Solving Is Not Drawing: A Benchmark for Diagrammatic Reasoning in Olympiad Geometry
该研究针对基础模型图解推理能力评估缺口,构建含954道奥林匹克几何题的基准,发现模型求解与绘图能力存在显著差距,绘图平均编译成功率仅36.14%。
2026-08-20 cs.AI
Representing and Solving Asymmetric Bayesian Decision Problems
Aalborg University(奥尔堡大学)
本文讨论了非对称贝叶斯决策问题的表示和求解。我们提出了一个正式的框架,称为非对称影响图,这是基于影响图,并允许非对称决策问题的有效表示。与现有的框架相反,非对称影响图主要在定性层面对非对称性进行编码,因此可以直接从模型中读取。给出了一个求解非对称影响图的算法。该算法首先将非对称决策问题分解成一个结构的对称子问题组织成一棵树。然后,可以通过使用现有的评估方法从叶子向根传播来解决子问题,从而找到决策问题的解决方案。
2013-01-16 cs.AI
Solving the Brachistochrone Problem by an Influence Diagram
Institute of Information Theory and Automation, Czech Academy of Sciences(捷克科学院信息理论与自动化研究所)
影响图是概率图模型的决策理论扩展。在本文中,我们将展示如何使用它们来解决Brachistochrone问题。我们给出了这个问题的数值实验结果,比较了由影响图提供的解与最优解。用于实验的R代码见附录。
2017-02-04 cs.AI math.OC
Fuse, Reason and Verify: Geometry Problem Solving with Parsed Clauses from Diagram
针对几何问题求解的多模态理解与推理需求,提出含模态融合、自受限推理、多级验证的神经符号模型PGPSNet-v2,构建PGPS9K数据集,实验显示其性能优于现有求解器且各组件有效。
2024-07-10 cs.AI
Exploiting Model Equivalences for Solving Interactive Dynamic Influence Diagrams
Aalborg University(奥尔堡大学);University of Georgia(佐治亚大学)
我们专注于在部分可观察的环境中与其他代理的不确定类型具有类似或冲突的目标共享的顺序决策的问题。这个问题以前已经正式由多个框架,其中之一是交互式动态影响图(I-DID),它概括了众所周知的影响图的多智能体设置。I-DID是图形模型,可用于计算代理的策略,给定其对物理状态和其他模型的信念,其随着代理在多代理设置中的行为和观察而变化。正如我们所料,解决I-DID在计算上是困难的。这主要是由于归因于其他代理的候选模型的大空间及其随时间的指数增长。我们提出了两种方法来减少模型空间的大小,并阻止其指数增长。这两种方法都涉及将单个模型聚合到等价类中。我们的第一种方法将行为等价的模型分组在一起,只选择那些在更新后的模型空间中会产生与其他模型不同的预测行为的模型进行更新。第二种方法通过关注行为预测的部分来进一步压缩模型空间。具体来说,我们集群动作等效模型,规定在一个单一的时间步相同的行动。准确地识别等价性需要我们求解初始集合中的所有模型。我们通过选择性地求解某些模型来避免这种情况,从而引入近似值。我们讨论了近似引入的误差,并实证证明了由于等价性而提高了求解I-DID的效率。
2014-01-18 cs.AI
AlphaBeta is not as good as you think: a simple class of synthetic games for a better analysis of deterministic game-solving algorithms
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);LORIA(洛林计算机及其应用实验室)
本文提出了一种合成游戏模型,用于更深入分析确定性游戏求解算法,揭示AlphaBeta在深树中的性能劣势。
2026-02-05 cs.AI
A Task-Centric Ontology and Deterministic Domain Rules as a Verifiable Core for AI-Assisted Chemistry Problem Solving
本文提出ChemOntoRule,以任务为中心构建本体与确定性规则,在300道中学化学题上取得98.67%的匹配准确率,为AI辅助化学问题求解提供可验证的符号核心。
2026-08-28 cs.AI
Solving Limited Memory Influence Diagrams
我们提出了一个新的算法,精确求解决策问题的影响图。我们不需要通常的无遗忘和规律性的假设;这使我们能够在同时决策和有限信息的情况下解决问题。经验表明,该算法优于一个国家的最先进的算法上随机生成的问题多达150个变量和$10^{64}$的解决方案。我们发现,即使问题的基本图形结构具有小的树宽和变量采取有限数量的状态,但一个完全多项式时间的近似方案存在这些情况下,问题是NP-难的。此外,我们还证明了态数的界是任何有效近似方案的必要条件。
2011-09-09 cs.AI cs.CC stat.ML
A Symbolic Character-Aware Model for Solving Geometry Problems
Xi’an Jiaotong-Liverpool University(西交利物浦大学);Duke Kunshan University(昆山杜克大学);University of Liverpool(利物浦大学)
本文提出符号字符感知模型,通过融合文本中符号字符与图形几何信息并引入多标签预训练和自监督学习,在GeoQA和Geometry3K上显著提升几何问题求解准确率并减少求解步骤。
2023-08-05 cs.AI cs.CV
Two Procedures for Compiling Influence Diagrams
George Mason University(乔治梅森大学)
两个算法提出了“编译”成一组简单的决策规则的影响图。这些决策规则定义了易于执行、完整、一致和接近最优的决策过程。这些编译算法可用于人类团队解决时间约束决策问题的决策过程。
2013-03-06 cs.AI
Compiling Stochastic Constraint Programs to And-Or Decision Diagrams
Polytechnique Montréal(蒙特利尔理工学院);Mila(Mila(魁北克人工智能研究所))
因子随机约束规划(FSCP)是描述不确定性多阶段决策问题的一种形式化方法。FSCP模型支持因子化概率模型,并涉及对决策和随机变量的约束。这些模型在实际问题中有许多应用。然而,解决这些问题需要为随机变量的每个可能结果评估最佳行动方案,因此在计算上具有挑战性。FSCP问题通常涉及重复的子问题,理想情况下应该解决一次。在本文中,我们将展示如何识别和利用这些相同的子问题可以简化解决它们,并导致一个紧凑的解决方案表示。我们编译一个与或搜索树到一个紧凑的决策图。初步实验表明,我们提出的方法显着提高了搜索效率,通过减少问题的大小,并优于现有的方法。
2019-09-23 cs.AI
Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP
School of Transportation, Southeast University(东南大学交通学院)
本文提出Para-B&B,通过AI驱动的负载平衡机制和数据并行架构,实现HiGHS求解器的确定性并行化,实验显示在80个MIPLIB 2017实例上取得2.17的几何平均加速率。
2026-02-10 cs.AI cs.DC
Hologram Reasoning for Solving Algebra Problems with Geometry Diagrams
Central China Normal University(华中师范大学)
本文提出全息图推理方案HGR,通过将带几何图形的代数问题转换为全息图并利用图模型池和深度强化学习求解,提高了求解精度和可解释性。
2024-08-20 cs.AI cs.CG cs.LO
Order-of-Magnitude Influence Diagrams
IBM Research – Dublin(IBM研究院都柏林分部);Cork Constraint Computation Centre(科克约束计算中心);University College Cork(科克大学学院)
在本文中,我们开发了一个定性理论的影响图,可用于建模和解决顺序决策任务时,只有定性(或不精确)的信息。我们的方法是基于概率和效用的数量级近似的顺序,并允许通过设置效用值指定部分排序的偏好。我们还提出了一个专用的变量消除算法,可以应用于解决数量级的影响图。
2012-02-14 cs.AI
Do Multi-Agents Solve Better Than Single? Evaluating Agentic Frameworks for Diagram-Grounded Geometry Problem Solving and Reasoning
BRAC University(布拉克大学);United International University(国际联合大学);Center for Computational & Data Sciences(计算与数据科学中心);Independent University, Bangladesh(孟加拉国独立大学);Spectrum Software & Consulting Ltd(Spectrum软件与咨询有限公司)
本文评估了多智能体框架在图示引导几何问题解决中的表现,发现其对开源模型有明显提升,但对闭源模型效果有限,且并非普遍最优。
2025-12-18 cs.AI cs.CG
GeoDial: A Multimodal Conversational Tutoring Dataset for Geometry Problem-Solving with Visual Tutor Turns
ETH Zurich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心);Bocconi University(博科尼大学)
提出GeoDial数据集,包含1300+几何师生对话,通过可扩展标注协议整合对话行为、视觉高亮和反馈,微调视觉语言模型发现其难以生成准确图解高亮。
2026-06-12 cs.AI cs.CY
Heuristics, Answer Set Programming and Markov Decision Process for Solving a Set of Spatial Puzzles
Centro Universitário FEI(FEI大学中心);University of Corunna(科鲁尼亚大学)
由刚性物体、柔性弦和孔洞组成的空间谜题为人们对日常生活中常见的空间实体进行推理提供了有趣的领域。这项工作的目标是调查这类问题的自动化解决方案,采用一种算法,结合答案集编程(ASP)与马尔可夫决策过程(MDP),算法oASP(MDP),使用启发式算法加速学习过程。ASP被用来表示域作为一个MDP,而强化学习算法(Q学习)被用来找到最优策略。在这项工作中,数学是从放松版本的难题的解决方案。实验进行了确定性,非确定性和非平稳版本的难题。结果表明,所提出的方法可以加速学习过程中,呈现出优势相比,非启发式版本的oASP(MDP)和Q-Learning。
2019-02-16 cs.AI cs.LG
Fast Online Exact Solutions for Deterministic MDPs with Sparse Rewards
Iowa State University(爱荷华州立大学)
马尔可夫决策过程(Markov Decision Process,MDP)是一种用于在不确定性下建模序列决策的数学框架。求解MDP的经典方法是众所周知的,并且已经被广泛研究,其中一些依赖于近似技术来求解具有大状态空间和/或动作空间的MDP。然而,大多数这些经典的解决方案和他们的近似技术仍然需要大量的计算时间来收敛,通常必须重新计算,如果改变奖励函数。本文介绍了一种新的替代方法,准确,有效地解决确定性,连续的MDP稀疏奖励源。当环境使得状态之间的“距离”可以在恒定时间内确定时,例如网格世界,我们的算法提供了$O( |R|^2 \times |A|^2 \times |S|)$,其中$|R|$是奖励源的数量,$|A|$是动作的数量,$|S|$是状态的数量。该算法的内存复杂度为$O( |S| + |R| \times |A|)$。这种新方法为提高某些类别的MDP的计算性能开辟了新的途径,对于机器人和无人系统等MDP应用具有巨大价值。本文介绍了该算法,并给出了数值实验结果,以证明其强大的计算性能。我们还提供了严格的数学描述的方法。
2018-05-17 cs.AI cs.LG stat.ML