该论文提出了一种基于认知系统的深度网络模型,以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战,并通过使用空间关系的接地和递增式的学习,以及基于非单调逻辑推理和基础常识域知识的决策,实现对场景中物品遮挡和稳定性的推理,通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。
Jan, 2022
本文探讨了知识驱动的自动驾驶技术,并强调了当前自动驾驶系统存在的数据偏差敏感性、处理长尾场景的困难以及缺乏可解释性等限制。然而,具有认知、泛化和终身学习能力的知识驱动方法被视为克服这些挑战的有希望途径。本文通过利用大型语言模型、世界模型、神经渲染和其他先进的人工智能技术,系统梳理和回顾了该领域的先前研究工作,并为未来自动驾驶的研究和实际应用提供了洞见和指导。
Dec, 2023
本文提出了一种实用的方法,将机器学习算法与知识库本体形式结合。通过两个基于不同数据集的实验,分析了自主系统的风险意识,应用了多层前馈反向传播、朴素贝叶斯和 J48 决策树等机器学习算法。研究表明,将机器学习和知识库进行二层智能耦合是可行的,算法的时间复杂度与数据和知识的大小成线性关系。
Jun, 2024
本文提出修改对话系统,使其能够学习的方法,并讨论了如何从对话中提取知识、更新代理的语义网络并以行动和观察为基础。希望引起人们对该领域的关注,并成为未来研究的重点。
Feb, 2022
本研究采用最新的深度神经网络训练方法,成功开发出了一种模型,可以学会在基本本体论推理的形式下有效地进行逻辑推理,进而可以应用于许多现实世界中的问题,并且在各项实验中表现出高度准确和生物学上的可行性。
Aug, 2018
本研究提出了一种基于能量的图嵌入算法来描述工业自动化系统,学习多个领域的知识,从而可以进行上下文感知预测和评估异常严重性,该模型可以应用于机器学习和神经形态计算等领域。
Oct, 2021
本研究介绍一个三级知识集成机器学习方法,在工程领域平衡整体主义和还原主义的视角,以在数据驱动的过程中转移和利用领域知识。
Jul, 2023
通过使用大型语言模型(LLM)、专家法律系统(即法律决策路径)和贝叶斯网络的方法,本文概述了一种应用于自主汽车方面的方法的原理证明,该方法旨在通过对 AI 代理控制设备的代理软件中编码现有规则,实现人工智能代理理解法律并与之推理的能力。
Mar, 2024
该文介绍了应用于形式化知识表示领域的本体学习中的经典机器学习和数据挖掘方法,包括关联规则挖掘、正式概念分析、归纳逻辑编程、计算学习理论及神经网络,总结了各种方法在学习 DL 本体方面的优点和限制。
Apr, 2021
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