Tool-Augmented Hybrid Ensemble Reasoning with Distillation for Bilingual Mathematical Problem Solving
Boston University(波士顿大学);University of Pennsylvania(宾夕法尼亚大学);Northwestern University(西北大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
HERALD通过结合自适应学习、工具强化学习和知识蒸馏,提升双语数学问题求解的准确性和稳定性。
2025-12-22 cs.AI
Mathematical Proof as a Litmus Test: Revealing Failure Modes of Advanced Large Reasoning Models
Hong Kong University of Science and Technology(香港科技大学)
本文通过引入RFMDataset揭示大推理模型在数学证明中的失败模式,发现其在严谨性和正确性上的不足,需进一步提升逻辑训练。
2025-12-09 cs.AI
Enhancing Mathematical Reasoning in Large Language Models with Self-Consistency-Based Hallucination Detection
The Hong Kong University of Science and Technology(香港理工大学);Fudan University(复旦大学)
提出结构化自一致性框架,在中间步骤和最终输出上强制一致性,以减少大型语言模型在定理证明、符号变换和数值计算中的幻觉,显著提升推理准确性与稳定性。
2025-06-19 cs.AI
Large Language Models and Mathematical Reasoning Failures
KTH Royal Institute of Technology(瑞典皇家理工学院)
本研究通过50道高中数学应用题评估8个前沿大语言模型的推理能力,发现模型存在空间推理、策略规划等多类错误,强调需关注推理过程而非仅答案,指出其泛化能力仍有差距。
2025-02-21 cs.AI
Preserving Mathematical Reasoning in Compressed Diffusion Language Models via Trajectory-Aware Low-Rank Approximation
Duke University(杜克大学)
本研究提出轨迹感知低秩近似方法Traj-MC,通过蒙特卡洛采样估计轨迹二阶矩,在压缩扩散语言模型时显著保留数学推理能力,优于传统干净校准方法。
2026-10-05 cs.AI
A Survey on Mathematical Reasoning and Optimization with Large Language Models
Helmholtz Centre for Environmental Research - UFZ(亥姆霍兹环境研究中心)
本综述梳理了大语言模型在数学推理与优化领域的发展脉络、技术方法、应用场景及现存挑战,总结了相关增强技术和新兴趋势,并指出未来可解释性、求解器集成等研究方向。
2025-03-22 cs.AI
Mathematical reasoning and the computer
Imperial College London(伦敦帝国学院)
本文探讨计算机是否会助力人类数学推理或自行推理,概述了神经网络、计算机定理证明器与大型语言模型的最新发展,反思计算机对数学推理方式的影响。
2025-02-11 cs.AI
Coarse-to-Fine Process Reward Modeling for Mathematical Reasoning
Renmin University of China(中国人民大学);Gaoling School of Artificial Intelligence(甘肃学校人工智能学院);University of Toronto(多伦多大学)
针对大语言模型数学推理步骤中的冗余问题,本文提出由粗到细的过程奖励建模方法CFPRM,通过多粒度窗口合并与细化推理步骤,在保留细粒度知识的同时缓解冗余,并在多个数据集和损失准则上验证了其有效性。
2025-08-22 cs.AI
SteinerSQL: Graph-Guided Mathematical Reasoning for Text-to-SQL Generation
Vanderbilt University(范德比大学);Zhengzhou University(郑州大学)
SteinerSQL通过将数学推理与模式导航统一为图优化问题,分三阶段处理复杂文本到SQL,在LogicCat和Spider2.0-Lite上达到新最优准确率。
2025-09-23 cs.AI
ORIGAMISPACE: Benchmarking Multimodal LLMs in Multi-Step Spatial Reasoning with Mathematical Constraints
Fudan University(复旦大学);SII;INF Technology(INF技术)
ORIGAMISPACE通过折纸任务评估多模态大语言模型在多步空间推理和数学约束处理中的能力,提出四个评估任务并探索强化学习训练方法。
2025-11-23 cs.AI
Nemotron-Math: Efficient Long-Context Distillation of Mathematical Reasoning from Multi-Mode Supervision
Nemotron-Math通过多模式监督和长上下文训练,实现了高效数学推理蒸馏,显著提升数学竞赛任务的性能。
2025-12-17 cs.AI
KG-Augmented Executable CoT for Mathematical Coding
提出KGA-ECoT框架,结合知识图谱与可执行代码,通过结构化任务图和GraphRAG提升数学推理与代码生成的准确性,在多个基准上显著优于现有方法。
2025-08-06 cs.AI
The Quality-Utility Paradox: Why High-Reward Data Impairs Small Model Mathematical Reasoning
University of Science and Technology of China(中国科学技术大学)
发现数学推理蒸馏中的质量-效用悖论:Oracle精炼的高奖励数据因分布漂移增加适应成本,反而不如SLM自生成数据;提出风格对齐精炼方法恢复效用。
2026-06-16 cs.AI
Plan before Solving: Problem-Aware Strategy Routing for Mathematical Reasoning with LLMs
School of Computer Science and Technology, Xi’an Jiaotong University(西安交通大学计算机科学与技术学院);MOE KLINNS Lab, Xi’an Jiaotong University(西安交通大学MOE KLINNS实验室);Shaanxi Province Key Laboratory of Big Data Knowledge Engineering(陕西省大数据知识工程重点实验室);Sydney AI Centre, The University of Sydney(悉尼大学悉尼人工智能中心)
本文提出 PRISM 框架,通过 MathStrat 偏好数据训练轻量策略适配器,并依据置信度自适应路由单策略、双策略或多策略推理,在五个基准上稳定提升 LLM 数学推理效果与效率。
2025-09-29 cs.AI
Multi-tool Integration Application for Math Reasoning Using Large Language Model
China Telecom Shanghai Company(中国电信上海公司);Stanford University(斯坦福大学)
本文提出一种结合大语言模型的多工具数学推理框架,通过集成Math Tool、Code Tool、CoT Tool和self consistency工具实现协同推理,在NumGLUE Task 4上准确率达89.09%,显著优于现有基线。
2024-08-22 cs.AI
Mathematical Reasoning for Unmanned Aerial Vehicles: A RAG-Based Approach for Complex Arithmetic Reasoning
Department of Computer Science(计算机科学系);Institute For Artificial Intelligence(人工智能研究所);Hamm-Lippstadt University of Applied Sciences(哈姆-利普施塔特应用科学大学);University of Stuttgart(斯图加特大学)
本文提出RAG-UAV框架,通过引入领域文献提升LLM在无人机任务中的数学推理能力,实验表明检索显著提高准确率并减少错误选择。
2025-06-30 cs.AI
Probabilistic Results on the Architecture of Mathematical Reasoning Aligned by Cognitive Alternation
Peking University(北京大学)
该研究设想可求解数学问题的机器,将定量推理系统拆分为思维与认知过程两部分,并给出该架构的概率性描述。
2023-08-17 cs.AI math.PR
Vibe Reasoning: Eliciting Frontier AI Mathematical Capabilities -- A Case Study on IMO 2025 Problem 6
Tsinghua University(清华大学);Microsoft Research(微软研究院)
Vibe Reasoning通过结合AI与人类协作,利用元提示和代理编排解决复杂数学问题,展示了前沿AI在组合优化中的应用与改进。
2025-12-22 cs.AI
Boosting Accuracy and Efficiency of Budget Forcing in LLMs via Reinforcement Learning for Mathematical Reasoning
University of Groningen(格罗宁根大学)
针对预算强制在小型模型上因冗长响应导致的性能下降,提出集成强化学习的框架,仅用1.5K样本提升1.5B模型数学推理准确率并减少超40%令牌使用。
2025-10-24 cs.AI
MIRA-Math: A Benchmark for Minimal Information Requesting and Mathematical Reasoning
Lebanese American University(黎巴嫩美国大学)
介绍MIRA-Math基准测试,用于解决特定数学问题,求解器需按预算请求缺失信息并整合到答案,包含多类实例,实验表明请求成功率和答案准确率可分离,还发布相关工具支持可重复评估。
2026-07-09 cs.AI
MSCR: Exploring the Vulnerability of LLMs' Mathematical Reasoning Abilities Using Multi-Source Candidate Replacement
Xi’an Jiaotong University(西安交通大学);SGIT AI Lab(SGIT人工智能实验室)
针对LLMs数学推理在轻微输入扰动下鲁棒性缺乏系统研究的问题,提出基于多源候选替换的自动化对抗攻击方法MSCR,结合三种信息源生成并替换语义相似候选词,实验表明其能显著降低模型准确率,凸显LLMs鲁棒性缺陷与效率瓶颈。
2025-11-11 cs.AI
SHAPE of Thinking: Mathematical Heuristics for Analyzing and Improving LLM Reasoning
本研究提出用于分析LLM思维链轨迹的\texttt{SHAPE}框架,发现数学启发式比传统CoT特征更能解释答案正确性,基于此的后训练可提升LLM数学推理准确率。
2026-10-15 cs.AI
SignalReasoner: Assessing the Upper Bound of 3B Models for Signal Mathematical Reasoning
本研究针对信号数学推理任务,以Qwen2.5-3B-Base为对象,对比两种训练范式与三种强化优化算法,其最佳模型准确率较基准提升超两倍。
2026-08-19 cs.AI
Reasoning, Metareasoning, and Mathematical Truth: Studies of Theorem Proving under Limited Resources
Microsoft Research(微软研究院);Center for the Study of Language and Information(语言与信息研究中心);Stanford University(斯坦福大学)
在早期的工作中,我们引入了灵活推理和决策理论元推理来解决规范推理的棘手问题。在这里,而不是追求的任务,计算信念和行动的决策模型组成的区别不确定的事件,我们研究的方法推断信念的数学真理之前,自动定理证明完成证明。我们采用贝叶斯分析来更新对真理的信念,给出了定理证明的进展,并展示了如何使用决策理论方法来确定在时间紧迫的情况下继续审议与立即采取行动的价值。
2013-02-20 cs.AI
Qwen2.5-32B: Leveraging Self-Consistent Tool-Integrated Reasoning for Bengali Mathematical Olympiad Problem Solving
Bangladesh University of Engineering and Technology(孟加拉工程技术大学)
针对孟加拉语数学奥林匹克问题,提出基于Qwen2.5系列模型,结合提示工程、量化、工具集成推理及超参数调优的方法,在DL竞赛中验证了其有效性。
2024-11-08 cs.AI
GRPO and Reflection Reward for Mathematical Reasoning in Large Language Models
本文提出GRPO与反思奖励机制相结合的四阶段框架,提升大语言模型的自我反思能力,通过实验验证其在数学推理中的优越性。
2026-03-14 cs.AI
VCSearch: Bridging the Gap Between Well-Defined and Ill-Defined Problems in Mathematical Reasoning
National Key Laboratory for Novel Software Technology, Nanjing University(南京大学新型软件技术国家重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院);School of Intelligence Science and Technology, Nanjing University(南京大学智能科学与技术学院)
针对现实中条件缺失或矛盾的不良定义数学问题,本文构建 PMC 基准并提出无需训练的 VCSEARCH 框架,通过变量—约束对搜索增强形式语言建模,使各 LLM 识别不可解问题的准确率至少提升12%。
2025-09-28 cs.AI
Why Pure Reasoning is Not Enough: Nature as the Source of Mathematical Innovation
IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
研究认为人类数学推理受逻辑片段不可判定性和计算难题限制,依赖自然世界的模式匹配。通过追溯傅里叶变换等数学史及逻辑复杂性,表明物理启发的模式匹配是认知必要,为人工智能中语言模型规模大提供依据。
2026-07-07 cs.AI
MathChat: Benchmarking Mathematical Reasoning and Instruction Following in Multi-Turn Interactions
University of Notre Dame(圣母大学);Tencent AI Lab(腾讯AI实验室)
本文提出MathChat基准,评估LLMs在多轮交互和开放式数学任务中的表现,并构建MathChat sync数据集以提升模型交互与指令遵循能力。
2024-05-29 cs.AI
MathFimer: Enhancing Mathematical Reasoning by Expanding Reasoning Steps through Fill-in-the-Middle Task
Zhejiang University(浙江大学);Meituan Group(美团集团);Peking University(北京大学);Hong Kong University of Science and Technology(香港科技大学)
MathFimer通过填空中间任务扩展推理步骤,提升大语言模型的数学推理能力,无需依赖强大外部模型或昂贵计算资源。
2026-02-25 cs.AI cs.CL
HintMR: Eliciting Stronger Mathematical Reasoning in Small Language Models
University at Albany(阿尔巴尼大学);University at Buffalo(布法罗大学);Stony Brook University(石溪大学)
本文提出HintMR框架,通过提示辅助引导小型语言模型进行多步数学问题解决,通过协作的双模型系统提升推理准确性,实验表明在多种数学基准上显著提升性能。
2026-04-14 cs.AI cs.CL
Notes on a Path to AI Assistance in Mathematical Reasoning
Rutgers University(罗格斯大学)
本文基于作者在 2023 年研讨会上的演讲,探讨如何发展出能够真正辅助研究型数学家进行数学推理的 AI 路径。
2023-10-04 cs.AI math.HO
I-RAVEN-X: Benchmarking Generalization and Robustness of Analogical and Mathematical Reasoning in Large Language and Reasoning Models
IBM Research – Zurich(IBM瑞士研究中心);ETH Zurich(苏黎世联邦理工学院)
本文提出符号基准I-RAVEN-X,通过增加操作数复杂度、属性范围和感知不确定性,评估大语言模型与大推理模型在类比与数学推理上的泛化与鲁棒性,发现LRMs表现更优但仍难以应对不确定性推理。
2025-10-31 cs.AI cs.LG
Math Takes Two: A test for emergent mathematical reasoning in communication
Cooper Cognitive(Cooper认知)
本文提出Math Takes Two基准测试,通过两个无先验数学知识的智能体交流,评估模型在视觉任务中通过发现潜在结构来发展抽象概念的能力。
2026-03-30 cs.AI cs.LG
Can A Gamer Train A Mathematical Reasoning Model?
Keio University(庆应大学)
本文结合强化学习与显存优化,在单张16GB RTX 3080 Ti上训练1.5B数学推理模型,使其性能媲美数倍大模型,降低高性能AI研究门槛。
2025-06-10 cs.AI cs.CL cs.LG
No Train Still Gain. Unleash Mathematical Reasoning of Large Language Models with Monte Carlo Tree Search Guided by Energy Function
本文提出结合蒙特卡洛树搜索和轻量级能量函数的方法,将微调LLM重构为Residual-EBM并利用MCTS评估推理路径,无需额外训练即在GSM8k和AQUA-RAT上显著提升pass@1。
2023-09-12 cs.AI cs.LG
ReDiPPO: Reference-Guided Value Calibration and Discrepancy-Aware Token Reweighting for Mathematical Reasoning
针对数学推理中PPO的标记级信用分配难题,ReDiPPO引入参考引导评判器并通过值估计差异重加权标记优势,提升值估计精度且优于PPO、DAPO等基线。
2026-07-31 cs.AI cs.CL
Towards Tractable Mathematical Reasoning: Challenges, Strategies, and Opportunities for Solving Math Word Problems
Embibe
数学推理将是人工智能取得重大进展的下一个前沿领域之一。解决数学应用题(MWPs)并因此获得更好的数学推理能力的持续激增将继续成为未来研究的关键。我们检查非神经和神经的方法来解决以自然语言叙述的数学应用题。我们还强调了这些方法的能力是可推广的,数学上合理的,可解释的和可解释的。神经方法主导了当前的最新技术水平,我们调查了它们,强调了MWP求解的三种策略:(1)直接答案生成,(2)用于推断答案的表达式树生成,以及(3)用于答案计算的模板检索。此外,我们还讨论了技术方法,回顾了直观的设计选择的演变,以解决MWPs,并检查他们的数学推理能力。我们最终确定了几个差距,保证需要外部知识和知识注入学习,在解决MWPs的其他几个机会。
2021-10-29 cs.AI cs.CL
System-2 Mathematical Reasoning via Enriched Instruction Tuning
Tencent(腾讯);University of Technology Sydney(悉尼科技大学)
针对LLMs多步数学推理数据稀缺问题,提出EIT方法,通过ERP和ERS结合人类与AI反馈生成细粒度推理轨迹微调模型,无需符号验证即在GSM8K和MATH上超越现有方法。
2024-12-24 cs.AI cs.CL
Improving Mathematical Reasoning Capabilities of Small Language Models via Feedback-Driven Distillation
针对小型语言模型数学推理能力不足的问题,提出反馈驱动的蒸馏框架,通过按难度分类生成变体问题并进行多轮迭代蒸馏,使SLMs达到SOTA数学推理性能。
2024-11-22 cs.AI cs.CL
Weaker LLMs' Opinions Also Matter: Mixture of Opinions Enhances LLM's Mathematical Reasoning
LG Electronics(LG电子)
提出意见混合(MoO)后训练方法,利用较弱辅助LLM的思维链推理增强较强LLM的数学推理能力,相比SFT等方法平均提升5%,验证了多样化视角的价值。
2025-03-05 cs.AI cs.CL
Lila: A Unified Benchmark for Mathematical Reasoning
Arizona State Univeristy(亚利桑那州立大学);The Allen Institute for AI(艾伦人工智能研究所);UCLA(加州大学洛杉矶分校);Harvard University(哈佛大学);Georgia Institute of Technology(佐治亚理工学院)
数学推理技能对于通用智能系统执行从杂货店购物到气候建模的任务至关重要。为了评估和改进这一领域的人工智能系统,我们提出了LILA,一个统一的数学推理基准,由23个不同的任务组成,分为四个维度:(i)数学能力,例如,算术、微积分(ii)语言格式,例如,(iii)语言多样性,例如,没有语言,简单的语言(iv)外部知识,例如,常识物理学我们通过以Python程序的形式收集任务指令和解决方案来扩展20个数据集基准来构建我们的基准,从而获得除了正确答案之外的可解释的解决方案。我们还引入了两个评估数据集来测量分布外性能和对语言扰动的鲁棒性。最后,我们介绍了BHASKARA,一个通用的数学推理模型LILA训练。重要的是,我们发现,多任务导致显着的改善(与单任务模型相比,平均相对改善21.83%F1分数),而表现最好的模型仅获得60.40%,这表明在一般数学推理和理解方面还有改进的空间。
2023-03-08 cs.AI cs.CL
From Next-Token to Mathematics: The Learning Dynamics of Mathematical Reasoning in Language Models
Department of Computer Science 1 and Psychology 2(计算机科学系和心理学系);Stanford University(斯坦福大学)
本研究分析了语言模型在预训练和后训练过程中数学推理能力的发展,揭示了数学技能学习顺序与课程设计的相关性,并探讨了指令微调对不同数学技能的影响。
2025-10-14 cs.AI cs.CL
Mathematical Reasoning in Large Language Models: Benchmarks, Architectures, Evaluation, and Open Challenges
organization= School of Electrical Engineering;Computer Science, National University of Science;organization= School of Computing, Data;Mathematical Sciences, Western Sydney University, Indonesia;organization= Department of Communication, Quality Management;Information Systems, Mid Sweden University, Östersund Campus, Sweden
本文综述了大型语言模型在数学推理方面的最新进展,通过分析数据集、架构、训练策略和评估协议,探讨了数学推理的基准测试、架构设计、评估方法以及未来的研究挑战。
2026-07-09 cs.AI cs.CL
Can reasoning models comprehend mathematical problems in Chinese ancient texts? An empirical study based on data from Suanjing Shishu
Nanjing Agricultural University(南京农业大学)
本研究构建基于《算经十书》的古文数学基准Guji_MATH,通过闭卷、开卷两种模式评测6款推理模型的古算题解题能力,发现模型表现弱于现代数学任务,为古籍知识挖掘与推理模型跨文化能力评估提供新方向。
2025-06-13 cs.AI cs.CL
Mathematical Reasoning via Self-supervised Skip-tree Training
Google Research(谷歌研究院)
我们研究了应用于数学公式的自监督语言建模是否能够实现逻辑推理。我们提出了几个逻辑推理任务,可用于评估在正式数学语句上训练的语言模型,例如类型推断,提出缺失的假设和完成等式。为了训练形式数学的语言模型,我们提出了一种新的跳跃树任务。我们发现,在跳过树任务上训练的模型显示出惊人的强大数学推理能力,并且优于在标准跳过序列任务上训练的模型。我们还通过测量预测在其他证明中可证明和有用的频率来分析模型制定新模型的能力。
2020-08-12 cs.AI cs.LG cs.PL
CoMAT: Chain of Mathematically Annotated Thought Improves Mathematical Reasoning
School of Informatics, The University of Edinburgh(信息学院,爱丁堡大学);Imperial College London(伦敦帝国学院)
CoMAT通过符号转换和推理执行两个阶段提升数学推理能力,在多个基准测试中超越传统CoT方法。
2026-01-15 cs.AI cs.CL cs.LG
Look Before You Leap: Problem Elaboration Prompting Improves Mathematical Reasoning in Large Language Models
MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University(教育部人工智能重点实验室、上海交通大学人工智能学院)
本文提出问题细化提示(PEP)方法,通过在推理前分解和阐释问题上下文来增强LLM的数学能力,实验证明该方法在多种任务中表现优异且易于集成。
2024-03-27 cs.AI cs.CL
The Role of General Intelligence in Mathematical Reasoning
对象是数学领域的核心,也是我们与之互动和推理的核心,就像它们是物理领域的核心一样(如果不是更多的话)。人类的数学推理最终必须建立在我们的一般智力基础上。然而在当代认知科学和人工智能中,物理和数学领域通常是分开探索的,这就允许对系统的对象进行假设,而忽略了潜在的联系。在本文中,我把这个问题放在哲学和认知的背景下。然后,我描述了一个抽象的理论框架,学习对象表示,使空间的数学对象与非数学的。最后,我描述了一个案例研究,建立在这一观点,以显示我们的一般能力,整合不同方面的对象影响我们的概念的自然数。
2021-04-27 cs.AI cs.LG math.HO
Paraphrase and Solve: Exploring and Exploiting the Impact of Surface Form on Mathematical Reasoning in Large Language Models
University of Illinois Chicago(伊利诺伊大学芝加哥分校);MIT-IBM Watson AI Lab(麻省理工-IBM 沃森人工智能实验室);IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
该研究发现大语言模型数学推理受问题表层形式影响显著,提出基于释义的自一致性方法SCoP拓展推理路径,在多模型多基准上提升了推理性能,还补充分析了难度与表层形式的相关特性。
2024-04-17 cs.AI cs.CL
Enhancing Neural Mathematical Reasoning by Abductive Combination with Symbolic Library
Nanjing University(南京大学);Polixir Technologies(智谱科技)
近年来,数学推理已被证明是对神经系统的一个严峻挑战。包括表达翻译,逻辑推理和数学知识获取在内的能力似乎是克服挑战所必需的。本文证明了一些能力可以通过溯因组合与离散系统,已编程与人类知识。在一个数学推理数据集上,我们采用最近提出的溯因学习框架,提出了结合Transformer神经模型和符号数学库的ABL-Sym算法。ABL-Sym在插值任务上显示出9.73%的精度提高,在外推任务上显示出47.22%的精度提高,超过了最先进的方法。在线演示:http://math.polixir.ai
2022-03-28 cs.AI cs.LG
Step Guided Reasoning: Improving Mathematical Reasoning using Guidance Generation and Step Reasoning
Huawei Technologies Co., Ltd.(华为技术有限公司);Shanghai Jiaotong University(上海交通大学)
本文提出免训练的Step Guided Reasoning框架,通过在推理阶段引入逐步反思引导机制,使通用大语言模型无需额外训练即可显著提升数学推理性能,并在多个模型上验证了其优于数学专用模型的效果。
2025-09-21 cs.AI cs.CL cs.HC
Bias-Restrained Prefix Representation Finetuning for Mathematical Reasoning
针对表示微调(ReFT)在数学推理任务上性能下降的问题,本文提出BREP ReFT方法,通过优化初始推理前缀生成、干预早期推理、约束干预向量模长提升性能,实验证明其优于现有PEFT和标准ReFT方法。
2025-11-13 cs.AI cs.LG
Limits of PRM-Guided Tree Search for Mathematical Reasoning with LLMs
University of Tübingen(图宾根大学);University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究所);Western University(西部大学)
本研究提出自适应算法最大化PRM分数,发现PRM引导的树搜索相比BoN无显著提升,且PRM可靠性随深度下降,需改进奖励建模。
2025-10-23 cs.AI cs.LG