Agda
PulseAugur coverage of Agda — every cluster mentioning Agda across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Cubical Agda 中 topos 因果模型的新形式化
研究人员使用 Cubical Agda（一种机器检查证明助手）开发了 topos 因果模型的形式化。这项工作通过将因果世界表示为 topos 中的预层，并将干预表示为特征映射来解决因果推理问题。该研究对该框架的核心组件进行了机器检查，包括筛子分类器和干预的实现，同时还识别并纠正了与闭包算子相关的 Lawvere–Tierney 公理中的一个空白。此外，该研究还引入了一个机器检查的上下文障碍，这是该程序以前未考虑过的现象。
-
研究人员跨证明助手对乔丹曲线定理进行再形式化
研究人员详细介绍了三种再形式化实例，即形式化证明在不同证明助手之间进行翻译的过程。该研究专门关注乔丹曲线定理的再形式化，成功地将其从Mizar转换为Lean，并将HOL Light转换为Lean和Agda。分析旨在确定影响此类再形式化任务效率和实用性的关键设计选择。
-
Neuralese 训练方法可能通过可验证奖励来改善 AI 对齐
“Neuralese”的概念，一种训练 AI 模型的方法，被探讨为一种可能对 AI 对齐有益的方法。该方法利用具有可验证奖励的强化学习 (RLVR) 来优化复杂的推理过程，或“思维链”，这对于先进的 AI 功能至关重要。RLVR 通过奖励可验证的正确输出来使模型能够实现超越人类水平的性能，尤其是在编码和形式数学等领域。
-
新方法将形式化数学转换为自然语言，用于AI证明
一篇新论文介绍了一种名为“符号化非形式化”的方法，该方法可以将形式化数学转换为人类可读的自然语言，且不损失精度。这项技术对于解释人工智能生成的证明特别有用。Informath项目旨在通过使用Dedukti作为各种证明系统（如Agda、Lean和Rocq）的中心枢纽，并利用Grammatical Framework处理多种自然语言的语言准确性来实现这一点。
-
VNN-LIB 2.0 通过形式理论标准化神经网络验证
研究人员开发了 VNN-LIB 2.0，这是一个新的神经网络验证标准，解决了其先前版本中的不足。此更新标准引入了“网络理论”的概念，为神经网络模型提供了一个形式语义接口，使 VNN-LIB 能够与不断发展的模型格式保持兼容。新版本包括一个富有表现力的查询语言的形式语法、一个类型系统以及一个形式语义，所有这些都在 Agda 证明器中进行了机械化，以确保可信验证的严谨基础。