- 神经导航:一种神经可信强化学习库
介绍 Neuro-Nav—— 一个开源库,以神经为基础、可行的强化学习作为模型框架,为决策学习和生物学导航等各个领域提供有趣的可复现场景和数据,并展示了使用深度 RL 等方法扩展该工具箱以解决未来研究需求的方法。
- 可计算人工通用智能
提出一种基于经验的理论框架,称为 “实用弱点原则”,用于处理认知科学和人工智能中的主观性问题,并将其与 AIXI 进行比较,显示出在弱点最大化的情况下会取得最优的行为结果。
- 语言模型不是语言的模型
本研究显示,尽管大型神经语言模型在执行语言任务方面取得了许多成功,但它们并不适合作为自然语言的全面模型。这意味着现代神经模型并不能代表我们对认知的理解革命。
- OpenDR:面向机器人的高性能、小占地深度学习的开放工具包
本文介绍了针对机器人学应用的开放式深度学习工具包(OpenDR),该工具包旨在为机器人公司和研究机构提供机器人领域的知识。OpenDR 旨在解决现有深度学习框架在机器人领域使用时面临的问题,其中包括特定的学习、推理和融合问题,静态推理范式的 - 存在和感知作为 AGI(人工通用智能)的基础
本文试图对 AGI 中的概念 “meaning” 和 “knowledge” 进行严格的规范化定义,以便在实际实现中能够在上下文中处理相关的认知概念。
- AAAI神经类比匹配
该研究介绍了一种基于结构映射理论的神经网络结构 —— 模拟匹配网络(Analogical Matching Network),通过融合类比与深度学习,产生了一种人工智能模型,能够有效地学习和推理,解决新问题。
- AAAI逆向工程讽刺,或 “计算幽默论文” 尽管取得重大进展仍被接受
本文深入探讨了讽刺新闻标题的语法和语义结构,找到了制造幽默的关键词和概念,为构建制造幽默的系统提供了新的见解。
- 人类脑网络中的认知嵌合状态
本文探讨使用 chimera-based 框架,研究脑区之间同步的不同模式对认知系统的影响,并提出四个认知系统分类,以反映它们的不同功能角色。
- MM构建像大脑一样适应和计算的机器
构建像人类一样学习和思考的机器不仅对认知科学至关重要,而且对于计算神经科学也是如此,其最终目标是理解认知如何在生物大脑中实现。新的认知计算神经科学应该建立认知级和神经级模型,理解它们的关系,并使用大脑和行为数据测试两种模型。
- ICCV展示与记忆:学习令视频难忘的因素
该研究开发了一个视频可记忆性预测模型,并进行了视频子镜头可记忆性预测实验,结果表明该方法比现有的可记忆性方法更有效。
- 相互作用的概念空间 I:概念的语法组合
介绍了一种扩展基于范畴的表示意义的方法,将其应用于概念空间模型,提出了凸关系范畴,构建了名词、形容词和动词类型的概念空间,通过例子说明了复合短语的构成方式,建立了一种新的认知复合方法。
- 语言中规范化的认知根源
研究表明,认知中存在至少两种独立来源的规范偏见:一种基于认知负荷的通用源和一种由语言刺激触发的特定源。这些因素都调节频率信息的编码和产生方式,但只有产生方面的调节会导致规范化。使用实验数据和文化传播模型,我们为每个实验条件下可能发展的规则性 - NIPS将认知本体映射到和从大脑中映射出
本文介绍了一种方法来累积关于观察到的脑活动和相应功能之间的双向联系的知识。我们的方法基于大量的影像研究和一个预测引擎。我们首次演示了预测完全新的脑图像的认知内容的方法。
- 跨主体学习和比较功能连接组
本文综述了功能连接组的快速发展和多种方法,在静息状态下和任务驱动实验中如何比较它们,同时分析它们在不同个体和条件下的变异性,可以揭示大脑病理和认知机制的标记。
- 认知中的量子结构
研究了量子力学模型和数学模型在概念和它们的组合中的应用,提出了一种概念组合的数学建模方案,阐明了量子力学原理在认知中的作用及其与概念形成基本过程的联系,并调查了其对人类思维结构的影响及其与决策理论、经济学等领域中的若干现象的关系。