机器推理的进展与展望

被引：10

作者：

丁梦远

兰旭光

彭茹

郑南宁

机构：

[1] 西安交通大学人工智能学院

来源：

模式识别与人工智能 | 2021年 / 34卷 / 01期

基金：

国家自然科学基金重点项目;

关键词：

人工智能; 机器推理; 直觉推理; 因果推理;

D O I：

10.16451/j.cnki.issn1003-6059.202101001

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

机器学习算法的发展仍受到泛化能力较弱、鲁棒性较差、缺乏可解释性等问题的限制.文中介绍机器推理,说明推理对于机器学习人的知识和逻辑、理解和解释世界的重要作用.首先分析人类大脑推理机制,从认知地图、神经元和奖赏回路,扩展到受脑启发的直觉推理、神经网络和强化学习.进而总结机器推理的方式及其相互关联的现状、进展及挑战,具体包括直觉推理、常识推理、因果推理和关系推理等.最后展望机器推理的应用前景与未来的研究方向.

引用

页码：1 / 13

页数：13

共 16 条

[1]

因果推理[J]. 况琨,李廉,耿直,徐雷,张坤,廖备水,黄华新,丁鹏,苗旺,蒋智超. Engineering. 2020(03)

[2] Engineering [J].

Engineering, 2020, (01) :216-216

[3] 混合-增强智能:协作与认知（英文） [J].

Nanning ZHENG ;

Ziyi LIU ;

Pengju REN ;

Yongqiang MA ;

Shitao CHEN ;

Siyu YU ;

Jianru XUE ;

Badong CHEN ;

Feiyue WANG .

Frontiers of Information Technology & Electronic Engineering, 2017, 18 (02) :153-180

[4]

Image Understanding using vision and reasoning through Scene Description Graph[J] . Somak Aditya,Yezhou Yang,Chitta Baral,Yiannis Aloimonos,Cornelia Fermüller. Computer Vision and Image Understanding . 2017

[5] Insight solutions are correct more often than analytic solutions [J].