XiaoMi-AI文件搜索系统
World File Search System语言的
大脑中的中心嵌入和成分以及上下文无关语言的新表征
大脑是如何产生语言的？尽管人们普遍认为语言是通过大脑分子、神经元和突触的活动产生的，但过去几十年来，在寻找语言的神经基础方面进展极其缓慢，即导致语言产生和理解的精确生物学结构和过程，请参阅 Friederici (2017) 对语言器官理论的一个主要方向的出色概述。在这个方向的最新进展中，一个英语解析器被实现在被称为汇编演算 (AC) (Papadimitriou 等人，2020) 的计算系统中 (Mitropolsky 等人，2021)，这是一个用于实现认知功能的生物学上合理的计算框架。 AC 的基本数据结构是神经元的集合，一大组神经元代表一个想法、物体、情节、单词等。第 2.1 节给出了 AC 及其类似大脑的执行环境的简要描述。
Cendol：印尼语言的开放指导调节的大型语言模型
大语言模型（LLMS）在各种领域和语言中表现出雄性的能力。然而，低资源语言（例如印尼 - 西安土著语言）出现了一个显着的质量差距，使它们在这种语言文本中具有无效和效率低下。为了弥合这一质量差距，我们介绍了Cendol，Cendol是印尼LLM的集合，其中包含了仅解码器和编码的解码器体系结构，这些架构遍布各种型号。我们强调了Cendol在各种任务中的有效性，取得了约20％的提高，并证明了其概括印度尼西亚看不见的任务和土著语言的能力。此外，Cendol模型展示了改善人类的偏爱，尽管它们在捕获印尼的知识知识和文化价值方面存在局限性。此外，我们讨论了用于语言适应的参数有效调谐（例如Lora）的缺点。另外，我们提出词汇适应的用法以提高效率。最后，我们评估了Cendol的安全性，并展示了一种语言（例如英语）的预训练的安全性，即使没有RLHF和安全性微调，也可以转移到低资源语言（例如印尼语）。1
知识图形增强视觉到语言的放射学报告生成的多模型
摘要。当前的自动放射学深度学习模型包括视觉编码器和文本解码器，但通常缺乏产生临床相关，易于阅读和准确的报告所必需的语义深度和上下文理解。由于医学成像的复杂性质以及放射学报告中的专业语言和医学术语，情况更具挑战性。当前深度学习模型中域特定知识的差距强调了将专业放射学专业知识纳入高级语言模型的方法。在这项研究中，我们提出了一个知识图形增强的视觉到语言多模型，用于放射报告生成，以利用现有的医学和放射学知识图。我们探讨了预训练多模型模型的对比学习方法，以学习模态的联合嵌入，包括图像，图形和文本。我们的研究不仅通过证明知识图在增强深度学习模型中的潜力来为语义Web研究的领域做出贡献，还旨在通过以更高的准确性自动化放射学报告过程，从而彻底改变放射学报告过程，从而减少放射学家的工作量并减轻人为错误的风险。
带测量的量子电路描述语言的具体分类模型
在量子计算中，人们考虑一种特殊的存储器，其中数据以受量子力学定律支配的物体状态进行编码。量子数据的基本单位是量子比特，一般来说，量子存储器由可单独寻址的量子比特组成。根据不可克隆定理 [ 23 ]，量子比特是不可复制的对象。量子存储器的状态可以用复希尔伯特空间中的单位向量表示。量子比特的基本运算包括状态空间上的幺正运算（称为量子门）和测量，它们是返回经典布尔值的概率运算。量子计算的常用模型是量子电路的概念。量子电路由量子门和线组成。一条线代表一个量子比特，每个门连接到一条或多条线，是作用于相应量子比特的幺正运算。在该模型中，计算包括分配一个量子寄存器、应用一个电路（即按顺序的门列表），然后进行测量以返回经典数据。
L-CoDe：使用颜色对象解耦条件的基于语言的着色
对灰度图像进行着色本质上是一个具有多模态不确定性的病态问题。基于语言的着色提供了一种自然的交互方式，即通过用户提供的标题来减少这种不确定性。然而，颜色-物体耦合和不匹配问题使得从单词到颜色的映射变得困难。在本文中，我们提出了一种使用颜色-物体解耦条件的基于语言的着色网络 L-CoDe。引入了物体-颜色对应矩阵预测器 (OCCM) 和新颖的注意力转移模块 (ATM) 来解决颜色-物体耦合问题。为了处理导致颜色-物体对应不正确的颜色-物体不匹配问题，我们采用了软门控注入模块 (SIM)。我们进一步提出了一个包含带注释的颜色-物体对的新数据集，以提供用于解决耦合问题的监督信号。实验结果表明，我们的方法优于基于标题的最先进的方法。
用移动操作的交互式对象搜索语言的动态场景图
摘要 - 为了充分利用移动操纵机器人的功能，必须在大型未探索的环境中自主执行的长途任务。虽然大型语言模型（LLMS）已显示出关于任意任务的紧急推理技能，但现有的工作主要集中在探索的环境上，通常集中于孤立的导航或操纵任务。在这项工作中，我们提出了MOMA-LLM，这是一种新颖的方法，该方法将语言模型基于从开放式摄影场景图中得出的结构化表示形式，随着环境的探索而动态更新。我们将这些表示与以对象为中心的动作空间紧密地交织在一起。重要的是，我们证明了MOMA-LLM在大型现实室内环境中新型语义交互式搜索任务中的有效性。最终的方法是零拍摄，开放式摄影库，并且可以易于扩展到一系列移动操作和家用机器人任务。通过模拟和现实世界中的广泛实验，与传统的基线和最新方法相比，我们证明了搜索效率的显着提高。我们在http://moma-llm.cs.uni-freiburg.de上公开提供代码。
MapGuide：一种从大脑活动重建连续语言的简单而有效的方法
从大脑活动中解码连续语言是一个强大而有前途的研究领域。它对于帮助有言语障碍的人通过脑信号进行交流尤为重要。该领域解决了将脑信号映射到文本的复杂任务。之前的最佳尝试以间接的方式逆向工程了这个过程：它首先学习从文本中编码大脑活动，然后通过与预测的大脑反应对齐来指导文本生成。相比之下，我们提出了一种简单而有效的方法，通过直接将文本与从大脑活动映射的预测文本嵌入进行比较来指导文本重建。综合实验表明，我们的方法明显优于目前最先进的模型，BLEU 和 METEOR 分数平均提高了 77% 和 54%。我们通过详细的消融研究和案例分析进一步验证了所提出的模块，并强调了一个关键的相关性：我们将大脑活动映射到文本嵌入越精确，文本重建结果就越好。这种洞察力可以简化从大脑活动重建语言的任务以供未来工作，强调改进大脑到文本嵌入映射技术的重要性。
媒体支持英语作为第二语言的教学和学习：消除刻板印象
第二语言学习者尤其是在英语中，鉴于他们在语言使用水平上以反对能力的方式运作的事实，需要进一步的语言支持。在第二语言的教学和学习中取得成功，例如英语，取决于许多语言和非语言因素，例如学习者的态度和语言技能，教师的创新和能力，有效的教学方法和材料，例如视觉，视听辅助工具和媒体辅助语言学习。这项研究是由传统教学方法固有的问题所激发的，传统教学方法是刻板印象，无聊的学生参与学习过程，这使知识转移成为一项艰巨的任务。这项研究代表了语言教学和学习的转变 - 从已知的传统向更具技术性的学习方式 - 让媒体发挥着重要作用的新技术。这项工作采用了定性方法，在评估媒体在学生教师方面的作用以及教师的角色，尤其是在自我发展和创新方面。发现媒体有助于语言学习，促进整体学习过程，并帮助教师超越他在诸如词汇（词汇）等领域的局限性，以指导学生对学生的指导。这使得学习持续的过程而不是产品。
结构 Proto-Quipper - 结构化环境中线性量子编程语言的机械化
因此，我们有一个量子λ演算（它是线性的），这是许多量子编程语言的基础。“量子编程语言在线性类型理论中捕捉了量子计算的思想”（Staton，2015）
利用基于语言的表示，以更好地解决与大语模型的符号相关问题
符号（例如数值序列，化学公式和表格定界符）广泛存在，在与符号相关的任务中扮演重要角色，例如抽象推理，化学培养物预测和表格提问。与基于自然语言表达式的任务相比，大型语言模型（LLMS）在理解和理性的基于符号的表示方面存在局限性，因此他们很难处理与符号相关的问题。在本文中，我们提出了符号到语言（S2L），该方法将基于符号的表示形式转换为基于语言的代表，为推理过程中语言模型提供了宝贵的信息。我们发现，对于封闭源和开放源LLM，可以通过合并基于语言的代表来在很大程度上增强解决符号问题的能力。例如，通过为GPT-4使用S2L，可以进行+21的实质性改进。9％和+9。分别用于1D ARC和DYCK语言任务的准确性5％。 在其他六个一般符号相关的任务（例如表理解和推文分析）中也有一致的改进。 我们在https://github.com/thunlp-mt/symble2language 1中重新租用GPT日志。分别用于1D ARC和DYCK语言任务的准确性5％。在其他六个一般符号相关的任务（例如表理解和推文分析）中也有一致的改进。我们在https://github.com/thunlp-mt/symble2language 1中重新租用GPT日志。