（这里的数学问题只是一个例子，我的问题一般是关于这类问题的）。
给定两个Schur 多项式，,，我们知道我们可以将它们的乘积分解为其他 Schur 多项式的线性组合。
我们打电话给LR 系数（始终为非负整数）。
因此，一个自然的监督学习问题是在给定元组的情况下预测 LR 系数是否具有特定值. 这并不难。
我的问题是：我们是否可以使用 ML/RL 来做除了预测（在这种情况下）之外的任何其他事情，或者从预测结果中提取任何内容？换句话说，像“哦，我有 98% 的把握这个 LR 系数为 0”这样的陈述并不意味着任何数学上有趣的事情？
有相当多的论文示例，他们尝试“教”神经网络“学习”如何解决数学问题。大多数时候，可悲的是，它归结为在大型数据集上进行训练，之后网络可以“解决”这类基本问题，但无法将其推广到更大的问题。也就是说，如果你训练一个神经网络来解决加法问题，它本质上会受到数据集的约束。它可能能够半充分地解决 3 位甚至 4 位数字的加法问题，具体取决于您的数据集有多大，但是抛出一个包含 2 个 10 位数字的加法问题，它几乎总是会失败。
我记得他们在哪里尝试过的最新示例是在通用语言模型 GPT-3 中，它本身并不是用来解决方程的，但在数据集中的东西上做得“不错”。Facebook AI 使用我没有研究过的特定架构制作了一个“高级数学求解器”，这可能会反驳我的观点，但你可以研究一下。
最后，这归结为“在学习什么”和“你想完成什么”。大多数人同意这些网络无法在其数据集之外进行泛化。有人可能会说，不能概括并不意味着它不是在学习。它可能只是学习速度较慢。我相信这些模型本质上仅限于数据集中呈现的内容。给定一个好的数据集，它可能能够推广到“接近和介于两者之间”的情况，但我还没有看到这种情况可以推广到数据集“远离”数据集的情况。