Oct, 2019

一个最小化学习代理如何推断一个复杂环境中未被观察的变量的存在

PDF
TL;DR文章介绍了学习体系如何获得和利用抽象概念结构的能力，并提供了一种最小体系结构的示例，展示了这些抽象概念结构在先前获得知识的应用中的操作有效性。
concept formationprojective simulationreinforcement learningtransparent artificial intelligenceexplainable artificial intelligence
发现论文，激发创造
  • 共享过程抽象的通信学习

    研究如何使用自然语言来协同解决物理装配问题，结果表明，参与者通过使用更高级别的指称表达逐渐提供越来越简洁的指示，从而达成了共享过程中的概念抽象，这为智能体之间的共同程序化抽象的协调提供了归纳偏见的启示。

    Jun, 2021

  • 强化学习中的抽象理论

    本文介绍了强化学习中抽象的理论，提供了符合需求的抽象函数的要求，并介绍了一组新算法和分析，旨在最大程度地减少有效强化学习的复杂性。

    Mar, 2022

  • 面向制造环境的灵活且易理解知识表达方式，用于数据高效学习和可信人机协作

    利用 Gärdenfors 的概念空间框架，基于属性分解的方法提高了人工智能代理的知识表示，并设计了一种基于模糊逻辑的类别归属判定模型；此方法在制造领域的应用能够有效提高人工智能代理的可解释性和可信度。

    May, 2023

  • 通过概念化获取和建模抽象常识知识

    通过使用抽象概念的方法，建立了一个可适用于人类常识推理的抽象通识知识图谱，并通过基于语言特征的启发式规则和神经模型计算与验证其抽象知识的有效性。

    Jun, 2022

  • AI 模型的组合学习调查：理论与实验实践

    综述了有关计算模型和认知研究中的组合学习的文献，并连接了认知和语言模型在组合推理中面临的计算挑战。概述了形式定义、任务、评估基准、各种计算模型和理论发现，并介绍了大型语言模型的现代研究，以深入了解尖端人工智能模型展示的组合能力，并指出了未来研究的重要方向。

    Jun, 2024

  • 评估概念抽象基准的理解能力

    本文提出了一种基于概念的评估方法，通过探究一个系统在多个实例中应用给定概念的能力来评估。作者以 RAVEN 和 ARC 为例进行了案例研究。研究发现，这种基于概念的评估方法揭示了传统测试集所隐藏的 AI 系统的信息。

    Jun, 2022

  • 人工智能中的抽象与类比推理

    本文综述了人类学习、推理和适应新领域的关键能力 —— 概念抽象和类比制定，以及通过符号方法、深度学习和概率编程归纳等多种途径构建具有这些能力的 AI 系统的优势和局限性，最后提出了设计挑战任务和评估指标的几点建议，以在此领域取得量化和可推广的进展。

    Feb, 2021

  • 可解释化多智能体强化学习的概念学习

    本文介绍了一种将领域专家的可解释概念纳入到多智能体强化学习模型中的方法，以提高模型的解释性和稳定性，提高性能和样本效率。

    Feb, 2023

  • 神经因果抽象

    通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由 Pearl 的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

    Jan, 2024

  • AIGenC: 通过创造力实现 AI 的普适性

    本文介绍了一种基于认知创造力理论的计算模型，旨在实现人造智能代理学习使用和生成易于迁移的表征，并通过梯度强化学习获取目标导向和时间信息的双重记忆系统，以及进行反射推理和融合等认知处理来提高人造智能的足够抽象度，以期在人工通用智能领域迈出更大的步伐。

    May, 2022