ENIGMAWatch: ProofWatch Meets ENIGMA
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00339860" target="_blank" >RIV/68407700:21230/19:00339860 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21730/19:00339860
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-030-29026-9_21" target="_blank" >https://doi.org/10.1007/978-3-030-29026-9_21</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-030-29026-9_21" target="_blank" >10.1007/978-3-030-29026-9_21</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
ENIGMAWatch: ProofWatch Meets ENIGMA
Popis výsledku v původním jazyce
In this work we describe a new learning-based proof guidance – ENIGMAWatch – for saturation-style first-order theorem provers. ENIGMAWatch combines two guiding approaches for the given-clause selection implemented for the E ATP system: ProofWatch and ENIGMA. ProofWatch is motivated by the watchlist (hints) method and based on symbolic matching of multiple related proofs, while ENIGMA is based on statistical machine learning. The two methods are combined by using the evolving information about symbolic proof matching as additional characterization of the saturation-style proof search for the statistical learning methods. The new system is evaluated on a large set of problems from the Mizar library. We show that the added proof-matching information is considered important by the statistical machine learners, and that it leads to improved performance over ProofWatch and ENIGMA.
Název v anglickém jazyce
ENIGMAWatch: ProofWatch Meets ENIGMA
Popis výsledku anglicky
In this work we describe a new learning-based proof guidance – ENIGMAWatch – for saturation-style first-order theorem provers. ENIGMAWatch combines two guiding approaches for the given-clause selection implemented for the E ATP system: ProofWatch and ENIGMA. ProofWatch is motivated by the watchlist (hints) method and based on symbolic matching of multiple related proofs, while ENIGMA is based on statistical machine learning. The two methods are combined by using the evolving information about symbolic proof matching as additional characterization of the saturation-style proof search for the statistical learning methods. The new system is evaluated on a large set of problems from the Mizar library. We show that the added proof-matching information is considered important by the statistical machine learners, and that it leads to improved performance over ProofWatch and ENIGMA.
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
2019
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
Automated Reasoning with Analytic Tableaux and Related Methods
ISBN
978-3-030-29025-2
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
15
Strana od-do
374-388
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
London
Datum konání akce
3. 9. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—