XiaoMi-AI文件搜索系统
World File Search System检索
研究人员表明大脑中的星形胶质细胞在记忆检索中发挥作用
“普遍的观点认为，记忆的形成和回忆只涉及由某些经历激活的神经元印迹，并保存和检索记忆，”通讯作者本杰明·德尼恩博士说，德尼恩博士是神经外科系教授、罗素·J 博士和玛丽安·K·布拉特纳主席、癌症神经科学中心主任、贝勒大学丹·L·邓肯综合癌症中心成员、简和丹·邓肯神经学研究所首席研究员。
深度学习的多式联运检索
首先，我要感谢Kpalma Kidiyo教授和Zhang Lu教授接受我的博士学位。学生，这为我提供了更深入研究科学研究领域的机会。他们的专业指导和卓越的学术专业知识使我能够获得宝贵的知识，这将使我一生都受益。我要感谢Bai Cong教授在到达法国之前和之后的众多澄清，协助和指导。我感谢Wang Qiong博士在我们的研究努力中的帮助和协作。我想对CSC/UT-INSA计划的老师和同学表示感谢。我要感谢父母的无条件爱与支持。最后但并非最不重要的一点是，我要感谢我的妻子丁·阿南（Ding Anan）的陪伴和监督。她的信任是我的燃料，她的安慰是我的避难所。我还要对我九个月大的女儿表示感谢，她的每一个微笑都价值十杯即时咖啡。见证多模式领域的快速发展，尤其是在我的博士学位期间，这确实是显着的。学生研究。每天带来新的和令人兴奋的多模式算法。在起草本手稿时，我遇到了许多新兴和改变游戏的多模式作品。然而，多模式遇到了几个挑战，包括无法解释性，基础计算资源需求以及伪造传播的风险。自然，每一个新兴的学科都带来了许多挑战。需要解决这些问题，以提高多模式系统的可靠性和效率。最后，我想介绍在计算机图形快速开发时代写的书中写的两个引号[1]。
利用自然文本监督的视觉模型进行MRI检索，字幕，分类和视觉问题回答
摘要 - 大型多模型现在已在全球范围内广泛使用，最强大的模型在大规模的通用数据集中受过训练。尽管它们迅速部署，但仍关注培训数据的质量和领域相关性，尤其是在放射学，医学研究和神经科学方面。此外，当查询接受医疗数据训练的模型时，医疗保健数据隐私至关重要，有关服务托管和数据存储的透明度也是如此。到目前为止，放射学研究中的大多数深度学习算法旨在执行特定任务（例如诊断分类），并且不能提示使用自然语言执行多个任务。在这项工作中，我们引入了一个基于矢量检索和对比度学习的框架，以通过自然语言监督有效地学习视觉脑MRI概念。我们展示了该方法如何通过联合嵌入和自然语言监督来识别影响阿尔茨海默氏病（AD）的大脑的因素。首先，我们使用自我监督的学习预处理文本和图像编码器，并共同微调这些编码器以开发共享的嵌入空间。我们训练模型执行多个任务，包括MRI检索，MRI字幕和MRI分类。我们通过开发检索和重新排列的机制以及用于视觉问题回答的变压器解码器来显示其多功能性。
自动存储和检索系统的进步
自动存储和检索系统（ASRS）通过自动化库存存储和检索来改变现代仓库管理，从而大大提高了运营效率，准确性和空间利用率。与手动存储系统相关的效率和错误越来越多，导致行业采用自动解决方案，这些解决方案可以处理复杂的大规模操作。本文研究了ASRS在增强仓库管理中的作用，重点是机器人技术，传感器，人工智能（AI）和工业互联网（IIOT）等关键技术进步。这些技术使ASR可以通过实时数据收集，预测性维护和增强的决策能力来优化库存管理。此外，ASR与AI算法的集成允许自我优化和适应性，从而提高了整体仓库生产率，同时降低了运营成本。本文还讨论了ASRS对行业4.0的影响，在该行业4.0中，这些系统在启用智能，相互联系的制造和物流环境中起着关键作用。对手动与自动化系统的比较分析突出了ASR的相当优势，包括较高的吞吐量率，减少人为错误和改善空间利用率。通过对相关文献和行业应用的综述，本研究强调了ASR在现代工业环境中的变革潜力及其对仓库运营效率和可持续性的贡献。
健康错误信息检测：一种集成到检索的一代
摘要生成AI（Genai）和自然语言处理（NLP）近年来已经显着提高，表现出突破并推动了文本挖掘中的准确率。在许多应用程序域中都观察到级联效应，涵盖文本分析，问答，分类和新的文本内容生成。后者允许许多最终用户将AI视为现成的解决方案，以优化其日常工作流程。然而，由于可信赖和未经验证的内容可以轻松产生，黑暗和明亮的侧面潜伏在文本内容产生后面。这在我们的社会中引起了重大挑战：假新闻。尽管假新闻已经存在一段时间，但它仍然是一个未解决的问题。生成的AI通过实现自动生产大量高质量的，单独针对的假件内容来将其提高到一个新的水平。我们的工作是Loyfanmi（与健康相关的虚假新闻）项目的一部分，该项目的重点是使用NLP，语言模型和检索功能增强的生成（RAG）系统来缓解与健康有关的假新闻。我们提出了一种新的块机制，该机制简化了整个抹布框架管道。Bert和Bert+RAG已在2000年与健康相关的文章的数据集中进行了比较，将与健康相关的假新闻分类任务进行了比较，分为两类（“假”和“可信”）。初步实验结果揭示了准确性，回忆和F1得分的提高。
Agentic抹布重新定义自适应的检索效果
未来调查代理抹布的机会将需要合并多模态数据以产生更丰富的输出。这些应用程序需要更丰富，上下文意识到的响应，并且可以通过这些系统来解决，因为我们使用广泛的数据源（文本，图像，音频）。此外，研究更高级的反馈回路将改善连续学习，以便系统可以更好地处理动态环境。他们可以研究改善反馈的方法以使其快速，并且仍然保持准确。最后，必须探讨跨联盟应用程序和道德AI原则的集成领域，以便这些自适应系统在多个市场中的设计，公平性，透明度和问责制中体现出来。
使用脑电图信号评估现实场景中记忆检索时的工作量
摘要。目的：脑电图 (EEG) 作为一种生理测量手段，在人因研究中越来越受欢迎，因为它客观、不易产生偏见，并且能够评估认知状态的动态。本研究调查了参与者在单显示器和双显示器配置下执行典型办公室任务时记忆工作量与 EEG 之间的关联。我们预计单显示器配置的记忆工作量会更高。方法：我们设计了一个实验，模拟受试者执行某些办公室工作的场景，并检查受试者在两种不同的办公室设置中是否经历了不同程度的记忆工作量：1）单显示器设置和 2）双显示器设置。我们使用 EEG 频带功率、相互信息和一致性作为特征来训练机器学习模型，以对高记忆工作量状态和低记忆工作量状态进行分类。主要结果：研究结果表明，这些特征表现出显着差异，并且在所有参与者中都是一致的。我们还在先前的研究中通过 Sternberg 任务收集的不同数据集验证了这些 EEG 特征的稳健性和一致性。意义：该研究发现 EEG 与个体的记忆工作量相关，证明了使用 EEG 分析在开展现实世界的神经人体工程学研究中的有效性。
自动存储和检索系统：城市仓库可持续发展的有吸引力的解决方案
摘要：近年来，人们对可持续发展的认识越来越多。供应链参与者已经越来越意识到这种情况，尤其是因为该领域的监管，社会和社会压力变得越来越多。这种情况并非对公司实践和经济没有任何影响。结果，城市仓库模型正在出现，因为城市物流环境中研究的解决方案之一。本文介绍了该模型的特征，约束和挑战，以定义这个新的物流设施。其次，通过案例研究对自动化存储和检索系统（AS/RS）（AS/RS）进行了研究，以确定它们有可能应对城市仓库挑战的潜力。通过在有限的空间中密集库存来优化可用表面的能力尤其表明。
利用药物知识图谱辅助数据检索
药物系统提供和/或利用的数据通常分为两类：（a）事实药物数据和（b）知识药物数据。事实药物数据主要包括药物处方和药物管理数据，医院通常将这些数据以出院信或药单中的自由文本形式存档。已经提出了几种对事实药物数据进行信息检索的方法：信息提取和自由文本搜索 [1]、机器学习 [2]。然而，实现有效的信息检索系统除了需要使用事实数据外，还需要使用知识数据。知识图谱结构（包括概念图形式主义 [3]）已用于生物医学知识，数据表示特别适合药物知识数据 [4]。现有的药物数据库（如 Wikidata [5]、Drug Bank 2 或 GoodRx 3）包含有价值的信息，但如果单独获取和/或将其中一些信息存储为非结构化数据则缺乏全面性 [6]。本研究介绍了一种系统的设计，该系统能够检索法国诺曼底鲁昂大学医院诺曼底健康数据仓库 (EDSaN) [7] 中的处方订单。药物知识数据的概念图如下：
独家：排除神经信息检索
排除是人类用来表达自己不想要的重要性语言技能。几乎没有关于排他性检索的研究，用户表达了他们不想成为查询结果的一部分。我们首次研究了文件检索中排除检索的情况。我们提出了Dextuir，这是一套用于排除检索的资源，包括评估基准和培训集，用于帮助检索模型理解排除查询。评估基准包括3,452个高质量的排除查询，每个查询都已手动注释。该训练集包含70,293个排除查询，每个查询都与POSSIVE文档和负面文档配对。我们进行了详细的实验和分析，获得了三个主要观察结果：（i）现有的检索模型具有不同的结构，以有效地理解排他性查询； （ii）尽管整合我们的培训数据可以改善在排除检索方面的检索模型的表现，但与人类绩效相比，仍然存在差距； （iii）一般检索模型在处理排除查询方面具有自然优势。