Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем
Exploiting Generative AI to Scale up Intelligent Tutoring Systems
2023-01-01
SCID: 54.1/25jm2dne
Discuss with AI
программы-доказатели E и VampireENIGMA и Deepireдоказательство теорем Mizarавтоматическое доказательство теоремобучаемый выбор посылок
Figures from the paper
Abstract (AI)
В качестве подарка Mizar к его 50-летнему юбилею мы разрабатываем систему искусственного интеллекта и автоматического доказательства теорем (AI/TP), которая автоматически доказывает около 60% теорем Mizar в режиме hammer. Кроме того, нам удаётся автоматически доказать 75% теорем Mizar, если автоматическим доказчикам помогают, используя только посылки, задействованные в написанных человеком доказательствах Mizar. Мы описываем методы и крупномасштабные эксперименты, приведшие к этим результатам. В частности, они включают доказчики E и Vampire, их модификации с обучением ENIGMA и Deepire, ряд методов выбора посылок на основе обучения, а также итеративный цикл, в котором расширение корпуса, содержащего миллионы доказательств ATP, чередуется с обучением на нём всё более мощных систем AI/TP. Мы также представляем подборку задач Mizar, доказанных автоматически.
Key Findings
1
Система на основе ИИ и автоматического доказательства теорем автоматически доказывает примерно 60% теорем Mizar в режиме hammer.
2
Итеративный цикл обучения повышает производительность, создавая корпус из миллионов ATP-доказательств и многократно обучая на нём более сильные системы ИИ и автоматического доказательства.
3
Ограничение автоматических доказателей посылками из написанных людьми доказательств Mizar повышает долю автоматически доказанных теорем до 75%.
4
В работе представлены крупномасштабные эксперименты и подборка задач Mizar, доказанных автоматически.
5
Система объединяет доказатели E и Vampire с обучаемыми модификациями ENIGMA и Deepire, а также несколькими методами обучения для выбора посылок.
Research Object
Теоремы библиотеки Mizar (корпус Mizar), на которые нацелено автоматическое доказательство
Research Subject
масштабируемость и эффективность автоматизированного доказательства теорем с помощью ИИ, включая выбор посылок и итеративное обучение на больших корпусах доказательств ATP
Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Cited by
79061
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью20
Swin Transformer: Иерархический визуальный трансформер с использова́нием сдвинутых окон2021
Informer: эффективный трансформер для прогнозирования временных рядов большой длины и дальнейшее развитие этого подхода2021
Появляющиеся свойства самоконтролируемых Vision Transformer2021
Pyramid Vision Transformer: универсальный бэкоун для плотного предсказания без свёрток2021
SwinIR: восстановление изображений с использованием Swin Transformer2021
Restormer: эффективный Transformer для восстановления изображений высокого разрешения2022
Переосмысление семантической сегментации с точки зрения sequence-to-sequence на основе трансформеров2021
UNETR: Трансформеры для 3D сегментации медицинских изображений2022
Обзор количественной оценки неопределенности в глубоком обучении: методы, приложения и проблемы2021
ChatGPT: комплексный обзор предпосылок создания, применений, ключевых проблем, предвзятости, этических аспектов, ограничений и перспектив развития2023
Point Transformer2021
Swin Transformer V2: увеличение ёмкости и разрешения2022
PVT v2: Улучшённые базовые модели с Pyramid Vision Transformer2022
Tokens-to-Token ViT: обучение визуальных трансформеров с нуля на ImageNet2021
Uformer: Общая U-образная трансформерная архитектура для восстановления изображений2022
TPH-YOLOv5: Улучшенный YOLOv5 с трансформерной головой предсказания для обнаружения объектов на снимках с дронов2021
Предобученный трансформер для обработки изображений2021
Video Swin Transformer2022
CrossViT: мультишкальный визуальный трансформер с перекрёстным вниманием для классификации изображений2021
WavLM: крупномасштабное самосупервизорное предварительное обучение для комплексной обработки речи2022