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
- FGeo-HyperGNet: Geometry Problem Solving Integrating Formal Symbolic
System and Hypergraph Neural Network [3.241206982182509]
これは、我々の一連の研究の5番目の記事であり、我々は、人間のような幾何学的推論を自動的に実行するニューラルシンボリックシステムを構築しました。
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) - NeuroGF: A Neural Representation for Fast Geodesic Distance and Path
Queries [77.04220651098723]
本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。
具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。
NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-01T13:32:21Z) - UniGeo: Unifying Geometry Logical Reasoning via Reformulating
Mathematical Expression [127.68780714438103]
計算と証明の2つの主要な幾何学問題は、通常2つの特定のタスクとして扱われる。
我々は4,998の計算問題と9,543の証明問題を含むUniGeoという大規模統一幾何問題ベンチマークを構築した。
また,複数タスクの幾何変換フレームワークであるGeoformerを提案し,計算と証明を同時に行う。
論文 参考訳(メタデータ) (2022-12-06T04:37:51Z) - Automated Machine Learning, Bounded Rationality, and Rational
Metareasoning [62.997667081978825]
有界合理性の観点から、自動機械学習(AutoML)と関連する問題を考察する。
リソース境界の下でアクションを取るには、エージェントがこれらのリソースを最適な方法で利用する方法を反映する必要がある。
論文 参考訳(メタデータ) (2021-09-10T09:10:20Z) - 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。