本文对 ACT-R 和 Soar 的认知体系结构进行了详细分析和比较，包括它们的总体结构，对代理数据和元数据的表述，以及相关处理。重点关注工作记忆、程序记忆和长期陈述性记忆，强调了两者的共同点和差异，阐明了这些体系结构使用的信息进程和不同类别的信息，包括代理数据、元数据和元进程数据，并探讨了元数据在决策、内存检索和学习中所起的作用。

Jan, 2022

本文介绍了一种自适应计算时间（ACT）的算法，它使得循环神经网络能够在接收输入和输出之间学习要执行多少计算步骤。ACT 要求最少的网络架构变化，并且是确定性和可微分的，在不会增加参数梯度的噪声的情况下表现良好。实验结果证明，ACT 在决定二进制向量的奇偶性，应用二元逻辑操作，加法和对真实数字排序的四个综合问题上表现出了显着的性能改进。此外，本文还在 Hutter 奖 Wikipedia 数据集上展示了字符级别的语言建模结果，ACT 在该场景下性能提升不是很大，但是它提供了对数据结构的引人瞩目的见解，更多的计算分配给了难以预测的转换，比如单词之间的空格和句子结束。这表明，ACT 或其他自适应计算方法可能提供一种推断序列数据分段边界的通用方法。

Mar, 2016

本论文描述了一种基于脑活动的五个原则实现的认知体系结构，包括逻辑 - 概率推理、概率形式概念和功能系统理论三个子系统，建立体系结构需要实现任务驱动方法，提供了基本本体论，以及可能的应用示例。

Feb, 2023

本文介绍了一种认知体系结构，其基于五个已确定的大脑活动原则，以三个子系统的实现为基础：逻辑概率推理、概率形式概念和功能系统理论。建立体系结构需要实现任务驱动方法，以允许将应用程序的目标函数定义为在应用本体中表达的任务，因此我们提供了一组基本本体用于一些实用应用程序以及基于该本体的主题域本体，并描述了提议的架构，并给出了这些应用程序在该架构中执行的可能示例。

Apr, 2022

该研究提出了一种新的概念、公理模式和算法，使智能体能够学习描述其行为、目标、能力和环境，并通过观察学习新的行为描述，代之以感性的关系，这些关系被称为 Although 关系，并利用修辞结构理论，结果证明了该算法在采用实施软件的演示场景中是有效的。

Jun, 2022

本研究针对可解释人工智能（XAI），提出了一种计算论证的交互式解释方法（AXs），以解决模型输出与人类决策之间的不一致性。实验结果表明，AXs 在 XAI 中可以有效地解决不当行为和决策冲突。

Mar, 2023

本文提出了一个新的认知框架，探讨了人际互动的关系，以意图、情感和行动来分析并建立起互动中的关系，通过行动确定互动过程从而预测结果，并在此基础上构建了行为绑架、情感预测和行动生成三种任务以及相应的基线模型来验证认知框架的有效性。

May, 2022

本文探讨了如何在使用 Soar 的过程中将模拟处理的计算模型引入，以实现从交互式获得的示例进行概念获取。我们提出了一种新的类比概念记忆，可以快速学习在环境中识别并选择操作的多种新概念。

Oct, 2022

本研究比较了 Adaptive Computation Time 和 Repeat-RNN 两种模型在变长序列任务上的性能表现，发现 Repeat-RNN 与 ACT 相比在该任务上表现良好，源码可公开获取。

Mar, 2018

本文提出了一种可扩展的语用学方法，通过信息论原理来在代理人之间掌握语用技能，建立了一种新的架构和学习过程，而不是依靠人类数据。

Aug, 2021