MARC

 008260126s2025        us                              c    eng  d
■001000017359824
■00520260202105220
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566091
■035    ▼a(MiAaPQ)AAI32271798
■035    ▼a(MiAaPQ)umichrackham006238
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aBoggs,  James  M.
■24510▼aDeliberate  Visual-Symbolic  Reasoning  in  a  Cognitive  Architecture
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Laird,  John.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aCurrent  artificial  intelligence  systems  excel  at  specific  visual  tasks  but  lack  the  ability  to  perform  deliberate,  step-by-step  visual  reasoning.  They  cannot,  for  example,  mentally  construct  and  manipulate  an  image  to  solve  a  novel  problem  in  the  way  a  person  might  imagine  rearranging  furniture  or  building  with  Legos.  This  dissertation  addresses  this  gap  by  developing  and  evaluating  a  cognitive  architecture  for  integrated,  deliberate  visual-symbolic  reasoning.I  introduce  SVS  2,  an  extension  of  the  Soar  cognitive  architecture  that  integrates  new  visual  memories  and  processes  with  Soar's  established  symbolic  reasoning  capabilities.  SVS  2  features  a  short-term  Visual  Working  Memory  (VWM)  that  allows  an  agent  to  construct  and  execute  visual  operation  graphs,  and  a  Visual  Long-term  Memory  (VLTM)  that  stores  persistent,  cross-representational  knowledge.  This  structure  enables  the  agent  to  deliberately  select  and  apply  visual  operations  -  including  translation  between  representations,  image  manipulation,  and  learning  -  using  its  symbolic  knowledge  to  guide  the  visual  reasoning  process  and  vice  versa.  The  system  supports  both  high-fidelity  depictive  (image-like)  representations  and  more  abstract  descriptive  representations,  including  those  derived  from  neural  networks.The  capabilities  of  SVS  2  are  demonstrated  in  two  novel  task  domains.  The  Visual  Character  Domain  establishes  foundational  integration  by  requiring  an  agent  to  perform  tasks  like  visualizing  the  word  "wow,"  rotating  it  180  degrees,  and  recognizing  the  result  as  "mom."  The  more  complex  Image  Factory  domain  tests  multi-step  visual  problem-solving,  tasking  the  agent  with  designing  a  sequence  of  visual  transformations  to  construct  a  target  product  from  a  set  of  input  parts.  The  performance  of  agents  in  these  domains  proves  the  plausibility  of  this  "symbol-first"  approach,  demonstrating  a  functional  architecture  for  holistic,  deliberative  visual-symbolic  reasoning. 
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aComputer  vision
■653    ▼aNeuro-symbolic
■653    ▼aCognitive  architecture
■653    ▼aVisual  Working  Memory
■653    ▼aVisual  Character  Domain
■690    ▼a0984
■690    ▼a0800
■690    ▼a0489
■690    ▼a0464
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359824▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books