arXiv:2510.23637v2 Announce Type: replace 
Abstract: Premise selection is a key bottleneck for scaling theorem proving in large formal libraries. Yet existing language-based methods often treat premises in isolation, ignoring the web of dependencies that connects them. We present a graph-augmented approach that combines dense text embeddings of Lean formalizations with graph neural networks over a heterogeneous dependency graph capturing both state-premise and premise-premise relations. On the LeanDojo Benchmark, our method outperforms the ReProver language-based baseline by over 25\% across standard retrieval metrics. These results suggest that relational information is beneficial for premise selection.

تم تقديم نهج جديد لاختيار الفرضيات في إثبات النظريات، يجمع بين تضمينات النصوص الكثيفة والشبكات العصبية البيانية لتحسين العملية. تم اختبار هذه الطريقة على معيار LeanDojo، حيث أظهرت تحسنًا كبيرًا مقارنةً بالخط الأساسي ReProver، محققة أكثر من 25% من الأداء الأفضل في مقاييس الاسترجاع القياسية.

Se ha introducido un nuevo enfoque para la selección de premisas en la demostración de teoremas, combinando embeddings textuales densos con redes neuronales gráficas para mejorar el proceso. Este método, probado en el LeanDojo Benchmark, muestra una mejora significativa sobre la línea base de ReProver, logrando más del 25% de mejor rendimiento en métricas de recuperación estándar.

Une nouvelle approche pour la sélection des prémisses dans la démonstration de théorèmes a été introduite, combinant des embeddings textuels denses avec des réseaux de neurones graphiques pour améliorer le processus. Cette méthode, testée sur le LeanDojo Benchmark, montre une amélioration significative par rapport à la référence ReProver, atteignant plus de 25 % de meilleures performances dans les métriques de récupération standard.

A new approach to premise selection in theorem proving has been introduced, combining dense text embeddings with graph neural networks to enhance the process. This method, tested on the LeanDojo Benchmark, shows a significant improvement over the ReProver baseline, achieving over 25% better performance in standard retrieval metrics.

Combining Textual and Structural Information for Premise Selection in Lean

One More Thing in AI – Your Shortcut to AI Mastery

Combining Textual and Structural Information for Premise Selection in Lean

Was this article worth reading? Share it

One More Thing in AI

LucidQuery AI

MyFramework

Airparser

Graphite Note

Supametas.AI

Ready to build your own newsroom?