Aug, 2023

NEOLAF，一种由 LLM 驱动的神经符号认知架构

PDF
TL;DR该研究论文提出了 NEOLAF（Never Ending Open Learning Adaptive Framework）这一集成的神经符号认知架构，它在建模和构建智能代理方面超越了纯连接主义和纯符号主义的方法，具备可解释性、增量学习、效率性、协作与分布式学习、人机协同以及自我改进的特点。该论文还通过一个引人注目的实验，向 NEOLAF 代理提供了开源 MATH 数据集中的复杂数学问题，结果展示了 NEOLAF 卓越的学习能力，并显示其对认知架构和自我改进的适应性教学系统领域的潜力革新。
发现论文，激发创造
  • 语言代理的认知架构

    利用符号人工智能的代理设计历史，我们提出了一种新的认知语言代理的蓝图，即 Cognitive Architectures for Language Agents (CoALA) 框架，这个框架将大型语言模型与外部资源或内部控制流结合起来，以实现基于语言模型的推理、概念化、学习和决策。通过 CoALA 框架，我们强调了目前语言代理的不足，并提出了未来发展更强大的语言代理的具体方向。

    Sep, 2023

  • DeepThought：自主自律系统的架构

    通过将大型语言模型与深度学习系统整合，提出能够展示类似于代理、自我激励甚至一些元认知特征的认知语言代理体系结构。

    Nov, 2023

  • 交互式机器人从口头纠正学习

    我们设计了一种基于大型语言模型 (LLM) 的学习系统 OLAF，使得普通用户可以通过语音纠正教导机器人，从而更新机器人的视觉运动神经策略，以避免未来重复错误，并在实验中展示了在长期任务执行中的成功率平均提高了 20.0%。

    Oct, 2023

  • 高效的连续学习架构搜索

    提出了一种名为 CLEAS 的新方法，通过与神经结构搜索（NAS）紧密协作，旨在解决神经网络连续学习所面临的挑战：克服灾难性遗忘问题，适应新任务，同时控制其模型复杂度，并通过在神经元层次上设计 NAS 控制器来加强知识转移，以实现更高的分类准确度和更简单的神经网络结构。

    Jun, 2020

  • 云机器人系统导航的生涯联合强化学习：一种学习架构

    本研究提出了一种基于云机器人系统的全生命周期联邦强化学习架构 (LFRL)，包括知识融合算法和有效的迁移学习方法，证明它能够显著提高机器人导航的效率和融合前期知识的能力。

    Jan, 2019

  • 神经逻辑机器

    该论文提出了神经逻辑机（NLM）这种结合神经网络和逻辑编程的神经符号架构用于归纳学习和逻辑推理，在小规模排序等任务上进行训练后，可以推广到大规模任务并在如家庭树和排序等任务中取得了优异表现。

    Apr, 2019

  • 持续学习的学习

    提出了一种灵感来自人脑神经调节过程的元学习算法 —— 一种神经调节的元学习算法（ANML)，可以在不会忘记先前知识的情况下，领会许多顺序有序的任务，通过其良好的选择功能来启用上下文依赖性的选 择性激活，可以在一个规模上进行连续学习，获得业界最优秀的连续学习表现。

    Feb, 2020

  • 神经网络的持续终生学习：综述

    终身学习对于人类和动物至关重要，然而，在机器学习和神经网络模型中，随着不断获取非静态数据分布的信息，由于 “灾难性遗忘” 或干扰而面临着困难。本论文对于人类生物系统中的终身学习因素进行了总结，并比较了现有神经网络方法的差异。

    Feb, 2018

  • 自主认知实体的概念框架

    该论文介绍了自主认知实体（ACE）模型，一种新型的认知架构，通过在人工认知架构中引入了抽象层的概念，充分发挥了生成式人工智能技术的能力，构建了自主、主动的系统，并提出了实施策略，旨在更易于理解和应用。

    Oct, 2023

  • 元学习基于自适应稳定证书的动态系统

    本文研究了神经网络在动态系统中的自适应稳定性认证问题，提出了与参数不确定性相关的神经李雅普诺夫函数的方法，通过与模型无关元学习的整合，提出了元神经李雅普诺夫函数，以应对参数变化带来的稳定性评估性能下降的问题。通过在标准基准自主动态系统上验证，证明了元神经李雅普诺夫函数在稳定性评估方面的性能。

    Dec, 2023