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
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
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
Communication: Words and Conceptual Systems
Beijing Jiaotong University（北京交通大学）
单词（短语或符号）在人类生活中起着关键作用。词（短语或符号）表示是知识表示和理解的基本问题。一个词（短语或符号）通常代表一个类别的名称。然而，如何表示一个类别使其易于理解一直是一个挑战。本文讨论了范畴的一种新表示，它可以看作是经典集合的推广。为了降低表示复杂度，提出了范畴表示的经济性原则。所提出的范畴表征为分析概念系统、词与词之间的关系、交际、知识、情境等提供了有力的工具。具体地说，对概念系统、词语关系和交际进行了数学定义和分类，如理想概念系统、完美交际等;对词语与句子的关系进行了研究，说明知识就是词语。此外，概念系统和词如何依赖于情况，以及如何定义真理也进行了讨论。
2015-12-04 cs.AI
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University（斯坦福大学）
概率概念网络是一种知识表示方案，用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义，和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次，以支持行动，以保持竞争力的工厂。
2013-03-06 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
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
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
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
Artificial Intelligence, conceptual metaphors and conceptual engineering: Are AI-based framings of human behaviour and cognition successful?
Vrije University Amsterdam (Department of Philosophy)（荷兰阿姆斯特丹自由大学（哲学系））；National Centre for Artificial Intelligence（人工智能国家研究中心）
本文探讨了将人工智能概念应用于人类行为和认知领域的成功性，分析了这些框架是否属于概念隐喻还是概念工程，并指出其潜在的伦理和简化挑战。
2026-05-18 cs.AI cs.CY
The Conceptual VAE
Cambridge Quantum / Quantinuum（剑桥量子 / Quantinuum（量子计算公司））
在这份报告中，我们提出了一个新的概念模型，变分自编码器，这是设计有吸引力的属性，如因子化的概念域的框架的基础上，并在同一时间从数据中学习。该模型受到Beta-VAE概念模型的启发，并与Beta-VAE概念模型密切相关，但其设计与语言更紧密地联系在一起，因此概念的名称构成了图形模型的一部分。我们提供的证据表明，我们的模型-我们称之为概念VAE -能够从简单的彩色形状图像以及相应的概念标签中学习可解释的概念表示。我们还展示了该模型如何用作概念分类器，以及如何适应每个实例从更少的标签中学习。最后，我们正式涉及我们的模型Gardenfors的概念空间理论，显示如何高斯我们用来表示概念可以在这样的空间中的“模糊概念”的形式化。
2022-03-21 cs.AI cs.LG
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
Entity Embeddings with Conceptual Subspaces as a Basis for Plausible Reasoning
Cardiff University（卡迪夫大学）
概念空间是概念知识的几何表示，其中实体对应于点，自然属性对应于凸区域，并且空间的维度对应于显著特征。虽然概念空间能够为各种认知现象提供优雅的模型，但迄今为止，缺乏构建此类表示的自动化方法限制了它们在人工智能中的应用。为了解决这个问题，我们提出了一种方法，学习向量空间嵌入的实体从维基百科和约束这种嵌入，使相同的语义类型的实体位于一些低维子空间。我们实验证明这些子空间的有用性（近似）概念空间表示，除其他外，重要的功能可以建模为方向和自然属性往往对应于凸区域。
2017-10-25 cs.AI cs.CL
Signature Entrenchment and Conceptual Changes in Automated Theory Repair
University of Edinburgh（爱丁堡大学）
人的信念会改变，但支撑信念的概念也会改变。最近的绑架，信念修订和概念变化（ABC）修复系统结合了几种方法，从自动理论修复，扩大，合同，或改革的逻辑结构，代表人工代理的概念知识。在本文中，我们专注于概念的变化：修复不仅属于逻辑概念，如什么动物可以飞，而且概念本身，这样的鸟类可以分为不会飞的鸟和飞鸟，通过改变签名的逻辑理论用来代表他们。我们提供了一种方法，用于自动评估在一个Datasheet理论的签名的防御，以约束自动化的理论修复简洁和直观的结果。形式上，签名巩固测量用于表达概念知识的每个逻辑语言元素的推理贡献，即，谓词和参数，对可能的修复进行排序，以保留有价值的逻辑概念，并拒绝冗余或不可信的替代方案。这种定量测量的签名防御提供了一个指导的概念变化，我们的目标是对比与人类的判断概念防御在未来的工作中的可行性。
2022-01-20 cs.AI cs.CL
Codes, Functions, and Causes: A Critique of Brette's Conceptual Analysis of Coding
Columbia University（哥伦比亚大学）；DeepMind（深度思维）
在最近的一篇文章中，Brette认为编码作为一个概念不适合解释神经认知现象。在这里，我们认为，布雷特的概念分析错误的编码和其他形式的分解分析的因果关系索赔的结构。我们认为，这种形式的分析是允许的，概念上的连贯性，并提供必要的工具，建立和发展模型的神经认知系统，如大脑。
2019-04-18 cs.AI q-bio.NC
Detecting Important Patterns Using Conceptual Relevance Interestingness Measure
Université du Québec en Outaouais（魁北克大学乌塔韦分校）；HEC Montreal（蒙特利尔高等商学院）
发现有意义的概念结构是数据采掘和知识发现应用中的一项重要任务。虽然在形式概念分析中定义的现成的兴趣度指数可以在几种情况下提供有效的相关性评估，但当面对大量的形式上下文（和概念格）以及存在不相关的概念时，它们经常给出不充分的结果。在本文中，我们引入了概念相关性（CR）得分，一个新的可扩展的兴趣度测量可操作的概念的识别。从概念的角度来看，最小生成器提供了有关其相关概念意图的关键信息。此外，一个概念的相关属性是那些保持满足其封闭条件的属性。因此，CR的指导思想利用了这样一个事实，即最小生成元和相关属性可以有效地用于评估概念相关性。因此，CR指数量化了概念相关属性的数量和每个概念意图的最小生成器的数量。我们在合成数据集和真实世界数据集上的实验表明，这种措施在众所周知的稳定性指标上是有效的。
2021-10-21 cs.AI cs.SI
Interacting Conceptual Spaces
University of Oxford（牛津大学）
我们建议将[6]的范畴组合方案应用于认知的概念空间模型。为了做到这一点，我们引入了类别的凸关系作为一个新的设置分类组合语义，强调凸结构的重要概念空间的应用。我们展示了如何概念空间的复合类型，如形容词和动词可以构建。我们通过详细的示例来说明这个新模型。
2016-08-04 cs.AI cs.CL cs.LO
A Categorical Semantics of Fuzzy Concepts in Conceptual Spaces
Cambridge Quantum Computing（剑桥量子计算公司）
我们定义了一个对称的幺半范畴建模模糊概念和模糊概念推理Gärdenfors的框架内的概念（凸）空间。我们提出了日志-凹函数作为模型的模糊概念，表明这些是最一般的选择，满足一个标准，由于Gärdenfors和表现良好的组成。然后，我们概括这些定义类别的凸空间之间的对数凹概率通道，它允许一个模型模糊推理与噪声输入，并提供了一个新的例子马尔可夫类别。
2022-11-03 cs.AI cs.LO math.CT
Conceptual Modeling and Artificial Intelligence: Mutual Benefits from Complementary Worlds
TU Wien（维也纳工业大学）
概念建模（CM）应用抽象来降低所研究系统的复杂性（例如，现实的缩影）。作为概念建模过程的结果，人类可解释的形式化表示（即，概念模型），其使得能够在人类之间进行理解和通信，以及由机器进行处理。人工智能（AI）算法也被应用于复杂的现实（通常由大量数据表示），以识别模式或对数据中的实体进行分类。除了这两种方法的共同点外，通过查看结果可以观察到显着的差异。虽然概念模型是可理解的、可再现的和明确的知识表示，但人工智能技术能够有效地从给定的输入中导出输出，同时充当黑盒。人工智能解决方案往往缺乏全面性和可重复性。即使是人工智能系统的开发人员也无法解释为什么会产生某种输出。在概念建模与人工智能（CMAI）的研讨会上，我们有兴趣解决两者的交叉点，到目前为止，CM和AI的学科大多是孤立的。该研讨会包含了这样一个假设，即通过i）调查概念建模（CM）对AI的贡献，以及ii）反过来，人工智能（AI）对CM的贡献，可以实现多种互利。
2021-10-16 cs.AI cs.SE
Cabbage Sweeter than Cake? Analysing the Potential of Large Language Models for Learning Conceptual Spaces
Cardiff University（卡迪夫大学）
本研究探究大语言模型学习概念空间的潜力，发现其可在一定程度上学习有效表征，且规模小得多的BERT微调模型性能可匹敌甚至超越最大的GPT-3模型。
2023-10-09 cs.AI cs.CL
Are You Thinking What I am Thinking? : Examining Conceptual Separation in Neural Architectures
Ashoka University（阿肖克大学）；Truth Audit Labs（真相审计实验室）；Karya AI（卡尔亚人工智能公司）
该研究通过分析CNN与LLM的内部激活，探究概念分离现象，发现其能揭示输出准确率无法体现的模型表征结构，可用于诊断模型的概念表征鲁棒性。
2026-09-02 cs.AI cs.LG
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
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
Conceptual Views of Neural Networks: A Framework for Neuro-Symbolic Analysis
本文提出概念视角框架，用于解释神经网络，通过实验展示其在模型比较和规则学习中的有效性。
2026-03-15 cs.AI cs.CV cs.LG
Cross-Modal Alignment Learning of Vision-Language Conceptual Systems
LG Electronics（LG电子）；Seoul National University（首尔国立大学）
人类婴儿在没有明确监督的情况下学习物体的名称并发展自己的概念系统。在这项研究中，我们提出了学习对齐的视觉语言概念系统的方法，灵感来自婴儿的单词学习机制。该模型在线学习视觉对象和词语之间的关联，并逐步构建跨模态关系图网络。此外，我们还提出了一个对齐的跨模态表示学习方法，学习视觉对象和单词的语义表示在一个自我监督的方式的基础上的跨模态关系图网络。它允许具有概念上相同含义的不同模态的实体具有相似的语义表示向量。我们定量和定性评估我们的方法，包括对象到词的映射和零样本学习任务，表明所提出的模型显着优于基线，每个概念系统的拓扑对齐。
2022-07-31 cs.AI cs.CV cs.LG
Uncertainty, Vagueness, and Ambiguity in Human-Robot Interaction: Why Conceptualization Matters
Knowledge Technology Group, Department of Informatics, University of Hamburg（汉堡大学信息学院知识技术组）
本文探讨了人机交互中不确定性、模糊性和歧义的概念差异与联系，提出一致的概念基础以提升理论发展和方法设计。
2026-03-10 cs.AI cs.HC cs.RO
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
AliCG: Fine-grained and Evolvable Conceptual Graph Construction for Semantic Search at Alibaba
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；AntGroup（蚂蚁集团）；Zhejiang Lab（之江实验室）
概念图是知识图的一种特殊类型，在语义搜索中起着重要的作用。现有的概念图构造方法通常从形式文本中提取高频、粗粒度和时不变的概念。然而，在实际应用中，有必要提取不太频繁的，细粒度的，随时间变化的概念知识，并建立一个不断发展的方式分类。在本文中，我们介绍了一种在阿里巴巴实现和部署概念图的方法。具体来说，我们提出了一个框架，称为AliCG，它能够a）提取细粒度的概念，通过一种新的自举与对齐共识的方法，b）挖掘长尾概念，一种新的低资源短语挖掘方法，c）通过概念分布估计方法的基础上，隐式和显式的用户行为动态更新的图形。我们已经在阿里巴巴UC浏览器上部署了这个框架。广泛的离线评估以及在线A/B测试证明了我们的方法的有效性。
2021-12-07 cs.AI cs.CL cs.DB
