通过一种新颖的可解释性方法，该论文使用信息论度量量化了神经模型对输入的表示的结构化程度，从而预测模型的泛化能力，并发现模型的代表性和噪声强度有关。此外，研究还研究了模型大小对表示空间结构的影响。

Jun, 2024

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

本文旨在研究用结构性表示学习的方法，具体分为解缠结表示与面向对象表示两个方向，以实现从非结构化数据中提取潜在结构信息的目的，同时还探讨了该方法对预训练表示和下游任务泛化能力的提升以及其对于大规模数据的高效表征学习的应用。

Apr, 2023

生物和人工信息处理系统形成世界的表示，以用于分类、推理、规划、导航和决策。研究这些不同系统形成的表示在多大程度上一致？不同的表示是否仍然可以导致相同的行为？系统如何修改其表示以更好地匹配另一个系统的表示？研究表示对齐的这些问题是当代认知科学、神经科学和机器学习最活跃的研究领域之一。为了改善不同领域之间的沟通，我们提出了一个统一的框架，可以作为研究表示对齐的研究人员之间的共同语言。我们从认知科学、神经科学和机器学习领域的文献中进行综述，并展示了以前的工作如何适应这个框架。最后，我们提出了在表示对齐方面的开放问题，进展可以使这三个领域受益。我们希望我们的工作能够促进跨学科合作，加速所有研究和开发信息处理系统的社区的进步。请注意，这是一篇工作论文，欢迎读者提出他们对未来修订的建议。

Oct, 2023

本文探讨了 “表示” 在环境中如何生成和对智能行为是否必要的问题，并设计了一种基于信息论的重要特征 “表示” 的量化测度 R，通过人工神经网络和隐藏马尔可夫门的网络求解一个分类任务，发现适应过程中表示的能力增强且会在一个 agent 的生命周期内形成其环境的表示，能够使 agent 在获取感官输入的基础上表现复杂的、依赖于语境的行为。

Jun, 2012

该研究介绍了计算机模拟在语言演化、认知科学、机器学习、机器人等领域的应用，提出了几种代表性模型的论点和已知结论。研究发现一些假设和方法限制了模型的成功，认为应重视身体和环境对智能体的影响，并以此为基础，提出了将符号系统建立在行动、知觉以及抽象系统的想法。

Mar, 2023

通过神经 - 符号过渡性字典学习（TDL）框架，以一种自监督的方式学习数据的过渡性表示，将高维度的视觉输入信息压缩为一组张量作为神经变量，并发现隐含的谓词结构。通过原型聚类学习谓词，并使用扩散模型实现框架，通过合作博弈学习输入的分解，在 3 个抽象组合视觉对象数据集和 3 个神经 / 符号下游任务上进行了广泛实验，展示了学习到的表示能够对视觉输入进行可解释的分解，并且对于现有方法无法实现的下游任务具有平滑适应性。

Aug, 2023

本文基于领域非特定的语言，评估了复杂系统分析流程的每个步骤，包括系统和数据的收集、数学形式主义的不同用途和与其相关的计算方法，讨论了依赖性如何产生及其如何改变结果解释或整个分析流程，并通过两个真实世界的例子说明了研究问题、所选数学表示形式和研究对象选择对结果的影响。

Jun, 2020

本文探讨了语言图表示在理论上能否 complement 并提高神经语言建模的能力。通过集成一个预训练的 Transformer 和七种不同形式主义的 ground-truth 图，研究发现，总体而言，语义组成结构对于语言建模的性能最有用，超越了句法组成结构以及句法和语义依存关系结构。此外，这种效应在不同的词性类别中差异很大。总之，我们的研究结果为神经符号语言建模带来了有前途的倾向，并邀请未来研究 quantifying 不同形式主义所做的设计选择。

Dec, 2021

研究使用实数向量作为一阶逻辑的模型理论 / 语义学的一种方法，以结合分布式表示和离散表示的优势，并探讨此系统的一些有趣属性和简单的查询答案方法。

Oct, 2014