XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
符号、非符号和非...的 fMRI 适应性研究
人类大脑中不同格式的量级是如何表示的？我们使用功能性磁共振成像适应性来分离 45 名成年人的符号、数量和物理尺寸的表示。结果表明，支持数字符号被动处理的神经关联在解剖学和表征上与支持数量和物理尺寸的神经关联基本无关。从解剖学上讲，数量和大小的被动处理与右顶叶内沟的激活相关，而与数量处理相比，符号数字处理与左顶叶下小叶的激活相关。从表征上讲，支持符号的激活神经模式与支持双侧顶叶数量和大小的神经激活模式不同。这些发现挑战了长期以来的观点，即文化习得的将符号数字概念化的能力使用与支持用于处理数量的进化古老系统完全相同的大脑系统来表示。此外，这些数据表明，支持数值量级处理的区域对于非数值量级的处理也很重要。这一发现促使人们未来研究获取符号数字知识的神经后果。
通过机器学习预测探索指导符号分析的策略
摘要 - 为了提高符号分析工具的可扩展性，一个观察结果是，分析资源在分析不满意的路径上被浪费了，而这在现实中是不可能的。在存在的工作中试图预测程序路径的满足性，而无需花费资源来分析它，但这些预测模型的性能远非完美。在这项工作中，我们试图了解模型预测如何，即使不完美，也可以最有效地用于减少分析令人满意的路径所需的时间。这项工作研究了模型性能，分析域属性之间的相互作用，例如路径分析成本的分布和可满足路径的分布，所使用的符号分析工具的设计以及用于优先级和选择分析路径的算法。使用新型的模拟方法，我们研究了这个问题，发现许多因素对符号分析性能的影响与改进的预测因子一样大。最后，我们以几个关于如何最好地将机器学习预测整合到符号分析的观察结果。
神经符号人工智能综述与展望
摘要 人工智能 (AI) 的显著进步主要由深度神经网络推动，对我们生活的各个方面产生了重大影响。然而，当前围绕不可持续的计算轨迹、有限的鲁棒性和缺乏可解释性的挑战要求开发下一代 AI 系统。神经符号人工智能 (NSAI) 作为一种有前途的范式出现，融合了神经、符号和概率方法来增强可解释性、鲁棒性和可信度，同时促进从更少的数据中学习。最近的 NSAI 系统在具有推理和认知能力的协作人机场景中表现出巨大潜力。在本文中，我们系统地回顾了 NSAI 的最新进展，并分析了 NSAI 模型的性能特征和计算运算符。此外，我们从系统和架构的角度讨论了 NSAI 的挑战和潜在的未来方向。
计划 - 索菲：神经符号计划体系结构
近年来，人工智能（AI）的概念引起了人们的关注，基于AI的工具越来越多地融入了我们的日常生活中。随着这一研究的吸引力，中心的一个核心之一是，端到端的机器学习或符号AI方法是否可以导致有效的AI模型，或者是否需要将这些技术集成到协同的系统中。我们相信成为最有希望的整合途径。为此，我们介绍了神经象征性建筑的专业化，即Sofai（慢速和快速AI），灵感来自D. Kahneman的著作“ Thinking，Thinking，Fast and Slow and Slow”的认知框架。我们的系统旨在解决各种场景中的计划问题，并在经典环境中具有特定的效果。计划 - 索菲利用多种计划方法，每种方法具有独特的特征，并将其归类为快速或缓慢的，同时纳入了治理的元认知过程。最后，我们评估了该系统针对最先进的计划的性能，这表明我们的解决速度和计划的最佳性之间的平衡表现出了坚实的平衡。
神经符号人工智能的纲要
在过去的十年半的人工智能和学习中的一半中，一个关键的进步是开发从较低级别的原始输入特征（例如图像像素强度和单词性）[1，2，2，2，3，4，5，6，7]中学习更高级别的方法。这些较高级别表示的关键优势是它们捕获了更少的变量的富裕语义，因此，在其中，我们可以在其中学习统计上有效的模型，用于各种下游任务，例如预测，分类和聚类。近年来的关键进步是学习这些表示形式，而不是使用传统的手工制作的效果，这些效率很难正确，正确地指定。这导致了著名的应用程序，例如Dall-E，Stablediffusion，Chatgpt和Audiolm等。
神经符号人工智能：最新技术 - Lirias
[书名、编辑、印刷 ISBN 或在线 ISBN、页数、年份和 DOI 或 URL]。人们普遍认为，学习和推理对于实现真正的（人工智能）都至关重要 [1]。这也解释了为什么神经符号人工智能 (NeSy) [2、3、4、5]（它将高级推理与低级感知相结合）的探索在研究议程中占据重要地位。推理的两个最突出的框架是逻辑和概率。</div>虽然在过去，它们是由人工智能领域的不同社区进行研究的，但大量研究人员一直致力于将它们整合，并旨在将概率与逻辑和统计学习结合起来；参见统计关系人工智能 (StarAI) [6、7] 和概率逻辑编程 [8] 领域。统计关系人工智能方法的推理能力与深度学习的强大模式识别能力相得益彰。通常，神经符号系统将逻辑与神经网络相结合。概率论已经与逻辑（参见统计关系人工智能）和神经网络相结合。因此，考虑逻辑、神经网络和概率的集成是有意义的。这有效地导致了概率逻辑与神经网络的集成，并开辟了新的能力。此外，尽管乍一看，包括
Torchhd：一个开源Python库，用于支持高维计算和矢量符号体系结构的研究
高维计算（HD），也称为向量符号体系结构（VSA），是通过利用随机高维矢量空间的属性来计算分布式表示的框架。科学通信对在这个尤其多学科领域进行汇总和传播研究的承诺对于其进步至关重要。加入这些效果，我们提出了HD/VSA的高性能开源Python库Torchhd。Torchhd试图使HD/VSA更容易访问，并为进一步的研究和应用程序开发提供了有效的基础。易于使用的库建立在Pytorch之上，并具有最先进的HD/VSA功能，清晰的文档和来自著名出版物的实施示例。将公开可用的代码与相应的TorchHD实现进行比较，表明实验可以快速运行100倍。Torchhd可在以下网址提供：https：//github.com/hyperdimensional-computing/torchhd。关键字：高维计算，矢量符号体系结构，分布式代表，机器学习，符号AI，Python库
受领域知识启发的音乐嵌入空间和用于符号音乐建模的新型注意力机制
继 Transformer 架构在自然语言领域取得成功后，类似 Transformer 的架构最近被广泛应用于符号音乐领域。然而，符号音乐和文本是两种不同的模态。符号音乐包含多种属性，既有绝对属性（例如音高），也有相对属性（例如音长）。这些相对属性塑造了人类对音乐主题的感知。然而，这些重要的相对属性在现有的符号音乐建模方法中大多被忽略，主要原因是缺乏一个具有音乐意义的嵌入空间，无法有效地表示符号音乐标记的绝对嵌入和相对嵌入。在本文中，我们提出了基于偏差调整正弦编码的符号音乐基本音乐嵌入 (FME)，其中可以嵌入绝对属性和相对属性，并且明确保留基本音乐属性（例如平移不变性）。利用所提出的 FME，我们进一步提出了一种基于相对索引、音高和起始嵌入（RIPO 注意）的新型注意机制，以便充分利用音乐领域知识进行符号音乐建模。实验结果表明，我们提出的模型：利用 FME 和 RIPO 注意的 RIPO 变压器在旋律完成任务中优于最先进的变压器（即音乐变压器、线性变压器）。此外，在下游音乐生成任务中使用 RIPO 变压器，我们注意到臭名昭著的退化现象不再存在，并且 RIPO 变压器生成的音乐在主观和客观评价中都优于最先进的变压器模型生成的音乐。所提出方法的代码可以在线获取：github.com/guozixunnicolas/FundamentalMusicEmbedding
结构化符号音乐生成的多代理增强学习
摘要。使用具有符号表示的深度学习方法生成结构化的音乐，这是一项艰巨的任务，因为音乐元素之间的复杂关系定义了音乐构成。音乐的象征性表示，例如MIDI或乐谱音乐，可以通过以允许操纵和分析的格式编码音乐来帮助克服其中的一些挑战。但是，音乐的象征性表示仍然需要对音乐概念和理论的解释和理解。在本文中，我们提出了一种方法，该方法利用多代理系统（MAS）和强化学习（RL）进行象征性音乐生成。我们的模型主要集中于Music结构。它以较高的抽象水平运行，使其能够捕获长期的音乐结构和依赖性。我们将RL用作学习范式，人类用户作为音乐专家，以促进代理商对全球依赖和音乐特征的学习。我们展示了RL代理如何学习和适应用户的喜好和音乐风格。此外，我们介绍并讨论了在音乐发电领域中进行代理学习和适应和分布问题解决方案的方法的潜力。
量子程序的自动符号验证
量子计算在提高优化[15,25]、数据库搜索[19]、密码学[36]、量子动力学模拟[10]、可满足性问题[8]和机器学习[23]等许多领域的问题求解的可扩展性方面具有巨大潜力。最近，量子计算在交通流[18]、飞机载荷[38]、物流[2]和医疗诊断[21]等安全关键领域的应用势头强劲。此外，量子模拟[1,11,37]和云端量子计算机[22]现已可用。与经典程序一样，检测量子程序中的错误是一个关键问题。对于经典程序，存在强大的形式化验证技术来自动验证程序是否符合形式化规范[12]。最先进的验证器（例如，对于 C 程序 [ 6 ， 7 ， 27 ]）以符号方式执行验证：开发人员将特定的程序输入标记为符号，以便验证器知道使用这些输入作为“搜索空间”。然后，验证器证明程序的所有可能输入都符合规范。