XiaoMi-AI文件搜索系统
World File Search System谓词
![arxiv：2503.04731V1 [CS.LO] 2025年1月31日](/simg/2\2fc93682539b307d80eb9355c3a3830234bf790b.webp)
arxiv：2503.04731V1 [CS.LO] 2025年1月31日
答案集编程（ASP）是一个突出的问题模型和解决框架，其解决方案称为答案集。认知逻辑程序（ELP）扩展了ASP，以推理全部或某些答案集。解决方案可以看作是多个答案集（称为世界观）的后果。虽然对命题计划的综合性进行了充分的研究，但非地面案例仍然开放。本文确定了非地面ELP的复杂性。我们为众所周知的程序片段提供了一张全面的图片，事实证明，该类别的nexptime是完整的，可以访问高达σp2的甲壳。在定量设置中，我们建立了＃EXP以外的复杂性的复杂性结果。为了减轻高复杂性，我们在界定的谓词ARITY的情况下建立了结果，达到了多项式层次结构的第四级。最后，我们为参数树宽度提供了伦理紧密的运行时结果，该宽度具有定量推理中的应用，在该定量推理中，我们推理了epymic文字的（边际）概率。
如何引用本文：Yildirim S，Sunecli O，Kirakli C. COVID-19患者在重症监护单位中使用机器学习的死亡率预测：A
最初，中国的案件死亡率（CRF）被判处2.3％。此速率随着年龄的增长而增加，在关键情况下达到了47％。[2]荟萃分析表明，普通人群的CRF为1％，住院患者为13％，重症监护病房（ICU）患者的CRF为37％。[3]全球ICU患者的死亡率从13％到78％不等。[4-6]等因素，例如高龄，合并症的存在，对侵入性机械通气的需求以及某些实验室标志物（如铁蛋白和D-二聚体）的水平升高与死亡率相关。尽管如此，在不同的中心和地理区域，ICU的死亡率可能会有很大差异。[6-10]使用常规疾病的严重评分，例如急性生理学和慢性健康评估II（Apache-2）和简化的急性生理评分II（SAPS-2），对于死亡率谓词通常未能始终如一地预测COVID-19 Mor-tation。尽管它们证明了死亡率的歧视能力，但这些得分可能会低估19例COVID-19案件的实际死亡率风险。[11]
量子程序的近似关系推理
摘要：量子计算在实现过程中不可避免地会存在缺陷。这些缺陷来自各种来源，包括硬件级别的环境噪声以及量子算法设计者引入的近似实现，例如低深度计算。鉴于关系逻辑在程序推理中的显著优势以及评估量子程序在其理想规范和不完美实现之间的稳健性的重要性，我们设计了一个证明系统来验证量子程序的近似关系性质。我们通过对著名的量子傅里叶变换低深度近似进行首次形式化验证，证明了我们方法的有效性。此外，我们验证了重复直到成功算法的近似正确性。从技术角度来看，我们开发了近似量子耦合作为研究量子程序近似关系推理的基本工具，这是概率程序中广泛使用的近似概率耦合的新颖概括，回答了先前提出的射影谓词的开放性问题。
通过结合机器学习和自动常识性推理来构建智能系统
我们提出了一种模仿人类智力的建筑系统的方法。我们的方法使用机器学习技术（包括生成AI系统）来从图片，文本等中提取知识，并将其表示为（预定的）谓词。接下来，我们使用S（CASP）自动平价推理系统以与人类的方式非常相似的方式来检查这种提取的知识和理由的一致性。我们已经将AP-PRACH用于构建系统，以进行视觉问题答案，特定于任务的聊天机器人可以“理解”人类对话并与他们进行交互交谈，以及依靠常识性推理的自主驾驶系统。本质上，我们的方法模仿了人类如何处理他们使用感应和模式识别来获取知识的知识（Kahneman的系统1思维，类似于使用机器学习模型），然后使用推理来得出结论，产生响应或采取行动（Kahneman的系统2思维，对自动推理来说，是对自动推理的）。
基于逻辑的可解释和增量机器学习
在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款
大流行对美国和印度经济的经济影响在2019 - 2023年通过政策行动：比较分析
摘要摘要Covid 19开始于2019年2月/3月，中国在尤旺（Yuwan）发生的事件像世界各地的野火一样传播。如果从来没有人类历史上，所有国家都面临着最近几个世纪最严重的经济挑战之一。早期谓词是如此严重和毁灭性，以至于一些预报员预测世界各地的死亡人数为1亿，因为该病毒不仅迅速传播，而且对其严重的致命作用没有解决方案。很明显，患者在接受任何有效治疗之前就死了，其中许多是老年人。无助的世界正在寻找对人类生命的毁灭，而人类生活首屈一指。所有医疗革命，药物开发，高级研究技术都无法提出任何答案。全世界，尤其是在美国和印度的政策制定者提出了强制性的解决方案，以关闭2020年3月和4月的所有经济活动。本文将讨论美国和印度的两个特殊案例，并更仔细地观察这些国家的政策步骤。更具体地说，我们将分析这些年来的财政和货币政策行动，并比较这两个经济体。
TetGen，基于 Delaunay 的高质量四面体网格生成器
TetGen 是一个 C++ 程序，用于生成高质量的四面体网格，旨在支持数值方法和科学计算。高质量四面体网格生成问题面临许多理论和实践问题的挑战。TetGen 使用基于 Delaunay 的算法，该算法具有理论上的正确性保证。它可以稳健地处理任意复杂的 3D 几何形状，并且在实践中速度很快。TetGen 的源代码是免费提供的。本文介绍了开发 TetGen 的基本算法和技术。目标读者是网格生成或其他相关领域的研究人员或开发人员。它描述了 TetGen 的关键软件组件，包括高效的四面体网格数据结构、一组增强的局部网格操作（翻转和边缘去除的组合）和过滤的精确几何谓词。关键算法包括用于插入顶点的增量 Delaunay 算法、用于插入约束（边和三角形）的约束 Delaunay 算法、用于恢复约束的新型边恢复算法以及用于自适应质量四面体网格生成的新型约束 Delaunay 细化算法。给出了实验示例以及与其他软件的比较。
课程大纲
课程成果 成功完成本课程后，学生将能够 CO1：构建简单的数学证明并具备验证它们的能力。 CO2：通过命题和谓词逻辑的形式语言表达数学属性。 CO3：理解和分析递归定义。 CO4：使用图算法解决实际问题。 CO5：使用布尔代数的性质评估布尔函数并简化表达式。 书籍和参考文献 1. 《离散数学要素》，CL Liu、Tata McGraw-Hill 著。 2. 《组合数学导论》，RA Brualdi、Pearson 著。 3. 《面向计算机科学家和数学家的离散数学》，JL Mott、A. Kandel 和 TP Baker、Prentice Hall India 著。 4. 《图论》，F. Harary、Narosa 著。 5. 《离散数学及其应用》，T. Koshy 著，Academic Press 出版 6. 《离散数学及其应用》，KH Rosen 著，Tata McGraw-Hill 出版。 7. 《离散数学结构及其在计算机科学中的应用》，J. Tremblay 著，R. Manohar 著，Tata McGraw-Hill 出版。
第四学期人工智能（AI）学分
第一单元 - 介绍 9 介绍 - 定义 - 人工智能的未来 - 智能代理的特征 - 典型的智能代理 - 典型人工智能问题的解决方法。第二单元 - 问题解决方法 9 问题解决方法 - 搜索策略 - 不知情 - 知情 - 启发式 - 局部搜索算法和优化问题 - 使用部分观察进行搜索 - 约束满足问题 - 约束传播 - 回溯搜索 - 游戏玩法 - 游戏中的最佳决策 - Alpha - Beta 剪枝 - 随机游戏。第三单元 - 知识表示 9 一阶谓词逻辑 – Prolog 编程 – 统一 – 前向链接 – 后向链接 – 解析 – 知识表示 - 本体工程-类别和对象 – 事件 - 心理事件和心理对象 - 类别推理系统 - 使用默认信息进行推理。第四单元 - 软件代理 9 智能代理架构 – 代理通信 – 谈判和讨价还价 – 代理之间的争论 – 多代理系统中的信任和声誉。第五单元 - 应用 9 人工智能应用 – 语言模型 – 信息检索- 信息提取 – 自然语言处理 - 机器翻译 – 语音识别 – 机器人 – 硬件 – 感知 – 规划 – 移动。
![arXiv:2001.11457v3 [cs.AI] 2021 年 3 月 5 日](/simg/7\77db03c1f11d1263a7a871acf160ef76873ebef0.png)
arXiv:2001.11457v3 [cs.AI] 2021 年 3 月 5 日
在现实环境中，为规划指定高级知识库的问题变得非常艰巨。这些知识通常是手工制作的，即使对于系统专家来说也很难保持更新。最近的方法表明，即使缺少所有中间状态，经典规划也能成功合成动作模型。这些方法可以从一组执行轨迹中合成规划域定义语言 (PDDL) 中的动作模式，每个执行轨迹至少包含一个初始状态和最终状态。在本文中，我们提出了一种新算法，当动作特征未知时，使用经典规划器无监督地合成 S TRIPS 动作模型。此外，我们还对经典规划做出了贡献，该规划减轻了在动作模型前提条件中学习静态谓词的问题，利用 SAT 规划器的功能和并行编码来计算动作模式并验证所有实例。我们的系统非常灵活，因为它支持包含可能加快搜索速度的部分输入信息。我们通过几个实验展示了学习到的动作模型如何概括看不见的规划实例。