面向数学题的结构统一 M 树编码求解器
研究提出了一种基于统一树结构和新型非自回归求解器 MWP-NAS 的数学语言问题求解方法,并设计了路径度量来评估表达式的部分准确性,实验结果显示该方法在 Math23K 数据集上取得了良好的效果。
May, 2023
本篇论文提出了一种基于 Universal Expression Tree 以及 encoder-decoder structure 的 semantically-aligned universal tree-structured solver (SAU-Solver) 方法,可解决不同类型教材数学问题,并且在新提出的 Hybrid Math Word Problems dataset 上取得了优异成绩。
Oct, 2020
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
该论文提出了一种利用集成方法改进数学文字问题求解能力的方法,包括问题类型分类器、基于十折交叉验证和投票机制的集成学习框架以及采用自洽方法提高答案选择的大型语言模型求解器,实验证明这些方法能够改进数学文字问题求解的效果。
Aug, 2023
文章提出了一种基于预训练语言模型的多任务框架 Generate & Rank,该框架采用生成和排名的方法,在生成数学表达式的同时实现了决定正确和错误表达式等级的新的排名任务。结果表明,该方法在公共基准数据集中表现出色,比现有方法提升了 7% 的性能。
Sep, 2021
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
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
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
通过采用自我一致性推理框架 SCR,其中利用修剪策略来纠正输入文本和输出表达式之间的虚假相关样本,进而通过对称的 Kullback-Leibler 分歧来校准输出分布偏移,SCR 生成等效表达式,并在两个大型基准实验中表现出优越性。
Oct, 2022
本文提出一种 fine-to-coarse 建模方法来解决数学单词问题,通过迭代地组合低级操作数以预测高级操作符来抽象问题并从底向上推理解决运算符,从而更好地捕捉本地细粒度信息和全局逻辑结构。使用 Math23k 和 SVAMP 数据集进行的广泛评估证明了我们方法的准确性和鲁棒性。
May, 2022