Peano: 学习形式化数学推理
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
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
本文提出了一种基于应用学习 (LeAp) 框架的方法,通过明确的知识学习和应用来增强现有模型的推理能力,并形成了一种将知识 “学习” 和 “应用” 有机结合的知识图谱,提高了推理过程的解释性以及问题理解和符号推理能力。
Feb, 2023
自动定理证明器和形式证明助手是理论上能够证明任意难题的一般推理系统,但在实践中面临组合爆炸所以包括很多启发式算法和选择点来影响系统性能。机器学习预测器可以引导这些推理系统的工作。本文概述了几个自动推理和定理证明领域及目前对它们进行的学习和人工智能方法,包括前提选择、证明引导、协同推理和学习的 AI 系统以及符号分类问题。
Mar, 2024
本文探讨了连接主义和经典派对智能的实现方法,提出了一种混合方法来改进推理中的系统化泛化,通过代数表示来提高思维抽象能力,在 Raven's Progressive Matrices 任务中表现出比纯连接主义模型更好的推理性能,并且学到的代数表示具有生成能力。
Nov, 2021
通过构造一个 agent,它能够自我产生推测和证明,我们探索了从自有公理中探索数学的方法。使用约束解码和类型导向综合的方法,我们在依赖类型理论中对数学领域进行公理化,从中采样有效的推测,同时使用相同的模型生成策略和价值函数来引导证明搜索,从而生成难以证明但可证明的猜测,agent 能够从公理开始自我提高,并通过在证明搜索树上应用回顾重新标记等创新方法显著提高其样本效率,实验证明我们的 agent 能够从只有公理开始,自我提高产生真实且具有挑战性的猜测和找到证明。
Jun, 2024
本文使用非单调推理和计算机科学中的答案集编码(ASP)来形式化作为认知原则的文献发现,建立一个名为‘plausibility’的推理概念,并将其用于测试现有实验的效果并解释不同的多数响应。
May, 2022