- ICML类型理论在人类学习和推理中的应用
该研究提出类型理论是理解人类如何进行新颖问题思考、解释和猜测的核心组成部分，并以三个实证性观察来证明这一观点：学习和推论的自适应性限制、人们在不可能性和不太可能性之间区分的能力以及人类在不同层次的抽象概念上进行推理的能力。
- 计算结构因果模型的最优抽象
本篇论文主要研究在不同抽象层次上使用因果模型的特性，旨在学习到新的抽象模型，研究者通过定义形式化学习问题，并采用优化和信息损失函数来阐明抽象过程。
- 在随机领域中使用抽象化进行可解释的机器人程序设计
该研究提出了一种抽象方法，将高层次、非随机的机器人模型映射到低层次、随机的模型中，从而消除传感器噪声对机器人行为模型的影响，简化行为模型的可理解性。
- 结构因果模型之间的抽象：定义和性质述评
本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于 SCMs 之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对 - 去噪 MDPs：学习比世界本身更好的世界模型
该论文提出了一种基于奖励的学习框架，旨在通过分离信号与噪声、提取有用信息以及抑制某些噪声分心因素的方式来改进强化学习中的表示学习，实验结果表明其在控制任务和联合位置回归等任务中优于其他先前工作。
- 通过继承表征进行离散状态 - 行动抽象化
本文提出了一种自动学习基于状态抽象的离散化模型，命名为 Discrete State-Action Abstraction (DSAA)，可以有效地解决强化学习中的任务，并且对探索方案的影响进行了模拟和验证。
- 数学语言处理调查
该研究追踪了近年来非正式数学语言处理方法在五个战略子领域中的发展情况，重点突出了卓越的方法论要素以及现有的限制。
- Blackbird 的语言矩阵（BLMs）：一种研究神经网络分离泛化能力的新基准
通过 Blackbird's language matrices（BLMs）的语言数据集测试近期模型的语言掌握和普遍化的能力。我们展示了数据集的逻辑和自动构建数据的方法，以及学习它们的架构。通过变形的数据集和误差分析，我们证明了该任务以及数 - 科学解释与自然语言：用于可解释人工智能的统一认识论 - 语言学视角
通过系统分析自然语言解释、结合归纳和演绎论证、和哲学科学中的科学解释现代观念，探讨可解释 AI（XAI）中的可解释性，并揭示自然语言解释的本质，功能，抽象维度和科学解释的含义。
- 噪声机器人程序抽象化
本文介绍一种应用于概率和动态系统的抽象方法，通过基于概率信念的情境演算定义同类关系可将包含嘈杂执行器和传感器的详细概率基本操作理论抽象为可能的非随机基本操作理论，并得到节省细节的抽象 Golog 程序，简化了嘈杂机器人程序的实现，提供了更易 - 多智能体通信中的分层参考系统出现
本研究开发了一种新型的通信游戏，分层引用游戏，用于研究人工智能代理如何出现针对不同层次的引用系统，结果表明代理可以成功地学习并推广到新的概念，他们使用隐式和显式策略实现抽象，并反映层次结构及其组成性的东西支持分层引用系统的出现。
- 强化学习中的抽象理论
本文介绍了强化学习中抽象的理论，提供了符合需求的抽象函数的要求，并介绍了一组新算法和分析，旨在最大程度地减少有效强化学习的复杂性。
- CLIPasso: 语义感知物体草图
利用不同的几何和语义上的简化来控制抽象程度的一种物体素描方法，能够通过训练学习到草图和图像的概念，生成的草图实现多个抽象程度，同时保持主题的可识别性，基本结构和基本视觉元素。
- IJCAI深度强化学习的抽象化
本文在深度强化学习的背景下对抽象问题进行了阐述，并探讨了 AI 和机器学习发展中的各种方法及其应用的难点。
- MM使用程序合成和归纳逻辑编程解决 Bongard 问题
本研究主要探讨使用 Dreamcoder 构建的程序是否可以用于类比推理，以解决某些 Bongard 问题，并使用归纳逻辑编程（ILP）学习抽象概念的可解释性理论。实验结果表明我们的系统可以解决此类问题，并指出改进的方向。
- IJCAI具备继承特性的选项传输和 SMDP 抽象
本文研究了强化学习中的联合时间和状态抽象，其中采用继承特征的新颖抽象机制，使得抽象选项可以在不同环境下转移并进行有效规划。
- ICML基于瓶颈选项学习的无监督技能发现
本文提出了一种新颖的无监督技能发现方法 —— 信息瓶颈选项学习 (IBOL)，它能够通过推动更多的不同状态转换来吸收环境中固有的技能，并通过信息瓶颈框架对这些技能进行抽象，从而提高了稳定性和可分离性。实验证明，IBOL 在 MuJoCo 环 - ACL绘制一朵花：自然语言中的抽象处理与基础
本论文研究了自然语言中抽象表达的处理和基础问题，并通过 2D 指令跟随游戏 Hexagons 收集了超过 4k 多样化抽象类型丰富的指令数据，发现现代神经模型的表现与人类表现相比明显不足，特别是在更高层次的抽象处理上表现更差。
- MMIconify：将照片转换为图标
本文研究了将照片和图标图像进行转换的方法，通过使用生成对抗网络（GAN）中的 CycleGAN 和 UNIT 方法实现从照片图像中分割目标对象并生成图标图像，在多个图像数据集上验证 CycleGAN 具有足够的抽象和简化能力以生成类似图标的 - IJCAI网格单元问题无解原因的缩放抽象
本文介绍了如何使用抽象方法解决在网格上的问题，使用 Answer Set Programming（ASP）等解决问题的知识表达和推理范式，削减了网格的冗余信息。我们重点研究了网格问题的不可解原因，并通过用户研究验证了机器和人类结果的相似性以