XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
结合机器学习、知识表示和符号推理的神经符号......
为了处理现实世界中的噪声数据和不完整信息，我们将机器学习的通用性和抗噪性与知识表示和符号推理的严谨性和可重用性相结合，构建能够灵活应对未知情况的强大人工智能。我们还旨在将AI应用到以前从未应用过的领域，例如估计COVID-19的基因网络，预测辐射下的细胞动态以及基于媒体数据分析行为。
XAI 的符号 AI：评估 LFIT 归纳编程以实现公平且可解释的自动招聘
机器学习方法在生物识别和个人信息处理（例如法医、电子医疗、招聘和电子学习）领域的重要性日益增加。在这些领域，基于机器学习方法构建的系统的白盒（人类可读）解释可能变得至关重要。归纳逻辑编程 (ILP) 是符号 AI 的一个子领域，旨在自动学习有关数据处理的声明性理论。从解释转换中学习 (LFIT) 是一种 ILP 技术，可以学习与给定黑盒系统等同的命题逻辑理论（在特定条件下）。本研究通过检查 LFIT 在特定 AI 应用场景中的可行性，迈出了将准确的声明性解释纳入经典机器学习的通用方法的第一步：基于使用机器学习方法生成的自动工具进行公平招聘，用于对包含软生物特征信息（性别和种族）的简历进行排名。我们展示了 LFIT 对这个特定问题的表达能力，并提出了一个可应用于其他领域的方案。
人工智能中的符号行为
人类使用符号的能力尚未在机器中复制。弥合差距需要考虑如何建立符号含义：如果符号用户同意符号含义，那么符号使用就包括导航含义协议的行为。我们利用这一见解来表达分级符号行为，包括构建新符号、改变先前符号以及反省含义和推理过程。然后，我们根据每个标准评估当代人工智能方法。最终，我们认为，当基于学习的代理沉浸在需要围绕观点和意义进行协调的人类社会文化互动中时，机器中流畅的符号使用就会出现。通过大规模收集这些场景，并包括交互式人类反馈，研究人员可以使用当代塑造行为算法来优化符号流畅性。
诗歌等价：象征能力发展的关键
在本文中，我将试图从长大的法语和英语中追踪我的个人轨迹，成为接受德国文学训练的法国老师，并最终在美国从事职业，因为应用语言学家都投资了文学和语言。是我与罗马雅各布森（Roman Jakobson）的等价原则的相遇，使我不仅能够理解使文本成为“文学”的原因，还可以调和对语言和文学研究的研究，并融合了在应用语言学中的结构主义和后结构主义的思想传统。这将使我能够反思文学作为外语教育的基本维度以及象征能力可以振兴交流语言教学法的作用。
基础模型时代的神经符号编程
Neuro-Symbolic编程（N E S Y），以应对培训神经网络的挑战，以解决复杂的推理任务，并带来了可解释性，可靠性和效率的额外好处。n e s y方法与象征性推理一起训练神经模型，但他们面临具有可伸缩性和训练的问题，这些问题将其限制在简单化的问题上。另一方面，纯净的神经基础模型现在可以通过提示而不是训练来达到最先进的表现，但是它们通常不可靠并且缺乏解释性。通过推理程序补充拟释放程序（我们称之为及时的符号符号（P r s y））提供了一种将这些模型用于复杂推理任务的方法。这样做提出了一个问题：神经符号在基础模型时代有什么作用？为了探讨这个问题，我们在计算，数据和程序方面重点介绍了N e s y的三个陷阱。然后，我们认为P r s y可以进行特定于任务的N e S y训练，从而为实现N e s y的最初目标提供机会而没有培训带来的缺陷。关键字：神经束，编程，基础模型，符号，培训
统一框架用于实施量子符号人工智能模型中的知识不正确
符号AI构建了智力行为的计算模型，重点是世界的象征性表示，然后使用逻辑和搜索来解决问题。这些AI模型由声明知识组成，这些事实描述了现实世界和程序知识，这些事实指定了声明知识的不同元素如何相关。这些符号模型中的推理是通过建立由通过程序知识（节点之间的连接）连接的声明知识（节点）形成的知识图来构建的。这些知识图被视为逻辑规则，或者更普遍地为基于规则的系统（RBS）。使用符号AI模型时出现的问题之一是，现实世界中的知识很少完全准确。在本文中，我们假设可能以两种不同的方式存在不准确性：（1）当它与声明性知识相关联时，即对给定事实的描述有多准确。（2）当它与程序知识相关联时，即与证据有关的不确定性
Neuro-Symbolic Robotics
摘要 - 本文介绍并概述了最近新兴的神经符号机器人技术。随着计算资源，强大的神经体系结构和大数据的进步，神经网络已成为所有需要出现，学习，适应以及最近的推理和交流的机器人问题的自然而然的。但是，为了确保机器人在现实世界中的安全部署，它们缺乏诸如可验证性，解释性和解释性等关键属性。此外，基于神经网络的系统遭受了概括和外推问题的影响，这限制了其可扩展性。符号系统，提供可验证性，解释性和可伸缩性；但是，他们手动编码的实现无法应对机器人连续和高维世界的丰富性和广泛的品种。在本文中，我们回顾了以不同方式整合神经网络和符号系统的机器人体系结构，从而受益于其优势。我们将机器人系统分为四个广泛的类别，即交织，耦合，非均匀的神经动物系统和神经符号转换，详细讨论了这些系统的功能和局限性，并讨论了该领域的未来挑战。