Computational Models to Study Language Processing in the Human Brain: A Survey
KU Leuven(鲁汶大学)
本文综述了计算模型在人脑语言处理研究中的应用,通过在相同数据集上评估多种模型,发现没有单一模型在所有数据集上均占优,强调需丰富测试数据并严格控制实验以得出稳健结论。
2024-03-20 cs.AI cs.CL
Humans decompose tasks by trading off utility and computational cost
Princeton University(普林斯顿大学)
本文提出一个在保持任务表现的同时最小化规划成本的任务分解规范性框架,并通过大规模图任务分析与N=806的行为实验证明其优于替代解释。
2022-11-07 cs.AI
Computational Phenomenology of Borderline Personality Disorder: A Comparative Evaluation of LLM-Simulated Expert Personas and Human Clinical Experts
IDEAS Research Institute(IDEAS研究机构);Adam Mickiewicz University(亚当·密茨凯维奇大学);AMU Center for Artificial Intelligence(AMU人工智能中心);Poznań University of Medical Sciences(波兹南医科大学);Maria Curie-Skłodowska University(玛丽·居里-斯洛多夫斯卡大学);University of Warsaw(华沙大学)
本研究比较了LLM模拟专家与人类专家在边缘型人格障碍定性分析中的表现,发现模型在某些方面与人类难以区分,并能识别人类遗漏的主题,展示了AI增强分析的潜力。
2026-11-05 cs.AI cs.CL
An affective computational model for machine consciousness
Software Foundation(软件基金会)
过去,几种意识模型变得流行,并导致机器意识模型的开发,取得了不同程度的成功,但在模拟和实现方面也面临着不同程度的挑战。此外,涉及情感,行为和个性的情感计算属性并不是意识模型的重点,因为它们缺乏在软件应用程序和机器人中部署的动机。随着可以帮助人类的技术的兴起,情感属性是机器意识未来的重要因素。因此,个性和情感可以为类人机器人中意识的计算模型提供额外的味道。机器学习领域的最新进展(重点是深度学习)可以进一步帮助开发机器意识的各个方面,这些方面可以更好地复制人类感官知觉,如语音识别和视觉。随着这些进步,人们在开发可以同步情感计算的不同方面的模型时遇到了进一步的挑战。在本文中,我们回顾了一些现有的意识模型,并提出了一个情感的计算模型,使人类的触摸和感觉机器人系统。
2017-01-02 cs.AI
Trustworthy AI: A Computational Perspective
Michigan State University(密歇根州立大学);The Hong Kong Polytechnic University(香港理工大学);Twitter(推特);Tsinghua University(清华大学)
在过去的几十年里,人工智能(AI)技术经历了快速的发展,改变了每个人的日常生活,并深刻地改变了人类社会的进程。开发人工智能的目的是造福人类,减少人类劳动,为人类生活带来日常便利,促进社会公益。然而,最近的研究和人工智能应用表明,人工智能可能会对人类造成无意的伤害,例如在安全关键场景中做出不可靠的决定,或者通过无意中歧视一个群体来破坏公平。因此,值得信赖的人工智能最近引起了极大的关注,这需要仔细考虑,以避免人工智能可能给人类带来的不利影响,使人类能够充分信任并与人工智能技术和谐相处。近年来,人们对可信AI进行了大量的研究。在本调查中,我们从计算的角度对可信AI进行了全面的调查,以帮助读者了解实现可信AI的最新技术。可信AI是一个庞大而复杂的领域,涉及多个维度。在这项工作中,我们专注于实现值得信赖的人工智能的六个最关键的方面:(i)安全性和鲁棒性,(ii)非歧视性和公平性,(iii)可解释性,(iv)隐私性,(v)问责制和可审计性,以及(vi)环境福祉。对于每一个维度,我们回顾了最近的相关技术,根据一个分类,并总结了他们在现实世界中的系统中的应用。我们还讨论了不同维度之间的一致和冲突的相互作用,并讨论了值得信赖的人工智能在未来研究的潜在方面。
2021-08-19 cs.AI
Missing the human touch? A computational stylometry analysis of GPT-4 translations of online Chinese literature
The University of Hong Kong(香港大学);Swinburne University of Technology(斯威本科技大学)
本研究通过计算风格分析,发现GPT-4在中文文学翻译中能复现人类翻译的风格特征,表明大型语言模型可能在文学翻译中再现'人文关怀'。
2025-06-16 cs.AI cs.CL
The Computational Principles of Learning Ability
自从计算机科学领域的AI研究人员停止谈论模拟人类智能或试图解释大脑如何工作以来,已经有相当长的时间了。近年来,以深度学习技术为代表的机器学习领域正经历着前所未有的繁荣,一些具有接近人类水平性能的应用给研究者带来了信心,暗示他们的方法是理解人类大脑机制的有希望的候选者。然而,除了一些古老的语言学标准和一些想象中的黑盒测试(图灵测试,中文室)之外,没有关于智力或其任何组成部分的计算水平的解释,定义或标准。本文从学习能力是智力的重要组成部分这一常识出发,从映射关系的角度考察,提出了两条定律,解释了什么是我们所熟悉的“学习能力”,以及在什么条件下映射关系可以被认为是“学习模型”。
2015-09-23 cs.AI
BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry
School of Computer Science and Technology, East China Normal University(东华大学计算机科学与技术学院);Department of Computer Science, University of Reading(Reading大学计算机科学系);Department of Computer Science, Brunel University of London(伦敦布鲁内尔大学计算机科学系)
BioLLMAgent通过结合认知模型与LLM能力,提供结构可解释的计算沙盒,用于模拟人类决策过程和评估干预策略。
2026-03-05 cs.AI
Improving Human-Robot Collaboration via Computational Design
George Mason University(乔治梅森大学)
当机器人进入我们的日常生活时,人类和机器人周围的共享空间对于有效的人机协作至关重要。共享空间的设计应满足人类的偏好和机器人的效率。本作品以厨房设计为例,说明良好的空间设计在促进这种合作中的重要性。给定厨房边界、柜台和食谱,该方法计算出符合厨房设计规则要求的柜台的最佳放置,并提高人机协作。关键的技术挑战是优化方法通常评估数千个设计,并且作为评估函数的一部分的运动规划的计算成本昂贵。我们使用一个分散的运动规划器,可以有效地解决多智能体运动规划。我们的研究结果表明,优化的厨房设计可以提供显着的性能改善人机协作。
2023-03-20 cs.AI cs.GR cs.RO
On the possible Computational Power of the Human Mind
本文的目的是解决这个问题:人工神经网络(ANN)模型可以被用来作为一个可能的表征人类心灵的力量?我们将讨论这样一个模型和它的自然对应物之间的关系。一个可能的表征不同的权力能力的头脑中所包含的信息(在其计算复杂性)或可实现的it.Such表征利用最近的结果的基础上自然神经网络(NNN)和任意人工神经网络(ANN)的计算能力。神经网络作为人类思维运作模型的可能性使得上述内容非常相关。
2007-04-08 cs.AI cs.CC cs.NE
Lifelong learning challenges in the era of artificial intelligence: a computational thinking perspective
Université Côte d’Azur(蔚蓝海岸大学)
本文从计算思维、批判性思维和创新能力的视角,回顾了人工智能时代终身学习在人机协作、AI素养及监管方面面临的挑战,并强调了其对组织管理和领导力的启示。
2024-05-30 cs.AI
On the independence between phenomenal consciousness and computational intelligence
Universidad Pontificia de Comillas(卡米亚斯大主教大学)
意识和智力是民间心理学和一般社会通常理解为依赖的属性。人工智能这个术语以及近年来它设法解决的问题,已经被证明是一个论据,证明机器有某种意识。按照罗素的类比,如果一台机器能够做一个有意识的人所做的事情,那么机器有意识的可能性就会增加。然而,这种类比的社会影响是灾难性的。具体地说,如果权利被赋予能够解决神经正常人所能解决的问题的实体,那么机器是否可能比残疾人拥有更多的权利?例如,自闭症综合症谱系可能会使人无法解决机器可以解决的问题。我们认为,答案显然是否定的,因为解决问题并不意味着意识。因此,我们将在本文中讨论现象意识和至少计算智能是如何独立的,以及为什么机器不拥有现象意识,尽管它们可能发展出比人类更高的计算智能。为了做到这一点,我们试图制定一个客观的衡量计算智能的标准,并研究它如何在人类,动物和机器中呈现。类似地,我们研究现象意识作为一个二分变量,以及它是如何分布在人类,动物和机器。由于现象意识和计算智能是独立的,这一事实对我们在本书中分析的社会具有重要意义。
2022-08-03 cs.AI
Creativity as a Human Right: Design Considerations for Computational Creativity Systems
College of Arts, Media and Design (CAMD) Northeastern University(艺术、媒体与设计学院(CAMD)东北大学)
本文基于《世界人权宣言》考察创造力的人权属性,通过分析其中五条条款并给出实现方式,为计算创造力系统提出设计考量。
2025-05-16 cs.AI cs.HC
Computational modeling of Human-nCoV protein-protein interaction network
Dr. Sudhir Chandra Sur Degree Engineering College(苏德hir·钱德拉·苏尔学位工程学院);Jadavpur University(贾达沃普尔大学);Netaji Subhash Engineering College(纳塔吉·苏巴斯工程学院)
2019冠状病毒病于二零二零年造成全球大流行,发病率及死亡率高。新型冠状病毒(nCoV),也称为严重急性呼吸道综合征冠状病毒2(SARS-CoV 2),是这种致命疾病的罪魁祸首。国际病毒分类委员会(ICTV)已宣布nCoV与2003年流行的SARS-CoV在基因上高度相似(89%相似性)。文献中可获得有限数量的临床验证的人-nCoV蛋白相互作用数据。基于这一假设,本研究利用实验验证的SARS-CoV-Human蛋白质相互作用网络,建立了nCoV-Human蛋白质相互作用网络的计算模型。首先,在SARS-CoV-人相互作用网络中,使用易感-感染-易感(SIS)模型鉴定水平1和水平2的人传播蛋白。这些蛋白被认为是nCoV诱饵蛋白的潜在人类靶标。基于基因本体的模糊亲和函数已被用于构建nCoV-人蛋白相互作用网络,特异性阈值为99.98%。这也确定了人类蛋白质相互作用网络中COVID-19的1级人类传播者。随后使用SIS模型识别2级人类传播者。最终使用7种潜在的FDA上市的COVID-19药物验证了衍生的宿主-病原体相互作用网络,其中已知药物靶蛋白和鉴定的扩展蛋白之间存在显著重叠。
2020-05-05 cs.AI q-bio.MN
A Modular Multi-stage Lightweight Graph Transformer Network for Human Pose and Shape Estimation from 2D Human Pose
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);College of Computing and Informatics(计算与信息学院)
在这项研究中,我们解决了现有基于深度学习的人类网格重建方法在平衡精度和计算效率方面所面临的挑战。这些方法通常优先考虑准确性,导致大的网络尺寸和过度的计算复杂性,这可能阻碍它们在诸如虚拟现实系统的真实世界场景中的实际应用。为了解决这个问题,我们引入了一个模块化的多级轻量级的基于图的Transformer网络的人体姿势和形状估计从二维人体姿势,基于姿势的人体网格重建方法,优先考虑计算效率,而不牺牲重建精度。我们的方法包括一个2D到3D提升器模块,该模块利用图形Transformers来分析2D人体姿势中的结构化和隐式关节相关性,以及一个网格回归模块,该模块将提取的姿势特征与网格模板相结合以产生最终的人体网格参数。
2023-01-31 cs.AI cs.CV
Robustness of Object Recognition under Extreme Occlusion in Humans and Computational Models
The Johns Hopkins University(约翰斯·霍普金斯大学);Harvard University(哈佛大学);Yonsei University(延世大学)
视觉世界中的大多数物体都被部分遮挡,但人类可以毫不费力地识别它们。然而,像卷积神经网络(CNN)这样的对象识别模型是否可以处理现实世界的遮挡仍然是未知的。这也是一个问题,是否努力使这些模型鲁棒恒定掩模遮挡是有效的现实世界的闭塞。我们测试人类和上述计算模型在一个具有挑战性的任务下的对象识别极端闭塞,其中目标对象被严重遮挡不相关的真实对象在真实的背景。我们的研究结果表明,人类视觉对极端遮挡非常鲁棒,而CNN则不然,即使经过修改以处理恒定的遮罩遮挡。这意味着处理恒定掩模遮挡的能力不需要对真实世界遮挡的鲁棒性。作为比较,我们提出了另一种计算模型,利用对象部分/子部分的组合方式,建立鲁棒性闭塞。在我们的任务中,这比基于CNN的模型表现得更好,错误模式与人类相似。这些发现表明,在极端遮挡下进行测试可以更好地揭示视觉识别的鲁棒性,而构图原则可以鼓励这种鲁棒性。
2019-06-04 cs.AI cs.CV
Model Human Learners: Computational Models to Guide Instructional Design
School of Interactive Computing(交互计算学院);Georgia Institute of Technology(佐治亚理工学院)
本文提出“人类学习者模型”概念,并用统一计算模型准确预测两项教学干预 A/B 实验,证明其可生成学习曲线并解释干预有效性。
2025-05-10 cs.AI cs.HC cs.SC
A computational framework for human values
Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究 institute (IIIA-CSIC))
本文提出一个基于社会科学的正式框架,用于系统研究如何通过人类价值观设计伦理人工智能。
2026-02-04 cs.AI cs.CY cs.MA
Interactive Narrative Analytics: Bridging Computational Narrative Extraction and Human Sensemaking
Universidad Católica del Norte(智利北方大学)
本文提出交互式叙事分析,结合计算叙事提取与交互式可视化,以提升大规模新闻和社交媒体中的叙事认知处理能力。
2026-01-16 cs.AI cs.CL cs.CY
Semantic Analysis of (Reflectional) Visual Symmetry: A Human-Centred Computational Model for Declarative Explainability
University of Bremen(不来梅大学);Norwegian University of Science and Technology(挪威科技大学)
我们提出了一个计算模型的语义解释对称性的自然场景。主要特征包括以人为中心的表示,以及基于知识表示和基于深度学习的计算机视觉方法集成的支持深度语义问答的声明性、可解释的解释模型。在视觉艺术的背景下,我们展示了框架的能力,以产生以人为中心的,可查询的,关系结构,还评估了框架与人类视觉对称感知的实证研究。我们的框架代表了基础的、综合的视觉和知识表示以及推理方法在艺术、心理和社会科学中的应用,并由这些方法驱动。
2018-09-14 cs.AI cs.CV cs.LO
Toward the quantification of cognition
Dartmouth College(达特茅斯学院)
人脑的机制--模拟的、概率的、具体的--可以用计算来描述,但是什么机制赋予了什么计算能力呢?任何这样的系统都可以抽象为两个计算组件:执行计算步骤的有限状态机,无论是通过电流,化学还是力学;加上一组允许的存储器操作,通常根据可以读取和写入的信息存储来制定,无论是通过突触变化,状态转换还是经常性活动。探索这些机制的信息内容,我们可以捕捉不同系统的计算能力的差异。大多数人类认知能力,从感知到行动再到记忆,都是与其他物种共享的;我们试图描述那些(少数)在人类中普遍存在而在其他物种中不存在的能力。三个领域的强大约束- a)可测量的人类认知能力,b)可测量的异速生长解剖大脑特征,c)特定自动机和形式语法的可测量特征-说明了对人类能力的显著严格限制,出乎意料地将人类认知限制在一类特定的自动机(“嵌套堆栈”)中,这明显低于图灵机。
2020-08-12 cs.AI q-bio.NC
Benchmarking human visual search computational models in natural scenes: models comparison and reference datasets
Universidad de Buenos Aires(布宜诺斯艾利斯大学);CONICET(阿根廷国家科学与技术研究理事会)
视觉搜索是几乎所有日常人类目标导向与环境互动的重要组成部分。如今,有几种算法能够在简单的观察过程中预测注视位置,但很少有模型试图模拟人类在自然场景中视觉搜索时的行为。此外,这些模型在设计上差异很大,在评估它们的数据集和指标上也存在差异。因此,需要有一个参照点,以便对每个模式进行测试,并从中得出可能的改进。在目前的工作中,我们选择了自然场景中公开可用的最先进的视觉搜索模型,并在不同的数据集上对其进行评估,采用相同的指标来估计其效率和与人类主题的相似性。特别是,我们提出了一个改进的理想贝叶斯搜索器,通过结合一个基于神经网络的视觉搜索模型,使其能够推广到其他数据集。目前的工作揭示了当前模型的局限性,以及如何通过组合方法来实现潜在的改进。此外,它进一步提供了一个解决方案,迫切需要基准数据和指标,以支持更一般的人类视觉搜索计算模型的发展。
2021-12-10 cs.AI cs.CV
Stress Propagation in Human-Robot Teams Based on Computational Logic Model
Schulich School of Engineering(舒利希工程学院);University of Calgary(卡尔加里大学);Jet Propulsion Laboratory(喷气推进实验室)
任务小组面临着生死决定的情感代价。这些小组由受过专门训练的人组成,由智能机器支持,用于处理紧张的环境和场景。我们开发了一个复合模型,用于在人类和自主机器的团队中进行压力监测。该模型旨在确定可能导致飞行任务失败的条件。该模型由三部分组成:1)静态描述队友压力状态的计算逻辑部分; 2)反映任务状态的决策部分; 3)基于标准SIS范式的压力传播部分。与基于代理、随机游走和博弈模型等方法相比,该模型结合了多种机制来满足小群体压力传播的条件。我们的核心方法涉及数据结构,如决策表和决策图。这些工具也适用于人机合作。
2022-11-08 cs.AI cs.HC
Visual Verity in AI-Generated Imagery: Computational Metrics and Human-Centric Analysis
Western University(韦仕敦大学);King Fahd University of Petroleum & Minerals(法赫德国王石油与矿产大学)
本文通过三项研究提出并验证Visual Verity问卷,比较AI生成图像与相机图像的质量差异,并提出NFSS指标,以改进AI生成内容的评估方法。
2024-09-01 cs.AI cs.HC
AI for Computational Design Science: A Responsible Human-AI Framework and Case Study on Short-Form Video Safety Surveillance
Iowa State University(爱荷华州立大学);University of Delaware(特拉华大学);City University of Hong Kong(香港城市大学);University of Arizona(亚利桑那大学)
本研究提出面向计算设计科学的负责任人机协同框架AI4CDS,并通过短视频安全监控工具ChildRiskGuard验证其有效性,该工具F1分数达0.769,性能优于通用内容安全模型。
2026-09-07 cs.AI
Computational Models of Solving Raven's Progressive Matrices: A Comprehensive Introduction
Vanderbilt University(范德堡大学)
Raven's Progressive Matrices(RPM)测试被广泛用于测量人类智力,也对人工智能系统提出了巨大的挑战。从20世纪60年代开始,有一长串用于解决RPM的计算模型,用于理解所涉及的认知过程或仅用于解决问题的目的。由于人工智能研究范式的巨大转变,特别是近十年来深度学习模型的出现,RPM的计算研究也发生了很大变化。因此,现在是回顾这一漫长研究的好时机。正如标题“全面介绍”所示,本文提供了一个完整的解决RPM的计算模型的介绍,包括RPM的历史,RPM背后的智力测试理论,RPM类任务的项目设计和自动生成,解决RPM的计算模型的概念编年史,揭示了这些模型的技术演变背后的哲学,并对人类智能测试和人工智能测试的转移提出了建议。
2023-02-08 cs.AI
Everyone Can Be Picasso? A Computational Framework into the Myth of Human versus AI Painting
该研究构建了融合神经潜在空间、美学特征与可视化分析的计算框架,系统比较人类与AI绘画差异,发现二者在笔触、锐度及风格演化上存在显著区别,为改进AI艺术提供依据。
2024-02-22 cs.AI cs.CV cs.HC
The DURel Annotation Tool: Human and Computational Measurement of Semantic Proximity, Sense Clusters and Semantic Change
University of Stuttgart(斯图加特大学);University of Gothenburg(哥德堡大学)
DURel工具是一个在线开源界面,通过人类与计算标注结合图聚类,测量词义邻近性、义簇及语义变化,支持一致性比较与统计汇总。
2024-02-05 cs.AI cs.CL
How Does Embodiment Affect the Human Perception of Computational Creativity? An Experimental Study Framework
University of Helsinki(赫尔辛基大学);Aalto University(阿尔托大学);Queen Mary University of London(伦敦玛丽女王大学)
哪些因素影响人类对计算系统所表现出的创造力的评价是计算创造力研究的核心问题。近年来,制度的体现被提出来作为一个影响因素,但缺乏对其影响的实证研究。为此,我们提出了一个实验框架,隔离的体现对创造力的感知效果,其对创造力本身的影响。我们不仅操纵系统的具体化,而且还将感知证据作为人类创造力评估的基础。我们激励的核心框架与体现和知觉证据作为独立的和创造性的过程作为控制变量,我们提供了建议,测量作为因变量的创造性评估。我们希望这个框架能启发其他人以一种有原则的方式研究人类对具身CC的感知。
2022-08-26 cs.AI cs.HC cs.RO
How Did Humans Become So Creative? A Computational Approach
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学)
本文总结了计算模型的努力,在人类创造力的进化两个过渡:它的起源约200万年前,和“大爆炸”的创造力约50,000年前。使用文化进化的计算模型,其中基于神经网络的代理通过发明和模仿来进化行动的想法,我们测试了人类创造力始于递归回忆能力的假设。我们比较了代理仅限于单步操作的运行和使用递归回忆将简单操作链接成复杂操作的运行。链接导致了更高的多样性,开放式的新颖性,没有上限的平均健身行动,以及更大的能力,利用学习。使用肖像画的计算模型,我们测试的假设,即在中/上旧石器时代的创造力的爆炸是由于上下文的重点发病:联想和分析思维之间的转换能力。这导致了更快的趋同肖像,类似的保姆,采用绘画技巧,并被评为首选。我们的结论是,递归回忆和上下文的重点提供了一个计算合理的解释人类如何进化的手段来改造这个星球。
2019-07-09 cs.AI cs.MA cs.NE
A Self-supervised Pressure Map human keypoint Detection Approch: Optimizing Generalization and Computational Efficiency Across Datasets
Anhui University(安徽大学);Hefei Institutes of Physical Science, Chinese Academy of Sciences(中国科学院合肥物质科学研究院)
针对RGB图像不足场景下的压力图人体关键点提取需求,提出带EFD模型与CRWT方法的自监督SPMKD方案,无需标注即可提升泛化性,且计算效率大幅优于基线。
2024-02-22 cs.AI cs.CV
Intent Signal Theory: A Computational Framework for Intent-State Control in Human-AI Interaction
Huizhou Lateni AI Technology Co., Ltd.(惠州莱尼人工智能技术有限公司);Huizhou University(惠州大学)
提出意图信号理论(IST),通过区分潜在源意图、可观测意图代理、编码载体和模型输出四个对象,形式化意图丢失定理,并基于六种大语言模型、三种语言和三个任务领域的实验验证了结构-保真度分裂等预测,将提示工程重新定义为意图协议设计。
2026-05-24 cs.AI cs.HC
Map Induction: Compositional spatial submap learning for efficient exploration in novel environments
Massachusetts Institute of Technology(麻省理工学院)
人类是专业的探险家。理解支持这种效率的计算认知机制可以推进人类思维的研究,并实现更有效的探索算法。我们假设,人类探索新的环境,有效地推断未观察到的空间结构使用空间信息收集从以前探索的空间。这种认知过程可以使用分层贝叶斯框架中的程序归纳来计算建模,该框架明确地推理具有强空间先验的不确定性。使用一个新的行为地图归纳任务,我们证明了这个计算框架解释人类的探索行为比非归纳模型更好,并优于国家的最先进的规划算法时,应用到一个现实的空间导航域。
2022-03-17 cs.AI cs.LG
Leveraging Rationales to Improve Human Task Performance
Georgia Institute of Technology(佐治亚理工学院)
许多应用领域的机器学习(ML)系统越来越多地展示出超越人类的性能。为了响应这种模型的激增,可解释AI(XAI)领域已经寻求开发增强机器学习方法的透明度和可解释性的技术。在这项工作中,我们考虑了一个以前在XAI和ML社区中没有探索过的问题:给定一个性能超过人类用户的计算系统,可以利用可解释的AI功能来提高人类的性能吗?我们研究这个问题的背景下,国际象棋,其中计算游戏引擎,超过平均玩家的性能是广泛可用的。我们介绍了生成算法,一种自动化技术,用于生成基于实用程序的计算方法的原理,我们对两个基线进行了为期多天的用户研究。结果表明,我们的方法产生的原理导致人类任务性能的统计学显着改善,这表明从人工智能的内部任务模型自动生成的原理不仅可以用来解释系统正在做什么,而且还可以指导用户并最终提高他们的任务性能。
2020-02-11 cs.AI cs.HC
Application-Driven AI Paradigm for Human Action Recognition
ChinaUnicom(中国联通)
计算机视觉中的人体动作识别是近年来研究的热点。然而,大多数算法只考虑特定的动作,计算代价甚至很高。这不适合于需要以低计算成本识别多个动作的实际应用。为了满足不同的应用场景,本文提出了一个统一的人体动作识别框架,多形式的人体检测和相应的动作分类。其中,构建开源数据集,训练区分人体全身、上半身或部分身体的多形态人体检测模型,并采用后续动作分类模型识别摔倒、睡觉或值班等动作,部分实验结果表明,该统一框架对多种应用场景有效。它有望成为一种新的应用驱动的人工智能范式,用于人类动作识别。
2022-09-30 cs.AI cs.CV
SentRNA: Improving computational RNA design by incorporating a prior of human design strategies
Stanford University(斯坦福大学)
解决RNA逆折叠问题是RNA设计的关键先决条件,RNA设计是生物工程中的一个新兴领域,具有从反应催化到癌症治疗的广泛应用。虽然在开发基于机器的反向RNA折叠算法方面已经取得了重大进展,但目前的方法仍然难以为大型或复杂的靶标设计序列。另一方面,在线RNA设计游戏EteRNA的人类玩家在这方面一直表现出卓越的性能,能够轻松地为机器算法具有挑战性的目标设计序列。在这里,我们提出了一种新的方法来RNA设计问题,SentRNA,设计代理组成的一个完全连接的神经网络训练端到端使用人类设计的RNA序列。我们证明,通过这种方法,SentRNA可以解决以前任何基于机器的方法都无法解决的复杂目标,并在两个独立的具有挑战性的测试集上实现最先进的性能。我们的研究结果表明,将人类的设计策略纳入设计算法可以显着提高机器的性能,并提出了一个新的范例,基于机器的RNA设计。
2019-03-06 cs.AI q-bio.QM stat.ML
Deep Emotion: A Computational Model of Emotion Using Deep Neural Networks
The University of Electro-Communications(电气通信大学)
情绪对人类智力非常重要。例如,情绪与对内部身体状态和外部刺激的评价密切相关。这有助于我们对环境做出快速反应。人类智力的另一个重要方面是情绪在决策中的作用。此外,情绪的社会方面也非常重要。因此,如果情绪的机制得到阐明,我们就可以进一步了解我们的自然智力。在本研究中,我们提出一个情绪的模型,透过计算模型来阐明情绪的机制。此外,从伙伴机器人的角度来看,情感模型可以帮助我们建造能够对人类产生同情的机器人。为了理解和同情人们的感受,机器人需要有自己的情感。这可能会让机器人被人类社会所接受。所提出的模型使用由三个模块组成的深度神经网络来实现,这三个模块相互作用。仿真结果表明,该模型表现出合理的行为作为情感的基本机制。
2018-08-25 cs.AI cs.HC
Informing Artificial Intelligence Generative Techniques using Cognitive Theories of Human Creativity
Simon Fraser University(西蒙弗雷泽大学);University of British Columbia(不列颠哥伦比亚大学)
我们的创造力是使我们成为独特人类的共同观点表明,将对人类创造力的研究纳入生成深度学习技术可能是一条富有成效的途径,可以使其输出更引人注目,更像人类。使用基于Deep Dream的卷积神经网络和基于认知的计算艺术渲染系统的原始合成,我们展示了如何通过计算实现磨练理论,内在动机和“种子事件”的概念,并展示了它们对生成艺术的影响。我们讨论了深度学习卷积神经网络生成系统的探索如何帮助我们理解人类的创造力。最后,我们总结了基于人工智能的计算创造力和创造力心理学之间进一步交叉的想法。
2019-07-05 cs.AI cs.LG q-bio.NC
From Priors to Predictions: Explaining and Visualizing Human Reasoning in a Graph Neural Network Framework
Boston University(波士顿大学)
本文提出基于图神经网络的框架,通过显式先验建模人类推理中的归纳偏置,揭示个体差异及泛化依赖的结构和内部处理机制。
2025-12-19 cs.AI q-bio.NC
Crowdsourced human-based computational approach for tagging peripheral blood smear sample images from Sickle Cell Disease patients using non-expert users
University of the Balearic Islands(巴利阿里群岛大学)
本研究提出利用Mechanical Turk众包非专家标注镰状细胞病患者外周血涂片图像的方法,经erythrocytesIDB数据集验证,强共识下错误率极低,可用于构建训练数据集以辅助开发自动化诊断方法。
2025-01-13 cs.AI cs.HC
Computational Charisma -- A Brick by Brick Blueprint for Building Charismatic Artificial Intelligence
University of Augsburg(奥格斯堡大学);Imperial College London(帝国理工学院)
魅力被认为是一个人吸引和潜在影响他人的能力。显然,从人工智能(AI)的角度来看,为它提供这种技能可能会有相当大的兴趣。除此之外,大量的用例为人类魅力的计算测量开辟了道路,例如指导人类获得魅力,调解人与人之间的对话,或者在大社交数据中识别有魅力的个人。有许多模型将魅力建立在不同的维度上,通常遵循的观点是,如果一个人能够并且愿意帮助他人,魅力就会被赋予。例子包括科学研究中的影响力(可能有帮助)和和蔼可亲(会有帮助),或者权力(可能有帮助),存在和温暖(两者都有帮助)作为一个流行的概念。在这些维度上为人形机器人或虚拟代理建立高水平的模型似乎是可行的。此外,随着情感计算和社会信号处理相关领域的最新进展,自动测量也变得非常可行。在这里,我们,thereforem提出了一个蓝图,可以建立机器,可以出现魅力,但也分析别人的魅力。为此,我们首先从心理学的角度,包括不同的魅力模型和行为线索,然后我们切换到口语中的会话魅力作为一个典型的模态,是必不可少的人与人和人机对话。然后,计算的角度处理人工智能对魅力行为的识别和生成。这包括对该领域的现状和上述蓝图的概述。然后,我们命名了计算魅力技能的典型用例,然后切换到道德方面,并总结了构建魅力AI的概述和观点。
2022-12-31 cs.AI cs.CV cs.HC
From Human Cognition to Neural Activations: Probing the Computational Primitives of Spatial Reasoning in LLMs
School of Information Science, Beijing Language and Culture University(北京语言大学信息科学学院);School of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院)
研究通过分析LLMs内部空间表示机制,发现其空间推理能力有限且依赖上下文,揭示了空间推理的计算原语及跨语言机制退化问题。
2026-03-27 cs.AI cs.CL
Human-like Bots for Tactical Shooters Using Compute-Efficient Sensors
Riot Games
本文提出一种基于模仿学习和无像素射线投射传感器的神经网络训练方法,使AI智能体在仅需适度CPU的商用级2v2战术射击游戏中表现出类人行为,并通过人类评估验证了其在计算约束下的有效性与真实感。
2024-12-30 cs.AI cs.HC cs.LG
From Cognitive to Computational Modeling: Text-based Risky Decision-Making Guided by Fuzzy Trace Theory
The University of Auckland(奥克兰大学)
由于内在的个体差异和非理性,理解,建模和预测人类风险决策是具有挑战性的。模糊迹理论(FTT)是一种强大的范式,它通过结合要点来解释人类决策,即,信息的模糊表示,只捕捉其本质意义。受Broniatowski和Reyna的FTT认知模型的启发,我们提出了一个计算框架,它结合了底层语义和情感对基于文本的决策的影响。特别是,我们引入类别2-向量学习分类主义者和分类情绪,并展示了如何优化我们的计算模型,以预测群体和个人的风险决策。
2022-05-15 cs.AI cs.CL
DISCOVER: A Data-driven Interactive System for Comprehensive Observation, Visualization, and ExploRation of Human Behaviour
University of Augsburg(奥格斯堡大学)
针对传统行为分析耗时费力及计算模型复杂难用的问题,本文提出模块化、用户友好的软件框架DISCOVER,通过四个递进式工作流实现交互式数据探索,使非技术研究者也能进行详细行为分析。
2024-07-18 cs.AI cs.HC
Faith in the Algorithm, Part 2: Computational Eudaemonics
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
Eudaemonics是研究人类幸福的性质,原因和条件。根据幸福论的伦理理论,从生活中获得满足和充实不仅是一种理想的目的,而且是一种道德责任。然而,在现代社会中,许多人努力履行这一责任。计算机制可以更好地使个人实现幸福,产生实用的现实世界系统,体现促进人类繁荣的算法。本文提出了幸福系统作为当今推荐系统的进化目标。
2009-04-01 cs.AI cs.CY
POTTER: Pooling Attention Transformer for Efficient Human Mesh Recovery
University of Central Florida(中佛罗里达大学);North Carolina State University(北卡罗来纳州立大学);OPPO Seattle Research Center(OPPO西雅图研究中心);Westlake University(西湖大学)
Transformer架构在从单目图像恢复人体网格(HMR)方面实现了SOTA性能。然而,性能的提高是以大量的内存和计算开销为代价的。为了满足实际应用的需要,需要一种轻量级、高效的模型来重建精确的人体网格。在本文中,我们提出了一个纯粹的Transformer架构命名池atTtention TransformER(POTTER)的HMR任务从单一的图像。观察到传统的注意力模块是内存和计算昂贵的,我们提出了一个有效的池注意力模块,它显着降低了内存和计算成本,而不牺牲性能。此外,我们设计了一个新的Transformer架构,通过集成高分辨率(HR)流的HMR任务。高分辨率的局部和全局特征的HR流可以用于恢复更准确的人体网格。我们的POTTER优于SOTA方法METRO,因为它只需要7%的总参数和14%的对Human3.6M(PA-MPJPE指标)和3DPW(所有三个指标)数据集的乘法累加运算。该项目的网页是https://zczcwh.github.io/potter_page。
2023-03-23 cs.AI cs.CV cs.MM
Survey of Consciousness Theory from Computational Perspective
Princeton University(普林斯顿大学);Imperial College London(帝国理工学院);University of Michigan(密歇根大学)
本文从计算视角综述了信息论、量子物理、认知心理学、生理学和计算机科学等领域的意识理论,并探讨了意识评估指标及计算模型具备意识的可能性,为构建通用人工智能提供基础。
2023-09-18 cs.AI q-bio.NC
Language modelling techniques for analysing the impact of human genetic variation
School of Computer Science and Mathematics, Kingston University London(伦敦金斯顿大学计算机科学与数学系)
本文综述近十年语言模型在人类遗传变异效应预测中的应用,梳理 Transformer 及其扩展与替代架构,并总结关键趋势和未来方向。
2025-03-07 cs.AI cs.CL q-bio.BM
Explainable Computational Creativity
Monash University(莫纳什大学);University of London(伦敦大学);Goldsmiths, University of London(伦敦大学金史密斯学院)
在计算创造力(CC)领域,人类与系统的协作通常限于浅层交互,其中系统和人类的创造性过程都是孤立进行的,没有用户的任何(或很少)干预,也没有关于如何展开决策的任何讨论。富有成效的共同创作需要持续不断的互动,包括讨论想法,与以前/其他作品的比较,增量改进和修改等。这意味着为CC系统提供发言权,并在它们和它们的用户之间建立双向沟通渠道,以便它们能够:解释它们的流程和决策,支持它们的想法,以便它们的创意合作者认真考虑这些想法,并从这些讨论中学习,以进一步改进它们的创意流程。为此,我们提出了一套CC系统的设计原则,旨在支持与人类合作者进行更大的共同创造和协作。
2022-05-11 cs.AI cs.HC
Understanding Human Limits in Pattern Recognition: A Computational Model of Sequential Reasoning in Rock, Paper, Scissors
Stanford Computer Science(斯坦福大学计算机科学系);Stanford Department of Psychology(斯坦福大学心理学系);Stanford Graduate School of Education(斯坦福大学教育研究生院)
本研究通过在石头剪刀布博弈中部署基于大语言模型的智能体 Hypothetical Minds (HM) 作为认知模型,揭示了人类和模型在识别复杂行为模式时的局限,发现准确的假设生成是核心认知瓶颈,且基于模型的分析能产生关于人类认知的可检验假设。
2025-07-25 cs.AI q-bio.NC
Language and Experience: A Computational Model of Social Learning in Complex Tasks
MIT(麻省理工学院);Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind)
本文提出了一种计算模型,通过结合语言指导与直接经验,模拟复杂任务中的社会学习过程,并展示了人类与模型之间的知识传递机制。
2026-02-18 cs.AI cs.CL cs.LG
A comparative study of human inverse kinematics techniques for lower limbs
本研究针对现有逆运动学(IK)技术计算成本高、易生成不切实际关节构型的问题,对应用于人体下肢的主流IK方法开展全面对比,基于计算效率与生成符合关节活动范围的真实姿态的能力进行评估,为生物力学和动画领域的IK方案优化提供参考。
2024-09-13 cs.AI cs.RO
A Computational Model of Teacher-Student Co-Adaptation
University of Bologna, Computer Science Department(博洛尼亚大学计算机科学系);University of Pisa, Computer Science Department(比萨大学计算机科学系);Instituto Superior Técnico, University of Lisbon(里斯本大学技术高等学院);INESC-ID(INESC-ID研究所)
本文提出一个整合协同适应原则的计算性师生互动模型,在合成课堂中验证双向能动策略优于单向方法,为包容性教育AI提供可检验与可扩展的基础。
2026-11-11 cs.AI cs.CY cs.LG