Oct, 2022

神经符号可解释的人工智能双胞胎用于无触碰 IoE 的无线网络

PDF
TL;DR本文提出了一种基于神经符号的可解释人工智能双胞胎框架，以实现对于无线万物互联环境下网络和服务管理的可靠信任，该框架通过神经网络驱动的多元回归捕捉时间相关的无线万物互联环境，并通过基于有向无环图的贝叶斯网络对无意识决策进行符号推理，实现了对显式学习者和隐式学习者的管理。实验结果表明，所提出的神经语义 XAI 双胞胎在理性和闭环自动化方面可实现约 96.26％的准确性，并保证了 18％到 44％的更多信任分数。
explainable artificial intelligencenetwork management6g wireless networksneuro-symbolic frameworkioe
发现论文，激发创造
  • 一种面向质量感知的 IoE 服务交付的可解释人工智能框架

    本文提出一种可解释的人工智能框架，以实现面向质量的 IoE 服务交付，通过 Shapley 值解释确定语境矩阵的系数，最终，实验结果表明，Extra Trees 回归模型对准确性和解释性之间的权衡具有显着的性能优势。

    Jan, 2022

  • 基于意图的语义交流的神经符号人工智能

    本研究提出了一种新的技术框架 ——NeSy AI，结合 GFlowNet 和优化问题解决方案，来学习生成 6G 系统数据，具有更高的语义可靠性，并通过验证实现了比传统通信系统更高效的、具有更好的数据推理能力的数据传输方式。

    May, 2022

  • 知识增强的神经符号人工智能在网络安全与隐私中的应用

    神经符号人工智能（AI）是一个新兴而快速发展的领域，它结合了（深度）神经网络的子符号优势和知识图中的显式符号知识，以提高 AI 系统的可解释性和安全性。该方法解决了当前生成系统的一个关键批评，即其无法生成人类可理解的解释并确保安全行为，尤其在具有未知未知事物的情况下（例如，网络安全和隐私）。神经网络和符号知识图的集成使得 AI 系统能够以专家可理解的方式进行推理、学习和概括，该文章描述了在网络安全和隐私领域应用神经符号 AI 的益处。

    Jul, 2023

  • 人工智能通用化（AGI-Native）无线系统：逾越 6G 之旅

    提出了 AI 本地化无线系统的概念，通过赋予其必要的常识，向人工通用智能系统转化。通过感知模块和类比推理等认知能力，构建了系统的认知模型，并探讨了其在下一代 DT、认知化人工身影和大脑级元宇宙体验等应用方面的潜力。

    Apr, 2024

  • 可解释性物联网人工智能：概述、现状和未来方向

    论文综述了可解释人工智能（XAI）在物联网中的应用，重点介绍了 XAI 在安全增强、医疗物联网（IoMT）、工业物联网（IIoT）和城市物联网（IoCT）等应用中的广泛使用以及在这些应用中 XAI 模型的实现选择，同时介绍了边缘 XAI 结构和第六代（6G）通信服务对物联网应用的支持。

    Nov, 2022

  • 走向认知智能系统：神经符号 AI 的调查与展望

    人工智能的显著进步主要是由深度神经网络所推动，然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式，将神经、符号和概率方法融合在一起，提高可解释性、鲁棒性和可信度，并能够从较少的数据中进行学习。最近的 NSAI 系统在具有推理和认知能力的协作人工智能场景中展示了巨大的潜力。在本文中，我们对 NSAI 的最新进展进行了系统综述，并分析了 NSAI 模型的性能特征和计算操作符。此外，我们还从系统和架构的角度讨论了 NSAI 面临的挑战和潜在的未来方向。

    Jan, 2024

  • 可解释的神经符号视觉推理

    本文讨论了为非技术用户产生解释的最有效和高效的解决方案，提出了一种基于连接主义和符号范式的推理模型来解释神经网络的决策，并用一个例子演示了它的潜在用途。

    Sep, 2019

  • 可解释人工智能（XAI）在物联网中的应用调查

    本文针对黑盒子人工智能模型存在的不可解释性问题，在物联网领域提供了一些可解释的人工智能模型的系统性研究和分类，同时探讨了一些挑战性问题和未解决问题，并给出了未来发展方向。

    Jun, 2022

  • 网络安全可解释人工智能调查

    通过对网络系统中的网络驱动安全威胁和问题进行系统分类，本文就网络安全中的可解释人工智能问题进行了回顾和研究，探讨了解释人工智能目前的挑战和局限性，并提出了未来的研究方向。

    Mar, 2023

  • Greybox XAI: 一种神经符号学习框架，用于生成可解释的图像分类预测

    通过形式化说明解释是什么，提出一些公理和定义来澄清可解释的人工智能的数学角度。最后，我们提出了一个 Greybox XAI 框架，该框架通过使用符号知识库将 DNN 和透明模型组成。我们从数据集中提取知识库，并使用它来训练透明模型（即逻辑回归）。然后，我们在 RGB 图像上训练编码器 - 解码器架构，以产生类似于透明模型使用的知识库的输出。一旦两个模型独立地训练好后，它们就在组成的形式上用于形成可以解释的预测模型。我们展示了这种新的架构在几个数据集中是准确的和可以解释的。

    Sep, 2022