May, 2024

NUTS，NARS，和 Speech

PDF
TL;DR通过利用非公理化推理系统（NARS）对语音识别进行研究以探究 “智能是信息处理系统在知识和资源不充足的情况下适应环境的能力”，本文提出了一种为感知设计的 NUTS：随机降维非公理化推理有限输入学习器。NUTS 包括幼稚的降维、一些预处理，然后进行非公理化推理（NARS）。只需 2 个训练示例，NUTS 对于离散词语识别表现与 Whisper Tiny 模型相似。
intelligenceinformation-processing systemnarsspeech recognitionperception
发现论文，激发创造
  • 机器心理学：将操作条件反射与非公理推理系统结合，推进人工智能普适性研究

    这篇论文介绍了一种称为机器心理学的跨学科框架，将操作学习心理学原理与特定的人工智能模型非公理推理系统（NARS）相结合，以增强通用人工智能（AGI）研究。该框架的核心前提是适应对于生物和人工智能同样重要，可以通过操作条件性原理来理解。该研究通过三个操作学习任务使用 OpenNARS for Applications（ONA）来评估这种方法：简单判别、条件改变和条件判别任务。这些研究结果支持操作条件性作为创建自适应 AGI 系统的框架的应用。

    May, 2024

  • 一种神经符号化方法用于自然语言理解

    通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

    Mar, 2022

  • NARS 中的功能等价性

    该研究通过 Non-Axiomatic Reasoning System (NARS) 框架中的 OpenNARS for Applications (ONA) 探讨功能等同的概念，通过改进 ONA 来推导功能等同。研究提供了 ONA 在不同功能情境中应用所学知识的实际示例，展示了其在复杂问题解决和决策中的实用性。研究扩展了对人工通用智能系统中功能等同的理解，并认为它对于人类级别的学习和适应所必需的灵活性是必要的。

    May, 2024

  • 图神经网络中的算法推理

    通过与神经网络和热带代数的连接，将算法推理集成到机器学习模型中的潜力展示出来。

    Feb, 2024

  • Transformer 相遇神经算法推理者

    使用 Transformer 的语言理解和图神经网络（GNN）的鲁棒性，我们提出了一种新的方法，将 Transformer 与基于神经算法推理器（NARs）的图算法进行结合，以解决算法推理方面的问题。经过评估，在算法推理方面，我们的结果表明 TransNAR 模型在 CLRS-Text 上相较于仅使用 Transformer 模型，能够获得显著的提升。

    Jun, 2024

  • 在超低资源环境下创建口语对话系统

    自动语音识别（ASR）系统是一项关键技术，用于设计各种应用程序，尤其是智能助手，如 Alexa。本文着重于低资源语言 Flemish 的 Intent 分类任务，通过在语音级别和音素转录级别应用不同的数据增强技术，改进了现有模型的性能。

    Dec, 2023

  • 语音转文本非自回归建模的比较研究

    本文对不同的无自回归（NAR）建模方法进行了比较性研究，实验证明了 NAR 模型相较自回归基线的精度降低代价下，可以同时在序列中生成多个输出，具有在实时应用中优足的潜力，在自动语音识别领域的性能差距上得到了一些有趣的发现，并展示了结合这些技术来进一步提高精度并应用于无自回归端到端语音翻译的能力。

    Oct, 2021

  • 神经算法推理器的潜在空间表征

    神经算法推理 (NAR) 是一个研究领域，旨在设计神经网络结构，能够可靠地捕捉经典计算，通常通过学习执行算法。该研究分析了图神经网络 (GNN) 在执行算法时所产生的潜在空间结构，并提出了解决失去分辨率和处理训练范围之外值的方法。通过在基准测试中使用最先进的 Triplet-GMPNN 处理器，我们表明这些改变可以改善大多数算法的性能。

    Jul, 2023

  • 非公理术语逻辑：认知符号推理的计算理论

    本文提出了非公理术语逻辑 (NATL) 作为人类符号推理在人工智能领域的理论计算框架，并将其定位在逻辑学的发展历程和相关文献中。NATL 结合了阿里斯托德的术语逻辑和现代分布式表示或嵌入的语义系统。该文未进行量化评估，但提供了使用 NATL 的定性分析和几个可能涉及机器人和认知科学的应用案例及其相关问题。

    Oct, 2022

  • 比较 NARS 和强化学习：关于 ONA 和 Q-Learning 算法的分析

    探讨了非公理推理系统（NARS）作为强化学习（RL）替代品的潜力，并进行了性能对比分析，结果表明 NARS 在不同难度环境中表现竞争力尤其是在非确定性环境中。

    Mar, 2023