符号数学的深度学习
该论文介绍了使用深度学习技术计算符号无限积分,以及找到解析一阶和二阶常微分方程的符号解的系统,该系统的表现在某些测试集上优于 Mathematica。
Dec, 2019
本文回顾了近年来关于深度学习在数学领域的研究,认为当前即使是最先进的深度学习模型在面对简单的数学和算术任务时也表现出较大局限性。
Mar, 2023
提出了利用深度学习解决符号回归的框架,该框架使用循环神经网络生成数学表达式分布,并使用新颖的风险寻求策略梯度来训练网络生成更好的拟合表达式。该算法在一系列基准问题中表现优于几种基准方法,包括符号回归的黄金标准 Eureqa。
Dec, 2019
Drori 等人(2022 年)使用符号代数包 Sympy 而非神经网络解决了大学数学问题,并通过计划合成和少量学习回答了 81%的问题,此外,它的 “解释” 仅是代码行的改写且在某些情况下似乎使用测试语料库中给定的答案来指导其解决问题的步骤。
Aug, 2022
本文提出一种基于通用 Transformer 的深度学习模型,通过发现高效的算数程序,利用外部的网格状记忆进行多位数的加法计算,并且发掘了人类类似的计算策略,如位值对齐。
Jul, 2022
通过引入符号层,神经符号深度神经网络(NS-DNN)结合了感知和逻辑推理的人工智能任务,我们确定并形式化了一个直观的高层原则:符号正确性,该原则可以指导 NS-DNN 的设计和分析。我们证明符号正确性是 NS-DNN 可解释性和迁移学习的必要属性,并提供了一种精确推理和沟通神经符号边界上模型行为的方式,同时揭示了 NS-DNN 训练算法面临的基本权衡,并提供了支持进一步 NS-DNN 发展的框架。
Feb, 2024
深度学习与神经符号整合是解决深度学习普适性和推理任务的挑战,通过预训练神经模型并通过迁移学习注入感知部分的权重,可以改善当前神经符号方法中的收敛速度、复杂感知任务的学习难度和局部最小值问题。
Feb, 2024