Apr, 2021

解决数学应用题的弱监督模型

PDF
TL;DR通过只需要问题答案进行监督，我们提出了一种弱监督模型来解决数学应用问题，我们首先学习使用问题描述和最终答案生成公式，然后使用生成的公式来训练一个有监督的数学应用问题求解器。
math word problemsnatural language processingsupervised learningequation annotationweak supervision
发现论文，激发创造
  • 自然语言处理模型真的能够解决简单的数学问题吗？

    该研究分析了现有的 NLP 求解器在解决低年级英语数学问题时的表现，指出现有求解器主要依赖于表面浅显的启发式策略。同时，研究提出了一个挑战数据集 SVAMP，并证明当前最优模型的表现还有很大的提升空间。

    Mar, 2021

  • 通过修正学习：利用弱监督解决数学应用题

    通过引入 extit {弱监督} 学习范式并提出一种新的 extit {修正学习} 框架（LBF），如果深度神经网络生成的 ' 错误 ' 解决方案树，通过符号推理实现从上到下探索并推断出最可能的修正措施，进而使其能够生成多样性的数学问题解法，相较于完全监督方法，所提出的 LBF 框架在弱监督学习上表现出色并且取得了可媲美的准确率。

    Dec, 2020

  • 基于常识知识图谱和方程式的数学应用题生成

    本研究提出了一种通过神经网络模型从常识知识图谱和方程式中生成多样化数学单词问题的方法，并在教育评估方面表现出优越性，其中自规划模块实现了方程和常识知识信息的自动融合。

    Oct, 2020

  • 由大到小：利用弱监督提炼和提高数学词问题的数学专业知识

    通过创新的两阶段框架，从大型到小型语言模型中转移数学专业知识，通过弱监督任务设置解决数学文字问题中标注成本高的挑战，并在降低计算成本的同时，在 Math23K 和 Weak12K 数据集上表现出显著改进的性能。

    Mar, 2024

  • 数学单词问题生成与数学一致性及问题背景约束

    本文提出了一种新颖的数学语文问题生成方法，该方法结合了预训练的语言模型和上下文关键词选择模型，以提高所生成的数学语文问题的语言质量；而使用数学公式一致性约束来提高所生成的数学语文问题的数学有效性。经过大量的定量和定性实验，我们的方法相比各种基线方法都具有更好的性能。

    Sep, 2021

  • 通过解决方案多样性泛化数学应用题求解器

    本研究提出了一种新的数学词问题求解器训练框架，通过引入解决方案缓冲区和解决方案鉴别器，设计了一种能够鼓励训练数据多样性的缓冲区，并控制缓冲区解决方案的质量，从而有效地提高了各种 Seq2Seq MWP 求解器的性能。

    Dec, 2022

  • 可解释的数学问题解决方案生成：通过逐步规划

    该研究提出了一种基于逐步规划的中间解决方案生成方法，通过预测所需的数学运算并引导语言模型生成来解决数学单词问题，并在人类评估和自动度量标准上提高了解决方案的准确性和可解释性。

    Jun, 2023

  • 提升神经数学问题求解器的技术

    该研究提出了一种基于编码器 - 解码器的模型，完全利用问题文本并保留逐步的交换律，以产生无论数量的排列方式如何都具有不变性的表达式嵌入，并进一步对问题文本进行编码以指导解码过程，可以提高数学问题自动求解程序的性能。

    Feb, 2023

  • 使用预训练多语言语言模型研究数学问题

    本文探讨了跨语言和多语言下的数学应用问题，使用预训练的多语言模型构建模型，并使用序列到序列模型进行求解。通过比较跨语言和多语言场景下数学应用问题的求解情况，表明将模型迁移到不同的语言上可能会导致性能下降，但如果问题类型存在于源语言和目标语言中，则其性能可以得到完善提升。

    May, 2021

  • 通过生成问题语句的语言变体来求解数学应用题

    该论文提出了一种用于解决数学问题的框架，该框架基于生成问题文本的语言变体，利用 DeBERTa 编码器构建解决方案表达式，通过对每个变体问题进行求解并选出获得大多数选票的预测表达式来改善数学推理和模型的鲁棒性。

    Jun, 2023