신경망 안에 만족가능성 풀이 층을 넣으면 규칙을 배울 수 있을까?
SATNet은 미분 가능한 근사 MAXSAT 풀이 층을 신경망에 넣어 패리티·스도쿠·시각 스도쿠의 논리 구조를 제한된 감독으로 학습했습니다.
SATNet: Bridging Deep Learning and Logical Reasoning Using a Differentiable Satisfiability Solver
연구와 학습, 시험과 도서를 한곳에서 찾습니다.
검색 결과마다 자료의 코너와 성격을 표시합니다. 제목을 먼저 살펴보고 그림 카드와 기존 본문으로 이어 가세요.

관심 주제로 찾아보기
SATNet은 미분 가능한 근사 MAXSAT 풀이 층을 신경망에 넣어 패리티·스도쿠·시각 스도쿠의 논리 구조를 제한된 감독으로 학습했습니다.
SATNet: Bridging Deep Learning and Logical Reasoning Using a Differentiable Satisfiability Solver
원형과 도넛형 그래프에는 여러 시각 단서가 함께 변합니다. 어느 단서를 쓰는지 실험적으로 분리해야 합니다.
Arcs, Angles, or Areas: Individual Data Encodings in Pie and Donut Charts
Kruschke의 BEST 방법은 평균·산포·효과크기의 사후분포와 실질적으로 같은 영역을 함께 제시해 이분법적 검정이 숨기는 불확실성을 보여줍니다.
Bayesian Estimation Supersedes the t Test
프로그램 보조 언어모델은 문제 해석과 계산 실행의 역할을 나눕니다. 실행이 성공해도 문제를 제대로 옮겼는지 확인해야 하는 이유를 알아봅니다.
PAL: Program-aided Language Models
PutnamBench는 640개 대학 수학문제를 Lean 4·Isabelle과 일부 Coq로 1,692회 형식화해 언어별 자동증명기의 강점과 난도를 비교했습니다.
PutnamBench: Evaluating Neural Theorem-Provers on the Putnam Mathematical Competition
221–225 / 525편