本研究关注人工智能在理解和互动物理世界方面的不足，提出通过数学过程程序表示与物理世界相关的概念（即分析概念），以帮助机器智能感知和推理。研究的关键发现是，建立这样的分析概念框架能够有效地将结构化先验与神经网络结合，从而帮助AI系统遵循物理规律。

本文提出了一种语言约束的概念学习方法LARC，通过提取语言属性约束，提升了神经符号概念学习器在自然监督下的准确性，改善了3D视觉定位性能，并展示了三维视觉推理能力，为无密集监督的视觉推理框架奠定基础。

本研究针对一次性分类任务，提出了一种基于集群的生成图像分割框架，以编码视觉概念的高级表示。这种方法通过抽象高斯原型（AGP）生成新的类变体，显示出生成的视觉概念实例在质量上与人类非常接近。研究显示，该体系在理论和计算复杂性上都相对较低，推动了对学习和推理系统在单一示例基础上生成灵活概念的理解。

提出一种解决基于概念学习（CBL）问题的方法，该方法通过将每个概念标注图像划分为补丁，并使用自编码器将这些补丁转换为嵌入向量，然后假设每个聚类主要包含具有特定概念的补丁的嵌入向量，通过计算具有特定概念的图像的补丁比率，计算先验概率和后验概率以推断新图像的概念，从而结合专家规则以适应先验和条件概率，并且该方法透明，具有明确的概率计算序列和清晰的频率解释，数值实验表明在训练数据较少时，FI-CB...

本文介绍了一种基于概念的可解释性方法，通过将其嵌入分解为高级概念，提供了一种深入研究基础模型内部的透视角度。作者提出了一种可组合概念抽取算法 (CCE)，并在图像和文本数据上评估了其效果，结果表明 CCE 找到了更多可组合的概念表示，并在四个下游分类任务上取得了更好的准确率。

可控音乐生成对于人工智能与人类共创音乐至关重要。通过引入参数高效微调（PEFT）方法，自回归语言模型可以无缝地解决音乐修复任务。此方法结合了基于帧级内容的控制，便于音轨调节和谱面调节的音乐编排。实验结果显示有希望的结果，为未来的AI驱动音乐编辑工具提供了更灵活的控制。

该研究开发了一种训练策略，提高了AI模型的可解释性和准确性。通过对决策网络的可视证据进行区域定位，实现了对目标分类方案的解释。该方法提高了泛化性能，弥合了视觉-语义差距。

概念学习是人类认知的基本方面，与分类、推理、记忆和决策等心理过程密切相关。通过研究计算神经科学和认知心理学的发现，本文发现大脑对概念的表示依赖于多感官表示和文本派生表示两个关键组成部分，并通过语义控制系统协调这两种表示，最终实现概念的获取。借鉴这一机制，本研究基于脉冲神经网络开发了一种人类类似的概念学习计算模型，有效应对多样化来源和不平衡维度的概念表示所带来的挑战，并成功获得了类似人类认知的...

ConceptX框架利用聚类发现预训练语言模型中的潜在概念，并与人类定义的概念对齐解释。学习表示中的潜在空间与不同语言概念有不同程度的重叠，较低层主要表示词汇概念，而核心语言概念在中高层更好地表示。部分编码的概念具有多面性，无法用现有的人类定义概念充分说明。

本文提出了一种新的Tsetlin Machine（TM）反馈机制，利用上下文特定独立自动机找到Markov边界，并为其收敛性提供了理论分析，为推理和学习提供协同作用的可能性。