Premise Selection for Theorem Proving by Deep Graph Embedding
Premise Selection for Theorem Proving by Deep Graph Embedding
复制标题
DOI：
--
复制
发表时间：
2017-09
期刊：
影响因子：
--
通讯作者：
Mingzhe Wang;Yihe Tang;Jian Wang;Jia Deng
中科院分区：
文献类型：
--
作者：
Mingzhe Wang;Yihe Tang;Jian Wang;Jia Deng
我们提出了一种基于深度学习的方法来解决前提问题的方法：选择与给定猜想相关的数学陈述。我们代表一个高阶逻辑公式作为一个图形，它是可变重命名的不变的，但仍然完全保留了句法和语义信息。然后，我们通过一种保留边缘排序信息的新型嵌入方法将图嵌入向量中。我们的方法在Holstep数据集上实现了最新的结果，将分类准确性从83％提高到90.3％。
We propose a deep learning-based approach to the problem of premise selection: selecting mathematical statements relevant for proving a given conjecture. We represent a higher-order logic formula as a graph that is invariant to variable renaming but still fully preserves syntactic and semantic information. We then embed the graph into a vector via a novel embedding method that preserves the information of edge ordering. Our approach achieves state-of-the-art results on the HolStep dataset, improving the classification accuracy from 83% to 90.3%.