{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,9,6]]，“日期时间”：“2024-09-06T16:52:20Z”，“时间戳”：1725641540185}，“引用计数”：0，“发布者”：“EasyChair”，“内容域”:{“域”：[]，“交叉标记限制”：false}，”短容器时间“：[]”，“摘要”：“”过去30年来，自动化定理证明的最大进步源于更好的搜索启发法的开发，通常基于开发人员经验和经验评估，但也越来越多地使用自动化优化技术。尽管取得了这些进展，但我们对证据搜索仍知之甚少。我们大多未能识别出表征同构问题类的良好特征，或识别出有趣且相关的子句和公式<\/jats:p>我提出了将归纳技术（泛化和学习）和演绎技术结合起来解决这个问题的挑战。硬件和软件最终发展到我们可以合理地表示和分析大型证明搜索和搜索决策的程度，并且我们可以希望在证明搜索的效率方面实现数量级的改进<\/jats:p>“，”DOI“：”10.29007\/n7rd“，”type“：”procesdings-article“，”created“：{”date-parts“：[[2018,1,23]]，”date-time“：”2018-01-23T18:06:06Z“，”timestamp“：1516730766000}，”page“：“，”卷“：”51“，”作者“：[{”给定“：”斯蒂芬“，”family“：”Schulz“，”sequence“：”first“，”affiliation“：[]}]，”member“：”11545“，”event“：{”name“：”ARCADE 2017。第一届自动推理国际研讨会：挑战、应用、方向、示范成果“}，“容器-时间”：[“计算中的EPiC系列”]，“原始标题”：[]，“存放”：{“日期-部分”：[[2018,1,23]]，“日期时间”：“2018-01-23T18:06:11Z”，“时间戳”：1516730771000}https:\/\/easychair.org\/publications\/paper\/6kgF“}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[null]]}，“references-count”：0，“URL”：“http://\/dx.doi.org\/10.29007\/n7rd”，“relational”：{}，‘ISSN’：[“2398-7340”]，‘ISSN-type’：[{“type”：“print”，‘value’：“2398-8340”“}]，”主题“：[]}}