XiaoMi-AI文件搜索系统
World File Search System知罪
知识图完成方法基于量子嵌入和四个相互作用增强
知识图（kg）用于人工智能（AI）的许多下游任务。但是，由于与信息提取相关的准确性问题，kg通常是不完整的。这导致了知识图完成（KGC）任务的出现。他们的目的是学习已知事实，以推断三元组中的失踪实体。基于传统的嵌入方法通常仅关注单个三元组的信息，而不使用kg的深层逻辑关系。在这项研究中，我们提出了一种新的KGC方法，称为QIQE-KGC。它使用量子嵌入和四个空间相互作用来捕获kg中三元组之间的外部逻辑关系，并增强单个三重三重实体与关系之间的联系以建模并表示kg。提出的QIQE-KGC模型可以捕获更丰富的逻辑信息，并具有更强大且复杂的关系建模功能。使用QIQE-KGC在11个数据集上使用QIQE-KGC的广泛实验结果表明，该模型可实现出色的性能。与基线模型相比，QIQE-KGC在大多数数据集上产生了最佳结果。
SPARQL生成：关于露天的分析，以回答有关生命科学知识图的问题
摘要在广泛的自然语言处理应用程序中大型语言模型（LLM）的最新成功为通往新的问答系统而不是知识图表的途径开辟了道路。然而，阻止其实施的主要障碍之一是缺乏将问题转化为相应的SPARQL查询的培训数据，尤其是在特定领域的KG中。为了克服这一挑战，在这项研究中，我们评估了几种策略，以微调Openllama LLM，以回答有关生命科学知识图的问题。特别是，我们提出了一种端到端数据增强方法，用于将一组现有查询扩展到给定知识图上，向较大的语义丰富的问题到SPARQL查询对的较大数据集，即使对于这些对稀缺的数据集也可以进行微调。在这种情况下，我们还研究了语义“线索”在查询中的作用，例如有意义的变量名称和内联评论。最后，我们评估了对现实世界中BGEE基因表达知识图的方法，并且与具有随机变量名称的基线相比，语义线索可以将模型性能提高高达33％，而没有评论。
8. 机器人和人工智能在痴呆症中的应用
SG, Huntley J, Ames D, Ballard C, Banerjee S, Burns A, Cohen-Mansfield J, Cooper C, Fox N, Gitlin LN, Howard R, Kales HC, Larson EB, Ritchie K, Rockwood K, Sampson EL, Samus Q, Schneider LS, Selbæk G, Teri L, Mukadam N：痴呆症预防、干预和护理。 Lancet 2017； 390 ：2673- 2734 3）Perez JA，Deligianni F，Ravi D，Yang GZ：机器人技术
直接测量石墨烯超导量子干扰装置中的罪（2φ）电流相关
在约瑟夫森交界处，当前的相位关系将通过弱环连接的两个超导导向引线之间的超导顺序参数φ的相变与耗散电流。这种关系是连接点的指纹。它通常由sinðφharmonic主导，但是，它的精确知识对于设计具有量身定制性能的量子电路是必要的。在这里，我们直接测量了用栅极可调的石墨烯约瑟夫森连接制成的超导量子干扰装置的当前相位关系，我们表明它可以用作sinð2φose的约瑟夫森元素，而没有传统上主导的sinðφsarmone。此类元素将有助于开发免受反应性的超导量子位的发展。
Medikal：将知识图作为LLM的助手集成，以增强EMRS的临床诊断
电子病历（EMRS）虽然与现代医疗保健不可或缺的一部分，但由于其复杂性和信息还原而呈现临床推理和诊断的Challenges。为了解决这个问题，我们提出了Medikal（将K Nowledge图作为L LMS的ssistants），该框架将大型语言模型（LLMS）与知识图（kgs）结合在一起，以增强诊断性capabilies。Medikal根据其类型将医疗记录中的实体分配给实体的重要性，从而使候选疾病的精确定位在公里内。它创新采用了类似残留的网络样方法，从而使LLMS诊断可以合并为kg搜索结果。通过基于路径的重新算法算法和填充风格的提示模板，它进一步完善了诊断过程。我们通过对新型开源的中国EMR数据集进行了广泛的实验来验证Medikal的有效性，这表明了其在现实环境中提高临床诊断的潜力。代码和数据集可在https：//github.com/csu-nlp-group/medikal上公开获得。
使用知识图授权大规模制造管道的因果机学习
抽象理解制造管道中的因果关系对于关键制造任务（例如异常检测和根本原因分析）至关重要。但是，现有的因果机学习（因果ML）方法难以有效地扩展到制造环境中存在的大量变量。我们倡导将域知识纳入制造管道中，称为知识图（KGS），用于设计用于大规模制造问题的因果ML方法。知识图可以编码有关不同组件和制造管道阶段之间相互作用和依赖关系的丰富上下文信息，从而提供了一个结构化框架来指导发现因果关系。通过合并KG，因果ML模型可以利用数据驱动的方法和领域知识，提高可扩展性并提高大规模制造环境中因果学习的准确性。