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。

本文介绍了基于语言模型的可解释视觉编程框架VPGen和VPEval，旨在实现文本到图像的生成与评估。研究提出了ConceptBed数据集和评估指标CCD，分析了概念学习与组合性之间的权衡。此外，开发了T2I-CompBench基准测试，并提出GORS方法以提升生成能力。通过微调文本嵌入，实现低成本的多概念生成，并提出CompAgent方法以增强图像生成的可控性。最终评估显示，VQAScore在生成速度和准确性上优于其他指标。

该论文提出了一种新颖的概念学习框架，通过非监督解释生成器增强视觉分类模型的可解释性和性能。实验验证了该方法的稳健性，能够从潜在表征中提取视觉概念，并与人类可理解的视觉属性对齐，为可信赖的人工智能开发提供支持。

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...

本文介绍了一种名为复合概念提取器（CoCE）的方法，该方法通过后门攻击技术在零样本情况下学习复合概念。利用对比学习改进失真效果，并提出检测受影响对象的方式。实验结果表明该方法在不同数据集上具有实用性和适用性。

JEN-1是一种高保真度的文本到音乐生成模型，结合自回归和非自回归技术，支持多种音乐生成任务。通过课程培训策略，模型能够灵活生成多轨音乐，展现出优越的可控性和音乐质量。此外，研究探讨了个性化文本到音乐扩散模型的效果，并提出多种创新方法以提升音乐创作的灵活性和质量。

最近的研究关注深度神经网络（DNNs）的可解释性，探讨基于概念的技术。文章回顾了DNNs中概念表示及其算法，提出了一种自我解释的深度学习模型，适用于无监督概念学习，实验结果显示其性能优于现有模型。此外，研究强调了将学习与推理结合的重要性，并探讨了在神经网络中插入概念知识的可能性。

本文探讨了Bongard-LOGO基准在评估人类概念学习和推理中的应用，分析了现有机器学习方法的不足，并提出了改进方向。研究表明，结合贝叶斯推理和形式语言可以有效解决部分Bongard问题，新提出的分层规则感知网络在图形推理测试中表现优异。此外，Bongard-OpenWorld基准旨在评估真实世界的少样本推理能力，促进对视觉智能的深入理解。

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。