该研究探讨了社会技术话语中的关系问题,即语义模糊、概念之间缺乏明确关系和不同的标准术语这些根本本体论问题。作者提出了一个概念框架来组织概念,包括操作性,认识论和规范方面,以帮助开发适当的指标、标准和机制,促进机构 AI 系统的研究和采用。
Mar, 2023
通过提出关于人工智能的关联性方法,文章呼吁在引入和使用人工智能系统时重视其社会、文化、环境等方面的影响,设计和使用人工智能时应着眼于其伦理问题,并借鉴 Ubuntu 哲学以实现社会范式的转变。
Feb, 2022
该研究阐述了建立和理解人工智能系统的基本思想:从符号方法到统计学习,再到基于因果关系概念的干预模型,其中一些机器学习和人工智能的难题内在地与因果关系有关,而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。
Apr, 2022
本文介绍了开放式关系建模问题,引入了使用定义实体进行条件生成类型的关系描述的方法,并将推理路径和选择机制包括在内以帮助在知识图谱数据上进行开放式关系建模。实验结果表明,该模型能够生成简洁但信息丰富的关系描述,捕捉实体的代表性特征。
Aug, 2021
论文回顾了因果推断的基本概念,并将其与机器学习的关键问题联系起来,提出了因果表示学习的核心问题,并提出了机器学习和因果学研究领域的关键研究方向。
Feb, 2021
本文研究在机器学习中从观察数据中识别因果关系的问题,探讨如何帮助学习高级变量及其中的因果结构,并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明,模型中显式地融合结构和模块化有助于因果识别。
Jul, 2021
通过学习具有因果模型语义的潜在变量表示形式,此研究论文探讨了因果模型在人工智能中的应用和理论基础,重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。
Jun, 2024
本文提出结构化表示法和计算方法是实现人工智能与人类智能相似的能力的关键,通过使用深度学习体系结构内的关系感应偏差,介绍一种新的人工智能工具箱构建模块 -- 图形网络,它支持关系推理和组合推广,为推理提供更复杂、可解释和灵活的模式。
Jun, 2018
本文介绍了关系机器学习中如何统计建模大型知识图谱,以预测世界中新的事实,包括潜在特征模型和图中可观察模式互补的统计关系建模方法,以及与文本信息抽取相结合,自动构建知识图谱的实践。
Mar, 2015
我们提出了一种因果学习模型,通过因果推断和干预研究物理现象的因果关系,并加强(或削弱)对潜在物理过程模型的信心。
Sep, 2023