XiaoMi-AI文件搜索系统
World File Search SystemGraphs
11-741/11-441与图形的机器学习
●本课程分别列为11-741（研究生12个单位）和11-441（本科生的9个单位）。●11-741名学生必须完成所有5份家庭作业，并在期中和期末考试中回答所有问题。●11-441名学生必须在总共5个家庭作业（通过自己的选择）和70％的考试问题（通过自己的选择）中进行4分。如果本科生选择做更多的家庭作业，我们将在最终的HW分级中使用最优秀的4分。同样，如果本科生选择做更多的考试问题，我们将使用考试评分中70％最佳回答问题的分数。●详细的作业描述如下： - HW1。实施神经网络（CNN和RNN）进行二进制分类，并在Yelp评论数据集中使用单词嵌入，并使用TensorFlow或Keras等软件。> HW2。实现Yelp评论的多类分类的软马克斯逻辑回归，并通过损失函数的梯度推导。- HW3。实施Pagerank，个性化的Pagerank和查询敏感的Pagerank方法，用于网页流行度分析并评估其在Citeeval数据集中的检索性能。> HW4。实现图形神经网络（GNN）模型，用于SIMI监督节点分类，链接预测和图形分类。> HW5。知识图推理；带有transe的节点。
EP 69 Gen AI播客转录时代的知识图
我最喜欢的人倾向于思考知识图是我们将世界视为事物的看法，而不一定是如何将数据存储和结构化为字符串。以及组织内部的许多这些信息存储库。因此，概念，商业概念的概念，我们都可以与人，地点，订购供应商，字体，代表性的skus以及这些商业概念之间的关系相关联是您如何开始描述数据并将含义附加到其上的关键。这确实是许多组织中知识图的体现。，因此，知识图确实适合这种模具，其中知识图的焦点往往是在需要消耗信息而不是需要如何生成，结构化或存储的信息上。以及在业务概念层面上以业务层面的代表数据，以至于企业中的所有用户不一定必须具有技术背景，了解技术的需求和寻找的内容，并以这种方式代表这些数据，只有这些数据只能使他们能够成为这个位置，使我们能够在这个位置处于这个位置，我们最终可以在自我服务的角度来看，这是我的最终数据，我知道这一点是我的讨论，而我的讨论得出了，这是我的讨论，这是我的讨论，这是我的讨论，而这是我的讨论，而这是一个如此之多，这是我的讨论，而这是一个如此之所以如此，这是我在这个位置的讨论。
pygraft：触手可及的合成模式和知识图的可配置生成
摘要。知识图（kgs）已成为突出的数据表示和管理范式。通常受到架构（例如，本体论）的基础，KGS不仅捕获了事实信息，而且捕获了上下文知识。在某些任务中，一些公斤将自己确立为标准基准。但是，最近的工作概述依靠有限的数据集集合不足以评估方法的概括能力。在一些数据敏感领域（例如教育或医学）中，对公共数据集的访问更加有限。为了纠正上述问题，我们释放了Pygraft，这是一种基于Python的工具，生成了高度定制的域 - 不可能的模式和KGS。合成的模式包含各种RDF和OWL构建体，而合成的KG则模仿了真实世界KGS的字符和规模。最终通过运行描述逻辑（dl）追求来确保生成资源的逻辑一致性。通过提供单个管道中同时产生模式和kg的方式，Pygraft的目的是赋予在基于图形的机器学习（ML）或更一般的KG处理等领域的基准新颖方法中生成更多样化的kgs。在基于图的ML中，这应该促进对模型性能和概括能力的更全面评估，从而超越了可用基准的有限收集。Pygraft可在以下网址提供：https：//github.com/nicolas-hbt/pygraft。
在机器学习春季季度，2025天/时间
教学大纲：1。图理论和网络科学背景（≈25％）A。基本定义和符号B.关键属性和概念C.网络分析基础D.应用 /激励示例2。< / div>图形模型（≈37.5％）A。图形模型的概述B.定向图形模型（贝叶斯网络）C。无向图形模型（马尔可夫随机字段）D。推理方法和不确定性E.图形模型中的学习。应用程序3。基于图的神经网络和几何深度学习（≈37.5％）A。为什么图形神经网络（GNN）？B.早期图形嵌入方法C.图形卷积网络（GCN）D. GNN体系结构的变体E.几何深度学习中的主题F.培训和实际考虑G.应用和成功故事
JPLAG：使用令牌归一化图检测混淆的软件pla窃
pla窃在计算机科学教育中普遍存在[CJ08; MUR10]，主要是由于易于复制数字作业。尽管将其理解为不当行为，但一些学生仍继续进行窃，经常试图通过重命名，重新排序或插入代码来混淆它[kar16; NJK19; sağ+22; sağ+23b; sağ+24b]。在大型强制性课程中，手动检查不切实际[CAM+17]，使自动窃检测必不可少[OTT76]。诸如Moss和Jplag之类的软件探测器通常用于解决此问题，假设成功的混淆需要已经教授的技能。然而，窃的发电机，例如mossad [db20]，通过在不需要专业知识的情况下自动化混淆来挑战这一假设。Mossad通过插入熵或重新排序语句以逃避检测来打破基于令牌的检测器。
小麦和水稻基因组学科学文献知识图
本文提出了一种通过从文本科学语料库中提取相关实体并以结构化和有意义的方式组织它们来构建两个特定领域知识图的方法。该方法使用语义Web技术，涉及重复使用共享的基于RDF的标准词汇。theaiageresearchgroup 1收集了8,496Scientificarticlespublybethighthewewewnebetnexweew中与小麦的选择有关。我们使用alvisnlp [1]工作流程来识别指定的实体（NE）以及小麦品种和表型之间的关系。总共有88,880个提及4,318个不同命名的实体已被识别为frompubMedAbstractsantles。同样，收集的ThediaDeresearchGroup 217,058Sci-InfificarticlespublyBetebethextewnekewnevewnemtheybetebetikeentbewnextectikeentebetike from thearoryzabasedatabase [2]，该[2]在手术中检查了与水稻基因组学相关的PubMed条目。我们使用hunflair ner tagger [3]在标题和文章摘要中提取NES。总共确定了351,003个提及63,591个不同的NE。双皮属性介于thatrefertogenes，遗传标记，特征，表型，分类群和品种实体中提到的标题和摘要出版物中提到的实体。在可能的情况下，这些NE与现有语义资源相关。小麦表型和特质提及与小麦特质本体论3（WTO）中的类别有关，分类单元与NCBI 4分类学类别有关。inderfaphsthecorepartofthedatamodelisbasadeonthew3cwebannotationology（OA），已与不同的词汇相辅相成，描述了Yacoubi等人中描述的文档。[4]。施工管道涉及两个主要步骤。首先，我们使用SPARQL微服务[5]来查询PubMed的Web API，并将文章的元数据（包括标题和摘要）转换为RDF 5。其次，使用Alvisnlp [1]和Hunflair [3]来提取和链接
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。
![arxiv：2502.05610v1 [CS.CL] 2025年2月8日](/simg/f/fc3702b26977d5a4ff0e791f19ff9d50ec23897f.webp)
arxiv：2502.05610v1 [CS.CL] 2025年2月8日
蛋白质在生物过程中起着至关重要的作用，并且是活生物体的浓汤。蛋白质的准确表示至关重要，尤其是在药物开发中。最近，利用机器学习和深度学习技术的兴趣显着提高，用于无监督的蛋白质反应。然而，这些方法通常仅关注蛋白质的氨基酸序列，缺乏有关蛋白质及其相互作用的事实知识，从而限制了它们的性能。在这项研究中，我们提出了Goproteingnn，这是一种新型的结构，通过在氨基酸水平代表创建过程中整合蛋白质知识图信息来吸引蛋白质语言模型。我们的方法允许在单个氨基酸水平和整个蛋白质水平上整合信息，从而通过基于图的学习实现了全面有效的学习过程。这样做，我们可以捕获蛋白质及其功能注释之间的复杂关系和依赖性，从而产生更健壮和上下文富集的蛋白质表示。与以前的方法不同，Goproteingnn在训练过程中独特地学习了整个蛋白质知识图，这使其能够捕获更广泛的关系细微差别和依赖于以前的工作中的单元超出三胞胎。我们对几个下游任务进行了全面的评估，表明goproteingnn始终优于先前的方法，展示其有效性并确定其作为蛋白质表示学习的状态解决方案。