DiBS: Diffusion-Informed Branch Selection for Constraint Satisfaction

•DiBS 透過將擴散模型整合到符號求解器中，為分支選擇提供「全域引導」，這與傳統上依賴局部啟發式方法的求解器形成對比。這種從資料中學習到的全域視角有助於更有效地導航複雜的搜尋空間，從而提升效率。
•將擴散模型整合到約束滿足問題 (CSP) 中，通常涉及多種技術，例如「組合擴散」，其中個別擴散模型學習特定約束類型並結合其能量，或者「投影生成擴散模型」，其使用迭代投影在採樣過程中強制遵守約束。
•DiBS 解決的一個關鍵挑戰是，標準生成擴散模型在嚴格遵守硬性、現實世界約束方面的固有困難。這些模型通常擅長生成連貫內容，但在需要嚴格遵守預定義標準的場景中則面臨挑戰。
•該方法可視為「引導式離散擴散」在 CSP 領域的應用，其中可將評估約束滿足度的價值函數納入逆向採樣過程，以偏向於產生更好的解決方案。

DiBS 將擴散模型作為符號求解器中的引導機制，以優化分支選擇，而非僅依賴局部啟發式方法。
擴散模型被訓練以學習約束滿足問題的整體結構，從而提供全域性的決策依據。
在求解器的搜尋過程中，擴散模型會影響分支選擇，旨在減少搜尋節點的數量和回溯次數。
該方法在分支排序中學習型全域引導的有效性已獲得理論證明。
雖然針對此特定 DiBS 論文的詳細模型架構未明確提供，但相關研究中將擴散模型應用於 CSP 的常見機制包括：
- 將約束表示為能量函數，並將其組合（例如，組合擴散連續約束求解器 Diffusion-CCSP）。
- 在逆向擴散過程中採用迭代投影方法，以確保遵守約束（例如，投影生成擴散模型 PGDM、約束離散擴散 CDD）。
- 整合一個評估約束滿足度的價值函數，以引導去噪過程，使其偏向於高約束滿足度的解決方案（例如，引導式離散擴散）。

DiBS 方法將加速解決複雜的現實世界約束滿足問題。

透過顯著減少搜尋成本和回溯次數，特別是對於困難的長尾實例，DiBS 能夠更有效地解決物流、排程和資源分配等領域中先前難以處理或耗時的問題。

此類混合 AI 方法將推動符號推理與機器學習的更深層次融合。

DiBS 展示了生成模型（擴散）如何成功提升符號求解器的效率，這預示著一種更廣泛的範式轉變，即結合這兩個 AI 子領域的優勢。

擴散模型在需要嚴格遵守約束的領域中的應用將會擴展。

DiBS 及類似研究（如 PGDM、CDD）解決了傳統擴散模型在保證約束滿足方面的關鍵限制，為其在安全關鍵或高度受監管應用中的使用開闢了道路。

1970年代

約束滿足問題 (CSPs) 在人工智慧領域被形式化。

1972

Prolog，一種早期的約束程式語言，被開發出來。

2015-2020

擴散模型作為強大的生成模型被提出。

2023-08

組合擴散連續約束求解器 (Diffusion-CCSP) 論文發表，將擴散模型應用於連續 CSPs。

2024

投影生成擴散模型 (PGDM) 論文發表，將擴散採樣重塑為約束優化問題。

2025-12

引導式離散擴散用於約束滿足問題的論文發表，探索如何從價值函數中獲取引導。

DiBS：用於約束滿足問題的擴散模型分支選擇