The Size of a Hyperball in a Conceptual Space
Institute of Cognitive Science, Osnabrück University（奥斯纳布吕克大学认知科学研究所）
概念空间的认知框架[3]提供了表示知识的几何手段。概念空间是一个高维空间，其维度被划分为所谓的域。在每个域中，欧几里得度量用于计算距离。通过将曼哈顿度量应用于域内距离来计算整个空间中的距离。在这个空间中，空间被表示为点，概念被表示为区域。本文在概念空间的组合度量下，导出了超球的大小公式。我们可以把这样一个超球看作是所有与超球中心具有某种最小相似性的点的集合。
2017-09-22 cs.AI
A Comprehensive Implementation of Conceptual Spaces
Osnabrück University（奥斯纳布吕克大学）
概念空间的高度影响力的框架提供了一个几何的方式来表示知识。在一个（潜在的）高维空间中，空间由点表示，概念由区域表示。基于我们最近的形式化，我们提出了一个全面的实现的概念空间框架，不仅能够表示概念与域间的相关性，但也提供了各种操作这些概念。
2018-04-23 cs.AI
Modelling Semantic Categories using Conceptual Neighborhood
CRIL - U. Artois - CNRS（法国国家科学研究中心 阿尔图瓦大学 朗斯信息学研究院）；Cardiff University（卡迪夫大学）
虽然在自然语言处理领域中已经提出了许多用于学习向量空间嵌入的方法，但是这些方法通常不区分类别和个体。直觉上，如果个体被表示为向量，我们可以将类别视为嵌入空间中的（软）区域。不幸的是，有意义的区域可能很难估计，特别是因为我们通常很少有属于给定类别的个体的例子。为了解决这个问题，我们依赖于不同类别往往高度相互依存的事实。特别是，类别通常有概念邻居，它们与给定类别不相交但密切相关（例如\水果和蔬菜）。我们的假设是，更准确的类别表示可以学习依赖于这样的假设，即代表这些概念邻居的区域应该是相邻的嵌入空间。我们提出了一个简单的方法来确定概念的邻居，然后表明，将这些概念的邻居确实导致更准确的区域为基础的表示。
2019-12-03 cs.AI cs.CL
Stories in Space: In-Context Learning Trajectories in Conceptual Belief Space
研究通过故事理解探讨LLM在概念信念空间中的动态信念更新，发现信念更新可描述为低维结构流形上的轨迹，并能通过简单线性探针预测行为。
2026-05-12 cs.AI cs.CL cs.LG
Quantum aspects of high dimensional formal representation of conceptual spaces
School of Information Technology, Vellore Institute of Technology（韦洛尔理工学院信息技术学院）
人类的认知是一个复杂的过程，由人脑复杂的结构所促进。然而，人类的认知往往被简化为基于量子理论的事件，因为它们之间的相互关联性是为了相互理解的分析目的。在本文中，我们通过形式化方法开始分析人类认知，并继续进行量子理论。人类的认知常常违反经典的概率，而概念空间的形式表示是建立在这些概率之上的。此外，Gardenfors提出的概念空间的几何表示讨论了潜在的内容，但缺乏系统的方法（Gardenfors，2000; Kitto et.等人，2012）。然而，上述观点并不矛盾，而是不同的视角，对人类认知过程的理解存在差距。一个全面和系统的方法来模拟一个相对复杂的情况下，可以解决的概念空间的向量空间方法，如文献中所讨论的。在这项研究中，我们提出了一种方法，使用形式表示和Gardenfors几何方法。提出的概念空间的高维形式表示模型进行了数学分析和推断，表现出量子方面。此外，所提出的模型实现了认知，特别是意识。我们已经通过一个建设性的学习场景展示了获得意识的过程。我们还提出了一个算法的概念缩放的真实世界的场景下，不同的质量维度，以获得一个概念规模。
2018-06-29 cs.AI
Formal Ways for Measuring Relations between Concepts in Conceptual Spaces
Osnabrück University（奥斯纳布吕克大学）
概念空间的高度影响力的框架提供了一个几何的方式来表示知识。在高维空间中，概念由点表示，概念由区域表示。在这篇文章中，我们扩展了我们最近的数学形式化这个框架，提供定量的数学定义来衡量概念之间的关系：我们开发了计算概念大小，subsethood，含义，相似性和介数的正式方法。这大大提高了我们的形式化的表征能力，使其成为迄今为止开发的概念空间的最彻底和最全面的形式化。
2018-04-06 cs.AI
A Thorough Formalization of Conceptual Spaces
Osnabrück University（奥斯纳布吕克大学）
概念空间的高度影响力的框架提供了一个几何的方式来表示知识。在高维空间中，概念由点表示，概念由该空间中的凸区域表示。在指出概念空间的凸性要求存在的问题后，提出了一种基于模糊星形集的概念空间形式化。我们的形式化使用参数定义的概念，并通过添加手段来表示不同域之间的相关性，以几何的方式扩展了原来的框架。此外，我们定义了计算效率的概念（交集，工会，投影到一个子空间）的操作，并表明这些操作可以支持学习和推理过程。
2017-09-21 cs.AI
Autoencoder-Based Domain Learning for Semantic Communication with Conceptual Spaces
Kansas State University（堪萨斯州立大学）
针对语义通信中概念空间依赖手工构建的问题，提出一种基于自编码器、利用带高层属性标签的原始数据学习概念空间领域的框架，并在 MNIST 和 CelebA 上验证其语义保持与可解释性。
2024-01-29 cs.AI cs.CL cs.LG
Formalized Conceptual Spaces with a Geometric Representation of Correlations
Institute of Cognitive Science, Osnabrück University（奥斯纳布吕克大学认知科学研究所）
概念空间的高度影响力的框架提供了一个几何的方式来表示知识。相似性空间中的点来表示概念，在这个空间中的凸区域来表示。在指出概念空间的凸性要求存在的问题后，提出了一种基于模糊星形集的概念空间形式化。我们的形式化使用参数定义的概念，并通过添加手段来表示不同域之间的相关性，以几何的方式扩展了原来的框架。此外，我们定义了各种操作，我们的形式化，既为创建新的概念，从旧的和测量概念之间的关系。我们提出了一个说明性的玩具的例子，并勾勒出一个研究项目的概念形成，这是基于我们的形式化和它的实现。
2019-06-29 cs.AI
Emerging Dimension Weights in a Conceptual Spaces Model of Concept Combination
University of Bristol（布里斯托大学）
我们调查的新概念的生成从属性的组合作为一种人工语言的发展。为此，我们已经开发了一个新的框架合取概念组合。这个框架给出了一个语义基础的加权和方法，概念组合在文献中看到。我们实现了语言进化的多智能体模拟的框架，并显示出共享的组合权重出现。这些权重在代理之间的期望值和方差可以从概念空间中的元素分布（如由底层环境确定的）以及代理采用其他概念的速率来预测。当该速率较小时，代理能够收敛到具有较低方差的权重。然而，收敛到权重的稳定状态分布所花费的时间更长。
2016-01-25 cs.AI cs.CL cs.MA
Abstract Concept Modelling in Conceptual Spaces: A Study on Chess Strategies
Department of Computer Science, \"Orebro University, Sweden
本文提出基于概念空间的抽象概念建模方法，通过国际象棋策略分析展示轨迹识别技术，支持双视角建模与知识进化机制整合。
2026-01-29 cs.AI
Measuring Relations Between Concepts In Conceptual Spaces
Institute of Cognitive Science, Osnabrück University（奥斯纳布吕克大学认知科学研究所）
概念空间的高度影响力的框架提供了一个几何的方式来表示知识。在高维空间中，概念由点表示，概念由区域表示。我们最近的数学形式化的这个框架是能够代表不同领域之间的相关性，在几何的方式。在本文中，我们扩展我们的形式化提供定量的数学定义的概念的大小，subsethood，含义，相似性和介数。通过引入描述概念之间关系的可测量方法，这大大增加了我们形式化的表示能力。
2017-12-06 cs.AI
From Conceptual Spaces to Quantum Concepts: Formalising and Learning Structured Conceptual Models
Quantinuum
本文提出一种基于范畴论推广概念空间的结构化概念建模框架，并通过经典高斯模型与混合经典-量子网络两种实例化从图像中自动学习概念，同时形式化分析了量子概念模型与Gardenfors概念空间的关系。
2023-11-06 cs.AI q-bio.NC quant-ph
Towards conceptual generalization in the embedding space
Kagi.ai Research（Kagi.ai研究院）
人类能够通过共同学习物理实相的不同方面来构思物理实相。每一对与感知的实在相关的概念都可能对应一种相互关系，这种相互关系本身就是一种概念，但更高一个层次。因此，我们可以在至少两个层面上对感知现实进行描述，并且由于它们的不同内容语料库，它们之间的翻译映射通常是一对多的。在无监督神经机器翻译模型（本质上是在单语语料库上单独训练的一对一映射）成功之后，我们进一步研究了其中使用的无监督深度学习方法的功能，并将其中一些方法应用于不同级别和度量的概念集。利用图和类似词嵌入的技术，我们建立了一对多的映射，没有并行数据，以建立一个统一的矢量表示的外部世界，通过结合不同种类的概念到一个独特的概念框架。由于它们的潜在相似性，通过以纯粹无监督的方式对齐两个嵌入空间，人们可以在两个层面上获得认知对象之间的几何关系，从而可以在另一个的上下文中使用一个描述来表达自然知识。
2019-08-16 cs.AI cs.CL
Navigating Conceptual Space; A new take on Artificial General Intelligence
UiT - The Arctic University of Norway（特罗姆瑟大学-挪威北极圈大学）
Edward C.托尔曼发现，强化学习在解释智力方面并不令人满意，并提出了学习和行为之间的明确区别。托尔曼关于潜在学习和认知地图的想法最终导致了现在所知的概念空间，概念和想法可以形成点或形状的几何表示。想法之间的主动导航-推理-可以直接表达为概念空间中的目的导航。从现代神经科学中吸收概念空间理论，我们提出自主导航作为一种有效的方法，模拟认知。然而，在高维欧氏空间中实现自主导航在技术上并不简单。在这项工作中，我们探讨了neoRL导航是否适合这项任务;采用Kaelbling对高效机器人导航的关注，我们测试了neoRL方法是否在导航方式中通用，在经验考虑中组合，以及在多个欧几里德维度学习时是否有效。我们发现neoRL学习比AI中的RL更符合生物学习，并提出概念空间的neoRL导航作为模拟认知的一条可行的新途径。
2022-02-19 cs.AI cs.RO cs.SY
Learning Conceptual Space Representations of Interrelated Concepts
CRIL CNRS & Univ Artois（CRIL 法国国家科学研究中心与法国亚眠大学）；Cardiff University（卡迪夫大学）
最近提出的几种方法旨在从大型文本集合中学习概念空间表示。这些习得的表征将来自给定感兴趣域的每个对象与高维欧几里得空间中的点相关联，但它们不对来自该域的概念进行建模，因此不能直接用于分类和相关的认知任务。一个自然的解决方案是将概念表示为高斯，从其实例的表示中学习，但这只有在给定足够多的实例时才能可靠地做到，而情况往往并非如此。在本文中，我们介绍了一个贝叶斯模型，它解决了这个问题，通过构建信息先验的背景知识的概念是如何相互关联的利益。我们表明，这导致更好的预测，在知识库完成任务。
2018-05-04 cs.AI
Space of Reasons and Mathematical Model
推理关系支配着我们对概念的使用。为了理解一个概念，它必须位于一个空间的含义。陈述有不同种类的条件，也就是说，条件代表不同种类的解释，例如因果解释或概念解释。关键问题是：语言使用的制约性如何表现。讨论了模型表示的概念背景，并提出了如何在神经网络模型中表示命题逻辑和概念确定的含义。
2020-07-06 cs.AI
Conceptual Spaces for Cognitive Architectures: A Lingua Franca for Different Levels of Representation
ICAR-CNR（意大利国家研究委员会计算与信息网络研究所）；University of Turin（都灵大学）；National Research Nuclear University, MEPhI（国立核能研究大学（莫斯科工程物理学院））；University of Palermo（巴勒莫大学）；University of Genoa（热那亚大学）
在过去的几十年中，许多认知架构（CA）已经实现了采用不同的假设的组织和表示他们的知识水平。其中一些（例如SOAR [Laird（2012）]）采用经典的符号方法，一些（例如LEABRA [O'Reilly and Munakata（2000）]）基于纯粹的联结主义模型，而另一些（例如EQUIPION [Sun（2006）]）采用结合联结主义和符号表征水平的混合方法。此外，一些尝试（例如biSOAR）试图通过集成数学表示和推理来扩展CA的表示能力也是可用的[Kurup和Anglasekaran（2007）]。在本文中，我们提出了一个反思的作用，概念空间，一个框架开发的彼得G阿登福斯[Grdenfors（2000）]，可以在当前的认知系统和架构的知识水平的发展中发挥作用。特别是，我们声称，概念空间提供了一种通用语言，允许统一和概括的符号，子符号和图解方法的许多方面（通过克服他们的一些典型问题），并将它们整合在一个共同的基础上。在这样做，我们扩展和详细的一些参数探讨G阿登福斯[Grdenfors（1997）]为捍卫一个概念的需要，中间，象征性和亚象征性之间的代表性水平。
2017-01-02 cs.AI
Navigating Ideation Space: Decomposed Conceptual Representations for Positioning Scientific Ideas
Virginia Tech（弗吉尼亚理工大学）；University of California, Davis（加州大学戴维斯分校）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
本文提出构想空间，通过分解科学知识的三个维度，实现科学思想的定位与评估，提升文献检索和创新性判断的效率与准确性。
2026-10-27 cs.AI cs.CL cs.IR
Conceptual Game Expansion
University of Alberta（阿尔伯塔大学）；Georgia Institute of Technology（佐治亚理工学院）
自动游戏设计是通过计算过程自动生成游戏的问题。传统上，这些方法依赖于设计者对搜索空间的创作，为系统创作定义所有可能游戏的空间。在本文中，我们从游戏视频中学习现有游戏的表示，并使用这些来近似新颖游戏的搜索空间。在一项人类受试者研究中，我们证明了这些新颖的游戏在挑战性方面与人类游戏没有区别，并且其中一个新颖的游戏在乐趣，挫折和可爱性方面与人类游戏相当。
2021-02-19 cs.AI
Mapping Images to Psychological Similarity Spaces Using Neural Networks
Institute of Cognitive Science, Osnabrück University（奥斯纳布吕克大学认知科学研究所）；Open University of Cyprus（塞浦路斯开放大学）
概念空间的认知框架通过提出一个中间概念层来弥合符号和子符号AI之间的差距，在这个中间概念层中，知识被几何表示。有两种主要的方法来获得这个概念相似性空间的维度：使用心理学实验的相似性评级和使用机器学习技术。在本文中，我们提出了一种结合这两种方法，通过使用心理学推导的相似性评级来约束机器学习过程。通过这种方式，可以学习从刺激到概念空间的映射，这既得到心理数据的支持，又允许对看不见的刺激进行概括。第一次可行性研究的结果支持我们提出的方法。
2019-08-07 cs.AI cs.LG stat.ML
Structure & Quality: Conceptual and Formal Foundations for the Mind-Body Problem
本文提出用结构与性质的关系取代心物二分来研究意识困难问题，通过信息论测度和Q-S空间建立五重分类框架，并考察其对功能主义、涌现论、泛心论等本体论争论的启示。
2025-04-23 cs.AI q-bio.NC
Conceptual structure coheres in human cognition but not in large language models
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Albany State University（奥尔巴尼州立大学）
本研究通过认知心理学方法比较人类与大语言模型的概念结构，发现人类概念结构跨文化、语言和方法稳健一致，而大语言模型的概念结构因任务而异，内部一致性较低，揭示了当代机器语言的局限性。
2023-11-10 cs.AI cs.CL cs.LG
Separating Topology and Geometry in Space Planning
University of Cambridge（剑桥大学）；Ecole Centrale Paris（巴黎中央理工学院）
我们在这里处理的是空间布局规划的问题。我们提出了一个建筑概念CAD方法。从空间约束的设计规范开始，一个特定的枚举算法导致一套完整的一致的概念设计解决方案，称为拓扑解决方案。这些拓扑解决方案不假定任何精确的确定尺寸，对应于建筑师在建筑初步设计阶段根据设计规范进行的草图步骤。
2013-03-16 cs.AI physics.med-ph
