利用Transformer预测符号积分例程的适用性
机器学习
2024-11-01 v1 符号计算
摘要
符号积分是数学中的一个基本问题：我们考虑如何利用机器学习在计算机代数系统（CAS）中优化此任务。我们训练了Transformer来预测特定的积分方法是否会成功，并将其与在主流 CAS 中执行此任务的现有人工启发式规则（称为守卫）进行比较。我们发现 Transformer 可以超越这些守卫，准确率提升高达 30%，精确率提升高达 70%。我们进一步表明，Transformer 的推理时间无关紧要，这证明它非常适合作为守卫包含在 CAS 中。此外，我们使用层级积分梯度来解释 Transformer 正在做出的决策。如果由领域专家引导，该技术可以根据输入标记解释部分预测，从而带来进一步的优化。
引用
@article{arxiv.2410.23948,
title = {Transformers to Predict the Applicability of Symbolic Integration Routines},
author = {Rashid Barket and Uzma Shafiq and Matthew England and Juergen Gerhard},
journal= {arXiv preprint arXiv:2410.23948},
year = {2024}
}
备注
10 pages, 5 figures, to be published in NeurIPS 2024 MATH-AI Workshop