論文の概要: Transparent AI for Mathematics: Transformer-Based Large Language Models for Mathematical Entity Relationship Extraction with XAI

• arxiv url: http://arxiv.org/abs/2603.06348v1
• Date: Fri, 06 Mar 2026 14:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.995091
• Title: Transparent AI for Mathematics: Transformer-Based Large Language Models for Mathematical Entity Relationship Extraction with XAI
• Title（参考訳）: 数学用透明AI:XAIを用いた数学的エンティティ関係抽出のためのトランスフォーマーベース大規模言語モデル
• Authors: Tanjim Taharat Aurpa,
• Abstract要約: 本研究では,数理問題解釈を数学的エンティティ関係抽出タスクとして定式化する。 変換器に基づくモデルを用いて、数学的テキストからこれらの関係を自動的に抽出する。 変換器による双方向表現(BERT)は、99.39%の精度で最高の性能を達成する。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mathematical text understanding is a challenging task due to the presence of specialized entities and complex relationships between them. This study formulates mathematical problem interpretation as a Mathematical Entity Relation Extraction (MERE) task, where operands are treated as entities and operators as their relationships. Transformer-based models are applied to automatically extract these relations from mathematical text, with Bidirectional Encoder Representations from Transformers (BERT) achieving the best performance, reaching an accuracy of 99.39%. To enhance transparency and trust in the model's predictions, Explainable Artificial Intelligence (XAI) is incorporated using Shapley Additive Explanations (SHAP). The explainability analysis reveals how specific textual and mathematical features influence relation prediction, providing insights into feature importance and model behavior. By combining transformer-based learning, a task-specific dataset, and explainable modeling, this work offers an effective and interpretable framework for MERE, supporting future applications in automated problem solving, knowledge graph construction, and intelligent educational systems.
• Abstract（参考訳）: 数学的テキスト理解は、特殊な実体の存在とそれらの間の複雑な関係のために難しい課題である。 本研究は,数理的問題解釈をMERE(Mathematical Entity Relation extract)タスクとして定式化し,演算子を実体として扱い,演算子をそれらの関係として扱う。 変換器ベースのモデルを用いて、これらの関係を数学的テキストから自動的に抽出し、変換器(BERT)の双方向エンコーダ表現が最高の性能を達成し、99.39%の精度に達する。 モデルの予測の透明性と信頼性を高めるために、Shapley Additive Explanations (SHAP)を使用して、説明可能な人工知能(XAI)が組み込まれている。 説明可能性分析は、特定のテキスト的特徴と数学的特徴が関係予測にどのように影響するかを明らかにし、特徴の重要性とモデル行動に関する洞察を提供する。 この研究は、トランスフォーマーベースの学習、タスク固有のデータセット、および説明可能なモデリングを組み合わせることで、MEREのための効果的かつ解釈可能なフレームワークを提供し、自動問題解決、知識グラフ構築、インテリジェントな教育システムにおける将来の応用をサポートする。

関連論文リスト

• Open Mathematical Tasks as a Didactic Response to Generative Artificial Intelligence in Post-AI Contexts [0.0]
  本研究では,このシナリオに対して,オープンな数学的タスクを実践する中等教育の授業経験を分析した。 分析は、ポストAIにおけるオープンタスク設計、学生の数学的エージェンシー、人間とAIの相補性、モデリングと検証のプラクティスの4つの分析軸を中心に構成されている。
  論文  参考訳（メタデータ） (2026-02-09T22:16:04Z)
• VEHME: A Vision-Language Model For Evaluating Handwritten Mathematics Expressions [11.210768330027674]
  本稿では,手書き数学応答を高精度かつ解釈可能な推論トレースで評価するためのVEHME-a Vision-Language Modelを提案する。 VEHMEは、構造的推論データを用いた微調整と、モデル出力を多次元グレーディング目標と整合させる強化学習という、2段階の訓練パイプラインを統合している。 VEHMEは、オープンソースモデル間の最先端のパフォーマンスを達成し、プロプライエタリなシステムの精度にアプローチする。
  論文  参考訳（メタデータ） (2025-10-26T19:03:27Z)
• Mathematical artificial data for operator learning [1.4579344926652846]
  我々は,物理法則とデータ駆動学習を統合し,大規模演算子発見を容易にする新しいパラダイムであるMathematical Artificial Data(MAD)フレームワークを提案する。 様々な微分方程式のシナリオにおいて,MADの一般化性と優れた効率/精度を示す。
  論文  参考訳（メタデータ） (2025-07-09T11:23:05Z)
• Operator Learning: A Statistical Perspective [17.98959620987217]
  演算子学習は無限次元関数空間間の写像を近似するための科学計算の強力なツールとして登場した。 まず,関数から関数への回帰問題として演算子学習を形式化し,その分野における最近の発展を概観する。 また, 物理・数学的制約をアーキテクチャ設計・学習プロセスに組み込むための戦略についても論じる。
  論文  参考訳（メタデータ） (2025-04-04T14:58:45Z)
• MathFusion: Enhancing Mathematical Problem-solving of LLM through Instruction Fusion [48.443460251524776]
  MathFusionはクロスプロブレム命令合成による数学的推論を強化する新しいフレームワークである。 MathFusionは、高いデータ効率を維持しながら、数学的推論を大幅に改善する。
  論文  参考訳（メタデータ） (2025-03-20T15:00:41Z)
• Bridging Visualization and Optimization: Multimodal Large Language Models on Graph-Structured Combinatorial Optimization [56.17811386955609]
  グラフ構造上の課題は、その非線形で複雑な性質のために本質的に困難である。 本研究では,高次構造的特徴を正確に保存するために,グラフを画像に変換する手法を提案する。 マルチモーダルな大規模言語モデルと単純な検索手法を組み合わせた革新的なパラダイムを生かし、新しい効果的なフレームワークを開発することを目指す。
  論文  参考訳（メタデータ） (2025-01-21T08:28:10Z)
• Explaining Text Similarity in Transformer Models [52.571158418102584]
  説明可能なAIの最近の進歩により、トランスフォーマーの説明の改善を活用することで、制限を緩和できるようになった。 両線形類似性モデルにおける2次説明の計算のために開発された拡張であるBiLRPを用いて、NLPモデルにおいてどの特徴相互作用が類似性を促進するかを調べる。 我々の発見は、異なる意味的類似性タスクやモデルに対するより深い理解に寄与し、新しい説明可能なAIメソッドが、どのようにして深い分析とコーパスレベルの洞察を可能にするかを強調した。
  論文  参考訳（メタデータ） (2024-05-10T17:11:31Z)
• A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
  算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。 これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
  論文  参考訳（メタデータ） (2023-05-24T11:43:47Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Rational Shapley Values [0.0]
  ポストホックな説明可能な人工知能(XAI)の一般的なツールは、文脈に敏感であるか、要約が難しい。 非互換なアプローチを合成し拡張する新しいXAI手法である、エミュレーション型シェープリー値を導入する。 私は、意思決定理論や因果モデリングのツールを活用して、XAIにおける多くの既知の課題を解決する実用的なアプローチを定式化し、実装します。
  論文  参考訳（メタデータ） (2021-06-18T15:45:21Z)

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。