論文の概要: FGeo-DRL: Deductive Reasoning for Geometric Problems through Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2402.09051v2
• Date: Thu, 15 Feb 2024 04:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 12:03:15.961865
• Title: FGeo-DRL: Deductive Reasoning for Geometric Problems through Deep Reinforcement Learning
• Title（参考訳）: FGeo-DRL:深部強化学習による幾何学的問題に対する導出推論
• Authors: Jia Zou, Xiaokai Zhang, Yiming He, Na Zhu, Tuo Leng
• Abstract要約: 我々はFGeoDRLと呼ばれるニューラルシンボリックシステムを構築し、人間のような幾何学的推論を自動的に行う。 神経部分は強化学習に基づくAIエージェントであり、問題解決方法を自律的に学習することができる。 フォーマルなgeo7kデータセットで実施された実験は、86.40%の問題解決成功率を達成した。
• 参考スコア（独自算出の注目度）: 1.137457877869062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The human-like automatic deductive reasoning has always been one of the most challenging open problems in the interdiscipline of mathematics and artificial intelligence. This paper is the third in a series of our works. We built a neural-symbolic system, called FGeoDRL, to automatically perform human-like geometric deductive reasoning. The neural part is an AI agent based on reinforcement learning, capable of autonomously learning problem-solving methods from the feedback of a formalized environment, without the need for human supervision. It leverages a pre-trained natural language model to establish a policy network for theorem selection and employ Monte Carlo Tree Search for heuristic exploration. The symbolic part is a reinforcement learning environment based on geometry formalization theory and FormalGeo, which models GPS as a Markov Decision Process. In this formal symbolic system, the known conditions and objectives of the problem form the state space, while the set of theorems forms the action space. Leveraging FGeoDRL, we have achieved readable and verifiable automated solutions to geometric problems. Experiments conducted on the formalgeo7k dataset have achieved a problem-solving success rate of 86.40%. The project is available at https://github.com/PersonNoName/FGeoDRL.
• Abstract（参考訳）: 人間のような自動推論は、数学と人工知能の学際において、常に最も困難なオープン問題の一つである。 この論文は我々の一連の作品の3番目です。 fgeodrlと呼ばれるニューラルシンボリックシステムを構築し、人間のような幾何学的推論を自動実行した。 ニューラルネットワークは強化学習に基づくAIエージェントであり、人間の監督を必要とせず、形式化された環境のフィードバックから問題解決方法を自律的に学習することができる。 事前に訓練された自然言語モデルを利用して定理選択のためのポリシーネットワークを構築し、ヒューリスティック探索にモンテカルロ木探索を用いる。 記号的部分は幾何形式化理論とフォーマルジオに基づく強化学習環境であり、GPSをマルコフ決定過程としてモデル化する。 この形式的シンボリックシステムでは、問題の既知の条件と目的が状態空間を形成し、定理の集合が作用空間を形成する。 fgeodrlを活用して,幾何問題に対する可読かつ検証可能な自動解を実現した。 フォーマルジオ7kデータセットで行った実験は86.40%の問題解決成功率を達成した。 このプロジェクトはhttps://github.com/PersonNoName/FGeoDRLで入手できる。

関連論文リスト

• Fuse, Reason and Verify: Geometry Problem Solving with Parsed Clauses from Diagram [78.79651421493058]
  平面幾何学的問題解法 (PGPS) のニューラルネットワークモデルを提案し, モーダル融合, 推論過程, 知識検証の3つの重要なステップについて述べる。 推論のために、幾何学的推論過程を記述するための説明可能な解プログラムを設計し、自己限定デコーダを用いて解プログラムを自動回帰的に生成する。 また, PGPS9Kと呼ばれる大規模幾何学的問題データセットを構築し, テキスト節, 解法プログラム, 関連知識解決器の詳細なアノテーションを含む。
  論文  参考訳（メタデータ） (2024-07-10T02:45:22Z)
• Autoformalizing Euclidean Geometry [74.72212706513318]
  ユークリッド幾何学の自己形式化のためのニューロシンボリックフレームワークを提案する。 1つの課題は、非公式な証明が図に頼り、形式化が難しいテキストのギャップを残すことである。 自己形式化定理文の自動意味評価を行う。
  論文  参考訳（メタデータ） (2024-05-27T14:35:10Z)
• Learning to Solve Geometry Problems via Simulating Human Dual-Reasoning Process [84.49427910920008]
  近年,幾何学的問題解決 (GPS) が注目されている。 解法は、テキストとダイアグラムの両方を包括的に理解し、重要な幾何学的知識を習得し、推論に適切に適用する必要がある。 既存の研究は、ニューラルネットワーク翻訳のパラダイムに従っており、人間の幾何学的推論の本質的な特徴を無視したエンコーダの能力の向上にのみ焦点をあてている。
  論文  参考訳（メタデータ） (2024-05-10T03:53:49Z)
• FGeo-HyperGNet: Geometric Problem Solving Integrating Formal Symbolic System and Hypergraph Neural Network [2.897954624664043]
  我々は,人間のような幾何学的推論を自動的に行うニューラルシンボリックシステムを構築した。 フォーマルなgeo7kデータセットでは、ステップワイズ精度87.65%、全体的な精度85.53%を達成しました。
  論文  参考訳（メタデータ） (2024-02-18T05:23:15Z)
• FGeo-TP: A Language Model-Enhanced Solver for Geometry Problems [1.137457877869062]
  本稿では,FGeo-TP (Theorem Predictor)を導入し,この言語モデルを用いて定理列の予測を行い,幾何学的問題を解く。 本研究では,FormalGeo7kデータセット上での言語モデル強化FGeo-TPの問題解決率を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2024-02-14T09:44:28Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)
• FormalGeo: An Extensible Formalized Framework for Olympiad Geometric Problem Solving [9.73597821684857]
  これは、私たちが過去3年間に達成した一連の研究の中で、初めての論文です。 本稿では,一貫した平面幾何学システムを構築した。 これは、IMOレベルの平面幾何学の課題と、可読性のあるAI自動推論の間に重要な橋渡しとなる。
  論文  参考訳（メタデータ） (2023-10-27T09:55:12Z)
• GeoQA: A Geometric Question Answering Benchmark Towards Multimodal Numerical Reasoning [172.36214872466707]
  我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。 そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:34:17Z)
• Inter-GPS: Interpretable Geometry Problem Solving with Formal Language and Symbolic Reasoning [123.06420835072225]
  3,002の幾何学的問題と密接なアノテーションを形式言語に含む新しい大規模ベンチマークGeometry3Kを構築します。 我々は、Interpretable Geometry Problemsolvr (Inter-GPS)と呼ばれる形式言語と記号推論を用いた新しい幾何学的解法を提案する。 イントラGPSは定理の知識を条件付き規則として取り入れ、記号的推論を段階的に行う。
  論文  参考訳（メタデータ） (2021-05-10T07:46:55Z)

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。