深度分析
LLM 直接從研究論文生成 MaxSAT 求解器：CoreForge 的迭代開發與效能評估
針對約束求解器開發的高門檻，CoreForge 嘗試利用 LLM 直接將 MaxSAT 研究論文轉譯為 C++ 程式碼。該流程透過 ChatGPT 規劃、Codex 實作並結合反覆審核與基準測試，成功建構出包含 OLL 演算法與創新前瞻機制的求解器。結果顯示 LLM 能有效處理高層演算法轉譯，雖效能未達頂尖水平但能確保正確性，證明 AI 輔助理論實作的可行性。
ILP
深度分析
ILP 助力神經符號弱監督：提升多實例部分標籤學習的可解釋性與魯棒性
弱監督在標籤稀疏或噪聲情況下仍可訓練模型，但缺乏可解釋性。研究將歸納式邏輯程式設計結合 MI‑PLL，提供結構化關係約束，提升透明度與魯棒性。ILP 定義邏輯假設空間，明確描述標籤轉換規則，使預測可被領域知識驗證，對醫療與金融等高風險領域尤為重要。實驗顯示錯誤偵測率顯著降低。
深度分析
ADVENT：結合 LLM 與 Prolog 的謂詞發明提升 ILP 效能
在關係式概念學習中，缺乏適當的謂詞是ILP的瓶頸。ADVENT結合大型語言模型與Prolog逐步驗證，自動發明具語意的輔助謂詞，並累積於知識池供跨任務重用。實驗顯示成功率由零提升至80%，且知識池可再提升最高31個百分點。此方法顯示LLM能在結構化推理中創新，預期推動跨領域符號學習與可解釋AI新趨勢。