Effizientes Lernen aus Fehlschlägen: Feinabstimmung von LLMs mit Versuch-und-Irrtum-Daten für den Beweis der intuitionistischen Aussagenlogik
Der Einsatz von Versuch-und-Irrtum-Informationen während des Trainings und der Beweissuche verbessert die Leistung von Modellen für das automatische Beweisen von Theoremen der intuitionistischen Aussagenlogik im Vergleich zu Modellen, die nur auf korrekten Beweispfaden trainiert werden.
Aktualisierte und verfeinerte Version des SCL-Kalküls für die Prädikatenlogik ohne Gleichheit
Der Beitrag präsentiert eine aktualisierte und verfeinerte Version des SCL-Kalküls für die Prädikatenlogik ohne Gleichheit. Die Verfeinerungen umfassen eine stärkere Regularitätsdefinition und die Einführung von Trail- und Modellbegrenzung, um Terminierungsgarantien zu erreichen.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Regularisierung bei der Entdeckung von Spider-artigen Strategien und der Erstellung von Zeitplänen
Durch eine umfangreiche Entdeckung und Optimierung von Strategien für den Vampire-Prover können leistungsfähige Zeitpläne erstellt werden, die die Leistung des Standard-Prover-Verhaltens deutlich übertreffen. Verschiedene Regularisierungstechniken können die Robustheit dieser Zeitpläne auf ungesehenen Problemen weiter verbessern.
© 2024 by Linnk AI