論文の概要: Solving Linear Algebra by Program Synthesis

• arxiv url: http://arxiv.org/abs/2111.08171v1
• Date: Tue, 16 Nov 2021 01:16:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 04:38:05.249699
• Title: Solving Linear Algebra by Program Synthesis
• Title（参考訳）: プログラム合成による線形代数の解法
• Authors: Iddo Drori and Nakul Verma
• Abstract要約: 我々は、MITのLinear Algebra 18.06コースとコロンビア大学のComputational Linear Algebra COMS3251コースを、インタラクティブなプログラム合成によって完全な精度で解決する。 この驚くほど強い結果は、コース質問をプログラミングタスクに変換し、プログラムを実行して正しい回答を生成することで達成されます。
• 参考スコア（独自算出の注目度）: 1.0660480034605238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We solve MIT's Linear Algebra 18.06 course and Columbia University's Computational Linear Algebra COMS3251 courses with perfect accuracy by interactive program synthesis. This surprisingly strong result is achieved by turning the course questions into programming tasks and then running the programs to produce the correct answers. We use OpenAI Codex with zero-shot learning, without providing any examples in the prompts, to synthesize code from questions. We quantify the difference between the original question text and the transformed question text that yields a correct answer. Since all COMS3251 questions are not available online the model is not overfitting. We go beyond just generating code for questions with numerical answers by interactively generating code that also results visually pleasing plots as output. Finally, we automatically generate new questions given a few sample questions which may be used as new course content. This work is a significant step forward in solving quantitative math problems and opens the door for solving many university level STEM courses by machine.
• Abstract（参考訳）: 我々は、MITのLinear Algebra 18.06コースとコロンビア大学のComputational Linear Algebra COMS3251コースを、インタラクティブなプログラム合成によって完全な精度で解決する。 この驚くほど強い結果は、コース質問をプログラミングタスクに変換し、プログラムを実行して正しい回答を生成することで達成されます。 OpenAI Codexはゼロショット学習で、プロンプトのサンプルを提供しずに、質問からコードを合成します。 元の質問文と正しい回答をもたらす変換された質問文との差を定量化する。 すべてのCOMS3251質問はオンラインでは利用できないので、モデルは過度に適合しない。 数値的な答えを持つ質問のためのコードを生成するだけでなく、インタラクティブにコードを生成して、結果としてプロットを視覚的に楽しませます。 最後に、新しいコースコンテンツとして使用できるいくつかのサンプル質問から、新しい質問を自動的に生成する。 この研究は、定量的数学の問題を解決するための重要な一歩であり、多くの大学レベルのSTEMコースを機械で解くための扉を開く。

関連論文リスト

• Limits of an AI program for solving college math problems [0.0]
  ニューラルネットワークは、人間のレベルでのプログラム合成と少数ショット学習によって、大学の数学問題を解き、説明し、生成する。 彼らが記述したシステムは確かに印象的だが、上記の記述は非常に過大評価されている。 問題を解決する作業はニューラルネットワークではなく、シンボリック代数パッケージSympyによって行われる。
  論文  参考訳（メタデータ） (2022-08-14T20:10:14Z)
• JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem Understanding [74.12405417718054]
  本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。 他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。 基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
  論文  参考訳（メタデータ） (2022-06-13T17:03:52Z)
• From Human Days to Machine Seconds: Automatically Answering and Generating Machine Learning Final Exams [10.25071232250652]
  MIT、ハーバード大学、コーネル大学などのトップ機関での機械学習の最終試験は、書くのに何日もかかり、生徒は解決するのに何時間もかかる。 大規模な言語モデルは、トレーニング後のオンラインのファイナルで、人間のレベルで機械学習のファイナルをパスし、新しい品質のファイナル質問を数秒で自動生成することを示した。
  論文  参考訳（メタデータ） (2022-06-11T06:38:06Z)
• Write a Line: Tests with Answer Templates and String Completion Hints for Self-Learning in a CS1 Course [0.0]
  本報告では,497名の学生を対象に,CS1コースにおける文字列補完ヒント付き正規表現型質問を用いた4年間の成績を報告する。 評価結果から,Perl互換の正規表現は,1行のコードを記述する必要のある質問に対して,良好な精度とリコール(99%以上)を提供することが示された。
  論文  参考訳（メタデータ） (2022-04-19T17:53:35Z)
• A Neural Network Solves and Generates Mathematics Problems by Program Synthesis: Calculus, Differential Equations, Linear Algebra, and More [8.437319139670116]
  質問をプログラミングタスクに変換し、プログラムを自動的に生成し、実行します。 これは、大学レベルの数学コースの質問を自動的に解き、評価し、生成する最初の作品である。
  論文  参考訳（メタデータ） (2021-12-31T18:57:31Z)
• CodeQA: A Question Answering Dataset for Source Code Comprehension [82.63394952538292]
  コードスニペットと質問が与えられたら、テキストによる回答を生成する必要がある。 CodeQAには、119,778の問合せペアを持つJavaデータセットと、70,085の問合せペアを持つPythonデータセットが含まれている。
  論文  参考訳（メタデータ） (2021-09-17T06:06:38Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Solving Machine Learning Problems [0.315565869552558]
  この研究は、大学卒のレベルコースから機械学習の問題を解決するために、機械学習モデルを訓練する。 我々は、MITの6.036のIntroduction to Machine Learningコースから、コース演習、宿題、クイズ質問からなる、新しいトレーニングセットと回答を生成する。 本システムでは,MIT学生の平均93%に対して,オープン応答質問では96%,マルチチョイス質問では97%の総合的精度を示した。
  論文  参考訳（メタデータ） (2021-07-02T18:52:50Z)
• Few-Shot Complex Knowledge Base Question Answering via Meta Reinforcement Learning [55.08037694027792]
  複雑な質問答え(CQA)は、知識ベース(KB)上の複雑な自然言語質問に答える。 従来のニューラルプログラム誘導(NPI)アプローチは、質問の種類が異なる場合、不均一なパフォーマンスを示す。 本稿では,CQAにおけるプログラム誘導のためのメタ強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-29T18:34:55Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)
• Understanding Unnatural Questions Improves Reasoning over Text [54.235828149899625]
  生テキストに対する複雑な質問応答(CQA)は難しい課題である。 効果的なCQAモデルを学ぶには、大量の人間が注釈付けしたデータが必要である。 我々は、自然の人間生成の質問を非自然の機械生成の質問に投影することで、高品質なプログラマ(パーザ)を学ぶという課題に対処する。
  論文  参考訳（メタデータ） (2020-10-19T10:22:16Z)

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。