ACLJul, 2021

具有辅助任务的数学语言问题神经符号求解器

PDF
TL;DR本文提出了一种神经符号求解器 (NS-Solver)，能够显式且无缝地结合不同级别的符号约束，其中包括问题编码器、符号方程式生成器和符号执行器。在四个新辅助任务的帮助下，我们的求解器不仅能够自我监督数字预测任务，还能进行常识常数预测、程序一致性检查和二元学习任务，有助于提高求解器的理解力。此外，我们还构建了一个新的大规模数学问题基准 CM17K，包括四种类型的 MWP (算术、一元线性、一元非线性和方程集)，共超过 17K 个样本。对 Math23K 和我们的 CM17K 的大量实验结果表明，与现有最先进方法相比，我们的 NS-Solver 优越性表现出色。
neural-symbolic solvermath symbolic constraintsauxiliary taskslarge-scale mwp benchmarkstate-of-the-art methods
发现论文，激发创造
  • 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

  • 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

  • 通过将语言模型与符号求解器相结合解决数学语言问题

    通过将大型语言模型与外部符号求解器相结合，我们提出了一种能够将单词问题逐步规范化为一组变量和方程的方法，并使用符号求解器解决问题，相较于 PAL 在解决代数类问题上性能提升了 20%。

    Apr, 2023

  • 大型语言模型中的符号数学问题推理

    该论文研究了大型语言模型在数学问题推理方面的能力，特别关注符号推理在数值问题中的准确性，并通过自提示的方法提高了符号准确性，为模型提供了简洁可验证的推理能力。

    Aug, 2023

  • LogicSolver：基于逻辑提示增强学习的可解释数学问题求解

    利用深度学习的可解释逻辑，在 InterMWP 数据集上提出了 LogicSolver 算法，能够更好地理解和推理基于代数知识的数学问题，相比于现有方法在具备更强的逻辑解释能力的同时，答案的准确率也得到了提高。

    May, 2022

  • 语义解析的瓶颈：自动数学题解决方案的调查

    该研究探讨了自动解决数学问题的挑战，包括语言和逻辑之间的语义鸿沟，综述了将人工智能用于代数和几何问题的主要技术及其性能，并探讨未来的研究方向。

    Aug, 2018

  • 基于意义的英语数学问题统计求解器

    本文介绍了一种名为 MeSys 的基于意义理解和推理的方法，用于解决英语数学词问题，该方法使用逻辑表达式进行初步分析，采用角色标签表示每个数量的相关背景，并使用统计模型来选择运算符和操作数；实验结果表明该方法在理解文本中每个数量的意义方面具有优势。

    Mar, 2018

  • 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

  • 可控神经符号回归

    本篇论文提出一种名为 NSRwH 的神经符号回归方法，能够结合用户给定的领域知识，实现精确预测表达式的结构，并在实验中表现出良好的准确性。

    Apr, 2023

  • 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