XiaoMi-AI文件搜索系统
World File Search SystemReasoning
机器学习与推理之间的协同作用
本文提出了对知识代表和推理（KRR）和机器学习（ML）之间的会议点的初步调查，这两个领域在过去的四十年中已经很分开开发。首先，确定并讨论了一些常见的问题，例如所使用的表示类型，知识和数据的作用，缺乏或信息过多，或者需要解释和因果理解。然后，调查是在七个部分中组织的，涵盖了KRR和ML相遇的大多数领域。我们从有关学习和推理的文献中涉及原型方法的部分开始：归纳逻辑编程，统计关系学习和Neurosymbolic AI，其中基于规则的推理的思想与ML结合在一起。然后，我们专注于在学习中使用各种形式的背景知识，范围从损失功能中的其他正规化项到对齐符号和向量空间表示的问题，或者使用知识图来学习。然后，下一节描述了KRR概念如何对学习任务有益。例如，可以像发表数据挖掘的那样使用约束来影响学习模式。或在低射门学习中利用语义特征，以构成缺乏数据的内容；或者我们可以利用类比来学习目的。相反，另一部分研究了ML方法如何实现KRR目标。例如，可以学习特殊类型的规则，例如默认规则，模糊规则或阈值规则或特殊类型的信息，例如
认知灵感的反应性机器人的推理
摘要。在自然环境中具有综合性运作的情境意识到的人工药物面临着几个挑战：空间意识，对象效果检测，动态变化和不可预测性。一个关键的挑战是代理商识别和监视与其目标有关的环境要素的能力。我们的研究介绍了一种用于反应性机器人技术的神经符号模块化体系结构。我们的系统结合了在环境和图像处理技术（如光流）上执行对象识别的神经组件，以及符号表示和推理。通过将图像示意性知识整合在本体论结构中，推理系统基于体现认知范式的基础。该本体可用于创建有关感知系统的查询，决定符合的问题，并推断从感知数据中得出的实体功能。推理和图像处理的组合允许代理对正常操作的看法，并发现针对特定相互作用中涉及的对象的一部分的新概念。发现的概念允许机器人自主获取培训数据并只是其符号的感知来识别零件，并通过将搜索重点放在这些相关对象的零件上，从而为更复杂的任务进行计划。我们在模拟世界中演示了我们的方法，在模拟世界中，代理商学会了识别涉及支持关系的对象的一部分。虽然代理商最初没有概念，但通过观察从钩子上悬挂的支持对象的示例，但它学会了认识到建立支持所涉及的部分并能够计划支持关系的建立/破坏。这可以通过系统的方式通过观察来扩展其知识的能力，并说明了将深层推理与动态设置中的反应性机器人技术相结合的潜力。
CSE 598：概率推理和学习
本班的学生必须遵守ASU的学术完整性政策，可以在https://provost.asu.edu/academic-integrity/policy上找到。学生负责审查这项政策，并了解可能发生学术不诚实的每个领域。此外，所有工程专业的学生都应遵守《 ASU学术诚信荣誉法》和《工程荣誉法》。所有违反学术诚信的行为将报告给富尔顿工程诚信办公室（AIO）。AIO保留了所有违法行为的记录，并可以访问所有其他ASU学院/学校中犯下的学术诚信行为。
通过计算机理解逻辑推理...
摘要 本学术研究旨在扩展对计算机系统中逻辑推理的理解。随着应用程序的不断创新，现代技术创新创造了计算机软件，使人们只需单击按钮即可完成日常工作。在计算机工程领域，获得逻辑推理能力对于应变和建立技术解决方案至关重要。通过技术的创新和进步，应用程序开发人员继续为进步伸出了轻松之手。这种轻松之手通过提供便利的应用程序来标记。获得逻辑应用程序的组件是传感器、粗糙集理论、空间图像和人工智能。 关键词：逻辑、计算机系统、应用程序、进步。 1. 简介 在不断的技术进步和进步中，世界各地目前都需要多样化、富有创造力和聪明的问题解决者。计算机工程领域培训个人帮助构建和创新计算机的不同组件。这门工程学科旨在确保计算机的所有各种元素能够很好地结合在一起，并有助于提高用户的工作效率 [1]。根据计算机工程，逻辑性是一种创建推理来证明另一个陈述的能力。提高逻辑推理能力可以帮助人们在这个工程领域取得成功，因为在设计程序时，逻辑通常用于理解和正确使用符号语言 [2]。对于所有职业来说，逻辑思维能力都被认为对工作环境至关重要。任何职位的员工都可能被要求找到某些问题的解决方案，而这些问题可能是他们专业领域与生俱来的；因此，工作场所中逻辑思维技能利用得越多，员工决策过程的生产力就越高，错误就越少 [3]。但在以逻辑技能为目标的计算机系统的帮助下，用户可以准确地将交给他们的问题或一组
运用辩论动态进行知识图谱推理
我们提出了一种基于辩论动态的知识图谱自动推理新方法。其主要思想是将三重分类任务构建为两个强化学习代理之间的辩论游戏，它们提取论据（知识图谱中的路径），目标是分别促使事实为真（论点）或事实为假（反论点）。基于这些论据，一个称为评判者的二元分类器决定事实是真是假。这两个代理可被视为稀疏的对抗性特征生成器，为论点或反论点提供可解释的证据。与其他黑箱方法相比，这些论据让用户能够了解评判者的决定。由于这项工作的重点是创建一种可解释的方法以保持具有竞争力的预测准确率，因此我们在三重分类和链接预测任务上对我们的方法进行了基准测试。因此，我们发现我们的方法在基准数据集 FB15k-237、WN18RR 和 Hetionet 上的表现优于几个基线。我们还进行了一项调查，发现提取的参数对用户很有帮助。
基于图的拓扑推理
了解道路结构对于实现自动驾驶至关重要。此信息主题包含两个基本组成部分 - 车道与车道与交通元素之间的关联之间的互连（例如，交通信号灯），其中仍然没有综合拓扑推理方法。一方面，现有的地图学习技术在使用基于分段或基于LAN线的表示中得出车道连接方面面临挑战；或先前的方法专注于中心线检测，同时忽略了互动建模。另一方面，将流量元素分配给车道的主题在图像域中受到限制，而图像和3D视图之间对应关系的构造是未开发的挑战。为了解决这些问题，我们提出了Toponet，这是一个用于分析驾驶场景的最终端拓扑推理网络。为了有效地捕获驾驶环境的拓扑结构，我们介绍了三个关键设计：（1）将嵌入式的介绍从2D元素集成到统一的特征空间中； （2）一个精选的场景图神经网络，该网络建模并促进网络中的相互作用； （3）设计了一个场景知识图，而不是任意传输消息，而是将先验知识与各种类型的场景拓扑区分开。我们在具有挑战性的场景上评估了Toponet理解基准OpenLane-V2，我们的方法在所有感知和拓扑指标中都超过了所有以前的作品。该代码将公开发布。
定量推理和对系统的思考
数学和数学教育可以在帮助学生和老师掌握这些概念的情况下发挥重要作用，从而促进气候变化教育（Barwell，2013a，2013b;González，2021; Renert，2011）。一种有前途的方法涉及从定量的角度研究气候变化的研究和建模的关键概念：地球能量预算（Lambert＆Bleicher，2013年）。本文提供了一个理论讨论，内容涉及定量推理在对能源预算的理解中的作用中，作为由太阳，表面和大气之间多个相互关联的能量流（数量）形成的系统。讨论使用了我以前的研究中的示例，涉及前职数学教师（PST）如何理解对气候变化建模所涉及的数学（González，2017年）。
使用神经符号概念学习，推理和计划
我的目标是建造可以从任务，方式和环境中不断学习新知识的机器：回答查询，推断人类的意图，并制定长时间的计划跨越小时到几天。虽然互联网规模数据收集和深度学习工具的最新进展在许多实际应用（例如视觉识别，聊天机器人和游戏代理）中取得了重大进展，但将这一成功扩展到通用代理商仍然很难。首先，收集与高度可变对象和环境的长马相互作用的数据非常昂贵；其次，这样的代理必须能够不断获得新的概念，同时能够将分布式分布到新颖的状态，目标和偏好中，这是当前端到端神经网络系统所影响的挑战。