本文介绍了神经等价网络的新架构，用于学习代数和逻辑表达式的连续语义表示，实现了语义等价的可靠推导，对符号代数和布尔表达式进行了全面评估

Nov, 2016

本文介绍了一种无监督学习的方法来发现数学方程的语义表示，称之为方程嵌入。该方法使用周围单词的表示来发现方程的好的表示方法，并用于分析四个计算机科学领域的科学文章中的 98.5k 个方程。结果表明，方程嵌入提供了更好的模型，并能够捕捉方程与单词之间的语义相似性。

Mar, 2018

将符号知识与数据驱动的学习算法集成是人工智能中长期存在的挑战，该论文以时序逻辑为知识表达形式，设计了一种计算具有多个期望属性的连续嵌入式文法的方法，并展示了该方法在学习模型检查和神经符号框架中的应用。

May, 2024

该研究探索了将神经网络应用于数学信息检索任务的潜力，并设计了两种学习向量表示公式符号的方法，最终提出了一个基于公式嵌入模型的信息检索方法，初步实验结果表明在数学语言表达和信息检索任务中应用公式嵌入模型具有很好的潜力。

Jul, 2017

本文提出一种将数学语言与自然语言一起表示和生成的语言模型，MathGPT，在数学表达式生成任务上表现出超越基准模型的性能。

Feb, 2023

本文提出一种利用命题逻辑表示单词语义的词嵌入方法，使用 Tsetlin 机器自编码器进行学习，探讨了其在自然语言处理领域中的重要性，对比了其他模型，研究表明在多项分类任务中表现良好，且具有一定的可解释性。

Jan, 2023

本论文的主要研究方向是解决神经机器翻译数学公式的问题，特别是涉及到模糊表示语言和明确内容语言之间的翻译，论文采用卷积序列到序列网络来翻译 LaTeX 和 Mathematica，达到了 95.1% 和 90.7% 的准确匹配。

May, 2023

通过在固定维度的潜在空间中进行的近似推理的几个步骤，我们证明了神经网络可以对语句进行重写和推理，这对于各种数学学科都是可行的。

Sep, 2019

使用变压器架构生成、评估和训练数学表达式，将其作为字符级序列转换任务进行分析，建立在关注机制上的编码器和解码器上。三个模型分别被训练在数学符号变量和表达式的理解和评估上，最终达到了测试准确率高达 76.1%、78.8% 和 84.9%。

Dec, 2018

该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入，以实现对逻辑嵌入的反向推理，即将嵌入空间中的逻辑公式反向映射回语法空间，进而提高机器学习中学习逻辑规则和性质的能力。

May, 2023