Formal context reduction in deriving concept hierarchies from corpora using adaptive evolutionary clustering algorithm star
Sulaimani Polytechnic University（苏莱曼尼理工大学）；Kurdistan Institution for Strategic Studies and Scientific Research（库尔德斯坦战略研究与科学研究机构）；University of Kurdistan Hewler（库尔德斯坦赫勒大学）；Torrens University（托伦斯大学）；Yonsei University（延世大学）
自动化从语料库导出概念层次结构的过程是有益的，因为概念层次结构的手动构造通常是耗时且资源密集的过程。因此，从语料库中学习概念层次结构的整个过程包括一系列步骤：将文本解析成句子，将句子拆分，然后将其标记化。在lemmatization步骤之后，使用FCA提取对。然而，在正式语境中可能会有一些无趣的和错误的对。生成形式背景可能会导致一个耗时的过程，因此需要减少形式背景的大小，以删除不感兴趣和错误的对，从而花费更少的时间来提取概念格和概念层次。在此前提下，本研究的目的是提出两个框架：（1）一个框架，以审查目前的过程中派生的概念层次从语料库使用FCA;（2）框架，以减少形式背景歧义的第一个框架，使用自适应版本的ECA*。在这两个框架上，使用维基百科的385个样本语料进行实验，研究了形式背景的缩减，得到了概念格和概念层次。使用概念格不变量将所得到的形式背景格评估为标准格。相应地，这两个格之间的同态保持了89%的质量，从而产生的概念层次结构的基本的，和减少的概念格继承了标准的结构关系。自适应ECA* 检查其对应的四个基线算法，以测量具有不同密度（填充率）的随机数据集上的执行时间。结果表明，自适应ECA* 执行概念格的速度比其他提到的竞争技术在不同的填充率。
2021-07-10 cs.AI cs.CL
Contextualizing Concepts using a Mathematical Generalization of the Quantum Formalism
我们概述了使用状态上下文属性（SCOP）形式主义的基本原理和初步结果，最初是作为量子力学的推广而开发的，用来描述概念被唤起、使用和组合以产生意义的上下文方式。量子形式主义的发展是为了解决在描述（1）测量过程中出现的问题，以及（2）当粒子纠缠时产生具有新性质的新状态。在概念中出现的类似问题促使我们在这里进行正式的处理。概念不被视为固定的表征，而是存在于潜在状态中的实体，需要与上下文（刺激或另一个概念）进行交互，以“折叠”为实例化形式（例如范例，原型或其他可能的想象实例）。刺激情境在物理学中扮演着测量的角色，它作为一种语境，导致认知状态从叠加态到坍塌态的转变。与分析思维相比，崩溃状态更可能由联想思维的概念连接组成，因为更多的刺激或概念属性参与了崩溃。我们提供了概念距离的两个上下文测量-一个使用崩溃概率，另一个使用加权属性-并展示了如何将它们应用于使用宠物鱼问题的连接词
2004-08-06 cs.AI q-bio.NC quant-ph
Mask & Focus: Conversation Modelling by Learning Concepts
IBM Research（IBM研究院）
序列到序列模型试图捕捉输入和输出序列中所有单词之间的相关性。虽然这对于单词之间的相关性确实非常强的机器翻译非常有用，但对于相关性通常处于非常抽象的级别的会话建模来说，这就成了问题。相比之下，人类倾向于专注于对话上下文中讨论的基本概念，并相应地生成响应。在本文中，我们试图模仿这种反应生成机制，通过学习的背景下的基本概念和响应在一个无监督的方式。所提出的模型，称为面具\焦点映射输入上下文的概念序列，然后用于生成响应概念。上下文和响应概念一起生成最终响应。为了从训练数据中自动学习上下文概念，我们在输入中加入\emph{mask}词，观察掩蔽对反应生成的影响。我们训练我们的模型来学习那些相对于上下文概念具有高互信息的响应概念，从而引导模型对上下文概念进行\emph{focus}。Mask \& Focus在几个既定的对话指标中实现了对现有基线的显着改进。
2020-02-11 cs.AI cs.CL cs.LG
Contextualizing concepts using a mathematical generalization of the quantum formalism
我们概述了使用状态上下文属性（SCOP）的形式主义，最初作为量子力学的推广，描述的上下文方式，概念被唤起，使用和组合，以产生意义的基本原理和初步结果。量子形式主义的发展是为了解决在描述（i）测量过程中出现的问题，以及（ii）当粒子纠缠时产生具有新性质的新状态。在概念中出现的类似问题促使我们在这里进行正式的处理。概念不被视为固定的表征，而是存在于潜在状态中的实体，需要与上下文（刺激或另一个概念）进行交互，以“折叠”到实例化形式（例如，范例，原型或其他可能的想象实例）。刺激情境在物理学中扮演着测量的角色，它作为一种语境，导致认知状态从叠加态到坍塌态的转变。与分析思维相比，崩溃状态更可能由联想思维的概念连接组成，因为更多的刺激或概念属性参与了崩溃。我们提供了两个上下文的概念距离的措施，一个使用崩溃概率和其他加权属性，并显示它们如何可以应用到连接使用宠物鱼问题。
2013-11-01 cs.AI q-bio.NC quant-ph
Language Models Represent and Transform Concepts with Shared Geometry
研究神经网络中概念表示问题，将概念表示形式化为点云流形、上下文转换为向量场，在大语言模型中实例化该框架，发现模型共享概念表示及上下文转换的通用几何结构。
2026-07-07 cs.AI cs.CL
In-Context Adaptation to Concept Drift for Learned Database Operations
Beijing Institute of Technology（北京理工大学）；National University of Singapore（新加坡国立大学）；Shanghai Jiao Tong University（上海交通大学）；Zhejiang University（浙江大学）
针对数据库学习模型面临概念漂移导致性能下降的问题，提出在线自适应框架FLAIR，通过上下文自适应新范式利用即时结果构建动态上下文，实现快速适应，实验表明适应速度提升5.2倍，误差降低22.5%。
2025-05-22 cs.AI cs.DB
Concept-aware Data Construction Improves In-context Learning of Language Models
Faculty of Informatics Masaryk University（马萨里克大学信息学院）
本文提出概念感知训练框架CoAT，通过构建依赖概念的训练场景提升语言模型从演示中学习类比推理概念的能力，使小规模预训练模型在多数新任务上超越指令微调，性能媲美使用数量级更多数据的上下文学习模型。
2024-06-28 cs.AI cs.CL
Can In-context Learners Learn a Reasoning Concept from Demonstrations?
Masaryk University（马萨里克大学）
针对随机少样本评估无法区分模型预训练偏差与真实上下文学习能力的问题，提出概念共享少样本学习方法，发现多数上下文学习器无法从概念示例中持续获益，仅T0模型表现更敏感。
2023-07-19 cs.AI cs.CL cs.LG
Adding Context to Concept Trees
Distributed Computing Systems（分布式计算系统）
概念树是用于存储知识的结构，其中树存储在称为概念库的数据库中。它位于高度分布式的神经体系结构和分布式信息系统之间，旨在将类脑系统和计算机系统更紧密地联系在一起。当概念序列一致时，概念树可以从半结构化源中生长出来。理想情况下，每棵树都代表一个单一的内聚概念，并且这些树可以出于导航和语义的目的相互链接。因此，树也是一种语义网络，并且将受益于每个节点具有一致的上下文级别。一致的构建过程是通过“计数规则”和其他一些可以规范数据库结构的规则来管理的。然后，这种受限的结构可以通过更动态的上下文来补充和丰富。还建议使用licas系统[15]的链接结构作为上下文链接的基础，其中数学模型被进一步扩展以定义它。一些测试已经证明了该体系结构的可靠性。从文本文档构建树表明，树结构可能是自然语言固有的。然后，描述了两种类型的查询语言。这两个都可以执行一致的查询过程，以将知识返回给用户，甚至用新知识增强查询。这是支持甚至进一步与直接比较的认知模型，也正在开发的作者。
2020-01-17 cs.AI
Concept and Attribute Reduction Based on Rectangle Theory of Formal Concept
Anhui University of Technology（安徽工业大学）；Sun Yat-sen University（中山大学）
基于形式概念的矩形理论和集合覆盖理论，研究了保持二元关系的概念约简问题。形式概念有三种类型：核心概念、相对必要概念和非必要概念。首先，我们给出了相对必要概念和非必要概念的新的判定结果。其次，我们得到了相对必要概念的最大数目和不必要概念的最大数目的界，这是一个困难的问题，无论是在保持二元关系的概念约简或决策形式背景的属性约简，形式概念的形式背景的计算是一个具有挑战性的问题。第三，基于形式概念的矩形理论，利用扩展位数组技术，提出了一种保持形式概念扩展的属性约简快速算法，该算法允许用一个32位或64位的操作符处理多个上下文单元。从技术上讲，新算法可以将概念的形式上下文和外延存储为位数组，并且可以使用位操作来处理集合操作“或”以及“与”。该算法的另一个优点是不需要考虑概念格中的其他概念，因此算法易于理解，速度快。实验结果表明，该算法在属性约简计算中是有效的。
2021-10-29 cs.AI cs.CR
Formal Concept Analysis and Resolution in Algebraic Domains
我们涉及两个以前独立的领域：形式概念分析和逻辑领域。我们将建立一个上下文属性逻辑之间的对应关系的形式背景。概念格和一个子句逻辑上的连贯代数CPOS。我们展示了如何识别域理论设置中的形式概念的概念。特别是，我们表明，从域逻辑的决议规则的一个特殊的例子与概念闭包算子从形式概念分析。结果揭示了使用上下文和域的知识表示和推理的目的。
2003-05-01 cs.AI cs.LO
Tacit knowledge mining algorithm based on linguistic truth-valued concept lattice
North China University of Water Resources and Electric Power（华北水利水电大学）；Southwest Jiaotong University（西南交通大学）
本文是我们关于语言真值概念格研究工作的继续。为了给隐性知识的挖掘提供一个数学工具，建立了一个6元语言真值概念格的具体模型，并通过结构一致性给出了一个挖掘算法。具体而言，我们利用属性来刻画知识，提出了六元语言真值属性扩展语境和同类语境来刻画隐性知识，并研究了隐性知识形成的充要条件。分别给出了语言真值同类上下文的生成算法和语言真值概念格的构造算法。
2012-01-15 cs.AI
Context and Interference Effects in the Combinations of Natural Concepts
Center Leo Apostel for Interdisciplinary Studies, Brussels Free University（布鲁塞尔自由大学利奥·阿波斯泰尔跨学科研究中心）；KASK and Conservatory（KASK艺术学院与音乐学院）；Laboratorio di Autoricerca di Base（基础自主研究实验室）；School of Management and IQSCS, University of Leicester（莱斯特大学管理学院与IQSCS）
量子理论的数学形式主义在应用于抵制传统（集合论）建模的认知现象时表现出显着的有效性。依靠对微观物理和概念实体的操作基础的十年研究，我们提出了一个使用量子形式主义的概念及其合取和析取表示的理论框架。这个框架提供了一个统一的解决方案的“概念组合问题”的认知心理学，解释观察到的偏离经典（布尔，模糊集和Kolmogorovian）结构方面的真正的量子效应。特别是，自然的概念“干扰”，当他们结合起来，形成更复杂的概念实体，他们也表现出“量子型上下文依赖性”，这是负责的“过度和不足的扩展”，系统地观察到的实验成员判断。
2016-12-19 cs.AI quant-ph
Semantic Context-aware mOdality fUsion Transformer (SCOUT): A Context-Aware Multimodal Transformer for Concept-Grounded Pathology Report Generation
Stony Brook University（石桥大学）
SCOUT通过整合局部组织学模式、整张滑片上下文和专家编纂的语义描述符，实现病理报告生成的语义上下文感知，提升临床相关性和可解释性。
2026-09-09 cs.AI cs.CV
Conceptual In-Context Learning and Chain of Concepts: Solving Complex Conceptual Problems Using Large Language Models
Siemens AG（西门子公司）；Technical University of Munich（慕尼黑工业大学）
针对大型语言模型在解决科学与工程等复杂概念问题时缺乏特定概念信息（CI）的局限，提出两种浅层定制算法C-ICL和CoC，有效增强了模型能力，显著提升了响应正确性并降低了幻觉。
2024-12-19 cs.AI cs.CL
Artificial Cognitively-inspired Generation of the Notion of Topological Group in the Context of Artificial Mathematical Intelligence
Institución Universitaria Pascual Bravo（帕斯夸尔·布拉沃大学学院）；Visión Real Cognitiva S. A. S.（真实认知视觉公司）；Vienna University of Technology（维也纳技术大学）
概念计算这一新的计算范式已被引入到人工数学智能的研究计划中。我们为拓扑群的基本数学概念提供了明确的人工生成（或概念计算）。具体来说，我们开始与两个基本概念属于拓扑和抽象代数，我们描述递归形式规范的通用代数规约语言（CASL）。概念空间之间的概念融合的概念可以在异构工具集（HETS）中具体化。拓扑群的基本概念是通过基于概念融合和概念识别的三种不同的人工规范明确产生的，从连续函数和数学群的概念开始（用最小集合论条件描述）。这构成了人工数学智能第三支柱的额外启发式证据。
2021-12-05 cs.AI
Fundamentals of Semantic Numeration Systems. Can the Context be Calculated?
这项工作是第一次提出的概念，语义计算系统（SNS）作为一类基于上下文的计算方法。SNS概念的发展需要引入基本的新概念，如基本抽象实体，基本语义运算符，基本抽象对象，计数空间。主要关注的是语义数词系统的关键元素-基数语义算子。给出了语义数词系统的分类。
2021-06-07 cs.AI cs.LO
SNOMED CT Concept Recommendation from Masked Clinical Context
University of North Carolina Greensboro（北卡罗来纳大学格林斯伯勒分校）
针对临床概念推荐中罕见概念难题，基于掩码上下文基准，对比多种方法，发现稀疏TF-IDF最优，且概念频率显著影响性能，为低资源场景提供可复现基线。
2026-09-17 cs.AI
Toward Robust In-Context Segmentation via Concept Guidance
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室）
提出概念引导的上下文分割（CG-ICS），通过提取参考图像的高层语义概念而非仅依赖低层视觉匹配，结合文本概念与视觉示例，显著提升分割准确性和鲁棒性。
2026-07-17 cs.AI cs.CV
Fair In-Context Learning via Latent Concept Variables
University of Arkansas（亚拉巴马大学）；Baylor University（贝勒大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对LLMs在表格数据上下文学习中的固有偏见问题，提出利用潜在概念变量的最优演示选择方法，通过数据增强降低预测与敏感变量的相关性，经内部LLM学习概念并泛化至外部LLMs，提升了表格数据集上的公平性结果。
2025-11-14 cs.AI cs.CL cs.LG
Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking
Case Western Reserve University（凯斯西储大学）；Center for Artificial Intelligence in Drug Discovery（药物发现人工智能中心）
本研究提出一种利用大型语言模型上下文学习能力的两阶段检索与重排序框架用于生物医学概念链接，在BC5CDR等数据集上表现优异，显著提升了F1分数。
2023-07-03 cs.AI cs.CL
A Modal Logic for Possibilistic Reasoning with Fuzzy Formal Contexts
Institute of Information Science, Academia Sinica（学术院信息科学研究所）
本文提出了一种用于模糊形式背景的可能性推理的双类型加权模态逻辑，实现了对模糊概念的扩展，并展示了逻辑的表达能力和扩展可能性。
2025-12-31 cs.AI cs.LO
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
Concept-aware Training Improves In-context Learning Ability of Language Models
Masaryk University（马萨里克大学）
本文提出概念感知训练（CoAT）方法，通过构建促使语言模型捕获类比推理概念的训练场景，使其仅用单一任务的两个数据集即可媲美在1600+任务上训练的更大模型，显著提升上下文学习能力。
2023-05-23 cs.AI cs.CL
Concept Extrapolation: A Conceptual Primer
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）；Aligned AI（Aligned人工智能公司）
本文介绍概念外推，即安全地将概念从特定情境推广到一般情境，以解决模型分裂问题，并论证其对人工智能对齐的必要性。
2023-06-19 cs.AI
CB-Agent: Concept-Based In-Context Learning for Sequential Action Selection
本研究提出CB-Agent，将基于概念的上下文学习扩展至序列动作选择，在TextWorld等三个基准测试中，其在各模型规模下均取得最优跨基准平均性能，且与Reflexion结合可进一步提升表现。
2026-10-14 cs.AI cs.LG
A Data-to-Product Multimodal Conceptual Framework to Achieve Automated Software Evolution for Context-rich Intelligent Applications
Charleston Southern University（查尔斯顿南方大学）
针对上下文丰富智能应用，提出一个从数据到产品的多模态概念框架，并开发3S模型以促进自动化软件演进，为实践提供指南。
2024-10-09 cs.AI cs.SE
Improving Scientific Document Retrieval with Academic Concept Index
Korea University Seoul South Korea；University of Illinois Urbana-Champaign Champaign United States；Texas A\&M University College Station United States；Yonsei University Seoul South Korea；Pohang University of Science；Korea University；University of Illinois Urbana-Champaign；Texas A\&M University；Yonsei University
针对通用检索器在科学领域因词汇和需求不匹配而表现不佳的问题，提出基于学术概念索引的方法，通过概念覆盖查询生成和概念聚焦上下文扩展，提升查询质量和检索性能。
2026-06-18 cs.AI cs.IR
Concept Combination and the Origins of Complex Cognition
University of British Columbia（不列颠哥伦比亚大学）；Queensland University of Technology（昆士兰科技大学）
我们人类独特的认知能力的核心是从不同角度看待事物的能力，或者将它们置于新的背景中。我们认为，这是可能的两个认知转变。首先，直立人的大大脑促进了递归回忆的开始：将想法串成一串潜在的抽象或想象的想法的能力。这一假设得到了一组计算模型的支持，在这些模型中，一个人工社会的代理人在递归回忆的条件下进化出了更多样化和更有价值的文化输出。我们认为，在背景中看待事物的能力出现得更晚，在解剖学上的现代人类出现之后。第二个转变是由语境焦点的出现带来的：在最低语境分析思维模式和高度语境联想思维模式之间转换的能力，有助于以新的方式组合概念和“打破常规”。当上下文焦点在艺术生成计算机程序中实现时，所产生的艺术作品被视为更具创造性和吸引力。我们总结了这两个过渡可以建模使用的概念理论，突出的方式，不同的背景下，可以导致现代人归因于非常不同的意义，一个概念的解释。
2019-07-09 cs.AI q-bio.NC
Improving ARDS Diagnosis Through Context-Aware Concept Bottleneck Models
Imperial College London（帝国理工学院伦敦校区）
针对临床数据集标签缺失与AI模型可解释性受限的问题，本研究提出利用大型语言模型处理临床笔记生成额外概念，构建上下文感知的概念瓶颈模型，有效提升了ARDS识别性能并降低了信息泄漏风险。
2025-08-13 cs.AI cs.LG
Ontology Learning Using Formal Concept Analysis and WordNet
UNIVERSITY OF SOUTHAMPTON（南安普顿大学）；Faculty of Physical Science and Engineering（物理科学与工程学院）；School of Electronics and Computer Science（电子与计算机科学学院）
本文提出基于形式概念分析和WordNet的框架，从自由文本中学习概念层次结构，通过词性标注、解析和过滤构建形式背景，并测试基于WordNet和频率的方法缩减背景以加速概念格导出，实验证明该方法具有前景。
2023-11-10 cs.AI cs.CL
Uncovering Implicit Bias in Large Language Models with Concept Learning Dataset
UPLB（菲律宾大学）
本文通过概念学习数据集揭示大型语言模型在量化词上的隐性偏见，并展示上下文概念学习在发现隐藏偏见中的有效性。
2025-11-26 cs.AI cs.CL
Stepwise functional refoundation of relational concept analysis
本文对关系概念分析（RCA）进行功能重构，将可接受解定义为良构、饱和且自支持的上下文-格对族，证明其为扩张与收缩函数的共同不动点，并指出RCA返回最小解，同时可构造最大解。
2025-07-09 cs.AI
A New Algorithm based on Extent Bit-array for Computing Formal Concepts
Anhui University of Technology（安徽工业大学）；Sun Yat-sen University（中山大学）
形式概念分析（FCA）作为一种数据分析技术的出现，增加了开发能够快速计算形式概念的算法的需求。当前用于FCA的有效算法是Close-By-One（CbO）算法的变体，诸如In-Close 2、In-Close 3和In-Close 4，它们都基于上下文的水平存储。本文在In-Close 4算法的基础上，提出了一种基于上下文垂直存储的新算法In-Close 5，该算法能够显著降低In-Close 4算法的时间复杂度和空间复杂度。从技术上讲，新算法将概念的上下文和范围存储为垂直位数组，而在In-Close 4算法中，上下文仅存储为水平位数组，这在查找两个范围集的交集时非常慢。实验结果表明，该算法比In-Close 4算法更有效，并且在形式概念计算中具有更广泛的适用范围，可以解决In-Close 4算法无法解决的问题。
2021-10-29 cs.AI cs.CR cs.DS
Relevant Attributes in Formal Contexts
University of Kassel（卡塞尔大学）；Interdisciplinary Research Center for Information System Design（信息系统设计跨学科研究中心）
计算概念结构，如形式概念格，是在海量数据集的时代一个具有挑战性的任务。有各种方法来处理这个问题，例如，随机抽样、并行化或属性提取。在形式概念分析领域中，一种迄今为止尚未研究的方法是属性选择，如在机器学习中所做的那样。在此基础上，我们介绍了一种方法，在形式背景下的属性选择。为此，我们提出了相关属性的概念，使我们能够定义一个相对相关性函数，反映了概念格的顺序结构以及对象的分布在it.Finally，我们克服了计算的挑战，通过一个近似的方法，基于信息熵的相对相关性计算。
2018-12-20 cs.AI cs.IT cs.LG
A Framework for Causal Concept-based Model Explanations
Norwegian University of Science and Technology（挪威科学技术大学）
本文提出一种因果概念基础的XAI框架，通过生成概念干预的充分概率来提供局部和全局解释，并强调解释语境的一致性以确保忠实性。
2025-12-02 cs.AI
Attribute reduction and rule acquisition of formal decision context based on two new kinds of decision rules
Southwest Jiaotong University（西南交通大学）
本文主要研究基于两类新的决策规则，即I-决策规则和II-决策规则的形式化决策上下文的规则获取和属性约简。这些规则的前提是面向对象的概念，结论分别是形式概念和面向属性的概念。给出了I-决策规则和II-决策规则的规则获取算法。这些算法与现有的算法进行了比较分析，这表明在这项研究中提出的算法表现良好。给出了利用相容性矩阵保持I-决策规则和II-决策规则的属性约简方法。
2021-07-04 cs.AI cs.DM
Context-Aware Concept Distillation for Trustworthy Flood Prediction
School of Computer Science and Engineering, The Hebrew University of Jerusalem（耶路撒冷希伯来大学计算机科学与工程学院）；Institute of Earth Sciences, The Hebrew University of Jerusalem（耶路撒冷希伯来大学地球科学研究所）；Hebrew University Business School, The Hebrew University of Jerusalem（耶路撒冷希伯来大学商学院）
针对深度学习模型‘黑箱’问题阻碍洪水预测信任度的挑战，提出上下文感知概念蒸馏框架CACD，引入无监督管道和残差超网络，经全球多流域评估，该模型高保真且优于黑箱基线，平衡了AI准确性与决策透明度。
2026-07-28 cs.AI cs.LG
Revealing Hidden Context Bias in Segmentation and Object Detection through Concept-specific Explanations
Fraunhofer Heinrich-Hertz-Institute（弗劳恩霍夫海因里希·赫兹研究所）；Technische Universität Berlin（柏林工业大学）；Berlin Institute for the Foundations of Learning and Data（柏林学习与数据基础研究所）
将传统的事后归因方法应用于分割或目标检测预测器仅提供有限的见解，因为在输入级获得的特征归因图通常类似于模型的预测分割掩模或限界框。在这项工作中，我们解决了需要更多的信息解释这些预测提出的事后eXplainable人工智能方法L-CRP生成的解释，自动识别和可视化相关的概念学习，识别和使用的模型在推理过程中，以及精确地定位它们在输入空间。因此，我们的方法超越了奇异输入级属性图，并且作为基于最近发布的概念相关传播技术的方法，有效地适用于分割和目标检测中最先进的黑盒架构，例如DeepLabV 3+和YOLOv 6等。我们通过定量比较不同的概念属性方法来验证我们提出的技术的可信度，并讨论了对CityScapes，Pascal VOC和MS COCO 2017等流行数据集的解释复杂度的影响。精确定位和传达概念的能力用于揭示和验证背景特征的使用，从而突出模型可能的偏差。
2022-11-21 cs.AI cs.CV cs.LG
An Agentic Model Context Protocol Framework for Medical Concept Standardization
McWilliams School of Biomedical Informatics, The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心麦戈文生物医学信息学院）；Mayo Clinic（梅奥诊所）
针对OMOP CDM医学术语映射资源消耗大、易出错及LLM幻觉问题，提出基于MCP的零训练防幻觉映射系统，实现可解释映射，提升效率准确性，支持实时查询与结构化输出，可用于探索及生产环境。
2025-09-04 cs.AI
Artificial Intelligence Algorithms for Natural Language Processing and the Semantic Web Ontology Learning
Sulaimani Polytechnic University（苏莱曼尼亚理工大学）；University of Southampton（南安普顿大学）
进化聚类算法被认为是最流行和最广泛使用的进化算法，在几乎所有领域的最小优化和实际问题。本文提出了一种新的进化聚类算法星型（ECA *）。此外，进行了一些实验，以评估ECA * 对五个国家的最先进的方法。为此，使用32个异构和多特征数据集，使用内部和外部聚类措施来检查其性能，并以操作框架的形式测量其性能对数据集特征的敏感性。结果表明，ECA * 克服了它的竞争技术方面的能力，找到正确的集群。基于其优越的性能，开发和适应ECA * 的本体学习具有重要的可能性。在从语料库中提取概念层次的过程中，形式背景的生成是一个非常耗时的过程。因此，形式上下文大小的减少导致去除不感兴趣的和错误的对，从而花费更少的时间来提取概念格和概念层次。在这一前提下，这项工作的目的是提出一个框架，以减少模糊的正式背景下，现有的框架，使用自适应版本的ECA *。在这两个框架下，使用维基百科的385个样本语料进行实验，研究了形式背景规模的减少，从而产生概念格和概念层次。使用概念格不变量对所得到的形式背景格进行评估。相应地，这两个格之间的同态保持了89%的质量，从而产生的概念层次结构的基本的，和减少的概念格继承了原来的结构关系。
2021-08-31 cs.AI
XCoOp: Explainable Prompt Learning for Computer-Aided Diagnosis via Concept-guided Context Optimization
Hong Kong University of Science and Technology（香港科技大学）
提出XCoOp框架，通过概念引导的上下文优化，将图像、可学习提示与临床概念对齐，实现可解释的提示学习，在提升诊断性能的同时提供视觉和文本解释，满足医疗XAI需求。
2024-03-14 cs.AI cs.CV
Context-aware Captions from Context-agnostic Supervision
Virginia Tech（弗吉尼亚理工大学）；Google（谷歌）；Georgia Institute of Technology（佐治亚理工学院）
我们引入了一种推理技术，仅使用通用上下文无关的训练数据（描述概念或图像隔离的标题）来产生有区别的上下文感知图像标题（描述图像或视觉概念之间差异的标题）。例如，给定“暹罗猫”和“老虎猫”的图像和标题，我们生成描述“暹罗猫”的语言，以将其与“老虎猫”区分开来。我们的主要新颖之处在于，我们展示了如何在一个语言模型上进行联合推理，该模型是上下文不可知的，并且是一个区分密切相关概念的监听器。我们首先将我们的技术应用于合理化任务，即描述为什么图像包含特定的细粒度类别，而不是CUB-200-2011数据集的另一个密切相关的类别。然后，我们研究歧视性的图像描述生成的语言，唯一地指的是两个语义相似的图像中的COCO数据集。具有歧视性的理由和人类研究的歧视性图像描述的地面真相的评估表明，我们的方法优于基线生成和说话者-听众的方法进行歧视。
2017-07-31 cs.AI cs.CV
Systematic Evaluation of Long-Context LLMs on Financial Concepts
JPMorgan Chase & Co.（摩根大通公司）
本研究评估了GPT-4系列长上下文LLMs在金融新闻任务中的表现，发现其在长上下文下性能急剧下降并出现指令遵循失败，呼吁采用更严格的整体指标进行评估。
2024-12-19 cs.AI cs.CL
ConceptSeg-R1: Segment Any Concept via Meta-Reinforcement Learning
Dalian University of Technology（大连理工大学）；X3000 Inspection Co., Ltd（X3000检测有限公司）；Nanyang Technological University（南洋理工大学）；Yale University（耶鲁大学）；Northwestern Polytechnical University（西北工业大学）；Hunan University（湖南大学）
本文提出ConceptSeg-R1框架，通过元强化学习机制学习可迁移的任务规则，结合轻量级概念翻译模块实现概念分割，并在多个领域基准上验证了其在概念层次上的强性能。
2026-05-19 cs.AI cs.CV
Measuring Conceptual Entanglement in Collections of Documents
Brussels Free University (VUB)（布鲁塞尔自由大学（VUB））；University of British Columbia（不列颠哥伦比亚大学）；Tianjin University（天津大学）
概念纠缠是量子认知中的一个重要现象，因为它意味着经典概率不能模拟非组成的概念现象。虽然已经开发了一些心理实验来测试概念纠缠，但这还没有在自然语言处理的背景下进行探索。在本文中，我们应用的假设，一个文件的话是一个人在写的文件时，在脑海中的概念的痕迹。因此，如果这些概念是纠缠在一起的，我们应该能够在文件中观察到它们纠缠在一起的痕迹。特别是，我们测试的概念纠缠对比语言模拟与文本语料库中获得的结果。我们的分析表明，概念的纠缠是密切相关的语言结构的方式。我们讨论了概念建模和自然语言处理的背景下，这一发现的影响。
2019-09-20 cs.AI cs.CL quant-ph
Mixed-Initiative Context: Structuring and Managing Context for Human-AI Collaboration
George Mason University（乔治梅森大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；City University of Hong Kong（香港城市大学）
本文提出混合发起式上下文，通过结构化和可操作的交互对象，动态组织协作流程中的上下文，提升人机协作效率与可控性。
2026-04-08 cs.AI cs.HC
Can Large Language Models Follow Concept Annotation Guidelines? A Case Study on Scientific and Financial Domains
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
研究考察LLMs遵循上下文概念指南进行句子标注的能力，发现大模型在反事实上下文表现有限，专有模型能识别无意义指南，且细致微调优于扩大规模。
2024-06-27 cs.AI cs.CL
ICLR: In-Context Learning of Representations
CBS-NTT Program in Physics of Intelligence, Harvard University（哈佛大学物理智能联合项目）；Department of Physics, Harvard University（哈佛大学物理系）；Physics & Informatics Lab, NTT Research Inc.（NTT研究公司物理与信息学实验室）；SEAS, Harvard University（哈佛大学科学与工程学院）；CSE, University of Michigan, Ann Arbor（密歇根大学安娜堡分校计算机科学系）
本文研究LLM能否根据上下文示例改变预训练语义来重组表征，通过图追踪任务发现扩大上下文规模能使表征从预训练语义突然重组为上下文指定结构，揭示了隐式优化过程及解锁新能力的潜力。
2025-05-02 cs.AI cs.CL cs.LG
Provable In-Context Vector Arithmetic via Retrieving Task Concepts
Department of Computer Science, City University of Hong Kong, Hong Kong SAR；Center for Advanced Intelligence Project, RIKEN, Japan；Institute of High Performance Computing (IHPC), Agency for Science, Technology；Research (A STAR), Singapore；Centre for Frontier AI Research (CFAR), Agency for Science, Technology；College of Computing；Data Science, Nanyang Technological University, Singapore；Department of Mathematical Informatics, The University of Tokyo, Japan；School of Mathematics；Statistics, The University of Sydney, Australia
本文提出基于分层概念建模的理论框架，证明非线性残差transformers通过梯度下降和交叉熵损失训练，能利用向量算术执行事实召回ICL任务，并展现强泛化性。
2025-08-13 cs.AI cs.LG
AmbiPun: Generating Humorous Puns with Ambiguous Context
Indian Institute of Technology Bombay（印度理工学院孟买分校）；University of California, Los Angeles（加州大学洛杉矶分校）
在本文中，我们提出了一种简单而有效的方法来生成双关语句子，不需要对现有的双关语进行任何训练。我们的研究方法受到幽默理论的启发，幽默理论认为歧义来自上下文，而不是双关语本身。给定一个双关词的一对定义，我们的模型首先通过一个反向字典产生一个相关概念的列表。然后，我们利用一次性GPT3生成上下文单词，然后生成双关语，将上下文单词从两个概念。人工评估表明，我们的方法成功地生成双关语的时间为52%，表现优于精心制作的基线和国家的最先进的模型的大幅度。
2022-05-04 cs.AI cs.CL cs.LG
On Theoretical Interpretations of Concept-Based In-Context Learning
Institute of Data and Information Tsinghua Shenzhen International Graduate School（数据与信息研究所）
本文提出基于概念的内在学（CB-ICL）的理论分析，解释其有效条件，量化可利用知识，导出相似度度量，并探讨演示大小和嵌入维度影响，实验验证其效用。
2025-10-16 cs.AI cs.CL cs.IT
Latent Concept Disentanglement in Transformer-based Language Models
Purdue University（普渡大学）；University of Southern California（南加州大学）；Google（谷歌）
本研究通过机制可解释性实验，证明Transformer模型在上下文学习中能解耦并利用潜在概念，包括离散概念的逐步组合和数值概念的低维几何表示。
2025-09-26 cs.AI cs.CL cs.LG
VQA-GNN: Reasoning with Multimodal Knowledge via Graph Neural Networks for Visual Question Answering
KDDI Research（KDDI研究所）；Stanford University（斯坦福大学）
提出VQA-GNN模型，通过超级节点连接场景图与概念图并利用多模态GNN进行双向融合与跨模态消息传递，在VCR和GQA任务上显著提升了视觉问答的概念级推理性能。
2023-09-15 cs.AI cs.CL cs.CV
