AAAIDec, 2022

通过解决方案多样性泛化数学应用题求解器

PDF
TL;DR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。
math word problemseq2seq modelssolution equationstraining frameworkmwp solver
发现论文，激发创造
  • 使用预训练多语言语言模型研究数学问题

    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

  • 提升神经数学问题求解器的技术

    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

  • 解决数学应用题的弱监督模型

    通过只需要问题答案进行监督，我们提出了一种弱监督模型来解决数学应用问题，我们首先学习使用问题描述和最终答案生成公式，然后使用生成的公式来训练一个有监督的数学应用问题求解器。

    Apr, 2021

  • 自然语言处理模型真的能够解决简单的数学问题吗？

    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

  • 用问题类型分类解决数学应用问题

    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

  • 类比学习：数学应用问题中多元化问题生成

    本文提出了一种通过生成多样性问题 / 方程式来解决数学应用问题的方法，并通过新的 MWP 数据集展示了它的有效性。

    Jun, 2023

  • 通过生成问题语句的语言变体来求解数学应用题

    该论文提出了一种用于解决数学问题的框架，该框架基于生成问题文本的语言变体，利用 DeBERTa 编码器构建解决方案表达式，通过对每个变体问题进行求解并选出获得大多数选票的预测表达式来改善数学推理和模型的鲁棒性。

    Jun, 2023

  • 锤炼出完美的求解器：数学问题求解中的数据增强

    本文介绍了一系列基于替换和释义的数据增广技术，通过将现有数学问题数据集的规模提高五倍，我们在三种全球领先的数学问题求解器上进行了广泛的实验。结果显示，所提出的方法可以提高现有解算器的泛化性和鲁棒性，并在基准数据集上平均使结果显着提高了五个百分点。此外，经数据增广训练的解算器在挑战测试集上表现得更好，并且仅基于表层线索不能较好地解决这一问题。

    Apr, 2022

  • 消除解题偏差的无偏数学问题基准

    本篇论文提出解决当前数学应用问题（Math Word Problem，MWP）数据偏见问题的方法：构建了一个去除偏见的新数据集 UnbiasedMWP，同时我们提出了一种名为 Dynamic Target Selection 的动态目标选择策略来缓解学习偏差问题，两种方法都取得了良好的实验效果并成为解决 MWP 的有趣基准。

    May, 2022

  • 利用细分至粗分的抽象和推理方法解决数学应用问题

    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