- 利用无损压缩算法进行多光谱时间序列的低资源作物分类
基于符号表示和多尺度归一化压缩距离的非训练框架在作物分类中具有高性能和鲁棒性,适用于真实世界的农田调查。
- 论证性因果探索
使用符号表示对假设引导论证(ABA)进行推理可以支持因果关系的发现,此方法在使用答案集编程(ASP)实现后在因果发现的标准基准测试中表现良好。
- ICLR基于级联扩散模型的符号音乐整曲层次生成
本文提出了基于组成层次结构实现完整音乐作品建模的方法,通过定义一种分层语言对流行歌曲的符号化表示进行建模。通过级联扩散模型训练了分层语言模型,实验证明该模型能够生成具有可识别的全局歌词 - 副歌结构和协调音的完整音乐作品,且音乐质量高于基准 - 中性模糊集与映射的 Python 框架
使用 Python 开发的开源框架,能够简单直观地操作各种类型的符号表示的中性集和它们之间的映射,扩展和概括了以前提供中性集操作软件解决方案的尝试。
- 通过符号化注意层发现具有预测性的关联物体符号
我们提出并实现了一种新的深度学习体系结构,用于在桌面环境中,基于机械臂机器人与多个对象的自监督连续交互,发现对象及其关系的符号表示。
- 学习用于符号规划的通用类型动作
提出了一种通过给定的实体层次结构和观察到的相似行为来泛化符号动作的新概念,证明在虚拟的网格化厨房环境中可以从少量观察中学习到类型泛化的动作,并且在规划过程中引入了一种即时泛化机制,能够解决包括更长序列、新实体和未预期环境行为的未见任务组合。
- IJCAI深度强化学习中奖励机制抽象的上下文预规划,以增强迁移能力
为解决深度强化学习代理在任务转移中的过度拟合问题和对现实环境的适应性差的问题,提出一种基于奖励机器的任务表示方法,使用抽象状态图与任务奖励动态的相互作用诱导子任务,从而实现在不同任务间的知识共享和过程优化的目标。经实验测试表明,该方法在各个 - 面向可解释和语言无关的 LLMs:大规模语言符号逆向工程
本文讨论了大规模语言模型的局限性和其基于深度神经网络的内在架构所造成的影响,提出了使用符号表示和基于底层反向工程重构语言的方法来弥补这些局限性。
- 大型语言模型链式符号提示引发规划行为
本文提出了一种名为自然语言计划(NLP)的基准测试,由包含新颖任务的 Brick World、基于 NLVR 的操作和自然语言导航组成,着重研究 LLMs 在需要理解自然语言描述的虚拟空间环境并进行相应文本操作的复杂计划任务中的表现,发现常 - ICLR通过联合生成和判别训练学习符号表示
介绍了 GEDI,一种结合了现有自监督学习目标和基于似然的生成模型的贝叶斯框架,它结合了生成性和判别性方法的优点,可以在不需要额外监督或昂贵的预训练步骤的情况下轻松集成和联合训练。 在真实世界的数据上进行的实验表明,GEDI 在聚类性能方面 - 生成神经符号机
本文提出了生成神经符号机,它是一种将分散和符号表示的优点相结合的生成模型,支持符号组件的结构化表示和基于密度的图像生成。该模型在结构精度和图像生成质量方面显著优于以前的结构表示模型以及现有的非结构生成模型。
- 以事实为专家:基于符号知识的可适应和可解释神经记忆
该论文提出了一种神经语言模型,该模型在符号可解释事实信息和亚符号神经知识之间包括显式接口,可以通过操作其符号表示更新并覆盖已有的知识,进而显著提升知识密集型问题的问答性能。
- 通过感性偏向从深度学习中发现符号模型
该研究采用强归纳偏置的通用方法,将符号化表示从学习的深层模型中提取出来,应用于图神经网络。该技术可以从神经网络中提取物理方程,如力学定律和哈密顿量,并在耗费较小的计算资源上快速发现新的物理原则。
- 从状态空间结构学习规划的一阶符号表示
通过将规划器使用的一阶符号表示从编码状态空间结构的非符号输入中学习,我们解决了图像与符号之间的鸿沟,这意味着推断一个完整的一阶表示(即一般的动作模式、关系符号和对象)来解释所观察到的状态空间结构。
- ICLR使用感知器梯度学习程序化结构表示
提出了一个新算法 ——perceptor gradients 算法,通过拆分代理策略的感知网络和任务编码程序,实现基于符号的数据表征的学习,可以高效地生成新的、具有语义含义的观测结果,并且可以直接应用于线性二次调节器(LQR)或通用 A * - ICLR利用连续学习理解视觉概念
介绍了一种神经网络结构和学习算法,用于产生分解的符号表示,实证效用在经历 3D 转换的人脸和 Atari 2600 游戏的数据集上。