应用学习：通过增强显式知识学习的普适数学推理框架

AAAIFeb, 2023

应用学习：通过增强显式知识学习的普适数学推理框架

Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning

Jiayu Liu, Zhenya Huang, Chengxiang Zhai, Qi Liu

TL;DR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。

Abstract

mathematical reasoning is one of the crucial abilities of general artificial intelligence, which requires machines to master mathematical logic and knowledge from solving problems. However, existing approaches are not transparent (thus not interpretable) in terms of what knowledge has

mathematical reasoning learning by applying knowledge encoder knowledge decoder interpretable reasoning process

发现论文，激发创造

深度学习在数学推理中的应用概述

本文综述了过去十年在数学推理和深度学习交叉领域中的关键任务、数据集和方法，评估了现有的基准测试和方法，并讨论了该领域的未来研究方向。

Dec, 2022

从算术任务中学习多步推理

本研究探究如何将较小的语言模型与多步推理能力相结合，通过在合成数据集 MsAT 上进行持续的预训练，我们的实验证明了该方法对增强语言模型的数学推理能力的有效性。

Jun, 2023

从机器学习到机器推理

通过代数操作简单的学习系统来建立推理能力，而非试图在机器学习系统和复杂的推理机制之间建立联系。

Feb, 2011

脑启发的两阶段方法：模拟人类思维过程增强数学推理

提出了一种名为 Brain 的新方法，通过模仿人类思维过程来增强数学推理能力，在生成规划时使用额叶模型，然后利用顶叶模型生成代码并执行以获得答案，在数学推理任务中取得了最先进的性能，并发现可以明确从自然语言、代码或正式语言中提取规划。

Feb, 2024

Peano: 学习形式化数学推理

本研究探讨在数学中的程序抽象结构，定案例研究并且说明通过 Peano 定理证明环境和可重用抽象的能力，加上恰当的教学大纲，是保障自动化数学推理的长期文化传播的有效方法。

Nov, 2022

神经模型的数学推理能力分析

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

学习引导的自动推理：简要调查

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

利用学习的符号抽象启动高水平数学推理

该研究提出了一种名为学习数学抽象（LEMMA）算法，该算法可以通过引入抽象步骤来增强专家迭代，并利用层次化抽象的思想来帮助强化学习代理人解决数学问题，实验结果表明该算法可以有效提高已有代理人的解决问题能力和泛化能力。

Nov, 2022

知识增强的神经机器推理：综述

本文综合研究了知识增强的神经机器推理领域，分类总结了现有方法，并探讨了应用领域和未来研究前景。

Feb, 2023

一个简单的逻辑推理和统计学习生成模型

提出了一种基于贝叶斯模型可实现逻辑推理和统计学习的新方法，使得符号推理成为正向和反向过程的结果，并对学习和推理的研究提供了新的视角。

May, 2023