Learning of human-like algebraic reasoning using deep feedforward neural networks

در این اثر پیشنهاد شده است که بازنویسی انسان مانند سیستم استدلالی جبری که تقلید هوش انسانی را در حل مسئله دارد، ارائه شده است. به منظور تقلید از جنبه های یادگیری و استدلال شناخت انسان، یک شبکه عصبی فیدبک عمیق از نمونه های استدلال جبری که توسط انسان ها تولید می شود، یاد می گیرد و سپس از تجارب تجربی برای هدایت فرآیندهای استدلالی دیگر استفاده می کند. این کار نشان می دهد که شبکه عصبی می تواند رفتارهای انسانی را برای حل مسائل ریاضی یاد بگیرد و این می تواند جهت های مناسب استدلال را نشان دهد، بنابراین استدلال هوشمندانه و اکتشافی می تواند انجام شود. علاوه بر این، بازنویسی انسان مانند شکاف بین استدلال نمادین و یادگیری ماشین الهام گرفته از بیولوژی است. برای فعال کردن شبکه عصبی برای به رسمیت شناختن الگوهایی از عبارات نمادین با اندازه های غیر قطعی، عبارات به نمایندگی درختان جزئی کاهش می یابد و سپس به عنوان عددی به عنوان عددی طراحی می شوند. علاوه بر این، روش متمرکز سازی، بردارهای ارتباط نمادین و سوابق قوانین کاربردی برای بهبود ویژگی های بردار مورد استفاده قرار می گیرند. با این رویکرد، بازنویسی مانند بازخورد انسان نشان می دهد عملکرد رضایت بخش در وظایف حل معادلات خطی و محاسبات مشتقات و انتگرال نامحدود است.