Nov, 2018

将数学问题转化为表达式树

PDF
TL;DR该研究旨在解决数学问题中的非确定性问题。通过将表达树的唯一性考虑在内，我们提出了一种方程规范化方法来规范重复的方程式。我们分析了三种流行的序列到序列模型在数学问题求解中的性能，并提出了一个集成模型来结合它们各自的优点，实验结果表明，采用方程规范化的集成模型明显优于之前的最先进方法。
sequence-to-sequencemath word problem solvingequation normalizationensemble modelmath23k dataset
发现论文，激发创造
  • 从序列到通用树：知识引导的几何文字问题求解

    本文提出了一种名为 S2G 的序列生成算法，用于解决数学语言问题，能够生成可解释和可执行的操作树。实验表明，在需要数学领域知识的问题上，S2G 可以取得比强基线模型更好的性能。

    Jun, 2021

  • 寻求多样化的推理逻辑：控制方程式表达式生成以解决数学应用题

    本文提出了一种通过控制代码来引导模型考虑某些推理逻辑和解码与人类参考转换的相应等式表达式的可控等式生成求解器，实验结果表明我们的方法对单一未知（Math23K）和多个未知（DRAW1K，HMWP）基准测试普遍提高了性能，最大的改善高达 13.2％的准确性在具有挑战性的多未知数据集上

    Sep, 2022

  • 数学方程生成的表达树解码策略

    该研究论文介绍了一种从自然语言生成数学方程的方法，通过整合树结构和采用逐层并行解码策略，以及应用二分匹配算法来对齐预测结果与注释，以提高解方程的准确性和性能。

    Oct, 2023

  • 解决和推理数学应用问题的语义对齐方程生成

    本文提出了一个神经网络模型，基于编码器 - 解码器框架，利用自然语言理解桥接语义世界和符号世界，自动解决数学应用问题，并在 Math23K 数据集上验证模型的有效性。

    Nov, 2018

  • 数学公式的神经机器翻译

    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

  • 具有统一树结构的非自回归数学物理问题求解器

    研究提出了一种基于统一树结构和新型非自回归求解器 MWP-NAS 的数学语言问题求解方法，并设计了路径度量来评估表达式的部分准确性，实验结果显示该方法在 Math23K 数据集上取得了良好的效果。

    May, 2023

  • 序列转序列模型中更好的解码和语言模型集成

    该研究分析了一个基于注意力机制的序列到序列语音识别系统，提出了解决其预测过于自信和产生不完整转录的问题的实用解决方案，并在没有语言模型的情况下，其词错误率为 10.6％，与 trigram 语言模型一起达到了 6.7％的词错误率。

    Dec, 2016

  • 符号数学中序列模型的符号脆弱性：对系统化推广问题的研究

    通过研究符号数学积分问题，本文发现序列模型在推广、组合性、超出分布方面的表现不佳，需要更多超出测试集的评估。

    Sep, 2021

  • 应用于语义解析和数学问题的图到树神经网络学习结构化输入输出翻译

    本文提出一种新的图到树神经网络模型 (Graph2Tree)，该模型包含一个图编码器和一个分层树解码器，能够对图结构的输入进行编码和树结构的输出进行解码，用于解决神经语义解析和数学问题求解，实验证明该模型在这些任务上表现优异。

    Apr, 2020

  • 解决一般算术问题

    本文介绍了一种新的自动解决算术词问题的方法，它是第一种能够处理多步骤和多操作算术问题的算法方法，不依赖于附加的注释或预定义的模板。作者提出了一种表达式树的理论，可以用于表示和评估目标算术表达式，并将其唯一分解为多个分类问题；然后，作者采用受限推理框架将这些问题组合成表达式树，并通过 “数量模式” 提升模型表现，实验结果表明，该方法在算术词问题的基准数据集上实现了业界领先的性能。

    Aug, 2016