“these approaches do work, see for instance Deep Network Guided Proof Search. Nothing spectacular, but it's an improvement.”
Deep Network Guided Proof Search
用深度网络为定理证明器 E 的子句选择提供引导
在一阶定理证明器 E 的证明搜索中引入基于深度学习的引导:在已有 ATP 对 Mizar 命题的证明轨迹上训练并比较多种深度神经网络模型,用它们来选择要处理的子句。实验表明混合的两阶段方法能显著减少平均证明搜索步数并多证明一些定理;对此前没有 ATP 证明的 Mizar 库一阶逻辑翻译定理,找到了其中 7.36% 的证明,使语料中有 ATP 证明的语句占比从 56% 升到 59%。
评论者引用它说明神经网络引导证明搜索确实有效,但只是适度的改进(约 3 个百分点)。
学习路径
读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先看用神经网络处理文本的基础模型,再读用神经网络做前提选择和高阶定理证明的前作,最后读本文为定理证明器 E 的子句选择提供引导。
- 1
统一的神经网络处理序列,是后来用 CNN 处理符号序列的基础。
读窗口式网络与词嵌入加卷积的结构;跳过各 NLP 任务的具体结果。
- 2
用简单 CNN 处理词序列做分类,本文的 CNN 模型沿用了这种处理序列的做法。
读一维卷积加最大池化的结构,以及它如何用于序列的分类。
- 3
直接的前作:用深度序列模型为自动定理证明挑选前提。
读前提选择的问题设定、CNN 与 LSTM 等模型如何处理公式序列。
- 4
同期把神经网络用于高阶逻辑证明,可与本文用神经网络引导搜索的做法对照。
读神经网络如何在证明搜索中给出选择的排序或评分。
- 5Deep Network Guided Proof Search
目标论文:用深度网络为定理证明器 E 的子句选择提供引导。
读网络输入输出的设计、子句选择如何融入证明搜索,以及与原有启发式的比较。
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“[3]: Deep Network Guided Proof Search (More guided search)”
“that produced a seemingly modest improvement (3 percentage points)”
- Deep Network Guided Proof Search ↗aaronyy · 2017-01-31 · 3 分