ترجمه فارسی مقاله یادگیری استدلال خودکار هدایت شده: یک بررسی کوتاه

چکیده

Automated theorem provers and formal proof assistants are general reasoning systems that are in theory capable of proving arbitrarily hard theorems, thus solving arbitrary problems reducible to mathematics and logical reasoning. In practice, such systems however face large combinatorial explosion, and therefore include many heuristics and choice points that considerably influence their performance. This is an opportunity for trained machine learning predictors, which can guide the work of such reasoning systems. Conversely, deductive search supported by the notion of logically valid proof allows one to train machine learning systems on large reasoning corpora. Such bodies of proof are usually correct by construction and when combined with more and more precise trained guidance they can be boostrapped into very large corpora, with increasingly long reasoning chains and possibly novel proof ideas. In this paper we provide an overview of several automated reasoning and theorem proving domains and the learning and AI methods that have been so far developed for them. These include premise selection, proof guidance in several settings, AI systems and feedback loops iterating between reasoning and learning, and symbolic classification problems.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی های قضیه خودکار و دستیاران اثبات رسمی سیستم های استدلال عمومی هستند که از نظر تئوری قادر به اثبات قضایای خودسرانه سخت هستند ، بنابراین مشکلات خودسرانه را برای ریاضیات و استدلال منطقی کاهش می دهند.در عمل ، چنین سیستمهایی با انفجار ترکیبی بزرگ روبرو هستند و بنابراین بسیاری از موارد اکتشافی و انتخاب را شامل می شوند که به میزان قابل توجهی بر عملکرد آنها تأثیر می گذارد.این فرصتی برای پیش بینی کننده های یادگیری ماشین آموزش دیده است که می تواند کار چنین سیستم های استدلال را راهنمایی کند.در مقابل ، جستجوی قیاسی که با مفهوم اثبات منطقی معتبر پشتیبانی می شود ، به فرد اجازه می دهد تا سیستم های یادگیری ماشین را در شرکت های بزرگ استدلال آموزش دهد.چنین اجسام اثبات معمولاً با ساخت و ساز صحیح هستند و هنگامی که با راهنمایی های دقیق تر و دقیق تر ترکیب شوند ، می توان آنها را به شرکتهای بسیار بزرگ تبدیل کرد ، با زنجیره های استدلال به طور فزاینده ای و احتمالاً ایده های اثبات جدید.در این مقاله ، ما یک مرور کلی از چندین دامنه استدلال و قضیه اثبات شده و روشهای یادگیری و هوش مصنوعی که تاکنون برای آنها تهیه شده است ، ارائه می دهیم.اینها شامل انتخاب فرضیه ، راهنمایی اثبات در چندین تنظیم ، سیستم های هوش مصنوعی و حلقه های بازخورد است که بین استدلال و یادگیری و مشکلات طبقه بندی نمادین تکرار می شود.