自律システムの安全性は重要な要件であり、制御バリア関数（CBFs）は、システムの安全を維持するために名目制御を最小限に変化させる安全フィルターの設計に使用されます。ニューラルCBFを学習する方法が、計算コストが高い最適化に基づく合成の代替として提案されています。しかし、避けるべき状態の失敗集合は明確でないことが多く、専門家のデモンストレーションを使用してタスクを達成し、失敗集合を避けるデモは生成しやすいです。本研究では、逆制約学習（ICL）を使って状態を安全と危険に分類する制約関数を学習します。これにより、新しいシミュレーションされた軌跡をラベリングし、ニューラルCBFを訓練します。実験において、提案手法は既存の基準を上回り、地上真実の安全ラベルで注釈されたデータを用いて訓練されたニューラルCBFと同等の性能を達成しました。