Sep, 2022

FACT：学习整数序列背后的支配抽象

PDF
TL;DR本研究介绍了学习整数序列的一种新方法和一组基准测试任务，用于机器学习模型的概念理解和知识抽象能力的评估。通过 FACT 工具包中的大型整数序列数据集和性能评估工具以及基线模型实现的集合，为知识表示和推理领域的研究提供了便利。
发现论文，激发创造
  • 利用关系抽象进行推理的学习

    本文介绍了一种利用关系抽象概念来帮助大型语言模型在数学推理方面提高的新方法，并发现将这种序列用作提示可使模型具有更强的推理能力，特别是在需要执行多步任务的情况下。

    Oct, 2022

  • 目标驱动的序列数据抽象

    采用一种基于强化学习实现的框架，实现了自动对序列数据进行目标驱动的数据抽象。该框架在不受数据输入顺序限制的同时，还可以定义不同的目标，以便以最好的方式保留输入数据的不同方面，能够在涉及手稿、视频和文本数据的情况下实现最佳抽象结果。

    Jul, 2019

  • 从零开始学习整数序列的程序综合

    我们提出了一种自学习方法，用于从整数序列合成程序。我们的系统测试了在 OEIS 表格上，通过基本操作并在没有人工训练例子的情况下，自主发现了 27987 个序列的解决方案。

    Feb, 2022

  • Peano: 学习形式化数学推理

    本研究探讨在数学中的程序抽象结构，定案例研究并且说明通过 Peano 定理证明环境和可重用抽象的能力，加上恰当的教学大纲，是保障自动化数学推理的长期文化传播的有效方法。

    Nov, 2022

  • 抽象、推理和深度学习：一个 “看和说” 序列的研究

    本文研究深度神经网络在 “Look and Say” 题目上的表现并发现尽管在大规模数据（200 万数据）训练时准确度很高，但它们并没有展现出任何关于问题更深层次理解的迹象，这也从认知科学角度说明我们需要更好的抽象数学模型。

    Sep, 2021

  • 本体概念的计量和聚合

    该论文描述了一种扩展一阶逻辑的方法，使方案更加容易修改，并引入了一个保护机制来保证公式的正确性，同时将该方案应用于四个不同问题领域的知识表示中。

    Feb, 2022

  • 从算术任务中学习多步推理

    本研究探究如何将较小的语言模型与多步推理能力相结合，通过在合成数据集 MsAT 上进行持续的预训练，我们的实验证明了该方法对增强语言模型的数学推理能力的有效性。

    Jun, 2023

  • IsarStep: 高层次数学推理的基准测试

    本文提出了一种用于高级数学推理的数据集，研究了神经序列到序列模型的推理能力。实验结果表明，该任务具有挑战性，但神经模型能够捕捉到非平凡的数学推理，提出的分层 Transformer 的性能也好于基准 Transformer。

    Jun, 2020

  • 神经模型的数学推理能力分析

    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

  • 多樣視頻演示生成程序

    本文介绍一种可以从视频演示中提取概括性规则的模型，并探讨了其处理多个序列的能力，从而相较于传统的概括技术可以更好地利用边缘情况，并无需进行额外的过滤。通过在 Vizdoom 环境中合成程序的实验，取得了相对于现有工作的 11.75% 的程序准确性的提升。

    Feb, 2023