学习生成定理以证明定理
该论文提供了一项深度学习在定理证明中的全面调研,包括现有方法的综述、数据集和策略的详细总结、评估指标和最先进技术的性能分析,以及未来研究的挑战和发展方向的批判性讨论。该调研旨在成为深度学习在定理证明中的基础参考,促进这个迅速发展领域的进一步研究。
Apr, 2024
本文探讨了基于 Transformer 的语言模型在自动定理证明中的应用,提出了基于语言模型的生成能够解决自动定理证明器与人类相比的主要限制之一 —— 原始数学术语的生成问题。我们提出了一个自动证明器和证明辅助工具 GPT-f,使用 Metamath 形式语言,并分析了其性能。 GPT-f 发现了新的简短证明,并被采纳为正式数学社区所接受,这是我们所知道的第一次基于深度学习的系统为正式数学社区做出的贡献。
Sep, 2020
本文介绍如何在大型知识库的前提下进行自动定理证明,并通过深度强化学习技术中的基于词频 - 逆文档频率的查找开发出了一个混合陈述选择方法,以帮助探索并了解哪些前提适用于新的定理证明。实验表明,使用该方法进行训练的定理证明器优于仅以人类证明为基础的证明器,并可以接近于用模仿和强化学习相结合进行训练的证明器的性能。我们还通过多次实验来理解我们的探索方法背后的假设重要性,并解释了我们的设计选择。
May, 2019
利用深度学习技术来辅助自动的定理证明,通过对 Mizar 库的证明进行数据训练和选择处理,改进 ATP 的证明搜索引导,从而大幅度减少证明搜索的步骤和提高定理的证明率。
Jan, 2017
本文提出了使用机器学习自动化证明助手交互的问题。研究人员通过构建 CoqGym 数据集和 ASTactic 模型,能够生成高效的策略程序并用于自动证明定理。
May, 2019
自动定理证明器和形式证明助手是理论上能够证明任意难题的一般推理系统,但在实践中面临组合爆炸所以包括很多启发式算法和选择点来影响系统性能。机器学习预测器可以引导这些推理系统的工作。本文概述了几个自动推理和定理证明领域及目前对它们进行的学习和人工智能方法,包括前提选择、证明引导、协同推理和学习的 AI 系统以及符号分类问题。
Mar, 2024
通过人工提供或查找背景参考条件,NaturalProver 能够生成数学证明,融合符号和自然语言,提高了下一步建议和生成证明的质量,在某些需要短证明的定理上具有证明能力,并且提供的下一步建议有超过 40% 的正确和有用率。
May, 2022
DS-Prover 是一个用于定理证明的创新动态抽样方法,通过根据剩余时间和总分配时间来调整探索和开发之间的平衡,以提高证明搜索过程的效率,并通过拆分简化和重写策略为具有单个前提的策略来扩充训练数据集,从而在 MiniF2F 和 ProofNet 两个标准数据集上实现了显著的性能提升。
Dec, 2023
我们提出了一种新的自动定理证明方法,其中使用 AlphaZero 风格智能体自我训练来改进表达为非确定性程序的通用高级专家策略,同时具有类似的教师代理机自我训练来生成适当相关性和难度的任务以供学习者解决,利用最小领域知识来解决合成训练数据不可用或难以合成的问题,具体举例来说,我们考虑了用于命令程序的循环不变量合成,并使用神经网络来改进教师和求解策略。
May, 2022