研究人员开发了一个新颖的框架，用于布尔可满足性（SAT）任务中的不可满足核心预测，通过在子句-文字超图上进行极性感知表示学习。该方法通过将 SAT 公式建模为超图来增强图神经网络，捕获高阶交互并显式处理文字的极性。该方法包含一个分解机制和一致性正则化来改进表示学习，实验结果表明其在各种 SAT 数据集上的有效性。 AI
影响 引入了一种更具表现力的 SAT 问题表示方法，有可能提高求解器性能和相关的 AI 应用。
排序理由 关于 SAT 任务新颖机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
