XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
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。
用于军事应用的神经符号AI
摘要 - 夫妇人工智能（AI）在增强国防系统的能力，彻底改变战略决策并塑造军事行动的未来景观方面发挥了重要作用。神经符号AI是一种利用和增强神经网络和象征性推理的优势的新兴方法。这些系统有可能比传统的AI系统更具影响力和灵活性，从而非常适合军事应用。本文全面探讨了神经符号AI的各种维度和能力，旨在阐明其在军事环境中的潜在应用。我们调查了其改善决策，自动化复杂情报分析和加强自主系统的能力。除了在军事环境中的应用外，我们还进一步探索了其在各个领域中解决复杂任务的潜力。通过这种探索，我们解决了对军事和平民应用中神经符号AI的发展和部署至关重要的道德，战略和技术考虑因素。为不断增长的研究做出了贡献，这项研究代表了对神经符号AI提供的广泛可能性的全面探索。
