CogGen: A Learner-Centered Generative AI Architecture for Intelligent Tutoring with Programming Video
City University of Hong Kong(香港城市大学);Stanford University(斯坦福大学)
CogGen是一种以学习者为中心的生成式AI架构,通过结合学生建模与认知学徒制框架的对话式辅导引擎,将编程视频转化为交互式自适应学习体验,消融研究证实了各组件必要性,为视频编程教育提供了可扩展方案。
2025-06-25 cs.AI
Cognitive Architecture for Decision-Making Based on Brain Principles Programming
Novosibirsk State University(新西伯利亚国立大学);Sberbank of Russia(俄罗斯联邦储蓄银行)
我们描述了一个认知架构,旨在解决广泛的问题的基础上确定的大脑活动的五个原则,其实施在三个子系统:逻辑概率推理,概率形式概念和功能系统理论。构建架构涉及任务驱动方法的实现,该方法允许将所应用的应用的目标功能定义为根据与任务相对应的操作环境而制定的任务,该任务在应用本体中表达。我们提供了一个基本的本体的一些实际应用,以及基于它的主题域本体,描述了拟议的架构,并给出了可能的例子,这些应用程序在这个架构中的执行。
2022-06-19 cs.AI cs.CE
The Ann Arbor Architecture for Agent-Oriented Programming
Ann Arbor Algorithms(安阿伯算法公司)
本文从自动机理论重审提示工程,提出 Ann Arbor 架构作为语言模型智能体编程的高层抽象,并据此设计 Postline 平台、开展初步训练实验。
2025-02-14 cs.AI cs.HC cs.SE
LP-NAS: Linear Programming-based Neural Architecture Search
IIT Kanpur(印度理工学院坎普尔分校);IIM Ahmedabad(印度管理研究所艾哈迈达巴德分校)
本文提出LP-NAS框架,将线性规划应用于可微分NAS,其变体在CIFAR等数据集上的搜索与评估阶段均优于DARTS及其多种变体,且架构可迁移至ImageNet。
2026-08-17 cs.AI cs.LG
Cognitive Architecture for Decision-Making Based on Brain Principles Programming (in Russian)
Novosibirsk State University(新西伯利亚国立大学);Sberbank of Russia(俄罗斯联邦储蓄银行)
我们描述了一个认知架构,旨在解决广泛的问题的基础上确定的大脑活动的五个原则,其实施在三个子系统:逻辑概率推理,概率形式概念和功能系统理论。构建架构涉及任务驱动方法的实现,该方法允许将所应用的应用的目标功能定义为根据与任务相对应的操作环境而制定的任务,该任务在应用本体中表达。我们提供了一个基本的本体的一些实际应用,以及基于它的主题域本体,描述了拟议的架构,并给出了可能的例子,这些应用程序在这个架构中的执行。
2023-02-18 cs.AI cs.HC cs.SY
Cartesian Genetic Programming Approach for Designing Convolutional Neural Networks
AGH University of Krakow(克拉科夫AGH大学);Systems Research Institute, Polish Academy of Sciences(波兰科学院系统研究所);University of Technology Sydney(悉尼科技大学);Óbuda University(奥布达大学)
本研究提出一种基于笛卡尔遗传规划(CGP)的神经架构搜索(NAS)方法,仅通过突变操作自动设计卷积神经网络(CNNs),以替代耗时易错的人工设计,初步实验结果证明了该方法的有效性。
2024-10-13 cs.AI cs.LG cs.NE
From Hand-Crafted Metrics to Evolved Training-Free Performance Predictors for Neural Architecture Search via Genetic Programming
University of Information Technology(信息技术大学);Vietnam National University(越南国家大学)
本研究提出基于遗传编程的符号回归框架,自动设计零成本性能预测指标,在NAS-Bench-Suite-Zero的13个问题上优于手工指标,并能在15分钟内用单GPU找到竞争性架构。
2025-05-16 cs.AI cs.NE
Self-Programming Artificial Intelligence Using Code-Generating Language Models
New York University(纽约大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
大规模语言模型的最新进展使以前棘手的计算机编程任务取得了突破。元学习和神经架构搜索方面的先前工作已经在各个任务领域取得了实质性的成功,产生了无数方法来优化深度学习模型的设计和学习动态。在这些研究领域的交叉点,我们实现了一个代码生成语言模型,能够修改自己的源代码。自AI诞生以来,自编程AI算法一直备受关注。尽管已经提出了广义自编程AI的各种理论公式,但迄今为止,在现实世界的计算约束下,还没有这样的系统成功实现。将基于AI的代码生成应用于AI本身,我们开发并实验验证了自编程AI系统的第一个实际实现。我们的经验表明,使用代码生成模型实现的自编程AI可以成功地修改自己的源代码以提高性能,并编程子模型来执行辅助任务。我们的模型可以自我修改各种属性,包括模型架构,计算能力和学习动力学。
2023-02-02 cs.AI cs.LG
A Human-Centered Data-Driven Planner-Actor-Critic Architecture via Logic Programming
Auburn University(奥本大学);NVIDIA Corporation(英伟达公司);Maana Inc.(Maana公司)
最近强化学习(RL)的成功使智能体能够学习超越人类专家的策略,但会受到时间和数据的困扰。相比之下,人类的学习速度要快得多,因为利用了先验知识和一般知识以及多种信息资源。在本文中,我们提出了一个以人为中心的规划和学习(PACMAN)的规划者-演员-评论家架构,其中代理使用其先验的,高层次的,确定性的符号知识来规划目标导向的行动,并集成了RL的演员-评论家算法来微调其行为,以实现环境奖励和人类反馈。这项工作是第一个统一的框架,知识为基础的规划,RL和人类教学共同贡献的策略学习的代理。我们的实验表明,PACMAN导致一个显着的跳跃开始在学习的早期阶段,收敛速度快,方差小,是强大的不一致,罕见的,和误导性的反馈。
2019-09-18 cs.AI cs.HC cs.LG
COBRA-PPM: A Causal Bayesian Reasoning Architecture Using Probabilistic Programming for Robot Manipulation Under Uncertainty
Oxford Robotics Institute, Dept. Engineering Science, University of Oxford, UK(牛津大学机器人研究所);Microsoft Research, Redmond, WA, USA(微软研究院);Bristol Robotics Laboratory, School of Engineering, University of the West of England, Bristol, UK(布里斯托尔机器人实验室)
本文提出 COBRA-PPM 因果贝叶斯推理架构,融合因果贝叶斯网络与概率编程进行干预推理,在积木堆叠及家用机器人 sim2real 中实现高预测与任务成功率。
2025-08-29 cs.AI cs.LG cs.RO
Efficient differentiable quadratic programming layers: an ADMM approach
University of Toronto(多伦多大学)
神经网络架构的最新进展允许将凸优化问题无缝集成为端到端可训练神经网络中的可微层。然而,将中型和大型二次规划集成到深度神经网络架构中是具有挑战性的,因为通过边界点方法精确求解二次规划在变量数量方面具有最坏情况的立方复杂度。在本文中,我们提出了一种替代的网络层架构的基础上的交替方向法的乘法器(ADMM),是能够扩展到一个适度大量的变量的问题。后向微分是通过隐式微分修正定点迭代的残差映射来实现的。仿真结果表明ADMM层的计算优势,这对于中等规模的问题是大约一个数量级的速度比OptNet二次规划层。此外,我们的新的向后通过例程是有效的,从内存和计算的角度来看,在比较的基础上展开的分化或隐式分化的KKT最优性条件的标准方法。最后,我们从投资组合优化的集成预测和优化范例的例子。
2021-12-14 cs.AI cs.LG math.OC
Visual Explanation by High-Level Abduction: On Answer-Set Programming Driven Reasoning about Moving Objects
HCC Lab., University of Bremen(不来梅大学 HCC 实验室);MPI Lab., Örebro University(厄勒布鲁大学 MPI 实验室);University of Warsaw(华沙大学);Aarhus University(奥胡斯大学)
我们提出了一个混合体系结构,系统地计算强大的视觉解释(S),包括假设形成,信念修正,和默认推理与视频数据。该架构由两个紧密集成的协同组件组成:(1)(功能)答案集编程为基础的溯因推理与时空轨迹作为本地实体;(2)基于检测的对象跟踪和运动分析的视觉处理管道。我们提出了正式的框架,其一般实现作为一个(声明)的方法在答案集编程,和一个示例应用程序和评估的基础上两个不同的视频数据集:MOTChallenge基准开发的视觉社区,和最近开发的电影数据集。
2017-12-03 cs.AI cs.CV cs.LO