XiaoMi-AI文件搜索系统
World File Search System查询
基于LLM的SPARQL查询生成从自然语言上通过联合知识图
在生物信息学中，查询复杂知识图（kgs）的能力对于提取有意义的见解至关重要。但是，手动制作SPARQL查询，尤其是跨多个连接的KGS的联合查询，甚至对于专家而言，甚至可能是一项耗时且具有挑战性的任务。这导致人们对知识图答录（KGQA）系统的需求不断增长，该系统可以将自然语言查询转化为SPARQL，从而弥合用户问题与可用结构化数据之间的差距。大型语言模型（LLMS）提供了一个令人兴奋的机会来应对这一挑战，从而有可能自动从自然语言输入中产生准确的SPARQL查询。然而，尽管LLM在该领域表现出了令人印象深刻的能力[1] [2]，但当前的系统难以处理大规模，不断发展的kg，例如SIB Swiss Swiss生物信息学研究所的目录[3]。在这项工作中，我们提供了一种解决方案，旨在帮助SIB的生物信息学KGS [4]，例如Uniprot [5]，BGEE [6]或OMA [7]，以探索和查询可用数据。我们的方法利用LLM和端点元数据来生成SPARQL查询，同时解决动态整合不断发展的数据集的挑战，而无需持续不断的再培训。通过提供可扩展的系统1，以适应生物信息学知识的复杂且不断变化的景观，我们的目标是显着减少在联邦公里范围内查询的时间和专业知识所需的时间和专业知识。
部分布尔函数具有精确的量子查询复杂性一个
摘要：我们提供了两个舒适的必要条件，以表征具有精确量子查询复杂性的任何n位部分布尔函数1。使用第一个特征，我们提出所有依赖于n位的n位部分布尔函数，并且可以通过1 Query量子算法准确计算。由于第二个表征，我们构造了一个函数f，该函数f将任何n位部分布尔函数映射到某个整数，并且如果n位部分布尔函数f取决于k位，并且可以通过1 Query量子量算法准确地计算出来，则F（F）是非阳性的。此外，我们还表明，所有n-位部分均值函数的数量取决于k位，并且可以通过1 Query量子算法准确地计算出比上限取决于N和K的上限。最重要的是，上限远远低于所有有效的大n的所有n位部分布尔函数的数量。
对话式人工智能中基于搜索的自学习查询重写系统
查询重写 (QR) 是一种越来越重要的技术，可用于减少对话式 AI 系统中的用户摩擦。用户摩擦是由各种原因造成的，包括自动语音识别 (ASR)、自然语言理解 (NLU)、实体解析 (ER) 组件中的错误或用户的口误。在这项工作中，我们提出了一个基于搜索的自学习 QR 框架：基于用户反馈搜索的查询重写系统 (UFS-QR)，该系统专注于自动减少大规模对话式 AI 代理的用户摩擦。所提出的搜索引擎在全球用户和个人用户级别上运行，将语义嵌入、NLU 输出、查询流行度和估计的摩擦统计数据用于检索和排名过程。为了构建索引并训练检索/排名模型，我们采用了一种基于自学习的方法，利用从用户历史交互中学习到的隐式反馈。我们通过对 Amazon Alexa 用户流量进行离线和在线 A/B 实验，证明了在没有任何注释数据的情况下训练的 UFS-QR 系统的有效性。据我们所知，这是第一个部署的自学习和基于搜索的二维码系统，用于对话式人工智能中自动减少摩擦的一般任务。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
雅培糖尿病护理提交给议会糖尿病查询
o在10周时HbA1c与SMBG的显着平均值（SD）降低（-0.82±0.84％vs-0.33±0.78％； P = 0.005）o MDI胰岛素的患者o患者，包括至少1个PRANDIAL胰岛素，至少为1个促进症，随机注射为FSL（N = 53）或SMBG（N = 53）或SMBG（N = 48）。o No severe hypoglycaemia or serious adverse events occurred during the study • Real-World Evidence (RWE): RWE validates the results from FreeStyle Libre clinical studies across all outcome measures in diverse populations and demonstrates that FreeStyle Libre products drive positive outcomes: • FreeStyle Libre real-world data - experiences from similar reimbursed global markets: o UK: An independent audit assessed the impact after subsidising自由泳自由泳，表明HBA1C的减少，尤其是基线HBA1C，降血糖不认识的改善和与糖尿病相关的困扰的改善。更广泛地说，自由式的利用使用也与医护人员标注的大量减少（减少了86％），由于低血糖症（减少62％）和高血糖 /糖尿病性酮症酸酸（降低62％）和高血糖酮症酸性病（减少了68％）（减少了68％），并为U.K. X UK X CUNDESE SAVESE SAVESE SAVESE SAVESE SAVESE cARTINE CANTESTINE提供了自由，并指出了U.K. X UK. XUK。应该考虑用于T2DM。xi o法国：一项广泛的回顾性研究，使用法国详尽的全国性报销索赔数据库（n = 33,203和2型糖尿病）（t2dm; n = 40,955）。自由泳自由泳与T1DM的DKA（糖尿病性糖尿病性病）的住院（糖尿病性病）的明显下降相关，而T2DM的HOSIPERIADS则为52％，尤其是对于SMBG非常低且非常高的人。xvii o丹麦：回顾性观察研究。对FSL的依从性为88％。xixXII O加拿大：加拿大的一项回顾性现实世界图表审查研究在成年人中接受了T2DM的基础胰岛素治疗⩾1年，并使用Freestyle libre进行了3个月（n = 91）。从六个加拿大糖尿病中心分析的医疗记录（n = 91）显示，HBA1C从平均基线HBA1C 8.9％±0.9％±0.9％到8.1％至8.1％至6个月后3-6个月在FreeStionle Libre freeStyle Libre libre libre libre libre libre的平均基线HBA1C 8.9％±0.9至8.1％±1.0显着降低0.8％±1.1（平均值±SD，[P <0.0001]）。XIII O比利时：比利时的一项大型多中心，现实生活中的前瞻性队列研究（n = 1,913）（自2016年以来，全国报销）。在12个月的时间里，自由泳自由式的治疗满意度提高并保持HBA1C，即使报告了严重的低调事件或报告较少；严重的Hypo或DKA的入院率下降了33％；工作缺勤降低了50％。xiv o荷兰：荷兰的一项前瞻性，观察性试验T1DM患者（n = 1,054），T2DM（n = 223）和其他形式的糖尿病（n = 88），为期一年。在12个月时，与糖尿病有关的住院入院率减少了66％；旷工的工作减少了58％； HBA1C> 8.5％的患者的T1DM患者的HBA1C降低了0.3％（P <0.001），而HBA1C降低了0.8％。xv o瑞典：一项大型回顾性的，观察性的现实世界研究对瑞典国家糖尿病登记册进行了研究，研究了Freestyle Libre系统对HBA1C减少39,554 T1DM或T2DM患者的有效性，至少有一项FreeStyle Libre Usage的登记。xvi o德国：在2个德国医疗中心进行的一项回顾性图表审查研究评估了自由泳利布尔对T1DM（n = 131）和T2DM患者HBA1C的现实影响（n = 176）。在12个月后，使用自由泳自由风格系统的T1DM和T2DM患者首次使用自由泳的HBA1C显着降低（T1DM AD -0.66％的T2DM -0.44％）和T1DM患者，而T1DM患者在切换到FreeStyle Libre时使用了CGM先前使用CGM的A1C。在T1DM中3个月（平均变化-0.75; P <0.001）和T2DM中的平均HBA1C显着降低（平均变化-0.52; P <0.001），并且减少了12个月。在平均基线HBA1C> 7.5％的患者中看到了显着改善，T1DM的-1.36降低，在12个月时T2DM的-1.16降低（p <0.001）。2年后，使用FSL的患者比例从3％增加到72％。对于270名参与者，基线和最终HBA1C是中值（四分位数）63mmol/mol（56,74）（7.9％（7.3,8.9））和59mmol/mol（53,68）（分别为7.6％（7.0,0,4.4））。估计的差异最终基线HBA1C为-4mmol/mol（95％CI -5，-3）（-0.4％（-0.5，-0.3））（p <.001）。xviii o USA: A Retrospective, observational analysis of US IBM MarketScan™ Commercial Claims and Medicare Supplemental databases to assess acute diabetes events among MDI treated patients with T1DM and T2DM (N=17,003 CGM users) 6-months before vs 6-months after first FreeStyle Libre purchase.总体急性糖尿病事件减少了46％（0.245 vs 0.132事件/pt-yr，HR，0.54； p <0.001）。
QardEst：使用量子机器学习进行连接查询的基数估计
经典和学习查询优化器 (LQO) 使用基数估计作为查询规划的关键输入之一。因此，准确预测任意查询的基数在查询优化中起着至关重要的作用。最近新型深度学习方法的蓬勃发展不仅刺激了 LQO 的兴起，也促成了学习基数估计器 (LCE) 的出现。然而，它们中的大多数都是基于经典神经网络的，忽略了不同表之间的属性之间的多元相关性可以通过量子电路中的纠缠自然表示。在本文中，我们介绍了 QardEst - 量子基数估计器 - 一种用于估计连接查询基数的新型量子神经网络方法。我们使用相似数量的可训练参数进行的实验表明，在量子模拟器上执行的量子神经网络在均方误差和 q 误差方面均优于经典神经网络。
History-Detr：利用历史信息和运动学优化查询初始化策略
最近的 3D 物体检测器利用多帧数据（包括过去和未来的数据）来提高性能。然而，他们采用的时间数据融合方法尚未充分挖掘其提高性能的潜力。现有的工作利用多帧数据，这些数据仅根据自我运动融合特定特征，并且由于巨大的计算和内存成本而无法直接应用于长序列。我们发现目前的方法不能有效地利用历史信息，包括历史预测和物体运动。基于我们的研究，我们提出了一种由历史查询和原始查询组成的新型混合查询公式。历史查询包括从历史预测和特征中获得的推断位置和内容查询，这些查询考虑了当前场景中所有物体的运动。此外，我们的方法可以简单地应用于其他类似 DETR 的模型中，以提高性能，而不会引入巨大的计算和内存成本。结果，我们的 History-DETR 在推理时间增加可忽略不计的情况下实现了显着的改进（+1.1% NDS）。
量子局部差分隐私与量子统计查询模型
根据经验观察做出预测是许多科学领域的核心任务，也是统计学习理论的核心。分析学习算法的一个基本工具无疑是 [1] 提出的可能近似正确 (PAC) 模型。在经典的 PAC 学习模型中，目标是学习一组布尔函数 C ⊆{ c : { 0 , 1 } d −→{ 0 , 1 }} 。学习者的输入为带标签的样本 { xi , c ( xi ) }，其中 x 取自（可能是任意的）分布 X : { 0 , 1 } d −→ [0 , 1]，c ∈ C 是目标概念。给定两个参数 ε, δ ∈ (0, 1)，学习器的目标是输出一个假设 h，使得对于任意的 c 和 X，Pr x ∼X [ h ( x ) ̸ = c ( x )] ≤ ε，概率至少为 1 − δ。已经提出了几种 PAC 模型的扩展。特别是，[ 2 ] 引入了量子 PAC 模型，其中经典的标记示例被以下量子示例取代
外行人对大语言模型和搜索引擎健康查询的使用和态度：调查研究
背景：外行可以通过大语言模型（LLM）（例如ChatGpt和搜索引擎（例如Google））轻松访问健康信息。搜索引擎改变了健康信息访问，LLMS为回答Laypeople的问题提供了新的途径。目标：我们旨在比较对LLM和搜索引擎的使用频率和态度，以及它们的比较相关性，有用性，易用性以及对健康查询的响应。方法：我们进行了筛查调查，以比较寻求健康信息的LLM用户和非用户的人口统计学，并通过逻辑回归分析结果。邀请筛查调查的LLM用户进行后续调查，以报告他们寻求的健康信息的类型。我们使用ANOVA和Tukey Post hoc测试比较了LLM和搜索引擎的使用频率。最后，配对样本Wilcoxon测试将LLM和搜索引擎比较了感知的有用性，易用性，可信度，感受，偏见和拟人化。结果：总计，2002年的美国参与者在多产的情况下招募了有关使用LLM和搜索引擎的筛查调查。，参与者中有52％（n = 1045）是女性，平均年龄为39岁（SD 13）年。参与者为9.7％（n = 194），12.1％（n = 242）黑色，73.3％（n = 1467）白人，1.1％（n = 22）西班牙裔，3.8％（n = 77）是其他种族和种族。此外，1913年（95.6％）使用搜索引擎查找健康查询，而LLMS的642（32.6％）。男性使用LLM的健康问题比女性更高（1.63，1.63，95％CI 1.34-1.99; p <.001）。黑色（或1.90，95％CI 1.42-2.54; p <.001）和亚洲（或1.66，95％CI 1.19-2.30; p <.01）个体的几率比白人个体更高。那些感知到健康的人（OR 1.46，95％CI 1.1-1.93; p = .01）的人比健康状况良好的人更有可能使用LLM。更高的技术能力提高了LLM使用的可能性（OR 1.26，95％CI 1.14-1.39; P <.001）。在对281名LLM用户健康的后续调查中，大多数参与者首先使用搜索引擎（n = 174，62％）来回答健康问题，但第二个最常见的第一个咨询者是LLMS（n = 39，14％）。llms被认为是有用的（p <.01）且相关性较小（p = .07），但引起了较少的负面感觉（p <.001），看起来更人性化（llm：n = 160，vs search：n = 32），被视为较小的偏见（p <.001）。信任（p = .56）和易用性（p = .27）没有差异。结论：搜索引擎是健康信息的主要来源；然而，对LLM的积极看法表明使用日益增长。未来的工作可以通过补充外部参考和限制有说服力的语言来遏制过分依赖的答案来探讨LLM信任和有用性是否得到增强。与卫生组织的合作可以帮助提高LLMS健康产出的质量。