EMNLPDec, 2022

增强问题 - 解决方案关联的类比数学问题求解

PDF
TL;DR本文提出了一种新颖的 MWP 求解器，利用类比方法，通过将类比 MWP 对在潜在空间中进行关联以增强求解器的泛化能力，整合了解决方案鉴别器以增强 MWP 表示和真实解决方案的关联，评估结果证实，我们的模型相比最先进的模型 Generate2Rank，在 Math23k 数据集上表现更好并且编码器参数量减少了 5 倍，我们还发现我们的模型具有更强的泛化能力，能够解决难度较大的 MWP 问题。
math word problemanalogical reasoningmwpsgeneralization abilitymwp solver
发现论文，激发创造
  • 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

  • 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

  • 基于表达式相似性的数学问题检索器 MWPRanker

    本文提出了一种用于检索类似数学单词问题（MWP）的混合方法，该方法参考将同样的操作序列用于解题，通过与语义相似性方法相比，展示了更好的效果。

    Jul, 2023

  • 寻求模式，而非单纯记忆过程：对比学习解决数学问题

    本文提出一种对数学文字问题解决方案的改进方法，通过对原型方程进行比对学习，训练神经网络识别相似原型的问题，并在中英文数据集上取得了大幅提升的表现。

    Oct, 2021

  • 走向可行的数学推理：解决数学应用题的挑战、策略和机遇

    研究了解决自然语言描述的数学问题的非神经和神经方法，并突出了这些方法具有可泛化、数学合理、可解释和可解释的能力，提出使用外部知识和知识渗透学习的需求和机会。

    Oct, 2021

  • MWP-BERT: 数理增强的数学应用问题预训练

    本文介绍了一种通过上下文表示学习的方式，将数值属性注入到符号占位符中的方法，以解决数值表示问题。我们将此想法引入到预训练语言模型（PLM）技术中，构建了一种有效的上下文数值表示 PLM（MWP-BERT）。我们在英文和中文基准上证明了 MWP-BERT 在 MWP 求解和几个 MWP 特定理解任务上的有效性。

    Jul, 2021

  • 数学词问题求解中的上下文学习和比较评估中的数据增强

    通过修改问题的文本和方程式，例如使用同义词替换、基于规则的问题替换和基于规则的问题翻转，提出几种方法进行数据增强，从而为数学问题求解程序提供更多样化的训练集，最终提高其解决各种数学问题的能力。本研究引入了一种新的上下文学习增强方法，采用 Llama-7b 语言模型，通过基于指令的提示对数学问题进行改述。在 9 个基准模型上进行了性能评估，结果显示增强方法优于基准模型。此外，以各种增强方法生成的示例的串联进一步提高了性能。

    Apr, 2024

  • 通过解决方案多样性泛化数学应用题求解器

    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

  • 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