XiaoMi-AI文件搜索系统
World File Search Systemrelational
从统计关系到神经符号人工智能：一项调查。
本综述探讨了人工智能两个不同领域中学习和推理的整合：神经符号人工智能和统计关系人工智能。神经符号人工智能 (NeSy) 研究符号推理和神经网络的整合，而统计关系人工智能 (StarAI) 则专注于将逻辑与概率图模型相结合。本综述确定了这两个人工智能子领域之间七个共同的维度。这些维度可用于描述不同的 NeSy 和 StarAI 系统。它们涉及 (1) 逻辑推理的方法，无论是基于模型还是基于证明；(2) 所用逻辑理论的语法；(3) 系统的逻辑语义及其促进学习的扩展；(4) 学习范围，包括参数或结构学习；(5) 符号和亚符号表示的存在；(6) 系统捕捉原始逻辑、概率和神经范式的程度；(7) 系统应用于的学习任务类别。通过沿着这些维度定位各种 NeSy 和 StarAI 系统并指出它们之间的相似点和不同点，本调查为理解学习和推理的整合贡献了基本概念。
超越不可分离和语境相对论的关系量子纠缠
在本文中，我们讨论了量子纠缠正统定义的相对主义视角性质（从优选因式分解的角度）。我们还在 Barnum 等人 [6,7] 提出的广义纠缠定义中从优选可观测量的角度考虑了这一方面。更具体地说，我们将讨论正统纠缠定义所隐含的不可分离相对主义、其广义化所隐含的语境相对主义以及目前专业文献中讨论的一些其他严重问题。在本文的第二部分，我们讨论了最近提出的客观不变纠缠定义，该定义被理解为有效和强度关系的实际和潜在编码 [32]。通过推导两个定理，我们将明确展示这种新的客观纠缠定义如何能够摆脱不可分离相对主义和语境相对主义。根据这些定理，在所提出的关系定义中，所有可能的可观测量子集以及所有可能的因式分解都可以全局视为指代同一（潜在）事态。结论是，与正统定义不同，这种新的客观关系纠缠概念从一开始就能够绕过相对主义，为现实理解量子相关性打开大门。
关系机器人：人工智能法律中立的规范视角
应用于知识产权法。然后，我将其在专利法领域的含义与其在版权背景下的潜在意义进行比较。针对我在其他地方提出的关于人工智能、版权和作者身份的论点，我认为……阿博特的法律中立原则很可能会让我们走上错误的道路，导致制定糟糕的版权政策。这揭示了人工智能法律中立默认的问题。在第三部分中，我概述了一种理解技术中立和法律的替代方法，关注的是追求规范目标的一致性，而不是正式的非歧视。这种方法可以潜在地适应阿博特的专利政策建议，而不会对版权产生不良影响。最后，我提出了一种关系方法来规范机器人，我相信这将为法律中立带来急需的规范视角。
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，
开放、多元、附属。关系人工智能时代的决策支持
摘要。在本文中，我们考虑了人工智能应具备的一些关键特征，以使包括主题专家及其人工智能决策辅助工具在内的混合机构能够发挥作用。我们将暗示保证人工智能工具具有以下设计要求：开放、多元、连续、谨慎、模糊、类比，最重要的是，在决策实践方面具有附属性。我们认为，附属性是设计的一个重要条件。附属性需要设计和评估人机交互协议，旨在提高人工智能的可用性，同时也要保证用户满意度以及人类和社会的可持续性。它通过增强人们与输出进行分析交互的认知动机、减少对人工智能的过度依赖和提高绩效来实现这一点。
医生治疗医生：治疗和生存中的关系和信息优势
本文表达的任何观点均为作者观点，而非 IZA 观点。本系列中发表的研究可能包括政策观点，但 IZA 不代表任何机构政策立场。IZA 研究网络致力于遵守 IZA 研究诚信指导原则。IZA 劳动经济研究所是一个独立的经济研究机构，从事劳动经济学研究，并就劳动力市场问题提供基于证据的政策建议。在德国邮政基金会的支持下，IZA 运营着世界上最大的经济学家网络，其研究旨在为我们这个时代的全球劳动力市场挑战提供答案。我们的主要目标是在学术研究、政策制定者和社会之间架起桥梁。IZA 讨论文件通常代表初步工作，并被分发以鼓励讨论。引用此类文件时应说明其临时性质。修订版可直接从作者处获得。
PolygonE：将 N 元关系数据建模为双曲空间中的陀螺多边形
N 元关系知识库 (KB) 嵌入旨在将二进制和超二进制事实同时映射到低维向量空间中。现有方法通常将 n 元关系事实分解为子元组，并且通常在欧几里得空间中对 n 元关系知识库进行建模。然而，n 元关系事实在语义和结构上是完整的；分解会破坏语义和结构的完整性。此外，与二进制关系知识库相比，n 元知识库具有更丰富和复杂的层次结构，这些结构无法在欧几里得空间中很好地表达。针对这些问题，我们提出了一个陀螺多边形嵌入框架来实现 n 元事实完整性保持和层次结构捕获，称为 PolygonE。具体而言，n 元关系事实被建模为双曲空间中的陀螺多边形，其中我们将事实中的实体表示为陀螺多边形的顶点，将关系表示为实体移位操作。重要的是，我们设计了一种基于顶点陀螺中心测地线的事实可信度测量策略，以优化关系调整后的陀螺多边形。实验结果表明，PolygonE 在所有基准数据集上都表现出 SOTA 性能，并且在二进制数据上具有良好的泛化能力。最后，我们还可视化了嵌入，以帮助理解 PolygonE 对层次结构的认识。
1 长标题：了解产妇和儿童护理网络的关系方面
可在 CC0 许可下使用。本文是美国政府作品。根据 17 USC 105，它不受版权保护，并且可供使用（未经同行评审认证）的是作者/资助者，他已授予 medRxiv 永久展示预印本的许可。此预印本的版权持有者此版本于 2025 年 1 月 6 日发布。；https://doi.org/10.1101/2025.01.05.25320026 doi：medRxiv preprint
青少年司法中有效关系工作的基于证据的模型和指南
本报告由 Eóin O'Meara Daly 博士、Jackie Dwane、Caitlin Lewis 和 Seán Redmond 教授友情制作，介绍了爱尔兰开展的一项为期三年的自上而下/自下而上的行动研究项目的结果，该项目研究了青少年司法从业人员与犯罪青少年之间建立有效关系的方式。关系实践是青少年司法工作的核心，该项目促成了关系模型（及其随附指南）的共同创建，可作为从业人员及其经理的反思资源。该模型包括：（i）创建安全的基础层；（ii）“信任、时间、支持和以年轻人为中心”的核心层；（iii）七组技能、属性和方法，可应用于各个方面——这些方法鼓励从业人员“全身心投入、以同理心沟通、建立联系和倡导、灵活变通、练习自我和反思、诚实和建设性挑战”，最后是“引导、激发希望和建立机构”。该模型并不试图解释所有可能发生的情况，认识到关系的本质是动态的和多样化的，但至关重要的是，它确实为青少年司法从业者在试图建立成功和有效的关系时提供了以证据为基础的路标和指针。
将计划和强化学习结合起来解决关系多重域
统计关系学习和AI（starai）[11，32]，另一方面，在存在不同的对象和关系的数量（即在关系领域）的存在。但是，关系RL [8]相对尚未探索，尽管存在某些方法[42]，但它们并不能按照大型任务进行扩展，并且对于多基因设置而言肯定不容易扩展。一个有希望的方向正在利用层次（和关系）计划的组合，以探索多个级别的抽象和RL来学习低级政策[16，20]。受到AI的这些不同子区域的成功的启发，我们采用了一种方法，该方法利用了关系层次规划师的力量作为噪音，关系领域中多种学习的集中式控制器。我们所提出的方法称为多基金关系计划和强化学习（MarePrel），将计划分解，集中控制和代理位置，用于构建特定任务表示的Starai，以及通过这些专业表示的有效和有效学习的深度RL。我们做出以下关键贡献：（1）据我们所知，我们提出了可以跨越多个对象和关系概括的关系构造域的第一个多基因系统。正如我们在相关工作中所显示的那样，多种文献中存在着重要的文献，关系学习以及计划和学习的整合。我们的工作是在多构想系统中将所有这些方向相结合的第一项工作。（2）为了实现这一目标，我们开发了MarePrel，这是一种综合计划和学习体系结构，能够在关系领域的不确定性下进行多种学习。具体而言，玛丽·玛丽（Mareprel）的有效学习和推理能力源于其关系形式的代表，高级计划的分解以及最低级别的深度RL的使用。（3）最后，我们在一些关系多基因领域中证明了我们的AP级的有效性和概括能力。我们将基于不同基于RL的多构基线（包括明确使用子任务信息）进行比较，并说明了我们方法的优越性。本文的其余部分如下：在审查了相关工作并介绍了必要的背景之后，我们概述了我们的多基因框架，并更详细地讨论算法。然后，我们通过讨论未来研究的领域在结束论文之前对一些关系的多种关系领域进行了实验评估。