A Hierarchy of Tractable Subsets for Computing Stable Models
寻找知识库的稳定模型是人工智能中一个重要的计算问题。这个任务是真值维护系统、自动认知逻辑和缺省逻辑的计算核心。它是NP难的。本文提出了一种知识库的层次结构,即Ω_1,Ω_2,.具有以下特性:首先,Omega_1是所有分层知识库的类;其次,如果知识库Pi在Omega_k中,则Pi最多有k个稳定模型,并且所有稳定模型都可以在O(lnk)时间内找到,其中l是知识库的长度,n是Pi中的原子数;第三,对于任意的知识库Pi,我们可以找到最小的k,使得Pi在Pi的大小上属于时间多项式的Omega_k;最后,当K是所有知识库的类时,情况是并集{i=1 to infty} Ω_i = K,也就是说,每个知识库都属于层次结构中的某个类。
1996-08-01 cs.AI
Knowledge Integration of Collaborative Product Design Using Cloud Computing Infrastructure
University of Siegen(锡根大学)
制造企业成功的关键是可持续的创新产品设计和开发。在协同设计中,利益相关者是异构分布的链式。由于数据和知识量的不断增长,有效地管理产品设计和开发中获得的知识是大多数制造企业面临的关键挑战之一。随着SOA、虚拟化、网格计算和/或云计算等技术的成熟,通过集中知识和计算等资源来提高基于IT的产品设计应用程序的效率和性能的机会在过去几年中有所增加。本文的主要重点是概念正在进行的研究,在提供知识集成服务的协同产品设计和开发使用云计算基础设施。本文描述了云计算通过提供产品设计过程中的知识映射、合并、搜索和传递等功能来支持知识集成功能即服务的潜力。建议的知识集成服务支持用户提供实时访问知识资源。该框架具有可用性,效率,成本降低,更少的时间,结果和可扩展性的优点。
2020-01-16 cs.AI cs.CY
Enhancing Support for Knowledge Works: A relatively unexplored vista of computing research
让我们设想一种新的信息技术系统,即“知识工程支持系统”或SSKW。SSKW可以被定义为一种系统,该系统被构建用于在执行特定专业活动领域内的特定类型的复杂知识工作的实例时向人类知识工作者提供全面支持。让我们来看看一个假设的场景,描述了医生和病人之间的互动-在诊断患者的活动期间护理SSKW。
2011-12-22 cs.AI cs.HC
Hyper-dimensional computing for a visual question-answering system that is trainable end-to-end
Laboratoire Psychologie de la Perception(感知心理学实验室);Université Paris Descartes(巴黎笛卡尔大学)
在这项工作中,我们提出了一个系统的视觉问答。我们的架构由两部分组成,第一部分创建给定图像的逻辑知识库。第二部分根据知识库评估问题。从以前的工作,知识库表示使用超维计算。这种选择的优点是,系统中的所有操作,即创建知识库和评估问题,都是可区分的,从而使系统易于以端到端的方式进行训练。
2017-11-28 cs.AI cs.NE
Mapping Big Data into Knowledge Space with Cognitive Cyber-Infrastructure
Chinese Academy of Sciences(中国科学院);Aston University(阿斯顿大学)
大数据研究已经引起了科技界、产业界和社会的高度关注。它随着不断发展的科学范式、第四次工业革命和技术的转型创新而发展。然而,它的性质和根本挑战尚未得到承认,它自己的方法论也没有形成。本文探讨并回答了以下问题:什么是大数据?表示、管理和分析大数据的基本方法是什么?大数据与知识之间的关系是什么?我们能找到从大数据到知识空间的映射吗?需要什么样的基础设施来支持大数据管理和分析,以及知识发现、共享和管理?大数据与科学范式的关系是什么?大数据计算的本质和根本挑战是什么?提出了一个多维度的大数据计算方法论。
2015-07-18 cs.AI
A Knowledge Mining Model for Ranking Institutions using Rough Computing with Ordering Rules and Formal Concept analysis
School of Computing Sciences and Engineering, VIT University(VIT大学计算科学与工程学院)
计算机和信息技术革命的出现使现实世界发生了巨大的变化,为智能数据分析提供了不同的维度。在正确的时间和正确的地点的信息是一个良好的事实,部署了更好的知识。然而,当大量的不一致的数据给决策和知识提取的挑战。为了处理这样的不精确的数据,某些更重要的数学工具已经开发了在最近的过去,即模糊集,直觉模糊集,粗糙集,形式概念分析和排序规则的研究。还观察到,许多信息系统包含数值属性值,因此它们几乎相似而不是完全相似。为了处理这种类型的信息系统,在本文中,我们使用两个过程,如前处理和后处理。在前处理中,我们使用粗糙集的直觉模糊近似空间与排序规则的发现知识,而在后处理中,我们使用形式概念分析,以探索更好的知识和影响决策的重要因素。
2011-08-09 cs.AI cs.IR
Injective Domain Knowledge in Neural Networks for Transprecision Computing
University of Bologna(博洛尼亚大学)
机器学习(ML)模型在许多学习任务中非常有效,因为它能够从大数据集中提取有意义的信息。然而,有学习问题,不能很容易地解决依赖于纯数据,例如稀缺的数据或非常复杂的函数近似。幸运的是,在许多情况下,领域知识是明确可用的,可以用来训练更好的ML模型。本文研究了在处理非平凡的学习任务时,通过整合先验知识可以获得的改进,即精度调整的transprecision计算应用程序。域信息以不同的方式注入ML模型中:I)附加特征,II)基于ad-hoc图的网络拓扑,III)正则化方案。结果清楚地表明,利用特定问题信息的ML模型优于纯数据驱动的模型,平均准确率提高了约38%。
2020-02-24 cs.AI cs.LG stat.ML
Large-scale Knowledge Distillation with Elastic Heterogeneous Computing Resources
Baidu Inc.(百度公司);Inria(法国国家信息与自动化研究所);University of Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心);LIRMM(蒙彼利埃计算机、机器人与微电子实验室)
虽然更多的层和更多的参数通常会提高模型的准确性,但这样的大模型通常具有高计算复杂性并且需要大的存储器,这超过了小型设备用于推理的能力并且导致长的训练时间。此外,即使在高性能服务器中,也很难承受大模型的长训练时间和推理时间。知识蒸馏作为一种将大型深度模型(教师模型)压缩为紧凑模型(学生模型)的有效方法,成为处理大型模型的一种有前途的方法。现有的知识蒸馏方法不能充分利用计算资源的弹性,效率较低。在本文中,我们提出了一个用于知识蒸馏的弹性深度学习框架,即,EDL区EDL-Dist的优势有三方面。首先,推理和训练过程是分离的。第二,可以利用弹性的可用计算资源来提高效率。第三,支持训练和推理过程的容错性。我们采取了广泛的实验表明,EDL-Dist的吞吐量比基线方法(在线知识蒸馏)快3.125倍,而准确性相似或更高。
2022-07-14 cs.AI cs.DC cs.LG
Joint Extraction of Uyghur Medicine Knowledge with Edge Computing
Shihezi University(石河子大学)
本文提出边缘计算下参数共享的联合抽取模型CoEx-Bert,通过共享隐藏层参数和联合损失优化,解决维吾尔医学文本中实体关系抽取的错误传播与实体重叠问题,并在边缘设备上实现实时推理,取得显著性能提升。
2024-01-13 cs.AI cs.CL
SPDZCoder: Combining Expert Knowledge with LLMs for Generating Privacy-Computing Code
Tsinghua University(清华大学);Peking University(北京大学)
本文提出SPDZCoder框架,结合专家知识与LLM,无需额外训练数据即可通过三阶段流水线将Python代码转换为MP-SPDZ隐私计算代码,并构建了SPDZEval基准,在pass@1和pass@2上显著超越基线。
2025-03-21 cs.AI cs.CR cs.SE
Multimodal Large Language Models for End-to-End Affective Computing: Benchmarking and Boosting with Generative Knowledge Prompting
School of Computer Science, South China Normal University(华南师范大学计算机科学学院);School of Information Technology in Education, South China Normal University(华南师范大学教育信息技术学院)
针对多模态情感计算任务,系统评估了开源多模态大语言模型,并提出生成式知识提示与监督微调相结合的混合策略,显著提升性能。
2025-08-04 cs.AI cs.LG
Knowledge Infused Learning (K-IL): Towards Deep Incorporation of Knowledge in Deep Learning
University of South Carolina(南卡罗来纳大学);AI Institute, University of South Carolina(南卡罗来纳大学人工智能研究所)
本文提出知识注入学习(K-IL)框架,旨在深度融合知识图谱与神经网络,以增强特征学习并推动神经符号智能系统及可解释AI的发展。
2020-02-29 cs.AI cs.CL cs.LG
Towards Data-and Knowledge-Driven Artificial Intelligence: A Survey on Neuro-Symbolic Computing
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文系统综述了神经符号计算(NeSy)的发展历史、关键驱动因素、方法分类、应用与基准评测,并展望未来方向,旨在推动数据与知识驱动的人工智能发展。
2024-10-03 cs.AI cs.CV cs.LG
Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery
Quantum Computing Center(量子计算中心);Keio University(庆应义塾大学)
本研究将量子计算应用于线性非高斯无环模型,利用量子核计算 DirectLiNGAM 的独立性度量,提出 qLiNGAM 方法。实验表明,在数据量较少时,qLiNGAM 能正确估计因果结构,并在真实量子硬件上实现,为小数据下的新型医学知识发现提供可能。
2021-12-06 cs.AI cs.LG quant-ph
On the Transfer of Knowledge in Quantum Algorithms
TECNALIA, Basque Research and Technology Alliance (BRTA)(TECNALIA,巴斯克研究与技术联盟(BRTA));Department of Physical Chemistry, University of the Basque Country UPV/EHU(物理化学系,巴斯克国家大学UPV/EHU);EHU Quantum Center, University of the Basque Country UPV/EHU(巴斯克大学量子中心,巴斯克国家大学UPV/EHU)
本文探讨了量子算法中知识迁移的应用,通过统一框架整合迁移学习与优化,提出新的量子计算应用场景,并强调其在提升性能和资源效率方面的潜力。
2025-12-04 cs.AI quant-ph
Speed Optimization In Unplanned Traffic Using Bio-Inspired Computing And Population Knowledge Base
Bengal Engineering and Science University(孟加拉工程与科学大学);Heritage Institute of Technology(海瑞特理工学院)
道路交通拥挤与安全的仿生算法是一个很有前途的研究课题。寻找一种有效的优化方法来提高速度优化的程度,从而增加非规划区的交通流量是一个广泛关注的问题。然而,已经有一个有限的研究工作上的车道使用与速度优化的优化。本文的主要目的是找到一种新的方法或技术来解决这个问题,最佳地使用的知识,从分析的车辆速度,这反过来又将作为一个指导车道的优化设计,以提供更好的优化交通。事故系数调整单个几何设计元素尺寸和交通控制特征的基础模型估计值。这些算法在部分修改的形式,根据这种新的速度优化技术在计划外交通分析技术的应用程序被施加到所提出的设计和速度优化计划。基于真实生活数据的实验结果非常令人鼓舞。
2012-12-12 cs.AI cs.CY cs.ET
Sim-to-Real Transfer in Multi-agent Reinforcement Networking for Federated Edge Computing
University of North Carolina Charlotte(北卡罗来纳大学夏洛特分校);Intel Labs(英特尔实验室);University of Central Florida(中佛罗里达大学)
无线多跳边缘计算网络上的联邦学习(FL),即,多跳FL是一种具有成本效益的分布式设备上深度学习范例。本文介绍了FedEdge模拟器,一个高保真的基于Linux的模拟器,它使快速原型,模拟到真实的代码,和知识转移的多跳FL系统。FedEdge仿真器是建立在面向硬件的FedEdge实验框架之上的,它对真实物理层仿真器进行了新的扩展。该仿真器利用基于跟踪的信道建模和动态链路调度来最小化仿真器和物理测试台之间的现实差距。我们的初步实验证明了FedEdge模拟器的高保真度及其在强化学习优化的多跳FL中对模拟到真实知识转移的卓越性能。
2021-10-18 cs.AI cs.NI
Toward Personalizing Quantum Computing Education: An Evolutionary LLM-Powered Approach
Center for Real-Time Computing(实时计算中心);Computer Science Department(计算机科学系);Old Dominion University(旧 Dominion 大学)
本文提出一种用于量子计算教育的智能教学助手,结合知识图谱与双LLM智能体架构,通过标签系统缓解幻觉并动态调整教案,实现个性化上下文感知辅导。
2025-04-24 cs.AI cs.CY cs.MA
The Parallel Knowledge Gradient Method for Batch Bayesian Optimization
Cornell University(康奈尔大学)
在黑盒优化的许多应用中,可以同时评估多个点,例如,当在并行计算环境中评估几个不同的神经网络架构的性能时。本文提出了一种新的批处理贝叶斯优化算法--并行知识梯度法。通过构造,该方法提供了一步贝叶斯最优批量采样点。我们提供了一个有效的策略来计算这个贝叶斯最优批次的点,我们证明了并行知识梯度法发现全局最优显着快于以前的批次贝叶斯优化算法的合成测试功能和调整超参数时,实际机器学习算法,特别是当功能评估是嘈杂的。
2018-04-22 cs.AI cs.LG stat.ML
Unconventional Cognitive Intelligent Robotic Control: Quantum Soft Computing Approach in Human Being Emotion Estimation -- QCOptKB Toolkit Application
Institute of System Analysis and Management, Dubna State University(杜布纳国立大学系统分析与管理研究所);Joint Institute for Nuclear Research (JINR)(联合核研究所);Moscow State University of Geodesy and Cartography (MIIGAiK)(莫斯科测绘与制图大学);Yamaha Motor Co. Ltd.(雅马哈发动机株式会社)
本文提出融合量子自组织知识库与模糊推理的智能认知控制策略,以提升危险情境下机器人协作系统的鲁棒性,并展示其在车载嵌入式控制和认知头盔神经接口驾驶中的应用。
2023-06-14 cs.AI cs.RO quant-ph
Self-sustaining Software Systems (S4): Towards Improved Interpretability and Adaptation
University of Cambridge(剑桥大学)
针对现代软件复杂性导致的可解释性与适应性不足,本文提出自维持软件系统S4,通过在所有知识源间构建知识循环来增强自主理解与动态适应能力。
2024-01-21 cs.AI cs.SE cs.SY