本论文的主要研究方向是解决神经机器翻译数学公式的问题，特别是涉及到模糊表示语言和明确内容语言之间的翻译，论文采用卷积序列到序列网络来翻译 LaTeX 和 Mathematica，达到了 95.1% 和 90.7% 的准确匹配。

May, 2023

本文介绍了一种无监督学习的方法来发现数学方程的语义表示，称之为方程嵌入。该方法使用周围单词的表示来发现方程的好的表示方法，并用于分析四个计算机科学领域的科学文章中的 98.5k 个方程。结果表明，方程嵌入提供了更好的模型，并能够捕捉方程与单词之间的语义相似性。

Mar, 2018

本文介绍了一种在连续向量空间中表示数学表达式的方法，使用序列到序列架构的编码器生成向量表示，并比较了这种方法与自编码器的差异。最后，为了加快未来的项目，我们发布了一组等价的超越和代数表达式对的语料库。

Oct, 2022

本文探讨了在 STEM 类学术文献检索中，应用机器学习的一些挑战，以及目前普遍使用的文本 embedding 技术对于数学文档的不足，同时研究出一些让计算机更好地理解和学习数学的方面。

May, 2019

通过在固定维度的潜在空间中进行的近似推理的几个步骤，我们证明了神经网络可以对语句进行重写和推理，这对于各种数学学科都是可行的。

Sep, 2019

分析了语境对公式信息转换的影响，提出了一种考虑语境的新方法，并提供了可用于公式信息提取训练等的基准数据集。

Apr, 2018

本文提出一种将数学语言与自然语言一起表示和生成的语言模型，MathGPT，在数学表达式生成任务上表现出超越基准模型的性能。

Feb, 2023

该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入，以实现对逻辑嵌入的反向推理，即将嵌入空间中的逻辑公式反向映射回语法空间，进而提高机器学习中学习逻辑规则和性质的能力。

May, 2023

本文提出了一种基于图嵌入网络的符号知识应用方法，该方法将命题公式 (和赋值) 通过增强的 Graph Convolutional Network (GCN) 投射到流形上。通过识别节点异质性和结构约束等技术，我们能够生成语义上忠实的嵌入，提高推理检查和视觉关系预测模型的性能。有趣的是，我们观察到命题理论表示的可处理性与嵌入的易用性之间存在一种联系。

Sep, 2019

提出自然语言嵌入程序作为一种统一的框架，用于解决需要符号和数值推理的任务，其中该方法促使语言模型生成包含自然语言表示结构化知识的数据结构上定义函数的完整 Python 程序，然后 Python 解释器执行生成的代码并打印输出。尽管使用了通用的提示，但我们发现此方法可以改进各种不同任务，包括数学和符号推理、文本分类、问题回答和指令跟随，并且生成的程序通常是可解释的，能够进行事后验证中间推理步骤。

Sep, 2023