SAAS: Solving Ability Amplification Strategy for Enhanced Mathematical Reasoning in Large Language Models
Upstage AI;Mathpresso Inc.(Mathpresso公司)
提出 SAAS 顺序学习策略,通过先 CoT 后 PoT 的训练顺序增强 LLM 的数学推理与解题能力,并在多个基准上达到 SOTA。
2024-10-02 cs.AI cs.CL
Is Mathematical Problem-Solving Expertise in Large Language Models Associated with Assessment Performance?
University of Michigan(密歇根大学);The High School Affiliated to Minzu University of China(中央民族大学附属中学)
研究探讨了大语言模型在数学问题解决能力与评估表现之间的关系,发现模型在解决正确问题时评估准确率更高,但步级诊断仍需额外能力支持。
2026-03-26 cs.AI
MathOdyssey: Benchmarking Mathematical Problem-Solving Skills in Large Language Models Using Odyssey Math Data
University of Liverpool(利物浦大学);Johns Hopkins University(约翰斯·霍普金斯大学);Mathematica Policy Research(Mathematica政策研究公司);AGI Odyssey(AGI奥德赛)
本研究提出MathOdyssey数据集,用于基准测试LLMs的数学问题解决能力,发现模型在奥林匹克级和复杂大学问题上表现不佳,开源与闭源模型差距缩小。
2024-06-26 cs.AI cs.CL
Puzzle Solving using Reasoning of Large Language Models: A Survey
Artificial Intelligence and Learning Systems Laboratory(人工智能与学习系统实验室);School of Electrical and Computer Engineering(电气与计算机工程学院);National Technical University of Athens(希腊雅典国家技术大学)
该综述将谜题分为基于规则与无规则两类,从提示技术、神经符号方法、微调等维度评估大语言模型的谜题求解能力,指出其与类人推理存在差距,提出需新策略与数据集以提升相关能力、推动AI推理发展。
2024-09-14 cs.AI cs.CL
Solving the multiplication problem of a large language model system using a graph-based method
Firat University(菲拉特大学);Erzurum Technical University(埃尔祖鲁姆技术大学);University of Southern Queensland(南昆士兰大学);National Heart Centre Singapore(新加坡国家心脏中心);Duke-NUS Medical School(杜克-新加坡国立大学医学院);University of New England(新英格兰大学);University of Technology Sydney(悉尼科技大学)
针对ChatGPT等大语言模型在乘法运算上准确性不足的问题,提出一种基于图的乘法算法,通过引入10k算子模拟人类计算,在100万个大数乘法任务中实现100%准确率。
2023-10-18 cs.AI cs.OH
The Effect of Sampling Temperature on Problem Solving in Large Language Models
Johns Hopkins University(约翰斯·霍普金斯大学)
该研究通过九种LLM、五种提示工程技术和0.0至1.6的温度设置进行MCQA实验,发现0.0至1.0的温度变化对问题解决性能无显著影响,且结论具有跨模型、技术与领域的普适性。
2024-10-02 cs.AI cs.CL
Do Large Language Models have Problem-Solving Capability under Incomplete Information Scenarios?
Fudan University(复旦大学);SenseAuto(思特汽车)
本文针对不完全信息场景下LLM问题解决能力的评估需求,提出了一种结合“谁是卧底”与“二十问”的新型游戏BrainKing,通过设置不同难度模式全面评估LLM在有限信息和误导线索下的实体识别能力,揭示了其能力与局限。
2024-09-23 cs.AI cs.CL
Mathify: Evaluating Large Language Models on Mathematical Problem Solving Tasks
IIIT-Delhi(德里印度信息技术学院);MIDAS Labs(MIDAS实验室)
本文提出了名为MathQuest的数学数据集,并通过对LLaMA-2、WizardMath和MAmmoTH三个大型语言模型进行微调实验,发现MAmmoTH-13B在解决NCERT数学问题方面表现最佳,可作为稳健可靠的基准。
2024-04-19 cs.AI cs.CL
A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving
该综述聚焦进化优化,通过工作流框架系统回顾相关进展,将文献分为优化建模与求解两阶段,求解阶段再分三类范式,分析方法、局限性及与传统方法关系,还给出基准、比较及应用,并指出研究方向。
2026-07-07 cs.AI cs.NE
An Overview and Discussion on Using Large Language Models for Implementation Generation of Solutions to Open-Ended Problems
Stony Brook University(石溪大学)
本文综述了利用大型语言模型为开放式问题自动生成解决方案实现的研究现状,涵盖模型提示、强化学习与检索增强生成等方法,并探讨了未来研究方向。
2025-01-03 cs.AI cs.CL
Solving General Natural-Language-Description Optimization Problems with Large Language Models
Alibaba Group(阿里巴巴集团)
针对优化问题建模求解门槛高的问题,提出融合外部求解器的OptLLM框架,支持自然语言输入与多轮交互优化,经实验验证适配多种大模型且微调后准确率提升,部分功能已开放试用。
2024-07-09 cs.AI cs.CL cs.LG
Solving Math Word Problems by Combining Language Models With Symbolic Solvers
Stanford University(斯坦福大学)
本文提出将 LLM 增量形式化出的变量与方程交给外部符号求解器,在 GSM8K 上媲美 PAL,并在更难的 ALGEBRA 数据集上绝对提升 20%。
2023-04-16 cs.AI cs.CL
OR-Toolformer: Modeling and Solving Operations Research Problems with Tool Augmented Large Language Models
Alibaba Business School(阿里巴巴商业学院);Hangzhou Normal University(杭州师范大学)
针对运筹学任务中闭源API的隐私问题与开源模型训练成本高的痛点,提出OR-Toolformer,通过半自动数据合成流水线微调Llama-3.1-8B-Instruct并增强外部求解器调用能力,在基准测试与零样本评估中均取得优于基线的表现。
2025-09-24 cs.AI cs.LG
Knowledge Graph Modeling-Driven Large Language Model Operating System (LLM OS) for Task Automation in Process Engineering Problem-Solving
TCS Research(塔塔咨询服务公司研究院);IIT–Palakkad(帕拉卡德印度理工学院)
本文提出过程工程操作助手(PEOA)框架,通过元智能体协调动作生成器与专家模型,结合知识图谱建模与师生迁移学习,实现复杂过程工程问题的多步自动化求解与决策支持。
2024-08-23 cs.AI cs.LG
Have LLMs Advanced Enough? A Challenging Problem Solving Benchmark For Large Language Models
Microsoft Research(微软研究院);UC Berkeley(加州大学伯克利分校);IIT Delhi(德里印度理工学院)
本文提出JEEBench基准,通过515道IIT JEE-Advanced数学、物理和化学难题评估LLMs的长程推理与问题求解能力,发现即使GPT-4结合多种提示技术性能仍低于40%,并开发事后置信度阈值方法应对倒扣分风险。
2023-10-23 cs.AI cs.CL
Are Language Models Puzzle Prodigies? Algorithmic Puzzles Unveil Serious Challenges in Multimodal Reasoning
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出多模态谜题求解任务及数据集 AlgoPuzzleVQA,评估多模态语言模型在算法推理上的能力,发现 GPT4V 和 Gemini 表现接近随机,凸显了整合视觉、语言与算法知识的挑战。
2024-03-13 cs.AI cs.CV
Unleashing the Creative Mind: Language Model As Hierarchical Policy For Improved Exploration on Challenging Problem Solving
UC San Diego(加州大学圣地亚哥分校);Qualcomm AI Research(高通人工智能研究院)
本文提出将 LLM 作为由“领导者提出高层策略、跟随者执行推理”的分层策略,并用锦标赛机制筛选解法组,以增强复杂数学推理的策略多样性和准确率。
2023-12-05 cs.AI cs.CL
Measuring and Augmenting Large Language Models for Solving Capture-the-Flag Challenges
Hong Kong University of Science and Technology(香港科技大学);D-INFK, ETH Zürich(ETH Zürich的D-INFK)
本文通过构建含3,992个问题的CTFKnow基准测量LLM的CTF技术知识应用能力,发现其应用与策略调整不足,并提出含两阶段RAG与环境增强模块的CTFAgent框架,在数据集上提升超80%,在picoCTF2024中排名前23.6%。
2025-06-21 cs.AI
Tree of Thoughts: Deliberate Problem Solving with Large Language Models
Princeton University(普林斯顿大学);Google DeepMind(谷歌DeepMind)
本文提出思维树(ToT)框架,通过多路径探索、自我评估、前瞻与回溯,使语言模型实现深思熟虑的决策,并在 24 点游戏等任务上显著超越思维链提示。
2023-12-03 cs.AI cs.CL cs.LG
Challenges Faced by Large Language Models in Solving Multi-Agent Flocking
Drexel University(德雷塞尔大学)
本文探讨了大型语言模型在多智能体集群任务中面临的挑战,发现它们难以理解空间形状和距离保持,并提出了未来改进方向。
2024-12-16 cs.AI cs.MA
Token-Supervised Value Models for Enhancing Mathematical Problem-Solving Capabilities of Large Language Models
NAVER Cloud(NAVER云);KAIST AI(韩国科学技术院人工智能学院);NAVER AI Lab(NAVER人工智能实验室);SNU(首尔大学);AITRICS
本文提出令牌监督价值模型(TVMs),通过为每个令牌赋予到达正确答案的概率,实现对部分解的直接显式评估,从而在树搜索中避免过早剪枝有前景的中间步骤,显著提升大语言模型的数学求解准确率。
2025-03-10 cs.AI cs.CL
SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);California Institute of Technology(加州理工学院);University of Washington(华盛顿大学)
SciBench通过构建大学级数学、化学和物理科学问题基准,系统评估并揭示了当前LLM在复杂科学推理上的不足,为改进推理能力提供方向。
2024-06-28 cs.AI cs.CL cs.LG
Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners?
ETH Zürich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);KU Leuven(鲁汶大学);New York University(纽约大学)
本文将算术解题分为文本理解、规划与执行三步,并用神经符号生成的受控题目测试 LLM,发现其在前两步具有类人认知偏差,而在算术执行步骤没有。
2024-06-17 cs.AI cs.CL cs.LG
Assessing Large Language Models for Automated Feedback Generation in Learning Programming Problem Solving
University of São Paulo(圣保罗大学);Federal University of Alagoas(阿拉戈斯联邦大学);Federal Institute of Alagoas(阿拉戈斯联邦学院)
本研究评估4种大语言模型在编程学生解答基准数据集上的反馈生成能力,发现63%反馈准确完整,37%存在各类错误,明确了其在编程教育中的潜力与局限。
2025-03-18 cs.AI cs.LG cs.SE
Why Solving Multi-agent Path Finding with Large Language Model has not Succeeded Yet
University of Southern California(南加州大学)
本文研究使用大语言模型解决多智能体路径规划(MAPF)的性能,发现其在简单地图上成功但在复杂地图上失败,并分析原因及提出跨学科解决视角。
2024-02-09 cs.AI cs.CL cs.MA
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
MLCopilot: Unleashing the Power of Large Language Models in Solving Machine Learning Tasks
Microsoft Research(微软研究院);ShanghaiTech University(上海科技大学)
本文提出MLCopilot框架,利用大型语言模型解决机器学习任务,通过理解结构化输入和推理,弥合机器智能与人类知识的差距,为新任务生成高竞争力的解决方案。
2024-02-18 cs.AI cs.LG
RAG-Modulo: Solving Sequential Tasks using Experience, Critics, and Language Models
Rice University(莱斯大学)
RAG-Modulo框架通过记忆增强和评判器评估,使LLM智能体在顺序任务中利用经验学习,显著提升成功率与效率。
2024-09-18 cs.AI cs.CL cs.LG
The Benefits of a Concise Chain of Thought on Problem-Solving in Large Language Models
Johns Hopkins University(约翰斯·霍普金斯大学)
提出CCoT提示方法,并在GPT-3.5、GPT-4的MCQA基准上验证其可显著缩短回答、降低每token成本且总体保持性能。
2024-10-19 cs.AI cs.CL
Can Large Language Models generalize analogy solving like children can?
Psychological Methods, University of Amsterdam, the Netherlands(心理学方法,阿姆斯特丹大学,荷兰);Sante Fe Institute, USA(圣菲研究所,美国)
本研究对比儿童、成人与大语言模型在不同领域字母串类比任务中的表现,发现LLMs无法像人类一样将类比求解能力泛化到陌生领域,揭示其在类人类比迁移上的不足。
2025-10-06 cs.AI cs.CL cs.HC
EquaCode: A Multi-Strategy Jailbreak Approach for Large Language Models via Equation Solving and Code Completion
School of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou, China(计算机科学与技术学院,浙江科技学院,杭州,中国)
EquaCode通过方程求解和代码补全提出多策略对抗方法,有效提升大语言模型的鲁棒性。
2025-12-29 cs.AI cs.CR
Large Language Models Are Self-Taught Reasoners: Enhancing LLM Applications via Tailored Problem-Solving Demonstrations
Yonsei University(延世大学)
本文提出SELF-TAUGHT框架,通过零样本方式自动生成定制且过滤的高质量示例,在多项选择和阿尔茨海默病诊断等任务上优于强基线。
2024-08-22 cs.AI cs.CL
MathGLM-Vision: Solving Mathematical Problems with Multi-Modal Large Language Model
Tsinghua University(清华大学);Beihang University(北京航空航天大学)
本文构建多模态数学数据集 MathVL,并通过监督微调不同参数规模骨干模型提出 MathGLM-Vision,在公开基准和 MathVL-test 上显著提升多模态数学推理能力。
2024-12-02 cs.AI cs.CL
Boosting of Thoughts: Trial-and-Error Problem Solving with Large Language Models
University of Toronto(多伦多大学);University of Alberta(阿尔伯塔大学)
本文提出 BoT 自动化提示框架,通过迭代探索、评估思维树并基于错误分析修正提示,使 GPT-4 和 Llama2 在复杂数学问题上取得更优或相当的解决率。
2025-01-06 cs.AI cs.CL cs.LG
TeleMath: A Benchmark for Large Language Models in Telecom Mathematical Problem Solving
Paris Research Center, Huawei Technologies(巴黎研究中心,华为技术)
针对大语言模型在电信专业数学任务中表现未被充分探索的问题,本文推出含500个问答对的电信数学基准TeleMath,评估发现专用推理模型表现优于大参数量通用模型,且已开源相关资源。
2025-06-12 cs.AI cs.CL
LLM-ProS: Analyzing Large Language Models' Performance in Competitive Problem Solving
Department of Information Systems, University of Maryland, Baltimore County, Maryland, USA(信息系统系,马里兰大学巴尔的摩县分校,马里兰州,美国)
LLM-ProS评估了多种大语言模型在ICPC问题中的性能,揭示了模型在泛化、适应和解决新问题方面的差异,并探讨了训练方法和数据集对性能的影响。
2025-02-04 cs.AI cs.CL
JiuZhang 2.0: A Unified Chinese Pre-trained Language Model for Multi-task Mathematical Problem Solving
Renmin University of China(中国人民大学);iFLYTEK Research(讯飞研究院);iFLYTEK AI Research (Central China)(讯飞人工智能研究院(华中))
提出统一中文预训练模型JiuZhang 2.0,采用混合专家架构与跨任务知识共享,结合多任务训练和大模型迭代优化,高效解决多任务数学问题。
2023-06-19 cs.AI cs.CL
Toward Large Language Models as a Therapeutic Tool: Comparing Prompting Techniques to Improve GPT-Delivered Problem-Solving Therapy
University of Washington(华盛顿大学);Dartmouth College(达特茅斯学院)
本研究比较多种提示工程技术对GPT提供问题解决疗法的影响,发现恰当的提示工程能提升模型在症状识别与目标设定阶段的治疗质量、一致性和共情能力,为AI辅助心理治疗提供了实证依据。
2024-08-27 cs.AI cs.CL cs.ET
Advancing Mathematical Reasoning in Language Models: The Impact of Problem-Solving Data, Data Synthesis Methods, and Training Stages
Jinan University(暨南大学);TAL Education Group(好未来教育集团);ShanghaiTech University(上海科技大学);Guangdong Institute of Smart Education(广东省智慧教育研究院)
该研究针对大语言模型持续预训练数学推理提升弱于监督微调的问题,探究解题数据、合成方法及训练阶段的影响,发现解题数据更有效、辅导扩增合成法最优,最终开发出MathGPT-8B数学基础模型。
2025-03-24 cs.AI cs.CL
Representation Robustness Under Executable Reasoning Constraints in Large Language Models for Mathematical Problem Solving
研究大型语言模型在数学问题解决中表示鲁棒性,通过改变问题表面表示评估五个模型,发现其对表示敏感,代码增强未统一提升鲁棒性,揭示了正确性等方面新权衡,强调表示应作为接口设计变量。
2026-07-24 cs.AI cs.HC cs.PL
Exploring the Robustness of Large Language Models for Solving Programming Problems
University of Aizu(会津大学);Tohoku University(东北大学);NTT Communication Science Laboratories(NTT通信科学实验室)
本文探究了CodeGen、Codex、InstructGPT和ChatGPT等大语言模型在解决编程问题时对问题描述表面修改的鲁棒性,发现早期模型对变量名等表面线索敏感,而SOTA模型鲁棒性更强,强调了精心格式化提示的重要性。
2023-06-26 cs.AI cs.CL cs.SE
ChemToolAgent: The Impact of Tools on Language Agents for Chemistry Problem Solving
Department of Computer Science and Engineering, OSU(计算机科学与工程系,俄勒冈州立大学);Department of Biomedical Informatics, OSU(生物医学信息学系,俄勒冈州立大学);College of Pharmacy, OSU(药学院,俄勒冈州立大学)
本文提出ChemToolAgent以系统评估工具增强对化学LLM智能体的影响,发现专业任务需专用工具,而通用化学问题中知识推理更重要,工具增强并非总有益。
2025-05-26 cs.AI cs.CE
Solving Data-centric Tasks using Large Language Models
Microsoft(微软公司)
本文针对LLM解决表格数据操作任务时提示中数据选择的问题,创建了真实世界NL到代码任务数据集,并提出先聚类后选择的提示技术,实验证明其优于随机选择基线。
2024-03-25 cs.AI cs.PL cs.SE
Beyond Symbolic Solving: Multi Chain-of-Thought Voting for Geometric Reasoning in Large Language Models
本文提出MARS-GPS方法,通过生成多个并行推理流程并结合Python代码执行,利用熵值进行排序并多阶段投票,提升大语言模型在几何推理中的性能,实验显示其在Geometry3K数据集上达到88.8%的准确率,比现有最佳水平提升11%。
2026-04-01 cs.AI cs.CL cs.CV
Synergistic Simulations: Multi-Agent Problem Solving with Large Language Models
Milwaukee School of Engineering(密尔沃基工学院)
本文提出将多智能体与世界交互整合至单一仿真中,构建多智能体框架,通过室友公寓和编程协作两项仿真验证LLM的协同问题解决能力,探讨其应用前景。
2024-09-14 cs.AI cs.CL cs.ET
Solving for X and Beyond: Can Large Language Models Solve Complex Math Problems with More-Than-Two Unknowns?
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出了包含多未知数的新基准BeyondX,揭示了现有LLMs在未知数增加时性能显著下降,并提出Formulate-and-Solve策略有效提升模型解决多未知数问题的能力。
2024-07-06 cs.AI cs.CL cs.LG
Large Language Model-Powered Conversational Agent Delivering Problem-Solving Therapy (PST) for Family Caregivers: Enhancing Empathy and Therapeutic Alliance Using In-Context Learning
Florida State University(佛罗里达州立大学);University of Washington(华盛顿大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究针对家庭照护者的心理健康需求,开发整合PST、MI与BCA的LLM对话智能体,通过少样本和RAG技术提升共情与治疗联盟效果,验证了LLM在该场景的应用潜力与现存挑战。
2025-06-13 cs.AI cs.CL cs.HC
Plan-Seq-Learn: Language Model Guided RL for Solving Long Horizon Robotics Tasks
Carnegie Mellon University(卡内基梅隆大学);Mistral AI(米斯特拉尔人工智能公司)
本文提出Plan-Seq-Learn(PSL),利用LLM高层规划与运动规划桥接学习到的低层控制,从零开始解决长时程机器人任务,在25+任务上成功率超85%。
2024-05-02 cs.AI cs.CV cs.LG
Human-guided Collaborative Problem Solving: A Natural Language based Framework
University of Texas at Dallas(德克萨斯大学达拉斯分校);Microsoft Research India(微软印度研究院);Washington State University(华盛顿州立大学);University of Colorado Boulder(科罗拉多大学博尔德分校);University of Pennsylvania(宾夕法尼亚大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
我们考虑的问题,人机协作问题解决的规划任务加上自然语言通信。我们的框架由三个组成部分-一个自然语言引擎,解析的语言话语的正式表示,反之亦然,一个概念学习者,诱导广义概念的计划的基础上有限的互动与用户,和一个HTN计划,解决了任务的基础上,人类的互动。我们说明了这个框架的能力,以解决协作解决问题的关键挑战,通过演示它在一个基于Minecraft的blocksworld域的协作建设任务。随附的演示视频可在https://youtu.be/q1pWe4aahF0上获得。
2022-07-19 cs.AI cs.CL cs.HC
Puzzle Solving without Search or Human Knowledge: An Unnatural Language Approach
PeopleTec, Inc.(PeopleTec公司);University of Maryland, College Park(马里兰大学学院市分校)
应用生成式预训练Transformer(GPT-2)来学习文本存档的游戏符号,为探索稀疏奖励游戏提供了一个模型环境。Transformer架构被证明可以在描述迷宫、魔方和数独求解器的已解决文本档案上进行训练。该方法受益于微调的Transformer架构可视化合理的战略以外的任何指导,从人类的经验或领域的专业知识。游戏的大搜索空间($>10^{19}$)提供了一个谜题环境,其中解决方案几乎没有中间奖励和解决挑战的最后一步。
2021-09-07 cs.AI cs.CL cs.LG
Reinforcement Learning Problem Solving with Large Language Models
Thomson Reuters AI Labs(汤森路透人工智能实验室)
本研究探索将基于马尔可夫决策过程的强化学习问题转化为LLM提示任务,通过迭代提示LLMs优化策略并辅助回合模拟与Q-Learning,经两个案例验证了其作为对话式RL智能体求解问题的实用性。
2024-04-29 cs.AI cs.CL
Approximate Policy Iteration with a Policy Language Bias: Solving Relational Markov Decision Processes
School of Electrical Engineering and Computer Science, Oregon State University(俄勒冈州立大学电气工程与计算机科学学院);School of Electrical and Computer Engineering, Purdue University(普渡大学电气与计算机工程学院)
本文研究了大型关系马尔可夫决策过程的策略选择问题。我们考虑近似策略迭代(API)的一个变体,它用策略空间中的学习步骤代替了通常的值函数学习步骤。这在好的策略比相应的价值函数更容易表示和学习的领域中是有利的,这通常是我们感兴趣的关系MDP的情况。为了将API应用于此类问题,我们引入了一种关系策略语言和相应的学习器。此外,我们引入了一个新的自举例程为基础的目标规划域,基于随机游走。这种引导对于许多大型关系型MDP是必要的,其中奖励非常稀疏,因为当使用不知情的策略初始化时,API在这些域中是无效的。我们的实验表明,所得到的系统是能够找到良好的政策,为一些经典的规划域和他们的随机变量,解决他们作为非常大的关系MDP。实验还指出了我们的方法的一些局限性,建议未来的工作。
2011-09-09 cs.AI
Memory As A Monadic Control Construct In Problem-Solving
程序设计语言研究和设计的最新进展已经建立了一个基于范畴论的计算系统表示的标准方法。这些正式的结果导致更好地理解函数式和命令式语言中的控制和副作用问题。该框架可以成功地应用于人工智能(AI)推理和认知系统的性能研究。在本文中,我们描绘了一个分类形式化的内存作为一个控制结构驱动性能的推理系统。从认知系统中广泛使用的记忆表征(脚本,产生式规则和集群)中提取控制机制,我们解释了分类三元组如何捕获学习和解决问题之间的相互作用。
2004-02-16 cs.AI
Convergent Approximate Solving of First-Order Constraints by Approximate Quantifiers
精确求解一阶约束(即,在特定预定义结构上的一阶公式)可能是非常困难的或者甚至是不可判定的问题。在连续结构中,如实数,计算近似解而不是精确解是有希望的。然而,一阶谓词语言的量词是允许逼近任意小误差界的障碍。本文通过修改一阶语言,用近似量词代替经典量词来解决这个问题。这些还有两个额外的优点:首先,它们是可调的,在这个意义上,它们允许用户决定精度和效率之间的权衡。第二,它们通过允许对解集的大小进行推理,将额外的表达能力引入到一阶语言中。
2002-12-20 cs.AI cs.LO