Neural Analogical Matching
Northwestern University（西北大学）；IBM Research（IBM研究院）
类比是人类认知的核心。它允许我们根据先前的经验解决问题，它支配着我们对新信息的概念化方式，甚至影响我们的视觉感知。类比对人类的重要性使其成为更广泛的人工智能研究领域的一个活跃领域，从而产生了以类似人类的方式学习和推理的数据高效模型。虽然类比和深度学习的认知视角通常是相互独立的，但这两条研究路线的整合是朝着更强大和更有效的学习技术迈出的有希望的一步。作为对这种整合的越来越多的研究的一部分，我们引入了类比匹配网络：一种神经架构，它学习在结构化的符号表示之间产生类比，这些表示在很大程度上与结构映射理论的原则一致。
2020-12-15 cs.AI cs.NE cs.SC
CBR with Commonsense Reasoning and Structure Mapping: An Application to Mediation
Artificial Intelligence Research Institute, IIIA - CSIC（人工智能研究所（IIIA - CSIC））
调解是解决纠纷的重要方法。我们实现了一个基于案例的推理方法，调解集成类比和常识推理组件，允许人工调解代理，以满足人类调解员预期的要求，特别是：利用经验，在不同的领域的情况下，和结构上转换的一组问题，以更好的解决方案。我们利用一个基于本体论的案例结构，反映了争议各方的看法。类比推理的组成部分，采用结构映射理论从心理学，提供了一个灵活性，在不寻常的情况下，创新的反应，与传统的方法局限于专门的问题领域。我们的目标是建立一个调解案例库，结合现实世界的情况，从人际或团体间的纠纷，国际冲突。
2011-10-12 cs.AI cs.LG
ASPECT:Analogical Semantic Policy Execution via Language Conditioned Transfer
Applied Artificial Intelligence Initiative, Deakin University, Waurn Ponds, Geelong（迪肯大学应用人工智能计划）；School of IT, Deakin University, Waurn Ponds, Geelong（迪肯大学信息技术学院）
ASPECT通过语言条件化的变分自编码器和大语言模型实现零样本迁移，解决传统方法在新任务适应性差的问题。
2026-04-10 cs.AI
Can LLMs Help Improve Analogical Reasoning For Strategic Decisions? Experimental Evidence from Humans and GPT-4
INSEAD Singapore（欧洲工商管理学院新加坡分校）；Indian School of Business（印度商学院）；ESSEC Business School（埃塞克商学院）
本研究通过源到目标匹配实验发现，GPT-4在战略决策类比推理中召回率高但精确率低，人类则反之，表明LLM宜作类比生成器而人类宜作评估者。
2025-05-01 cs.AI cs.HC
The Latent Relation Mapping Engine: Algorithm and Experiments
Institute for Information Technology（信息技术研究所）；National Research Council Canada（加拿大国家研究委员会）
许多人工智能研究人员和认知科学家认为，类比是认知的核心。结构映射理论（SMT）及其在结构映射引擎（SME）中的实现是类比制作计算建模中最有影响力的工作。SME的一个限制是需要复杂的手工编码表示。我们引入潜在关系映射引擎（LRME），它结合了SME和潜在关系分析（LRA）的思想，以消除手工编码表示的要求。LRME在单词列表之间建立类比映射，使用大量的原始文本语料库自动发现单词之间的语义关系。我们评估LRME一组20个类比映射问题，10个基于科学类比和10个基于常见的隐喻。LRME在20个问题上实现了人类水平的性能。我们比较LRME与各种替代方法，发现它们无法达到相同的性能水平。
2008-12-23 cs.AI cs.CL cs.LG
Analogy-Forming Transformers for Few-Shot 3D Parsing
Carnegie Mellon University（卡内基梅隆大学）
本文提出类比网络，通过从记忆中检索相关三维场景并利用端到端调制机制进行类比推理，统一处理单样本、少样本和多样本三维解析，在少样本设置下优于现有方法，并可通过扩展记忆分割新类别而无需更新权重。
2023-05-30 cs.AI cs.CV cs.LG
A Probabilistic Approach to Knowledge Translation
University of Oregon（俄勒冈大学）
在本文中，我们专注于一个新的知识重用的情况下，在源模式的知识需要被翻译到一个语义异构的目标模式。我们将这一任务称为“知识翻译”（KT）。与数据转换和迁移学习不同，KT不需要来自源或目标模式的任何数据。我们采用了一种概率的方法来KT表示的知识在源模式，源和目标模式之间的映射，以及由此产生的知识在目标模式都作为概率分布，特别是使用马尔可夫随机场和马尔可夫逻辑网络。给定源知识和映射，我们使用概率图模型的标准学习和推理算法来找到目标模式中的显式概率分布，以最大限度地减少Kullback-Leibler偏离隐式分布。这为我们提供了一个紧凑的概率模型，它尽可能地表示来自源模式的知识，同时考虑源知识和映射的不确定性。在命题和关系域上的实验中，我们发现KT获得的知识与其他需要数据的方法相当，这表明知识可以在没有数据的情况下重复使用。
2015-07-12 cs.AI
MAGIK: Mapping to Analogous Goals via Imagination-enabled Knowledge Transfer
Applied Artificial Intelligence Initiative, Deakin University School of IT, Deakin University（应用人工智能倡议，德克萨斯大学IT学院，德克萨斯大学）
提出MAGIK框架，利用想象力机制将目标任务实体映射到源域类比物，实现零样本知识迁移，在MiniGrid和MuJoCo任务上验证有效性。
2026-07-03 cs.AI cs.LG
Modeling Understanding of Story-Based Analogies Using Large Language Models
Georgia Institute of Technology（佐治亚理工学院）
本研究聚焦基于故事的类比映射任务，通过句子嵌入和显式提示评估了GPT-4和LLaMA3等大语言模型在个体类比层面的推理表现，发现模型规模影响推理能力，推进了对LLMs类比推理及人类认知建模的理解。
2025-07-15 cs.AI cs.CL
Training-Free Clinical Reasoning through Medical Ontologies and Cognitive Mapping: A Symbolic-Probabilistic Knowledge Graph Framework
提出CKG Reasoner框架，通过医学本体和认知映射实现无训练临床推理，利用符号-概率知识图谱整合证据，在六个回顾性队列中取得高F1分数，验证了知识驱动诊断的可行性。
2026-09-29 cs.AI
Parametric Prior Mapping Framework for Non-stationary Probabilistic Time Series Forecasting
School of Computer Science and Engineering（计算机科学与工程学院）
提出参数先验映射（PPM）框架，通过将参数化结构先验注入生成模型，结合混合目标训练，在非平稳概率多变量时间序列预测中实现精度与计算效率的平衡。
2026-05-22 cs.AI cs.LG
Unsupervised Knowledge Graph Alignment by Probabilistic Reasoning and Semantic Embedding
Tencent Jarvis Lab（腾讯天衍实验室）；University of Oxford（牛津大学）；Tencent（腾讯）；Zhejiang University（浙江大学）
知识图谱（KG）对齐是为了发现映射（即，等同实体、关系和其他）。现有的方法可以分为基于嵌入的模型和传统的基于推理和词汇匹配的系统。前者通过跨KG嵌入计算实体的相似性，但它们通常依赖于理想的监督学习设置以获得良好的性能，并且缺乏适当的推理以避免逻辑错误的映射;而后者解决了推理问题，但在利用KG图结构和实体上下文方面很差。在这项研究中，我们的目标是结合上述两个解决方案，从而提出了一个迭代框架命名为PRASE，这是基于概率推理和语义嵌入。它从概率推理系统PARIS中通过实体映射学习KG嵌入，并将得到的实体映射和嵌入反馈回PARIS进行增强。PRASE框架与不同的基于嵌入的模型兼容，我们在多个数据集上的实验证明了其最先进的性能。
2021-06-11 cs.AI cs.CL cs.LG
PRASEMap: A Probabilistic Reasoning and Semantic Embedding based Knowledge Graph Alignment System
Tencent Jarvis Lab（腾讯贾维斯实验室）；University of Oxford（牛津大学）；Tencent Platform and Content Group（腾讯平台与内容事业群）；Tencent Healthcare (Shenzhen) Co., LTD.（腾讯医疗健康（深圳）有限公司）
知识图谱（KG）对齐旨在找到等价的实体和关系（即，两个KG之间的映射。现有的方法利用基于推理或基于语义嵌入的技术，但很少有研究探讨他们的组合。在这个演示中，我们提出了PRASEMap，一个无监督的KG对齐系统，它使用概率推理（PR）和语义嵌入（SE）技术迭代计算映射。PRASEMap可以支持各种基于嵌入的KG对齐方法作为SE模块，并且实现简单的人机交互，其另外为用户提供将映射注释反馈回系统以获得更好结果的选项。该演示通过一个具有用户友好界面的独立Web应用程序展示了这些功能。该演示可在https://prasemap.qizhy.com上获得。
2021-08-20 cs.AI cs.CL cs.LG
Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments
CIRS Underwater Vision and Robotics Research Centre（CIRS水下视觉与机器人研究中心）；Universitat de Girona（赫罗纳大学）；VICOROB VIsió per COmputador i ROBòtica（VICOROB计算机视觉与机器人实验室）
对于在高度非结构化或完全未知的环境中运行的机器人来说，安全自主导航是一个重要且具有挑战性的问题。在这些条件下，不仅机器人系统必须处理有限的定位信息，而且它们的机动性受到其动力学的约束，并且经常受到不确定性的影响。为了应对这些约束，本文提出了一个基于不确定性的框架，用于在线映射和规划可行的运动，并具有概率安全保证。所提出的方法通过以下方式处理运动、概率安全性和在线计算约束：（i）递增地映射周围环境以构建环境的不确定性感知表示，以及（ii）迭代地（重新）规划轨迹以通过信念空间中的多层基于采样的规划器实现运动动力学可行和概率安全的目标。深入的实证分析说明了这种方法的一些重要特性，即（a）多层规划策略可以快速探索高维置信空间，同时保持渐近最优性和完整性保证，以及（b）与文献中的其他不确定性感知规划器相比，所提出的概率碰撞检查例程的概率范围更紧。此外，对非完整鱼雷形自主水下航行器的真实水中实验评估和DARPA 2019年地下挑战赛的四旋翼无人机的楼梯井场景中的模拟试验证明了该方法的有效性及其适用于有限的系统。
2020-05-26 cs.AI cs.RO
Generation of patient specific cardiac chamber models using generative neural networks under a Bayesian framework for electroanatomical mapping
Marquette University（马凯特大学）；Aurora Healthcare（奥罗拉医疗保健）
本文提出一种贝叶斯概率图模型方法，利用在分割CT/MRI数据上训练的生成神经网络，从电解剖标测获取的稀疏三维点云重建患者特异性心腔模型，以减少手术时间和X射线暴露，并提升模型可解释性。
2023-11-27 cs.AI cs.LG eess.IV
Syntactico-Semantic Reasoning using PCFG, MEBN & PP Attachment Ambiguity
Walchand Institute of Technology（瓦尔昌德理工学院）
概率上下文无关文法（PCFG）是近年来基于概率推理的语法分析器的核心，特别是在自然语言处理的环境中。多实体贝叶斯网络（MEBN）是一种一阶逻辑概率推理方法，被广泛采用并用于不确定性推理。进一步的上层本体，如使用MEBN构建的概率本体网络语言（PR-OWL），负责概率本体，其建模并捕获域语义信息中固有的不确定性。本文试图建立在PCFG和MEBN的概率推理之间的联系，提出了一个形式化的描述PCFG驱动MEBN导致使用PR-OWL建模本体PCFG解析器。此外，本文概述了一种方法来解决介词短语（PP）的附件歧义使用建议之间的映射PCFG和MEBN。
2019-01-28 cs.AI cs.CL
