Integrating Generative AI-enhanced Cognitive Systems in Higher Education: From Stakeholder Perceptions to a Conceptual Framework considering the EU AI Act
Faculty of Information Technology and Electrical Engineering, University of Oulu（奥卢大学信息技术与电气工程学院）
本研究探讨了GenAI在信息科技和电气工程学科中的应用，通过混合方法分析利益相关者观点，提出了一套负责任的GenAI整合框架，以满足学术需求并符合监管要求。
2026-02-11 cs.AI
Integrating Cognitive AI with Generative Models for Enhanced Question Answering in Skill-based Learning
Georgia Institute of Technology（佐治亚理工学院）
针对技能型学习中视频无法评估技能、生成式 AI 缺乏真正理解的问题，本文融合认知 AI 与生成式 AI，利用 TMK 知识表示及 LLM、CoT、迭代精化构建可生成推理解释的问答框架。
2024-08-02 cs.AI
AceleradorSNN: A Neuromorphic Cognitive System Integrating Spiking Neural Networks and DynamicImage Signal Processing on FPGA
Intigia R\&D Department Alicante, Spain
为实现自主系统中的高速低延迟高效目标检测，提出AceleradorSNN系统，整合脉冲神经网络与动态图像信号处理，通过FPGA实现实时流式图像处理。
2026-03-30 cs.AI cs.AR
Integrating Heuristics and Learning in a Computational Architecture for Cognitive Trading
University of Molise（莫利塞大学）
近年来，人工智能在图像分析、自然语言理解和战略游戏等领域的成功引发了金融界的兴趣。具体来说，人们对创建人工代理（称为机器人交易员）有很高的期望，并且正在进行工程项目，这些人工代理能够用经验丰富的人类交易员的技能来操纵金融市场。除了明显的经济影响外，这肯定是一个具有重大科学意义的领域，因为这种真实背景对人工智能技术的使用构成了挑战。正是出于这个原因，我们必须意识到，能够在这种水平上运作的人工代理人并不只是在拐角处，而且不会有简单的答案，而是各种技术和方法的共同努力的成功。在本文的过程中，我们回顾了有效的机器人交易者设计中固有的问题以及相应的适用解决方案，考虑到将机器人交易的当前技术水平提升到下一个智能水平的总体目标，我们称之为认知交易。我们的方法的关键是两个方法和技术方向的结合，虽然都深深植根于人工智能的学科领域，到目前为止已经走上了各自的道路：数学和学习。
2021-08-27 cs.AI
Toward Continuous Neurocognitive Monitoring: Integrating Speech AI with Relational Graph Transformers for Rare Neurological Diseases
IBM Research（IBM研究院）；IBM Software（IBM软件公司）；University of New Brunswick（新 Brunswick大学）
本研究通过整合语音AI与关系图Transformer，实现对罕见神经系统疾病患者认知状态的连续监测，发现语音特征与血液指标相关，但与传统认知测试无关，为早期预警提供新方法。
2025-12-04 cs.AI
Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making
The Pennsylvania State University（宾夕法尼亚州立大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）；Carnegie Mellon University（卡内基梅隆大学）
针对大语言模型在制造决策中存在的幻觉、缺乏充分依据等问题，提出融合ACT-R认知架构与LLM的神经符号架构LLM-ACTR，在制造设计任务上相较纯LLM基线实现了任务性能和决策依据性的双重提升。
2024-08-17 cs.AI cs.CL cs.SC
Building Blocks to Empower Cognitive Internet with Hybrid Edge Cloud
mimik（mimik公司）；Aramco（沙特阿美公司）
本文提出认知互联网范式，强调通过可适应的AI基础设施和混合边缘云（HEC）平台整合协作智能，实现跨域交互与决策自主性，为该新兴范式提供全面洞察。
2024-02-05 cs.AI cs.NI
Enhancing AI-Driven Education: Integrating Cognitive Frameworks, Linguistic Feedback Analysis, and Ethical Considerations for Improved Content Generation
Learning, Data and Robotics (LDR) ESIEA Lab（学习、数据与机器人（LDR）ESIEA实验室）；Department of Computer Engineering（计算机工程系）；Graduate School of Management and Innovation（管理与创新研究生院）；Faculty of Science（科学学院）；Lebanese University（黎巴嫩大学）
本文提出一个整合认知框架、语言反馈分析和伦理原则的三阶段方法，以增强AI驱动教育工具的内容生成质量，并通过OneClickQuiz插件展示了其实际应用。
2025-05-01 cs.AI cs.CL
MultiCNKG: Integrating Cognitive Neuroscience, Gene, and Disease Knowledge Graphs Using Large Language Models
Department of Computer Engineering and Information Technology, University of Qom（卡姆大学计算机工程与信息科技系）；University of Qom（卡姆大学）
本文提出MultiCNKG框架，整合认知神经科学、基因和疾病知识图谱，利用大语言模型实现实体对齐和图谱增强，提升生物医学领域知识图谱的整合与应用能力。
2025-10-08 cs.AI cs.LG
StackInsights: Cognitive Learning for Hybrid Cloud Readiness
IBM Almaden Research Center（IBM阿尔马登研究中心）
混合云是一种集成的云计算环境，它混合使用公共云、私有云和内部部署的传统IT基础架构。云计算意识，定义为对每个工作负载的详细全面了解，在实施混合云时至关重要。虽然执行准确的分析以确定哪些工作负载适合内部部署以及哪些工作负载可以迁移到云外部部署至关重要，但评估主要是通过基于规则或策略的方法执行的。在本文中，我们介绍了StackInsights，这是一种新型的认知系统，可以自动分析和预测企业工作负载的云就绪性。我们的系统利用整个堆栈的关键指标：1）基础设施指标，2）数据相关性指标，3）应用程序分类，以识别具有以下特征的工作负载：a）对业务安全性、关键性和合规性的敏感性低，b）响应时间要求和访问模式低。由于数据相关性度量的捕获涉及对存储对象的内容的侵入式和深入扫描，因此应用机器学习模型以通过从跨堆栈利用的Meta级度量学习来执行业务相关性分类。与传统方法相比，StackInsights将混合云就绪性评估的总时间显著减少了几个数量级。
2017-12-16 cs.AI cs.LG
Early-stage detection of cognitive impairment by hybrid quantum-classical algorithm using resting-state functional MRI time-series
Yonsei University（延世大学）；College of Medicine, Yonsei University（延世大学医学院）
本研究提出混合量子-经典算法，结合一维卷积层与量子卷积神经网络对静息态fMRI时间序列进行分类，实现早期认知障碍检测，并验证了九个关键脑区的神经科学有效性。
2024-03-16 cs.AI cs.LG q-bio.NC
Hybrid Active Inference
Research Focus Cognitive Sciences（认知科学研究重点中心）；University of Potsdam（波茨坦大学）；Artificial Intelligence Lab（人工智能实验室）；Otto von Guericke University（奥托·冯·格里克大学）
我们描述了一个框架的混合认知，制定了一个混合认知代理，执行分层主动推理的人和机器的一部分。我们认为，除了通过智能和自适应界面增强人类认知功能外，集成认知处理还可以加速人工智能中的涌现特性。为了建立这一点，机器学习部分通过与大脑信号同时解释来自环境和生理的多模态感觉测量来学习融入人类认知。随着持续的训练，可预测的大脑信号量增加。这使得智能体能够在越来越高的认知处理水平上进行自我监督，以进一步减少预测大脑信号时的意外。此外，随着整合水平的提高，对环境和生理学的感官信息的获取被对它们在大脑中的表征的获取所取代。在整合成人类和机器的联合体现时，人类的行为和感知被视为机器自己的。该框架可以用侵入式和非侵入式传感器来实现，用于环境、身体和大脑接口。使用不同的机器学习方法进行在线和离线训练。基于以前对共享表示学习的研究，我们提出了第一个实现，该实现将导致混合主动推理与非侵入性大脑接口和最先进的概率深度学习方法。我们进一步讨论了如何实现可能对所描述的代理的元认知能力的影响，并建议，有足够的实现机器的一部分可以继续执行和自主学习的认知过程的基础上建立。
2018-10-05 cs.AI q-bio.NC
Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State
Northeast Normal University（东北师范大学）；Cornell University（康奈尔大学）
本文提出CSCD框架，利用基于边特征的图注意力网络同时建模知识状态和知识结构状态，弥补现有认知诊断方法忽视概念间关系的不足，并在真实数据集上验证了其在诊断准确性和可解释性上的优势。
2024-12-27 cs.AI
The Cognitive Firewall:Securing Browser Based AI Agents Against Indirect Prompt Injection Via Hybrid Edge Cloud Defense
eBay Inc（eBay公司）
本文提出认知防火墙，通过混合边缘云防御机制，有效降低基于浏览器的AI代理遭受间接提示注入攻击的成功率，同时显著提升系统响应效率。
2026-03-24 cs.AI cs.CR
Integrating Conflict Driven Clause Learning to Local Search
Université Lille-Nord de France（里尔北部大学）；CRIL - CNRS UMR 8188（法国国家科学研究中心CRIL UMR 8188）
本文介绍了一种新的命题可满足性混合求解方法SatHyS（SAT混合求解器）。它结合了局部搜索和冲突驱动的小句学习（CDCL）方案。每当局部搜索部分达到局部最小值时，启动CDCL。对于SAT问题，它表现得像一个禁忌列表，而对于UNSAT问题，CDCL部分试图专注于最小不可满足子公式（MUS）。实验结果表明，良好的性能在许多类的SAT实例，从过去的SAT比赛。
2009-10-07 cs.AI
A Hybrid Natural Language Generation System Integrating Rules and Deep Learning Algorithms
University of Aberdeen（阿伯丁大学）；The University of Sydney（悉尼大学）
本文提出了一种增强的自然语言生成系统，结合了基于规则的方法和现代深度学习算法的优点，提高其性能的程度，生成的文本内容能够表现出灵活的人类写作风格和内容逻辑是高度可控的。本文还提出了一种新的方法HMCU来全面、准确地衡量自然语言处理的性能。
2020-06-17 cs.AI cs.CL
BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry
School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院）；Department of Computer Science, University of Reading（Reading大学计算机科学系）；Department of Computer Science, Brunel University of London（伦敦布鲁内尔大学计算机科学系）
BioLLMAgent通过结合认知模型与LLM能力，提供结构可解释的计算沙盒，用于模拟人类决策过程和评估干预策略。
2026-03-05 cs.AI
RadioLLM: Introducing Large Language Model into Cognitive Radio via Hybrid Prompt and Token Reprogrammings
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
针对深度学习认知无线电框架任务专用、扩展性不足的问题，本文提出RadioLLM，利用HPTR融合信号特征与专家知识，并通过FAF增强高频建模，在多数基准测试中优于现有方法。
2025-05-13 cs.AI cs.LG eess.SP
Exploiting Language Models as a Source of Knowledge for Cognitive Agents
本文探讨利用大型语言模型作为认知代理的外部知识源，识别挑战与机遇，并提出将知识提取与认知架构集成以提升效果的方法。
2023-09-05 cs.AI cs.CL
Accelerating Hybrid Agent-Based Models and Fuzzy Cognitive Maps: How to Combine Agents who Think Alike?
Virginia Modeling Analysis and Simulation Center（弗吉尼亚建模分析与仿真中心）；Old Dominion University（奥多明尼昂大学）；School of Data Science（数据科学学院）；University of Virginia（弗吉尼亚大学）
本文提出通过将行为规则网络（模糊认知图）相似的智能体聚类并简化为代表性智能体，在保持精度的同时降低人口规模与计算时间，从而加速混合智能体模型模拟。
2024-09-01 cs.AI cs.MA
Adaptive Token Boundaries: Integrating Human Chunking Mechanisms into Multimodal LLMs
Sanda University（上海杉达学院）
本文提出一种基于人类组块机制的自适应动态跨模态分词框架，通过自适应边界、层次化表示和对齐机制改进多模态大语言模型，在视觉问答和复杂场景描述任务上分别提升7.8%和5.3%，并表现出更符合人类认知的错误模式与注意力分布。
2025-05-03 cs.AI cs.CL
Single-Channel EEG-Based Cognitive Load Assessment in Online Learning: A Hybrid Deep Learning Approach
University of Ottawa（渥太华大学）；Queen’s University（女王大学）
本研究使用单通道消费级EEG设备，通过混合CNN+LSTM+Attention模型区分在线教育视频内容的难易程度，在受试者内设置下达到78.5%准确率，并强调受试者独立评估应成为标准。
2026-07-03 cs.AI cs.LG
EMBER: Autonomous Cognitive Behaviour from Learned Spiking Neural Network Dynamics in a Hybrid LLM Architecture
Independent Researcher（独立研究者）
本文提出EMBER架构，通过学习的脉冲神经网络动态实现大语言模型与记忆之间的关系重组，利用STDP和奖励调节学习实现自主行为决策。
2026-04-14 cs.AI cs.NE
Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems
Shanghai Institute of AI for Education and School of Computer Science and Technology（上海人工智能教育研究院与计算机科学与技术学院）；East China Normal University（华东师范大学）
针对智能教育中认知诊断难以兼顾泛化与可解释性的问题，提出SCD框架，用符号树表示交互函数，并以遗传规划与Adam交替混合优化，实验验证其双重优势。
2023-12-30 cs.AI cs.CY cs.LG
Integrating AI for Enhanced Feedback in Translation Revision- A Mixed-Methods Investigation of Student Engagement
The Hong Kong Polytechnic University（香港理工大学）
本研究采用混合方法，探讨翻译专业硕士生在修改过程中对ChatGPT生成反馈的参与度，揭示认知、情感和行为维度的复杂关系，为AI反馈在翻译教学中的应用提供新见解。
2024-10-11 cs.AI cs.HC
Knowledge is Power: Harnessing Large Language Models for Enhanced Cognitive Diagnosis
Zhejiang University（浙江大学）
针对现有认知诊断模型（CDMs）在诊断低频学生和练习时缺乏先验知识的问题，提出模型无关的知识增强认知诊断（KCD）框架，通过整合大型语言模型（LLMs）并分两阶段处理，有效提升了诊断性能。
2025-02-08 cs.AI
A Hybrid Ai Framework For Strategic Patent Portfolio Pruning: Integrating Learning To-Rank And Market Need Analysis For Technology Transfer Optimization
本文提出一种混合AI框架，结合学习排序与市场需求分析，用于优化技术转让中的专利组合修剪。
2025-08-31 cs.AI
Trustworthy AI-Driven Dynamic Hybrid RIS: Joint Optimization and Reward Poisoning-Resilient Control in Cognitive MISO Networks
LINCS Laboratory, Department of Computer and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机与软件工程系LINCS实验室）
本文提出一种动态混合RIS，用于解决认知MISO网络中不可靠的直接SU链路和能量约束问题，通过联合优化传输波束成形和RIS相位，采用SAC深度强化学习方法，并提出轻量级实时防御机制以对抗奖励中毒攻击。
2026-03-27 cs.AI cs.NI
Enhancing Forex Forecasting Accuracy: The Impact of Hybrid Variable Sets in Cognitive Algorithmic Trading Systems
Centro de Investigación Operativa, Universidad Miguel Hernández（操作研究中心，米格尔·赫尔内兹大学）
本文研究了在外汇市场高频环境中，通过整合基本面和技术变量集提升算法交易系统预测准确性的方法，并通过实验比较两种变量类别的预测效果。
2025-11-20 cs.AI cs.NA math.NA
Hybrid Life: Integrating Biological, Artificial, and Cognitive Systems
Araya（阿雷亚）；University of Sussex（萨塞克斯大学）；Hokkaido University（北海道大学）；Cross Labs（克罗斯实验室）；Sony Computer Science Laboratories（索尼计算机科学实验室）
本文介绍Hybrid Life研究主题，聚焦系统和智能体理论、混合增强架构及人工与生物系统间的混合交互，回顾了2018至2022年人工生命会议的相关工作。
2022-12-01 cs.AI cs.SY eess.SY
Pattern Recognition in Collective Cognitive Systems: Hybrid Human-Machine Learning (HHML) By Heterogeneous Ensembles
University of Wisconsin（威斯康星大学）；University of Tehran（德黑兰大学）；UNINOVA（联合国大学新技术研究所）；Cold Spring Harbor Laboratories（冷泉港实验室）
网络基础设施（如WWW）的无处不在的作用为机器学习及其利用数字通信的广泛应用领域提供了无数的机会。模式分类和特征提取是机器学习最早的应用之一，受到了广泛的关注。最显著的成就是处理中大型数据集。过去一二十年的“数据洪流”给人工智能研究人员带来了新的挑战，他们需要使用超大规模数据集和复杂（自然或合成）动态系统为类似任务设计新的、有效和准确的算法。我们提出了一种新的原则性方法，在混合体系结构的特征提取由人类和机器在网络通信，谁合作解决一个预先分配的模式识别（特征提取）任务。（1）人类专家，如植物生物学家或天文学家，经常使用他们的视觉感知和其他隐含的先验知识或专业知识来搜索显著特征，而机器仅限于一组预编程的标准来工作;（2）在集体解决问题的团队协作中，人类专家具有互补的多种能力，他们相互学习，以机器仍然无法模仿的方式成功地完成认知复杂的任务。
2010-08-31 astro-ph.CO cs.AI q-bio.QM
Hybrid Handcrafted and Learnable Audio Representation for Analysis of Speech Under Cognitive and Physical Load
Logitech（罗技）
作为对威胁或不利条件的一种神经生理反应，压力可影响认知、情绪和行为，在持续暴露的情况下对健康可能产生有害影响。由于言语的情感内容本质上是由个体的身心状态所调节的，因此大量的研究致力于研究压力诱导任务负荷的语言学相关性。历史上，语音重音分析（VSA）已经使用传统的数字信号处理（DSP）技术进行。尽管发展了基于深度神经网络（DNN）的现代方法，但由于各种各样的压力源和个体压力感知的相当大的变化，准确地检测语音中的压力仍然是困难的。为此，我们介绍了一组五个数据集的语音任务负载检测。这些录音是在志愿者群体中引起认知或身体压力时收集的，累计人数超过100人。我们使用这些数据集来设计和评估一种新的自监督音频表示，该表示利用了手工制作的功能（基于DSP）的有效性和数据驱动的DNN表示的复杂性。值得注意的是，所提出的方法优于广泛的手工特征集和新颖的基于DNN的音频表示学习方法。
2022-06-30 cs.AI cs.LG cs.SD
Unsupervised Machine Learning Hybrid Approach Integrating Linear Programming in Loss Function: A Robust Optimization Technique
UC Berkeley（加州大学伯克利分校）
本文提出一种将线性规划（LP）集成到无监督机器学习模型损失函数中的混合方法，通过封装LP约束和目标指导学习过程，兼具LP的可解释性与机器学习的灵活性，适用于复杂优化问题。
2025-04-18 cs.AI cs.LG math.OC
A Hybrid Framework for Subject Analysis: Integrating Embedding-Based Regression Models with Large Language Models
University of North Texas（北卡罗来纳大学达顿分校）；University of Pittsburgh（匹兹堡大学）
针对传统机器学习主题分析难处理未见过案例、大语言模型易过度生成和幻觉的问题，提出融合基于嵌入的机器学习模型与大语言模型的混合框架，通过预测标签数量引导生成、后编辑对齐词表，提升了图书主题术语预测的可控性与一致性。
2025-07-19 cs.AI cs.CL
Hybrid Deep Learning Framework for Enhanced Diabetic Retinopathy Detection: Integrating Traditional Features with AI-driven Insights
Adamas University（阿达马斯大学）
本文提出一种结合传统特征与深度学习的混合框架用于糖尿病视网膜病变检测，通过协同临床数据与学习特征，提升分类性能并减少假阴性，实现可扩展的准确筛查。
2025-10-21 cs.AI cs.CV
Adaptive Image Registration: A Hybrid Approach Integrating Deep Learning and Optimization Functions for Enhanced Precision
University of California, Irvine（加州大学尔湾分校）
本文提出一种混合图像配准框架，将深度学习输出作为优化初始参数并优先处理高损失图像对，在保持推理时间不变的同时提升配准精度和变形场平滑度。
2024-01-19 cs.AI cs.CV cs.LG
A Hybrid SMT-NRA Solver: Integrating 2D Cell-Jump-Based Local Search, MCSAT and OpenCAD
Peking University（北京大学）；Zhongguancun Laboratory（中关村实验室）
本文提出了一种用于 SMT-NRA 的混合求解框架，通过引入二维单元跳跃的局部搜索方法，并结合 MCSAT 与 OpenCAD 进行信息交换，有效提升了搜索效率与求解性能。
2026-11-02 cs.AI cs.LO cs.SC
Hybrid Framework for Robotic Manipulation: Integrating Reinforcement Learning and Large Language Models
Jamia Millia Islamia（贾米亚米利亚伊斯兰大学）；University of Brighton（布莱顿大学）
本文提出一种结合强化学习与大语言模型的混合框架，用于提升机器人操作任务。通过强化学习实现精确的低层控制，利用大语言模型进行高层任务规划和自然语言理解，有效连接低层执行与高层推理。实验显示任务完成时间减少33.5%，精度和适应性提升18.1%和36.4%。
2026-03-31 cs.AI cs.RO
Enhancing Retrieval-Augmented Generation with Topic-Enriched Embeddings: A Hybrid Approach Integrating Traditional NLP Techniques
National University of Tierra del Fuego（泰德菲国立大学）
本文提出一种整合传统NLP技术的混合方法，通过主题增强嵌入提升检索增强生成系统的检索精度和语义聚类效果。
2025-12-31 cs.AI cs.IR
A Hybrid AI Framework for Academic Advising: Integrating Ensemble-Based Grade Prediction and a Rule-Based Expert System
University of Birjand（比尔詹德大学）
本研究提出一个混合AI框架，结合集成成绩预测与规则专家系统，在比尔詹德大学数据集上实现RMSE 2.35，提供实时学业建议。
2026-09-23 cs.AI cs.LG
Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis
University of Reading（雷丁大学）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）
本研究提出融合LSTM与GNN的混合股价预测模型，结合时序特征与股票间关联关系，经扩展窗口验证训练，在历史股票数据上MSE达0.00144，较单一LSTM降低10.6%，优于多个基准模型，为金融分析与实时交易提供新工具。
2025-02-19 cs.AI cs.LG q-fin.ST
A Hybrid Framework for Reinsurance Optimization: Integrating Generative Models and Reinforcement Learning
Reinsurance Analytics（再保险分析）
本文提出结合变分自编码器和近端策略优化的混合框架，用于动态调整再保险条约参数，提升资本充足率和抗风险能力，优于传统方法。
2026-03-23 cs.AI cs.LG econ.EM
A Hybrid Computational Intelligence Framework for scRNA-seq Imputation: Integrating scRecover and Random Forests
University of Technology Sydney, Australia（悉尼科技大学）；University of Sydney, Australia（悉尼大学）；Asia Pacific International College (APIC), Parramatta, NSW, Australia（亚太国际学院）；Lincoln Institute of Higher Education (LIHE), Sydney, Australia（林肯高等教育研究所）；The Institute of International Studies (TIIS), Sydney, Australia（国际研究学院）
本文提出SCR-MF框架，结合scRecover和随机森林，实现scRNA-seq数据补全，兼顾准确性和效率，适用于中等规模单细胞数据集。
2026-09-21 cs.AI cs.LG q-bio.GN
Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
本文通过实验比较AI、人类和混合规划模型，发现AI虽高效但风险评估差，人类虽灵活但成本高，提出混合框架提升规划质量。
2026-04-15 cs.AI cs.HC
A Hierarchical Hybrid AI Approach: Integrating Deep Reinforcement Learning and Scripted Agents in Combat Simulations
Marine Corps Warfighting Lab（海军陆战队作战实验室）；Naval Postgraduate School（海军研究生院）
本文提出一种分层混合AI方法，结合脚本代理和深度强化学习，以提升战斗模拟中智能代理的适应性和可靠性。
2025-11-28 cs.AI cs.LG cs.MA
A Generalized Method for Integrating Rule-based Knowledge into Inductive Methods Through Virtual Sample Creation
American International University-Bangladesh（孟加拉国美国国际大学）
混合学习方法使用一个领域的理论知识和一组分类的例子来开发一种分类方法。使用领域知识的方法已经被证明比归纳学习器表现得更好。然而，没有通用的方法将领域知识包括到所有的归纳学习算法中，因为所有的混合方法都是针对特定算法的高度专业化的。我们提出了一个算法，将领域知识的命题规则的形式，从规则中生成人工的例子，也删除可能有缺陷的实例。然后，任何学习算法都可以使用该丰富的数据集。不同场景的实验结果表明，该方法比简单的归纳学习更有效。
2011-01-25 cs.AI cs.CV cs.LG
TrueReason: An Exemplar Personalised Learning System Integrating Reasoning with Foundational Models
University College London（伦敦大学学院）；University of the Witwatersrand（威特沃特斯兰德大学）
本文提出 TrueReason 个性化学习系统，通过 LLM 组合多种专业化 AI 模型的微观技能以实现规划与推理，为教育领域复杂认知任务的智能系统构建提供原型。
2025-01-23 cs.AI cs.CL cs.CY
