XiaoMi-AI文件搜索系统
World File Search System符号表示
人工智能和机器学习基础
符号人工智能 基于符号人工智能的方法 16 可以追溯到 20 世纪 60 年代中期，因此通常被称为“老式人工智能 (GO FAI)”。 17 这也是因为它们依赖经典逻辑。 18 符号人工智能的自我描述源自这些系统所依赖的符号的明确操作。 19 符号人工智能基于这样的假设：在人类通过符号进行交流的基础上，可以开发智能系统。该领域最突出的例子是专家系统，它将一组预定义的 if-then 规则应用于给定案例。其中，元素和关系使用符号明确表示。例如，如果人工智能系统必须学习动物的特定属性，则符号表示模型将由相互连接的节点网络组成。节点代表动物、它们的属性或能力，然后将它们关联起来
Alpha Mesh Swc：根据脑细胞骨架描述自动生成稳健的表面网格
图 1：(a) SWC 文件的说明性示例（不是真实细胞）。从左到右，各列分别表示节点索引、神经元区室类型、x、y、z 坐标、半径和父节点索引。例如，第二个节点表示位于 [0, 0, 8] 处半径为 2 µm 的顶端树突（类型 4）部分。它连接到其父节点（第一个节点）。如果父索引为 -1，则当前节点为根节点。(b) (a) 中 SWC 文件定义的神经元骨架的可视化表示。红色 ⊗ 符号表示体细胞节点，神经突节点用红色 + 表示。长度为 l 1 , . . . , l 4 的蓝线绘制了神经元骨架。虚线以 3D 形式说明了神经元的形态。(c) 可用于连接两个连续节点的圆锥
可解释的人工智能和强化学习——对当前方法和趋势的系统回顾
近年来，可解释人工智能 (XAI) 的研究不断增加，以满足人们对提高人工智能透明度和信任度的需求。这一点尤为重要，因为人工智能用于具有社会、道德和安全影响的敏感领域。XAI 的工作主要集中在机器学习 (ML) 的分类、决策或行动上，已经进行了详细的系统评价。这篇评论旨在探索强化学习 (RL) 领域中 XAI 的当前方法和局限性。从 520 个搜索结果中，回顾了 25 项研究（包括 5 个滚雪球抽样），重点介绍了可视化、基于查询的解释、策略总结、人机协作和验证是该领域的趋势。介绍了研究中的局限性，特别是缺乏用户研究，玩具示例的普遍存在以及难以提供可理解的解释。确定了未来研究的领域，包括沉浸式可视化和符号表示。
基于生物学的计算：神经细节和动力学如何适用于实现各种算法
摘要：神经工程框架 (Eliasmith & Anderson, 2003) 是一种长期存在的方法，用于实现受低级神经生物学细节约束的高级算法。近年来，这种方法已经得到扩展，以纳入更多生物学细节并应用于新任务。本文将这些正在进行的研究线索汇集在一起，在一个共同的框架中呈现它们。我们扩展了 NEF 的核心原则：(a) 指定模型不同部分中神经元所需的调谐曲线，(b) 定义模型不同部分中神经元所代表的值之间的计算关系，以及 (c) 找到将导致这些计算和调谐曲线的突触连接权重。特别是，我们展示了如何将其扩展为包括复杂的时空调谐曲线，然后应用这种方法来生成大脑中的网格单元、时间单元、路径积分、稀疏表示、概率表示和符号表示的功能计算模型。
脑电图中与性别相关的模式及其在机器学习分类器中的相关性
图1用迷你尖端卷积神经网络和相关归因方法进行性检测。首先，xðÞ节X段是交叉相关的吗？ðÞ，有16个学识渊博的时空内核（K I）的维度与脑电图的短窗口相似（图2中描述的实际核）。由于内核具有与数据相同数量的通道，因此它们仅沿时间轴而不是跨通道滑动。16个相关曲线被整流（Relu激活），并分为40个重叠的窗口。接下来，平均将窗户的最大值（M ij）进行。在最后一层中，从这16个平均值中预测了性别yðÞ。事后，网络参数用于归因于每个eeg通道和录音中的时间点的相关性r（紫色中指示的路径）。最终分类器层的重量（W I）的符号表示与第一层（ /emale /Red and + / + /男性 /蓝色）的每个内核相对应的性别。
引文 (APA) Marra, G.、Dumančić, S.、Manhaeve, R. 和 De Raedt, L. (2024)。从统计关系到神经符号人工智能：一项调查。人工智能，328，文章 104062。https://doi.org/10.1016/j.artint.2023.104062
本综述探讨了两个不同人工智能领域中学习和推理的整合，即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）则侧重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。它们关注的是（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）系统适用的学习任务类别。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，本综述为理解学习和推理的整合贡献了基本概念。
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。
THB001的功效，野生型的有效和选择性的口服小分子抑制剂
用THB001处理后肥大细胞的剂量依赖性耗竭。肥大细胞密度是在THB001治疗的大鼠的耳组织（皮肤）中确定的。（左）使用Luna的甲苯胺蓝（LTB）对具有固定的，双分配的耳朵活检的抗甲苯胺蓝（LTB）确定，具有基于Visiopharm DeepLab DeepLab神经网络算法的枚举。（右）治疗动物的肥大细胞密度。单个动物由黑点表示；灰色条代表每个治疗组的平均值，误差线代表每个组的标准偏差。统计数据通过普通的单向方差分析（F = 69.42，p <0.0001）和Dunnett的多次比较测试，使用GraphPad Prism版本9.4.1将经过THB001治疗组与车辆对照组进行了比较。p-值由符号表示如下：p <0.01（**），p <0.0001（****）。相对于配对比较线相邻的数量，肥大细胞密度的百分比变化相对于媒介物处理的动物。