XiaoMi-AI文件搜索系统
World File Search SystemSymbol
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。
2024年的神经符号AI：系统评价
抽象背景：人工智能领域经历了周期性的生长和衰落时期，称为AI夏季和冬季。目前，我们处于第三个AI夏季，其特征是显着的进步和商业化，特别是在符号AI和亚符号AI的整合中，导致神经符号AI的出现。贡献：（1）神经符号AI中元认知的定义。（2）在2020 - 2024年的神经符号研究爆炸之后对文献的关键主题进行了回顾。（3）识别神经符号AI目标文献中当前差距：本文提供了2020-24 AI景观中神经符号AI项目的系统文献综述，突出了关键的发展，方法论和应用。它旨在确定在2024年将高质量的努力集中在哪里，并查明该领域现有的研究差距。方法：审查遵循Prisma方法论，利用IEEE Explore，Google Scholar，Arxiv，ACM和Springerlink等数据库。纳入标准针对2020年至2024年之间发表的同行评审论文。论文与神经符号AI相关，并根据相关代码库的可用性进一步包含以确保可重复性。结果：从1,428篇论文的初始库中，有167个符合纳入标准，并详细分析。大多数研究工作集中在学习和推理领域（63％），逻辑和推理（35％）和知识表示（44％）。解释性和可信赖性的代表性较小（28％），元认知是探索最少的区域（5％）。评论确定了重要的跨学科机会，尤其是在将解释性和可信度与其他研究领域相结合时。讨论：这些发现揭示了学习和推理，逻辑和推理以及知识代表方面的全面工作。但是，研究的重点是解释性和可信度，这对于部署可靠的AI系统至关重要。元认知的稀疏表示强调了需要进一步研究以开发框架，使AI系统能够自我监测，评估和调整其过程，从而增强自主性和适应性。结论：自2020年以来，神经符号AI研究的迅速增长，集中在学习和推理方面。在解释性，可信度和元认知中仍然存在很大的差距。通过跨学科研究解决这些差距对于将该领域推进更聪明，可靠和上下文感知的AI系统至关重要。
中立面符号回归：利用大型语言模型进行功能发现
艺术符号回归状态（SR）当前构建专业模型，而大语模型（LLMS）的应用仍未得到探索。在这项工作中，我们介绍了将LLMS用于SR任务的第一个综合框架。我们提出了一种SR方法，它提出了一种SR方法，该方法迭代地改善了具有LLM的功能形式，并使用外部光学器来终止其系数。ICSR利用LLMS的强数学先验，同时提出一组可能的功能，并根据其误差来完善它们。我们的发现表明，LLMS能够成功找到适合给定数据，匹配或超越四个流行基准的最佳SR基线的整体性能的符号方程，同时产生了更简单的方程，同时又能提供更好的分布概括。
Physord：一种用于越野驾驶物理学运动预测的神经符号方法
摘要 - 运动预测对于自主越野驾驶至关重要，但是，由于车辆和地形之间的复杂相互作用，它比公路驾驶更大挑战。传统的基于物理的AP-在准确建模动态系统和外部干扰时会遇到困难。相比之下，数据驱动的神经网络需要广泛的数据集，并在明确捕获基本的物理定律方面挣扎，这很容易导致概括不良。通过合并两种方法的优点，神经符号方法提出了一个有希望的方向。这些方法将物理定律嵌入神经模型中，可能会显着改善概括性。但是，在实际世界环境中没有对越野驾驶的事务进行评估。为了弥合这一差距，我们提出了Physord，这是一种神经符号方法，将保护定律（即Euler-Lagrange方程）整合到数据驱动的神经模型中，以进行越野驾驶中的运动预测。我们的实验表明，物理学可以通过建模不确定性来准确预测车辆运动并耐受外部干扰。与数据驱动的方法相比，仅使用参数的3.1％，学到的动力学模型可实现46.7％的精度，证明了我们的神经符号方法的数据效率和出色的概括能力。
对在符号多步推理任务上训练的变压器的机械分析
变压器在一系列推理基准上表现出令人印象深刻的表现。评估这些能力是实际推理的结果的程度，现有工作重点是为行为研究开发复杂的基准标记。然而，这些研究并未提供有关推动观察到的capabilies的间隔机制的见解。为了提高我们对变形金刚之间机制的理解，我们对经过合成推理任务的跨前者进行了全面的机械分析。我们确定了模型用于解决任务的一组可解释机制，并使用相关性和因果关系来验证我们的发现。我们的结果表明，它实现了与并行操作的深度结合的复发机制，并存储中间的导致所选令牌位置。我们预计，我们在合成环境中确定的主题可以为变形金刚的更广泛的操作原理提供宝贵的见解，从而为理解更多的复合模型提供了基础。1
阿提拉：基于纯符号人工智能的谈判外交玩家
摘要。棋盘游戏《外交》被认为是自动谈判最具挑战性的测试案例之一。虽然已经为这款游戏开发了许多机器人，但其中很少有能够成功谈判的机器人，而那些能够成功谈判的机器人都是在人类示例游戏的大量数据集上进行训练的。这使得很难将相同的技术应用于其他游戏或谈判场景，因为人类目前还没有这些知识。此外，由于这些机器人是使用深度学习进行训练的，它们本质上是黑匣子，很难理解它们的工作原理。所以，这些机器人对我们更好地理解强有力的谈判技巧没有多大帮助。因此，在本文中，我们介绍了一种名为 Attila 的新外交机器人，它完全基于符号 AI。它的谈判算法利用了游戏战术部分的现有预言机，称为“D-Brane 战术模块”（DBTM）。我们解释了如何将 DBTM 转换为用于自动谈判的搜索算法，并通过实验表明 Attila 的表现远远优于几种最先进的外交机器人。
符号计算机器学习的数据集和范例的课程：关于CaddelRío，T。＆England的案例研究
00591-0 DOI 10.1007/s11786-024-00591-0 ISSN 1661-8270 ESSN 1661-8289 Publisher: Springer This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the来源，提供指向Creative Commons许可证的链接，并指示是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。
Lobish：使用基于通道的变换和模式解释语言检测中的脑电信号的符号语言
摘要：脑电图 (EEG) 信号包含有关大脑状态的信息，因为它们反映了大脑的功能。然而，手动解释 EEG 信号既繁琐又耗时。因此，需要使用机器学习方法提出自动 EEG 翻译模型。在本研究中，我们提出了一种创新方法，以实现高分类性能和可解释的结果。我们引入了基于通道的变换、通道模式 (ChannelPat)、t 算法和 Lobish（一种符号语言）。通过使用基于通道的变换，EEG 信号使用通道的索引进行编码。所提出的 ChannelPat 特征提取器对两个通道之间的转换进行编码，并用作基于直方图的特征提取器。采用迭代邻域分量分析 (INCA) 特征选择器来选择最具信息量的特征，并将所选特征输入到新的集成 k 最近邻 (tkNN) 分类器中。为了评估所提出的基于通道的 EEG 语言检测模型的分类能力，收集了一个包含阿拉伯语和土耳其语的新 EEG 语言数据集。此外，还引入了 Lobish，以便从所提出的 EEG 语言检测模型中获得可解释的结果。所提出的基于通道的特征工程模型被应用于收集的 EEG 语言数据集，实现了 98.59% 的分类准确率。Lobish 从大脑皮层提取有意义的信息以进行语言检测。
自主机器人技术中的神经符号整合
摘要本评论论文探讨了自主机器人技术中神经符号推理和深度学习的整合，提出了一个新颖的框架，以增强动态环境中的决策过程。本文首先研究了AI模型面临的挑战，尤其是在上下文感知的决策中，并突出了现有方法的局限性。然后提出了一个概念模型，该模型与深度学习的感知力量协同象征性推理的解释性。这个集成的框架旨在改善实时上下文理解，不确定性下的决策和适应性。本文还讨论了该框架对各个行业的潜在影响，例如自动驾驶汽车，无人机和医疗机器人技术，同时概述了未来的研究指示，以完善和扩展所提出的模型。通过这篇评论，本文旨在通过为AI驱动的决策提供更强大，更可解释的方法来促进自主系统。