- 通过预测编码实现脑启发型计算智能
人工智能(AI)是本世纪迅速发展的关键技术之一。然而,使用误差反向传播学习算法训练的深度神经网络在 AI 领域取得的大多数成果已经凸显出一些重要限制,例如计算成本高、难以量化不确定性、缺乏鲁棒性、不可靠性和生物不可行性。解决这些限制可能需要 - 社交媒体帖子中可解释人际风险因素的注释数据集
本研究构建并发布一个新的标注数据集,针对社交媒体上影响精神健康的人际风险因素进行分类和解释,以自然语言处理为切入点,建立模型并探讨以此为基础的 AI 个性化模型的未来研究方向。
- 利用遗传微程序实现自动化软件测试的大路径覆盖
利用遗传编程技术开发出一种新的自动化软件测试框架,生成可以重复生成输入值的微程序,从而快速高效地探索软件元件的输入参数范围,同时可应用于多种软件系统。
- 感知意识与计算智能的独立性
本文讨论了意识和智能的关系,提出了计算智能与感知意识是独立的,并将其在人类、动物和机器中的表现作了比较,进而探讨了这一结论对社会的重要影响。
- 基于计算智能的迁移学习综述
本文研究了基于计算智能的迁移学习技术,将其分为基于神经网络、进化算法、群智能和模糊逻辑的迁移学习。与传统的机器学习方法相比,迁移学习方法可以更好地建模当前领域的数据模式。
- 静态电源网格模型的采样策略
本研究提出一种基于 Correlation Sampling 算法的机器学习方法,可以更好地解决电网电量计算问题,相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模,与传统的 copula-based 方法相较,该算法能更广 - 标量奖励不足够:对 Silver、Singh、Precup 和 Sutton(2021)的回应
该论文提出了奖励最大化是所有智能的基础,但我们认为标量奖励无法解释生物和计算智能的某些方面,因此应采用显式的多目标奖励模型,并且即使标量奖励可以触发智能行为,也应避免使用这种方法来开发人工通用智能,因为会存在不安全或不道德的行为风险。
- 金融应用中的深度学习:一项调查
本文是一篇对于当前金融应用发展的深度学习模型的综述,分析了如今各个子领域中广泛应用的深度学习模型,并提出了未来的研究方向。
- 基于文本冒险的人工智能竞赛
该论文总结了在 IEEE 计算智能游戏会议上举办的三届竞赛,包括竞赛框架,竞争者以及在 20 个游戏中的改进评估结果。该竞赛填补了现有游戏人工智能竞赛的空白并为自然语言理解和生成提供了独特的挑战。
- AAAI通过程序内容生成实现智能理疗
本文介绍了将人工和计算智能技术应用于游戏研究,以用于物理治疗的一种途径。我们提供了一个原型研究的概述,重点讨论了运动传感器输入设备和虚拟现实设备在康复运动障碍治疗中的应用问题。 我们强调,程序内容生成和玩家建模的进步可以通过改善康复方案的质 - MM二维平台游戏 AI 遗传编程框架
通过遗传编程框架,结合人类控制器的输入数据,创造出有意义的人工玩家,解决现有游戏人物设计中手动编写脚本和规则的瓶颈问题,并提供洞察玩家在游戏中的表现以及相应的模型。
- 人机围棋:回顾与展望
本文讨论计算智能在围棋中的应用,介绍了历史上计算机围棋的发展历程,以及参加围棋比赛的计算机程序和 AlphaGo 所使用的方法和技术,并分析了 AlphaGo 战胜李世石的背后所使用的计算智能技术。文章认为,AlphaGo 打败李世石是基于 - 模拟赛车锦标赛:竞赛软件手册
描述 Simulated Car Racing Championship 竞赛软件架构、安装及运行简单驱动器的指南、传感器和驱动器的描述。
- 缺失数据:神经网络和期望最大化技术的比较
本文比较了基于最大似然和期望最大化算法(ML 和 EM)和基于自关联神经网络和遗传算法的两种方法对于缺失数据估计的能力,并基于三组数据集得出了结论。