知识引导的学习与决策

过去十年见证了人工智能的长足发展，深度学习技术的突破，以及强大计算硬件的激增。尽管人们的注意力主要集中在通过新颖的数学框架或巧妙的算法进步来开发更快、更有效的学习系统，但利用现有的知识，无论是符号规则、基于科学/物理的模型、已建立的经验关系，还是简单的常识知识，都经常被忽视。例如，使用已知动力学建模技术获得的模型可以大大减轻机器人控制任务中学习的高样本复杂性;从专家演示中学习可以内在地暗示一些特定于问题的需求，而不必明确地指定它们;理论上建立的数量之间的关系可以为基于物理的学习任务中施加的约束类型提供信息。因此，由现有领域知识指导的学习和决策方法可以成为以数据高效的方式解决各种实际现实问题的强大工具，从而创建健壮/安全的人工智能系统。

知识增强/引导人工智能虽然不是一个新领域，但在几个维度上包含了许多开放的科学和技术挑战，从噪声建模到主动/被动知识表示和诱导或人工智能模型的指导训练，再到此类研究在高影响应用领域的适应性，包括医疗保健、农业、气候、化学和计算系统设计等。现在，这一领域的研究变得更加重要，因为我们正在努力寻求更好、可靠、值得信赖、安全和公正的人工智能驱动系统和解决方案。本研究主题的目标是激励和促进旨在解决知识引导人工智能所有关键维度上的开放研究问题的贡献。随后的文章分类，希望不仅丰富和突出纯数据驱动学习的陷阱和知识在人工智能中的重要性，而且还将激励技术创造者将知识视为解决人工智能驱动技术在现实部署中的可靠性、信任、安全和偏差问题的强大工具。

邀请提交高质量的文章，包括原始研究(基础或应用)，评论和系统评论，假设和理论文章，或技术和代码。潜在的贡献可能是，但不限于，以下可能的概念和应用主题，在这些主题中，知识引导的建模和学习预计将产生重大影响。
1.人为导向决策
2.机器学习(深度或浅)与先验和主动知识
3.利用因果知识进行学习/决策
4.因果可解释的互动学习
5.约束下的强化学习和规划
6.程序综合中的知识+数据
7.基于物理的模型和数据驱动模型的协同集成
8.基于物理的AI系统
9.知识引导人工智能在以下领域的应用:
——人工智能加速科学发现和工程设计
-用于计算系统设计和管理的人工智能
-知识驱动的智能设计与建筑
-医疗保健AI的安全与信任知识
-具有机器人和可配置设计知识
-物流、运输系统和交通控制领域的人工智能

请注意，该列表并不详尽，欢迎任何与该主题相关的文章。

关键字:机器学习、决策支持、知识、科学模型、深度神经网络、人在回路、安全人工智能

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。