論文の概要: Recall and Learn: A Memory-augmented Solver for Math Word Problems
- arxiv url: http://arxiv.org/abs/2109.13112v1
- Date: Mon, 27 Sep 2021 14:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:58:05.044219
- Title: Recall and Learn: A Memory-augmented Solver for Math Word Problems
- Title（参考訳）: 思い出と学び: 数学用語問題のための記憶提示型解法
- Authors: Shifeng Huang, Jiawei Wang, Jiao Xu, Da Cao, Ming Yang
- Abstract要約: そこで我々は,リコールと学習の方法として,新しい人間的類似学習法を提案する。
提案するフレームワークは,メモリ,表現,アナロジー,推論のモジュールで構成されている。
- 参考スコア（独自算出の注目度）: 15.550156292329229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article, we tackle the math word problem, namely, automatically
answering a mathematical problem according to its textual description. Although
recent methods have demonstrated their promising results, most of these methods
are based on template-based generation scheme which results in limited
generalization capability. To this end, we propose a novel human-like
analogical learning method in a recall and learn manner. Our proposed framework
is composed of modules of memory, representation, analogy, and reasoning, which
are designed to make a new exercise by referring to the exercises learned in
the past. Specifically, given a math word problem, the model first retrieves
similar questions by a memory module and then encodes the unsolved problem and
each retrieved question using a representation module. Moreover, to solve the
problem in a way of analogy, an analogy module and a reasoning module with a
copy mechanism are proposed to model the interrelationship between the problem
and each retrieved question. Extensive experiments on two well-known datasets
show the superiority of our proposed algorithm as compared to other
state-of-the-art competitors from both overall performance comparison and
micro-scope studies.
- Abstract（参考訳）: 本稿では,数学用語の問題,すなわちテキスト記述による数学的問題を自動的に解答する問題に対処する。
近年の手法は有望な結果を示しているが,これらの手法の多くはテンプレートベースの生成方式をベースとしている。
そこで本研究では,リコールと学習の方法で,新しい人間的類似学習法を提案する。
提案するフレームワークは,記憶,表現,類似,推論のモジュールで構成され,過去に学習した演習を参考に,新たな演習を行うように設計されている。
具体的には、数学用語の問題が与えられた場合、モデルはまずメモリモジュールで類似した質問を検索し、未解決の問題を符号化し、各質問を表現モジュールを用いて検索する。
さらに, 類似的な方法で問題を解くために, 類似モジュールとコピー機構を備えた推論モジュールを提案し, 問題と検索された各質問の相互関係をモデル化した。
2つのよく知られたデータセットに対する大規模な実験は、我々の提案したアルゴリズムの優位性を示している。
関連論文リスト
- Learning by Analogy: Enhancing Few-Shot Prompting for Math Word Problem Solving with Computational Graph-Based Retrieval [22.865124583257987]
同様に構造化された質問の類似性によって,大規模言語モデルの問題解決能力が向上することを示す。
具体的には、与えられた質問に類似した計算グラフを持つ問題の検索を頼りに、プロンプトの見本として機能する。
6つの数学単語問題データセットに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2024-11-25T15:01:25Z) - The Function-Representation Model of Computation [2.5069344340760713]
本稿では,メモリとプログラムを融合した新しい計算モデル,Function-Representationを提案する。
この計算モデルは、一般的な関数表現を定義し、その複数のインスタンスをインスタンス化する。
また、Function-Representationが実装できる関数の種類についても検討し、Function-Representationの複数のインスタンスを整理するさまざまな方法を提示します。
論文 参考訳（メタデータ） (2024-10-10T13:54:35Z) - Large Language Models as Analogical Reasoners [155.9617224350088]
CoT(Chain-of- Thought)は、言語モデルのプロンプトとして、推論タスク全体で素晴らしいパフォーマンスを示す。
そこで本稿では,大規模言語モデルの推論プロセスを自動的にガイドする,新たなプロンプト手法であるアナログプロンプトを導入する。
論文 参考訳（メタデータ） (2023-10-03T00:57:26Z) - SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。
我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。
我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-09-20T15:59:54Z) - Towards a Holistic Understanding of Mathematical Questions with
Contrastive Pre-training [65.10741459705739]
本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。
まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。
そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
論文 参考訳（メタデータ） (2023-01-18T14:23:29Z) - A Unified Analysis of Dynamic Interactive Learning [5.474944738795308]
Emamjomeh-Zadeh氏らによる以前の研究は、非静的なユーザの好みをモデル化する手段として、インタラクティブな学習のダイナミクスを導入しました。
私たちは、[Emamjomeh-Zadeh et al., 2020]で分析されたモデルの両方をキャプチャするフレームワークを提供します。
また,学習者が各ラウンドのフィードバックに従う,効率的なアルゴリズムについても検討する。
論文 参考訳（メタデータ） (2022-04-14T16:03:37Z) - Seeking Patterns, Not just Memorizing Procedures: Contrastive Learning
for Solving Math Word Problems [14.144577791030853]
ニューラルネットワークが意味論からのみパターンを理解する方法について検討する。
本稿では,ニューラルネットワークがパターンの発散を知覚する,対照的な学習手法を提案する。
本手法は単言語および多言語設定における性能を大幅に改善する。
論文 参考訳（メタデータ） (2021-10-16T04:03:47Z) - SMART: A Situation Model for Algebra Story Problems via Attributed
Grammar [74.1315776256292]
本稿では, 問題解決における人間の精神状態を表現する心理学研究から生まれた, emphsituation modelの概念を紹介する。
提案モデルでは,より優れた解釈性を保ちながら,従来のすべてのニューラルソルバを大きなマージンで上回る結果が得られた。
論文 参考訳（メタデータ） (2020-12-27T21:03:40Z) - Marginal likelihood computation for model selection and hypothesis
testing: an extensive review [66.37504201165159]
この記事では、このトピックの最先端に関する総合的な研究について紹介する。
さまざまなテクニックの制限、メリット、コネクション、差異を強調します。
また、不適切な事前利用の問題や解決法についても述べる。
論文 参考訳（メタデータ） (2020-05-17T18:31:58Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳（メタデータ） (2020-04-25T17:14:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。