神经网络中符号的出现与语义理解及交流
提出符号不仅在智能体之间用于外部通信,还可以通过一种自我交流形式在智能体内部用于帮助思考,探讨基于符号和概念的不同神经过程和推理方式,论文为未来的智能系统提供了一种新颖的神经符号假说和可行的架构设计。
Apr, 2023
本文探讨符号新生问题及其在人类和人类社会符号系统中的动态和适应性,阐述了符号在语言学和 AI 中的不同概念和属性,概述了符号新生问题在生物和人工系统中的历史研究,并提供了一个综合的综述和观点。
Jan, 2018
人工智能的快速发展,特别是通过深度神经网络,已经在视觉和文本处理等领域取得了显著进展。但是,实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来,提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展,阐明了知识图谱在三个关键类别中支撑着这种一体化:通过引入符号知识来增强神经网络的推理和可解释性(Symbol for Neural),通过神经网络方法来提高符号系统的完整性和准确性(Neural for Symbol),以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势,并提出了神经符号人工智能领域未来研究的方向。
May, 2024
人工神经网络在教育应用中具有适应性教育服务的重要性,然而由于三个重大挑战,即难以整合教育知识、学习和反思偏见,以及缺乏解释性,它们在实践中的教育潜力受到限制。该研究认为神经符号人工智能具有解决这些挑战的潜力,通过开发一种称为 NSAI 的方法,它将教育知识注入和提取到深度神经网络中,以建模学习者的计算思维。研究发现 NSAI 方法相较于仅在训练数据上训练的深度神经网络以及通过 SMOTE 和自编码器方法来增强训练数据的深度神经网络具有更好的泛化能力。此外,NSAI 方法使得从学得的网络中提取规则成为可能,便于解释与推理以及优化初始教育知识。这些发现表明神经符号人工智能能够克服人工神经网络在教育领域中的局限,实现可信赖和可解释的应用。
Nov, 2023
研究论文提出了使用神经网络来获得离散表示的机器语言的想法,并指出相比连续特征表示,离散语言表示在解释性、泛化能力和鲁棒性方面具有多个优势。
Jan, 2022
本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合,通过 20 年来的相关研究结果,为下一个 AI 系统的关键性成分做出探索,以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。
Dec, 2020
通过计算模型跟踪和模拟物体的感知及其在通信中的表征,本研究描述了内部表征的两个关键组成部分('observed' 和'seen'),并将它们与计算机视觉术语(编码和解码)联系起来。这些元素相结合形成符号网络,模拟物体感知和人类沟通中的意识。通过实验证明了我们模型的可视性,并探讨了如何将我们的网络作为预处理单元用于任何分类网络以提高效果,以期通过我们的模型更好地理解人类沟通和个人表征。
Oct, 2023
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