Artificial Intelligence and Symmetries: Learning, Encoding, and Discovering Structure in Physical Data
Instituto de F\'isica Corpuscular (IFIC), Universitat de Val\`encia--CSIC, E-46980 Val\`encia, Spain
本文探讨了人工智能在物理数据中学习、编码和发现对称性结构的能力，通过变分自编码器等方法分析对称性对数据维度的影响及潜在空间的自组织特性。
2026-02-02 cs.AI cs.LG hep-ph
Discovering Hierarchical Processes Using Flexible Activity Trees for Event Abstraction
Utrecht University（乌得勒支大学）；Technion – Israel Institute of Technology（以色列理工学院）
流程（如患者路径）可能非常复杂，包括数百个活动和数十个交错的子流程。虽然现有的进程发现算法已被证明可以在结构化进程的干净日志上构建高质量的模型，但当算法被应用于复杂进程的日志时，仍然存在挑战。创建一个多层次的流程表示可以帮助管理这种复杂性。然而，追求这一想法的当前方法遭受各种各样的弱点。特别是，它们不能很好地处理交织子过程。在本文中，我们提出了FlexHMiner，一个三步的方法来发现多层次的交错子进程的进程。我们在开源流程挖掘工具包ProM中实现了FlexHMiner。我们使用了七个真实的日志来比较使用领域知识，随机聚类和平面方法发现的分层模型的质量。我们的研究结果表明，FlexHMiner生成的分层过程模型相比，不利用层次结构的方法。
2020-10-16 cs.AI cs.DB
Generative artificial intelligence-enabled dynamic detection of nicotine-related circuits
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
成瘾相关回路的识别对于解释成瘾过程和开发成瘾治疗至关重要。由功能成像技术建立的功能性成瘾回路模型是发现和验证成瘾回路的有效工具。然而，分析成瘾的功能成像数据和检测功能性成瘾回路仍然存在挑战。我们开发了一个数据驱动的端到端生成式人工智能（AI）框架来解决这些困难。该框架集成了动态脑网络建模和新颖的网络架构网络架构，包括时间图Transformer和对比学习模块。我们的生成式人工智能框架形成了一个完整的工作流程：从神经生物学实验和计算建模到端到端神经网络的功能成像数据被转换为动态尼古丁成瘾相关电路。它能够检测具有动态特性的成瘾相关脑回路，并揭示成瘾的潜在机制。
2022-12-13 cs.AI
REST: REtrieve & Self-Train for generative action recognition
Samsung AI Cambridge（三星人工智能剑桥研究院）；Queen Mary University of London（伦敦玛丽女王大学）
这项工作是训练生成动作/视频识别模型，其输出是描述视频的自由形式的动作特定标题（而不是动作类标签）。生成式方法具有实际优势，例如产生更细粒度和人类可读的输出，并且是自然开放的世界。为此，我们建议采用预训练的生成式视觉和语言（V&L）基础模型进行视频/动作识别。虽然最近有一些尝试将用对比学习（例如CLIP）训练的V&L模型用于视频/动作，但据我们所知，我们提出了第一种方法来实现生成模型的这一目标。我们首先表明，直接微调的生成模型产生的动作类遭受严重的过拟合。为了缓解这一问题，我们引入了REST，一个训练框架，由两个关键组成部分：一个无监督的方法，用于通过伪字幕生成和自训练，即不使用任何特定于动作的标签，使生成模型适应动作/视频;（b）基于CLIP的检索方法，用于为每个视频发现不同的伪字幕集，以训练模型。重要的是，我们表明，这两个组件是必要的，以获得高精度。我们评估REST上的zero-shot动作识别的问题，我们表明，我们的方法是非常有竞争力的相比，基于对比学习的方法。代码将提供。
2022-09-29 cs.AI cs.CV cs.LG
Discovering Hierarchical Process Models: an Approach Based on Events Clustering
HSE University（高等经济大学）
流程挖掘是计算机科学的一个领域，它处理基于自动生成的事件日志的流程模型的发现和分析。目前，许多公司使用这项技术来优化和改进他们的流程。然而，所发现的过程模型可能过于详细、复杂并且对于专家来说难以理解。在本文中，我们考虑的问题，发现一个层次的业务过程模型，从一个低级别的事件日志，即，基于存储在信息系统的事件日志中的信息，自动合成更可读和更易于理解的过程模型的问题。在过程挖掘的研究框架下，从不同的角度对发现结构更好、可读性更强的过程模型进行了深入的研究。在本文中，我们提出了一个算法，发现层次化的过程模型表示为两个层次的工作流网。该算法是基于预定义的事件ilustering，使集群定义一个子过程对应于一个高层次的过渡在网络的顶层。与现有的解决方案不同，我们的算法不会对过程控制流施加限制，并允许并发和迭代。
2023-03-12 cs.AI
CommunityGAN: Community Detection with Generative Adversarial Nets
Shanghai Jiao Tong University（上海交通大学）
社区发现是指发现具有相似属性或功能的顶点组，从而理解网络数据的任务。随着最近深度学习的发展，图表示学习技术也被用于社区发现。然而，社区只能通过应用基于学习的顶点嵌入的聚类算法来推断。K-means和Gaussian Mixture Model等常用的聚类算法不能产生大量的重叠社区，这在现实网络中是非常普遍的。在本文中，我们提出了CommunityGAN，一个新的社区发现框架，共同解决重叠的社区发现和图表示学习。首先，与传统的图表示学习算法的嵌入不同，其中向量条目值没有特定的含义，CommunityGAN的嵌入指示顶点对社区的成员关系强度。其次，采用专门设计的生成对抗网络（GAN）来优化这种嵌入。通过模体级生成器和搜索引擎之间的极大极小竞争，两者可以交替迭代地提高性能，最终输出更好的社区结构。对合成数据和现实任务的广泛实验表明，CommunityGAN在最先进的方法上实现了显著的社区发现性能增益。
2019-12-16 cs.AI cs.SI
Discovering Directly-Follows Graph Model for Acyclic Processes
HSE University（高等经济大学）；Faculty of Computer Science（计算机科学学院）
本文提出一种新的过程发现算法，通过划分事件日志并合并无环DFG模型来避免循环形成，从而为无环过程发现无环DFG模型，提升模型视觉清晰度与精度。
2025-02-01 cs.AI
Mining Uncertain Event Data in Process Mining
RWTH Aachen University（亚琛工业大学）
如今，越来越多的过程数据由信息系统自动记录，并以事件日志的形式提供。流程挖掘技术支持以流程为中心的数据分析，包括自动发现流程模型和检查事件数据是否符合特定模型。在本文中，我们分析了以前未探索的设置不确定事件日志：日志中的量化不确定性与相应的数据一起记录。我们定义了一个分类的不确定事件日志和模型，我们研究的挑战，不确定性对流程发现和一致性检查。最后，我们展示了如何上界和下界的一致性，可以得到一个不确定的跟踪到一个正常的过程模型对齐。
2022-04-08 cs.AI
Discovering Textual Structures: Generative Grammar Induction using Template Trees
Computer Science Department, Leuven AI（鲁汶人工智能计算机科学系）；KU Leuven（鲁汶大学）
自然语言生成为设计人员提供了自动生成文本的方法，例如用于创建摘要、聊天机器人和游戏内容。在实践中，文本生成器通常要么是学习和难以解释的，要么是使用语法和模板等技术手工创建的。在本文中，我们介绍了一种新的语法归纳算法学习可解释的语法生成的目的，称为Gitta。我们还引入了新的概念，模板树发现潜在的模板语料库中派生这些生成语法。通过使用现有的人类创建的语法，我们发现，该算法可以合理地近似这些语法使用只有几个例子。这些结果表明，Gitta可以用来自动学习可解释和易于修改的语法，从而为人机共同创建生成模型提供了一个垫脚石。
2020-09-09 cs.AI cs.CL
Letters of the Alphabet: Discovering Natural Feature Sets
Northwestern University（西北大学）
深度学习网络使用反向传播算法在大型数据集中找到复杂的特征。该算法反复调整网络连接。“权重和检查输入和输出层之间的“隐藏”节点行为提供了对神经网络如何创建特征表示的更好洞察。相互建立的实验表明，在一个层内计算的活动差异可以指导学习。使用简单的神经网络，其包括由字母组成的数据集，其中每个字母形成由0和1组成的81个输入节点以及单个隐藏层和输出层。第一个实验解释了这个简单的神经网络中的隐藏层如何表示输入数据的特征。第二个实验试图对神经网络进行逆向工程，以找到字母表的自然特征集。当网络解释特征时，我们可以理解它是如何为给定数据导出自然特征集的。这种理解对于深入研究生成模型（如玻尔兹曼机）至关重要。深度生成模型是一类无监督的深度学习算法。深度生成模型的主要功能是为给定的数据集找到自然特征集。
2022-03-11 cs.AI cs.LG
Discovering Object-Centric Petri Nets
RWTH Aachen University（亚琛工业大学）；Fraunhofer Institute for Applied Information Technology（弗劳恩霍夫应用信息技术研究所）
从事件数据中发现Petri网的技术假设每个事件只有一个案例标识符。这些案例标识符被用来关联事件，由此发现的Petri网旨在描述单个案例的生命周期。事实上，并不存在一个可能的案例概念，而是多个相互交织的案例概念。例如，事件可以指订单、项目、包、客户和产品的混合。一个包可以指多个物品、多个产品、一个订单和一个客户。因此，我们需要假设每个事件都引用一个对象集合，每个对象都有一个类型（而不是一个case标识符）。这种以对象为中心的事件日志更接近于现实生活中的信息系统中的数据。从一个以对象为中心的事件日志，我们要发现一个以对象为中心的Petri网的地方，对应于对象类型和转换，可以消费和生产不同类型的对象的集合。以对象为中心的Petri网可视化了不同类型对象之间的复杂关系。本文讨论了一种新的进程发现方法在PM4Py中实现。正如将要证明的那样，如果需要的话，发现可以用于向下钻取到特定视点的整体过程模型确实是可行的。
2020-10-05 cs.AI cs.FL cs.LG
Predicate learning in neural systems: Discovering latent generative structures
Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所）；University of Edinburgh（爱丁堡大学）
人类从他们的环境中学习复杂的潜在结构（例如，自然语言、数学、音乐、社会等级）。在认知科学和认知神经科学中，已经提出了从感觉或一阶表征推断高阶结构的模型来解释人类行为的复杂性和灵活性。但是，这些模型所调用的结构最初是如何在神经系统中出现的呢？为了回答这个问题，我们解释了系统如何学习潜在的表征结构（即，谓词）从完全非结构化数据的经验。在谓词学习的过程中，人工神经网络利用跨神经元组件的分布式计算的自然发生的动态特性，以便学习谓词，而且还将它们组合在一起，这两个计算方面似乎是人类行为所必需的，根据多个领域中的形式理论。我们描述了如何谓词可以结合生成使用神经振荡，以实现人类一样的外推和合成的人工神经网络。从经验中学习谓词，以组合方式表示结构，以及推断看不见的数据的能力，为理解和建模最复杂的人类行为提供了一个突破口。
2018-10-02 cs.AI
Conformance Checking over Uncertain Event Data
RWTH Aachen University（亚琛工业大学）
对公司和企业中的过程和操作进行建模的强烈冲动已经导致在信息系统中创建和自动记录越来越大量的过程数据。这些以事件日志的形式提供。流程挖掘技术支持以流程为中心的数据分析，包括自动发现流程模型和检查事件数据是否符合给定模型。在本文中，我们分析了以前未探索的设置不确定事件日志。在这种情况下，明确记录日志的不确定性，即，事件的时间、活动和情况可能不清楚或不准确。在这项工作中，我们定义了一个分类的不确定事件日志和模型，我们研究的挑战，不确定性对过程发现和一致性检查。最后，我们展示了如何一致性的上限和下限可以通过对齐到一个正常的过程模型的不确定的痕迹。
2022-04-08 cs.AI
DDTR: Diffusion Denoising Trace Recovery
Data \& Decision Sciences Technion-Israel Institute of Technology Haifa 3200003, Israel orcidID: 0009-0008-8304-1188；Data \& Decision Sciences Technion-Israel Institute of Technology Haifa 3200003, Israel orcidID: 0000-0002-7028-661X；School of Information Technology
本文提出基于扩散去噪概率模型的深度学习方法DDTR，利用过程知识通过去噪恢复随机迹，相比现有方法性能提升高达25%，且在高噪声下更鲁棒。
2025-10-26 cs.AI cs.LG
Discovering Crystal Structure Prediction Algorithms with an AI Co-Scientist
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
提出人机协同发现系统HACO，通过跨域搜索和稀疏人类引导，从视觉领域引入掩码生成模型MaskGIT用于晶体结构预测，并改进为MaskGXT，在多个基准上取得最优结果。
2026-06-23 cs.AI cs.LG
Learning to design without prior data: Discovering generalizable design strategies using deep learning and tree search
Carnegie Mellon University（卡内基梅隆大学）
自20世纪80年代以来，构建一个能够自主设计的人工智能智能体一直是一个目标。最近，深度学习已经显示出从大规模数据中学习的能力，从而使数据驱动设计取得了重大进展。然而，对先前数据的学习限制了我们只能解决以前已经解决的问题，并使数据驱动的学习偏向于现有的解决方案。设计代理的最终目标是能够在问题空间中学习可概括的设计行为，而无需之前看到它。在这项工作中，我们引入了一个自我学习的代理框架，实现这一目标。该框架将深度策略网络与一种新的树搜索算法相结合，其中树搜索探索问题空间，深度策略网络利用自我生成的经验进一步指导搜索。这个框架首先展示了在没有任何先验数据的情况下发现高性能生成策略的能力，其次，它说明了生成策略在各种看不见的边界条件下的zero-shot泛化。这项工作的有效性和多功能性的框架，通过解决多个版本的两个工程设计问题，而无需再培训。总的来说，本文提出了一种方法，在任意问题空间中自我学习高性能和可推广的问题解决行为，规避了对专家数据，现有解决方案和特定问题学习的需求。
2022-11-28 cs.AI cs.LG
An open unified deep graph learning framework for discovering drug leads
Nanjing University of Posts and Telecommunications（南京邮电大学）；Nanyang Technological University（南洋理工大学）；National Engineering Research Center of Communications and Networking（国家通信与网络工程研究中心）；Smart Health Big Data Analysis and Location Services Engineering Research Center of Jiangsu Province（江苏省智慧健康大数据分析与位置服务工程研究中心）；Lee Kong Chian School of Medicine（李光前医学院）；School of Biological Sciences（生物科学学院）；Center for Biomedical Informatics（生物医学信息学中心）
理想先导化合物的计算机发现是现代药物发现的关键过程。它包括多个阶段：命中筛选，分子性质预测和分子优化。目前的努力是不同的，涉及到建立模型的每一个阶段，然后是多阶段多模型集成。然而，这是不理想的，因为不兼容模型的笨拙整合增加了研究开销，甚至可能降低药物发现的成功率。促进兼容性需要建立内在的模型跨铅发现阶段的验证。为此，我们提出了一种基于开放深度图学习（DGL）的流水线：生成对抗特征子空间增强（GAFSE），它首先将这些阶段的建模统一到一个学习框架中。GAFSE还提供标准化的模块化设计和简化的界面，以供未来扩展和社区支持。GAFSE结合了对抗/生成学习、图注意力网络、图重建网络，同时优化了分类/回归损失、对抗/生成损失和重建损失。收敛性分析从理论上保证了模型的泛化性能。详尽的基准测试表明，GAFSE管道在几乎所有潜在客户发现阶段都实现了出色的性能，同时还提供了有价值的模型可解释性。因此，我们相信该工具将提高药物发现研究人员的效率和生产力。
2023-01-21 cs.AI cs.LG q-bio.BM
Discovering Discrete Latent Topics with Neural Variational Inference
University of Oxford（牛津大学）；DeepMind
主题模型作为文档的概率生成模型已被广泛研究。传统的推理方法寻求封闭形式的推导来更新模型，然而随着这些模型的表达能力的增长，对它们的参数进行快速和准确的推理的难度也在增加。本文提出了替代神经主题建模的方法，通过提供参数化分布的主题，允许在神经变分推理的框架内通过反向传播进行训练。此外，在一个破棒结构的帮助下，我们提出了一个循环网络，它能够发现一个概念上无限数量的主题，类似于贝叶斯非参数主题模型。在MXM Song Lyrics、20个NewsGroups和Reuters News数据集上的实验结果证明了这些神经主题模型的有效性和效率。
2018-05-21 cs.AI cs.CL cs.IR
Automated Event Log Generation from Unstructured Text Using Finetuned LLMs
LMU Munich（慕尼黑大学）；University of Mannheim（曼海姆大学）
该研究提出利用微调后的大语言模型（LLMs）作为数据转换器的可扩展框架，从非结构化文本生成事件日志，性能远超少样本/零样本提示，为流程挖掘生态系统提供了新的数据利用途径。
2026-09-02 cs.AI
Memory Augmented Deep Generative models for Forecasting the Next Shot Location in Tennis
Queensland University of Technology（昆士兰科技大学）
本文提出了一种新的框架预测击球位置和类型在网球。受最近神经科学发现的启发，我们将神经记忆模块模型的情节和语义记忆组成部分的网球运动员。我们提出了一个半监督生成对抗网络架构，将这些记忆模型与深度神经网络的自动特征学习能力相结合，并展示了使用所提出的框架学习玩家级别行为模式的方法。我们评估所提出的模型的有效性，网球跟踪数据从2012年澳大利亚网球公开赛和展览所提出的方法，发现球员如何适应他们的风格，根据比赛的背景下的应用。
2019-01-16 cs.AI cs.LG cs.NE
Discriminative Rule Learning for Outcome-Guided Process Model Discovery
RWTH University（RWTH大学）
针对忽略执行结果导致单一过程模型无法捕捉关键行为差异的问题，提出通过学习控制流特征的可解释判别式规则对轨迹分组并分别发现过程模型的方法，有效揭示期望与不期望执行的驱动因素。
2025-10-31 cs.AI
Review of Disentanglement Approaches for Medical Applications -- Towards Solving the Gordian Knot of Generative Models in Healthcare
Institute for AI in Medicine (IKIM), University Medicine Essen（埃森大学医学人工智能研究所（IKIM））；Computer Vision and Learning Lab (CVL), Heidelberg University（海德堡大学计算机视觉与学习实验室（CVL））
深度神经网络通常用于医学目的，例如图像生成、分割或分类。除此之外，它们经常被批评为黑箱，因为它们的决策过程通常不是人类可以解释的。鼓励生成模型的潜在表征被解开，提供了控制和可解释性的新视角。了解数据生成过程可以帮助创建人工医疗数据集，而不会侵犯患者隐私，合成不同的数据模态或发现数据生成特征。这些特征可能会揭示与遗传特征或患者结局相关的新关系。在本文中，我们对流行的生成模型进行了全面的概述，如生成对抗网络（GANs），变分自编码器（VAE）和基于流的模型。此外，我们总结了不同的概念去纠缠，审查方法去纠缠潜在的空间表示和度量来评估的程度去纠缠。在介绍了理论框架之后，我们概述了最近的医学应用，并讨论了解纠缠方法对医学应用的影响和重要性。
2022-03-21 cs.AI cs.CV cs.LG
Discovering Beaten Paths in Collaborative Ontology-Engineering Projects using Markov Chains
Graz University of Technology（格拉茨工业大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS——莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）；Stanford University（斯坦福大学）
以国际疾病分类（ICD）作为分类法或以国家癌症研究所主题词表作为基于OWL的本体的形式的生物医学分类法、主题词表和本体，在获取、表示和处理有关人类健康的信息方面发挥着关键作用。随着越来越多的采用和相关性，生物医学本体的大小也显着增加。例如，世界卫生组织目前正在积极开发的ICD第11次修订版包含近50，000个类别，代表了各种不同的疾病和死亡原因。这种规模上的进化伴随着本体论设计方式的进化。由于没有一个人拥有开发这种大规模本体的专业知识，本体工程项目已经从仅涉及少数领域专家的小规模努力发展到需要数十甚至数百名专家，从业者和其他利益相关者之间有效合作的大规模项目。了解这些利益相关者如何合作将使我们能够改善支持此类合作的编辑环境。我们揭示了如何大型本体工程项目，如ICD在其第11次修订，展开使用马尔可夫链分析不同规模和范围的五个不同的生物医学本体工程项目的使用日志。我们发现有趣的互动模式（例如，用户随后改变哪些属性），这表明大型协作本体工程项目由确定和驱动开发的几个一般原则支配。从我们的分析中，我们确定了不同项目之间的共性和差异，对项目经理，本体编辑，开发人员和贡献者在生物医学领域的协作本体工程项目和工具的工作有影响。
2016-02-29 cs.AI cs.DL cs.SI
Generative structure search for efficient and diverse discovery of molecular and crystal structures
Zhongguancun Academy（中关村学院）；Kairos Materials（Kairos材料）
提出生成式结构搜索（GSS）框架，结合扩散模型和随机结构搜索，利用数据先验加速采样并保持能量引导的局部极小探索，以低于随机结构搜索十分之一的成本恢复多样亚稳态结构。
2026-05-23 cs.AI
One Model, Two Markets: Bid-Aware Generative Recommendation
Harvard University（哈佛大学）；Google Research（谷歌研究）
本文提出GEM-Rec框架，整合商业相关性和 monetization 目标，通过控制令牌和竞价感知解码机制实现动态优化，确保高价值物品生成。
2026-03-23 cs.AI cs.GT cs.IR
Beyond Playtesting: A Generative Multi-Agent Simulation System for Massively Multiplayer Online Games
independent researcher（独立研究者）
本文提出了一种基于生成式多智能体仿真的系统，利用大型语言模型优化大规模多人在线游戏的数值设计，提升玩家体验并提高优化效率。
2025-12-02 cs.AI
Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation
University of California, San Diego（加利福尼亚大学圣迭戈分校）；University of Pennsylvania（宾夕法尼亚大学）
本文针对在线教育中学生模拟忽略课程材料调节效应的问题，提出可迁移迭代反思（TIR）模块增强大语言模型，并基于60名学生6周的真实学习行为数据验证其优于经典深度学习模型，为在线教育数字孪生奠定基础。
2025-02-04 cs.AI cs.HC cs.LG
Leveraging Time-Series Foundation Model for Subsurface Well Logs Prediction and Anomaly Detection
King Fahd University of Petroleum and Minerals（法赫德石油和矿产大学）；Center for Integrative Petroleum Research（综合石油研究中心）；College of Petroleum Engineering and Geosciences（石油工程与地球科学学院）
针对地下测井数据获取成本高、缺失多且现有AI模型泛化性差的问题，本研究微调TimeGPT时序基础模型实现测井预测与异常检测，在预测精度和零样本异常识别上均表现优异，可提升勘探决策效率并降低风险。
2024-12-07 cs.AI cs.LG eess.SP
Learning from a Generative AI Predecessor -- The Many Motivations for Interacting with Conversational Agents
Mojang Studios（Mojang工作室）；Microsoft Corporation（微软公司）；University of Washington（华盛顿大学）
本研究通过分析2000名匿名用户的完整聊天记录，揭示了人们与微软Zo等早期对话代理交互的十几种动机，为生成式AI在缺乏明确收入模式时如何通过提升吸引力获益提供了机遇与挑战的参考。
2023-12-31 cs.AI cs.CL cs.HC
