XiaoMi-AI文件搜索系统
World File Search System表达能力
本体学习的观点 - CiteSeerX
让机器具备常识和特定领域的知识，使它们能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些研究开发了可以估算知识工程项目成本的方法 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域早期的研究集中于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并尝试通过引入所谓的本体学习层来系统地概述本体学习任务，这从那时起就受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见本卷中的 Lehmann 等人 [5] 和 Lisi [6]）。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。而本体学习算法从一组数据中学习的结果本质上反映了数据集的特性。因此，将本体的结果转化为
![arXiv:2502.02354v1 [cs.LO] 2025 年 2 月 4 日](/simg/g:\will\search\icon\source\d\d48731e0c9bcee63d92c7a739fb8e6e1c3cedf18.webp)
arXiv:2502.02354v1 [cs.LO] 2025 年 2 月 4 日
b 互斥，可以按任何顺序执行，但不能并发；在右侧，a 和 b 之间存在真正的并发，用 HDA 语义的实心方块表示。在交错语义中，两个网之间没有区别，两者都产生左侧的转换系统。van Glabbeek 在 [31] 中首次探讨了 Petri 网和 HDA 之间的关系，其中 HDA 被定义为带标签的前立方体集，其单元是不同维度的超立方体。最近，[13] 为 HDA 引入了一种基于事件的设置，将其单元定义为带标签事件的全序集。该框架导致了 HDA 理论的许多新发展 [4,5,14,16]，因此我们在这里着手将 van Glabbeek 的翻译更新为这种基于事件的设置。Petri 网是一个强大的模型，可以表示无限系统，同时保留可达性 [25] 和可覆盖性 [23] 的可判定性。尽管 Petri 网具有表达能力，但它缺少一些表示程序执行所必需的特性。在 [17] 中，作者引入了抑制弧，当通过抑制弧连接到 t 的位置不为空时，它可以防止转换 t 触发。显然，这种构造允许实现零测试，这使得带有抑制弧的 Petri 网具有图灵能力。我们研究了带有抑制弧的 Petri 网的并发语义，表明 [21] 的后验语义再次产生了 HDA。然而，对于更自由的先验语义（再次参见 [21]），我们需要引入部分 HDA，其中一些单元可能缺失，模仿现在禁止某些并发执行序列化的事实。我们进一步将我们的工作扩展到 [11] 的广义自修改网，将它们的并发语义定义为 ST 自动机，而 ST 自动机本身又概括了部分 HDA。我们开发了一个原型工具，它实现了从 Petri 网到 HDA 的转换以及从 PNI 到部分 HDA 的转换。4 我们的实现能够以模块化方式处理标准、加权和抑制弧。本文的结构如下。我们在第 2 和第 3 节开始回顾 HDA 和 Petri 网，重点介绍它们的并发语义，这种语义允许多个转换同时触发。以下各节介绍了我们的适当贡献。在第 4 节中，我们介绍了基于 [31] 的从 Petri 网到 HDA 的转换。为了克服这样构建的 HDA 的对称性，第 5 节引入了事件顺序，避免了构造中的阶乘爆炸。我们还给出了几个例子来说明 HDA 语义中的细节。然后，我们在第 6 节中考虑了具有抑制弧的 Petri 网（后验和先验语义），在第 7 节中考虑了广义自修改网。第 8 节介绍了我们的实现。
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速
寻找副总裁兼总法律顾问
马萨诸塞州伍斯特 搜索 伍斯特理工学院 (WPI) 寻求一位有成就、有创造力、以价值观为导向的领导者，他/她拥有成功的记录和富有远见的领导才能，担任下一任副校长和总法律顾问。 总法律顾问是整个大学的深思熟虑的战略领导者，也是校长内阁成员，直接向 WPI 校长汇报。 总法律顾问是校长、董事会主席和行政部门在广泛法律和政策事务上的机密顾问，负责确保最高质量的法律服务，包括管理 WPI 的法律事务、董事会治理、企业风险管理和机构保险职能。 关于 WPI 使命 WPI 改变生活，将知识转化为行动以应对全球挑战，并通过独特和包容的教育和研究彻底改变 STEM。 历史 自 1865 年成立以来，WPI 一直在彻底改变 STEM 教育。我们的创始人推出了一种全新的激进课程，同样注重理论和实践。一个世纪后，伍斯特理工学院 (WPI) 重新构想了这一模式，在坚守创始愿景的同时，率先提出了以项目式学习为基础的本科 STEM 教育方法，强调技术和社会。该方法被称为 WPI 计划，于 1970 年实施，要求学生组成跨学科团队，在过程中学习如何学习，并与全球社区的伙伴合作，寻求可行且可持续的解决现实问题的方案。如今，伍斯特理工学院 (WPI) 脱颖而出，成为一个将变革性的 STEM 教育、前沿研究和充满活力的校园生活相交相成、相得益彰的地方，造福学生、教师、员工和社会。伍斯特理工学院 (WPI) 提供 70 多个学士、硕士和博士学位课程，涵盖科学、工程、商业、社会科学以及人文和艺术等 18 个学术院系。该大学是公认的让本科生参与研究的领导者，也是项目式学习的先驱和全球领导者。 WPI 提供规模和质量无与伦比的项目式学习和全球体验。通过将理论与实践有效结合，每一位 WPI 学生都可以通过学位要求和必修的动手项目获得知识广度。该大学是公认的让本科生参与研究的领导者，也是项目式学习的先驱和全球领导者；没有人能以相同的规模或质量完成项目或全球体验。通过将理论与实践有效结合，每一位 WPI 学生都可以通过学位要求和必修的动手项目获得知识广度。人文艺术项目让学生沉浸在艺术、戏剧、音乐、以及通过一系列自选课程培养学生的创造性表达能力。这种方法允许学生通过研究艺术/建筑、历史、语言、文学、哲学或宗教来探索复杂性、多样性和人类经验的丰富性等主题——目标是培养全面发展、具有全球意识、具有卓越批判性和分析性思维能力并能处理模糊问题的毕业生。
对称性与人工智能相遇 摘要 目录 1 简介
电磁学的麦克斯韦方程、爱因斯坦的狭义和广义相对论以及粒子物理学中基本力的规范理论。从更务实的角度来看，对称性有很多应用，例如晶体学中的应用或它们为问题研究带来的简化：对称性是手头信息背后的组织结构。因此，发现这种模式可以加深理解，就像罗夏赫测试的简单情况一样：注意到墨迹的反射对称性可以帮助孩子猜测这些图画是如何制作的，即通过将吸墨纸折叠起来。这种理解使我们能够简化处理数据的方式，并且在更深层次上可以表明存在更高层次的原理。对称性与简单性甚至优雅之间的这种联系在理论物理学中经常出现。在艺术中，对称性也经常与优雅的概念联系在一起。这并不是说对称的艺术品更美丽，因为众所周知，大多数人更喜欢对称性不是完全对称，而是略有不完美或破碎的面孔、乐曲、绘画和照片 [ 1 , 2 ] 。在物理学中，对称情况的偏差通常被认为是一种有用的近似技术，因为在自然界中很少发现完美的对称性。发现对称性的一个物理学例子是火星的运动。天文学家第谷·布拉赫在 1601 年去世前，收集了它在夜空中位置的最精确记录。这些数据中有一个底层结构，约翰尼斯·开普勒花了很多年才将其梳理成椭圆形 1 。从这种更简单的数据表示中，艾萨克·牛顿能够推导出引力定律，该定律表现出中心对称性，毫无疑问，与最初的观测集合相比，它更简单、更深入、更普遍地描述了天体的运动。快进许多年，我们现在明白，牛顿定律可以通过将对称性强加于一个称为作用的抽象对象上来获得。我们在本文中的想法是为布拉赫和牛顿之间的开普勒中间步骤的自动化或人工智能 (AI) 版本奠定基础。面向任务的功能性 AI 一般概念实现称为机器学习 (ML)。它涉及为计算机提供一般处方的算法，以便逐步逼近（或学习）适当的规则来重现特定的观察结果。这与传统程序形成了鲜明对比，传统程序缺乏这里所需的表达能力。目前，科学，尤其是物理学，正在经历一场革命 [ 3 ] ，因为在具有大数据集的实验领域中采用的 ML 方法被应用于更正式的领域，甚至用于符号数学 [ 4 ] 。ML 确实特别擅长模式识别，因此我们提出一个问题：当这些方法用于从数据中提取信息时，它们是否也能检测到它们所接触的数据中对称性的存在？如果可以，它们会自动这样做吗？它们是否自然地根据对称模式组织信息？在本文中，我们迈出了回答上述问题的第一步。除了好奇心和想要了解自然法则和机器学习的发展方式的愿望之外，我们还运用我们的方法来研究物理和艺术之间的深层联系。在第 2 节中基于物理的设置上训练算法之后，我们在第 3 节中将它们应用于艺术品并评估它们的对称性。这项工作可以进行许多扩展和应用，在第 4 节中我们将讨论这个方向的一些想法。