A Logic Programming Approach to Knowledge-State Planning: Semantics and Complexity
我们提出了一种新的声明式规划语言,称为K,这是基于逻辑编程的原则和方法。在这种语言中,可以描述知识状态之间的转换,而不是完全描述的世界状态之间的转换,这使得语言非常适合在不完整的知识下进行规划。此外,它使默认原则在规划过程中的使用,支持否定失败。尽管如此,K还支持世界状态之间的转换的表示(即,完全知识的状态)作为特例,这表明语言是非常灵活的。正如我们在特定示例中所展示的,知识状态的使用可以允许自然和紧凑的问题表示。然后,我们提供了一个彻底的分析K的计算复杂性,并考虑不同的规划问题,包括标准规划和安全规划(也称为一致性规划)的问题。我们表明,这些问题有不同的复杂性下的各种限制,从NP到NEXPTIME的命题的情况下。我们的结果形成了DLV^K系统的理论基础,该系统在DLV逻辑编程系统之上实现了K语言。
2001-12-05 cs.AI cs.LO
Adaptive Prototype Knowledge Transfer for Federated Learning with Mixed Modalities and Heterogeneous Tasks
针对混合模态与异构任务下联邦学习标签不统一和任务异构问题,提出自适应原型知识迁移框架AproMFL,通过动态原型构建与聚合权重调整,在三个异构数据集上准确率和召回率分别提升0.42%~6.09%和1.6%~3.89%。
2025-08-03 cs.AI cs.CR cs.LG
Product Configuration in Answer Set Programming
University of Potsdam(波茨坦大学)
这是一个初步的工作配置知识表示,作为一个基础,建立交互式配置系统的答案集编程(ASP)。产品配置问题的主要概念进行了识别和讨论的自行车配置的例子。一个事实格式的开发用于表达产品知识,是特定领域的,可以从其他系统映射。最后,提供了一个独立于域的ASP编码,表示配置问题中的概念。
2021-09-17 cs.AI cs.LO
Knowledge of Uncertain Worlds: Programming with Logical Constraints
Stony Brook University(石溪大学)
复杂应用程序的逻辑编程必须处理递归和否定,这两者一起在逻辑中产生了重大挑战,导致许多不同的,相互冲突的规则语义。本文描述了一种统一的语言,DA逻辑,设计和分析逻辑,统一的基础语义和约束语义的基础上,支持的权力和不同的意图语义编程的易用性。其关键思想是提供元约束,支持使用不确定信息的形式,无论是未定义的值或可能的组合值或两者兼而有之,并促进使用的知识单元,可以实例化的任何新的谓词,包括谓词与额外的参数。
2020-12-11 cs.AI cs.LO cs.PL
Knowledge Compilation with Continuous Random Variables and its Application in Hybrid Probabilistic Logic Programming
KU Leuven(鲁汶大学)
在概率推理中,传统的离散域已被提升到包含额外连续随机变量的混合域。然而,在混合域中的推理通常需要对离散或连续随机变量的推理进行权衡。我们介绍了一种新的方法,加权模型集成和代数模型计数的基础上,规避这些权衡。然后,我们展示了它如何支持知识编译和精确的概率推理。此外,我们引入了混合概率逻辑程序设计语言HAL-ProbLog,ProbLog的扩展,我们适用于我们的推理方法。
2018-07-12 cs.AI cs.LO cs.PL
A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida(莱里达大学);Universidad Nacional del Sur(南方国立大学);IIIA – CSIC(西班牙国家研究委员会人工智能研究所)
可废止的论证框架已经发展成为一个健全的设置,从不完整的和潜在的不一致的知识形式化常识,定性推理。可废止逻辑程序设计(DeLP)是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序,DeLP不能处理明确的不确定性,也不与模糊的知识,因为可解除性是直接编码在对象语言。本文介绍了P-DeLP,一种新的逻辑程序设计语言,扩展了原来的DeLP定性推理的能力,将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL,可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
Architecture and Knowledge Representation for Composable Inductive Programming
Zoea Ltd.(Zoea 有限公司)
我们提出了一个更新的Zoea知识为基础的,可组合归纳编程系统的当前架构。Zoea编译器是使用黑板架构的现代变体构建的。Zoea集成了大量的知识源,这些知识源编码了程序设计语言和软件开发专业知识的不同方面。我们描述了使用合成测试用例作为一种普遍存在的形式的知识和假设表示,支持各种推理策略。还概述了一些未来的计划。
2022-12-22 cs.AI cs.PL
Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes
Joint SDU-NTU Centre for Artificial Intelligence Research \& School of Software Shandong University Jinan, China;College of Computing;Data Science Nanyang Technological University Singapore
KPI框架通过整合知识图谱和原型,利用对比学习提升预测准确性,并生成医学相关的解释,以提高疾病预测的可解释性和实用性。
2025-12-09 cs.AI
Task Prototype-Based Knowledge Retrieval for Multi-Task Learning from Partially Annotated Data
本文提出基于原型的知识检索框架,通过任务原型嵌入和知识检索变压器实现稳健的多任务学习,适用于部分标注数据场景。
2026-01-12 cs.AI cs.CV cs.LG
Exploiting Global Semantic Similarities in Knowledge Graphs by Relational Prototype Entities
University of Science and Technology of China(中国科学技术大学)
知识图谱(KG)嵌入旨在学习KG在连续向量空间中的实体和关系的潜在表示。一个经验观察是,由相同关系连接的头(尾)实体通常共享相似的语义属性-具体地说,它们通常属于同一类别-无论它们在KG中彼此相距多远;也就是说,它们共享全局语义相似性。然而,许多现有的方法推导KG嵌入的基础上的本地信息,这不能有效地捕捉这种全局语义相似性的实体。为了解决这个问题,我们提出了一种新的方法,它引入了一组虚拟节点称为\textit{\textbf{relational prototype entities}}来表示原型的头部和尾部实体连接相同的关系。通过强制实体的嵌入接近其相关联的原型的嵌入,我们的方法可以有效地鼓励实体的全局语义相似性-可以远离KG -通过相同的关系连接。实体对齐和KG完成任务的实验表明,我们的方法显着优于最近的国家的最先进的。
2022-06-16 cs.AI cs.CL
A Probabilistic Programming Idiom for Active Knowledge Search
Aalborg University(奥尔堡大学)
在本文中,我们推导并实现了一个概率编程习惯的问题,获取新的知识的环境。该习惯用法是利用现代概率程序设计语言实现的。我们通过实现主动映射和机器人探索的特定问题的算法来证明这种习惯用法的实用性。最后,我们通过广泛的模拟研究,利用HouseExpo数据集的实施评估的功能。
2022-02-19 cs.AI cs.RO
Bridging Text and Knowledge with Multi-Prototype Embedding for Few-Shot Relational Triple Extraction
Zhejiang University(浙江大学);AZFT Joint Lab for Knowledge Engine(AZFT知识引擎联合实验室);Alibaba Group(阿里巴巴集团)
目前的监督关系三元组提取方法需要大量的标记数据,因此在Few-Shot设置中性能较差。然而,人们可以通过学习一些实例来掌握新知识。为此,我们采取的第一步,研究Few-Shot关系三元组提取,这还没有得到很好的理解。与以前的单任务Few-Shot问题不同,关系三元组提取更具挑战性,因为实体和关系具有隐式相关性。本文提出了一种新的多原型嵌入网络模型,用于联合提取关系三元组的组成,即实体对和对应关系。具体而言,我们设计了一个混合原型学习机制,桥梁文本和知识的实体和关系。因此,实体和关系之间的隐式相关性被注入。此外,我们还提出了一个原型感知的正则化来学习更多有代表性的原型。实验结果表明,该方法可以提高Few-Shot三重提取的性能。
2020-10-30 cs.AI cs.CL cs.DB
Prototype-Based Knowledge Guidance for Fine-Grained Structured Radiology Reporting
Computer Aided Medical Procedures, Technische Universität München, Germany(计算机辅助医疗程序,慕尼黑技术大学,德国);Munich Center for Machine Learning, Germany(慕尼黑机器学习中心,德国)
ProtoSR通过整合自由文本信息提升细粒度结构化放射科报告的自动化水平,利用多模态知识库和原型条件残差增强模型预测,有效改进了对罕见发现和属性的识别能力。
2026-10-08 cs.AI cs.CV cs.LG
Programming Knowledge Tracing: A Comprehensive Dataset and A New Model
East China Normal University(华东师范大学);Zhejiang University(浙江大学)
在本文中,我们研究了知识追踪领域的程序设计教育,并作出了两个重要贡献。首先,我们收集并发布了迄今为止最全面的数据集,即BePKT,它涵盖了OJ系统中的各种在线行为,包括编程文本问题,知识注释,用户提交的代码和系统记录的事件。其次,我们提出了一个新的模型PDKT,利用丰富的上下文准确的学生行为预测。更具体地说,我们构建了一个二分图的编程问题嵌入,并设计了一个改进的预训练模型PLCodeBERT的代码嵌入,以及一个双序列的RNN模型与指数衰减的注意力有效的特征融合。在新数据集BePKT上的实验结果表明,我们提出的模型在编程知识跟踪方面具有最先进的性能。此外,我们验证了我们的基于PLCodeBERT的代码嵌入策略是对现有知识跟踪模型的补充,以进一步提高其准确性。作为副产品,PLCodeBERT还可以在其他与编程相关的任务(如代码克隆检测)中获得更好的性能。
2021-12-11 cs.AI cs.PL
Tracing Player Knowledge in a Parallel Programming Educational Game
Drexel University(德雷塞尔大学)
本文主要研究教育游戏中的“追踪玩家知识”问题。具体来说,给定掌握游戏所需的一组概念或技能,目标是估计当前玩家掌握这些概念或技能中的每一个的可能性。该论文的主要贡献是一种方法,该方法集成了机器学习和领域知识规则,以发现玩家何时应用了某种技能,并且成功或失败。然后将其作为输入提供给标准知识跟踪模块(例如来自智能辅导系统的那些模块)以执行知识跟踪。我们评估我们的方法在一个名为“并行”的教育游戏的背景下,教并行和并发编程与从真实用户收集的数据,显示我们的方法可以预测学生的技能与低均方误差。
2019-08-15 cs.AI
Boolean Nearest Neighbor Language in the Knowledge Compilation Map
Charles University(查尔斯大学)
该研究针对布尔最近邻(BNN)表示法,通过比较其与知识编译图谱(KCM)中标准语言的简洁性、确定相关查询与变换的复杂度,明确了BNN语言在KCM中的定位。
2024-10-28 cs.AI
Edge-free but Structure-aware: Prototype-Guided Knowledge Distillation from GNNs to MLPs
The University of Hong Kong(香港大学);Tsinghua University(清华大学);Ping An Technology(平安科技);Tencent AI Lab(腾讯AI实验室)
针对传统MLP在图任务中难捕捉图结构且图边常不可用的问题,提出原型引导知识蒸馏PGKD,通过类原型分析图结构对GNN教师的影响并设计两种损失实现无边设置下的结构感知MLP蒸馏,实验验证其有效性与鲁棒性。
2024-12-08 cs.AI cs.LG
Combining Answer Set Programming and POMDPs for Knowledge Representation and Reasoning on Mobile Robots
Texas Tech University(得克萨斯理工大学)
为了在具有部分可观察性、不确定性行为和不可预见变化的领域中广泛部署,机器人需要使传感、处理和与人类的交互适应手头的任务。虽然机器人通常无法处理所有传感器输入或在没有大量领域知识的情况下操作,但提供准确的领域知识是一个挑战,而人类可能没有时间和专业知识来提供详细和准确的反馈。本文描述的架构结合了声明式编程和概率推理来解决这些挑战,使机器人能够:(a)表示和推理不完整的领域知识,解决模糊性和修改现有的知识,使用传感器输入和最小的人类反馈;(b)概率模型的不确定性传感器输入处理和导航。具体来说,回答集编程(ASP),声明式编程范式,结合分层部分可观察马尔可夫决策过程(POMDPs),使用域知识来修改概率信念,并使用积极和消极的意见,可以不再追求的任务提前终止。所有的算法进行评估,在模拟和移动机器人定位目标对象在室内域。
2013-07-29 cs.AI cs.RO
How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
研究如何将珀尔的因果方法引入概率逻辑编程,通过与不依赖时间概念的哲学基础对齐,提出形式因果语义等,使其语义与分层ProbLog程序的P-log语义一致,解决因果知识在不同形式主义中的应用问题。
2026-07-24 cs.AI cs.LO cs.PL
Operationalizing Declarative and Procedural Knowledge: a Benchmark on Logic Programming Petri Nets (LPPNs)
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学研究所)
对复杂系统进行建模、指定和推理需要以集成的方式处理目标域的声明性和过程性方面。本文报告的逻辑编程Petri网(LPPNs),一个符号扩展Petri网与逻辑编程结构的命题版本进行的实验。提出了两种语义:通过事件演算将符号完全映射到ASP的指称语义;以及通过Petri网分别处理因果机制和通过应答集编程(ASP)处理与对象和事件相关联的约束的混合操作语义。这两个替代规范使得能够在计算效率方面进行经验评估。实验结果表明,混合语义比传统语义更有效。序列,而这两个语义遵循相同的行为w.r.t.分支(尽管在绝对值方面,外延分支表现得更好)。
2020-07-31 cs.AI
Prototype-Guided Non-Exemplar Continual Learning for Cross-subject EEG Decoding
Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea(人工智能系 韩国大学首尔共和国);Cognitive Engineering Korea University Seoul, Republic of Korea(认知工程 韩国大学首尔共和国)
ProNECL通过原型引导的非示例持续学习方法,在不访问历史EEG样本的情况下实现跨个体EEG解码的高效知识保留与适应性平衡。
2026-01-15 cs.AI cs.LG
Knowledge-Assisted Reasoning of Model-Augmented System Requirements with Event Calculus and Goal-Directed Answer Set Programming
Honeywell Advanced Technology(霍尼韦尔先进技术公司);The University of Texas at Dallas(德克萨斯大学达拉斯分校);Honeywell International s.r.o(霍尼韦尔国际有限公司);Brno Univ. of Technology(布尔诺理工大学);Universidad Rey Juan Carlos(胡安卡洛斯国王大学)
我们认为,在约束自然语言的网络物理系统的要求。我们提出了新的自动化技术,以帮助这些要求的发展,使他们是一致的,可以承受感知故障。我们展示了如何使用事件演算(EC)来建模网络物理系统的需求,EC是AI中用于表示动作和变化的形式主义。我们还展示了如何回答集编程(ASP)及其查询驱动实现(CASP)可以用来直接实现的事件演算模型的需求。该事件演算模型可用于自动验证需求。由于ASP是一种表达知识表示语言,它也可以用来表示上下文知识的网络物理系统,这反过来,可以用来找到差距,他们的需求规格。我们说明了我们的方法,通过高度报警系统从航空电子领域。
2021-09-10 cs.AI cs.LO cs.SC
Informed Pre-Training on Prior Knowledge
Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);University of Bonn(波恩大学)
当训练数据稀缺时,结合额外的先验知识可以辅助学习过程。虽然通常使用在其他大型数据集上预先训练的权重来初始化神经网络,但对更简洁形式的知识进行预训练却被忽视了。在本文中,我们提出了一种新的通知机器学习方法,并建议预先训练先验知识。正式的知识表示,如图形或方程,首先转换成一个小的和浓缩的知识原型数据集。我们发现,知情的预训练,这样的知识原型(i)加快学习过程,(ii)提高泛化能力的政权没有足够的训练数据是可用的,(iii)增加模型的鲁棒性。分析模型的哪些部分受原型影响最大,可以发现改进来自更深的层,这些层通常代表高级功能。这证实了知情的预训练确实可以传递语义知识。这是一个新的效果,它表明,以知识为基础的预先培训有额外的和补充现有的方法的优势。
2022-05-23 cs.AI cs.LG
Rule Induction in Knowledge Graphs Using Linear Programming
IBM Research(IBM研究院)
我们提出了一个简单的线性规划(LP)为基础的方法来学习紧凑和可解释的规则集编码的事实在知识图谱(KG),并使用这些规则来解决KG完成问题。我们的LP模型从候选一阶逻辑规则列表中选择一组有界复杂性的规则,并为它们分配权重。复杂性界限通过显式约束来强制执行。我们将简单的规则生成算法与我们的规则选择LP相结合,即使在生成更紧凑的规则集的同时,也能获得与最先进的代码相媲美的准确度。此外,当我们将其他代码生成的规则作为输入时,我们通常通过减少所选规则的数量来提高可解释性,同时保持准确性。
2023-03-03 cs.AI cs.LG
Hunting Attributes: Context Prototype-Aware Learning for Weakly Supervised Semantic Segmentation
Monash University(莫纳什大学);Weill Cornell Medicine(威尔康奈尔医学院);Cornell University(康奈尔大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Michigan(密歇根大学);AIM Lab, Faculty of IT, Monash University(莫纳什大学信息技术学院AIM实验室)
针对弱监督语义分割中上下文与实例的知识偏差影响原型表征的问题,提出上下文原型感知学习策略,通过特征分布对齐与联合训练框架增强CAM完整性,在两个基准上达到SOTA。
2024-03-12 cs.AI cs.CV
Using Counterfactuals in Knowledge-Based Programming
本文增加了反事实的框架,以知识为基础的方案的Fagin,Halpern,摩西和Vardi。反事实的使用是通过设计一个协议来说明的,在该协议中,代理一旦知道这样做是安全的,就停止发送消息。这种行为很难在原始框架中捕捉,因为它涉及对反事实处决的推理,包括与协议不一致的行为。试图在没有反事实的情况下将这些概念形式化,会导致相当违反直觉的行为。
2003-11-20 cs.AI cs.DC
Distilling Image Prototypes for Guided Test-Time Adaptation
Anhui University(安徽大学);University of Nottingham (Malaysia Campus)(诺丁汉大学(马来西亚校区));University of Sassari(萨萨里大学);University of Warwick(华威大学)
针对测试时自适应中的错误累积与灾难性遗忘,提出蒸馏图像原型框架DIPTTA,通过动态特征回放和源校准不确定性估计,在多个基准上显著优于现有方法。
2026-09-10 cs.AI cs.CV
ProKD: An Unsupervised Prototypical Knowledge Distillation Network for Zero-Resource Cross-Lingual Named Entity Recognition
Beihang University(北京航空航天大学);National Computer Network Emergency Response Technical Team / Coordination Center of China(国家计算机网络应急技术处理协调中心)
对于零资源语言的命名实体识别(NER),利用知识蒸馏方法将与语言无关的知识从资源丰富的源语言转移到零资源语言是一种有效的手段。通常,这些方法采用教师-学生架构,其中教师网络以源语言训练,并且学生网络寻求从教师网络学习知识并且期望以目标语言表现良好。尽管这些方法取得了令人印象深刻的性能,我们认为,他们有两个局限性。首先,由于源语言和目标语言之间的特征分布的差异,教师网络无法有效地学习跨语言共享的与语言无关的知识。其次,学生网络从教师网络获得其所有知识,而忽略了对目标语言特定知识的学习。不希望的是,这些限制会妨碍模型在目标语言中的性能。本文提出了一个无监督的原型知识蒸馏网络(ProKD)来解决这些问题。具体而言,ProKD提出了一种基于对比学习的原型对齐方法,通过调整源语言和目标语言中原型之间的距离来实现类特征对齐,提高教师网络获取语言无关知识的能力。此外,ProKD还引入了一种原型自训练方法,通过使用样本与原型的距离信息对目标数据重新训练学生网络来学习语言的内在结构,从而增强学生网络获取特定语言知识的能力。在三个跨语言NER基准数据集上的实验证明了该方法的有效性。
2023-02-07 cs.AI cs.CL
Knowledge engineering mixed-integer linear programming: constraint typology
Deakin University(迪肯大学);School of Information Technology(信息技术学院);The University of Melbourne(墨尔本大学);Electrical and Electronic Engineering(电气与电子工程学院)
本文研究了混合整数线性规划MILP公式的约束类型。MILP是一种常用的数学编程技术,用于建模和解决现实生活中的调度,路由,规划,资源分配,优化问题,为工业部门提供优化的业务解决方案,例如:制造业,农业,国防,医疗保健,医药,能源,金融和运输。尽管现实生活中发现并解决了许多组合优化问题,还有数百万个问题有待发现和制定,但作为MILP构建模块的约束类型的数量相对要少得多。在搜索一个合适的机器可读的知识表示的MILP,我们提出了一个优化建模树的基础上建立的MILP本体,可以用作自动化系统的指导,以引出一个MILP模型从最终用户对他们的组合业务优化问题。
2021-02-20 cs.AI math.OC
Knowledge Tracing in Programming Education Integrating Students' Questions
Elice(埃利斯公司)
本文提出 SQKT 模型,将学生提问与自动提取的技能信息融入知识追踪,以提升编程学习表现预测,并在 Python 课程中验证其高精度与跨域泛化能力。
2025-01-22 cs.AI cs.CY cs.SE
Denoising Programming Knowledge Tracing with a Code Graph-based Tuning Adaptor
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(人工智能研究院,合肥综合性国家科学中心)
针对编程知识追踪中无关提交干扰信号与微小修改弱信号两类噪声问题,提出模型无关的Coda代码图调优适配器,通过代码图构建、聚类感知GCN及噪声约束优化校正知识状态,在四个真实数据集上表现优于基线。
2025-06-07 cs.AI cs.SE
Declarative Question Answering over Knowledge Bases containing Natural Language Text with Answer Set Programming
Allen Institute for Artificial Intelligence(艾伦人工智能研究所);Arizona State University(亚利桑那州立大学)
虽然近年来基于机器学习(ML)的方法已经成为开发端到端问答系统的流行方法,但是当需要额外的知识来正确回答问题时,这样的系统经常会遇到困难。所提出的替代方案涉及将问题和自然语言文本翻译成逻辑表示,然后使用逻辑推理。然而,当文本的大小变得更大时,这种替代方法就不起作用了。为了解决这个问题,我们提出了一种方法,在自然语言文本中编写的前提进行逻辑推理。所提出的方法使用答案集编程(ASP)的最新功能来调用执行简单文本蕴涵的外部NLP模块(可能基于ML)。为了测试我们的方法,我们开发了一个语料库的生存周期问题的基础上,并表明,我们的系统实现了$18\%$性能增益相比,标准MCQ求解器。
2019-05-01 cs.AI cs.CL
General-purpose Declarative Inductive Programming with Domain-Specific Background Knowledge for Data Wrangling Automation
Universitat Politècnica de València(瓦伦西亚理工大学);University of Miyazaki(宫崎大学)
只要给出一两个例子,人类就能很好地理解如何独立于问题的领域来解决问题,因为他们能够发现问题是什么,并根据上下文选择合适的背景知识。例如,当字符串“8/17/2017”被转换为“17 th of August of 2017”时,人类将分两步处理:(1)他们识别出这是一个日期,(2)他们将日期映射到2017年8月17日。归纳编程(IP)旨在从示例中学习声明性(函数或逻辑)程序。IP的两个关键优势是背景知识的使用和从几个输入/输出示例中综合程序的能力(就像人类一样)。在本文中,我们建议使用IP作为自动化重复的数据操作任务的一种手段,经常出现在许多数据操作问题的{ \em数据争吵}的过程中。在这里,我们表明,使用通用的声明性(编程)语言与通用的IP系统和特定领域的知识的定义,从不同的应用领域的许多特定的数据争吵的问题,可以自动解决从很少的例子。我们还提出了一个数据争论的综合基准,我们向社区公开分享。
2018-09-26 cs.AI cs.DB
ViewRefer: Grasp the Multi-view Knowledge for 3D Visual Grounding with GPT and Prototype Guidance
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Northwestern Polytechnical University(西北工业大学);The Chinese University of Hong Kong(香港中文大学)
ViewRefer提出多视图3D视觉定位框架,利用GPT扩展文本描述并结合跨视图注意力与可学习多视图原型,在三个基准上显著超越现有方法。
2023-12-05 cs.AI cs.CL cs.CV
Federated Semi-Supervised Learning with Prototypical Networks
Seoul National University(首尔国立大学);Google Research(谷歌研究院);AWS AI Labs(亚马逊云科技人工智能实验室)
随着边缘设备计算能力的提高,联邦学习(FL)应运而生,可以在没有隐私问题的情况下进行模型训练。大多数现有的研究假设数据在客户端完全标记。然而,在实践中,标记数据的量通常是有限的。最近,联邦半监督学习(FSSL)被探索为一种在训练过程中有效利用未标记数据的方法。在这项工作中,我们提出了ProtoFSSL,一种新的FSSL方法的基础上原型网络。在ProtoFSSL中,客户端通过轻量级原型彼此共享知识,这防止了本地模型的发散。为了计算未标记数据的损失,每个客户端基于共享原型创建准确的伪标签。与标记数据一起,伪标签为本地原型提供训练信号。与基于权重共享的FSSL方法相比,基于原型的客户端间知识共享显着降低了通信和计算成本,从而使更多客户端之间的知识共享更加频繁,从而提高了准确性。在多个数据集中,ProtoFSSL的结果更高的准确性相比,最近的FSSL方法与知识共享,如FixMatch,FedRGD和FedMatch。在SVHN数据集上,ProtoFSSL执行从完全监督的FL方法。
2022-05-30 cs.AI cs.LG
Logic Programming on Knowledge Graph Networks And its Application in Medical Domain
University of Chinese Academy of Sciences(中国科学院大学);Beijing University Third Hospital(北京大学第三医院)
本文提出知识图谱网络的系统理论与技术,探讨其在医疗领域的应用,通过多条件下的实验验证创新方法。
2026-01-21 cs.AI cs.CL cs.LG
Knowledge Transfer for Pseudo-code Generation from Low Resource Programming Language
TCS Research(塔塔咨询服务公司研究院)
用于软件维护的遗留源代码的伪代码描述的生成是手动密集型任务。最近的编码器-解码器语言模型已经显示出用于为诸如C++的高资源程序设计语言自动化伪代码生成的前景,但是严重依赖于大的代码-伪代码语料库的可用性。为用遗留程序设计语言(PL)编写的代码请求这样的伪代码注释是耗时且昂贵的事情,需要对源PL的透彻理解。在本文中,我们专注于使用并行代码伪码数据来传输在高资源PL(C++)上训练的代码到伪码神经模型所获得的知识。我们的目标是将这些知识转移到没有PL伪代码并行数据的传统PL(C)中进行训练。为了实现这一点,我们利用迭代反向翻译(IBT)方法与一种新的基于测试用例的过滤策略,以适应训练的C++到伪代码模型的C到伪代码模型。我们观察到通过回译生成的C代码的成功率提高了23.27%,超过了连续的IBT迭代,说明了我们的方法的有效性。
2023-03-16 cs.AI cs.LG cs.SE
Code-DKT: A Code-based Knowledge Tracing Model for Programming Tasks
North Carolina State University(北卡罗来纳州立大学)
知识追踪(KT)模型是一种流行的方法,用于预测学生未来的表现在实践中的问题,使用他们以前的尝试。虽然KT已经进行了许多创新,但包括最先进的Deep KT(DKT)在内的大多数模型主要利用每个学生的回答,无论是正确的还是不正确的,而忽略了它的内容。在这项工作中,我们提出了基于代码的深度知识跟踪(Code-DKT),该模型使用注意力机制来自动提取和选择特定于域的代码特征,以扩展DKT。我们比较了Code-DKT与贝叶斯和深度知识跟踪(BKT和DKT)在一个数据集上的有效性,该数据集来自一个50名学生的班级,他们试图解决5个入门编程作业。我们的研究结果表明,在5次分配中,Code-DKT始终优于DKT 3.07- 4.00%AUC,与其他最先进的领域通用KT模型相比,这是一个相当的改进。最后,我们通过一组案例研究来分析特定于问题的性能,以演示代码功能何时以及如何改善Code-DKT的预测。
2022-06-07 cs.AI cs.CY cs.SE
Dual-Mode Low-Rank Learner with Bridge-Prototype Ensemble for Vision-Language Class-Incremental Learning
University of Electronic Science and Technology of China(电子科技大学);Qiyuan Lab(启元实验室)
针对CLIP类增量学习中知识覆盖与模态整合不足的问题,提出DuLBE,通过双模式低秩学习和桥接原型集成,实现无样本CIL,在保持参数效率的同时达到最先进性能。
2026-09-30 cs.AI cs.CV
Software Vulnerability Prediction Knowledge Transferring Between Programming Languages
Ericsson Security Research(爱立信安全研究院);Vodafone(沃达丰)
开发自动化和智能化的软件漏洞检测模型一直受到研究和开发社区的极大关注。这方面最大的挑战之一是缺乏适用于所有不同程序设计语言的代码示例。在这项研究中,我们通过提出一种迁移学习技术来解决这个问题,该技术利用可用的数据集并生成一个模型来检测不同程序设计语言中的常见漏洞。我们使用C源代码样本来训练一个卷积神经网络(CNN)模型,然后,我们使用Java源代码样本来采用和评估学习的模型。我们使用来自两个基准数据集的代码样本:NIST软件保障参考数据集(SARD)和Draper VDISC数据集。实验结果表明,该模型能够检测出C和Java代码中的漏洞,平均召回率为72%.此外,我们采用可解释的人工智能来研究每个功能对所提出的模型中C和Java之间的知识转移机制的贡献。
2023-03-10 cs.AI cs.LG cs.SE
A Case Study in Engineering a Conversational Programming Assistant's Persona
IBM Research AI(IBM研究院人工智能部门);IBM Argentina(IBM阿根廷公司)
程序员助手是一个实验性的原型软件开发环境,它集成了聊天机器人和代码编辑器。会话能力是通过使用现有的代码流畅的大语言模型并向其提供建立会话交互模式、一组约定和适合于应用程序的交互风格的提示来实现的。对提示演变的讨论提供了一个案例研究,说明如何引导现有的基础模型以特定应用程序所需的方式运行。
2023-01-13 cs.AI cs.CY cs.HC