重新思考物理符号系统假设
本文介绍了物理学知识导向符号网络（PISN），并提出了多层符号网络，以解决部分微分方程。我们还提出了物理学知识导向神经符号网络（PINSN），在符号网络残差的模拟中使用了多层感知器，PINSNs 在性能上优于标准 PINN。
Jul, 2022
在本文中，我们基于一个统一的框架对 CPS 安全的研究进行了系统化的概述，框架包含三个正交的坐标系，分别为从安全角度、CPS 组件角度、CPS 系统角度，旨在构建一个足够抽象的模型来适用于各种异构的 CPS 应用，并且为 CPS 组件的紧密耦合提供了模块化的视图。
Jan, 2017
本文探讨了深度神经网络存在的一些局限性，以及最近兴起的神经符号混合系统如何整合符号推理并提出改进方法，将通用注释逻辑扩展为一个基于离散优化的二值化神经网络，提供了可行性证明，并讨论了实现该框架面临的挑战。
Feb, 2023
该研究挑战性地审视了语言组合性和语言规则对脑功能理论的四个挑战，并探讨了联结主义建模中的技术创新如何解决这些挑战，认为一些鲜为人知的连接主义模型能够满足这些挑战。
Dec, 2004
这篇论文介绍了在统计物理学、计算机科学和神经生物学交叉领域中涌现的模型统计方法，如关联复制和空腔方法，信息传递的概念和其在神经计算和学习中的应用，以期提供更好的理论和技术支持解决神经网络中的复杂计算问题。
Jan, 2013
该研究提出了一种新的理论 -- 代表性系统理论，通过结构变换技术，将一个系统中的表达方式变换到另一个系统中，从而通过统一的方法编码和选择代表性，具有广泛实用价值。
Jun, 2022
介绍了一个新的设计环境，称作 CPHS，它将现有设计模型与涉及人机基础设施交互的上下文感知设计数据相结合，使用机器学习方法创建增强的设计模型来实现性能预测力的提高。
Jan, 2020
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