Could we ever retrieve memories from a dead person's brain?
神经科学家已经确定了记忆在大脑中存储的物理位置。但这能让我们检索已故者的记忆吗？
Improving Retrieval Augmented Generation accuracy with GraphRAG
AWS 合作伙伴 Lettria 证明，与仅使用向量的检索方法相比，将基于图形的结构集成到 RAG 工作流中可将答案准确率提高高达 35%。在这篇文章中，我们探讨了为什么 GraphRAG 比单独的向量 RAG 更全面、更易于解释，以及如何使用 AWS 服务和 Lettria 使用此方法。
Ecologists find computer vision models’ blind spots in retrieving wildlife images
生物多样性研究人员测试了视觉系统检索相关自然图像的能力。更先进的模型在简单查询上表现良好，但在更多特定于研究的提示上表现不佳。
仓库机器人供应商 Exotec 表示，其 Skypod 机器人车队已实现重大运营里程碑，每天在全球范围内检索和运送超过一百万个箱子到工作站。Exotec 表示，这一成就凸显了其致力于提供可靠、高性能解决方案以改善全球供应链运营的承诺。每个单独的箱子履行都代表着 […]
Introducing Amazon Kendra GenAI Index – Enhanced semantic search and retrieval capabilities
亚马逊推出了 Amazon Kendra GenAI Index，这是一款旨在增强企业 AI 应用程序的语义搜索和检索功能的新产品。该索引针对检索增强生成 (RAG) 和智能搜索进行了优化，使企业能够构建更有效的数字助理和搜索体验。
Phalangipus somnathensisSureandiran, Karuppasamy & Suyani, 2024DOI：doi.org/10.1163/15685403-bja10423摘要根据从印度西北海岸古吉拉特邦维拉瓦尔渔港阿拉伯海采集的单个标本描述了一种新的蜘蛛蟹物种。全球已报告了九种蜘蛛蟹，其中四种，即 Phalangipus filiformis、P. hystrix、P. indicus 和 P. longipes 是在印度水域发现的。新物种 P. somnathensis sp. nov.与该属的大多数物种不同，其甲壳侧缘和背缘有钝棘，肠道区域长有尖棘，雄性腹足形
Optimizing Contextual Speech Recognition Using Vector Quantization for Efficient Retrieval
神经语境偏差允许语音识别模型利用语境相关信息，从而提高转录准确性。然而，偏差机制通常基于音频和偏差条目目录之间的交叉注意模块，这意味着计算复杂性可能会对偏差目录的大小造成严重的实际限制，从而影响准确性的提高。这项工作提出了一种基于矢量量化的交叉注意评分近似值，并实现了计算和内存高效的大偏差使用……
翻译包含实体名称的文本是一项艰巨的任务，因为文化相关的参考在不同语言之间可能存在很大差异。这些差异也可能是由创译引起的，创译是一种适应过程，它涉及的不仅仅是音译和逐字翻译。在本文中，我们从两个方面解决了跨文化翻译的问题：(i) 我们引入了 XC-Translate，这是第一个大规模、手动创建的机器翻译基准，专注于包含可能具有文化细微差别的实体名称的文本，(ii) 我们提出了 KG-MT，一种新颖的端到端……
How and Why to use LLMs for Chunk-Based Information Retrieval
如何以及为何使用 LLM 进行基于块的信息检索检索管道 - 作者提供的图片在本文中，我旨在解释如何以及为何使用大型语言模型 (LLM) 进行基于块的信息检索是有益的。我以 OpenAI 的 GPT-4 模型为例，但这种方法可以应用于任何其他 LLM，例如 Hugging Face、Claude 和其他人的模型。每个人都可以免费访问这篇文章。标准信息检索的注意事项主要概念涉及将文档列表（文本块）存储在数据库中，可以根据某些过滤器和条件进行检索。通常，使用工具来启用混合搜索（例如 Azure AI Search、LlamaIndex 等），它允许：使用 TF-IDF 等词频算法执行基于文本的搜索（
一项新的研究发现，如果你解释检索练习背后的原因及其有效性，学生将更有可能使用检索练习作为学习策略。我之前写过我做过类似的事情，并取得了类似的成功。我的帖子分享了我朗读的 […]
Spacing and Retrieval Practice in Health Professions
在这篇评论中，Trumble 和同事们试图更好地了解间隔和检索练习在健康职业教育中的应用方式，以及这些策略是否有助于提高学业成绩。
Contextualization of ASR with LLM Using Phonetic Retrieval-Based Augmentation
大型语言模型 (LLM) 已展现出对包括音频和文本在内的多模态信号进行建模的卓越能力，允许模型根据语音输入生成口头或文本响应。然而，当输入模态为语音时，识别个人命名实体（例如电话簿中的联系人）对模型来说仍然是一个挑战。在这项工作中，我们从语音识别任务开始，并提出了一种基于检索的解决方案来将 LLM 情境化：我们首先让 LLM 在没有任何上下文的情况下检测语音中的命名实体，然后使用此命名实体作为查询来检索……
Understanding Retrieval - Augmented Generation (RAG): A Beginner's Guide
简介：信息检索的演变还记得 2021 年在线搜索信息时经常感觉有点繁琐吗？您会打开搜索引擎，输入查询，然后筛选大量链接，试图提取所需的信息。当然，这很有效，但通常感觉就像在大海捞针，尤其是当您遇到棘手的问题或需要一些非常具体的东西时。
Armadillidium boalense Cifuentes, Robla & Garcia, 2024 DOI: 10.11646/zootaxa.5497.1.4 facebook.com/100063608645581 摘要本文描述并说明了来自阿斯图里亚斯（伊比利亚半岛北部）的 Armadillidium Brandt, 1831 属的一种新的潮虫种。Armadillidium boalense sp. nov. 被归类为“pictum 组”，其特征是真球形团聚体、双脊型头足和第七对雄性步足的强烈性别分化。此外，本文还讨论了它的诊断特征及其与该组其他物种的亲缘关系。本文还评论并说明了
Retrieval-Augmented Correction of Named Entity Speech Recognition Errors
近年来，端到端自动语音识别 (ASR) 系统已证明其具有出色的准确性和性能，但这些系统对于训练数据中不经常出现的实体名称仍然具有显着的错误率。随着端到端 ASR 系统的兴起，大型语言模型 (LLM) 已被证明是各种自然语言处理 (NLP) 任务的多功能工具。在具有相关知识数据库的 NLP 任务中，检索增强生成 (RAG) 与 LLM 一起使用时取得了令人印象深刻的结果。在这项工作中，我们提出……
检索增强生成 (RAG) 是一种提高大型语言模型 (LLM) 处理大量文本效率的技术，在自然语言处理中至关重要，特别是在问答等应用中，在这些应用中，保持信息的上下文对于生成准确的响应至关重要。随着语言模型的发展，研究人员努力突破界限 NVIDIA 研究人员引入了保序检索增强生成 (OP-RAG) 以增强大型语言模型 (LLM) 的长上下文问答 首次出现在 AI Quantum Intelligence 上。
***通过以下文章，我试图介绍几种新算法，据我所知，我无法找到这些算法。我愿意接受批评并欢迎任何反馈。传统标签搜索如何工作？传统系统采用一种称为 Jaccard 相似度的算法（通常通过 minhash 算法执行），该帖子引入语义标签过滤：通过标签相似度增强检索 | 作者 Michelangiolo Mazzeschi | 2024 年 9 月首先出现在 AI Quantum Intelligence 上。
