基于神经网络与特征分布式表示的前提选择
人工智能
2018-07-27 v1 机器学习
计算机科学中的逻辑
摘要
我们提出为给定命题的证明选择相关前提的问题。当表述为（猜想，公理）对的二分类任务时，可使用人工神经网络高效求解。我们解决此问题的方法与以往方法的关键区别在于仅使用前提的函数签名。为进一步提升模型性能，我们采用降维技术，以紧凑稠密的嵌入向量替代长而稀疏的签名向量。具体为：首先定义每个函子符号的上下文概念，然后训练简单神经网络预测该函子上下文中其他函子符号的分布。网络训练完成后，取其隐藏层输出，构建带有特征分布式表示的函子签名（每个前提）的低维嵌入。这使我们能对猜想-公理对使用 512 维嵌入，其包含关于原始命题的足够信息，仅用简单的两层全连接神经网络即在前提选择任务中达到 76.45% 的准确率。
引用
@article{arxiv.1807.10268,
title = {Premise selection with neural networks and distributed representation of features},
author = {Andrzej Stanisław Kucik and Konstantin Korovin},
journal= {arXiv preprint arXiv:1807.10268},
year = {2018}
}