神经证明网的视角
利用深度学习技术来辅助自动的定理证明，通过对Mizar库的证明进行数据训练和选择处理，改进ATP的证明搜索引导，从而大幅度减少证明搜索的步骤和提高定理的证明率。
Jan, 2017
本研究论文探讨了图神经网络在有向标记图上的应用，尤其关注其在节点和边缘标记方面的效果，并证明了所提出的edGNN模型与Weisfeiler-Lehman算法在同等适用性上具有相同的作用。
Apr, 2019
本文首次使用图神经网络 (GNNs) 实现高阶证明搜索，并证明 GNNs 能够提高此领域的最新成果。我们考虑了高阶逻辑的几种图形表示，并将它们与 HOList 基准进行了评估。
May, 2019
本文开发了一个框架来描述神经网络适用于哪些推理任务，并利用算法结构与相关推理过程的匹配程度推导了样本复杂度的界限，以解释一些模型在实践中的成功以及他们的局限性。
May, 2019
本研究通过开发一种新型的嵌入逻辑公式的结构感知神经网络架构，成功地解决了图形化方法在逻辑公式表示时的局限性，并在两个标准数据集上进行了实证研究，取得了最先进的性能，为深度学习与自动定理证明的融合提供了新的思路。
Nov, 2019
该研究主要探讨了在自然语言事实和规则上运用语言形式推理的方法，提出了生成多个证明图以增强推理系统解释性的问题，研究了两个多PRover模型，分别通过多标记多PRover和迭代多PRover两种方式进行证明集的生成，结果表明在多个数据集上，模型比PRover模型性能更好。
Jun, 2021
本文提出了一种新方法PRobr，利用神经文本表示并定义一个概率分布来预测答案和生成证明，能在马尔可夫随机场中考虑答案之间的互相关联性， 实验表明该方法在几种数据集上实现了高准确率和提升。
Jul, 2021
使用新的基于图的数据集进行Coq的机器学习，我们提出了Graph2Tac（G2T）模型，通过考虑以往定义层次与当前目标之间的依赖关系，将新的数学概念整合到模型的知识库中。
Jan, 2024