该研究通过神经网络在预训练文本的基础上微调代码,解决了人类水平的数学问题,进行了程序综合,并生成了新问题。
Dec, 2021
基于神经网络的自动数学问题求解器在解决算术问题方面成功地达到了 70-80%的准确率,然而研究表明这些求解器可能依赖表面模式得到方程。为了确定数学问题求解器使用哪些信息生成解答,我们移除输入的一部分并测量模型对扰动数据集的表现。结果表明,当给出无意义问题时,即使从输入中删除许多单词,模型也不敏感并仍能找到正确答案。这表明自动求解器并不遵循数学问题的语义逻辑,可能过拟合于特定单词的存在。
Jul, 2023
本文展示神经网络在数学方面的应用,如符号积分和求解微分方程。提出了一套数学问题表示法和生成大规模数据集进行序列到序列模型训练的方法,并获得了超越 Matlab 或 Mathematica 等商业计算机代数系统的结果。
Dec, 2019
本文讨论了当前人工智能技术在解决结合基本知识和常识推理的词问题方面的能力和局限性。我们回顾了三种方法,并讨论了现有技术在解决这些问题方面的限制。我们认为,这些限制可能对数学应用和人类书写的数学内容的理解有重要影响。
Jan, 2023
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
使用强化学习和深度神经网络自动化发现基本转换规则和逐步解决方案,解决线性方程的符号形式的范例问题。
Jan, 2024
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
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。
Jul, 2021
本文探讨了深度学习在解决人工智能无法处理的问题方面取得的巨大进展,以及智能系统解决程序合成问题的可能性,研究了程序归纳模型的演变历程以及其成功、失败和重构,最后对程序合成领域进行了对比研究,并提出了未来的研究建议。
Feb, 2018
该研究针对数学领域中的推理、学习、应用规则等独特挑战,提出了一个数学问题套件的任务,用于测试和评估神经架构等系统的性能、能力和失效模式。通过生成数据并运用序列到序列的最强模型,可以从不同角度评估模型在数学问题解决和知识推广方面的能力。
Apr, 2019