First Experiments with Neural Translation of Informal to Formal Mathematics
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00329357" target="_blank" >RIV/68407700:21230/18:00329357 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21730/18:00329357
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-3-319-96812-4_22" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-319-96812-4_22</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-96812-4_22" target="_blank" >10.1007/978-3-319-96812-4_22</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
First Experiments with Neural Translation of Informal to Formal Mathematics
Popis výsledku v původním jazyce
We report on our experiments to train deep neural networks that automatically translate informalized LATEX-written Mizar texts into the formal Mizar language. To the best of our knowledge, this is the first time when neural networks have been adopted in the formalization of mathematics. Using Luong et al.’s neural machine translation model (NMT), we tested our aligned informal-formal corpora against various hyperparameters and evaluated their results. Our experiments show that our best performing model configurations are able to generate correct Mizar statements on 65.73% of the inference data, with the union of all models covering 79.17%. These results indicate that formalization through artificial neural network is a promising approach for automated formalization of mathematics. We present several case studies to illustrate our results.
Název v anglickém jazyce
First Experiments with Neural Translation of Informal to Formal Mathematics
Popis výsledku anglicky
We report on our experiments to train deep neural networks that automatically translate informalized LATEX-written Mizar texts into the formal Mizar language. To the best of our knowledge, this is the first time when neural networks have been adopted in the formalization of mathematics. Using Luong et al.’s neural machine translation model (NMT), we tested our aligned informal-formal corpora against various hyperparameters and evaluated their results. Our experiments show that our best performing model configurations are able to generate correct Mizar statements on 65.73% of the inference data, with the union of all models covering 79.17%. These results indicate that formalization through artificial neural network is a promising approach for automated formalization of mathematics. We present several case studies to illustrate our results.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/EF15_003%2F0000466" target="_blank" >EF15_003/0000466: Umělá inteligence a uvažování</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Intelligent Computer Mathematics
ISBN
978-3-319-96811-7
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
16
Strana od-do
255-270
Název nakladatele
Springer Nature
Místo vydání
—
Místo konání akce
Hagenberg
Datum konání akce
13. 8. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000469337500022