本文对 ACT-R 和 Soar 的认知体系结构进行了详细分析和比较，包括它们的总体结构，对代理数据和元数据的表述，以及相关处理。重点关注工作记忆、程序记忆和长期陈述性记忆，强调了两者的共同点和差异，阐明了这些体系结构使用的信息进程和不同类别的信息，包括代理数据、元数据和元进程数据，并探讨了元数据在决策、内存检索和学习中所起的作用。

Jan, 2022

该研究介绍了一种基于结构映射理论的神经网络结构 —— 模拟匹配网络（Analogical Matching Network），通过融合类比与深度学习，产生了一种人工智能模型，能够有效地学习和推理，解决新问题。

Apr, 2020

通过探究教师语言模型在理解科学概念方面创建的类比如何帮助学生语言模型，从而使其与实际场景更加紧密地对齐，本研究结果表明，自由形式的类比确实可以帮助语言模型理解概念，并且学生语言模型生成的类比可以提高它们在科学问题回答方面的性能，展示了它们利用类比进行自我学习新知识的能力。

Jun, 2024

本文提出了一个深度学习框架来解决类比检测和解决两个关键问题，并在 morphological analogical proportions 数据集上进行了测试表明优于符号方法。文章总结了之前的研究，并结合了 ANNe 和 AE 嵌入模型。最终得出该模型在绝大多数情况下都优于其他方法，并提供了使用 DL 来处理类比问题的一般指南。

Mar, 2023

使用熟悉的领域进行类比推理是智能的标志。本文研究大型语言模型在处理逐渐复杂的结构化文本中的类比时的表现，并讨论了四个不同复杂程度的类比：词汇类比、句法类比、语义类比和语用类比。为了解决这个问题，我们提出了结合统计和符号人工智能的神经符号 AI 技术的必要性，以强调和增强相关内容，并提供抽象和指导映射过程的无结构文本表示。我们的知识驱动方法保持了大型语言模型的高效性，同时保留了解释类比的能力，适用于教学应用。

Aug, 2023

该研究通过关注数据的选择和呈现方式，研究神经网络在感知和推理原始视觉数据时如何诱导类比推理能力，并发现最健壮的类比推理能力是通过在输入域中对抽象关系结构进行对比学习而诱导的。

Jan, 2019

本论文比较了人类视觉类比问题解决能力和三种不同的计算模型的性能，包括成分模型、连体网络和关系网络，结果显示成分模型的定性表现与人类推理者相似，而深度学习模型的表现则不如人类。

May, 2021

人类认知的核心能力之一是类比；在面对新的情境时，我们经常将先前的经验从其他领域转化过来。多数关于计算类比的研究主要依赖于复杂的、手工制作的输入。本研究通过减少输入要求，只需要对实体进行映射，自动提取常识表示并将其用于实体之间的映射。与以往的工作不同，我们的框架能够处理部分类比并提出新的实体添加。此外，我们的方法的输出易于解释，允许用户理解为什么选择了特定的映射。实验证明，我们的模型能够正确映射 81.2% 的典型的 2x2 类比问题（猜测水平 = 50%）。在更大的问题上，它的准确率达到 77.8%（平均猜测水平 = 13.1%）。在另一个实验中，我们展示了我们的算法优于人类表现，并且自动提出的新实体与人类的建议类似。我们希望这项工作能通过为更灵活、更现实的输入要求铺平道路来推动计算类比的发展。

Nov, 2023

用于评估语言模型中类比推理能力的基准模型 ANALOBENCH 可以从大量信息中回忆相关经验，并将类比推理应用于复杂和冗长的情景中。

Feb, 2024

通过学习较简单的 “问题模式” 结构表示，并结合众包和递归神经网络从产品描述中提取目的和机制向量表示，使我们在寻找类比时可以比传统信息检索方法获得更高的精确度和召回率，在创意发想实验中，模型检索的类比与传统方法相比， 显著提高了人们产生创造性想法的可能性，这一结果表明，在许多大规模的现实生活情境下，学习和利用较弱的结构表示是实现计算类比的一种很有前途的方法。

Jun, 2017