Le modèle structural agnostique (SAM) est une méthode de découverte de causalité. Il utilise des indépendances conditionnelles et des asymétries de distribution pour trouver la structure causale sous-jacente à partir de données observationnelles. L'approche repose sur un jeu entre différents joueurs estimant chaque distribution de variable conditionnellement aux autres sous forme de réseau de neurones et un adversaire visant à discriminer les données générées contre les originales. L' critère d'apprentissage de SAM combine l'estimation de distribution, des contraintes de parcimonie et d'acyclicité pour optimiser la structure et les paramètres du graphe grâce à la descente de gradient stochastique.

La plateforme Constraint Acquisition est un outil permettant de résoudre des problèmes combinatoires et d'optimisation en recherchant des solutions et en générant des contraintes. Il permet également d'apprendre des contraintes à partir de données et de générer des requêtes pour l'apprentissage.

Ce projet propose une méthode pour résoudre efficacement le problème d'optimisation Language-Free Acq en fournissant un réseau de contraintes optimal et cohérent, le cas échéant. Implémenté en Python, le programme prend en entrée un jeu de données d'apprentissage et génère une instance Partiel Max-Sat correspondante au format standard wcnf.