論文の概要: Seeking Diverse Reasoning Logic: Controlled Equation Expression
Generation for Solving Math Word Problems
- arxiv url: http://arxiv.org/abs/2209.10310v1
- Date: Wed, 21 Sep 2022 12:43:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 16:08:24.711147
- Title: Seeking Diverse Reasoning Logic: Controlled Equation Expression
Generation for Solving Math Word Problems
- Title(参考訳): 逆推論論理の探索:数学語問題を解くための制御方程式表現生成
- Authors: Yibin Shen, Qianying Liu, Zhuoyuan Mao, Zhen Wan, Fei Cheng and Sadao
Kurohashi
- Abstract要約: 本稿では,一組の制御符号を利用してモデルを導出する制御方程式生成解法を提案する。
本手法は, シングル未知 (Math23K) とマルチ未知 (DRAW1K, HMWP) ベンチマークの性能を普遍的に向上させる。
- 参考スコア(独自算出の注目度): 21.62131402402428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To solve Math Word Problems, human students leverage diverse reasoning logic
that reaches different possible equation solutions. However, the mainstream
sequence-to-sequence approach of automatic solvers aims to decode a fixed
solution equation supervised by human annotation. In this paper, we propose a
controlled equation generation solver by leveraging a set of control codes to
guide the model to consider certain reasoning logic and decode the
corresponding equations expressions transformed from the human reference. The
empirical results suggest that our method universally improves the performance
on single-unknown (Math23K) and multiple-unknown (DRAW1K, HMWP) benchmarks,
with substantial improvements up to 13.2% accuracy on the challenging
multiple-unknown datasets.
- Abstract(参考訳): 数学の単語問題を解決するために、人間の学生は様々な方程式解に到達する多様な推論論理を利用する。
しかし,自動解法では,人間の注記によって制御される固定解方程式を解読する手法が主流である。
本稿では,一組の制御符号を利用して,ある推論論理を考察し,人間の参照から変換された対応する方程式表現を復号する制御方程式生成解法を提案する。
実験結果から,本手法は単一未知 (math23k) および複数未知 (draw1k, hmwp) ベンチマークの性能を普遍的に向上し,複数の未知データセットに対して最大13.2%の精度向上が得られた。
関連論文リスト
- Deep Generative Symbolic Regression [83.04219479605801]
記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。
既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。
本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
論文 参考訳(メタデータ) (2023-12-30T17:05:31Z) - Improved identification accuracy in equation learning via comprehensive
$\boldsymbol{R^2}$-elimination and Bayesian model selection [0.0]
本稿では、方程式学習における包括性と効率のバランスをとるアプローチを提案する。
段階的回帰から着想を得た我々の手法は、決定係数$R2$とベイズ模型の証拠$p(boldsymbol y|mathcal M)$を新しい方法で組み合わせる。
論文 参考訳(メタデータ) (2023-11-22T09:31:19Z) - A Hybrid System for Systematic Generalization in Simple Arithmetic
Problems [70.91780996370326]
本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。
提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
論文 参考訳(メタデータ) (2023-06-29T18:35:41Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Neural-Symbolic Solver for Math Word Problems with Auxiliary Tasks [130.70449023574537]
我々のNS-rは、問題を読み取り、問題をエンコードする問題リーダーと、記号方程式を生成するプログラマと、答えを得るシンボリックエグゼキュータから構成される。
また, 目的表現の監督とともに, 4つの新たな補助的目的によって, 異なる記号的推論を強制的に行うように最適化した。
論文 参考訳(メタデータ) (2021-07-03T13:14:58Z) - Recognizing and Verifying Mathematical Equations using Multiplicative
Differential Neural Units [86.9207811656179]
メモリ拡張ニューラルネットワーク(NN)は、高次、メモリ拡張外挿、安定した性能、より高速な収束を実現することができることを示す。
本モデルでは,現在の手法と比較して1.53%の精度向上を達成し,2.22%のtop-1平均精度と2.96%のtop-5平均精度を達成している。
論文 参考訳(メタデータ) (2021-04-07T03:50:11Z) - Stable Implementation of Probabilistic ODE Solvers [27.70274403550477]
常微分方程式(odes)の確率的解法は、数値の不確かさの効率的な定量化をもたらす。
それらは高い順序でまたは小さいステップ サイズと動くとき数値不安定に苦しみます。
本研究は,この問題に対する解決策を提案し,検討する。
正確な初期化、数値安定性をステップサイズ非依存にする座標変更事前条件、平方根実装の3つのコンポーネントを含んでいる。
論文 参考訳(メタデータ) (2020-12-18T08:35:36Z) - Deep Learning for Constrained Utility Maximisation [0.0]
本稿では,ディープラーニングを用いた制御問題を解くための2つのアルゴリズムを提案する。
最初のアルゴリズムはハミルトン・ヤコビ・ベルマン方程式を通じてマルコフ問題を解く。
2つ目は、非マルコフ的問題を解くために双対法の全力を利用する。
論文 参考訳(メタデータ) (2020-08-26T18:40:57Z) - Total Deep Variation: A Stable Regularizer for Inverse Problems [71.90933869570914]
本稿では,データ駆動型汎用全深度変動正規化器について紹介する。
コアでは、畳み込みニューラルネットワークが複数のスケールや連続したブロックで局所的な特徴を抽出する。
我々は多数の画像処理タスクに対して最先端の結果を得る。
論文 参考訳(メタデータ) (2020-06-15T21:54:15Z) - Symbolic Regression using Mixed-Integer Nonlinear Optimization [9.638685454900047]
シンボリック回帰(SR)問題は、機械学習において難しい問題である。
混合整数非線形最適化と明示列挙法を組み合わせたハイブリッドアルゴリズムを提案する。
我々のアルゴリズムは、いくつかの合成データセットに対して、最先端のSRソフトウェアと最近の物理学に触発されたAI Feynmanという手法で競合していることを示す。
論文 参考訳(メタデータ) (2020-06-11T20:53:17Z)
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。