.png){kind=icon}
返回
Compositional neurosymbolic representations enable efficient active exploration
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-026-75703-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
长期运行的自主导航系统面临一个问题。标准方法在观测数量n的规模上表现不佳，限制了在有限硬件上的持续运行。我们表明，受神经计算启发的组合、高维向量表示可以解决这些约束。我们使用这些表示构建了一种贝叶斯优化（BO）算法，该算法在复杂空间中运行，并在多样化任务中减少了与当前最先进的BO算法相比的时间和内存需求。而标准方法需要O(n^3)的时间和O(n^2)的内存复杂度，我们的方法在嵌入维度d上保持为O(d^2)，该维度在算法生命周期内保持不变。我们的算法在不损失精度的前提下将计算时间减少了60–200倍。在神经形态硬件上的实现将每样本能耗降低了30–188倍。这些效率来自于将样本选择转化为紧凑域上的连续优化，可通过梯度方法或神经动力学实现，从而实现长期、资源受限的自主探索。贝叶斯优化可以指导自主探索，但规模扩展性差，限制了其在资源受限系统上的应用。在此，作者引入了一种神经符号嵌入方法，实现了加速，部分实现已在神经形态硬件上得到验证。
期刊
IF:
15.7
论文数:
9.3W
被引数:
91.2W
查看更多机构
.png){kind=icon}
