論文の概要: A Survey of Deep Learning for Mathematical Reasoning

• arxiv url: http://arxiv.org/abs/2212.10535v1
• Date: Tue, 20 Dec 2022 18:46:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 13:25:42.293292
• Title: A Survey of Deep Learning for Mathematical Reasoning
• Title（参考訳）: 数学的推論のための深層学習に関する調査
• Authors: Pan Lu, Liang Qiu, Wenhao Yu, Sean Welleck, Kai-Wei Chang
• Abstract要約: 我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
• 参考スコア（独自算出の注目度）: 71.88150173381153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mathematical reasoning is a fundamental aspect of human intelligence and is applicable in various fields, including science, engineering, finance, and everyday life. The development of artificial intelligence (AI) systems capable of solving math problems and proving theorems has garnered significant interest in the fields of machine learning and natural language processing. For example, mathematics serves as a testbed for aspects of reasoning that are challenging for powerful deep learning models, driving new algorithmic and modeling advances. On the other hand, recent advances in large-scale neural language models have opened up new benchmarks and opportunities to use deep learning for mathematical reasoning. In this survey paper, we review the key tasks, datasets, and methods at the intersection of mathematical reasoning and deep learning over the past decade. We also evaluate existing benchmarks and methods, and discuss future research directions in this domain.
• Abstract（参考訳）: 数学的推論は人間の知能の基本的な側面であり、科学、工学、金融、日常生活など様々な分野に適用できる。 数学の問題を解き、定理を証明できる人工知能(AI)システムの開発は、機械学習や自然言語処理の分野で大きな関心を集めている。 例えば、数学は強力なディープラーニングモデルに挑戦する推論の側面のテストベッドとして機能し、新しいアルゴリズムとモデリングの進歩を駆動する。 一方で、大規模ニューラルネットワークモデルの最近の進歩は、数学的推論にディープラーニングを使用するための新しいベンチマークと機会を開放している。 本稿では,過去10年間の数学的推論と深層学習の交わりにおける重要な課題,データセット,方法について概説する。 また,既存のベンチマークや手法についても検討し,今後の研究の方向性について考察する。

関連論文リスト

• MathLearner: A Large Language Model Agent Framework for Learning to Solve Mathematical Problems [0.936726079405677]
  本稿では,帰納的推論に基づく数学的問題を解くためのエージェントフレームワークを提案する。 学習情報の一般化に関する人間の学習過程をエミュレートすることにより、この枠組みは数学的推論プロセスにおいて優れた性能を発揮する。 我々のモデルは個人化された学習支援として利用でき、教育資源の不平等を軽減できる。
  論文  参考訳（メタデータ） (2024-08-03T13:28:19Z)
• MathBench: Evaluating the Theory and Application Proficiency of LLMs with a Hierarchical Mathematics Benchmark [82.64129627675123]
  MathBenchは、大規模言語モデルの数学的能力を厳格に評価する新しいベンチマークである。 MathBenchは幅広い数学の分野にまたがっており、理論的な理解と実践的な問題解決のスキルの両方を詳細に評価している。
  論文  参考訳（メタデータ） (2024-05-20T17:52:29Z)
• Mathify: Evaluating Large Language Models on Mathematical Problem Solving Tasks [34.09857430966818]
  我々は,11番目と12番目の標準数学 NCERT 教科書から得られた数学データセット "MathQuest" を紹介する。 LLaMA-2, WizardMath, MAmmoTHの3つの大きな言語モデルを用いた微調整実験を行った。 この3つのモデルのうち,MAmmoTH-13Bが最も熟練したモデルとして登場し,提示された数理問題の解法において,最高レベルの能力を達成した。
  論文  参考訳（メタデータ） (2024-04-19T08:45:42Z)
• Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
  人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。 このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。 興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
  論文  参考訳（メタデータ） (2024-03-07T15:12:06Z)
• math-PVS: A Large Language Model Framework to Map Scientific Publications to PVS Theories [10.416375584563728]
  本研究では,大規模言語モデル(LLM)の高度な数学的概念の定式化への適用性について検討する。 我々は、研究論文から数学的定理を抽出し、形式化する、Emphmath-PVSと呼ばれる自動過程を構想する。
  論文  参考訳（メタデータ） (2023-10-25T23:54:04Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• Can neural networks do arithmetic? A survey on the elementary numerical skills of state-of-the-art deep learning models [0.424243593213882]
  深層学習モデルが量と記号数の基本的な理解を持っているかどうかは不明である。 我々は最近の文献を批判的に検証し、基礎的な数値と算術の知識をテストするために設計された比較的単純なタスクによって、最先端のアーキテクチャでさえしばしば不足していると結論付けている。
  論文  参考訳（メタデータ） (2023-03-14T09:30:52Z)
• Deep Learning Methods for Partial Differential Equations and Related Parameter Identification Problems [1.7150329136228712]
  偏微分方程式(PDE)の特定のクラスを解決するために、ますます多くのニューラルネットワークアーキテクチャが開発されている。 このような手法は、PDE固有の特性を利用して、標準フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク、畳み込みニューラルネットワークよりも優れたPDEを解決する。 これは、パラメトリックPDEが科学や工学で生じるほとんどの自然および物理的プロセスのモデル化に広く使われている数学モデリングの領域に大きな影響を与えている。
  論文  参考訳（メタデータ） (2022-12-06T16:53:34Z)
• 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)
• Measuring Mathematical Problem Solving With the MATH Dataset [55.4376028963537]
  12,500の競合数学問題のデータセットであるMATHを紹介する。 各問題には、答えの導出と説明を生成するためのモデルを教えるために使用できる完全なステップバイステップソリューションがあります。 また、モデルに数学の基礎を教えるための補助的事前学習データセットも提供します。
  論文  参考訳（メタデータ） (2021-03-05T18:59:39Z)

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。