神经符号学及其应用研究

深度学习在感知智能上的不断突破推动了人工智能在各领域的广泛应用。但在实际落地过程中,只有把感知智能提高到更高层的认知智能,才能更好地满足日益复杂的应用需求。神经符号学将擅长感知任务的神经网络方法和擅长推理任务的逻辑符号学有机地融合在一起,是实现高层认知智能的途径之一。基于此,提出了一套神经符号学的实用框架NSFOL,并基于NSFOL实现了机器人任务规划、自学习机器人运动规划和教育实验视频评估3个典型应用。实验结果表明,尽管NSFOL尚未完善,但是它已经能够很好地支持相关应用,在可学习、可推理、可解释和可泛化方面具备一定的优势。希望通过阐述神经符号学的阶段性研究成果,激发更多的思考和研究,共同推动神经符号学的发展。

基于神经符号的动力电池拆解任务与运动规划

建立完善的动力电池回收利用体系是我国新能源汽车高质量发展需要突破的瓶颈问题之一,研究和发展智能化、柔性化、精细化的高效拆解技术是其中的重要环节.但由于受非结构化的拆解环境和拆解过程中的不确定性等因素的影响,目前,动力电池拆解还采用人工为主、机器辅助拆解的方式,不仅低效,而且致使工作人员暴露在危险的工作环境中,亟需向自动化、智能化方式转变.研究基于神经符号理论对动态环境中动力电池的拆解任务进行研究,设计并实现了一套任务和运动规划系统.与现有的动力电池拆解系统相比,系统在自主性、可扩展性、可解释性、可学习性4方面具备明显的优势,这4方面的优势相辅相成,可以不断促进系统的完善和提高,为实现动力电池的智能化拆解铺平了道路.基于该系统实现了在复杂多变的拆解工作环境中动力电池连接约束件的智能拆解,验证了系统的可行性.

数字孪生多模态视觉推理的神经-符号系统

面对数字孪生在多模态视觉数据融合中的异质性和动态性挑战,提出一种结合深度学习与符号智能的方法。该方法通过深度神经网络对视觉数据进行实时解析,并借助符号系统存储的知识和事件响应规则,实现对复杂推理过程的自主管理。为提高系统对物理世界变化的适应性,提出一种融合多模态信息和外部知识的增强推理机制,该机制能有效地整合来自传感器的实时数据和历史知识库中的信息,以支持更加准确和合理的决策制定。以退役锂电池拆解过程为案例验证表明,该方法不仅能够在多模态数据环境中实现高准确率的识别和分析,还能够基于推理机制生成合理且逻辑一致的操作建议,有效提升了拆解效率和安全性。

针对高亮物体的高效神经隐式表面重建

神经隐式表面(Neural Implicit Surface)一直是近年来计算机视觉的热门研究方向。许多工作通过扩展神经辐射场的体渲染管线实现了从二维图像和相机位姿作为输入,在无需三维监督信息下重建高质量三维物体形状。但是,由于利用二维图像进行训练监督,这些方法难以对高亮物体的形状进行合理的推理,其原因是因为物体材质和环境光照所产生的模糊性。本文提出一种针对高亮物体的高效表面重建方法,通过权重插值辐射场(Radiance Field)与反射场(Reflection Field)的方式使得可以更好地表达高亮物体的外观。同时,本文引入了一种渲染损失的方法来缓解高光反射带来的多视角不一致问题,并且引入了两种针对物体法向量的正则化来缓解混合神经场梯度噪声的问题。本工作通过渐进式的训练范式分别对三种数据集进行了实验,实验表明,本方法在多视角合成和高亮物体表面重建任务上都超越了基准模型,并且在训练速度上比基准模型快一个量级。

高效采样的神经隐式表面重建研究

近几年,神经隐式表面在三维表达上展现出了巨大的潜力。许多先前工作扩展神经辐射场(Neural Radiance Field, NeRF)的训练管线,通过在光线上采样点,然后建模出一种概率分布与隐式曲面建立联系,从而可以使得隐式曲面拟合。然而,这些工作要么需要过长的训练时间,要么需要在特定的加速结构下处理较多的采样点。本文工作,提出联合占据栅格(Occupancy Grid)和一种非线性函数来指导采样的策略,使得可以实现在合理的时间内,处理较少的采样点并达到较好的物体表面重建效果。同时,这里引入了渐进式训练方式使得模型拟合更加鲁棒。通过在真实数据集和合成数据集的实验表明,我们的方法在物体表面恢复任务上能取得较好的效果,并且在新视角合成任务上也能取得出色的表现。

融合知识图谱与神经网络赋能数智化管理决策

知识图谱是感知智能通往认知智能的重要桥梁,基于知识图谱的知识表示、融合、推理将对管理决策产生深远影响.知识图谱能够有机集成符号表示和神经网络进行更有效的知识推理与决策.本文提出一套基于知识图谱的神经符号集成推理框架及三个技术方法,包括融合本体知识和生成模型的零样本决策、知识图谱嵌入表示学习增强结果异质性和可解释性、基于知识图谱的预训练模型增强面向下游任务的自动决策.该“1+3”技术体系实现了“模型驱动+知识增强”,在数智化管理决策中具有技术创新性.该体系已在实际商务管理实践中落地与应用,充分彰显场景创新性.该体系也具备通用性,可适用于多领域多情境的管理决策.

基于半监督符号图神经网络聚类的药物社区发现

药物社区反映了多组药物之间的互作用关系,其内涵整个药物网络的结构与功能,考虑药物社区发现问题有助于推动新药物的研发。大多数图神经方法仅局限于挖掘单一药物之间的互作用,而忽略了多种药物共同作用对药理的强化或抑制。通过构建带符号的药物互作用网络,将药物社区发现问题转化为符号网络中的聚类问题,提出的半监督符号神经网络聚类方法可以很好地弥补这一空缺。交叉验证实验表明,所提出的聚类方法具有较好的性能,在药物分析中具有潜在应用价值。

具身认知:身体的认知符号学

具身认知符号学是符号学与认知科学的跨级"联谊"。认知科学发展到目前的第二阶段:具身认知,即身体回归到认知研究的核心位置。一般符号学自开始就有两个拓展自己研究版图的方向,一是医学、遗传生物学、神经细胞学等科学认知的方向;二是文化人类学、民族学、文化研究等宏观文化的方向。于此,认知的身体研究阶段是二者结合的最佳时机,具身认知的符号学也是认知符号学奠基阶段。上世纪八十年代以来,伴随身体在哲学、心理学、语言学等学科的回归,对认知符号学中身体的奠基也有了"左右逢源"的可能。具身认知符号学吸收了认知研究前几阶段的已有成果,将神经元作为符号定义的开始,而重点在于"身脑复合体"这一文本结构,本文即是对具身认知符号学基本概念和拓扑结构的展开。

带拒绝推理的反绎学习方法

近年来,许多研究工作致力于将数据驱动的机器学习和知识驱动的逻辑推理相结合,以提高机器学习的性能.其中,不少工作尝试利用反绎推理,将机器学习与逻辑推理融合到一个框架中.这些方法通过机器学习模型生成伪标记,然后利用反绎推理来修正不一致的伪标记,以更新机器学习模型并多次迭代.然而,反绎中可能会存在错误标记,这些标记会对模型训练产生负面影响且难以被发现.因此提出一种带拒绝推理的反绎学习方法,它同时考虑反绎标记的模型不确定性和推理不确定性,从数据层面和知识层面综合评估反绎结果的可靠性,并通过拒绝部分反绎推理结果来避免不可靠的反绎标记对模型训练的负面影响.实验表明,提出的方法可以减少错误反绎标记的比例、加速反绎学习的训练并带来更好的性能.

新一代知识图谱关键技术综述

近年来,国内外在新一代知识图谱的关键技术和理论方面取得了一定进展,以知识图谱为载体的典型应用也逐渐走进各个行业领域,包括智能问答、推荐系统、个人助手等.然而,在大数据环境和新基建背景下,数据对象和交互方式的日益丰富和变化,对新一代知识图谱在基础理论、体系架构、关键技术等方面提出新的需求,带来新的挑战.将综述国内外新一代知识图谱的关键技术研究发展现状,重点从非结构化多模态数据组织与理解、大规模动态图谱表示学习与预训练模型、神经符号结合的知识更新与推理3方面对国内外研究的最新进展进行归纳、比较和分析.最后,就未来的技术挑战和研究方向进行展望.

情报预测概念内涵与技术发展

情报分析是情报工作的核心,情报预测是情报分析的难点,是进行决策和行动的重要依据。探讨情报预测的概念内涵与技术发展,对大数据和人工智能等先进技术的科学应用以及未来研究具有重要意义。通过描述性研究、概念分析、资料总结等方法,对情报预测的概念和流程进行了剖析,提炼总结了一种包括预测对象、预测内容的情报预测问题描述框架,并按照理论-方法-工具三个层次对现有的机器定量预测方法体系进行了分析。情报预测包括业务和技术两个维度,清晰明确的问题定义是大数据和人工智能等先进技术发挥作用的重要前提。目前,机器定量预测方法以机器学习、深度学习为主,大大提高了机器解决情报预测问题的能力,未来将向神经符号计算方向拓展。

心理训练效果理论解释

介绍了有关解释心理训练能够提高运动成绩的四种理论，以利于广大研究者更加自觉地在一定的理论指导下，正确地实施心理训练，提高心理训练的效果。四种理论是：心理神经肌肉理论，符号学习理论，心理生理信息加工理论。

带消解的联结主义计算模型

神经-符号系统建立是为了将符号逻辑系统和联结主义系统进行统一,以实现符号运算和数值计算之间的对应和转化,因此构造出相应的联结主义系统以适应符号逻辑系统的推理规则具有十分重要的意义。本文以联结主义系统中的核方法(Core Method)为基础,定义了一组网络结构转化规则,通过神经网络自适应结构调整的方法来使核方法满足命题逻辑中归结原理这一经典的符号推理方法。改进的核方法在不仅在数值上与命题逻辑具有对应关系而且在网络结构上也有相似的规则。文章最后提出了关于核方法的神经网络中输入层和输出层的数值迭代规律的猜想,希望能够通过观察变量指派在实数空间的收敛情况来发现该网络对应在符号逻辑系统中的规律。?