knowledge representation and reasoning
PulseAugur coverage of knowledge representation and reasoning — every cluster mentioning knowledge representation and reasoning across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
论文探讨大型语言模型的数据引用挑战
一篇新发表在arXiv上的论文探讨了大型语言模型（LLMs）数据引用的复杂挑战。作者认为，LLMs介导信息访问的能力，除了简单的验证之外，还需要引用来归功和追溯来源。他们提出了三个研究方向：将影响估计转化为训练数据的引用，在推理过程中识别正确粒度的数据集和查询结果，以及定义知识图谱事实的引用以确保功劳传播。解决这些问题需要数据库、信息检索、知识表示和人工智能领域的合作。
-
本体解释：为 AI 代理定义含义
本文介绍了本体论在人工智能和数据管理背景下的概念。它解释说，本体论是对概念化的显式、机器可读的规范，将其与非正式定义或分类法区分开来。作者使用 SaaS 客户流失定义的实际示例来说明，缺乏正式的本体论会导致 AI 代理解释数据时产生歧义和错误。这篇是旨在为 AI 应用构建一个受管理的意义层级的五部分系列文章的第一篇，从以机器可读格式定义客户流失规则开始。
-
新方法诚实测量摄像头注视跟踪器延迟
研究人员开发了一种名为 Capture-Clock 的新方法学，用于准确测量基于浏览器的摄像头注视跟踪器的延迟。该方法解决了当前跟踪器通过在捕获而非发出时进行时间戳注视样本来报告不准确延迟的问题。新方法利用浏览器的 requestVideoFrameCallback API 来恢复每个帧的捕获时钟，从而实现更诚实的延迟测量。提供了一个开源的 TypeScript 实现，并使用 WebGazer 和 FaceMesh+KRR 管道等引擎进行了演示。
-
OpenAg框架旨在通过AI普及农业智能
一篇新研究论文介绍OpenAg，一个旨在通过整合领域特定的基础模型、神经知识图谱和多智能体推理来增强农业智能的框架。该系统旨在通过结合科学文献、传感器数据和农民的专业知识，为农民（特别是小农户）提供情境感知、可解释和可操作的见解。OpenAg通过纳入因果透明度和自适应迁移学习，解决了当前AI系统（如通用建议和缺乏可解释性）的局限性。
-
AI问题探讨生活中最难形式化映射的类别
用户正在询问在AI、知识表示和语义网技术的背景下，将生活的某些方面映射到形式化系统的难度。这个问题探讨了哪些生活类别在形式化表示方面最具挑战性。
-
新论文将核特征值对齐与KRR中的泛化联系起来
本文探讨了核矩阵的特征向量和特征值对齐如何影响核岭回归（KRR）的泛化能力。研究人员建立了泛化性能与这些矩阵分量估计之间的直接联系，比先前的工作提供了更直观的理解。分析侧重于有限样本设置，并表明高秩核可以轻松实现低重构误差，使其成为泛化能力的糟糕预测指标。研究得出结论，核方法中的强泛化能力需要增加特征向量对齐、更大的特征值幅度或连续特征值之间更宽的间隙。
-
大型维度下的谱算法揭示了三种学习曲线模式
一篇新发表在arXiv上的研究论文探讨了大型维度设置下谱算法的学习曲线和良性过拟合现象。该研究描述了不同正则化路径下的超额风险，确定了三种不同的模式：过度正则化、欠正则化和插值。在与回归函数平滑度相关的特定条件下，良性过拟合发生在后两种模式中。