数学公式的神经机器翻译
该研究采用深度神经网络进行数学形式化的自动化,使用机器翻译模型将非正式的 LaTeX 写的 Mizar 文本转化成正式的 Mizar 语言,并进行了多次实验以测试其可行性。结果表明,通过人工神经网络进行数学形式化是一种有前途的方法。
May, 2018
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
本文旨在通过实验探讨利用神经网络自动将 LaTeX 格式的非正式数学语句翻译成 Mizar 语言中的正式数学陈述。研究通过监督和非监督方法训练了三个基于神经网络的机器翻译模型,并开发了自定义的类型详细说明机制来优化结果。
Dec, 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
本文展示神经网络在数学方面的应用,如符号积分和求解微分方程。提出了一套数学问题表示法和生成大规模数据集进行序列到序列模型训练的方法,并获得了超越 Matlab 或 Mathematica 等商业计算机代数系统的结果。
Dec, 2019
本文提出一种称为 ConvMath 的卷积序列建模网络,可将图像中的数学表达式描述转换为 LaTeX 序列,并通过多层注意机制和卷积解码器来提高模型的准确性和效率。在 IM2LATEX-100K 数据集上的实验结果表明,该网络实现了最先进的准确度和比以前方法更好的效率。
Dec, 2020
本文介绍了一种在连续向量空间中表示数学表达式的方法,使用序列到序列架构的编码器生成向量表示,并比较了这种方法与自编码器的差异。最后,为了加快未来的项目,我们发布了一组等价的超越和代数表达式对的语料库。
Oct, 2022
本文提出了一个神经网络模型,基于编码器 - 解码器框架,利用自然语言理解桥接语义世界和符号世界,自动解决数学应用问题,并在 Math23K 数据集上验证模型的有效性。
Nov, 2018