混合学习与推理系统的模块化设计模式：一种分类法、模式和应用案例

Feb, 2021

混合学习与推理系统的模块化设计模式：一种分类法、模式和应用案例

Modular Design Patterns for Hybrid Learning and Reasoning Systems: a taxonomy, patterns and use cases

Michael van Bekkum, Maaike de Boer, Frank van Harmelen, André Meyer-Vitali, Annette ten Teije

TL;DR本文提出对于混合神经符号系统的模块化设计模式，包括基础模式和组合模式，以及在两个真实案例中进行模式应用，同时提出分类神经符号架构的新型设计模式以及一个分类词汇表。

Abstract

The unification of statistical (data-driven) and symbolic (knowledge-driven) methods is widely recognised as one of the key challenges of modern AI. Recent years have seen large number of publications on such hybrid neuro-symbolic AI systems. That rapidly growing literature is highly diverse and mostly empirical, and is lacking a unifying view of the large v

hybrid neuro-symbolic systems modular design patterns taxonomically organised vocabulary compositional patterns realistic use-cases

发现论文，激发创造

混合学习和推理系统设计模式概述

本文提出了一套组合设计模式，旨在描述将机器学习中的统计技术与知识表示中的符号技术相结合的系统，经过大量文献验证，并帮助系统化该领域的相关文献，澄清不同技术组合达到的目的，并鼓励软件组件的重用。

May, 2019

基于人工智能系统的设计模式：多重文献综述和模式库

本研究的目标是提供 AI 系统的设计模式的概述 —— 无论是新的还是适应性的 —— 以提高特定的软件质量属性和解决频繁出现的问题，并将它们收集、分类，并使它们易于为研究人员和从业者所获取，从而使结果在这一新兴领域可被用来作为后续研究的基础和为设计基于 AI 的系统提供相关模式的参考。

Mar, 2023

神经符号一体化的模块化设计模式：细化与组合

本文正式化 van Bekkum 等人的神经符号设计模式，并形式定义了模式细化和从较小的构建块组合更大模式的概念。这些形式化概念正在 Hets 工具集中实现，以便可以检查模式和细化的正确性，并计算组合。

Jun, 2022

混合建模设计模式

介绍了用于混合建模的设计模式，将基于第一原理的建模方法与数据驱动的建模技术相结合，提供了四个基本模式和两个组合模式，以说明从气候建模、工程和物理等应用领域的典型案例中可以将数据驱动的组件与领域知识相结合的混合建模方法。

Dec, 2023

人工智能与人类的未来协作：混合智能系统设计知识分类

本文提供了一个交叉学科的观点，以发展由人与机器组成的社会技术群体，通过结合人工智能和人类智能，共同实现复杂目标，并从彼此学习中不断提高。因此，需要为这些系统提供结构化的设计知识，并展示了使这些应用程序的系统开发人员有用的指导。

May, 2021

常识本体微模式

使用模块化本体建模方法 (MOMo) 将常见名词从大语言模型中抽取整理为 104 个本体设计模式，并组织成一个完全注释的模块化本体设计库，以加速本体发展和使用。

Feb, 2024

广义注释逻辑的扩展及其等效神经架构

本文探讨了深度神经网络存在的一些局限性，以及最近兴起的神经符号混合系统如何整合符号推理并提出改进方法，将通用注释逻辑扩展为一个基于离散优化的二值化神经网络，提供了可行性证明，并讨论了实现该框架面临的挑战。

Feb, 2023

模块化元学习

本文提出了一种学习一组神经网络模块并以不同方式组合的策略，并通过重复使用模块来实现组合概括，提高机器人相关问题的性能。

Jun, 2018

混合自动学习系统与应用

本文研究了一种基于深度神经网络和神经符号方法的分类和回归模型，并引入了 Logic Tensor Networks 作为神经符号预测模型，能够区分和解释异常连接和正常连接。通过详细对比和解释深度神经网络和神经符号网络的实现和结果，论文提出了混合系统的需求。结果显示，虽然两种方法在预测模型准确性上相似，但 Logic Tensor Networks 还具备交互准确性和基于数据的演绎推理等优势。同时还讨论了过拟合缓解和可扩展性等优缺点。

May, 2024

自适应的以用户为中心的神经符号学习对自主系统进行多模态交互

通过深度学习使自主系统能够在感知的亚符号方式下逐渐理解对象及其环境，执行对象检测、传感器数据融合和语言理解任务。为了实现强大的人工智能，我们需要考虑人类提供的显式教学和通过观察人类行为获得的隐式教学，同时设计多模态输入和输出能力的系统以支持隐式和显式交互模型。我们提出了几个假设和设计指南，并通过相关工作的一个用例来实现这个目标。

Sep, 2023