解决渡鸦先知测试的神经矢量符号架构

Mar, 2022

解决渡鸦先知测试的神经矢量符号架构

A Neuro-vector-symbolic Architecture for Solving Raven's Progressive Matrices

Michael Hersche, Mustafa Zeqiri, Luca Benini, Abu Sebastian, Abbas Rahimi

TL;DR利用我们提出的神经向量符号架构（NVSA）对 Raven's 渐进矩阵数据集进行端到端训练，N VSA 的平均准确率达到了 87.7％，而 I-RAVEN 数据集则为 88.1％。与神经符号方法内的符号推理相比，NVSA 的概率推理具有两个数量级的更快速度。

Abstract

Neither deep neural networks nor symbolic AI alone has approached the kind of intelligence expressed in humans. This is mainly because neural networks are not able to decompose joint representations to obtain distinct objects (the so-called binding problem), while symbolic AI suffers from exhaustive rule searches, among other problems. These two problems are

neuro-symbolic ai distributed representations probabilistic reasoning end-to-end training raven's progressive matrices

发现论文，激发创造

LARS-VSA：用于学习抽象规则的矢量符号架构

人类认知在符号推理方面表现出色，从有限样本中推导出抽象规则。本文通过结合符号和连接主义方法，提出了一种神经符号化结构；同时，在学习有限数据量时，采用了将对象级特征与抽象规则分离的 “关系瓶颈” 策略。此外，本文借助于鲁棒性更强的高维计算方法来构建具有组合性的体系结构，并设计了一种新颖的高维注意机制。相较于现有技术，在各种测试数据集上，本系统具有更高的效率且保持相同或更高的准确性。

May, 2024

基于自注意力的矢量符号结构的语义分解

基于自注意力的更新规则和 Hopfield 网络的 log-sum-exp 能量函数及范数限制状态的新变体共振器网络被引入，可显著提高性能和收敛速度，使得算法具有更大的关联记忆能力，可应用于感知基模式识别、场景分解和物体推理等多个任务。

Mar, 2024

矢量符号化架构中基于学习规则的视觉抽象推理的概率推断

学习向量符号体系在解决抽象推理问题 (Raven's progressive matrices) 方面具有高效性和预测准确性。

Jan, 2024

分布式表示在神经形态硬件上实现鲁棒多时间尺度计算

使用高维随机向量作为最小表示单元的矢量符号结构（VSAs）嵌入鲁棒的多时间尺度动力学到基于吸引子的 RSNNs，通过叠加对称的自联想权重矩阵和非对称的状态转换项来嵌入有限状态机进入 RSNNs 动力学，通过模拟高度非理想的权重、实验性的闭环存储器硬件设置，和在 Loihi 2 上验证，表明了 VSA 表示在嵌入鲁棒计算与循环动力学到神经形态硬件中的有效性，无需参数微调或平台的特定优化，这将 VSA 推进为认知算法在神经形态硬件中的高级表示不变的抽象语言。

May, 2024

稀疏分布式表示的变量绑定：理论与应用

本文探讨了 Vector Symbolic Architectures 中稀疏分布式表示下的符号推导，通过实验证明了基于块编码进行变量绑定的方法具有良好的性质，并在认知推理和分类等实际应用中展示了它的价值。

Sep, 2020

向量符号架构的比较

本文提出了 11 种可用的 VSA 实现，并讨论了它们在底层向量空间和操作符方面的相似性和差异性，并通过实验比较了它们的容量、非精确解绑操作的逼近质量、混合捆绑和绑定操作对查询响应性能的影响以及在两个示例应用程序中的性能。

Jan, 2020

图结构推理的神经符号人工智能：综述

这篇论文调查了在图结构上执行神经符号推理任务的广泛方法，并提出了一个新的分类法来比较这些方法，包括基于逻辑推理嵌入方法、施加逻辑约束的嵌入方法和规则学习方法。此外，还提供了一个表格概述这些方法。

Feb, 2023

VSA4VQA: 将矢量符号体系扩展到自然图像的视觉问答中

提出了一种名为 VSA4VQA 的新型 VSAs 的实施，它是第一个将 VSA 扩展到复杂空间查询的模型，并通过引入学习的空间查询掩模和预训练的视觉 - 语言模型来解决视觉问题回答任务，评估结果表明它能够有效地编码自然图像，并取得与最先进的深度学习方法竞争性的性能。

May, 2024

自动生成建筑方案设计的零射频序列神经符号推理

该研究介绍了一种新型的自动生成建筑原理图设计的自动化系统，旨在简化多户型房地产开发项目初期的复杂决策过程。利用生成式人工智能（神经推理）和数学程序求解器（符号推理）的综合优势，该方法解决了建筑原理图设计中依赖专家知识和技术挑战的问题，通过模拟从初步概念到详细布局的传统建筑设计过程提出了一种新颖的顺序神经符号推理方法。通过与真实世界建筑的比较研究，验证了我们的方法的有效性。我们的方法能够根据对社区的理解生成各种建筑设计，展示了其改变建筑原理图设计领域的潜力。

Jan, 2024

基于向量符号架构的非配对图像转换

使用矢量符号结构（VSA）作为理论框架，将 VSA 约束应用于对抗学习，通过学习矢量映射来反转翻译，以确保与源内容的一致性，从而提高了图像翻译的效果。

Sep, 2022