arXiv cs.AI· Antal Jakov\'ac, Andr\'as Telcs·· 9 天前AI 评分20
认知表示与问题求解的结构理论：上下文、不变性与知识空间
A Structural Theory of Cognitive Representation and Problem Solving,Contexts, Invariance, and the Knowledge Space
AI 导读
该论文提出一个最小结构框架，将上下文、不变性识别、代表选择、抽象与过程复用等表示操作显式化，上下文被形式化为状态空间子集的一种划分。框架实现为由 Concept Graph 与 Procedure Graph 耦合构成的知识空间，为表示操作提供最小认知表示代数。
正文 · AI 翻译
摘要：学习和问题解决在很大程度上取决于内部表征的结构。尽管许多现代数据驱动的人工系统取得了强大的预测性能，但它们学到的表征往往缺乏用于表达抽象、不变性和任务相关规律性的显式结构。我们提出了一个最小结构框架，其中与问题解决相关的表征操作，如上下文形成、不变性识别、代表性选择、抽象和过程复用，都被显式化。核心概念是 \emph{context}（上下文），它被形式化为底层状态空间某个子集的一个划分，该划分固定了问题得以提出的区分、粒度和形式。在这一设定下，不变性识别和代表性选择被视为基本的表征操作。该框架被实现为一个由两个耦合图结构组成的知识空间：一个承载已构建和精炼概念的概念图，以及一个编码对表征的类型化操作的过程图。这些结构共同提供了一个最小的认知-表征代数，用于对表征进行操作，而无需假设复杂的推理、学习、控制、感知或运动机制。通过简单的说明性示例和一个有限弱求解器演示，我们表明，即使问题求解由一个固定且能力有限的求解器执行，适当的表征组织也能简化可容许规律性的形式和范围。本文的贡献是结构性的而非算法性的：它识别了问题解决中抽象、不变性和过程复用的表征前提，并明确陈述了弱求解器设定下的成功和失败条件。
| 评论： | 41 页，1 幅图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.12306 [cs.AI] |
| （或 arXiv:2610.12306v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12306 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Andras Telcs [查看电子邮件]
[v1]
2026年10月8日星期四 16:54:16 UTC（28 KB）
来源：arXiv cs.AI · arxiv.org