用自动学习的人类可解释断言快速解决证人类型的三角谜题
本文提出了伯克利填字游戏求解器,该系统使用神经问答模型生成填字谜面的答案候选,并将循环置信传播与本地搜索相结合,以找到完整的谜底解。与现有方法相比,我们的系统使得填字准确率从 71% 提高到 82%。此外,我们还分析了系统的剩余错误并发布了一个包含超过 600 万个问题答案对的数据集。
May, 2022
为了解决自动定理证明中有限的人工编写定理和证明的问题,我们提出了一种学习神经生成器自动生成定理和证明来训练定理证明器的方法,并通过实验验证,证明该方法的合理性,并成功推动了 Metamath 自动定理证明的发展。
Feb, 2020
本文介绍了基于遗传算法的拼图解决方案,并提出了一种新颖的合并两个 “父” 解决方案的程序,这些父方案是通过检测、提取和组合正确装配的拼图段而得到的,以获得一个改进的 “子” 解决方案。该算法的性能是目前最先进的,可以更快地和更准确地解决以前尝试过的拼图,也可以解决以前从未尝试过的尺寸的拼图。此外,本文还创建了以前不可用的大型图像基准,共享数据集和所有结果以供未来测试、比较评估拼图解决方案。
Nov, 2017
本文通过采用复合策略 - 决策转换和推拉聚类方法来增强人工智能的 ARC 问题解决技能和推进未来的人工智能研究,并强调了对高级数据收集工具、强大的训练数据集和精细的模型结构的需求。
Jun, 2023
本文介绍一种用于程序自动合成的方法,通过结合模式识别和显式推理来解决这些复杂的编程问题,同时使用新颖的中间表示和训练算法,使程序合成系统能够自学,从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。
Feb, 2019
本文介绍了新型的方形拼图,引入了遗传算法解决未知位置和方向的拼图问题,同时还可以处理双面的、未知面和方向的拼图。结果表明我们的求解器提供了一种新的最先进技术,可以更快,更精确地解决尝试过的拼图,并自动有效地处理新引入的双面拼图。同时,本文还提供了到目前为止最为广泛的关于 Type 2 拼图的实验结果。
Nov, 2017
该研究表明,将人类专业知识的分布纳入考虑,并以此训练无监督的人工智能模型,能够显著提高 AI 对未来发现的预测能力,特别是在相关文献稀缺的情况下,这些模型成功预测出人类预测和可能做出预测的科学家,为科学进步开创新的前沿。
Jun, 2023