标签
该论文提出了 CB-Agent，这是一种基于概念的上下文学习方法，通过从专家轨迹中拟合可复用的概念向量，为大语言模型智能体的候选动作评分，并在 TextWorld、ALFWorld 和 ScienceWorld 上取得了领先的跨基准平均成绩。
本文介绍了概念集成Transformer（CIT），该模型利用大型语言模型进行概念监督，以在小规模队列健康研究中从移动传感数据中实现准确且可解释的预测。
这篇理论论文通过超立方体和超平面的几何来研究原子概念学习，表明在除全对角线之外的大多数超平面上，复杂度会一致坍缩，而在全对角线上复杂度则无界增长。文中提供了超平面行为的分类学，以及完整的二元和三元案例分析。
本文提出了一个统一的几何框架，用于理解稀疏自编码器中的概念学习和神经元解释，将概念形式化为集合，并定义了检测、分离和近似。它提供了误差界、容量约束，并与形式概念分析建立了联系，同时在合成数据上进行了实验。
OpenAI 展示了一种利用能量函数的技术，使智能体能够从任务中学习和提取抽象概念（视觉、空间、时间、社交），然后在不需要重新训练的情况下，将这些概念转移到不同领域的相关任务中。该方法使用能量模型和神经网络来执行概念的生成和识别。
OpenAI 提出了一种机器教学方法，其中教师神经网络学习选择最具代表性的示例来教导学生网络识别概念，通过将示例与人类可理解的特性相关联而不是任意的特征编码，产生可解释的结果。