XiaoMi-AI文件搜索系统
World File Search System符号
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。
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
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。
自然语言处理和神经符号人工智能
收到日期：2024 年 12 月 4 日；修订日期：2024 年 12 月 28 日；接受日期：2024 年 1 月 10 日；发布日期：2024 年 1 月 29 日；摘要 - 神经符号人工智能 (NeSy AI) 代表了自然语言处理 (NLP) 领域的一种突破性方法，将神经网络的模式识别与符号人工智能的结构化推理相结合，以解决人类语言的复杂性。本研究调查了神经符号人工智能在提供细致入微的理解和上下文相关响应方面的有效性，其驱动力是克服现有模型在处理复杂语言任务和抽象推理方面的局限性。该研究采用将多模态上下文建模与规则控制的推理和记忆激活相结合的混合方法，深入研究命名实体识别 (NER) 等特定应用，其中 BiLSTM + CRF 等架构通过分析整个句子上下文表现出更高的准确性。研究结果肯定了神经符号人工智能在增强语言解析、语义歧义解析和整体语言理解能力方面的潜力。值得注意的是，这项研究展示了在改进 NER 任务方面取得的重大进展，突出了这种方法的实际意义和有效性。这项研究表明，神经符号人工智能的发展体现了人们不断追求在机器和人类语言之间创造更复杂、更准确、更像人类的交互，有望对医疗保健和教育等各个领域产生变革性影响。这些发现为人工智能的未来研究和发展铺平了道路，突破了技术在理解和与人类语言互动方面的作用的界限。
9. 缩写和字母符号 - GovInfo
阿拉巴马州 .................................AL 阿拉斯加州 ......................................... AK 美属萨摩亚群岛 .......................... AS 亚利桑那州 .........................................AZ 阿肯色州 .........................................AR 加利福尼亚州 .........................................CA 科罗拉多州 .........................................CO 康涅狄格州 .................................CT 特拉华州 .........................................DE 哥伦比亚特区 ................. DC 密克罗尼西亚联邦 ho .........................................ID 伊利诺伊州 .............................................IL 印第安纳州 .............................................IN 爱荷华州 .............................................IA 堪萨斯州 ............................................. KS
Solthix™T200 -PDS多符号挤压
本文所包含的信息被认为是可靠的，但没有任何形式的陈述，担保或保证就其准确性，适用于特定申请或要获得的结果。这些信息通常基于实验室的小型设备，不一定表明最终产品性能或可重现性。提出的配方可能没有进行稳定性测试，仅应作为建议的起点。由于在处理这些材料时商业上使用的方法，条件和设备的变化，因此没有对产品适用于披露的申请的适用性。全尺度测试和最终产品性能是用户的责任。Lubrizol Advanced Materials，Inc。不承担任何责任，并且客户对除Lubrizol Advanced Materade，Inc。的直接控制外的任何用途或处理任何材料都承担所有风险和责任。卖方不对明示或暗示的担保，包括但不限于对特定目的的适销性和适合性的隐含保证。本文中没有任何包含在未经专利所有者许可的情况下练习任何专利发明的授权，也不应将其视为诱因。Lubrizol Advanced Materials，Inc。是Lubrizol Corporation的全资子公司。
助记符作为记忆的符号：符号学和能动性
当前心灵哲学的争论之一是情境性问题，即心灵究竟存在于何处以及认知发生于何处。三种主要立场是内在主义，认为认知仅发生在身体内部，特别是大脑中（Adams 和 Aizawa 2009），分布式认知 (DCT) 理论，其中工具可用于辅助认知，但它们本身只是工具，本身不具有能动性（Giere 2004），以及扩展认知 (ExCT)，其中个体的位置及其认知方式可能包括与外部代理的临时联系，而这些外部代理本身是活跃的（Clark 和 Chalmers 1998）。 Clark 和 Chalmers 著名的 ExCT 例子使用了 Inga 和 Otto，它依赖于记忆作为一种认知功能而存在的想法，尽管认知的主要机构可能发生在大脑中，但认知工作可以说可以被“负荷”到环境中的条件上。“认知负荷是指通过身体动作（如写下信息或在手机或电脑上存储信息）来减少任务的心理处理要求的行为。”（Morrison 和 Richmond 2020）认知负荷可以提高效率，缓解记忆压力，尤其是在有很多事情要做的情况下。
AI计划的符号推理方法
计划是行动之前的审议思维行为（Haslum 2006）。它基于世界的符号模型及其在其中作用的选项，通常在功能 - 无函数的一阶逻辑中定义。规划师必须找到一系列行动（计划），该动作从当前状态带到了期望的目标状态。纯粹的物理描述可以通过部分有序的语法式结构（分层任务网络或HTN）进行增强，描述专家知识，或实用，法律或操作要求。在本次演讲中，我将使用符号方法来调查各种自动得出计划的方法。这些符号方法 - 从某种意义上说 - 将计划问题转化为其他，更简单的符号代表，并推理了这些方法，以找到计划。作为这些方法的基础，我首先将在计划中介绍相关的理论结果。首先，我将讨论规划形式主义的表现力（Houler等人2014; Houler等。2016）和第二，HTN计划的计算复杂及其相关任务，例如HTN计划验证，计划修改和计划识别（Behnke，Houler和Biundo 2015； Behnke等； Behnke等人2016）。基于这些理论结果，我将开发为什么基于SAT的HTN计划以及如何进行基于SAT的HTN计划。为此，我将在顶级会议上调查我的几个公开（Behnke，Houler和Biundo 2017，2018，2019a，b; Behnke等人。接下来，我提出了表达以SAT（Houler and Behnke 2022）的升级经典计划的想法。2020; Behnke 2021） - 在其中，我开发了一个基于SAT的HTN问题计划者，包括找到最佳计划以及接地的能力，以作为预处理步骤。由此产生的计划是第一个基于SAT的计划者 - 事实证明，在出版时表现出了高效且优于所有其他提起的计划者。值得注意的是，Lisat是第一位计划者（被解除或扎根），仍然是唯一一个解决具有挑战性的有机合成基准的计划者，甚至可以证明所有计划的最佳性。最后，我介绍了具有象征性表示的计划概念（Behnke和Speck 2021； Behnke等人。2023） - 使用二进制决策图（BDD）紧凑地编码大量状态。使用BDD注释的finenite自动机的组合，我们可以结构