XiaoMi-AI文件搜索系统
World File Search System约束推理
使用基于能量的模型的神经符号推理的建模模式
神经符号（NESY）AI致力于通过快速，可靠的预测来增强机器学习和大型语言模型，通过无缝整合神经和符号方法，表现出常识性和值得信赖的推理。在如此广泛的范围内，已经提出了几种分类法，以对这种集成进行分类，强调知识代表，推理算法和应用程序。我们对神经符号界面捕获方法捕获概率，逻辑和算术约束推理的神经符号界面捕获方法进行研究。此外，我们为杰出的学习损失类别的梯度和推理和学习的形式化而得出表达。通过严格的经验分析，跨越了三个任务，我们表明NESY方法在半监督的环境中对神经基础的影响达到了37％的证明，并且在提问方面的GPT-4提高了19％。
人工智能：软件工程方法（456 页）
有限的资源、市场需求以及软件功能实现的技术限制通常要求对需求进行优先级排序 [1–4]。优先级排序的重点是排序和选择未来软件版本中应包含的需求。优先级排序中的智能决策支持极其重要，因为尤其是在处理大量需求时，手动优先级排序过程往往会变得非常昂贵 [5–8]。潜在的次优优先级排序可能导致不同的负面影响，例如由于关注不相关的需求而浪费时间、由于未首先提供相关功能而产生机会成本，以及缺乏对市场需求的关注，在最坏的情况下可能导致全部损失 [9]。在这种情况下，优先级排序可以在战略层面以及操作层面进行，这通常与短期优先级排序任务相关 [10,11]。本章讨论的优先级排序方法基于约束推理与优化 [12]、基于效用的推荐 [13]、基于内容的推荐 [14]、矩阵分解 [15]、冲突检测 [16] 和基于模型的诊断 [17] 等领域的 AI 技术。图 2.1 给出了不同优先级排序任务的概述。这种分类基于两个维度。首先，需求水平
使用大语言模型增强机器人任务计划
摘要 - 按钮规划功能对于智能机器人在物理世界中自动运行至关重要。但是，基于传统的计划域定义语言（PDDL）方法通常会遭受组合爆炸和无效的计划时间。在本文中，我们以创新的方式提出了使用大型语言模型（LLM）增强机器人任务计划 - 使用LLMS指导PDDL计划者的搜索过程，而不是完全替换PDDL计划。LLMS通过学习的启发式方法指导PDDL计划者的搜索过程，并提供约束推理以减少搜索空间。为了解决LLM的潜在陷阱，在执行阶段添加了验证机制，以验证计划正确性。我们在真实情况下拆卸了寿命电池电池的末端评估了我们的方法。实验结果将纳入计划管道中的LLM可以显着提高计划效率和可伸缩性，同时保持计划有效性。这项研究为将语言模型与经典方法整合在一起，为实用应用增强机器人智能。所提出的框架在增强未来智能机器人系统的任务计划能力方面迈出了坚实的一步。
HR0011ST2025D-02缓解显式和隐性偏见...
1。在此提案中，针对哪些特定类型的偏见（例如性别，种族，文化）？答案：任何形式的社会偏见。2。的重点是否应该放在减轻培训数据，模型设计或输出中的偏见或三个？答案：这些子集。3。在缓解偏见和保持准确性之间应优先考虑什么平衡，以及这种平衡应与该提案的主要重点保持一致？答案：由表演者定义偏见准确权衡4。哪种类型的符号表示与该项目最相关（例如语法，本体，基于逻辑的系统），以及它们如何专门解决偏见？答案：其中任何一个都可以。他们如何特别解决偏见取决于表演者的提议。5。哪些神经体系结构是首选或最适用于该建议（例如变形金刚，经常性网络），为什么它们适合减轻偏见？答案：任何具有相关应用程序的模型，例如注意网络，堪萨斯州，LRMS…6。是否有任何首选数据集或应用程序域（例如，文本，图像，语音）来证明缓解偏差，还是该提案应涵盖多个域？答案：没有偏好7。概念验证是否应集中于重新训练现有的AI模型，还是提出主要修改或约束推理过程（例如解码）的方法是可以接受的？答案：两者都处于范围。8。答案：由表演者定义这些指标取决于表演者。在此提案中应如何衡量在缓解明确和隐性偏见方面的成功，并且是否建议进行评估的特定指标或基准？