- 综合排序
- 最热优先
- 最新优先
- 来自专栏CreateAMind
神经符号生成机器
https://github.com/JindongJiang/GNM 摘要 调和符号和分布式表示是一个至关重要的挑战，可以潜在地解决当前深度学习的局限性。 在本文中，我们提出了生成神经符号机器，这是一个结合了分布式和符号表示的优点的生成模型，支持符号组件的结构化表示和基于密度的生成。 虽然 VAEs 支持此功能[31,19]，在其表示中缺乏明确的合成结构，当生成复杂图像时，它在实践中容易失去全局结构一致性[44,19].在这篇论文中，我们提出了生成神经符号机器(GNM)，这是一个概率生成模型 ，通过支持基于符号实体的表示和分布式表示，结合了两个世界的优点。 因此，该模型可以用符号成分来表示观察值，并且还可以根据基础密度来生成观察值。
36920编辑于 2022-06-10 - 来自专栏算法进阶
神经符号学习: 神经网络+逻辑推理
1 前言 神经符号学习，目标是结合深度神经网络(DNNs)的感知能力和符号推理系统的推理能力。旨在结合神经感知与符号逻辑，但目前的研究仅将它们串联并分别优化，未能充分利用它们之间的相互增强信息。 本文贡献如下： 提出具有理论收敛保证的DeepLogic框架，该框架进行神经感知和逻辑推理的联合学习，使它们可以相互增强，以提高神经符号推理的性能和可解释性。 2 DeepLogic框架 神经符号学习研究同时感知和推理的问题，其输入是语义数据，输出是未知的复杂关系。为避免任务分解，不应给出要学习的语义输入的符号属性。 前向传递（顶部）从语义输入x通过中间符号属性z到最终演绎标签y进行顺序处理。例如，推理一下1，2和3的关系。首先，系统通过神经感知模型将这些图像识别为符号：➊、➋和➌。 在本节中，我们将介绍DLM与深度神经网络（DNN）如何通过吸收语义输入并推理其符号关系来处理神经符号任务。我们还详细介绍了所提出的深度逻辑优化（DLO）算法，以联合优化DLM和DNN。
1.5K10编辑于 2024-03-26 - 来自专栏CreateAMind
具身认知的神经符号方法
通过定制大型语言模型（LLM），将自然语言描述转换为基于这些感知运动模式的形式化表示，我们可以创建一个将智能体的理解建立在基本概念结构上的神经符号系统。 关键词： 具身人工智能；具身认知；神经符号人工智能；图像模式；自然语言理解；智能体推理；心理模拟。 然而，实现这种智能体的主要挑战在于形式化这些心理学理论和深度具身结构，并以一种有希望的方式将由此产生的符号语言与神经识别和隐喻映射技术相结合。 在这项工作中，我们讨论了这种尝试的主要挑战，并提出了一种将符号语言与神经架构相结合以创建一个集成的神经符号框架的有前景的方法。 与现有工作相比，我们的方法的主要优势在于对概念结构的完全形式化描述、使用现有的符号求解器来推理这些描述，以及在神经网络中深度集成以创建神经符号架构。
10510编辑于 2026-03-11 - 来自专栏张善友的专栏
使用 MRKL 系统跨越神经符号鸿沟
MRKL 系统包括一个或多个语言模型，并通过外部知识源和符号推理专家来增强它们，这些专家可以处理神经模型无法处理的任务。 什么是 MRKL 系统？ 当然，要完成所有这些工作还有很多细节和挑战 ，比如训练离散专家、平滑他们与神经网络之间的接口、在不同模块之间进行路由等等。
98710编辑于 2023-05-23 - 来自专栏ATYUN订阅号
神经符号AI：通过AI组合提供创新
人工智能的技术有很多种，其中一些处于最前沿，而另一些则位于某些层次之下（例如神经网络和符号AI）。人工智能创新当然并不意味着在整个领域带来变化。 正如他指出的那样，神经符号AI并不是一种全新的AI方式，而是两种现有的构建思维方法的结合。“符号AI”部分是指创建人工智能的第一种主流方法，“神经”部分是指深度学习神经网络。 神经网络与符号AI的工作方式不同，因为它们是数据驱动的。为了向符号AI系统解释某些内容，一个人需要显式提供所有信息，以便能够正确识别，同时训练神经网络执行此任务，一个人只需向其显示数千张图片即可。 但是，神经符号AI背后的想法是将这些方法结合起来，以将学习和逻辑结合起来。很明显，神经网络将使世界简化为符号，而不是依靠人类程序员来为它们做，从而将使符号AI系统变得更智能。 AI研究人员戴维·考克斯（David Cox）表示：“神经网络和象征性想法真的是完美的互补。因为神经网络为您提供了从现实世界的混乱状态变为世界的符号表示的答案，可以找到图像中的所有相关性。
1K20发布于 2020-02-20 神经符号AI的企业应用：结合符号推理与深度学习的混合智能
一、神经符号AI概述：智能技术的融合革命 神经符号AI（Neuro-Symbolic AI）是人工智能领域的一个重要发展方向，它试图将神经网络的学习能力与符号系统的推理能力结合起来，创造出既能从数据中学习又能进行逻辑推理的智能系统 神经符号AI的核心在于如何有效地将基于连接主义的神经网络与基于符号主义的推理系统结合起来，形成统一的智能处理框架。 ： 可微符号网络： 将符号操作嵌入可微分计算图 概率编程： 统一处理不确定性和逻辑推理 神经模块网络： 动态组合和重用神经网络模块 注意力推理： 基于注意力机制的软性符号操作 知识增强学习： 知识蒸馏： 系统架构： 云边协同： 云端推理与边缘计算的智能协作 联邦学习： 分布式环境下的神经符号协作 量子增强： 利用量子计算加速符号推理 生物启发： 模仿人脑的神经符号处理机制 应用扩展： 多模态融合： 视觉 关键词： 神经符号AI, 符号推理, 深度学习, 混合智能, 可解释AI, 知识图谱, 企业应用
1.5K10编辑于 2025-06-08- 来自专栏AI科技评论
Jurassic-X: 让神经模型学会符号推理
，如大规模语言模型LLM，和外部知识库，以及过去流行的符号专家系统结合在一起，从而来兼顾神经模型和符号推理能力。 要完成这些目标需要训练离散的专家系统，将他们的接口和神经网络之间进行平滑，并在不同的模块之间去选择等等。 不同专家系统之间的连接 因此MRKL使用了代表当代AI在商业角度下的第三个趋势——使用神经和符号结合的混合系统。 MRKL融合了不同的模块，有些模块使用了深度学习，有些则使用符号推理模式的专家系统，例如直接从某些数据知识库中进行检索等模块，来获取更新的信息。 Jurassic-X可以做出更加明确、透明的回答，而其他神经模型则不行。
55830编辑于 2022-05-06 - 来自专栏CreateAMind
独立性假设下的神经符号推理捷径
/pdf/2507.11357 概述：本文探讨了神经符号（NeSy）预测模型中广泛采用的独立性假设，即假设符号概念在给定输入下条件独立。 跨领域意义 ：结合符号逻辑与神经网络，强调不确定性表示的重要性，激发对概率模型改进的思考。 摘要 在神经符号（NeSy）预测器中，符号概念之间的普遍独立性假设是一种便捷的简化：NeSy预测器利用该假设以加速概率推理。 引言 神经符号（NeSy）预测器是一类结合神经感知与符号推理的模型（Manhaeve 等, 2021；Xu 等, 2018；Badreddine 等, 2022；Feldstein 等, 2024； 首先，它们使用神经网络提取输入的符号概念的概率；随后，借助可解释的符号程序进行概率推理（Darwiche 和 Marquis, 2002），以预测最终标签。
7210编辑于 2026-03-11 - 来自专栏新智元
神经网络的性能竟然优于神经符号模型
编辑：keyu 【新智元导读】DeepMind最新的研究结果再一次打破了传统认知——根据研究人员的最新发现，神经网络对数据的要求，居然比神经符号模型还要低！ 按照之前的常识，结合了算法和符号推理技术的神经符号模型（Neurosymbolic Models），会比神经网络更适合于预测和解释任务，此外，神经符号模型在反事实方面表现更好。 然而，近日，DeepMind的研究人员声称，在正确的测试条件下，神经网络的性能会优于神经符号模型。 ，这无疑挑战了神经网络比神经符号模型更需要数据这一观点。 “神经模型在数学上也取得了一些成功，从直觉上讲，该领域需要执行严格的规则，需要操纵各种各样的复杂符号。
61010发布于 2021-01-07 神经符号系统中的推理捷径：符号接地的失败与不可辨识性根源。
神经符号人工智能（Neuro-Symbolic AI, NeSy）正是承载这一期望的解决方案。其核心理念是将两个强大但迥异的智能范式相结合：深度神经网络与符号逻辑推理。 这构成了神经符号系统作为下一代可信人工智能的基石，也是其核心的市场价值所在。然而，一份近期的深度研究（相关报告全文已收录于“走向未来”知识星球）揭示了一个潜藏在神经符号架构根基之中的深刻裂痕。 我们将探讨它为何不是一个偶然的工程缺陷，而是一个源自神经符号学习范式本身的根本性理论挑战。 神经符号架构的承诺与内在矛盾神经符号系统的核心架构是一种模块化的分工。这种分工明确了学习（learning）和推理（reasoning）的界限。 像概率神经符号预测器（PNSP）或溯因学习（ABL）这样的架构，可以通过其推理层保证最终输出严格遵守知识库K中的逻辑约束，这是传统端到端神经网络无法做到的。再次是可重用性。
23920编辑于 2025-12-22- 来自专栏AI科技评论
哈工大丁效：基于神经符号的认知推理方法
4月9日，哈尔滨工业大学计算学部副研究员丁效，在AI TIME青年科学家——AI 2000学者专场论坛上，做了《基于神经符号的认知推理方法》的报告，分享了神经网络方法执行符号推理任务的最新进展，同时也给出了将符号知识注入神经网络的思路以及如何将神经网络与符号系统相融合 今天和大家分享神经符号认知推理方面的研究工作。人工智能（AI）已经历了第一代符号智能，第二代感知智能以及当前的认知智能。 显然，如果有方法将神经与符号相融合就能优势互补。目前，有三种方法可供参考： 1.神经网络方法执行符号推理任务，神经网络在此过程当中可能帮助我们把词进行泛化。 2. 符号知识注入神经网络。 保留满足恒等和反向蕴含关系的候选句 2 符号知识注入神经网络 符号知识注入神经网络的方式有很多，可以利用逻辑规则约束神经网络的模型；可以利用基于逻辑规则进行数据增强的任务。 3 融合神经与符号的推理系统 融合神经和符号的推理系统，在进行数值运算，因果逻辑推理，一阶谓词逻辑规则等方面具有优势。它可以利用神经网络模块，显式建模符号规则。
1.1K30编辑于 2022-05-05 - 来自专栏人工智能
神经符号混合架构：破解大模型“黑箱”的新思路
神经符号混合架构（Neural-Symbolic AI）正在成为破解这一困境的突破性方向，它将神经网络的感知能力与符号系统的推理能力相结合，开辟了人工智能发展的新路径。神经符号AI的核心原理1. 神经与符号的互补优势神经网络擅长模式识别、模糊处理和从数据中学习，但在逻辑推理、符号操作和可解释性方面存在先天不足。 混合架构的设计范式混合架构通常采用三种集成模式：神经引导符号推理：神经网络提取符号，符号系统执行推理符号约束神经网络：符号规则指导神经网络的训练和推理双向协同系统：神经与符号组件深度交互，形成闭环代码实例 ：可解释的数学推理系统以下是一个完整的神经符号混合系统实现，展示如何将神经网络的模式识别与符号系统的逻辑推理相结合。 表示对齐问题神经表示与符号表示之间的对齐是核心挑战。
48410编辑于 2025-12-09 《神经符号计算：为自然语言处理开启新大门》
但它们各自存在局限，神经网络的黑盒特性导致可解释性差，符号方法在面对复杂多变的自然语言时泛化能力不足。神经符号计算则旨在融合二者优势，为自然语言处理带来新的发展契机。 神经符号计算能够结合神经网络强大的特征提取能力和符号推理的逻辑分析能力，让模型对语义的理解更上一层楼。 知识融入与推理升级知识图谱是符号方法在自然语言处理中的典型应用，它以结构化的形式存储大量知识。神经符号计算将知识图谱与神经网络相结合，为自然语言处理注入强大的知识推理能力。 在知识图谱的构建和更新中，神经符号计算也发挥着重要作用。利用神经网络对非结构化文本进行信息抽取，将抽取到的实体和关系转化为符号表示，融入知识图谱，实现知识图谱的自动化扩充和更新。 虽然神经符号计算在自然语言处理中展现出巨大潜力，但目前也面临一些挑战，如神经网络与符号系统的深度融合还不够完善，在大规模数据处理时效率有待提高等。
41610编辑于 2025-01-30- 来自专栏AI科技评论
“神经+符号”：从知识图谱角度看认知推理的发展
“神经+符号”的人工智能目标基本一致。 2 “神经+符号”的结合 笔者从知识图谱领域的研究视角对目前的工作梳理总结后发现，“神经+符号”的结合工作主要可以分为两类： 神经助力符号(neural for symbolic)这类方法的特点在于将神经网络的方法应用在传统符号系统的问题求解 符号神经(symbolic for neural)这类方法的特点在于将符号的方法应用在神经网络的训练过程中。 3 总结与展望 以上的研究现状表明，“神经+符号”的结合仍停留在仅以一方为主，并到另一方问题的适用或迁移，实现“神经+符号”真正有机结合的系统还任重道远。 如何在神经和符号之间取得一个巧妙的平衡，将是衡量模型价值的关键，其范围涉及了目前几乎所有主流的人工智能研究，如图7所示。 未来关于“神经+符号”的研究中可能涉及到的关键问题和挑战包括： 1.
1.8K20发布于 2020-09-22 神经符号AI+知识图谱：开启可信认知智能新时代
哈尔滨工业大学丁效研究员在《基于神经符号的认知推理方法》中指出，实现真正的认知智能，需要将神经网络的强大感知与泛化能力与符号系统的精确推理与可解释性深度融合。 神经符号AI：正是破解这一困境的钥匙。 它将神经网络的“直觉系统”（快速模式识别与泛化）与符号系统的“逻辑系统”（严谨规则推理与解释）相结合，形成互补优势：神经为符号注入活力：利用神经网络自动从非结构化数据（文档、图表、对话）中抽取实体、关系 符号为神经赋予灵魂：将领域知识、业务规则以符号形式（如逻辑规则、知识图谱）注入神经网络的训练与推理过程，约束其输出，确保结果的准确性、合规性与可解释性，有效对抗幻觉。 “智图知识图谱”利用神经符号结合的多跳逻辑推理算法，让系统不仅能基于现有事实（符号）进行推理，更能借助神经网络的表示学习能力，预测潜在的新关系、补全缺失的知识。
18010编辑于 2026-02-11- 来自专栏centosDai
符号
符号可用于调试和其他诊断工具。 符号文件的内容在语言、编译器和平台之间各有不同。 以非常概要的角度来看，符号是源代码和编译器生成的二进制文件之间的映射。 可在有关符号的 Windows 文档中更详细地了解适用于 Windows 的符号，不过其中很多概念也不用于其他平台。 了解 .NET 的可移植 PDB 格式 .NET Core 引入了一种新的符号文件 (PDB) 格式，即可移植 PDB。 Windows PDB 格式已存在很长时间，它是从甚至更久远的其他本机调试符号格式演变而来的。 它最初是用作本机 (C/C++) 程序的一种格式。 另请参阅 dotnet-symbol 可用于下载框架二进制文件的符号文件 有关符号的 Windows 文档
2700编辑于 2022-01-07 - 来自专栏大数据文摘
神经符号 AI，或为下一代 AIoT 的新解法
目前来看，神经符号 AI（neurosymbolic AI）是最有希望的。 神经符号 AI 是神经网络（第二波 AI）和符号 AI（第一波 AI）的组合，拥有三大优势：精度更高，数据效率更高，高透明度和可解释性。 借助神经符号 AI，人工智能将变得越来越智能，AIoT 也将会变得越来越强大。但是，我们不得不承认，神经符号 AI 仍然存在多重挑战，比如表示学习、场景感知和理解、强化学习和规划等。 在攻克这一挑战的征途中，并不排除有神经符号 AI 之外的颠覆性技术腾空出世。 站在我个人的角度上，我的研究方向选择同物联网研究的大趋势密切相关。 目前，SONG Lab 在神经符号 AI 领域已深耕一年有余，我们也将会推出神经符号 AI 及其在 AIoT 应用的系列研究成果。 AI 科技评论：您在 AIoT 这块的研究与成果分别有哪些？
52320编辑于 2023-04-10 - 来自专栏CreateAMind
神经符号人工智能：迈向提升大语言模型的推理能力
3 什么是神经符号人工智能（Neuro-Symbolic AI）？ 神经符号人工智能旨在将神经网络的学习能力与符号人工智能的推理能力相结合。 具体而言，我们将神经符号人工智能分为三类：神经助力符号（Neuro helps Symbolic）、符号助力神经（Symbolic helps Neuro）以及混合神经符号架构（Hybrid Neuro-Symbolic 3.1 神经助力符号（Neuro helps Symbolic） 这一分支主要依赖符号处理，但引入神经网络以克服纯符号系统的局限性。 的类别，许多研究致力于设计新型的混合神经符号架构，使符号系统与神经网络能在同一框架内协同工作，从而更充分地发挥各自的优势。 它通过引入“神经谓词”（neural predicates）扩展了概率编程，这些神经谓词充当神经网络与符号推理之间的桥梁。
30110编辑于 2026-03-11 - 来自专栏AI科技评论
神经符号 AI，或为下一代 AIoT 的新解法
目前来看，神经符号 AI（neurosymbolic AI）是最有希望的。 神经符号 AI 是神经网络（第二波 AI）和符号 AI（第一波 AI）的组合，拥有三大优势：精度更高，数据效率更高，高透明度和可解释性。 借助神经符号 AI，人工智能将变得越来越智能，AIoT 也将会变得越来越强大。但是，我们不得不承认，神经符号 AI 仍然存在多重挑战，比如表示学习、场景感知和理解、强化学习和规划等。 在攻克这一挑战的征途中，并不排除有神经符号 AI 之外的颠覆性技术腾空出世。 站在我个人的角度上，我的研究方向选择同物联网研究的大趋势密切相关。 目前，SONG Lab 在神经符号 AI 领域已深耕一年有余，我们也将会推出神经符号 AI 及其在 AIoT 应用的系列研究成果。 AI 科技评论：您在 AIoT 这块的研究与成果分别有哪些？
50020编辑于 2023-04-12 - 来自专栏Vegout
无符号数和有符号数
对与无符号数来说，我们更喜欢谈他们之间的转化，十进制是我们最习惯的进制，于是十进制转为R进制，R进制转为十进制变尤为重要。 有符号数 对与有符号数来说，我们更喜欢谈并且才能谈这三个：原码、反码和补码。 原码：符号位用0表示正1表示负，数值位与真值一样 反码：符号位用0表示正1表示负，正数时数值位还是真值，负数时数值位是真值的按位取反 补码：符号位用0表示正1表示负，整数补码的数值位和真值相同，负数补码的数值位是真值的按位取反 反码零的表示也有两种，运算时符号位与数值位一同进行运算。当符号位出现进位时，需要将进位加到运算结果的最低位，才能得到最后结果。而补码中0的表示只有一种，加法计算的规律也和无符号数一样。 小技巧： X的补码符号位连同数值位变反加一就可以得到-X的补码 对与反码、补码来说，扩展的数据位的值和原来的符号位的值是一样的
4K20发布于 2019-07-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号