“Check out the "Deepmath" paper linked above.”
按年被提到
20162016 · 3 次2026
DeepMath - Deep Sequence Models for Premise Selection
DeepMath:用于前提选择的深度序列模型
Alex A. Alemi, Francois Chollet, Niklas Een, Geoffrey Irving, Christian Szegedy, Josef Urban · 2016
用深度序列模型为自动定理证明挑选相关前提
被推荐 · 4 人首次 2016-07-04 · 最近 2020-10-19发表于 neural information processing systems
4不同的人
3活跃月份
4讨论串
110被引(OpenAlex)
研究神经序列模型在自动定理证明“前提选择”任务上的效果,前提选择是数学形式化的主要瓶颈之一。提出两阶段方法,在 Mizar 语料上取得良好结果,并避免了人工设计特征;据作者所知,这是深度学习首次大规模用于定理证明。
HN 为什么提它
HN 评论者把它当作深度学习用于定理证明的早期例子推荐,同时有人指出它只做前提选择,并不取代证明器本身。
方法难度 4 / 5约 30 分钟经得起时间
读之前最好知道
1自动定理证明(automated theorem proving)
2前提选择(premise selection)
3卷积网络与循环网络(CNN / LSTM)
4一阶逻辑与形式化数学
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先建立 LSTM 序列生成与序列到序列学习的基础,再看把 LSTM 用于符号序列的 Learning to Execute,为理解 DeepMath 把前提选择当作序列建模任务做准备。
- 1
DeepMath 的序列模型使用 LSTM,这是 LSTM 序列建模的经典参考。
读LSTM 单元结构与逐步预测序列的方式;理解它为何适合处理长序列。
- 2
把输入序列编码为向量再处理的思路,与 DeepMath 对猜想和前提的编码相近。
读编码器 LSTM 把变长序列压成定长向量的做法;跳过翻译实验细节。
- 3
- 4DeepMath - Deep Sequence Models for Premise Selection
目标论文:用深度序列模型为自动定理证明挑选相关前提,无需手工特征。
读两阶段方案、字符级与词级输入、CNN 与 LSTM 编码器,以及在 Mizar 语料上的评测方式。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及推荐danblick · 2016-11
推荐去读 DeepMath 这篇前提选择的论文
引用aab0 · 2016-07
“rather than using any of the existing AI proof-deriving systems like DeepMath - Deep Sequence Models for Premise Selection or [LINK]”
把它当作现有 AI 证明系统的例子,作为替代方案
引用popinman322 · 2020-10
“This is just for premise selection; it doesn't replace the prover machinery”
指出它只做前提选择,并不取代证明器本身
被提交为 story · 1 次
- DeepMath – Deep Sequence Models for Premise Selection ↗gwern · 2016-07-04 · 79 分