提出了一种新的框架，称为归纳约束编程循环，该框架结合了数据挖掘和机器学习等领域以及约束编程，用于动态更新约束和优化条件来解决许多实际的优化问题。

Oct, 2015

本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统，实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。

Aug, 2022

本研究提出了一种基于约束学习的半监督学习方法，利用黑盒模拟器生成未标记数据进行训练并通过对抗训练实现生成模型的训练，提高模型在多种任务上的表现。

May, 2018

本文介绍了如何使用整数线性规划将自然语言处理中的推理问题建模，并提供了实例和方法。

Jun, 2023

通过扩展冲突驱动子句学习技术，本文使用基于整数线性规划方法处理复杂的实际问题，并讨论该方法在优化方面的潜在改进。

Feb, 2024

本文介绍了结构预测在计算机视觉和自然语言处理等领域中的应用，主要是通过最大后验推断或整数线性规划来进行预测，但由于需要复杂的打分函数来获得准确的预测结果，因此学习和推断通常需要使用近似求解器。我们提出了一个理论解释，解释了基于线性规划松弛的近似算法在真实场景中的紧密性，并表明使用 LP 松弛推断进行学习有助于保证训练示例的整整性。

Nov, 2015

该研究介绍了一种新的决策集中学习方法，可以优化预测模型，支持将问题编码为混合整数线性规划，并使用割平面算法求解。实验结果表明，该方法在多个实际领域中的性能优于现有方法。

Jul, 2019

我们对神经网络模型学习算法进行了分类，并提出了一种新的算法来整合主任务信息和约束注入，同时提出了 $Heta$-score 作为度量主任务度量和约束违规的指标，在自然语言推理、合成传导示例和语义角色标记等自然语言处理任务上探索和揭示了各种算法达到高 $Heta$-scores 的关键因素。

Jun, 2024

在这项工作中，我们旨在将整数规划求解器整合到神经网络架构中作为能够学习成本项和约束项的层，以便从原始数据中提取特征并使用最先进的整数规划求解器解决适当的（经过学习的）组合问题。该结果的端到端可训练架构以综合性能分析在合成数据上演示，且在竞争性计算机视觉关键点匹配基准上有展示其潜力。

May, 2021

本文探讨了使用约束编程作为此任务的通用框架，并提出了两种约束编程公式。第一种公式引入了一个新的全局约束，称为 exists-embedding。实验表明其灵活性和与现有方法的比较。

Jan, 2015