数学推理的概率结果与认知交替
本文介绍了一种认知体系结构,其基于五个已确定的大脑活动原则,以三个子系统的实现为基础:逻辑概率推理、概率形式概念和功能系统理论。建立体系结构需要实现任务驱动方法,以允许将应用程序的目标函数定义为在应用本体中表达的任务,因此我们提供了一组基本本体用于一些实用应用程序以及基于该本体的主题域本体,并描述了提议的架构,并给出了这些应用程序在该架构中执行的可能示例。
Apr, 2022
本论文描述了一种基于脑活动的五个原则实现的认知体系结构,包括逻辑 - 概率推理、概率形式概念和功能系统理论三个子系统,建立体系结构需要实现任务驱动方法,提供了基本本体论,以及可能的应用示例。
Feb, 2023
该研究针对数学领域中的推理、学习、应用规则等独特挑战,提出了一个数学问题套件的任务,用于测试和评估神经架构等系统的性能、能力和失效模式。通过生成数据并运用序列到序列的最强模型,可以从不同角度评估模型在数学问题解决和知识推广方面的能力。
Apr, 2019
我们介绍了一种新的神经架构,用于解决视觉抽象推理任务,受到人类认知的启发,特别是人类抽象推理经常在感知和概念处理之间交替进行,作为一种灵活、迭代和动态的认知过程。我们介绍了如何使用矩阵推理问题来解释这种新的对比感知 - 概念网络(CPCNet)的工作方式,以形式化问题的思维。在机器学习数据集 RAVEN 上的实验证明,CPCNet 相比之前的所有模型具有更高的准确性,同时使用了最弱的归纳偏差。我们还指出了原始 RAVEN 数据集中的显著且以前未被注意到的类别不平衡问题,并提出了一个新的变体 RAVEN--AB-RAVEN,该变体在抽象概念方面更加平衡。
Sep, 2023
通过实现一个数学向量化嵌入网络和一个联想记忆模型,本研究探索了支持算术学习的认知机制,以神经生物学可行的认知架构模拟这些技能的习得。通过实验,揭示了联系主义模型的泛化能力、发展计算障碍的神经学原因以及网络架构对认知性能的影响。通过这个跨学科研究,旨在为智能系统中数学认知的神经相关性的继续研究做出贡献。
May, 2024
本文使用非单调推理和计算机科学中的答案集编码(ASP)来形式化作为认知原则的文献发现,建立一个名为‘plausibility’的推理概念,并将其用于测试现有实验的效果并解释不同的多数响应。
May, 2022
本研究探讨在数学中的程序抽象结构,定案例研究并且说明通过 Peano 定理证明环境和可重用抽象的能力,加上恰当的教学大纲,是保障自动化数学推理的长期文化传播的有效方法。
Nov, 2022
提出了一种名为 Brain 的新方法,通过模仿人类思维过程来增强数学推理能力,在生成规划时使用额叶模型,然后利用顶叶模型生成代码并执行以获得答案,在数学推理任务中取得了最先进的性能,并发现可以明确从自然语言、代码或正式语言中提取规划。
Feb, 2024
我们提出了一种神经推理器的架构选择,强制其将执行轨迹视作有限预定义状态的组合,通过对算法状态转换进行监督训练,以实现与原始算法的完美对齐,并在 SALSA-CLRS 基准测试中获得了完美的测试分数,同时使得我们能够证明对于任何测试数据,所学算法的正确性。
Feb, 2024