The Mathematics of Artificial Intelligence
CNRS(法国国家科学研究中心);ENS, Université PSL(巴黎文理研究大学高等师范学院)
本文综述了数学在人工智能中的核心作用,强调数学工具帮助理解与优化AI系统,同时AI也推动新数学发展,并鼓励更多数学家参与该领域。
2025-01-15 cs.AI math.OC
Correctness, Artificial Intelligence, and the Epistemic Value of Mathematical Proof
Department of Logic and Philosophy of Science University of California, Irvine(逻辑与科学哲学系加州大学伊维奇分校);Department of Mathematics University of California, Irvine(数学系加州大学伊维奇分校)
本文探讨了数学证明的正确性与认知价值之间的关系,提出形式正确性在数学中的作用,并讨论其对人工智能在数学中的应用的影响。
2026-02-12 cs.AI math.HO
Information Compression, Intelligence, Computing, and Mathematics
本文提出了证据的想法,大部分的人工智能,人类的感知和认知,主流计算,数学,可以理解为压缩信息通过匹配和统一的模式。这是“SP智力理论”的基础,在论文中概述并在其他地方充分描述。相关证据可以看到:在SP理论的实证支持;在生物学和工程学方面的信息压缩(IC)的一些优势;在我们使用的速记和普通话的语言;在我们如何合并任何一个事物的连续视图;在视觉识别;在双目视觉;在视觉适应;在我们如何学习语言中的词汇和语法结构;和在知觉恒定性。通过模式的匹配和统一的IC可以在计算和数学中看到:在IC中通过方程;在名称的匹配和统一中;在减少或去除一元数的冗余中;在Post的规范系统和通用图灵机中的转换函数的工作中;在计算机从内存中检索信息的方式中;在Prolog之类的系统中;以及用于信息检索的逐例查询技术。IC的代码分块技术可以在使用命名函数以避免计算机代码的重复中看到。模式加校正技术可以在带参数的函数和面向对象编程中的类的使用中看到。游程编码技术可以在乘法、除法以及其他数学和计算设备中看到。SP理论解决了“以压缩解压缩”的明显悖论。作为IC的计算和认知与冗余的使用是兼容的,例如备份副本,以保护数据和在嘈杂的环境中理解语音。
2015-07-13 cs.AI
A mathematical framework of intelligence and consciousness based on Riemannian Geometry
Peking University(北京大学)
本文提出基于黎曼几何的数学框架,将智能元素视为高维空间中的token嵌入并形成流形,将思维流描述为流形测地线上的顺序激活,意识作为自指过程通过预测误差调整测地线,为生物与人工智能的结构和动力学提供统一理论。
2024-11-10 cs.AI math.DG
Textual analysis of artificial intelligence manuscripts reveals features associated with peer review outcome
Université de Montréal(蒙特利尔大学);Université d’Ottawa(渥太华大学)
我们分析了提交给各种人工智能会议的科学手稿数据集。我们进行了语义,词汇和心理语言学分析的手稿的全文相结合,并将它们与同行评议过程的结果进行比较。我们发现,在可读性的两个指标上,被接受的手稿的得分低于被拒绝的手稿,而且他们也使用了更多的科学和人工智能术语。我们还发现,被接受的手稿所写的单词不太常见,在年龄较大时获得,并且比被拒绝的手稿更抽象。对手稿中包含的参考文献的分析表明,被接受的提交物的子集更有可能引用相同的出版物。这一发现得到了手稿单词内容的成对比较(即指标或语义相似性)的回应,这些手稿在被接受的手稿子集中更相似。最后,我们预测了同行评议结果的手稿与他们的文字内容,与机器学习和神经网络相关的字与接受呈正相关,而与逻辑,符号处理和基于知识的系统相关的字与接受呈负相关。
2020-03-03 cs.AI cs.CL cs.DL
Natural, Artificial, and Human Intelligences
City, University of London(伦敦城市大学)
本文探讨了人类是否是唯一具有智能的生物,分析了人工智能、动物智能及语言在智能发展中的作用,并指出聊天机器人在智能方面的局限性及未来发展方向。
2025-11-28 cs.AI
Towards Tractable Mathematical Reasoning: Challenges, Strategies, and Opportunities for Solving Math Word Problems
Embibe
数学推理将是人工智能取得重大进展的下一个前沿领域之一。解决数学应用题(MWPs)并因此获得更好的数学推理能力的持续激增将继续成为未来研究的关键。我们检查非神经和神经的方法来解决以自然语言叙述的数学应用题。我们还强调了这些方法的能力是可推广的,数学上合理的,可解释的和可解释的。神经方法主导了当前的最新技术水平,我们调查了它们,强调了MWP求解的三种策略:(1)直接答案生成,(2)用于推断答案的表达式树生成,以及(3)用于答案计算的模板检索。此外,我们还讨论了技术方法,回顾了直观的设计选择的演变,以解决MWPs,并检查他们的数学推理能力。我们最终确定了几个差距,保证需要外部知识和知识注入学习,在解决MWPs的其他几个机会。
2021-10-29 cs.AI cs.CL
One Decade of Universal Artificial Intelligence
NICTA(澳大利亚国家信息与通信技术研究院);ETH Zürich(苏黎世联邦理工学院)
本世纪的第一个十年见证了第一个通用人工智能数学理论的诞生。通用人工智能(UAI)的这一理论对许多理论、哲学和实际的人工智能问题做出了重大贡献。在一系列的论文中,最终在书(Hutter,2005)中,一个令人兴奋的声音和完整的数学模型的超级智能代理(AIXI)已经开发和严格的分析。虽然现在大多数人工智能研究人员避免讨论智能,但获奖的博士论文(Legg,2008)提供了哲学嵌入,并研究了基于UAI的理性智能的通用度量,这是正式的,客观的和非以人为中心的。最近,在JAIR论文(Veness等人,2011)中已经推导出了AIXI的有效近似并进行了实验研究。这一实际的突破已经带来了一些令人印象深刻的应用,最终平息了早先关于UAI只是一个理论的批评。这是第一次,在不提供任何领域知识的情况下,同一个代理能够自适应各种各样的交互环境。例如,AIXI能够从头开始学习玩TicTacToe,Pacman,Kuhn Poker和其他游戏,甚至不提供游戏规则。这些成就给人以新的希望,即通用人工智能的宏伟目标并非遥不可及。本文提供了一个非正式的概述UAI的背景。它试图温和地介绍一个非常理论化,形式化和数学化的主题,并讨论哲学和技术成分,智能特征,一些社会问题以及UAI的过去和未来。
2012-02-28 cs.AI
Towards Verified Artificial Intelligence
University of California, Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学)
验证的人工智能(AI)是设计基于AI的系统的目标,这些系统具有强大的、理想的可证明的正确性保证。本文从形式化方法的角度考虑验证AI。我们描述了实现经验证的人工智能的五个挑战,以及应对这些挑战的五个相应原则。
2020-07-23 cs.AI
Artifical intelligence and inherent mathematical difficulty
University of Warwick(华威大学);Université Paris 1 Panthéon-Sorbonne(巴黎第一大学先贤祠-索邦大学)
本文通过更新可计算性与复杂性理论的限制性论证,并结合自动定理证明、SAT求解器和大语言模型等AI方法,论证数学证明发现本质上困难,AI技术只是蛮力搜索,只能处理低逻辑复杂度命题。
2024-08-01 cs.AI cs.CC math.HO
Artificial intelligence and machine learning generated conjectures with TxGraffiti
Rice University(莱斯大学)
本文介绍基于机器学习与启发式方法的数学猜想自动生成系统 TxGraffiti,概述其技术实现、回顾其已发表成果,并发布面向公众的图论猜想在线探索平台。
2024-07-03 cs.AI math.CO
Artificial Intelligence and the Structure of Mathematics
Meta Superintelligence Labs, Fundamental AI Research(Meta超级智能实验室,基础人工智能研究);Department of Physics and Joint Quantum Institute, University of Maryland, College Park(马里兰大学帕克分校物理系与联合量子研究所);Center for Mathematical Sciences and Applications, Harvard University(哈佛大学数学科学与应用中心)
本文探讨人工智能如何通过构建新的路径,补充数学逻辑,揭示数学的全球结构。提出AI在数学发现中的关键要素及标准,并反思数学的本质。
2026-04-07 cs.AI math.HO math.LO
Mathematical Programming in Machine Learning and Artificial Intelligence: A Unified Taxonomy of Models and Applications
本文提出一种统一分类法,将机器学习与AI中的各类应用按数学规划范式(如线性、混合整数、双级等)组织,并统一符号、比较可处理性与求解策略,强调其作为预测与约束决策间纪律性接口的价值。
2026-09-09 cs.AI math.OC
A Study on Artificial Intelligence IQ and Standard Intelligent Model
Beijing Jiaotong University(北京交通大学);Chinese Academy of Sciences(中国科学院);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
当前,人工智能(AI)对人类的潜在威胁在社会上引发了很大的争议,其背后的问题实质是能否对人工智能(AI)系统进行定量评估。分析和评价了人工智能发展水平面临的挑战,提出人类智能测验和人工智能系统的评价方法不统一,其关键原因在于没有一种模型能够统一描述人工智能系统和类人生物。针对这一问题,本研究建立了一个标准的智能系统模型来统一描述人工智能系统和类人生物。在此基础上进行了抽象的数学描述,建立了标准的智能机数学模型,对冯·诺依曼体系结构进行了扩展,提出了刘峰-施永体系结构,给出了人工智能智商的定义,建立了人工智能的量表和评价方法,并对该模型进行了验证。对全球50个搜索引擎和3个不同年龄的人类受试者进行测试,最终得出人工智能IQ 2014的绝对智商和偏差智商排名。
2015-12-03 cs.AI
Universal Algorithmic Intelligence: A mathematical top->down approach
序贯决策理论正式解决了不确定世界中的理性主体问题,如果真实的环境先验概率分布是已知的。Solomonoff的泛归纳理论形式化地解决了未知先验分布的序列预测问题。我们将这两种思想结合起来,得到一个无参数的通用人工智能理论。我们给出了强有力的论据,由此产生的AIXI模型是最智能的无偏代理可能。我们概述了AIXI模型如何正式解决一些问题类,包括序列预测,战略游戏,功能最小化,强化和监督学习。AIXI模型的主要缺点是它是不可计算的。为了克服这个问题,我们构造了一个修改后的算法AIXITl,它仍然有效地比任何其他时间t和长度l有界代理更智能。AIXITl的计算时间是t x 2^l的数量级。讨论了智能顺序关系的形式化定义、视界问题以及AIXI理论与其他人工智能方法的关系。
2007-01-20 cs.AI cs.LG
Le Nozze di Giustizia. Interactions between Artificial Intelligence, Law, Logic, Language and Computation with some case studies in Traffic Regulations and Health Care
本文面向法律界介绍数学逻辑基础,聚焦基于规则的人工智能,分类阐述逻辑、计算和数学层面的限制与交互,以欧洲交通法规为例,并反思AI应用与社会机制。
2024-02-09 cs.AI cs.CY
An Approximation of the Universal Intelligence Measure
DeepMind Technologies Ltd(深度思维科技有限公司);University of Alberta(阿尔伯塔大学)
通用智力测量是最近提出的智力的正式定义。它在数学上是具体的,非常普遍,并且抓住了许多非正式的智力定义的本质。它基于哈特的通用人工智能理论,是雷·索洛蒙诺夫关于通用归纳的开创性工作的延伸。由于通用智力测量只能渐近计算,因此从它构建实用的智力测试并不简单。本文研究了开发一个现实世界的基于UIM的性能指标所涉及的实际问题。根据我们的调查,我们开发了一个原型实现,我们用来评估一些不同的人工代理。
2011-09-29 cs.AI
Riemannian Geometry Speaks Louder Than Words: From Graph Foundation Model to Next-Generation Graph Intelligence
University of Illinois Chicago(伊利诺伊大学香槟分校);Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出黎曼基础模型(RFM),通过内在几何捕捉复杂结构模式,推动图智能发展,实现从设计图模型到解决图结构应用的范式转变。
2026-03-23 cs.AI cs.LG
Future Trends for Human-AI Collaboration: A Comprehensive Taxonomy of AI/AGI Using Multiple Intelligences and Learning Styles
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文讨论了开发新一代未来人工通用智能(AGI)系统的一些趋势和概念,这些系统涉及到人类智能的复杂方面和不同类型,特别是社会,情感,注意力和道德智能。我们描述了多种人类智能和学习风格的各个方面,这可能会影响各种人工智能问题领域。使用“多元智能”的概念,而不是一个单一类型的智能,我们分类,并提供各种AGI的工作定义,这取决于他们的认知技能或能力。未来的人工智能系统不仅能够与人类用户进行交流,而且能够有效地交流知识和智慧,具有合作,协作甚至共同创造新的有价值的东西的能力,并具有元学习能力。像这样的多智能体系统可以用来解决任何单个智能体都难以解决的问题。关键词:人工智能(AGI),多元智能,学习风格,身体智能,情感智能,社会智能,注意力智能,道德伦理智能,负责任的决策,创造性创新智能,认知功能,人工智能系统的元学习。
2020-12-11 cs.AI
Universal Intelligence: A Definition of Machine Intelligence
IDSIA(达勒莫尔人工智能研究所)
人工智能的一个基本问题是没有人真正知道智能是什么。当我们需要考虑与人类显著不同的人工系统时,这个问题尤其严重。在本文中,我们处理这个问题的方式如下:我们采取了一些众所周知的非正式定义的人类智能,已由专家,并提取其基本特征。然后这些被数学形式化,以产生任意机器的智能的一般度量。我们认为,这个等式在最广泛的合理意义上正式捕捉了机器智能的概念。然后,我们展示了这个正式的定义是如何与通用的最佳学习代理的理论。最后,我们调查了许多其他的测试和定义的智能已经提出了机器。
2007-12-20 cs.AI
Diffusion Models for Generative Artificial Intelligence: An Introduction for Applied Mathematicians
University of Glasgow(格拉斯哥大学);University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学)
本文面向应用数学家和统计学家,介绍扩散模型的基本原理、数学推导及其与偏微分方程的联系,并提供了计算示例和代码,旨在帮助高年级本科生和研究生理解这一生成式AI的核心技术。
2023-12-21 cs.AI cs.LG
A Classification of Artificial Intelligence Systems for Mathematics Education
Universidad de Cantabria(坎塔布里亚大学);Universitat de València(瓦伦西亚大学)
本章概述了在当代数学教育(ME)数字化工具中使用的不同人工智能(AI)系统。它针对人工智能和机器学习(ML)的研究人员,我们为他们提供了一些关于教育应用中使用的特定技术的信息;以及ME的研究人员,我们澄清:i)当前人工智能技术的可能性是什么,ii)仍然遥不可及,iii)在不久的将来会有什么。我们通过建立作为数字ME应用程序中的组件的AI工具的高级分类来开始我们的分析。然后,我们详细描述了这些人工智能工具,特别是ML,如何用于两个关键应用,特别是基于人工智能的计算器和智能辅导系统。在本章结束时,我们将讨论学生建模系统及其与人工智能的关系。
2021-10-20 cs.AI cs.CY math.HO
Quantum Mathematics in Artificial Intelligence
IonQ, Inc.(IonQ 公司);University of Technology Sydney(悉尼科技大学);University of Washington(华盛顿大学)
2010年以来的十年,人工智能的成功一直处于计算机科学技术的前沿,向量空间模型也巩固了在人工智能前沿的地位。与此同时,量子计算机变得更加强大,重大进展的公告经常出现在新闻中。这两个领域的数学技术有更多的共同点比有时意识到的。向量空间在20世纪30年代占据了量子力学公理化的核心地位,这种采用是从向量空间的线性几何推导逻辑和概率的关键动机。粒子之间的量子相互作用使用张量积来建模,张量积也用于表达人工神经网络中的对象和操作。本文描述了其中一些常见的数学领域,包括它们如何用于人工智能(AI)的例子,特别是在自动推理和自然语言处理(NLP)。讨论的技术包括向量空间,标量积,子空间和蕴涵,正交投影和否定,对偶向量,密度矩阵,正算子和张量积。应用领域包括信息检索、分类和含义、建模词义和消歧、知识库中的推理和语义组合。其中一些方法可能会在量子硬件上实现。执行工作中的许多实际步骤还处于早期阶段,有些已经实现。解释一些常见的数学工具可以帮助人工智能和量子计算的研究人员进一步利用这些重叠,识别和探索新的方向。
2021-12-16 cs.AI cs.CL cs.IR
Mathematical Word Problem Generation from Commonsense Knowledge Graph and Equations
TAL Education Group(好未来教育集团)
数学应用题生成在教育评价中的应用越来越受到人们的关注。与标准的自然问题生成不同,MWP生成需要维护数量和变量之间的底层数学运算,同时确保输出与给定主题之间的相关性。为了解决上述问题,我们开发了一个端到端的神经模型,从常识知识图谱和方程中生成现实世界场景中的各种MWP。所提出的模型(1)从符号方程和常识知识的边增强Levi图中学习两种表示;(2)在生成MWP时通过自规划模块自动融合方程和常识知识信息。在教育金标准集和大规模生成的MWP集上的实验表明,我们的方法在MWP生成任务上是优越的,并且在自动评估指标方面优于SOTA模型,即,BLEU-4、ROUGE-L、Self-BLEU和人工评估指标,即,等式关联、话题关联和语言连贯。为了鼓励可重复的结果,我们在\url{https://github.com/tal-ai/MaKE_EMNLP2021}上公开了我们的代码和MWP数据集。
2021-09-09 cs.AI cs.CL
How Do Artificial Intelligences Think? The Three Mathematico-Cognitive Factors of Categorical Segmentation Operated by Synthetic Neurons
Neocognition & Faculties of Philosophy and Psychology, Paris(巴黎新认知与哲学心理学学院);Neocognition and NP - Phelma, UGA(佐治亚大学新认知与NP-Phelma学院);Neocognition(新认知机构);Neocognition and Faculty of Medicine of Lyon East, University Lyon 1(里昂第一大学里昂东部医学院新认知机构);Neocognition (Chrysippe R&D) and Department of Psychology, University of Paris 8(巴黎第八大学心理学系新认知机构(克吕西普研发中心));Neocognition (Chrysippe R&D) and Epitech Paris(巴黎Epitech新认知机构(克吕西普研发中心))
该研究聚焦语言模型合成神经元的范畴思维形成问题,基于神经元聚合函数的代数运算数学本质,从启动效应、注意力、范畴相位三个维度探索塑造人工认知范畴重构的数学-认知因素。
2024-12-26 cs.AI cs.NE q-bio.NC
An overview of diffusion models for generative artificial intelligence
University of Münster(明斯特大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));ETH Zurich(苏黎世联邦理工学院);Risklab(风险实验室)
本文系统综述生成式AI中的扩散模型,给出DDPM的严谨数学框架、训练与生成原理,并梳理改进型DDPM、DDIM、无分类器引导和潜扩散等重要扩展。
2024-12-02 cs.AI cs.LG
Mathematics of natural intelligence
Artificial Intelligence Research Center of Novosibirsk State University(新西伯利亚国立大学人工智能研究中心);Sobolev institute of mathematics SB RAS(索比列夫数学研究所)
本文提出基于认知图的数学模型,以解释自然智能的结构、功能及意识的本质。
2025-12-07 cs.AI q-bio.NC
Some Pragmatic Prevention's Guidelines regarding SARS-CoV-2 and COVID-19 in Latin-America inspired by mixed Machine Learning Techniques and Artificial Mathematical Intelligence. Case Study: Colombia
Institución Universitaria Pascual Bravo(帕斯夸尔·布拉沃大学机构);Institución Universitaria ITM (Instituto Tecnológico Metropolitano)(ITM大学机构(大都会理工学院));Visión Real Cognitiva S.A.S.(真实视觉认知股份公司);Tecnológico de Antioquia - Institución Universitaria(安蒂奥基亚理工学院-大学机构)
我们使用了一种增强的方法,结合了特定形式的人工智能技术,意见挖掘和人工数学智能(AMI),以及关于冠状病毒SARS-CoV-2传播的公共数据和自首例阳性病例报告以来的前三个月内哥伦比亚COVID-19疾病的发病率。所获得的结果,以及来自AMI中出现的基本认知机制的全球分类学的概念工具,以及来自哥伦比亚公共卫生和主流社交媒体的适当背景信息,使我们能够说明具体的预防指南,以更好地重建哥伦比亚的初始安全和稳定的生活条件,并以扩展的方式在类似的拉丁美洲国家。更具体地说,我们描述了三个主要的指导方针:1)定期创造性的可视化和有效的规划,2)持续使用建设性的语言框架,3)频繁和适度使用动觉例程。应从认知和行为的角度,而不是从生物学的角度,将它们理解为有效的工具。更重要的是,前两项准则应与第三项准则整体合作,以确认COVID-19对整个人类(包括身心)的全球影响。
2021-05-12 cs.AI cs.SI
The Use of Generative Artificial Intelligence for Upper Secondary Mathematics Education Through the Lens of Technology Acceptance
University of Jyväskylä(于韦斯屈莱大学)
本研究调查芬兰高中生对生成式人工智能(GenAI)在高中数学教育中应用的看法,通过构建技术接受模型及扩展兼容性构念的模型,揭示关键构念对AI工具采用的影响,为AI融入数学教育提供情境化见解。
2025-04-15 cs.AI cs.CY cs.HC
An Independent Evaluation of ChatGPT on Mathematical Word Problems (MWP)
Arizona State University(亚利桑那州立大学)
我们研究了一个商业上可用的大语言模型(LLM)被称为ChatGPT的数学单词问题(MWPs)从数据集DRAW-1 K的性能。据我们所知,这是ChatGPT的第一次独立评估。我们发现ChatGPT的性能根据显示其工作的需求而发生显着变化,当它提供工作时,有20%的时间失败,而当它不提供工作时,则有84%。与未知数的数量和操作的数量相关的关于MWP的其他几个因素导致与先前相比更高的失败概率,特别注意(在所有实验中)失败概率随着加法和减法操作的数量线性增加。我们还发布了ChatGPT对MWP的响应数据集,以支持LLM性能表征的进一步工作,并提供基线机器学习模型来预测ChatGPT是否可以正确回答MWP。我们发布了一个由ChatGPT的响应组成的数据集,以支持该领域的进一步研究。
2023-02-28 cs.AI cs.CL cs.LG
The Mathematics of Comparing Objects
Zuse Institute Berlin (ZIB)(柏林祖斯研究所);TU Berlin(柏林工业大学)
“在阅读了两个不同的犯罪故事后,一个人工智能得出结论,在这两个故事中,警察只是随机找到了凶手。“--在何种程度上以及在何种假设下,这是对现实情景的描述?
2022-03-30 cs.AI math.RA
Mathematics of multi-agent learning systems at the interface of game theory and artificial intelligence
Peking University(北京大学);Dartmouth College(达特茅斯学院);Geisel School of Medicine at Dartmouth(达特茅斯盖泽尔医学院);Beijing University of Posts and Telecommunications(北京邮电大学)
该研究梳理演化博弈论与人工智能的关联差异,指出二者思想交叉可支撑多智能体学习系统的数学研究,推动集体合作智能这一新兴领域发展。
2024-03-09 cs.AI cs.GT cs.MA
A Formal Measure of Machine Intelligence
人工智能的一个基本问题是没有人真正知道智能是什么。当我们需要考虑与人类显著不同的人工系统时,这个问题尤其严重。在本文中,我们处理这个问题的方式如下:我们采取了一些众所周知的非正式定义的人类智能,已由专家,并提取其基本特征。然后这些被数学形式化,以产生任意机器的智能的一般度量。我们认为,这一衡量标准在最广泛的合理意义上正式抓住了机器智能的概念。
2006-05-06 cs.AI cs.LG
Why are NLP Models Fumbling at Elementary Math? A Survey of Deep Learning based Word Problem Solvers
L3S Research Center(L3S研究中心);IBM Research(IBM研究院);Queen’s University(女王大学);University of Örebro(厄勒布鲁大学)
从过去十年的后半期开始,人们对开发自动解决数学应用题(MWP)的算法越来越感兴趣。这是一个具有挑战性和独特的任务,需要融合表面水平的文本模式识别与数学推理。尽管进行了广泛的研究,但我们距离建立小学数学应用题的鲁棒表示和一般任务的有效解决方案仍然很远。在本文中,我们批判性地研究了各种模型,已开发的解决字的问题,他们的优点和缺点和未来的挑战。在过去的两年里,许多深度学习模型在基准数据集上记录了相互竞争的结果,这使得对文献的关键性和概念性分析在这个时候非常有用。我们退后一步,分析为什么,尽管在学术兴趣丰富,主要使用的实验和数据集设计仍然是一个绊脚石。从分析文献的角度,我们也努力为未来的数学应用题研究提供一个路线图。
2022-05-31 cs.AI cs.CL
Psychology of Artificial Intelligence: Epistemological Markers of the Cognitive Analysis of Neural Networks
Cabinet Chrysippe R&D(克律西普研发工作室);Paris University(巴黎大学)
本研究围绕人工智能的认知本质与知识存在形式问题,提出需以神经元层面的认知粒度开展人工智能心理学研究,并明确相关认识论里程碑是探究合成神经认知的前提。
2024-07-04 cs.AI q-bio.NC
Transparent Semantic Spaces: A Categorical Approach to Explainable Word Embeddings
Valencian Research Institute for Artificial Intelligence (VRAIN)(瓦伦西亚人工智能研究 institute);Universitat Politècnica de València(瓦伦西亚理工大学)
本文提出基于范畴论的透明语义空间框架,通过构造文本语义范畴和词嵌入范畴,证明GloVe、Word2Vec与度量MDS算法的等价性,并给出嵌入前计算与缓解偏置的数学方法,以提升词嵌入的可解释性。
2025-08-28 cs.AI cs.CL math.CT
Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning
University of Science and Technology of China(中国科学技术大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
数学推理是通用人工智能的关键能力之一,它要求机器从解决问题中掌握数学逻辑和知识。然而,就在推理过程中学习和应用的知识而言,现有的方法并不透明(因此不可解释)。在本文中,我们提出了一个通用的学习应用(LeAp)框架,以增强现有的模型(骨干)在一个原则性的方式通过显式知识学习。在LeAp中,我们在一个新的问题-知识-表达范式中进行知识学习,知识编码器从问题数据中获取知识,知识解码器将知识应用于表达推理。学习到的数学知识,包括词-词关系和词-算子关系,形成了一个显性的知识图谱,将知识的“学”与“用”有机地连接起来。此外,对于问题的解决,我们设计了一个语义增强模块和推理增强模块,应用知识,以提高问题的理解和符号推理能力的任何骨干,分别。从理论上证明了LeAp自主学习机制的优越性。在三个真实数据集上的实验表明,LeAp提高了所有骨干的性能,学习准确的知识,并实现了更可解释的推理过程。
2023-02-11 cs.AI cs.CL cs.LG
Using Sentence Embeddings and Semantic Similarity for Seeking Consensus when Assessing Trustworthy AI
Goethe University Frankfurt(法兰克福大学);Intel Labs(英特尔实验室);Arcada University of Applied Sciences(阿卡达应用科学大学);Seoul National University(首尔国立大学)
评估人工智能系统的可信度需要来自许多不同学科的知识。这些学科之间不一定共享概念,可能使用具有不同含义的单词,甚至以不同的方式使用相同的单词。此外,来自不同学科的专家可能不知道其他学科中容易使用的专业术语。因此,评估过程的一个核心挑战是,确定不同学科的专家何时谈论同一问题,但使用不同的术语。换句话说,问题是将问题描述分组(也称为问题描述)。问题)具有相同的语义含义,但使用略有不同的术语进行描述。在这项工作中,我们展示了我们如何利用自然语言处理的最新进展,即句子嵌入和语义文本相似性,来支持这个识别过程,并弥合跨学科专家团队的沟通差距,评估医疗保健中使用的人工智能系统的可信度。
2022-08-09 cs.AI cs.IR
Artificial Intelligence for Mathematical Reasoning: An Integrated Survey of Language Models, Neuro-symbolic Systems, and Verified Discovery
University of California, Berkeley(加州大学伯克利分校);University of Cambridge(剑桥大学);University of Toronto(多伦多大学)
本文综述了数学推理领域从早期规则系统到当代推理模型、多智能体系统及验证发现工作流的演变,沿非正式推理、形式推理、数学发现及推理技术四轴组织,并评估了基准测试、失败模式及未来方向。
2026-07-28 cs.AI cs.CL cs.CV
Tackling Math Word Problems with Fine-to-Coarse Abstracting and Reasoning
Fudan University(复旦大学);Mila(米拉人工智能研究所);DIRO, Université de Montréal(蒙特利尔大学计算机科学与运筹学系);CIFAR(加拿大高等研究院)
数学应用题是一项重要的任务,它要求学生具备对数学文本的理解和推理能力。现有的方法大多将其形式化为一个生成任务,采用Seq2Seq或Seq2Tree模型将输入的数学问题用自然语言编码为全局表示,并生成输出的数学表达式。这样的方法只能学习浅层次的语法,无法捕捉输入中的细粒度变化。本文提出了一种从细到粗的数学应用题建模方法,既能捕捉到局部的细粒度信息,又能捕捉到全局的逻辑结构,而不是从全局特征中生成一个完整的方程序列或表达式树,而是迭代地组合低层操作数来预测高层操作数,对问题进行抽象,并自下而上对求解操作数进行推理.我们的模型自然对局部变化更敏感,可以更好地推广到看不见的问题类型。Math23k和SVAMP数据集上的广泛评估证明了我们方法的准确性和鲁棒性。
2022-05-17 cs.AI cs.CL
Speed Reading Tool Powered by Artificial Intelligence for Students with ADHD, Dyslexia, and Short Attention Span
Universiti Teknologi Malaysia(马来西亚理工大学)
针对阅读障碍、多动症及注意力不集中学生,提出用云托管大语言模型与自适应排版结合的人工智能工具,通过向Gemini API请求实时生成摘要,接受多种文件输入,优化可读性,经Flask框架部署,显著提升阅读速度与理解能力。
2026-07-28 cs.AI cs.CL
Cognitive Database: A Step towards Endowing Relational Databases with Artificial Intelligence Capabilities
IBM T. J. Watson Research Center(IBM T. J. Watson 研究中心);The Ohio State University(俄亥俄州立大学);Technion(以色列理工学院)
我们提出了认知数据库,一种透明地使关系数据库中的人工智能(AI)功能的方法。我们设计的一个新颖方面是首先将结构化数据源视为有意义的非结构化文本,然后使用该文本使用称为词嵌入的自然语言处理(NLP)技术构建无监督神经网络模型。该模型捕获不同类型的数据库标记之间隐藏的列间/列内关系。对于每个数据库令牌,模型包括编码上下文语义关系的向量。我们将词嵌入模型无缝集成到现有的SQL查询基础设施中,并使用它来实现一类新的基于SQL的分析查询,称为认知智能(CI)查询。CI查询使用模型向量来实现复杂查询,例如语义匹配、归纳推理查询(例如类比)、使用数据库中不存在的实体的预测查询,以及更一般地,使用来自外部源的知识。我们展示了认知数据库的独特功能,使用基于Apache Spark的原型在包含文本和图像的多模态数据库上执行归纳推理CI查询。我们相信我们的第一个同类系统证明了使用AI功能赋予关系数据库以前在实践中很难实现的功能。
2017-12-19 cs.AI cs.CL cs.DB
Design of a dynamic and self adapting system, supported with artificial intelligence, machine learning and real time intelligence for predictive cyber risk analytics in extreme environments, cyber risk in the colonisation of Mars
University of Oxford(牛津大学);Cisco Research Centre(思科研究中心);Cardiff University(卡迪夫大学);University of Warwick(华威大学)
多个政府机构和私人组织已经承诺殖民火星。这种殖民化需要复杂的系统和基础设施,在网络攻击的情况下,修复或更换这些系统和基础设施的成本可能非常高。本文调查了深度学习算法、物联网网络安全和风险模型,并建立了数学公式,以确定开发动态和自适应的系统的最佳方法,用于在人工智能和机器学习以及边缘计算中的实时的智能的支持下进行预测性网络风险分析。本文提出了一种新的数学方法,用于集成认知引擎设计、边缘计算、人工智能和机器学习的概念,以自动化异常检测。该引擎通过应用嵌入在物联网网络边缘的人工智能和机器学习来推动一个步骤的变化,为预测性网络风险分析提供安全和功能性的实时的智能。这将增强风险分析能力,并有助于全面系统地了解部署边缘计算节点以及将人工智能和机器学习技术迁移到互联网外围和本地物联网网络时出现的机会和威胁。
2021-02-11 cs.AI cs.CR cs.CY
Logic Contrastive Reasoning with Lightweight Large Language Model for Math Word Problems
Zhejiang Lab(之江实验室)
本文提出一种基于逻辑相似度筛选参考问题并结合正负例提示的轻量级大语言模型数学推理方法,首次将检索增强生成用于数学解题,在SVAMP和GSM8K上分别提升15.8%和21.5%,并分析了推理错误。
2024-08-29 cs.AI cs.CL
Wikistat 2.0: Educational Resources for Artificial Intelligence
Université de Toulouse – INSA(图卢兹大学-法国国立应用科学学院);Institut de Mathématiques de Toulouse(图卢兹数学研究所);IRT Saint Exupéry(圣埃克苏佩里技术研究院)
大数据、数据科学、深度学习、人工智能是与全面发展的就业市场相关的激烈炒作的关键词,这些关键词迫使我们适应大学专业培训的内容。哪一个人工智能最受求职者关注?在培训计划中应该优先考虑哪些方法和技术?我们需要制定哪些目标、工具和教育资源来满足这些紧迫的需求?我们在描述INSA图卢兹应用数学专业的数据科学方向的内容和操作资源时回答了这些问题。我们专注于基础数学培训(优化,概率,统计),与最有效的统计学习算法的实际实施,最合适的技术和真实的例子。鉴于技术的巨大波动性,对学生进行自我训练的训练势在必行,这将是他们从事专业活动时的技术监视工具。这解释了教育网站github.com/wikistat的结构为一组教程。最后,为了激励这些教程的彻底实践,每年都会以IA应用数学硕士学位学生之间的预测比赛的形式组织一场严肃的比赛。
2018-10-19 cs.AI cs.CY math.ST
Artificial intelligence for simplified patient-centered dosimetry in radiopharmaceutical therapies
Bern University Hospital, University of Bern(伯尔尼大学医院,伯尔尼大学);BC Cancer Research(不列颠哥伦比亚省癌症研究中心);Geneva University Hospital(日内瓦大学医院);University of British Columbia(不列颠哥伦比亚大学)
本文综述了人工智能在放射性药物疗法中简化以患者为中心的剂量测定的进展,旨在解决当前计算局限并展望未来方向。
2025-10-14 cs.AI physics.app-ph physics.med-ph
Generate & Rank: A Multi-task Framework for Math Word Problems
Huawei HiSilicon(华为海思);Peking University(北京大学)
数学应用题是自然语言处理中的一个具有挑战性和关键性的任务。最近的许多研究将MWP形式化为生成任务,并采用序列到序列模型将问题描述转换为数学表达式。然而,数学表达式容易出现小错误,而生成目标并不明确地处理这样的错误。为了解决这个问题,我们设计了一个新的排名任务MWP和提出生成&排名,一个多任务框架的基础上生成预训练的语言模型。通过与生成和排名的联合训练,模型从自己的错误中学习,并能够区分正确和不正确的表达。同时,我们执行专门为MWP设计的基于树的扰动和在线更新以提高排名。我们证明了我们提出的方法在基准测试中的有效性,结果表明,我们的方法在所有数据集中的性能始终优于基线。特别地,在经典的Math23 k中,我们的方法比最先进的方法高7%(78.4% $\rightarrow$ 85.4%)。
2021-09-07 cs.AI cs.CL
Machine Psychometrics: A Mathematical Psychology of Artificial Intelligence
Evolutionairy AI
针对人工智能评估中忽视心理结构或过度拟人化的两种错误,本文引入机器心理测量学,通过测量潜在行为、元认知、沟通和自我建模倾向,构建机器心智档案和信任协议,以测量而非判断来理解非人类智能体。
2026-05-10 cs.AI cs.CL q-bio.NC
Drug discovery with explainable artificial intelligence
ETH Zurich(苏黎世联邦理工学院)
深度学习为药物发现带来了希望,包括先进的图像分析、分子结构和功能的预测,以及自动生成具有定制特性的创新化学实体。尽管越来越多的成功的应用前景,基本的数学模型往往仍然难以捉摸的解释人类的头脑。需要“可解释的”深度学习方法来解决对分子科学机器语言的新叙述的需求。本文总结了可解释人工智能最突出的算法概念,并大胆预测了未来的机会,潜在的应用,和剩余的挑战。
2020-07-02 cs.AI cs.LG stat.ML