Tools that learn from proof corpora to suggest partial or complete proof scripts have just begun to show their promise. The powerful logical systems beneath proof assistants, together with the stylistic conventions followed by communities of proof developers, bring richness to the data in these corpora. But this richness remains little exploited, with most work thus far focusing on architecture rather than on how to make the most of the proof data. We develop Passport, a fully-automated proof-synthesis tool that encodes one additional aspect of that rich proof data: identifiers. In particular, Passport enriches a proof-synthesis model for Coq with information about local variables, global definitions, and inductive constructor names, encoding each of these identifier categories in three different ways. We compare Passport to three existing proof-synthesis tools which share similar architecture, ASTactic, Tac, and Tok. In head-to-head comparisons, Passport automatically proves 29% more theorems than the best-performing of these prior tools. Combining the three prior tools enhanced with Passport's identifier information automatically proves 38% more theorems than without that information. Finally, together, these prior tools and Passport models enhanced with identifier information prove 45% more theorems than the prior tools alone. In the course of building Passport, we encountered and overcame significant challenges unique to building machine-learning-based proof synthesis tools. We discuss these challenges and suggest potential solutions to support other researchers building such tools. Overall, our findings suggest that modeling identifiers can play a significant role in improving proof synthesis, leading to higher-quality software.


翻译:从证据公司学习工具以显示部分或完整的证明脚本,这些工具刚刚开始显示其前景。 校对助手下面的强大逻辑逻辑系统,以及由校对开发者社区遵循的灵丹妙药,使这些公司的数据更加丰富。 但是,这种丰富性仍然很少被利用,迄今为止大多数工作都侧重于建筑,而不是如何充分利用证明数据。我们开发了护照,这是一个完全自动化的校对合成工具,它编码了丰富的证明数据的另一个方面:识别符号。特别是,护照丰富了Coq的校对合成模型,并丰富了有关本地变量、全球定义和感化构建者名称的信息,以三种不同的方式将所有这些识别类别都编码起来。我们把《护照》比三个现有的校对工具(ASTatic、Tac和Tok)进行比较。在头对头对头的比较中,护照自动证明了29 % 的理论模型比这些最独特的综合工具的绩效要多。 将先前三个工具与护照公司加固的校正模型合并起来, 自动证明有38%的建比之前的模型更能证明这些工具。 最后,我们更能证明这些工具。

0
下载
关闭预览

相关内容

专知会员服务
39+阅读 · 2020年9月6日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
A Survey on Data Augmentation for Text Classification
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Arxiv
12+阅读 · 2019年3月14日
VIP会员
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员