The highly influential framework of conceptual spaces provides a geometric way of representing knowledge. It aims at bridging the gap between symbolic and subsymbolic processing. Instances are represented by points in a high-dimensional space and concepts are represented by convex regions in this space. In this paper, we present our approach towards grounding the dimensions of a conceptual space in latent spaces learned by an InfoGAN from unlabeled data.
Generating by Understanding: Neural Visual Generation with Logical Symbol Groundings
State Key Laboratory of CAD&CG（CAD与CG国家重点实验室）；National Key Laboratory for Novel Software Technology（新型软件技术国家实验室）；Department of Computer and Information Science（计算机与信息科学系）
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Massachusetts Institute of Technology（麻省理工学院）；Shanghai Jiao Tong University（上海交通大学）；MIT（麻省理工学院）；UMass Amherst（马萨诸塞大学阿默斯特分校）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
KG-TRACE: A Neuro-Symbolic Framework for Mechanistic Grounding in Antimicrobial Resistance Prediction
National Institute of Technology Kurukshetra（国立库鲁克舍特拉理工学院）；Indian Institute of Information Technology Manipur（印度曼尼普尔信息技术学院）；Purdue University（普渡大学）；Indian Institute of Technology Indore（印度印多尔理工学院）
Unsupervised Grounding of Plannable First-Order Logic Representation from Images
IBM Research（IBM研究）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
最近，在强化学习社区中，人们对获取环境的关系结构越来越感兴趣。然而，由此产生的“关系”不是离散的，逻辑谓词兼容的符号推理，如经典的规划或目标识别。与此同时，Latplan（Asai and Fukunaga 2018）弥合了深度学习感知系统和符号经典规划器之间的差距。该系统的一个关键组成部分是一个称为状态自动编码器（SAE）的神经网络，它将基于图像的输入编码为与经典规划兼容的命题表示。为了两全其美，我们提出了一阶状态自动编码器，这是一种无监督的架构，用于为一阶逻辑谓词和事实奠定基础。每个谓词通过获取可解释的参数并返回一个命题值来建模对象之间的关系。在使用8-Puzzle和照片般逼真的Blocksworld环境的实验中，我们表明：（1）所得到的谓词捕获了可解释的关系（例如空间），（2）它们有助于获得环境的紧凑，抽象模型，最后，（3）所得到的模型与符号经典规划兼容。
Revealing emergent human-like conceptual representations from language prediction
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Fudan University（复旦大学）；Institute of Modern Languages and Linguistics（现代语言与语言学研究所）；Shanghai Key Laboratory of Intelligent Information Processing（上海智能信息处理重点实验室）；Research Institute of Intelligent Complex Systems（智能复杂系统研究所）；Institute of Trustworthy Embodied Artificial Intelligence（可信具身人工智能研究所）；State Key Laboratory of Genetics and Development of Complex Phenotypes（复杂表型遗传与发育国家重点实验室）
Symbol Grounding in Neuro-Symbolic AI: A Gentle Introduction to Reasoning Shortcuts
University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Sapienza University of Rome（罗马大学）；University of Edinburgh（爱丁堡大学）；Huawei Labs（华为实验室）
A neural network for modeling human concept formation, understanding and communication
Laboratory of Brain Atlas and Brain-inspired Intelligence（脑图谱与脑启发智能实验室）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Future Technology（未来技术学院）；University of Chinese Academy of Sciences（中国科学院大学）；State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology（脑认知与脑启发智能技术国家重点实验室）；School of Psychological and Cognitive Sciences & Beijing Key Laboratory of Behavior and Mental Health（心理学与认知科学学院及北京行为与心理健康重点实验室）；IDG/McGovern Institute for Brain Research（IDG/麦戈文脑科学研究院）；Institute for Artificial Intelligence（人工智能研究所）；Key Laboratory of Machine Perception (Ministry of Education)（机器感知重点实验室）
Towards Stable Symbol Grounding with Zero-Suppressed State AutoEncoder
IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
虽然经典规划一直是人工智能的一个活跃分支，但其适用性仅限于人类精确建模的任务。完全自动化的高级代理应该能够在没有监督的情况下找到未知环境的符号表示，否则它会表现出知识获取瓶颈。与此同时，Latplan（Asai and Fukunaga 2018）通过称为状态自动编码器（SAE）的神经网络部分解决了瓶颈。SAE通过无监督学习获得基于图像的谜题域的命题表示，生成状态空间并执行经典规划。在本文中，我们确定的问题，随机行为的SAE产生的命题作为一个新的子问题的符号接地问题，符号稳定性问题。非正式地说，符号是稳定的，当它们的引用（例如命题值）不改变对小扰动的观察，和不稳定的符号是有害的符号推理。我们分析了在Latplan的问题，正式和经验，并提出了“零抑制SAE”，一个增强，稳定的命题使用封闭世界假设的想法作为前NN优化。我们发现，它发现更稳定的命题和更紧凑的表示，从而提高了Latplan的成功率。它对各种超参数具有鲁棒性，并且简化了调优工作，并且还提供了权重修剪功能作为副作用。
Visual Grounding Helps Learn Word Meanings in Low-Data Regimes
McGovern Institute for Brain Research, MIT（麻省理工学院麦戈文脑科学研究所）；Department of Brain and Cognitive Sciences, MIT（麻省理工学院脑与认知科学系）；The Program in Speech and Hearing Bioscience and Technology, Harvard University（哈佛大学言语与听力生物科学与技术项目）；Computer Science and Artificial Intelligence Laboratory, MIT（麻省理工学院计算机科学与人工智能实验室）
