扩展约束编程技术使用的方法。大多数活跃的约束获取系统存在两个弱点。它们需要显式生成潜在约束集（偏差），其规模可能对实际使用这些系统造成限制，并且查询答案包含的信息量少。目标：我们引入ACQNoGooDS，一种不需要构建偏差的主动学习模式。然后我们提出LLMACQ，一种将大型语言模型（LLM）组件整合到ACQNoGooDS模式中的主动学习系统。LLMACQ解释用户以自然语言给出的答案，从而实现更有信息量的交流。方法：LLMACQ实现了（i）一个微调的LLM编码器（ii）一个经过提示工程的LLM解码器。我们在经典的逻辑谜题基准（Purdey、Zebra、Sudoku、Kakuro）上评估了这两个变体。为了增强真实性，我们还收集了12名人类受试者的书面反馈，并使用这些数据设计了一个半真实实验。结果：在所有基准测试中，LLMACQ显著减少了查询次数，同时学习任意元数的约束，且无需显式偏差。使用解码器LLM的LLMACQ版本表现出更好的准确性，并具有有趣的抽象能力，允许其从单个用户答案中学习多个约束。结论：我们的结果表明，结合自然语言反馈与无偏差学习是迈向更用户友好的约束编程建模的一个有前景的步骤。

Active Constraint Acquisition Using Large Language Models

摘要

期刊

机构

引用论文