比较 NARS 和强化学习：关于 ONA 和 Q-Learning 算法的分析

Mar, 2023

比较 NARS 和强化学习：关于 ONA 和 Q-Learning 算法的分析

Comparing NARS and Reinforcement Learning: An Analysis of ONA and $Q$-Learning Algorithms

Ali Beikmohammadi, Patrick Hammer, Sindri Magnússon

TL;DR探讨了非公理推理系统（NARS）作为强化学习（RL）替代品的潜力，并进行了性能对比分析，结果表明 NARS 在不同难度环境中表现竞争力尤其是在非确定性环境中。

Abstract

In recent years, reinforcement learning (RL) has emerged as a popular approach for solving sequence-based tasks in machine learning. However, finding suitable alternatives to RL remains an exciting and innovative research area. One such alternative that has garnered attention is the No

reinforcement learning non-axiomatic reasoning system cognitive reasoning performance analysis open ai gym

发现论文，激发创造

机器心理学：将操作条件反射与非公理推理系统结合，推进人工智能普适性研究

这篇论文介绍了一种称为机器心理学的跨学科框架，将操作学习心理学原理与特定的人工智能模型非公理推理系统（NARS）相结合，以增强通用人工智能（AGI）研究。该框架的核心前提是适应对于生物和人工智能同样重要，可以通过操作条件性原理来理解。该研究通过三个操作学习任务使用 OpenNARS for Applications（ONA）来评估这种方法：简单判别、条件改变和条件判别任务。这些研究结果支持操作条件性作为创建自适应 AGI 系统的框架的应用。

May, 2024

NARS 中的功能等价性

该研究通过 Non-Axiomatic Reasoning System (NARS) 框架中的 OpenNARS for Applications (ONA) 探讨功能等同的概念，通过改进 ONA 来推导功能等同。研究提供了 ONA 在不同功能情境中应用所学知识的实际示例，展示了其在复杂问题解决和决策中的实用性。研究扩展了对人工通用智能系统中功能等同的理解，并认为它对于人类级别的学习和适应所必需的灵活性是必要的。

May, 2024

图神经网络中的算法推理

通过与神经网络和热带代数的连接，将算法推理集成到机器学习模型中的潜力展示出来。

Feb, 2024

强化学习辅助的递归 QAOA

设计出更好的用于组合优化的量子算法，结合强化学习增强递归 QAOA 表现，与传统 QAOA 相比，表现更好。

Jul, 2022

双重 A3C：在 OpenAI Gym 游戏上的深度强化学习

本文介绍了如何使用双重 A3C 算法和神经网络来最大化智能体在未知环境中的奖励，并在 OpenAI Gym Atari 2600 游戏中超越了基准。

Mar, 2023

量子深度循环强化学习

本文介绍了使用量子循环神经网络和深度 Q-learning 算法来解决部分可观察环境中的量子强化学习问题，并且在数值模拟中证明了该方法在标准基准测试如 Cart-Pole 中的结果比经典 DRQN 更加稳定和具有更高的平均分数。

Oct, 2022

深度关注递归 Q 网络

通过深度强化学习方法，利用软、硬注意力机制的扩展 DQN 算法，以 Atari 游戏为测试模型，表明其性能优于 DQN，并且内置的注意机制使得可以直接监控训练过程。

Dec, 2015

神经网络的抽象和推理：迈向机器的广泛泛化

人工智能研究半个世纪以来一直试图复制人类的抽象和推理能力，创造出可以从一小组示例中学习新概念的计算机系统，在人类轻松掌握的情境下进行。然而，尽管特定神经网络能够解决一系列问题，但对于训练数据之外的广泛泛化，仍然是个难题。本文提出了几种新颖的解决方法，用于解决抽象与推理语料库 (ARC) 的问题。尽管竞赛的最佳算法仍然无法解决大多数 ARC 任务，并且依赖于复杂的手工规则，而不使用机器学习。我们重新审视了神经网络领域的最新进展是否能够在这个任务上取得进展，并提出了适应 ARC 的 DreamCoder 神经符号推理求解器。DreamCoder 自动编写特定领域的语言程序进行推理，并使用神经网络模拟人类直觉。我们提出了感知抽象与推理语言 (PeARL) 语言，使 DreamCoder 能够解决 ARC 任务，并提出了一种新的识别模型，显著改进了之前的最佳实现。我们还提出了一种新的编码和增强方案，使大语言模型 (LLMs) 能够解决 ARC 任务，并发现最大的模型可以解决一些 ARC 任务。LLMs 能够解决一组不同于现有解算器的问题，并为其他方法提供了一种有趣的补充方式。我们进行了集成分析，将模型结合起来以取得比任何单独系统更好的结果。最后，我们发布了 arckit Python 库，使未来对 ARC 的研究更加容易。

Feb, 2024

量子强化学习的异步训练

本文提出了一种采用异步训练 QRL 代理的方法，具体选择了优势演员评论家变分量子策略的异步训练，并通过数值模拟证明，相对于采用相似模型大小和架构的经典代理，采用异步训练 QRL 代理在考虑的任务中可以达到相似或更高的性能

Jan, 2023

神经算法推理器的潜在空间表征

神经算法推理 (NAR) 是一个研究领域，旨在设计神经网络结构，能够可靠地捕捉经典计算，通常通过学习执行算法。该研究分析了图神经网络 (GNN) 在执行算法时所产生的潜在空间结构，并提出了解决失去分辨率和处理训练范围之外值的方法。通过在基准测试中使用最先进的 Triplet-GMPNN 处理器，我们表明这些改变可以改善大多数算法的性能。

Jul, 2023