【重磅】符号数学下的深度学习-Deep Learning for Symbolic Mathematics

题目： Deep Learning for Symbolic Mathematics

摘要：

传统的机器学习反对统计学习的基于规则的推理，而神经网络显然站在统计一边。它们已被证明在统计模式识别方面非常有效，现在在计算机视觉、语音识别、自然语言处理(NLP)等一系列问题上取得了最先进的性能。然而，神经网络在符号计算方面的成功仍然非常有限:将符号推理与连续表示相结合是目前机器学习的挑战之一。神经网络在解决统计或近似问题方面比在计算处理符号数据方面有更好的声誉。在这篇论文中，我们证明了它们在数学中更复杂的任务，如符号积分和解微分方程，可以表现出惊人的能力。我们提出了一种表示数学问题的语法和生成大型数据集的方法，这些数据集可用于训练序列到序列模型。我们取得的结果超过商业计算机代数系统，如Matlab或Mathematica。

作者简介：

François Charton是Facebook人工智能研究访问企业家，研究领域是机器学习和因果关系，数学、计算机科学和媒体。