神经推理 数独求解 搜索惰性 一次性预测 对称性增强
摘要

本文分析了格子演绎变压器(LDT)在线索丰富的数独任务中的表现。研究发现,LDT 并非真正的迭代求解器,而是在前向传播中即完成大部分网格填充的“一次性”预测器。若首步预测错误删除了正确值(首步毒化),后续搜索无法挽回。引入分支和回溯等机制仅减少无效计算,未改变可解实例集合。研究表明,此类系统实质是经过摊销的一次性预测器,精度取决于校准与对称性,搜索主要用于消除计算浪费。通过对称增强和测试时集成,显著提升了准确率。

AI 推荐理由

论文深入分析神经求解器的推理机制,揭示其本质为一次性预测而非迭代搜索。

研究机构
Neapolis University, Pafos, Cyprus
论文信息
作者 Aleksey Komissarov
发布日期 2026-07-22
arXiv ID 2607.19635
相关性评分 9/10 (高度相关)