사용자 정의 개념을 제약망(constraint network)으로 학습하는 제약 획득(CA) 연구는 대개 사람 오라클과의 집중적인 상호작용에 의존해 시간과 질의 횟수 측면에서 비용이 컸다. 연구진은 사람 응답을 모방하고 개념 지식을 일반화하도록 학습하는 신경 오라클 트랜스포머 모델을 도입해 사용자 개입을 크게 줄이는 신경-기호 CA 프레임워크를 제안했다. 기존 예제로 학습된 오라클은 전담 CA 엔진인 FastCA와 상호작용해 오라클의 응답을 견고하고 일관되며 해석 가능한 제약망으로 체계적으로 정제한다. 이러한 신경-기호 상호작용을 통해 사전 도메인 지식 없이도 데이터로부터 구조화된 기호 모델을 복원할 수 있으며, 결과적으로 데이터 기반 패턴 인식과 기호 추론을 효과적으로 결합해 조합 최적화 도메인에서 모델 구축을 자동화하는 견고한 방법을 제공한다.

• •사람 응답을 모방하는 신경 오라클 트랜스포머 도입으로 사용자 개입을 크게 줄임
• •학습된 오라클이 전담 CA 엔진인 FastCA와 상호작용해 견고한 제약망을 정제
• •미리 정해진 도메인 지식 없이도 데이터만으로 구조화된 기호 모델 복원 가능
• •데이터 기반 패턴 인식과 기호 추론을 효과적으로 결합
• •조합 최적화 도메인의 모델 구축 자동화에 적용 가능한 방법 제시