Sep, 2021

Recall and Learn: 数学问题记忆增强求解器

PDF
TL;DR本文介绍了一种人类模拟学习的方法，利用记忆模块、表征模块、类比模块和推理模块来解决数学文字题，实验结果表明该算法比其他现有算法表现更好。
mathematicsword problemanalogical learningmemory modulereasoning module
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

  • 增强问题 - 解决方案关联的类比数学问题求解

    本文提出了一种新颖的 MWP 求解器，利用类比方法，通过将类比 MWP 对在潜在空间中进行关联以增强求解器的泛化能力，整合了解决方案鉴别器以增强 MWP 表示和真实解决方案的关联，评估结果证实，我们的模型相比最先进的模型 Generate2Rank，在 Math23k 数据集上表现更好并且编码器参数量减少了 5 倍，我们还发现我们的模型具有更强的泛化能力，能够解决难度较大的 MWP 问题。

    Dec, 2022

  • 解决形态学类比问题：从检索到生成

    本文提出了一个深度学习框架来解决类比检测和解决两个关键问题，并在 morphological analogical proportions 数据集上进行了测试表明优于符号方法。文章总结了之前的研究，并结合了 ANNe 和 AE 嵌入模型。最终得出该模型在绝大多数情况下都优于其他方法，并提供了使用 DL 来处理类比问题的一般指南。

    Mar, 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

  • 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

  • 类比学习：数学应用问题中多元化问题生成

    本文提出了一种通过生成多样性问题 / 方程式来解决数学应用问题的方法，并通过新的 MWP 数据集展示了它的有效性。

    Jun, 2023

  • 文本增强对比学习在解决数学题中的应用

    本研究提出了一种名为 “Textual Enhanced Contrastive Learning” 的方法，采用自监督学习策略，丰富了数学问题的文本变异性，并从方程和文本角度检索最难区分的样本以指导模型进行学习，最终达到了在英文和中文基准数据集以及设计挑战数据集上均表现最佳的效果。

    Nov, 2022

  • 寻求模式，而非单纯记忆过程：对比学习解决数学问题

    本文提出一种对数学文字问题解决方案的改进方法，通过对原型方程进行比对学习，训练神经网络识别相似原型的问题，并在中英文数据集上取得了大幅提升的表现。

    Oct, 2021

  • 走向可行的数学推理：解决数学应用题的挑战、策略和机遇

    研究了解决自然语言描述的数学问题的非神经和神经方法，并突出了这些方法具有可泛化、数学合理、可解释和可解释的能力，提出使用外部知识和知识渗透学习的需求和机会。

    Oct, 2021

  • 数学词问题求解中的上下文学习和比较评估中的数据增强

    通过修改问题的文本和方程式，例如使用同义词替换、基于规则的问题替换和基于规则的问题翻转，提出几种方法进行数据增强，从而为数学问题求解程序提供更多样化的训练集，最终提高其解决各种数学问题的能力。本研究引入了一种新的上下文学习增强方法，采用 Llama-7b 语言模型，通过基于指令的提示对数学问题进行改述。在 9 个基准模型上进行了性能评估，结果显示增强方法优于基准模型。此外，以各种增强方法生成的示例的串联进一步提高了性能。

    Apr, 2024