XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
诺贝尔文学奖的符号经济学
根据布迪厄的理论，文学奖是那些从长远来看有助于将象征资本转化为经济资本的特定机构。正如卡萨诺瓦所描述的那样，诺贝尔奖在统一相对独立的国际文学空间方面发挥了重要作用。它帮助创造了世界文学的新经典，因为诺贝尔奖得主的作品被广泛翻译。但是，卡萨诺瓦强调的是自主性，而本文则强调了该奖项所传达的相对的他律性。文学权威在自主性和他律性标准之间进行谈判，无论是意识形态还是经济。本文探讨了诺贝尔奖的象征资本如何强化了统治模式。影响获奖者选择的交叉性和西方统治逐渐演变为更加多元化和包容性。然而，关注最近三十年，即全球化时代，我们观察到，尽管非西方作家越来越多，但主要是西方文化中介（出版商和文学代理人）将奖项的象征性和经济利润资本化。这些观察结果基于对 1990 年以来 33 位获奖者的出版商使用英语、德语和法语三种语言进行的定量分析。
通过大语言模型的测试时间缩放生成符号世界模型
解决复杂的计划问题需要大型语言模型（LLMS）明确对状态过渡进行建模，以避免规则违规，遵守限制并确保操作性 - 这是由自然语言固有的歧义所阻碍的任务。为了克服这种歧义，规划域定义语言（PDDL）被杠杆化为一种计划，以实现精确和正式的状态描述。使用PDDL，我们可以生成一个象征性的世界模型，其中经典的搜索算法（例如A ∗）可以无缝地找到最佳计划。但是，由于缺乏PDDL培训数据，直接生成具有当前LLM的PDDL域仍然是一个开放的挑战。为了应对这一挑战，我们建议扩大LLMS的测试时间计算以增强其PDDL推理功能，从而使高质量的PDDL域的产生。具体来说，我们引入了一种简单而有效的算法，该算法首先采用了最佳的N采样方法来提高初始解决方案的质量，然后通过口头化的机器学习以细粒度的方式优化解决方案。我们的方法在PDDL域的产生中大大优于O1-Mini，在两个任务上达到了超过50％的成功率（即，从自然语言描述或PDDL问题中生成PDDL域）。这是在不需要额外培训的情况下完成的。通过利用PDDL作为状态抽象，我们的方法能够在几乎所有竞争级的计划任务上都超过当前最新方法。
神经符号AI，可深入分析社交媒体大数据
摘要 - 本教程引入了神经符号AI框架，以分析社交媒体平台的大数据。通过符号AI与神经网络的模式识别能力整合人类策划的知识可以增强传统神经网络方法的适应能力和效率。知识引导的零击学习技术使Swift适应新的语言环境和新兴事件[6]。参与者将探索如何在特定领域设计，开发和利用这些模型，例如需要动态适应新术语的公共卫生监视。本届会议旨在为与会者提供实用技能，并深入了解如何应用神经符号AI，以有效地管理和分析大型社交媒体数据集。
IEEE案例2025特殊会话神经符号AI
IEEE 21届自动化科学与工程国际会议（Case 2025）将于2025年8月17日至8月21日在美国加利福尼亚州洛杉矶举行。案件是IEEE机器人和自动化协会（RAS）的旗舰会议，构成了自动化跨境和多学科研究的主要论坛。会议将重点放在有安全和值得信赖的自动化上：自动化系统，例如协作机器人技术，自动操作系统和车辆，智能制造，医疗保健，农业，运输和物流以及智能城市，越来越依赖有保障和可信赖的自动化。需要研究以克服由于系统设计，数据收集，机器学习或控制而导致的脆弱性和偏见。案例2025将举办有关“神经符号AI：赋予可信赖和具体的机器人自主生命周期制造”的特殊会议，由Neuro-Symbolic AI Home组织。我们真诚地邀请了从事相关研究领域的科学家，学者，工程师和企业家提交其贡献，并与我们一起探索机器人自主生命生命周期制造中神经符号AI的最新进步和应用前景。For more information, please visit: - CASE 2025 Conference Website: https://2025.ieeecase.org/ - Neuro-Symbolic AI Home Website: https://www.nsaihome.org.cn/ Conference Date and Venue: - August 17 to August 21, 2025 - Millennium Biltmore Downtown Los Angeles, California, USA
超出标准模型物理的符号回归
，我们建议符号回归是对标准模型以外的物理模型的数值研究的强大工具。在本文中，我们证明了该方法在基准模型上的功效，即受约束的最小超对称标准模型，该模型具有四维参数空间。我们提供了一组分析表达式，这些表达式在理论的参数方面重现了三个低能的观察结果：希格斯质量，对穆恩的异常磁矩的贡献以及冷暗物质依赖密度。为了证明该方法的功能，我们在全局拟合分析中采用了符号表达式来得出参数的后验概率密度，而这些概率密度比使用常规方法更快地获得了两个数量级。
可解释人工智能的神经符号视角
摘要。我们讨论了在可解释人工智能 (XAI) 研究领域中使黑盒模型更易于解释的观点。我们认为，用于训练深度学习 (DL) 模型的传统端到端学习方法不符合 XAI 的宗旨和目标。回到手工特征工程的想法，我们建议对 XAI 采用混合 DL 方法：我们建议使用 DL 自动检测有意义的、手工设计的高级符号特征，而不是采用端到端学习，然后由标准且更易于解释的学习模型使用这些特征。我们在概念验证中举例说明了这种混合学习模型，该模型基于最近提出的 Kandinsky 模式基准，重点关注管道的符号学习部分，同时使用逻辑张量网络和可解释规则集合。在证明所提出的方法能够提供高度准确且可解释的模型之后，我们将讨论潜在的实施问题和可以探索的未来方向。
物理科学中符号机器学习的观点
过去十年见证了机器学习（ML）方法的越来越多，包括物理科学在内[1]。The rise of deep learning (DL) [ 2 ] in early 2010 and the remarkable potential of deep neural networks (DNNs) in learning highly predictive models, mainly powered by convolutional [ 3 ] and recurrent [ 4 ] neural networks, emphasized with the ImageNet challenge [ 5 ] and developments in areas such as reinforcement learning [ 6 ], have boosted the application of artificial intelligence (AI) in nearly all domains and thus reshaped the AI的未来。DL革命之后是成功的变压器体系结构[7]，其中“注意”的概念被添加到标准NN的体系结构中，以捕获数据特征之间的长期相关性。变形金刚是大语言模型（LLM）的基础，可以通过在大型数据集上预处理，从而在没有特定领域的知识的情况下学习上下文，从而解开了另一个AI的新时代。尽管AI的发展急剧发展，但大多数基于ML的物理科学应用程序[1]着重于学习非线性数值模型以完成特定任务（例如，数据分析，模拟等）实现新发现。这里出现了物理学家对应用ML的期望以及如何推进物理学的期望。只是一组革命性的数学工具，其性能克服了经典方法，从而取代了它们（例如，DL表现出色的促进决策树，用于针对事件选择任务，该任务针对粒子物理学的标准模型以外的理论[8]），或者是数据驱动的科学发现的能力[8]）？
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。