知识表示和推理是人工智能挑战的核心: 要充分理解智能和认知的本质,使计算机能够表现出类似人类的能力。早在1958年,约翰·麦卡锡(John McCarthy)就考虑过可以运用常识的人工智能系统。从这些早期工作中,研究人员确信(人工)智能可以被形式化为具有明确知识表征的符号推理,而研究的核心挑战是弄清楚如何在计算机中表示知识,并使用它的算法来解决问题。

多年以后,这本书调研了构成知识表示和推理领域的大量科学和工程见解。在三个方面取得了进展。首先,研究人员探索了知识表示和推理的一般方法,解决了跨越应用领域的基本问题。其次,研究人员开发了专门的知识表示和推理方法来处理核心领域,如时间、空间、因果关系和行动。第三,研究人员处理了知识表示和推理的重要应用,包括查询回答、规划和语义网。因此,本书分为三个部分来涵盖这些主题。

https://www.elsevier.com/books/handbook-of-knowledge-representation/van-harmelen/978-0-444-52211-5

第一部分主要介绍人工智能系统中表示知识的一般方法。它从经典逻辑和定理证明的背景开始,然后转向扩展经典逻辑的新方法——例如,处理定性的或不确定的信息——并改进其计算可处理性。

  • 第一章通过调研自动化推理的经典逻辑和方法,为后面章节提供了背景知识。
  • 第二章描述了可满足性(SAT)求解器的显著成功。研究人员发现,这类自动推理可以用于越来越多的实际应用,而且效率惊人。
  • 第三章回顾了描述逻辑的研究,提供了用术语知识表示和推理的方法。描述逻辑是语义Web表示语言的核心。
  • 第四章描述了约束规划,一个解决组合搜索问题的强大范例。这种类型的知识表示和推理结合了来自人工智能、运筹学、算法和图论的广泛技术。
  • 第五章回顾了在概念图方面有影响的研究。这种结构化的表示提供了一种表达性语言和强大的推理方法,这对于自然语言理解等应用程序是必不可少的。
  • 第六章介绍了非单调逻辑,它处理与处理一般规则异常相关的复杂问题。这些逻辑被称为“非单调”,因为它们描述了当考虑到额外的异常时从知识库撤回信息的情况。
  • 第七章建立在上一章的基础上,描述了答案集逻辑,它巧妙地处理了默认规则和例外,以及它们所产生的非单调推理。这种逻辑形式也支持关于行为的因果效应的推理——常识的另一个关键特征。
  • 第八章通过对信念修正技术的调查继续了这个主题,也就是说,一个主体是如何根据与之前的信念相矛盾的新信息改变其知识库的。
  • 第九章解释了连续系统定性模型的作用。这些模型实现了常识的另一个关键特征: 使用不完整信息进行推理。这种推理形式可以计算,例如,一个系统可能的未来状态,这是重要的许多任务,如诊断和辅导。
  • 第十章证明了这些理论和技术为问题解决者建立了基础,这些解决者利用系统行为的明确模型来完成诸如设计、测试和诊断等任务。这种基于模型的问题解决器以基本原理知识和具有正式逻辑基础的推理引擎为基础,而不是与特定实例和情况相关联的经验,实现了知识表示和推理技术的工业应用所需的能力和健壮性。
  • 第十一章直面现实世界领域中不可避免的不确定性问题,并调查了贝叶斯网络作为一种建模和基于不确定信念进行推理的方法的广泛研究。

第二部分探讨了用知识的一些核心领域(包括时间、空间、因果关系和行动)来表示和推理的特殊挑战。这些挑战在应用程序领域中普遍存在,因此解决方案必须是通用的和可组合的。

  • 第十二章讨论了如何表示一个不断变化的时序世界。在这个贯穿本节的主题中,这提出了各种有趣的本体论问题——比如时间应该用点还是间隔来建模,以及在什么层次上粒度化——以及这些决定的实际后果。
  • 第十三章调研了空间的定性表示,包括拓扑、方向、形状、大小和距离,以及适用于每个空间的推理方法。虽然没有单一的理论涵盖这些主题全面,研究人员已经产生了一个强大的工具包。
  • 第十四章建立在前两章的基础上,并对定性建模进行了研究,以解决一般的物理推理问题。发展了两个重要的领域理论(液体和固体),并探讨了在替代模型之间转换的关键问题。
  • 第十五章调研了一个主体的知识和信念的表现,包括关于其他主体的知识状态的命题(例如,“汤姆相信玛丽知道……”)。这种工作可以很好地扩展到在智能体社区中处理公共知识和分布式知识。
  • 第十六章考察了“情境演算”的悠久历史——为处理动态世界而设计的知识表示。麦卡锡和海斯首先定义的情形是“宇宙在某一时刻的完整状态”。因为情境是可以被量化的一阶对象,这个框架已经被证明是关于变化的推理的一个强有力的基础。
  • 第十七章描述了事件演算作为一种情景演算的替代,它具有一些额外的好特性。特别是,事件演算有助于表示连续事件、不确定性影响、持续时间事件、触发事件等等。
  • 第十八章通过引入时态动作逻辑,继续开发为动态世界设计的表示语言。这个语言家族特别适合于推理持久性,也就是说,世界上的特性会随着时间的推移而不变,直到一个动作影响到它们。它简化了不确定性动作、有持续时间的动作、并发动作和动作的延迟效果的表示,部分原因是它使用了显式时间,并且它将自动计划器与形式主义紧密地结合在一起。
  • 第十九章关注于非单调因果逻辑,它使用框架问题的强解决方案来处理动态世界。这一逻辑始于这样的假设:每件事都有一个原因:要么是先前的动作,要么是惯性(持久性)。这导致了一些关键问题的很好的形式化,比如分支、隐含的操作前提条件和操作的并发交互影响。

第三部分介绍了知识表示和推理的重要应用。应用领域涵盖了人工智能的广度,包括问题回答、语义网、计划、机器人和多智能体系统。每一项应用都广泛借鉴了第一部分和第二部分中所述的研究结果。

  • 第二十章调研了问答系统。这些系统会回答相关文档的问题,在某些情况下,还会回答常识信息的知识库。该系统的挑战是选择相关的文本段落(一个信息检索任务),解释它们(一个自然语言理解任务)和推断问题的答案(一个推理任务)。
  • 第二十一章回顾了语义网的发展:万维网的一个扩展,在它的内容是用一种正式的语言表达的,使软件代理能够发现、整合和推理它。这带来了许多挑战,包括将知识表示方法缩放到Web的大小。
  • 第二十二章调查了自动化规划的进展,这使得这些系统比早期人工智能的“经典规划”更加强大。例如,新框架支持不确定性操作和部分可观察性,这是现实领域的重要属性。
  • 第二十三章将知识表示和推理扩展到一个新的方向:认知机器人。这一应用的挑战在于,机器人的世界是动态的、不完全已知的,这需要重新思考传统的人工智能任务方法,比如规划,以及耦合高级推理和低级感知。
  • 第二十四章对多智能体系统的研究进行了调查,其中每个智能体代表和推理环境中的其他智能体是很重要的。当代理有不同的,或者更糟的——冲突的目标时,这就特别具有挑战性。
  • 第二十五章描述了知识工程的工具和技术:如何获得可以用其他章节中描述的形式来表达的知识。

此外,这25章,组织在三个部分“一般方法”,“专门的表示和“应用”,提供了一个独特的调研,最好的知识表示已经取得,由帮助塑造领域的研究人员写。我们希望学生,研究人员和从业者在所有领域的人工智能和认知科学将发现这本书是一个有用的资源。

成为VIP会员查看完整内容
0
81

相关内容

知识表示(knowledge representation)是指把知识客体中的知识因子与知识关联起来,便于人们识别和理解知识。知识表示是知识组织的前提和基础,任何知识组织方法都是要建立在知识表示的基础上。知识表示有主观知识表示和客观知识表示两种。

概率图模型的形式化为捕获随机变量之间的复杂依赖关系和建立大规模多元统计模型提供了统一的框架。图模型已经成为许多统计、计算和数学领域的研究焦点,包括生物信息学、通信理论、统计物理、组合优化、信号和图像处理、信息检索和统计机器学习。在特定情况下出现的许多问题- -包括计算边缘值和概率分布模式的关键问题。利用指数族表示,并利用指数族累积函数和熵之间的共轭对偶性,我们提出了计算概率、边际概率和最可能配置问题的一般变分表示。我们描述了各种各样的算法,其中sum-product集群变分方法,expectation-propagation,平均场方法,max-product和线性规划松弛——都可以理解的精确或近似形式的变分表示。变分方法提供了一个补充替代马尔科夫链蒙特卡洛作为在大规模统计模型推理的方法。

https://www.nowpublishers.com/article/Details/MAL-001

成为VIP会员查看完整内容
0
36

这是我2004年,2006年和2009年在斯坦福大学教授的概率理论博士课程的讲义。本课程的目标是为斯坦福大学数学和统计学系的博士生做概率论研究做准备。更广泛地说,文本的目标是帮助读者掌握概率论的数学基础和在这一领域中证明定理最常用的技术。然后将此应用于随机过程的最基本类的严格研究。

为此,我们在第一章中介绍了测度与积分理论中的相关元素,即事件的概率空间与格-代数、作为可测函数的随机变量、它们的期望作为相应的勒贝格积分,以及独立性的重要概念。

利用这些元素,我们在第二章中研究了随机变量收敛的各种概念,并推导了大数的弱定律和强定律。

第三章讨论了弱收敛的理论、分布函数和特征函数的相关概念以及中心极限定理和泊松近似的两个重要特例。

基于第一章的框架,我们在第四章讨论了条件期望的定义、存在性和性质,以及相关的规则条件概率分布。

第五章讨论了过滤、信息在时间上的级数的数学概念以及相应的停止时间。关于后者的结果是作为一组称为鞅的随机过程研究的副产品得到的。讨论了鞅表示、极大不等式、收敛定理及其各种应用。为了更清晰和更容易的表述,我们在这里集中讨论离散时间的设置来推迟与第九章相对应的连续时间。

第六章简要介绍了马尔可夫链的理论,概率论的核心是一个庞大的主题,许多教科书都致力于此。我们通过研究一些有趣的特殊情况来说明这类过程的一些有趣的数学性质。

在第七章中,我们简要介绍遍历理论,将注意力限制在离散时间随机过程的应用上。我们定义了平稳过程和遍历过程的概念,推导了Birkhoff和Kingman的经典定理,并强调了该理论的许多有用应用中的少数几个。

第八章建立了以连续时间参数为指标的右连续随机过程的研究框架,引入了高斯过程族,并严格构造了布朗运动为连续样本路径和零均值平稳独立增量的高斯过程。

第九章将我们先前对鞅和强马尔可夫过程的处理扩展到连续时间的设定,强调了右连续滤波的作用。然后在布朗运动和马尔可夫跳跃过程的背景下说明了这类过程的数学结构。

在此基础上,在第十章中,我们利用不变性原理重新构造了布朗运动作为某些重新标定的随机游动的极限。进一步研究了其样本路径的丰富性质以及布朗运动在clt和迭代对数定律(简称lil)中的许多应用。

https://statweb.stanford.edu/~adembo/stat-310b/lnotes.pdf

成为VIP会员查看完整内容
0
55

这是为未来的科学家和工程师准备的微积分介绍的第二卷。第二卷是第一卷的延续,包括第六到第十二章。第六章介绍了向量、向量运算、向量的微分与积分及其应用。第七章研究了以向量形式表示的曲线和曲面,并研究了与这些形式相关的向量运算。此外,还研究了用矢量表示法表示密度、表面积和体积元素的方法。方向导数是与其他向量运算及其属性一起定义的,因为这些额外的向量使我们能够找到具有多个变量的函数的最大值和最小值。第八章研究标量场和向量场以及涉及这些量的运算。详细研究了高斯散度定理、斯托克斯定理和平面上的格林定理及其相关应用。第九章介绍了来自科学和工程选定领域的向量的应用。第十章介绍了矩阵演算和差分演算。第十一章介绍了概率论和统计学。第十章和第十一章之所以出现,是因为在当今社会,技术发展正趋向于一个数字化的世界,学生们应该接触到一些运算性的微积分,这是为了理解这些技术所需要的。第十二章是作为一个后续想法,介绍那些对数学的一些更高级的领域感兴趣的人。

如果你是微积分的初学者,那么一定要确保你有适当的代数和三角的背景材料。如果你有不明白的地方,不要害怕向你的老师提问。去图书馆找一些其他的微积分书,从不同的角度来介绍这门学科。在因特网上,人们可以找到许多微积分的帮助。在因特网上,人们还可以找到许多关于微积分应用的说明。这些额外的学习辅助将向你展示在不同的微积分科目上有多种方法,应该有助于你的分析和推理技能的发展。

http://www.math.odu.edu/~jhh/Volume-2.PDF

成为VIP会员查看完整内容
0
34

为机器配备对世界实体及其关系的全面了解一直是人工智能的一个长期目标。在过去的十年中,大规模知识库(也称为知识图谱)已经从Web内容和文本源中自动构建出来,并且已经成为搜索引擎的关键模块。这种机器知识可以被用来从语义上解释新闻、社交媒体和网络表格中的文本短语,并有助于回答问题、自然语言处理和数据分析。本文调查基本概念和实际的方法来创建和管理大型知识库。它涵盖了用于发现和规范化实体及其语义类型以及将它们组织成干净的分类法的模型和方法。在此基础上,本文讨论了以实体为中心的属性的自动提取。为了支持机器知识的长期生命周期和质量保证,本文提出了构建开放模式和知识管理的方法。学术项目的案例研究和工业知识图表补充了概念和方法的调查。

概述

增强计算机的“机器知识”,可以推动智能应用是计算机科学的一个长期目标[323]。由于知识获取方面取得了重大进展,这一以前难以捉摸的愿景如今已变得切实可行。这包括将嘈杂的互联网内容转化为实体和关系上的清晰知识结构的方法。知识获取方法使得自动建设知识库(KB):机器可读的关于现实世界的事实的集合。如今,公开的KBs提供了数以百万计的实体(比如人、组织、地点和书籍、音乐等创意作品)和数十亿的声明(比如谁研究了哪里,哪个国家拥有哪一种资本,或者哪位歌手演唱了哪首歌)。大公司部署的专有KBs包含了更大范围的知识,有一到两个数量级的实体。

知识库成为关键资产的一个突出用例是Web搜索。当我们向百度、Bing或谷歌发送一个类似“迪伦抗议歌曲”的查询时,我们会得到一个清晰的歌曲列表,比如《Blowin ' in the Wind》、《Masters of War》或《a- gonna Rain ' s a- gonna Fall》。因此,搜索引擎自动检测到我们对某一个体实体的事实感兴趣——这里是鲍勃·迪伦——并要求特定类型的相关实体——抗议歌曲——作为答案。这是可行的,因为搜索引擎在其后端数据中心有一个巨大的知识库,有助于发现用户请求(及其上下文)中的实体,并找到简明的答案。

本文介绍了从Web和文本源自动构建和管理大型知识库的方法。我们希望它将对博士生和对广泛的主题感兴趣的教师有用——从机器知识和数据质量到机器学习和数据科学,以及web内容挖掘和自然语言理解的应用。此外,本文还旨在为从事web、社会媒体或企业内容的语义技术的行业研究人员和实践者提供帮助,包括从文本或半结构化数据构建意义的各种应用程序。不需要有自然语言处理或统计学习的先验知识;我们将根据需要介绍相关的方法(或至少给出文献的具体指示)。

这篇文章共分为十章。第2章给出了知识表示的基础知识,并讨论了知识库的设计空间。第3、4和5章介绍了构建包含实体和类型的知识库核心的方法。第3章讨论了利用具有丰富和干净的半结构化内容的优质资源,第4章讨论了从文本内容中获取的知识。第5章特别关注将实体规范化为唯一表示的重要问题。第6章和第7章通过发现和提取实体的属性以及实体之间的关系的方法扩展了知识库的范围。第6章主要讨论为感兴趣的属性预先设计模式的情况。第7章讨论了为KB模式中尚未指定的属性和关系发现新的属性类型的情况。第8章讨论了知识库管理和知识库长期维护的质量保证问题。第9章介绍了几个具体KBs的案例研究,包括工业知识图谱(KGs)。我们在第10章以关键课程和关于机器知识主题可能走向的展望来结束。

成为VIP会员查看完整内容
0
122

这个新版本提供了一个全面的,丰富多彩的,最新的的人工智能导论,还包括理论基础。它包括大量的例子,应用程序,全彩图像,和人类兴趣盒,以提高学生的兴趣。关于机器人技术和机器学习的新章节现在包括在内。高级主题包括神经网络、遗传算法、自然语言处理、规划和复杂的棋类游戏。

成为VIP会员查看完整内容
0
33

语义表示是自然语言处理的基础,我们需要将原始文本数据中的有用信息转换为计算机能够理解的语义表示,才能实现各种自然语言处理应用。表示学习旨在从大规模数据中自动学习数据的语义特征表示,并支持机器学习进一步用于数据训练和预测。以深度学习为代表的表示学习技术,能够灵活地建立对大规模文本、音频、图像、视频等无结构数据的语义表示,显著提升语音识别、图像处理和自然语言处理的性能,近年来引发了人工智能的新浪潮。本书是第一本完整介绍自然语言处理表示学习技术的著作。书中全面介绍了表示学习技术在自然语言处理领域的最新进展,对相关理论、方法和应用进行了深入介绍,并展望了未来的重要研究方向。

本书全面介绍了自然语言处理表示学习技术的理论、方法和应用,内容包括三大部分:第一部分介绍了单词、短语、句子和文档等不同粒度语言单元的表示学习技术;第二部分介绍了与自然语言密切相关的世界知识、语言知识、复杂网络和跨模态数据的表示学习技术;第三部分整理了相关开放资源与工具,并探讨了面向自然语言处理的表示学习技术面临的重要挑战和未来研究方向。本书对于自然语言处理和人工智能基础研究具有一定的参考意义,既适合专业人士了解自然语言处理和表示学习的前沿热点,也适合机器学习、信息检索、数据挖掘、社会网络分析、语义Web等其他相关领域学者和学生作为参考读物。

成为VIP会员查看完整内容
0
120

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
99

Google AI研究科学家Jacob Eisenstein 博士的自然语言处理领域新书《Introduction to Natural Language Processing》由MIT出版社在10月份发行。在该教材最新版PDF 在 GitHub 上开放。这本书的内容主要分为四大章节,即 NLP 中监督与无监等学习问题、序列与解析树等自然语言的建模方式、语篇语义的理解,以及后这些技术最在信息抽取、机器翻译和文本生成等具体任务中的应用。整本开放书共四部分,19章,587页pdf,是了解最新自然语言处理进展的不可多得的教材。

这本书的主要章节如下可分为四部分:

  • 学习:这一章节介绍了一套机器学习工具,它也是整本教科书对不同问题建模的基础。由于重点在于介绍机器学习,因此我们使用的语言任务都非常简单,即以词袋文本分类为模型示例。第四章介绍了一些更具语言意义的文本分类应用。

  • 序列与树:这一章节将自然语言作为结构化的数据进行处理,它描述了语言用序列和树进行表示的方法,以及这些表示所添加的限制。第 9 章介绍了有限状态自动机(finite state automata)。

  • 语义:本章节从广泛的角度看待基于文本表达和计算语义的努力,包括形式逻辑和神经词嵌入等方面。

  • 应用:最后一章介绍了三种自然语言处理中最重要的应用:信息抽取、机器翻译和文本生成。我们不仅将了解使用前面章节技术所构建的知名系统,同时还会理解神经网络注意力机制等前沿问题。

成为VIP会员查看完整内容
0
94
小贴士
相关VIP内容
专知会员服务
36+阅读 · 2020年12月10日
专知会员服务
55+阅读 · 2020年12月3日
专知会员服务
34+阅读 · 2020年11月5日
专知会员服务
122+阅读 · 2020年10月6日
专知会员服务
26+阅读 · 2020年8月16日
专知会员服务
33+阅读 · 2020年8月2日
专知会员服务
120+阅读 · 2020年7月11日
专知会员服务
99+阅读 · 2020年7月5日
相关资讯
自然语言处理常识推理综述论文,60页pdf
专知
30+阅读 · 2019年4月4日
学习人工智能需要哪些必备的数学基础?
综述 | 一文读懂自然语言处理NLP(附学习资料)
PaperWeekly
9+阅读 · 2017年11月14日
鲍捷 | 知识表示——面向实战的介绍
开放知识图谱
6+阅读 · 2017年10月23日
独家 | 一文读懂自然语言处理NLP(附学习资料)
数据派THU
9+阅读 · 2017年10月11日
领域应用 | 图数据库及其在恒昌的应用简介
开放知识图谱
4+阅读 · 2017年10月10日
大规模知识图谱的构建、推理及应用
CSDN大数据
5+阅读 · 2017年9月7日
相关论文
Maciej Skorski
0+阅读 · 1月7日
Theorem Proving and Algebra
Joseph A. Goguen
0+阅读 · 1月7日
Rachel Holladay,Tomás Lozano-Pérez,Alberto Rodriguez
0+阅读 · 1月7日
Shuo Zhang,Krisztian Balog
5+阅读 · 2020年2月5日
Anna Rohrbach,Lisa Anne Hendricks,Kaylee Burns,Trevor Darrell,Kate Saenko
3+阅读 · 2019年3月29日
Quantization Mimic: Towards Very Tiny CNN for Object Detection
Yi Wei,Xinyu Pan,Hongwei Qin,Wanli Ouyang,Junjie Yan
4+阅读 · 2018年9月13日
Neural Architecture Optimization
Renqian Luo,Fei Tian,Tao Qin,Enhong Chen,Tie-Yan Liu
7+阅读 · 2018年9月5日
Wenhan Xiong,Mo Yu,Shiyu Chang,Xiaoxiao Guo,William Yang Wang
3+阅读 · 2018年8月27日
Zero-Shot Object Detection
Ankan Bansal,Karan Sikka,Gaurav Sharma,Rama Chellappa,Ajay Divakaran
7+阅读 · 2018年7月27日
Show, Tell and Discriminate: Image Captioning by Self-retrieval with Partially Labeled Data
Xihui Liu,Hongsheng Li,Jing Shao,Dapeng Chen,Xiaogang Wang
4+阅读 · 2018年7月23日
Top