SAT-ACT：从结果驱动的动作偏好中学习 CDCL 分支决策

SAT-ACT 是一个面向 CDCL 分支决策的结果驱动学习框架，通过同一求解器状态下的独立动作展开提取动作偏好。该框架利用状态条件网络学习分支优先级来直接指导搜索，无需在线动作展开，并引入了非支配启发式动作监督。实验显示，SAT-ACT 在 3 个 SAT 族上降低了 CDCL 搜索成本，并改善了 SAT Competition 基准上的 PAR-2 指标。