详细内容或原文请订阅后点击阅览
一种结合深度神经网络和矢量符号模型的新架构
一种新的架构旨在克服神经网络和符号人工智能现有的局限性。 开发的模型已经证明了在解决逻辑问题方面的高效性，并为整合不同的人工智能范式提供了一个有前途的框架。
来源:Qudata一种结合深度神经网络和向量符号模型的新架构
IBM 苏黎世研究院和苏黎世联邦理工学院的研究人员最近创建并向社区展示了一种神经向量符号架构 (NVSA)。该架构协同结合了两种强大的机制：深度神经网络 (DNN) 和向量符号架构 (VSA)，用于编码视觉感知接口和概率推理服务器。他们的架构发表在《自然机器智能》杂志上，可以克服这两种方法的局限性，更有效地解决渐进矩阵和其他推理任务。
自然机器智能目前，无论是深度神经网络还是符号人工智能 (AI) 都无法单独展示我们在人类身上观察到的智能水平。其主要原因是神经网络无法共享通用数据表示以获得单独的对象。这被称为绑定问题。另一方面，符号 AI 遭受规则爆炸的困扰。这两个问题是神经符号人工智能的核心，旨在结合两种范式的优点。
神经向量符号架构 (NVSA) 专门设计用于解决这两个问题，它利用其在多维分布式表示中的强大运算符，作为神经网络和符号人工智能之间的通用语言。 NVSA 将以感知任务的熟练程度而闻名的深度神经网络与 VSA 机制相结合。
VSA 是一种计算模型，它使用多维分布式向量及其代数属性来执行符号计算。 在 VSA 中，从原子到组合结构的所有表示都是具有相同固定维数的多维全息向量。
在开发 NVSA 时，研究人员专注于解决视觉抽象推理问题，特别是广泛使用的智商测试，即瑞文渐进矩阵。
GitHub 这里