XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
超维计算（又称向量符号架构）调查，第二部分：应用、认知模型和挑战
值得注意的是，本调查中引用的一些文献可能很难找到；但是，大多数文献可以通过 https://www.hd-computing.com/publications 上的在线出版物列表进行查找。Denis Kleyko 和 Dmitri Rachkovskij 对这项工作做出了同等贡献。DK 的工作得到了欧盟“地平线 2020”计划下玛丽居里个人奖学金 (839179) 的支持。DK 的工作还得到了 AFOSR FA9550-19-1-0241 和英特尔 THWAI 计划的部分支持。 DAR 的工作部分得到了乌克兰国家科学院（拨款编号 0120U000122、0121U000016、0122U002151 和 0117U002286）、乌克兰教育和科学部（拨款编号 0121U000228 和 0122U000818）以及瑞典战略研究基金会 (SSF，拨款编号 UKR22-0024) 的支持。作者地址：D. Kleyko，加州大学伯克利分校，美国加利福尼亚州伯克利市，邮编 94720，瑞典研究机构，瑞典希斯塔，邮编 16440；电子邮箱：denkle@berkeley.edu； D. Rachkovskij，国际信息技术研究与培训中心，乌克兰基辅，03680，吕勒奥理工大学，瑞典吕勒奥，97187；电子邮件：dar@infrm.kiev.ua；E. Osipov，吕勒奥理工大学，瑞典吕勒奥，97187；电子邮件：evgeny.osipov@ltu.se；A. Rahimi，IBM Research–Zurich，瑞士苏黎世，8803；电子邮件：abr@zurich.ibm.com。允许免费复制或复印本作品的全部或部分以供个人或课堂使用，但不得出于营利或商业目的而复制或分发，且复制件首页必须注明此声明和完整引文。必须尊重 ACM 以外的其他人拥有的本作品组成部分的版权。允许以署名形式发表摘要。以其他方式复制、重新发布、发布到服务器或重新分发到列表，需要事先获得特定许可和/或付费。请向 permissions@acm.org 申请许可。© 2023 计算机协会。
神经符号人工智能：开启机器学习的新时代
在过去的十年中，人工智能，尤其是深度学习引起了媒体的关注，成为越来越多大型研究项目的焦点，并改变了商业模式。这导致了关于人工智能对学术界和工业界影响的有影响力的辩论[1][2] 图灵在 1950 年的论文《计算机器和智能》中证明了机器可以是智能的。然而，即使在那时，“人工智能”这个词也没有直接出现，也没有具体的内容。然而，六年后，达特茅斯大学的约翰·麦卡锡在达特茅斯会议上提到了“人工智能”一词（McCarthy et al., 2006），并建议进行具体的讨论和研究，人工智能的研究开始了。从那里开始了人工智能的两个领域——联结主义和符号主义。
将神经符号人工智能引入人文社会科学：为什么这是可能的以及可以做什么？
摘要：在人工智能（AI）的支持下，各行各业的智能应用给人类社会带来了巨大的变化。人工智能不仅受到人文社会科学学者的关注、分析和批判，而且在实证研究方法中发挥着重要作用，从而推动了人文社会科学领域研究范式的转变。目前，神经符号人工智能作为人工智能领域两大派系——联结主义和符号主义融合的新产品，因其感知环境的学习能力和操纵符号的推理能力，在研究和解决涉及海量数据的人文社会问题方面具有很高的应用价值。神经符号人工智能的引入对于数字人文、计算社会科学等新兴交叉学科领域的发展也具有重要意义。本文旨在理清神经符号人工智能与人文社会科学的联系，总结其最新的发展趋势和代表性应用，探索一条适应大数据时代的人文社会科学多元化方法论拓展的可行路径。
参数时间自动机的重写逻辑语义和符号分析
本文介绍了参数时间自动机 (PTA) 的重写逻辑语义，并表明使用 Maude-with-SMT 的符号可达性分析对于 PTA 可达性问题是合理且完整的。然后，我们改进了标准的 Maude-with-SMT 可达性分析，以便当 PTA 的符号状态空间有限时，分析终止。我们展示了如何使用我们的方法合成参数，并将其性能与最先进的 PTA 工具 Imitator 进行比较。实际贡献有两个方面：为 PTA 提供新的分析方法（例如，允许查询中具有更一般的状态属性并支持与用户定义的执行策略相结合的可达性分析，而 Imitator 不支持这些方法），并为实时重写理论开发符号分析方法。
符号主义、联结主义、行动主义
阐明人工智能与建筑之间联系的关键在于逻辑学派。计算主义的发展与建筑结构主义思想的融合，导致了基于形式概念的类型学设计方法。自然语言作为符号系统的认知是在符号学中建立的，符号学是指对符号过程（符号学）的研究。任何形式的活动、行为或任何涉及符号的过程，包括意义的产生。查尔斯·桑德斯·皮尔斯的模型强调了表征与对象以及使用符号作为传输系统的解释者之间的关系。结构主义根植于三个主要领域：语言学、人类学和文学分析，旨在通过通用符号系统传递建筑思想。语言和语义的转变在 20 世纪 60 年代和 70 年代的建筑中得以实现，标志着从结构主义、理性主义到计算主义的道路。规则和形式（例如模型和方法）以不同的规模出现在建筑中。结构主义处理的是建筑规模，而 La Tendenza 则对更大的规模感兴趣，研究城市。如今，通过计算主义，它可以转变为更大的行星规模。
癌症进化：达尔文和超越
预期团队成员行动的能力可以实现共同目标的共同行动。任务知识和心理模拟允许预测其他代理的行动，并推断出其潜在的心理表征。在人类 - AI团队中，为AI代理提供了预期的机制，可以促进合作和成功执行联合行动。本文提出了一个计算认知模型，证明了对操作员的心理模型的心理模拟和对其行为的预期。这项工作提出了两个连续的步骤：（1）应用层次群集算法来识别飞行员之间的行为模式。这些行为群集用于从经验数据（n = 13个飞行员）中得出共同点。（2）ACT -R（对思想的自适应控制 - 理性）认知模型被实施，以在精神上模拟飞行员的行动决策和时机的不同可能结果。ACT-R的模型跟踪允许跟踪操作员的个人操作。使用ACT-R的符号表示来实现两个模型：一个模拟规范行为，另一个模拟通过模拟个体差异和使用下符号学习来实现。通过对两个模型的比较来分析模型性能。结果表明，与规范性
博世的神经符号人工智能：数据基础、洞察和部署
动机。神经符号人工智能 [ 1 ] 是指联结人工智能（神经网络）与符号人工智能方法（如本体和逻辑）的集成。工业 4.0 [ 2 ] 的技术进步带来了异构制造（大）数据的数量和复杂性的快速增长 [ 3 ]，使工业中的神经符号人工智能成为可能。尽管这个话题很受欢迎，但如何在工业中实现神经符号人工智能仍有待研究。在本文中，我们以博世的活动（图 1 ）为例来介绍神经符号人工智能，其中语义技术发挥着至关重要的作用，包括 1）数据基础，它依赖于语义数据集成将异构数据统一为统一格式，2）洞察，它利用数据驱动的方法，尤其是机器学习（ML）从数据中提取知识，以及 3）部署，它给出了从数据中创造价值的工业案例。
基于意图的神经符号人工智能 (AI) ...
摘要 — 集成复杂机器推理技术的基于意图的网络将成为未来无线 6G 系统的基石。基于意图的通信要求网络考虑数据传输的语义（含义）和有效性（在最终用户处）。如果 6G 系统要以更少的比特可靠地通信，同时为异构用户提供连接，这一点至关重要。本文与缺乏数据可解释性的最先进技术相反，提出了神经符号人工智能 (NeSy AI) 框架作为学习观察到的数据背后的因果结构的支柱。特别是，生成流网络 (GFlowNet) 的新兴概念首次在无线系统中用于学习生成数据的概率结构。此外，为了实现更高的语义可靠性，严格制定了一个用于学习最佳编码和解码函数的新型优化问题。开发了新的分析公式来定义语义消息传输的关键指标，包括语义失真、语义相似性和语义可靠性。这些语义度量函数依赖于知识库中语义内容的定义，而这种信息度量反映了节点的推理能力。仿真结果验证了高效通信的能力（使用更少的比特但具有相同的语义），并且与不利用推理能力的传统系统相比，性能明显更好。I. 引言未来的无线系统（例如 6G）如果要集成时间关键型自主系统应用，则必须在传输内容方面更加谨慎。正如香农 (Shannon) [1] 所指出的，传统无线系统注重可靠地发送物理比特，而不注重语义和有效性层。与传输全部数据相比，只发送对接收方有用的信息自然在延迟、带宽利用率和能量方面更有效率（不会影响可靠性）[2]。这是所谓基于意图的语义通信 (SC) 系统 [3] 的核心前提。基于意图的网络是一种自主系统，它定义了它们期望从网络获得的行为，例如“改善网络质量”，然后系统会自动将其转换为实时网络操作。整合语义和有效性方面以创建基于意图的无线网络需要重大的范式转变 [2]–[4]。它特别要求传输和接收节点不再只是盲目设备（来回传输数据），而是成为能够理解和推理数据及其生成方式的类脑设备。一种有前途的方法是将知识表示和推理工具与机器学习相结合。一旦智能嵌入到发送器和接收器中，通信设备就可以感知（数据采集）、预处理并高效通信，而不会产生不必要的网络瓶颈（通过发送大量不必要的数据）。尽管
从统计关系到神经符号人工智能：一项调查。
学习与推理的融合是当今人工智能和机器学习面临的关键挑战之一，各个社区都在努力解决这一问题。对于神经符号计算 (NeSy) 领域尤其如此 [ 11 , 23 ]，其目标是整合符号推理和神经网络。NeSy 已经有悠久的传统，最近引起了各个社区的广泛关注（参见Y. Bengio 和 H. Kautz 在 AAAI 2020 上关于这个主题的主题演讲，Y. Bengio 和 G. Marcus 之间的 AI 辩论 [ 10 ]）。另一个在融合学习和推理方面有着丰富传统的领域是统计关系学习和人工智能 (StarAI) [ 41 , 89 ]。但是，它不是专注于整合逻辑和神经网络，而是围绕着将逻辑与概率推理（更具体地说是概率图模型）相结合的问题。尽管人们共同关注将符号推理与学习的基本范式（即概率图模型或神经网络）相结合，但令人惊讶的是，这两个领域之间并没有更多的相互作用。这种差异是本次调查背后的主要动机：它旨在指出这两项努力之间的相似之处，并希望以这种方式促进相互影响。为此，我们从 StarAI 的文献开始，
文章：采用符号人工智能方法应对 WHO/ACSM 身体活动和久坐行为指南
1 健康创新，三星，通信大楼，South St.，斯坦斯 TW18 4QE，英国；s.jilali@samsung.com（SJ）；rohit.ail@samsung.com（RA）2 三星研究，56 Seongchon-gil，首尔 06765，韩国；jaehun20.lee@samsung.com（JL）；bh1020.kim@samsung.com（BK）3 知识媒体研究所，开放大学，米尔顿凯恩斯 MK7 6AA，英国；alessio.antonini@open.ac.uk（AA）；enrico.motta@open.ac.uk（EM）4 心理治疗和心身医学系，德累斯顿工业大学医学院，01307 德累斯顿，德国；Julia.Schellong@uniklinikum-dresden.de（JS）； Lisa.Stieler@uniklinikum-dresden.de (LS) 5 华威大学工程学院，Library Rd, Coventry CV4 7AL，英国；salman.haleem@warwick.ac.uk (MSH)；l.pecchia@warwick.ac.uk (LP) 6 约阿尼纳大学材料科学与工程系，45110 约阿尼纳，希腊；egeorga@cs.uoi.gr 7 生命支持技术（LifeSTech），ETSI Telecomunicaciones，马德里理工大学，Av. Complutense, 30, 28040 Madrid，西班牙；eugenio.gaeta@upm.es (EG)； gfico@lst.tfo.upm.es (GF) * 通信地址：c.allocca@samsung.com † 现地址：Communications House, South St., Staines TW18 4QE, UK。‡ 这些作者对本文的贡献相同。