该文利用大语言模型(large language models,LLMs)与形式化验证技术实现线性数据结构定理的自动证明,并提出通过引入引理来提高线性数据结构定理证明效率的方法.首先,利用LLMs生成定理的非形式化证明及形式化证明草图;然后,基于非形式...
详细信息
该文利用大语言模型(large language models,LLMs)与形式化验证技术实现线性数据结构定理的自动证明,并提出通过引入引理来提高线性数据结构定理证明效率的方法.首先,利用LLMs生成定理的非形式化证明及形式化证明草图;然后,基于非形式化证明构造相关引理进行形式化验证以确保引理的正确性;最后,通过引入引理,辅助定理形式化验证,降低现有自动定理证明工具在处理形式化证明草图时的难度,提高自动证明效率.实验结果显示线性数据结构定理的证明成功率从54.55%提升至68.18%,这充分表明引理在定理证明过程中发挥了关键作用.
为解决中央处理器(Central Processing Unit, CPU)性能分析所面临的分析指标复杂、分析过程不具有可解释性、分析结果不可追溯的问题,提出了一种融合ER(Evidence Reasoning)和分层BRB(Belief Rule Base)的CPU性能分析模型.首先,利用ER...
详细信息
为解决中央处理器(Central Processing Unit, CPU)性能分析所面临的分析指标复杂、分析过程不具有可解释性、分析结果不可追溯的问题,提出了一种融合ER(Evidence Reasoning)和分层BRB(Belief Rule Base)的CPU性能分析模型.首先,利用ER算法从不同层面对处理器影响因素进行指标评估,其次,通过分层BRB实现对CPU性能的综合分析,最后,采用鲸鱼优化算法(Whale Optimization Algorithm, WOA)对模型参数优化.通过UCI数据库(University of California Irvine, UCI)计算机硬件数据集验证了模型的有效性.整个分析模型建立在ER算法上,保证了模型推理的可解释性,而分层BRB方法解决了传统BRB的组合规则爆炸问题,同时结合优化算法有效的提高模型的准确度.
暂无评论