論文の概要: Learning Conjecturing from Scratch

• arxiv url: http://arxiv.org/abs/2503.01389v1
• Date: Mon, 03 Mar 2025 10:39:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:27:00.275802
• Title: Learning Conjecturing from Scratch
• Title（参考訳）: スクラッチからの推論の学習
• Authors: Thibault Gauthier, Josef Urban,
• Abstract要約: 我々は16197問題のデータセットに基づいて帰納的述語を導出する自己学習手法を開発した。 このアルゴリズムは、多くの興味深い帰納的述語を発見し、最終的に5565の問題を解く。
• 参考スコア（独自算出の注目度）: 4.373803477995854
• License:
• Abstract: We develop a self-learning approach for conjecturing of induction predicates on a dataset of 16197 problems derived from the OEIS. These problems are hard for today's SMT and ATP systems because they require a combination of inductive and arithmetical reasoning. Starting from scratch, our approach consists of a feedback loop that iterates between (i) training a neural translator to learn the correspondence between the problems solved so far and the induction predicates useful for them, (ii) using the trained neural system to generate many new induction predicates for the problems, (iii) fast runs of the z3 prover attempting to prove the problems using the generated predicates, (iv) using heuristics such as predicate size and solution speed on the proved problems to choose the best predicates for the next iteration of training. The algorithm discovers on its own many interesting induction predicates, ultimately solving 5565 problems, compared to 2265 problems solved by CVC5, Vampire or Z3 in 60 seconds.
• Abstract（参考訳）: 我々は,OEISから導出された16197問題のデータセットに基づいて,帰納的述語を導出する自己学習手法を開発した。 これらの問題は、今日のSMTとATPシステムにとって、帰納的推論と算術的推論の組み合わせを必要とするため困難である。 スクラッチから始めると、私たちのアプローチはフィードバックループから成り、繰り返します。 一 これまでに解決した問題と誘導述語との対応を学習するために神経翻訳士を訓練すること。 二 トレーニングされた神経システムを用いて、問題に対する多くの新しい帰納的述語を生成すること。 (iii)生成した述語を用いて問題を証明しようとするz3証明子の高速実行。 (4) 実験の次のイテレーションに最適な述語を選択するために, 述語サイズや解解速度などのヒューリスティックスを用いた。 このアルゴリズムは、CVC5、ヴァンパイア、Z3によって60秒で解決された2265の問題を、最終的に5565の問題を解く、多くの興味深い帰納的述語で発見する。

関連論文リスト

• EHOP: A Dataset of Everyday NP-Hard Optimization Problems [66.41749917354159]
  Everyday Hard Optimization Problems (EHOP) は、自然言語で表されるNPハード最適化問題の集合である。 EHOPには、コンピュータサイエンスの教科書で見られる問題の定式化、実生活で起こりうる問題として着飾られたバージョン、逆ルールでよく知られた問題の変種が含まれている。 現状のLLMは、複数のプロンプト戦略にまたがって、実生活や逆転型よりも教科書問題を体系的に高精度に解決していることがわかった。
  論文  参考訳（メタデータ） (2025-02-19T14:39:59Z)
• A Smooth Transition Between Induction and Deduction: Fast Abductive Learning Based on Probabilistic Symbol Perception [81.30687085692576]
  確率的シンボル知覚(PSP)と呼ばれる最適化アルゴリズムを導入し,誘導と推論のスムーズな遷移を実現する。 実験は有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-02-18T14:59:54Z)
• Combining Induction and Transduction for Abstract Reasoning [13.399370315305408]
  我々は、ARC上で誘導(潜伏関数の推論)および伝達(与えられたテスト入力に対するテスト出力を直接予測する)のためにニューラルネットワークを訓練する。 インダクティブモデルとトランスダクティブモデルは、同じトレーニング問題を持ち、同じニューラルアーキテクチャを共有するにもかかわらず、さまざまな種類のテスト問題を解決する。
  論文  参考訳（メタデータ） (2024-11-04T17:03:55Z)
• Exact Enforcement of Temporal Continuity in Sequential Physics-Informed Neural Networks [0.0]
  解アンザッツを用いて連続時間セグメント間の連続性を強制する手法を提案する。 この手法は、線形PDEと非線形PDEの両方を含む多くのベンチマーク問題に対して試験される。 提案手法を用いて行った数値実験により,従来のPINNとソフトコントラストの双方に対して,コンバージェンスと精度が優れていた。
  論文  参考訳（メタデータ） (2024-02-15T17:41:02Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• Neural Algorithmic Reasoning for Combinatorial Optimisation [20.36694807847833]
  ニューラル推論の最近の進歩を活用して,CO問題の学習を改善することを提案する。 私たちは、COインスタンスでトレーニングする前に、関連するアルゴリズムでニューラルネットワークを事前トレーニングすることを提案します。 以上の結果から,この学習装置を用いることで,非アルゴリズム的情報深層学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-05-18T13:59:02Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Sublinear Least-Squares Value Iteration via Locality Sensitive Hashing [49.73889315176884]
  本稿では、実行時の複雑さをアクション数にサブリニアに持つ最初の証明可能なLeast-Squares Value Iteration(LSVI)アルゴリズムを提示する。 我々は, 近似最大内積探索理論と強化学習の後悔分析との関係を構築する。
  論文  参考訳（メタデータ） (2021-05-18T05:23:53Z)
• Definitional Quantifiers Realise Semantic Reasoning for Proof by Induction [6.85316573653194]
  SeLFiEは、Isabelle/HOLにおけるインダクタンス戦術の適用方法に関するユーザの知識を表すクエリ言語である。 評価のために,SeLFiEを用いた自動誘導証明器を開発した。 新しい証明器は,1.0秒タイムアウトのベースライン証明よりも1.4×103%向上し,スピードアップの中央値が4.48倍となった。
  論文  参考訳（メタデータ） (2020-10-19T09:05:09Z)
• Faster Smarter Induction in Isabelle/HOL [6.85316573653194]
  sem_indはインダクトメソッドに渡す引数を推奨する。 定義量化器は、帰納的問題の構文構造だけでなく、ドメインに依存しないスタイルにおける関連する定数の定義も調べることができる。
  論文  参考訳（メタデータ） (2020-09-19T11:51:54Z)
• Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
  本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。 ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-07-07T17:03:02Z)

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。