arXiv 论文：约束推理与 LLM 结合，为 MIP 优化推荐生成对比解释
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇提交至 arXiv 的论文提出把约束推理与大语言模型结合，为基于混合整数规划（MIP）的决策支持系统生成对比解释，回答用户对推荐结果的疑问。做法是先用约束推理提炼出所谓「理由图」，用它刻画优化问题各约束的语义与相互关系，再把该图作为输入交给 LLM 生成自然语言解释。作者称，LLM 单独推理会产生错误答案，而引入这一结构后，在真实调度场景中，解释包含的相关理由更多、错误更少。论文标注为正在 Applied Artificial Intelligence 期刊审稿。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
论文关注的是现实应用中基于优化的决策支持系统：系统求解一个混合整数规划问题并给出推荐，用户则会追问「为什么是这个结果」。作者要提供的是对比解释，即针对这类推荐回答用户的疑问。论文把这件事与人工监督联系起来，称其是确保人类能够审查自动化决策的必要环节，并提到国际可信与负责任自动化决策指南对此有要求。换言之，解释不是附加功能，而是让优化结果可被人工复核的前提。
理由图如何接入 LLM
作者的方法分两步。第一步用约束推理技术从优化问题中提炼出生成解释所需的信息，组织成「理由图」；这张图刻画优化问题各约束的语义以及约束之间的关系。第二步把理由图作为输入交给大语言模型，由模型输出自然语言解释。论文给出的动机是：LLM 在自然语言处理上表现突出，但受推理能力限制可能给出不正确的答案；引入约束推理提供的结构化信息，正是为了弥补这一短板，让模型不必独自推断约束之间的逻辑。
调度场景上的效果
论文在真实调度领域的算例上做了验证。结果显示，加入约束推理后 LLM 生成的解释质量提升：使用理由图时，模型输出的自然语言解释覆盖的相关理由更多，同时错误比没有该结构时更少。论文没有在摘要中给出具体的量化指标，效果描述停留在「更多相关理由、更少错误」这一层面。该工作目前处于审稿阶段，投稿期刊为 Applied Artificial Intelligence。
为什么值得看
把 LLM 的解释能力与约束求解的可验证结构结合，是让优化类决策系统可被人工审查的一条具体路径，做决策支持与可解释 A…
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。