1、序列学习：概念、问题与方法

序列学习：概念、问题与方法

1. 引言

序列行为是智能的核心要素，广泛存在于人类的各种活动中，从日常的推理和语言使用，到复杂的问题解决和技能掌握。序列学习在众多领域都扮演着关键角色，如规划、推理、机器人技术、自然语言处理、语音识别、自适应控制、时间序列预测、金融工程和 DNA 测序等。

由于不同领域的视角差异，序列学习存在多种不同的方法。这些方法处理的序列学习问题在表述上有所不同，例如有些涉及行动，有些则不涉及；同时，它们关注的序列学习方面也各有侧重，如序列预测与序列识别。

目前，序列学习仍然是一项具有挑战性的任务，各个相关领域都迫切需要更强大的算法。为了开发更好的技术、算法、模型和理论，我们首先需要深入了解不同学科在该领域的前沿进展。这就要求我们对现有的各种技术、方法和范式进行比较、对比和整合，以开发出更高效、更强大的算法。当前，常见的序列学习技术和算法包括递归神经网络、隐马尔可夫模型、动态规划、强化学习、图论模型、基于搜索的模型、进化计算模型、符号规划模型和基于产生式规则的模型等。

值得注意的是，序列学习的研究涉及多个学科，如人工智能、神经网络、认知科学（人类序列学习，如技能获取）和工程学。因此，我们需要以跨学科的视角来审视这个领域，综合考虑不同学科的观点。这就需要组织跨学科的研讨会，邀请来自各个相关领域的研究人员参与，而不仅仅局限于强化学习或递归神经网络等特定主题的会议。

1999 年 8 月 1 日，在瑞典斯德哥尔摩举行的 IJCAI’99 会议前夕，由 Ron Sun 和 Lee Giles 共同主持的关于序列学习的神经、符号和强化方法研讨会，探讨了以下几个关键问题：
1. 不同模型的潜在异同