- 多步骤的无结构数据知识检索与推理
通过整合精细调整的大型语言模型与具有逻辑推理、规划和交互式约束求解能力的强大符号推理引擎,本研究介绍了 Cora,一个基于神经符号人工智能平台构建的协作研究助手,该助手旨在高风险领域执行复杂的研究和探索任务。本研究讨论了此类领域中的多步推理 - H3DFact:异构三维集成 CIM 用于具备全息感知特征的分解
H3DFact is presented as a high-dimensional holographic vector-based engine that efficiently factors sensory signals, dem - 将 ContextGPT 的知识融入神经符号活动识别模型
基于深度学习模型,上下文感知的人类活动识别是移动计算领域的热点研究方向。然而,这些系统的实际部署受到标注数据稀缺的限制。基于神经符号人工智能领域的研究提出了使用常识知识来缓解此问题,在人类活动识别深度学习分类器中融入关于人类活动及其上下文的 - 任意 t - 范数上的模糊 Datalog$^\exists$
神经符号人工智能领域的主要挑战之一是在神经和符号数据的存在下进行逻辑推理。本文通过将模糊 Datalog 的存在性规则推广到模糊设置,允许使用任意 t - 范数,在保持计算复杂度结果和已建立的推理技术适用性的同时,允许对与不确定度相关的数据 - 基础模型在神经符号学习和推理中的作用
NeSyGPT 通过对视觉 - 语言基础模型进行微调,从原始数据中提取符号特征,并学习一个高度表达的回答集程序来解决下游任务,以提高 NeSy 任务的性能和减少数据标记和手动工程工作量。
- 大型多模态模型 (LMM) 作为面向 AI 原生无线系统的通用基础模型
本文解决了利用大型语言模型(LLMs)和基础模型设计人工智能(AI)本地网络的问题,提出了一种以无线为中心的基础模型架构,其中包括多模态模型,通过神经符号 AI 进行逻辑和数学推理,并展示了 RAG 在 LMMs 中的有效性,以及 LMMs - 走向认知智能系统:神经符号 AI 的调查与展望
人工智能的显著进步主要是由深度神经网络所推动,然而不可持续的计算轨迹、有限的鲁棒性和缺乏解释性的问题要求开发下一代人工智能系统。神经符号人工智能 (NSAI) 作为一种有潜力的范式,将神经、符号和概率方法融合在一起,提高可解释性、鲁棒性和可 - 具有逻辑约束的自回归模型的伪语义损失
神经符号人工智能(Neuro-symbolic AI)通过在神经网络的输出分布上最大化符号约束的可能性来弥合纯符号和神经学习方法之间的差距。为了应用神经符号学习于更具表达能力的自回归分布,例如转换器,我们提出了一种在随机的局部近似上对其进行 - 基于知识图谱的自主决策 AI 的信任、责任和自主权
知识图谱已经成为推动智能决策和各类人工智能服务的基础平台,但其与大型语言模型等脑神经学习技术的整合将带来公民自主权的丧失问题,因此本文概念化了支持基于知识图谱的人工智能自主权的基本主题和研究支柱,并在真实场景中分析了公民自主权的挑战和机遇, - 从神经激活到概念:关于解释神经网络中的概念的调查
综述了最近的方法来解释神经网络中的概念,强调了将学习和推理结合起来的重要性,并探讨了将概念知识插入神经网络架构的可能性,为实现基于可解释概念的神经符号人工智能迈出重要一步。
- 超越传统神经网络:通过计算逻辑技术实现推理与学习能力的增加
提出了改善知识注入过程、将机器学习和逻辑融入多智能体系统的解决方案。
- 通过直通估计器将逻辑约束注入神经网络
将离散逻辑约束注入神经网络学习是神经符号人工智能领域的主要挑战之一。本文发现,直通估算器这一用于训练二进制神经网络的方法可有效应用于将逻辑约束纳入神经网络学习中。我们设计了一种系统的方式将离散逻辑约束表示为一个损失函数;通过梯度下降,利用直 - 可扩展神经概率答案集规划
提出了 SLASH 概率编程语言,通过神经概率谓词和逻辑编程实现了可管理的概率推理,可以进行各种类型的概率查询,并在多个任务上取得了良好的表现。
- V-LoL: 视觉逻辑学习诊断数据集
研究提出 V-LoL 数据集,将视觉和逻辑挑战相结合,探索 AI 系统在视觉逻辑学习方面的能力,并在传统符号 AI、神经网络 AI 和神经符号 AI 领域进行多种技术的评估。
- 上下文感知的神经符号方法用于人类活动识别
本文提出一种基于语义损失函数的神经符号 AI 的方法,用于上下文感知的人体活动识别中,避免了符号推理模块,同时在建立的训练模型中注入了特定知识要求,能够在一些方面超越现有方法,如数据驱动模型,达到或者超过现有的系统识别率。
- ACL逻辑神经网络在话语分类中的应用:精神障碍诊断的可解释人工智能
提出了基于逻辑神经网络(LNN)的神经符号人工智能方法来诊断心理障碍,该方法解决了神经网络模型缺乏可解释性的问题,提供了一种更值得信赖的心理障碍诊断解决方案。
- 为基于块的视觉编程任务合成一系列子任务的进展
本文提出了一种新的算法来为给定的基于块的视觉编程任务生成一系列高质量的子任务,其解决方案相互依赖,从而解决给定的任务,通过这种算法使得 AI 代理能够更有效地执行任务,同时也可以帮助初学者解决编程任务。
- AAAI基于结构学习的正义高效 Motif 搜索算法
本文提出了一种基于随机过程的方法来挖掘抽象化的图形模型中的结构语素,并通过标准测试发现其准确度比现有的结构学习方法高出了 6%,计算时间快 80%.
- 面向强人工智能机器人生成的意向一阶逻辑
本文考虑自然语言符号结构与基于神经元结构的机器人语言之间的联系,探讨如何利用自然语言语法及两个通用语言属性,即基于 FOL 虚拟谓词和逻辑连接符的语义逻辑结构和相应的概念 PRP 结构,以智能化方法把自然语言言语接地到基于 IFOL 的机器 - 神经符号化时空推理
本文介绍了如何通过在神经符号人工智能方向上融合逻辑推理和机器学习,来整合空间和时间知识,解决复杂的现实问题,包括自然语言处理、视觉问题回答和语义图像分割。