First Experiments with Neural Translation of Informal to Formal Mathematics

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>

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.

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)

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)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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