本研究首次提供无模型强化学习智能体规划的机制性证据，展示其利用概念表示形成计划并预测行为的长期影响，推动相关研究进展。

本文回顾和分类了DNNs中的概念表示及其发现算法，并提供了关于基于概念的模型改进文献的详细信息。

本文回顾和分类了DNNs中的概念表示及其发现算法，并提供了关于基于概念的模型改进文献的详细信息。

本文提出了一个新的模型框架，使用范畴论的概念空间广义化，并展示了如何从数据中自动地学习概念表示。通过范畴论的形式化，详细阐述了该框架的基本原理。在现有的概念空间框架基础上，从简单形状的图像中学习了形状、颜色、大小和位置等概念。在经典实现中概念表示为高斯函数，在量子实现中表示为量子效应。在经典情况下，开发了一个新的模型，与语言相连接，使得概念的名称成为图形模型的一部分。在量子情况下，概念通过一个混合的经典 - 量子网络进行学习，该网络通过卷积神经网络进行经典图像处理，并通过参数化量子电路生成量子表示。最后，考虑了量子概念模型是否可以被视为Gardenfors意义上的概念空间。

最近的研究关注从提高深度神经网络性能转向更具人可解释性的DNNs。本文回顾和分类了DNNs中的概念表示及其发现算法，特别是在视觉领域。同时提供了关于基于概念的模型改进文献的详细信息。

研究比较了人类和ChatGPT（GPT-3.5和GPT-4）在不同词汇概念特征或维度上的表现，结果显示LLM在某些抽象维度上表现类似于人类，但在感官和运动领域，GPT-3.5表现较弱，而GPT-4在这方面有了显著进展。GPT-4的进步主要源于其在视觉领域的训练。某些概念表示的方面似乎与感官能力相互独立，但其他方面似乎需要它们。