XiaoMi-AI文件搜索系统
World File Search SystemGraphs
探索生成AI在构建具有医学环境的药物适应症的知识图中的作用
摘要药物指示的医学环境提供了有关如何在实践中使用该药物的重要信息。但是，从药物适应症中提取医疗环境仍然受到探讨，因为大多数研究都集中在识别药物和相关疾病上。的确，大多数数据库编目的药物指示都不包含其医疗环境，以机器可读的格式。本文提出了使用大型语言模型来构建钻石-KG，这是药物适应症及其医学环境的知识图。研究1）检查在为语言模型提供其他指导时的准确性和精度变化，2）估计药物适应症中医疗环境的普遍性； 3）评估钻石-KG对Neurodkg的质量，而Neurodkg是一个小型手动策划的知识图。结果表明，更多的详细提示提高了医疗环境提取的质量； 71％的迹象至少具有一种医疗背景； 63.52％的提取的医学环境对应于Neurodkg中鉴定的医疗环境。本文展示了使用大型语言模型进行专业知识提取的实用性，特别着眼于提取药物适应症及其医学背景。我们提供钻石 - 作为由本体支持的公平RDF图。公开访问，钻石kg可能对下游任务，例如语义查询回答，推荐引擎和药物重新定位研究。
使用 HyperGraphs 的 FDG-PET 图像增强抑郁症诊断
摘要 — 本研究探讨了图神经网络 (GNN) 和超图在使用氟脱氧葡萄糖正电子发射断层扫描 (FDG-PET) 图像改善抑郁症诊断的潜力。我们使用核密度估计和动态时间规整从单个静态 FDG-PET 图像构建图形和超图表示。在本地精神病数据集上使用各种 GNN 分类器（包括图卷积网络 (GCN) 和图同构网络 (GIN)）评估这些表示。我们的实验表明，与成对图相比，GNN（尤其是 GCN）在超图上的性能更优越。我们强调了基于超图的表示在捕捉与抑郁症相关的复杂模式方面的整体功效。此外，我们对超图表示的探索为提高诊断准确性提供了有希望的途径，特别是在捕捉复杂的大脑连接模式方面。这项研究为 GNN 有助于使用 FDG-PET 图像更好地诊断精神疾病提供了证据，为个性化治疗策略和跨不同临床环境的诊断进步提供了见解。索引词 — 抑郁症、FDG-PET、KDE、DTW、图、超图、图神经网络、GIN、GCN。
量子比特上的图形：演示量子计算机上的三种图形算法
用于数据库和数据管理的量子计算是一个新兴的研究领域，近年来取得了长足的发展 [35,46]。该领域旨在满足对更复杂的优化方法的需求，这些方法至关重要，因为数据量和复杂性继续以越来越快的速度增长。该领域的主要愿景是未来数据库的优化可能部分在量子计算机上进行。之前的大部分研究集中于利用各种二次无约束二元优化公式来优化关系数据库 [4、11、15、17、25、33、34、36、37、44、45、49、53]。第二种最常见的量子计算方法是用量子机器学习来解决数据库问题 [18、19、47、51、52]。尽管关系数据库中的许多优化问题从根本上来说都是图问题（例如，连接顺序选择），但该领域中图算法的全部功能尚未得到充分研究。为了对量子计算中现有的图算法进行更系统的研究和基准测试，
带有欺骗性的图上安全博弈中的综合资源分配与策略合成
欺骗在信息不完全的战略互动中起着至关重要的作用。受安全应用的启发，我们研究了一类具有单边不完全信息的双人回合制确定性博弈，其中玩家 1（P1）的目的是阻止玩家 2（P2）达到一组目标状态。除了行动之外，P1 还可以放置两种欺骗资源：“陷阱”和“假目标”，以误导 P2 有关博弈的转变动态和收益。陷阱通过使陷阱状态看起来正常来“隐藏真实”，而假目标通过将非目标状态宣传为目标来“揭示虚构”。我们感兴趣的是联合合成利用 P2 错误信息的 P1 的最佳诱饵放置和欺骗性防御策略。我们在图模型上引入了一个新颖的超博弈和两个解决方案概念：隐秘欺骗必胜和隐秘欺骗几乎必胜。这些确定了 P1 可以在有限步内或以 1 的概率阻止 P2 到达目标的状态，并且 P2 不会意识到自己被欺骗了。因此，确定最佳诱饵位置相当于最大化 P1 的欺骗获胜区域的大小。考虑到探索所有诱饵分配的组合复杂性，我们利用组合合成概念来表明诱饵放置的目标函数是单调的、非减的，并且在某些情况下是亚模或超模的。这导致了一个诱饵放置的贪婪算法，当目标函数是亚模或超模时实现 (1 − 1 / e ) 近似。提出的超博弈模型和解决方案概念有助于理解各种安全应用中的最佳欺骗资源分配和欺骗策略。
减少了某些图的Sombor索引
在这里，我们为我们在后面的各节中使用的不同图形结构提供了很少的定义。定义1.1图形的补充是一个图形ܩ具有相同的顶点集，使得两个不同的顶点在且仅当它们在ܩ中不相邻时才相邻。定义1.2。[18]简单图的子图或细分图ܵ（ܩ）被定义为通过在每个边缘中添加额外的顶点获得的新图。定义1.3。[18]对于带有顶点set v（g）= {vଵ，vଶ，⋯，v୬}的图G，我们将另一个由{vଵ，vଶ，v୬，v୬}标记为g的g的副本，这一次，其中v v v v v v v v v v v v v v v v୧i i i。如果我们将V୧连接到每个i的V୧邻居，则获得了一个称为g的双图的新图，并用d（g）表示。Grenze ID：01.Gijet.10.2.479©Grenze Scientific Society，2024
RDF知识图上的机器学习有关药物安全：Reactome Data
我们的研究旨在使用应用于使用Reactome数据库构建的KG的ML技术来发现信号通路中的新节点和/或链接。目的是在不良药物反应的机制中进行互联，并确定潜在的新相关途径。这种方法增强了我们对途径动态的理解。我们的初步发现显示了与ADR相关的途径的有希望的提示。我们提出的方法是基于使用基于描述的推理的使用，并通过MOWL库嵌入生成。解释我们的发现强调了ML在公斤药物安全研究中的潜力。与药理学家和生物学家等领域专家的合作对于进一步的验证和研究至关重要。需要解决诸如数据异质性和模型性能优化之类的挑战。可以在我们的github存储库2上找到一个详细的描述，图形摘要和可执行的笔记本。
模糊，直觉模糊和中性粒子图的能量
对文献的综述深入研究了模糊图，直觉模糊图和中性粒细胞图的能量测量和决策过程之间的复杂相互作用。在图理论中，能量是用于测量结构特性并评估决策模型动力学的关键数量。考虑到涉及决策的上下文中能量测量的理论基础，计算技术和实际应用的理论基础，考虑到模糊，直觉模糊和中性粒细胞图模型所带来的特殊特征。本综述试图为希望使用能量度量的研究人员和从业者提供彻底的理解，以在这些特定图形拓扑结构中综合先前的研究中，以设置这些特定图形拓扑内包含的不确定性。
使用生成对抗网络生成合成时间序列数据，用于智能构建知识图
摘要。知识图表示三倍的数据，以将连接的数据点相互链接。这种知识表示形式具有多种应用，例如查询和查找信息或进行数据推断。但是，在某些领域，例如医疗记录或智能房屋设备，这些知识图很难大规模公开可用，这是由于隐私性的。因此，有一种方法可以从原始数据中生成合成知识数据以进行大规模使用将是有益的。本文的目的是找出可以在多大程度上为知识图创建有意义的合成时间序列数据。尝试找到一种解决方案，以创建具有与原始数据相似的数据的解决方案，将测试两个现有的生成对抗网络（GAN），即CTGAN和TIMEGAN。实验的结果表明，这两个模型都设法从数据集中捕获了一些重要功能，但是两个模型都没有原始数据中的所有功能。需要进行进一步的研究，以找到满足有意义的合成知识图要求的解决方案。
导航应用程序的因素图：教程
在导航中，从多个传感器中集成数据的能力是一个essen tial元素。如果已知系统的动力学（即可以随机建模），则可以将测量值随时间集成在一起以估计系统的状态。数十年来，Kalman过滤家族（包括线性，扩展，无味和许多其他变体）一直是传感器融合的主力，用于导航。是线性的卡尔曼滤波器，这是当（a）测量和动力学是线性和（b）所有噪声源的最佳最大似然估计器，Gaussian和White（Maybeck，1990）。不幸的是，大多数实用系统不符合这些要求，从而解释了社区中使用的大量Kalman过滤器变体。
bertnet：从验证的语言模型中收获具有任意关系的知识图
至关重要的是，自动构建各种新关系的知识图（kg），以支持知识发现和广泛的应用。基于众包或文本挖掘的以前的KG施工方法通常仅限于由于手动成本或文本语料库的限制而限于一组预定义的关系集。最新的研究提议使用验证的语言模型（LMS）作为内隐知识基础，这些知识基础接受了提示的知识查询。然而，隐性知识缺乏全面象征性kg的许多理想特性，例如易于访问，导航，编辑和质量保证。在本文中，我们提出了一种新的方法，以从验证的LMS中收集任意关系的群体。使用关系定义的最小输入（提示和一些示例实体对的镜头），该方法有效地在庞大的实体对空间中有效地搜索，以提取对所需关系的各种准确的了解。我们开发了一种有效的搜索和验证机制，以提高效率和准确性。我们部署了从不同LMS收获400多个新关系的kgs的方法。广泛的人类和自动评估表明，我们的方法设法提取了各种准确的知识，包括复杂关系的元素（例如，“ A具有但不擅长B”）。作为源LM的符号解释所产生的kg还揭示了对LMS知识能力的新见解。