Computational Narrative Intelligence: A Human-Centered Goal for Artificial Intelligence
Georgia Institute of Technology（佐治亚理工学院）
叙事智能是对故事进行创作、讲述、理解和情感回应的能力。我们认为，灌输人工智能与计算叙事智能提供了一些有益于人类的应用。我们列出了实现计算叙事智能所需解决的一些机器学习挑战。最后，我们认为，计算叙事是一个实际的一步，机器文化，社会文化价值观的教学机器。
2016-02-21 cs.AI
Human-Centered Artificial Intelligence and Machine Learning
Georgia Institute of Technology（佐治亚理工学院）
人类越来越多地接触到人工智能和机器学习系统。以人为中心的人工智能是对AI和ML的一种观点，即算法必须在设计时意识到它们是由人类组成的更大系统的一部分。我们提出了一个论点，即以人为中心的人工智能可以分为两个方面：（1）从社会文化角度理解人类的人工智能系统，以及（2）帮助人类理解他们的人工智能系统。我们进一步认为，社会责任的问题，如公平，问责制，可解释性和透明度。
2019-01-31 cs.AI
Leveraging Hybrid Intelligence Towards Sustainable and Energy-Efficient Machine Learning
DFKI（德国人工智能研究中心）；University of Kaiserslautern-Landau（凯撒斯劳滕-兰道大学）
针对机器学习开发重性能、轻流程效率且能效不足的问题，提出结合人在回路与LLM智能体引入次级知识源的混合智能方法，助力实现可持续、高能效的机器学习。
2024-07-15 cs.AI
The limit of artificial intelligence: Can machines be rational?
University of Johannesburg（约翰内斯堡大学）
本文研究机器是否理性的问题。它观察到人类不理性的现有原因，这是由于不完美和有限的信息，有限的和不一致的处理能力，通过大脑和无法优化决策，实现最大效用。它研究人类的这些局限性是否会转移到机器的局限性上。得出的结论是，即使机器不是理性的，但技术的进步使这些机器变得更加理性。它还得出结论，机器可以比人类更理性。
2018-12-16 cs.AI
Narrow Artificial Intelligence with Machine Learning for Real-Time Estimation of a Mobile Agents Location Using Hidden Markov Models
Université du Québec à Montréal（蒙特利尔魁北克大学）
我们建议使用有监督的机器学习技术来实时的跟踪移动代理的位置。隐马尔可夫模型用于构建人工智能，该智能估计在定义环境中移动的移动目标的未知位置。这种狭义的人工智能执行两个不同的任务。首先，它提供了实时的估计移动代理的位置使用的前向算法。其次，它使用Baum-Welch算法作为统计学习工具来获得移动目标的知识。最后，提出了一个实验环境，即一个视频游戏，我们用来测试我们的人工智能。我们提出的统计和图形结果来说明我们的方法的效率。
2018-02-09 cs.AI
On the independence between phenomenal consciousness and computational intelligence
Universidad Pontificia de Comillas（卡米亚斯大主教大学）
意识和智力是民间心理学和一般社会通常理解为依赖的属性。人工智能这个术语以及近年来它设法解决的问题，已经被证明是一个论据，证明机器有某种意识。按照罗素的类比，如果一台机器能够做一个有意识的人所做的事情，那么机器有意识的可能性就会增加。然而，这种类比的社会影响是灾难性的。具体地说，如果权利被赋予能够解决神经正常人所能解决的问题的实体，那么机器是否可能比残疾人拥有更多的权利？例如，自闭症综合症谱系可能会使人无法解决机器可以解决的问题。我们认为，答案显然是否定的，因为解决问题并不意味着意识。因此，我们将在本文中讨论现象意识和至少计算智能是如何独立的，以及为什么机器不拥有现象意识，尽管它们可能发展出比人类更高的计算智能。为了做到这一点，我们试图制定一个客观的衡量计算智能的标准，并研究它如何在人类，动物和机器中呈现。类似地，我们研究现象意识作为一个二分变量，以及它是如何分布在人类，动物和机器。由于现象意识和计算智能是独立的，这一事实对我们在本书中分析的社会具有重要意义。
2022-08-03 cs.AI
KANDINSKYPatterns -- An experimental exploration environment for Pattern Analysis and Machine Intelligence
Medical University Graz（格拉茨医科大学）
当具有高质量的训练数据时，机器智能在标准识别任务中非常成功。机器级的模式识别和人类级的概念学习之间仍然存在显著的差距。人类可以在不确定的情况下仅从几个例子中学习，并将这些概念推广到解决新问题。对可解释的机器智能的兴趣日益增长，需要实验环境和诊断测试来分析现有方法的弱点，以推动该领域的进展。在本文中，我们讨论了现有的诊断测试和测试数据集，如CLEVR，CLEVERER，CLOSURE，CURI，Bongard-Paddle，V-PROM，并提出了我们自己的实验环境：KANDINSKYPatterns，命名的俄罗斯艺术家瓦西里·康定斯基，谁作出了理论贡献的组成，即所有的感知组成的几何基本的个人组成部分。这一点在20世纪60年代被Hubel & Wibel实验证明，并成为机器学习方法的基础，如Neocognitron和更晚的深度学习。虽然KANDINSKYPatterns一方面具有计算可控的属性，带来了地面真理，但它们也很容易被人类观察者区分，即，受控模式可以由人类和算法描述，使其成为国际机器智能研究的另一个重要贡献。
2021-02-28 cs.AI
Can Machines Design? An Artificial General Intelligence Approach
CentraleSupélec, Université Paris-Saclay（巴黎-萨克雷大学中央理工-高等电力学院）；Initiative for Interstellar Studies (i4is)（星际研究倡议会）
机器能设计吗？他们是否能够为问题提出创造性的解决方案，并在广泛的领域中构建工具和工件？计算创造力和正式的通用人工智能（AGI）领域的最新进展为具有一般设计能力的机器提供了框架。在本文中，我们建议将一个正式的计算创造力框架的哥德尔机框架。我们称之为框架设计哥德尔机。这种机器可以通过产生新的概念来解决各种设计问题。此外，它可以通过修改自身来改变这些概念的生成方式。设计哥德尔机能够改进其初始设计程序，一旦它证明修改将增加其效用函数的回报。最后，我们勾勒出一个特定版本的设计哥德尔机，专门解决复杂的软件和硬件系统的设计。未来的工作旨在开发一个更正式的版本的设计哥德尔机和概念实现的证明。
2018-06-26 cs.AI
An argument for the impossibility of machine intelligence
University at Buffalo（纽约州立大学布法罗分校）
自从名词短语“人工智能”（AI）被创造出来以来，人们一直在争论人类是否能够利用技术创造智能。我们从热力学和数学的角度对这个问题进行了新的阐述。首先，我们定义什么是可以成为AI承载者的代理（设备）。然后，我们表明，由Hutter和其他人提出的，仍然被AI社区接受的“智能”的主流定义太弱了，甚至无法捕捉到当我们将智能归于昆虫时所涉及的内容。然后，我们总结了罗德尼·布鲁克斯提出的基本（节肢动物）智能的非常有用的定义，我们确定了一个人工智能智能体需要具备的属性，以便通过这个定义成为智能的承载者。最后，我们表明，从创建这样一个代理所需的学科的角度来看，即数学和物理学，这些属性既不是通过隐式或显式的数学设计也不是通过建立一个人工智能可以自发进化的环境来实现的。
2021-10-20 cs.AI
Berkeley and Heiserman as an Unexhausted Architecture for Embodied Machine Intelligence
本文以伯克利的《符号逻辑与智能机器》及海斯曼的工作为研究对象，探讨其在具身机器智能方面贡献。他们将逻辑与硬件、行为等联系，超越静态逻辑形式，为具身机器人认知架构方法提供思路，不应被视为历史终点。
2026-08-07 cs.AI
The SP Theory of Intelligence as a Foundation for the Development of a General, Human-Level Thinking Machine
本文总结了“SP智能理论”及其在“SP计算机模型”中的实现如何简化和整合人工智能及相关领域的概念，从而为开发一种通用的、人类水平的思维机器提供了一个有前途的基础，这与人工通用智能研究的主要目标是一致的。这种简化和整合的关键是从生物信息学中借用和改编的强大的“多重比对”概念。这一概念有可能成为智能的“双螺旋”，对人类智能的意义不亚于DNA对生物科学的意义。SP系统的优点包括：在表示不同种类的知识方面的通用性;在智能方面的通用性（包括：无监督学习的优势;自然语言的处理;在面对数据错误时具有鲁棒性的多级抽象的模式识别;几种推理（包括：一步“演绎”推理;推理链;溯因推理;用概率网络和树进行推理;用“规则”进行推理;非单调推理和用默认值进行推理;用“解释”进行贝叶斯推理;等等）;规划;解决问题;等等）;各种知识和智能的各种方面以任何组合方式的无缝集成;以及在若干领域中的应用潜力（包括：帮助解决大数据带来的九个问题;帮助自主机器人开发人类水平的智能;作为一个具有智能和多功能性的数据库，用于表示和整合多种形式的知识;作为医学知识的载体和医疗诊断的辅助工具;还有几个）。
2016-12-22 cs.AI
A Roadmap for the Development of the "SP Machine" for Artificial Intelligence
Coventry University（考文垂大学）
本文描述了一个路线图的发展“SP机”，基于“SP理论的智能”和它的实现在“SP计算机模型”。SP机最初将作为具有高水平并行处理的软件虚拟机开发，托管在高性能计算机上。该系统应帮助用户可视化知识结构和处理。需要研究系统如何发现语音和图像中的低级特征。结合SP系统在无监督学习中的优势的进一步发展，可以增强SP系统在自然语言处理中的优势。SP系统在模式识别方面的优势可以为计算机视觉开发。需要在数字的表示和算术处理的性能方面开展工作。需要一个“SP神经”的计算机模型，SP理论的版本用神经元及其相互连接来表达。SP机在许多应用领域都有潜力，其中一些可能在中短期内实现。
2018-12-17 cs.AI
Memory Based Machine Intelligence Techniques in VLSI hardware
Indian Institute of Information Technology and Management-Kerala（印度喀拉拉邦信息技术与管理学院）
我们简要介绍了在超大规模集成电路硬件中模拟机器智能的基于内存的方法，并描述了挑战和优势。人工智能技术在超大规模集成电路中的实现是一个实际而又困难的问题。深层架构、层次化时间记忆和记忆网络是这一研究领域的一些当代方法。这些技术试图模拟低级别的智能任务，并旨在为高级别的智能问题，如稀疏编码和上下文处理提供可扩展的解决方案。
2012-01-28 cs.AI cs.RO
A Formal Measure of Machine Intelligence
人工智能的一个基本问题是没有人真正知道智能是什么。当我们需要考虑与人类显著不同的人工系统时，这个问题尤其严重。在本文中，我们处理这个问题的方式如下：我们采取了一些众所周知的非正式定义的人类智能，已由专家，并提取其基本特征。然后这些被数学形式化，以产生任意机器的智能的一般度量。我们认为，这一衡量标准在最广泛的合理意义上正式抓住了机器智能的概念。
2006-05-06 cs.AI cs.LG
The Lovelace 2.0 Test of Artificial Creativity and Intelligence
Georgia Institute of Technology（佐治亚理工学院）
观察到某些类型的艺术品的创造需要智力，我们提出了Lovelace 2.0测试的创造力作为替代图灵测试作为一种手段，以确定是否代理是智能的。Lovelace 2.0测试建立在先前的创造力测试的基础上，并提供了一种直接比较不同智能体相对智力的方法。
2014-12-22 cs.AI
Comprehensible Artificial Intelligence on Knowledge Graphs: A survey
University of Bamberg（班贝格大学）；BMW Group（宝马集团）
本文综述知识图谱上的可理解人工智能，提出用上位概念“可理解人工智能”区分可解释人工智能与可解释机器学习，并构建新分类体系、梳理研究现状与未来方向。
2024-04-04 cs.AI
Are there intelligent Turing machines?
University of Debrecen（德布勒森大学）
本文介绍了一种新的计算模型，该模型是基于协调机器之间的协作的图灵机。与通用图灵机一样，编排机器也被设计为模拟图灵机，但它们也可以修改所包含的图灵机的原始操作，以创建某种集体行为的新层。利用这个新模型，我们可以定义一些与图灵机合作能力有关的有趣概念，如图灵机的智商或情绪智商。
2015-03-12 cs.AI
Smart machines and the SP theory of intelligence
这些笔记描述了“SP智能理论”及其在“SP机器”中的体现如何有助于实现认知计算，如“智能机器”一书中所述。在SP系统中，信息压缩和“多重对齐”的概念是中心舞台。该系统旨在集成无监督学习、模式识别、概率推理等功能。它可以帮助克服大数据中的多样性问题，它可以服务于模式识别和数据结构的无监督学习，它可以促进大数据的管理和传输。有潜力，通过信息压缩，在计算效率，特别是在能源的使用大幅增加。SP系统可能有助于实现以数据为中心的计算，也许是通过Hebb的“细胞组装”概念的发展，或者通过使用光或DNA来处理信息。它在管理数据中的错误和不确定性、医疗诊断、处理数据流以及提高机器人的适应性方面具有潜力。
2014-01-08 cs.AI
Machine Learning in Artificial Intelligence: Towards a Common Understanding
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
“机器学习“和“人工智能“的应用在过去十年中变得流行。这两个术语在科学和媒体中经常使用，有时可以互换，有时含义不同。在这项工作中，我们的目标是澄清这些术语之间的关系，特别是，指定机器学习对人工智能的贡献。我们回顾了相关文献，并提出了一个概念框架，阐明了机器学习的作用，建立（人工）智能代理。因此，我们寻求提供更多的术语清晰度和（跨学科）讨论和未来研究的起点。
2020-03-27 cs.AI cs.LG
Redefining Finance: The Influence of Artificial Intelligence (AI) and Machine Learning (ML)
Illinois Institute of Technology（伊利诺伊理工学院）；Nagpur University（那格浦尔大学）
本文探讨人工智能与机器学习如何重塑金融业，分析其在零售银行、财富管理、公司银行和支付等领域的应用与效益，并强调需建立治理框架和负责任AI实践以应对伦理监管挑战。
2024-10-21 cs.AI
Controlled Language and Baby Turing Test for General Conversational Intelligence
Aigents（艾真特斯公司）；SingularityNET Foundation（奇点网基金会）；Novosibirsk State University（新西伯利亚国立大学）
一般会话智能似乎是人工一般智能的重要组成部分。分别地，它需要智能质量的可访问的措施和其实现的可控方式，理想情况下-具有以合理的方式表示的语言和语义模型。我们的工作是建议使用婴儿图灵测试的方法来扩展经典的图灵测试会话智能和控制语言的基础上，语义图表示可扩展的任意主题域。我们描述了如何将两者结合起来构建一个通用的会话系统，例如用于在线媒体和社交网络数据处理的智能助手。
2020-05-19 cs.AI
The Embeddings World and Artificial General Intelligence
Amirkabir University of Technology (Tehran Polytechnic)（阿米卡比尔理工大学（德黑兰理工大学））
从早期开始，人工智能社区内部的一个关键和有争议的问题是人工通用智能（AGI）是否可以实现。AGI是机器和计算机程序实现人类水平智能并完成人类可以完成的所有任务的能力。虽然在文献中有一些系统声称他们实现了AGI，但其他一些研究人员认为这是不可能实现的。首先，我们讨论了为了实现AGI，在构建智能机器和程序的同时，还应该构建一个智能世界，一方面，它是我们世界的精确近似，另一方面，智能机器的推理的重要部分已经嵌入在这个世界中。然后我们讨论AGI不是一个产品或算法，而是一个持续的过程，随着时间的推移会变得越来越成熟（就像人类文明和智慧一样）。然后，我们认为，预先训练的嵌入在构建这个智能世界中发挥着关键作用，从而实现AGI。我们讨论了预先训练的嵌入如何促进机器实现人类智能的几个特征，例如化身，常识知识，无意识知识和学习的连续性。
2022-09-14 cs.AI
Explainable artificial intelligence (XAI), the goodness criteria and the grasp-ability test
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了“抓取能力测试”作为一个“良好性”的标准，通过它来比较哪些解释比其他解释更有意义或更少的用户理解自动算法数据处理。
2018-10-22 cs.AI
Measurements of collective machine intelligence
Université Libre de Bruxelles（布鲁塞尔自由大学）
独立于仍在进行中的研究，在测量个人的智慧，我们预计，并提供了一个框架，测量集体智慧。集体智慧是指几个人可以合作以实现高水平的智力。因此，我们提出了一些想法，一个群体的智力可以测量和模拟这样的测试。然而，我们将在这里关注人工智能代理的组（即，机器）。我们将探讨一组代理是如何能够选择适当的问题，并专门为各种任务。这是一个功能，这是一个重要的贡献者，以增加一个组中的智能（除了添加更多的代理和改进，由于共同的决策）。我们的研究结果揭示了一些有趣的结果，关于（集体）智能如何建模，关于集体智能测试如何设计，以及关于集体智能的潜在动态。由于它将是有用的，我们的模拟，我们也提供了一些改进的阈值分配模型最初用于该领域的群体智能，但在这里进一步推广。
2013-06-27 cs.AI cs.MA
Synergising Human-like Responses and Machine Intelligence for Planning in Disaster Response
KIOS Research and Innovation Center of Excellence（KIOS研究与创新卓越中心）；Department of Electrical and Computer Engineering（电气与计算机工程系）
本文提出融合人类样响应与机器智能的框架，以提升灾害响应中复杂任务的规划效率。
2026-02-21 cs.AI
Machine Psychology: Integrating Operant Conditioning with the Non-Axiomatic Reasoning System for Advancing Artificial General Intelligence Research
Stockholm University（斯德哥尔摩大学）
本文提出机器心理学框架，将操作性条件反射原理与非公理推理系统（NARS）结合以推进AGI研究，通过三项操作性学习任务验证了NARS的快速学习、适应性与复杂推理能力，为构建自适应AGI系统提供了可扩展的灵活方法。
2024-05-29 cs.AI
State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation
计算技术在金融领域已经显示出了很大的希望，因为它们能够从令人生畏的复杂系统中提取意义。本文回顾了这些技术中最有前途的，从传统的计算智能方法，他们的机器学习兄弟姐妹，特别是考虑到他们的应用优化管理的投资组合的金融工具。评估了当前的最新技术水平，并评估和推荐了未来的进一步工作
2009-10-13 cs.AI cs.CE
Introduction to the SP theory of intelligence
本文简要介绍了“智能理论”及其在“SP计算机模型”中的实现。SP研究计划的总体目标，根据科学的长期原则，一直是简化和整合人工智能，主流计算，数学和人类学习，感知和认知的观察和概念。从广义上讲，SP系统是一个类似大脑的系统，它通过感官接收“新”信息，并将部分或全部信息存储为“旧”信息。该系统的一个中心思想是从生物信息学中借用和改编的强大的“SP-多重比对”概念。这是系统在智能方面、在不同种类的知识的表示方面、以及在智能的不同方面和不同种类的知识的任何组合中的无缝集成方面的多功能性的关键。SP系统有许多潜在的好处和应用。据设想，该系统将被开发为“SP机”，最初将是一个软件虚拟机，托管在一台高性能计算机上，作为进一步研究的工具，并朝着开发工业强度的SP机迈出了一步。
2018-02-24 cs.AI
A Roadmap towards Machine Intelligence
Facebook AI Research（脸书人工智能研究院）；University of Trento（特伦托大学）
智能机器的发展是计算机科学中尚未解决的最大挑战之一。在本文中，我们提出了这些机器应该具有的一些基本属性，特别关注通信和学习。我们讨论了一个简单的环境，可以用来逐步教机器基于自然语言的通信的基础知识，作为与人类用户进行更复杂交互的先决条件。我们还提出了一些关于机器应该支持的算法类型的说明，以便从环境中进行有益的学习。
2016-02-26 cs.AI cs.CL
Epistemic Artificial Intelligence is Essential for Machine Learning Models to Truly 'Know When They Do Not Know'
Oxford Brookes University（牛津布鲁克斯大学）；TU Delft（代尔夫特理工大学）；KU Leuven（鲁汶大学）
针对AI模型在不确定性和非训练数据下泛化能力不足的问题，提出向认识论人工智能的范式转变，利用二阶不确定性度量让模型在学习已知的同时承认无知，从而提升系统的弹性和稳健性。
2025-06-27 cs.AI
Experience, Imitation and Reflection; Confucius' Conjecture and Machine Learning
University of Malaya（马来亚大学）
由于新的处理能力和机器学习方法的出现，人工智能最近有了很大的进步。话虽如此，与人类和许多动物的学习能力相比，人工智能的学习能力仍处于起步阶段。当前的许多人工智能应用程序只能在非常协调的特定环境中运行，这些环境具有广泛的训练集，可以准确描述执行期间将发生的条件。考虑到这一点，并考虑到现有的几种机器学习方法，这个问题就出现了：“机器学习的最佳方法是什么？”关于人的学习方法，孔子认为是经验、模仿和反思。本文试图探讨和讨论这三种学习方式及其在机器中的实现，看看它们是如何在头脑中发生的。
2018-08-01 cs.AI
A New Framework for Machine Intelligence: Concepts and Prototype
DataVeras
机器学习（ML）和人工智能（AI）已成为许多信息处理领域的热门话题，从聊天机器人到科学数据分析。与此同时，将主流机器学习技术扩展为具有持续学习能力的通用解决方案的可能性也存在不确定性。在这里，一个简单的，但全面的，智能系统的理论框架。镜像组合表示（MCR）和解决方案的批评循环（SCL）的组合，提出了不同类型的问题作为一种通用的方法。本文提出了一个基于英文维基百科语料库的文档比较原型系统。
2018-06-06 cs.AI cs.LG
Artificial intelligence and machine learning generated conjectures with TxGraffiti
Rice University（莱斯大学）
本文介绍基于机器学习与启发式方法的数学猜想自动生成系统 TxGraffiti，概述其技术实现、回顾其已发表成果，并发布面向公众的图论猜想在线探索平台。
2024-07-03 cs.AI math.CO
Dürfen Maschinen denken (können)? Warum Künstliche Intelligenz eine Ethik braucht. (Are Machines Allowed to (be able to) Think? Why Artificial Intelligence Needs Ethics)
小组讨论会“机器能思考吗？”的冲动讲座演讲稿（德语+英语）2022年5月28日在斯图加特举行的第102届Katholikentag。小组：Winfried Kretschmann（MdL，巴登-符腾堡州总理，斯图加特），Ursula Nothelle-Wildfeuer（弗赖堡），Michael Resch（斯图加特），Karsten Wendland（Aalen）。主持人：Stefanie Rentsch（Fulda）。观众辩护律师：Verena Neuhausen（斯图加特）。
2022-08-15 cs.AI cs.CY
A Geometric Theory of Cognition for Machine Intelligence
School of Computing and Artificial Intelligence, Southwest Jiaotong University, Chengdu, China（计算与人工智能学院，西南交通大学，成都，中国）
提出黎曼流形上的梯度流框架，统一表征、记忆、适应与预测，在部分可观测强化学习任务中优于前馈基线，鲁棒性堪比循环架构。
2026-06-06 cs.AI
Using a Collated Cybersecurity Dataset for Machine Learning and Artificial Intelligence
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
人工智能（AI）和机器学习（ML）算法可以支持指标级（例如异常检测）到行为级网络安全建模和推理的跨度。这一贡献基于一个名为BRON的数据集，该数据集由公共威胁和漏洞行为源合并而成。我们演示了如何BRON可以支持相关的威胁技术和攻击模式的预测。我们还讨论了BRON的其他AI和ML用途，以利用其行为知识。
2021-08-05 cs.AI cs.CR
The Holy Grail of Quantum Artificial Intelligence: Major Challenges in Accelerating the Machine Learning Pipeline
LMU Munich（慕尼黑大学）；MaibornWolff
讨论了量子计算与人工智能之间的协同关系。在调查了当前的量子人工智能方法并将其与机器学习过程的正式模型相关联之后，我们推断出量子人工智能未来面临的四大挑战：（i）用更快的量子算法取代迭代训练，（ii）将大量数据的经验提取到训练过程中，（iii）允许量子和经典组件轻松组合和交换，以及（iv）构建工具来彻底分析所观察到的益处是否真的源于算法的量子特性。
2020-04-29 cs.AI quant-ph
Creativity and Artificial Intelligence: A Digital Art Perspective
University of Johannesburg（约翰内斯堡大学）
本文描述了人工智能在数字艺术创作中的应用。人工智能是一种将智能编码成机器的计算范式。一般有三种类型的人工智能，这些是机器学习，进化编程和软计算。机器学习是构建智能系统的统计方法。进化编程是利用自然进化系统来设计智能机器。一些进化编程系统包括遗传算法，它是由进化和群体优化的原则启发，这是由鸟，鱼，蚂蚁等成群的启发。软计算包括技术，如代理基于建模和模糊逻辑。这些数字艺术的应用机会进行了探讨。
2018-07-21 cs.AI cs.CY
Do Artificial Intelligence Systems Understand?
Universidad Pontificia de Comillas（科米利亚斯主教大学）
智能机器真的有智能吗？智能的基本哲学概念是否足以描述当前系统的工作方式？理解是智力的充分必要条件吗？如果一台机器能够理解，我们应该把主观性归因于它吗？本文讨论的问题，决定是否所谓的“智能机器”能够理解，而不仅仅是处理的迹象。它涉及句法和语义的关系。主要论点涉及语义的不可避免性的任何讨论的可能性建立有意识的机器，浓缩成以下两个原则：“如果一台机器能够理解（在强意义上），那么它必须能够结合规则和直觉”;“如果语义不能减少到syntaxis，那么机器不能理解。我们的结论指出，没有必要将理解归因于机器，以解释其表现出的“智能”行为;仅仅将智能作为任务解决工具的句法和机械方法就足以证明它在当前技术发展状态下可以显示的操作范围。
2022-07-22 cs.AI cs.LG
Video Intelligence as a component of a Global Security system
Personal Interactor（个人交互公司）；INHESJ（法国国家高等安全与司法研究院）；University Reims Champagne Ardenne（兰斯香槟-阿登大学）
本文介绍了我们的研究从视频分析到全球安全系统的演变，重点是视频监控组件。事实上，视频监控已经从一种商品安全工具发展成为当恐怖主义袭击我们现代城市中心时追踪犯罪者的最有效方式。随着摄像头数量的激增，人们可以期望该系统利用视频流中携带的大量数据来提供对视频证据的快速访问，用于监控实时事件的可操作情报，并实现预测能力以协助操作员执行监控任务。本研究探讨了一个混合平台的视频智能捕捉，自动数据提取，监督机器学习智能辅助城市视频监控;扩展到全球安全系统的其他组件进行了讨论。在本研究中应用知识管理原则有助于深入理解问题，并促进实施有效的信息和经验共享决策支持系统，为现场和运营中心的人员提供帮助。这项工作的独创性也是创造了“共同的”人机和机器对机器的语言和安全本体。
2022-01-12 cs.AI
Finding the unicorn: Predicting early stage startup success through a hybrid intelligence method
University of Kassel（卡塞尔大学）；SAP SE（SAP公司）；University of St. Gallen（圣加仑大学）
人工智能是一个新兴的话题，很快就能比人类更好地执行决策。然而，在创新等更复杂和更具创造性的环境中，问题仍然是机器是否优于人类。机器在两种情况下会失败：处理和解释软信息（无法量化的信息），以及在极端不确定的不可知风险情况下进行预测。在这种情况下，机器没有特定结果的代表性信息。因此，人类仍然是评估软信号和利用直觉的黄金标准。为了预测创业公司的成功，我们将人类和机器的互补能力结合在混合智能方法中。为了实现我们的目标，我们遵循设计科学研究方法来开发一种混合智能方法，该方法结合了机器和集体智能的力量，以证明其在极端不确定性下的预测效用。
2021-05-07 cs.AI cs.HC
Design of a dynamic and self adapting system, supported with artificial intelligence, machine learning and real time intelligence for predictive cyber risk analytics in extreme environments, cyber risk in the colonisation of Mars
University of Oxford（牛津大学）；Cisco Research Centre（思科研究中心）；Cardiff University（卡迪夫大学）；University of Warwick（华威大学）
多个政府机构和私人组织已经承诺殖民火星。这种殖民化需要复杂的系统和基础设施，在网络攻击的情况下，修复或更换这些系统和基础设施的成本可能非常高。本文调查了深度学习算法、物联网网络安全和风险模型，并建立了数学公式，以确定开发动态和自适应的系统的最佳方法，用于在人工智能和机器学习以及边缘计算中的实时的智能的支持下进行预测性网络风险分析。本文提出了一种新的数学方法，用于集成认知引擎设计、边缘计算、人工智能和机器学习的概念，以自动化异常检测。该引擎通过应用嵌入在物联网网络边缘的人工智能和机器学习来推动一个步骤的变化，为预测性网络风险分析提供安全和功能性的实时的智能。这将增强风险分析能力，并有助于全面系统地了解部署边缘计算节点以及将人工智能和机器学习技术迁移到互联网外围和本地物联网网络时出现的机会和威胁。
2021-02-11 cs.AI cs.CR cs.CY
Considerations upon the Machine Learning Technologies
人工智能提供了卓越的技术和方法，通过这些技术和方法，来自不同领域的问题可以找到最佳解决方案。机器学习技术是指旨在开发允许计算机“学习”的技术的人工智能领域。有些基于机器学习技术的系统倾向于消除人类智能的必要性，而另一些则采用人机协作的方法。
2009-04-23 cs.AI cs.LG
Machine Learning and Artificial Intelligence in Next-Generation Wireless Network
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
由于技术的进步，下一代无线网络将是非常多样的，复杂的，并根据消费者的需求变化。当前网络运营商的方法和途径是传统的，并且不能帮助下一代网络最适当地利用它们的资源。传统工具的有限能力将不允许网络提供商满足未来网络用户的需求。因此，本文将重点关注机器学习、自动化、人工智能和大数据分析，以提高下一代无线网络的容量和效率。本文将讨论这些新技术在未来改善网络提供商的服务和性能方面的作用。本文将发现，机器学习、大数据分析和人工智能将有助于使下一代无线网络具有自适应、自我感知、规范和主动性。在文章的最后，它将提供未来的无线网络运营商不能工作，而不转移其运营框架，人工智能和机器学习技术。
2021-12-30 cs.AI cs.NI
Measuring Machine Intelligence Through Visual Question Answering
Facebook AI Research（Facebook人工智能研究院）；Virginia Tech（弗吉尼亚理工大学）；Microsoft Research（微软研究院）
随着机器变得越来越智能，人们对测量其智能的方法重新产生了兴趣。一种常见的方法是提出人类擅长的任务，但机器发现困难。然而，一个理想的任务也应该容易评估，而不是容易游戏。我们开始一个案例研究，探讨最近流行的任务图像描述和它的局限性作为一个任务，测量机器智能。另一个更有前途的任务是视觉问答，它测试机器对语言和视觉的推理能力。我们描述了一个为该任务创建的规模空前的数据集，其中包含超过760，000个人类生成的关于图像的问题。使用大约1000万个人类生成的答案，可以很容易地评估机器。
2016-08-31 cs.AI cs.CL cs.CV
Artificial Intelligence based tool wear and defect prediction for special purpose milling machinery using low-cost acceleration sensor retrofits
铣床是许多工业加工链的组成部分。因此，近年来提出了几种基于机器学习的刀具磨损检测方法，但这些方法大多针对标准铣床，而专为更专业任务设计的机械迄今为止只获得了有限的关注。本文演示了加速度传感器的应用，以方便这样一个特殊用途的机器，即圆缝铣床的状态监测。我们检查各种情况，包括刀片磨损和刀片断裂，以及不正确的机器安装或传动带张力不足。此外，我们提出了不同的方法来监督故障识别有限的训练数据量。因此，除了理论见解外，我们的分析具有很高的实际重要性，因为用加速度传感器和边缘分类设置改造旧机器的成本和工作量很低，但对机器和工具的状态以及一般的生产过程提供了有价值的见解。
2022-02-07 cs.AI cs.LG
Detecting Fake News on Social Media: A Novel Reliability Aware Machine-Crowd Hybrid Intelligence-Based Method
Hefei University of Technology（合肥工业大学）；University of Delaware（特拉华大学）
针对现有混合智能假新闻检测方法未考虑可靠性的问题，提出含三个模块的RAHI方法，结合贝叶斯深度学习、IRT用户聚合与分布融合机制，在Weibo数据集上表现优异，对多类主体有实用价值。
2024-12-07 cs.AI cs.LG cs.SI
Machine Collective Intelligence for Explainable Scientific Discovery
Korea Research Institute of Chemical Technology（韩国化学技术研究院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出机器群体智能，结合符号主义与元启发式方法，实现自主进化发现 governing equations，无需人工知识，显著降低 extrapolation error。
2026-04-30 cs.AI physics.comp-ph
Chess AI: Competing Paradigms for Machine Intelligence
ChessEd；Booth School of Business（布斯商学院）；University of Chicago（芝加哥大学）；Phillips Academy（菲利普斯学院）
长期以来，残局研究一直是测试人类创造力和智力的工具。我们发现它们也可以作为测试机器能力的工具。两个领先的国际象棋引擎Stockfish和Leela Chess Zero（LCZero）在比赛中采用了截然不同的方法。我们使用Plaskett's Puzzle（20世纪70年代末著名的残局研究）来比较这两个引擎。我们的实验表明，Stockfish优于LCZero的难题。我们研究了引擎之间的算法差异，并将我们的观察结果作为仔细解释测试结果的基础。从人类如何解决国际象棋问题中汲取灵感，我们问机器是否可以拥有某种形式的想象力。在理论方面，我们描述了如何贝尔曼方程可能被应用到优化的概率获胜。最后，我们讨论了我们的工作对人工智能（AI）和人工通用智能（AGI）的影响，为未来的研究提出了可能的途径。
2021-09-23 cs.AI cs.LG stat.ML
Submodularity In Machine Learning and Artificial Intelligence
University of Washington（华盛顿大学）
在这篇手稿中，我们提供了一个温和的审查子模和超模及其性质。我们提供了大量的次模定义;一个完整的描述了一些例子次模函数和它们的推广;例子离散约束;讨论最大化，最小化和其他操作的基本算法;连续次模扩展的简要概述;和一些历史应用。然后，我们转向子模块化在机器学习和人工智能中是如何有用的。这包括总结，我们提供了一个完整的帐户之间的差异和共性之间的素描，核心集，提取和抽象的总结在NLP，数据蒸馏和冷凝，数据子集选择和特征选择。我们讨论了产生对机器学习有用的子模块函数的各种方式，包括启发式手工制作、学习或近似学习子模块函数或其方面，以及使用子模块函数作为核心集产生器的一些优点。我们讨论子模块组合信息函数，以及子模块如何用于聚类、数据划分、并行机器学习、主动和半监督学习、概率建模以及结构化规范和损失函数。
2022-10-04 cs.AI cs.LG
Man and Machine: Questions of Risk, Trust and Accountability in Today's AI Technology
Indian Institute of Technology Delhi（印度理工学院德里分校）
人工智能最初是一个探索科学中一些最基本问题的领域--智能的本质和智能人工制品的设计。但它已经成长为一门与商业和社会密切相关的学科。当今的人工智能技术，如专家系统和智能助手，提出了一些风险、信任和责任的难题。在本文中，我们提出了这些问题，并在塑造人工智能研究性质和方向的历史发展背景下对其进行了研究。我们还建议探索和进一步发展两种范式，人类智能-机器合作和智能的社会学观点，这可能有助于解决其中的一些问题。
2013-07-26 cs.AI cs.CY
The future of human-AI collaboration: a taxonomy of design knowledge for hybrid intelligence systems
vencortex；Kassel University（卡塞尔大学）；University of St. Gallen（圣加仑大学）
最近的技术进步，特别是在机器学习领域，在通往人工通用智能的道路上取得了惊人的进步。然而，当前现实世界中的业务应用程序中的任务还不能单独由机器来解决。因此，我们确定需要开发人类和机器的社会技术合奏。这种系统具有通过将人类和人工智能相结合来实现复杂目标的能力，以共同实现卓越的结果，并通过相互学习不断改进。因此，这些系统需要结构化设计知识。按照分类发展方法，本文提供了三个主要贡献：首先，我们提出了一个结构化的概述跨学科研究的作用，人类在机器学习管道。第二，我们设想混合智能系统和概念化的系统设计的第一次相关的尺寸。最后，我们提供了有用的指导系统开发人员在实施这些应用程序。
2021-05-07 cs.AI cs.HC
Towards Machine Intelligence
IBM Research（IBM研究院）
存在一种单一通用学习算法的理论，它可以解释其操作原理。这个理论假设大脑有一些最初的粗略结构，一个简单的先天电路的小图书馆，在出生时就预先连接好了，并提出所有重要的心理算法都可以学习。鉴于目前的理解和观察，本文回顾并列出了这样一个算法的成分从架构和功能的角度。
2016-03-27 cs.AI cs.LG cs.NE
Artificial Intelligence and Machine Learning for Quantum Technologies
Max Planck Institute for the Science of Light（马克斯·普朗克光科学研究所）；Friedrich-Alexander Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
近年来，机器学习的巨大进步已经开始对许多科学技术领域产生重大影响。在本文中，我们将探讨量子技术如何从这场革命中受益。我们展示了在过去的几年里，科学家们如何开始使用机器学习和更广泛的人工智能方法来分析量子测量，估计量子设备的参数，发现新的量子实验设置，协议和反馈策略，并普遍改善量子计算，量子通信和量子模拟的各个方面。我们强调了开放的挑战和未来的可能性，并总结了未来十年的一些推测性愿景。
2022-08-07 cs.AI cs.LG quant-ph
