项目和教学

打开并运行论文

• SAT实例同构的图散列（学士论文）
  同构SAT实例的等价类包括操作数的关联置换、变量的重命名和文字极性的反转。SAT实例通常以连接范式（CNF）给出，并且过度逼近同构CNF实例类的一种可能性是比较其排序度序列的散列[1]。任务是使用[1]和[2]中的思想来设计新的高效CNF哈希实现，并基于性能及其误报率对其进行评估。
  [1]CNF实例的Isohash
  [2]Weisfeiler Lehman图核
• 命题模型的快速优化压缩算法（学士论文）
  任务是压缩命题模型，即满足命题公式中变量的赋值。压缩可以通过不保存从公式中导出的变量值和通过单位传播获得的其他值来实现。本论文的目的是实现高效（反）压缩算法，评估其效率，并评估针对所得到的压缩模型大小的变量排序的不同启发式。
• 平行SAT解题器的本地化子句分数（学士学位论文）
  在小句学习SAT解题中，利用启发式对小句进行评分起着重要作用。在顺序SAT解算器中，这种评分启发法在周期性的清理步骤中决定哪些学习子句被遗忘。在并行SAT求解器组合中，当求解器之间交换子句以决定拒绝哪些子句时，也会使用此类启发式。排序子句的启发式方法主要考虑一个习得子句对搜索空间的限制程度，例如支持短子句长度的size-heuristic。现代启发式方法，如顺序CDCL求解器的LBD和Activity，会考虑搜索的当前状态和过程。由于状态依赖性，在并行SAT求解器中使用这些启发式并不一定有意义，即在共享时，子句在一个求解器中可能很重要，但在另一个解算器中可能毫无用处。本硕士论文的目的是存储并行SAT求解器组合中所有求解器的搜索状态和过程，以使外部学习的子句可以在本地重新评估，并在必要时丢弃。
• SAT求解器的数据驱动自动优化评估（学士/硕士论文）
  该项目由Tobias Fuchs成功完成（参见原始项目描述)并导致了出版。基于此的进一步项目是可能的，可以根据要求进行讨论和定义。
• 用基于SAT的自动推理解释树集成（硕士论文）
  自动推理的有效工具是一些最有前途的机器学习（ML）模型解释性严谨方法的关键，因此也是可解释人工智能（XAI）这一年轻但快速发展的领域的核心组成部分。尽管ML模型具有解决问题的能力，但它们往往存在不透明性，这使得人类很难理解它们的内部工作。开发方法以人类能够理解的方式解释ML模型所做的决策，有助于提高对人工智能系统的信心，而不仅仅是其纯粹的预测准确性和鲁棒性。人工智能系统的可信度在安全关键和高风险应用中至关重要，例如执法和刑事司法、关键基础设施操作、自然人生物特征识别和分类、自动驾驶汽车或无人机等自动车辆、，或医疗诊断和医疗设备[2]。基于SAT的XAI自动推理有助于调试AI系统，防止事故发生，确保AI系统不会以歧视性的方式使用，并有助于人类/AI协作团队中的人类监督[1]。
  [1]Ignatiev等人，2021年，《从对比解释到诱拐解释再回来》
  [2]《人工智能解释：来自社会科学的见解》，米勒，2019年

课程

出版物

受监督的论文