Interactive Training: Feedback-Driven Neural Network Optimization
University of Waterloo(滑铁卢大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对传统神经网络训练流程固定、缺乏动态调整灵活性的问题,本文提出开源框架Interactive Training,通过控制服务器实现训练过程的实时反馈干预,经实验验证可提升训练稳定性、降低超参数敏感性并增强需求适配性。
2025-10-02 cs.AI cs.CL cs.LG
CNN 101: Interactive Visual Learning for Convolutional Neural Networks
Georgia Institute of Technology(佐治亚理工学院);Oregon State University(俄勒冈州立大学)
深度学习解决以前认为的难题的成功激励了许多非专家学习和理解这项令人兴奋的技术。然而,由于深度学习模型的复杂性,学习者往往很难迈出第一步。我们提出了我们正在进行的工作,CNN 101,一个交互式可视化系统,用于解释和教学卷积神经网络。通过紧密集成的交互式视图,CNN 101提供模型如何工作的概述和详细描述。使用现代网络技术构建的CNN 101在用户的网络浏览器中本地运行,而不需要专门的硬件,从而拓宽了公众对现代深度学习技术的教育访问。
2020-02-27 cs.AI cs.HC cs.LG
Encoding Event-B Proof Rules in Prolog: An Interactive Sequent Prover for ProB
Faculty of Mathematics;Natural Science, Institute of Computer Science, Heinrich Heine University Düsseldorf, Universit\" a tsstr. 1, D-40225 D\" u sseldorf
研究将600多条Event-B证明规则编码到Prolog,集成到ProB工具形成交互式证明系统,有证明树可视化等优势,可导入导出,相比Java编码更优,未来目标是获得快速自动证明器。
2026-07-24 cs.AI cs.LO cs.SE
Recycling Proof Patterns in Coq: Case Studies
University of Dundee(邓迪大学)
交互式定理证明器的发展导致了大型图书馆和各种形式证明基础设施的创建。然而,尽管(或者可能是由于)它们的复杂性,非专家或跨领域的库的重用是一个挑战。在本文中,我们提供了详细的案例研究和评估机器学习工具ML4PG建立交互式数据挖掘的电子图书馆的证明,并提供用户指导的基础上,证明模式在现有的图书馆。
2014-03-07 cs.AI cs.LG cs.LO
Machine Learning in Proof General: Interfacing Interfaces
University of Dundee(邓迪大学);Heriot-Watt University(赫瑞-瓦特大学)
我们提出了ML 4PG-一个机器学习扩展证明一般。它允许用户从Coq和SSReflect编写的交互式高阶证明库中收集与目标形状、应用策略序列和证明树结构相关的证明统计数据。使用MATLAB和Weka中提供的最先进的机器学习算法对收集的数据进行聚类。ML 4PG提供Proof General和MATLAB/Weka之间的自动接口。ML 4PG使用聚类结果在交互式证明开发过程中提供证明提示。
2013-07-08 cs.AI cs.LG cs.LO
Interactive, Intelligent Tutoring for Auxiliary Constructions in Geometry Proofs
University of California, Davis(加州大学戴维斯分校)
几何定理证明在K-12数学课程中是一个主要的和具有挑战性的组成部分。一个特别困难的任务是添加辅助结构(即,额外的线或点),以帮助证明发现。虽然有许多智能教学系统提出的几何证明,很少教学生如何找到辅助结构。少数例外都受到其支持辅助构式的潜在推理过程的限制。本文通过引入一个交互式几何导师,高级几何证明导师(AGPT)来解决这些缺点。它利用了最近的自动几何证明器,以提供任何几何定理证明器或智能辅导系统无法单独完成的综合效益。特别是,AGPT不仅可以直接自动处理几何问题的图像,而且可以交互式地训练和引导学生自己发现辅助结构。我们已经通过一项试点研究与78名高中生评估AGPT。研究结果表明,在训练学生如何找到辅助结构,AGPT和人类导师之间没有显着的感知差异,AGPT是显着更有效的比国家的最先进的几何求解器,产生人类可读的证明。
2017-11-20 cs.AI cs.CY cs.HC
Deep Neural Object Analysis by Interactive Auditory Exploration with a Humanoid Robot
我们提出了一种新的方法与人形机器人的交互式听觉对象分析。机器人通过物理摇晃视觉上无法区分的塑料胶囊来提取感官信息。它从嵌入机器人耳朵的麦克风收集产生的音频信号。神经网络架构从这些信号中学习以分析容器的内容物的性质。具体来说,我们评估了材料分类和权重预测的准确性,并证明了该框架对真实世界的噪声具有相当的鲁棒性。
2018-07-10 cs.AI cs.NE cs.RO
Learning Rules Explaining Interactive Theorem Proving Tactic Prediction
University of Innsbruck(因斯布鲁克大学);Czech Academy of Sciences(捷克科学院);University of Melbourne(墨尔本大学)
本研究将交互式定理证明中的策略预测建模为归纳逻辑编程任务,通过丰富特征空间学习可解释规则,并用于过滤现有策略选择方法,实验证明能提升性能。
2024-11-02 cs.AI cs.LG cs.LO
Generative Adversarial Networks with Conditional Neural Movement Primitives for An Interactive Generative Drawing Tool
Bogazici University(博阿齐奇大学)
素描是视觉感知和视觉空间建构的抽象表现。在这项工作中,我们提出了一个新的框架,生成对抗网络与条件神经运动原语(GAN-CNMP),它结合了一种新的对抗损失CNMP,以提高草图的平滑性和一致性。通过实验,我们证明了该模型可以用较少的未标记样本进行训练,可以在潜在空间中自动构造分布,并且在形状一致性和平滑性方面比基本模型产生更好的结果。
2021-12-21 cs.AI cs.CV cs.GR
OpenProver: Agentic and Interactive Theorem Proving with Lean 4
Charles University, Faculty of Mathematics and Physics(查尔斯大学数学与物理系)
介绍用于大语言模型驱动的自动化定理证明的开源系统OpenProver,它集成特定架构,完全开源,能自动验证证明,提供交互式界面,通过在ProofNet上评估展示自动验证在定量消融实验中的潜力。
2026-07-13 cs.AI cs.MS
The Tactician (extended version): A Seamless, Interactive Tactic Learner and Prover for Coq
Czech Technical University(捷克理工大学);Radboud University(拉德堡德大学)
我们提出战术家,一个战术学习者和证明的Coq证明助手。Tactician帮助用户做出战术证明决策,同时保留对一般证明策略的控制。为此,Tactician从以前编写的战术脚本中学习,并为用户提供关于下一个要执行的战术的建议,或者完全接管证明合成的责任。Tactician的目标是为用户提供无缝、交互和直观的体验,以及强大和自适应的证明自动化。在本文中,我们从用户的角度对Tactician进行了概述,包括日常使用和在大范围学习时的包依赖管理问题。最后,我们将介绍Tactician作为Coq插件和机器学习平台的实现。
2020-07-31 cs.AI cs.LO
Revealing Neural Network Bias to Non-Experts Through Interactive Counterfactual Examples
Drexel University(德雷塞尔大学);IT University of Copenhagen(哥本哈根信息技术大学)
人工智能算法并不能免疫偏见。传统上,非专家在发现潜在的社会偏见方面几乎没有控制权(例如,性别偏见)的算法,可能会影响他们的生活。我们提出了一个交互式可视化工具CEB的初步设计,以揭示在一个常用的人工智能方法,神经网络(NN)的偏见。CEB结合了反事实的例子和NN决策过程的抽象,使非专家能够检测偏见。本文介绍了CEB的设计和由AI,HCI和社会科学专家组成的专家小组(n=6)的初步研究结果。
2020-01-09 cs.AI cs.HC
Real-time interactive sequence generation and control with Recurrent Neural Network ensembles
Goldsmiths University of London(伦敦大学金史密斯学院)
递归神经网络(RNN),特别是长短期记忆(LSTM)RNN,是一种流行且非常成功的学习和生成序列的方法。然而,目前的生成式RNN技术不允许序列生成过程的实时的【形】交互式控制,因此不太适合现场创意表达。我们提出了一种实时的【形】连续控制和“转向”序列生成的方法,使用RNN的集成和动态改变模型的混合权重。我们使用基于字符的LSTM网络和手势界面来演示该方法,允许用户“进行”文本的生成。
2017-02-09 cs.AI cs.HC
Aligning Eyes between Humans and Deep Neural Network through Interactive Attention Alignment
Emory University(埃默里大学);George Mason University(乔治梅森大学)
虽然深度神经网络(DNN)通过其强大的自动化在几乎每个领域都取得了重大创新,但我们也目睹了自动化背后的危险,如自动种族主义,性别偏见和敌对偏见。随着DNN的社会影响力越来越大,找到一种有效的方法来引导DNN使其行为与人类的心理模型保持一致,这对于实现公平和负责任的模型是必不可少的。我们提出了一种新的交互式注意力对齐(IAA)框架,旨在实现人类可操纵的深度神经网络(DNN)。IAA利用DNN模型解释方法作为交互媒介,人类可以使用它来揭示模型注意力偏差的情况并直接调整注意力。在使用人类生成的调整注意力来改进DNN时,我们引入了GRADIA,这是一种新型的计算管道,可以最大限度地提高注意力质量和预测精度。我们评估了IAA框架在研究1和研究2中的性别分类问题的GRADIA。研究一发现,应用IAA可以显著提高人眼对模型注意的感知质量。在研究2中,我们发现使用GRADIA可以(1)显着提高模型注意力的感知质量,(2)在训练样本有限的情况下显着提高模型性能。我们提出了未来的交互式用户界面设计对人类可理解的人工智能的影响。
2022-02-06 cs.AI cs.HC
Neural Assets: Volumetric Object Capture and Rendering for Interactive Environments
Meta Reality Labs Research(Meta现实实验室)
创建逼真的虚拟资产是一个耗时的过程:它通常涉及艺术家设计对象,然后花费大量精力调整其外观。复杂的细节和某些效果(如次表面散射)无法使用实时BRDF进行表示,因此无法完全捕捉某些对象的外观。受神经渲染的最新进展的启发,我们提出了一种方法来捕捉真实世界中的物体在日常环境中忠实和快速。我们使用一种新的神经表示来重建体积效果,如半透明的对象部分,并保留真实感对象的外观。为了在不影响渲染质量的情况下支持实时渲染,我们的模型使用了一个网格的功能和一个小的MLP解码器,该解码器被编译成具有交互式帧速率的高效着色器代码。这导致所提出的神经资产与现有网格环境和对象的无缝集成。由于使用标准着色器代码,渲染可以跨许多现有的硬件和软件系统移植。
2022-12-12 cs.AI cs.CV cs.GR
Towards Autoformalization of Mathematics and Code Correctness: Experiments with Elementary Proofs
Ohio University(俄亥俄大学);UNC Charlotte(北卡罗来纳大学夏洛特分校)
数学证明的日益复杂性使得数学家的人工验证在认知上要求很高。自动形式化试图通过将用自然语言编写的证明转换为通过交互式定理证明器可由计算机验证的形式表示来解决这个问题。在本文中,我们介绍了一种语义解析方法,通用Transformer架构的基础上,转换成一个等价的形式化的Coq交互式定理证明语言的基本数学证明。同样的架构也被训练来将用Hoare三元组装饰的简单命令式代码转换成Coq中的形式可验证的正确性证明。在有限的人工和人类书面证明领域上的实验表明,该模型可以很好地推广到训练过程中看不到的中间长度和自然语言的变化。
2023-01-05 cs.AI cs.CL cs.LO