- 利用函子数据迁移自动化转移机器人任务计划
本文介绍了一种新颖的本体论基于机器人计划转移的方法，使用范畴论中的函子数据迁移。函子提供了领域类型和谓词之间的结构映射，可以将计划从源领域传递到目标领域，而无需重新规划。与创建转移特定计划模型的方法不同，我们的方法可以应用于给定领域内的任何 - 令牌空间：AI 计算的范畴论框架
通过引入 Token Space 框架，该研究介绍了一种新的数学构造，旨在通过范畴论的运用提高深度学习模型的可解释性和效能。
- 重构心身形象：将形式系统应用于心与物质的关系
本文旨在通过使用集合论和范畴论的基本形式理论，展示一个简单的框架，以澄清和指导我们关于心智与物质关系的理论。
- 基于因果推断的个人信用风险评估方法研究
本文介绍了一种基于范畴论的新的因果关系定义，并在此框架下论证了指标综合因果推断的可行性，同时还探讨了因果图模型和干预替代标准在个人信用风险管理中的应用方法。
- 深度学习的基本组成：范畴论方法
这篇论文提出了一种基于范畴论语言的深度学习的新数学基础，通过系统化现有方法并将其概念统一到一个框架中，研究了参数化性和双向性这两个主要性质，并将其应用于 backpropagation、神经网络架构和监督学习的建模中，提供了一个统一和组合的 - ICLR多个协变量偏移和不平衡的图像数据集汇集
通过范畴论的视角，本研究提出了一种简单而有效的解决方案，用于处理小样本量、数据集合并、协变量不平衡以及参数过多模型等问题，并通过实验验证了该方法的有效性。
- CatCode: 基于代码和文本混合的 LLMs 综合评估框架
使用范畴论作为框架，提出了一个名为 CatCode 的自动评估框架，可以全面评估大语言模型在编码能力方面的表现。
- GAIA: 生成式人工智能的范畴基础
基于范畴理论的层级模型 GAIA 是一种生成式人工智能架构，它使用集合论中的单纯复合结构进行组织，并利用上级单纯形传递信息以更新内部参数，通过内外角延拓来解决不同类型的学习问题，采用协同代数形式对参数进行更新，同时将反向传播建模为参数范畴上 - MM范畴深度学习：架构的代数理论
我们提出了一个关于通用框架，用于指定和研究深度学习架构的难题的见解。我们认为目前为止的关键尝试缺乏一个能够将模型必须满足的约束与其实现进行协调的桥梁。我们的提议是应用范畴论 —— 更具体地说，是参数化映射的范畴论，作为一个单一的理论，优雅地 - 通用模仿游戏
图灵提出了 1950 年模仿游戏的框架，通过在范畴理论中使用数学，我们分析了更广泛的通用模仿游戏（UIGs），包括静态、动态和进化游戏，并使用两个有影响力的 Yoneda 结果来描述每种类型的模仿游戏。
- 通过 ologs 和连线图量化概念类比
通过构建本体日志（olog）理论的基础上，我们定义了一种连线图的概念，作为自治系统形成抽象概念的框架。我们展示了骨架连线图构成一个范畴的图形，并给出了一种度量集合中所有骨架连线图距离的方式。最后，我们通过一个实例说明如何计算利用连线图表示的 - 关于元提示
使用类别论的理论框架来描述和推广统计模型中的元提示方法，研究发现元提示方法在创意和构思领域的应用比基本提示方法更有效。
- 从概念空间到量子概念：形式化和学习结构化概念模型
本文提出了一个新的模型框架，使用范畴论的概念空间广义化，并展示了如何从数据中自动地学习概念表示，包括经典和量子两种不同的实例化。通过范畴论的形式化，我们详细阐述了该框架的基本原理。我们认为使用范畴论，特别是使用弦图来描述量子过程，可以帮助阐 - 利用大型语言模型提取数学概念
我们使用 ChatGPT 等生成性大型语言模型从数学文本中提取数学概念，为自动术语提取和数学文本处理领域以及 LLM 研究作出贡献。我们的研究目标是在数学领域中通过自动提取术语（关键词）来建立模型，使用的语料库是在线期刊《Theory an - Parmesan 教育数学概念提取
我们开发了一个原型系统 Parmesan，用于在上下文中搜索和定义数学概念，以帮助不熟悉数学概念的研究人员，该系统依赖于自然语言处理组件，包括概念提取、关系提取、定义提取和实体链接技术，并提供了两个修订后的数学语料库。
- 冲突解析的分类方法：将范畴论整合到图模型中
本文介绍了一种新的框架 ——C-GMCR（Categorical Graph Model for Conflict Resolution），该框架将范畴论整合到传统的冲突解决图模型（GMCR）中，提供更抽象和通用的模型，使研究者能够揭示更深 - 对解缠结定义的范畴论元分析
本文通过范畴论作为一个统一严密框架，元分析了现有的解缠结概念定义，并认为笛卡尔积和幺模乘积应作为解缠结的核心概念，从函数、等变映射、关系和随机映射的角度展示了不同处理方式的相似性和重要差异。
- 贝叶斯推理的组合结构
本文研究 Bayesian 推理和马尔可夫核之间的关系，探讨了如何利用范畴论和函数编程的镜像模式将其组合成类型驱动的统计推断方法。
- Brauer 群不变神经网络层计算算法
使用范畴论构建算法实现可变换于正交群、特殊正交群、辛群及对称群的张量空间间的学习可线性神经网络层，运用克罗内克积矩阵大幅降低运算成本。
- 群同变神经网络的范畴化
该论文提出了一种基于范畴论的新型深度学习应用，通过范畴论构建了一种比原始构建方式更为丰富的结构，能够更好地理解和处理群等变神经网络的线性层函数，特别地，提出了一种快速计算通过群等变线性层的传入向量结果的算法，证明了范畴论能够对深度学习的其他