XiaoMi-AI文件搜索系统
World File Search SystemGraphs
地图/图形/图表竞赛
亚洲政治救济地图1。马六甲海峡分开了哪些国家？a。马来西亚和泰国b。越南和菲律宾c。印度尼西亚和巴布亚新几内亚d。马来西亚和印度尼西亚2。以色列的首都是什么？a。大马士革b。文莱c。安卡拉d。耶路撒冷3。以下哪个国家在其边界内没有一部分喜马拉雅山脉？a。印度b。尼泊尔c。老挝d。不丹4。以下哪个不是阿拉伯半岛的国家？a。卡塔尔b。也门c。萨那d。阿曼5。死海位于两个国家之间？a。以色列和巴勒斯坦b。土耳其和伊拉克c。约旦和以色列d。黎巴嫩和叙利亚6。 亚洲哪个国家是群岛？ a。印度尼西亚b。蒙古c。朝鲜d。土耳其7。 里海海位于亚洲两个国家之间？ a。伊朗和伊拉克b。俄罗斯和中国c。哈萨克斯坦和乌兹别克斯坦d。土库曼斯坦和阿塞拜疆土耳其和伊拉克c。约旦和以色列d。黎巴嫩和叙利亚6。亚洲哪个国家是群岛？a。印度尼西亚b。蒙古c。朝鲜d。土耳其7。里海海位于亚洲两个国家之间？a。伊朗和伊拉克b。俄罗斯和中国c。哈萨克斯坦和乌兹别克斯坦d。土库曼斯坦和阿塞拜疆
dag：对归因图的深度自适应和无生成的社区检测
对归因图的社区检测，具有丰富的语义和拓扑信息为现实世界网络分析，尤其是在线游戏中的用户匹配提供了巨大的潜力。图形神经网络（GNNS）最近启用了深度图（DGC）方法，从语义和拓扑信息中学习群集分配。但是，它们的成功取决于与社区数量有关的先验知识，由于收购的高成本和隐私问题，这是不现实的。在本文中，我们研究了与事先的社区检测问题，称为𝐾 -free社区检测问题。为了解决这个问题，我们提出了一种新颖的深层自适应模型（DAG），以供社区检测，而无需指定先前的𝐾。DAG由三个关键组件组成，即带有屏蔽属性重新构造的节点表示模块，一个社区关联读数模块以及具有组稀疏性的社区编号搜索模块。这些组件使DAG能够将非差异性网格搜索的过程转换为社区编号，即存在的DGC方法中的离散超级参数，将其转换为可区分的学习过程。以这种方式，DAG可以同时执行社区检测和端到端的社区编号搜索。为了减轻现实世界应用中社区标签的成本，我们设计了一种新的指标，即使标签不可行，也可以评估社区检测方法。在五个公共数据集和一个现实世界的在线手机游戏数据集上进行了广泛的离线实验
探索基于人工智能的聊天机器人的潜力来生成联合SPARQL查询通过生物信息学知识图
生物数据库中的大量数据泛滥提供了医疗保健和生命科学领域的各种信息。这些数据库为研究人员，科学家和工作专业人员提供了加速发现，开发新的假设并确定新型模式的机会[1]。另一方面，这些数据库需要实现复杂的存储和检索系统来从这些大数据库中检索信息。这成为研究人员和科学家的挑战[2]。作为RDF知识图发布的大多数生物数据库都依赖于SPARQL（SPARQL协议和RDF查询语言）等复杂的查询语言[3]来从数据库中检索信息。没有技术知识或有限的技术知识，研究人员和域用户无法编写准确且可靠的SPARQL查询，这可能会成为利用这些数据库的全部潜力的瓶颈[3] [1]。SPARQL是一种查询语言，可以使用户从数据库中查询信息[4] [3]。许多生物数据库利用RDF（资源描述框架）数据模型，其中RDF表示信息为适用于蛋白质功能（例如蛋白质功能，基因相互作用）的复杂生物学关系的互连三元组（受试者，谓词，对象）[2] [2] [4]。RDF数据可通过SPARQL端点提供，而SPARQL查询语言是专门设计用于查询RDF数据的，可以有效
基于视觉的情况图利用基于语义实体的集成基金标记
情境图（S图）合并了通过同时定位和映射（SLAM）将3D场景图的接近的几何模型合并到多层联合优化因子图中。作为一种优势，S-graph不仅是通过将几何图与一个图中的各种层次组织的语义界面及其拓扑关系相结合，因此更全面的机器人情境意识，还可以改善本地化的性能，并通过Exploit-exploit-exploit-neploit-neploit-opploit-依靠语义信息绘制。在本文中，我们介绍了基于视觉的S-Graphs版本，其中使用传统的视觉猛击（VSLAM）系统用于低级功能跟踪和映射。此外，该框架利用了ducial标记的潜力（可见以及我们最近引入的透明或完全看不见的标记）来编码有关环境及其内部对象的全面信息。标记有助于识别和绘制结构性的语义实体，包括环境中的墙壁和门，在全球参考中具有可靠的姿势，随后与包括走廊和房间在内的高级实体建立了有意义的关联。然而，除了包括语义实体外，还利用了公爵标记物施加的语义和几何约束来提高重建的地图的质量并减少本地化错误。使用腿部机器人收集的实际数据集上的实验结果表明，我们的框架在制作更丰富的多层分层图方面表现出色，并同时增强了机器人姿势精度。
凸面集的图形，带有用于最佳控制的应用程序...
本文在组合和凸优化的界面上引入了一类新的问题。我们考虑每个顶点与凸面程序配对的图形，每个边缘通过额外的凸成本和约束来串联两个程序。我们将这样的图称为凸集（GCS）的图。在GCS上，我们可以制定任何可以通过普通加权图制定的优化问题，顶点和边缘的标量成本。实际上，对于凸面程序中变量的任何固定选择，GCS都会简化为加权图，例如，我们可以在其中寻找，例如路径，匹配，旅行或最低成本的生成树。GCS问题中的挑战在于共同解决问题的离散和连续组成部分。通过组合图形的建模能力和凸优化，GCSS是一个灵活的框架，可以制定和解决许多现实世界中的问题。图形和组合目标（例如，找到路径或巡回赛）模拟了问题的高级离散骨架。凸成本和约束填补了低级连续的细节。本论文的主要贡献是解决任何GCS问题的有效而统一的方法。从加权图上优化问题的整数线性编程公式开始，此方法将相应的GCS问题作为有效的混合构成凸点程序（MICP）制定。然后，可以使用公共分支和结合的求解器将此MICP求解为全局最优性，或者大约通过将其凸松弛的溶液四舍五入。重要的是，MICP及其解决方案的配方都是完全自动的，并且我们框架的用户不需要在混合构成优化方面的任何专业知识。我们首先以一般术语描述GCS框架和MICP的表述，而没有以GC在GC上解决的特定组合问题为前提。我们通过跨越物流，运输，调度，导航和计算几何形状的多个示例来说明我们的技术。然后，我们专注于GC中的最短路径问题（SPP）。这个问题特别有趣，因为它概括了各种多阶段的决策问题，并且使用我们的技术可以非常有效地解决。我们考虑了SPP在GC中的两个主要应用：动力学系统和无碰撞运动的最佳控制
分布式模型检查有限的TreeDepth
我们确定在界图中，在界面模型中，每个单声道二阶逻辑（MSO）公式都可以在恒定数量的圆圈中确定。据我们所知，这标志着有关分布式模型检查的第一个元理论。在MSO中表达了图形上各种优化问题。示例包括确定图表是否具有大小的集团，它是否允许颜色的颜色，是否包含图形𝐻作为子图或次要，或者是否可以通过vertex-disewoint路径连接𝐺中的终端顶点。我们的元理论可显着增强Bousquet等人的工作。[PODC 2022]，该[PODC 2022]专注于具有有界TreeDeptth的图形上的MSO的分布式认证。此外，我们的结果可以扩展到求解在MSO中表达的优化和计数问题，并在界面的TreeDeppth图中。
强化学习方法将压缩环境集成到知识图中
摘要 - 在各个领域中广泛使用知识图在其中有效整合和更新信息带来了挑战。在合并上下文时，常规方法通常依赖于规则或基本的机器学习模型，这可能无法完全掌握上下文信息的复杂性和流动性。这项研究提出了一种基于强化学习（RL）的方法，特别是利用深Q网络（DQN）来增强将上下文集成到知识图中的过程。通过将知识图的状态考虑为环境将动作定义为集成上下文的操作并使用奖励功能来评估知识图质量后整合后的改进，该方法旨在自动开发最佳上下文集成的策略。我们的DQN模型将网络用作函数近似器，不断更新Q值以估计动作值函数，从而有效地集成了复杂和动态上下文信息。最初的实验发现表明，我们的RL方法在实现各种标准知识图数据集的精确上下文集成方面优于技术，突出了增强学习在增强和管理知识图方面的潜在和有效性。索引术语 - 知识图推理，强化学习，奖励成型，转移学习
使用增强学习在认知任务中使用进化偏见的认知任务中建立确定性因果图
尽管重要的是揭示世界上的因果关系而不是相关的结构，但这种因果学习的算法仍然是计算征税的。最近的神经证据挑战了增强学习（RL）算法提供有用近似的能力。在这里，我们提出了一种新的强化学习模型，该模型使用修改后的后继表示并结合了进化 - 避免死亡，从而捕获了各种各样的人类结构学习和动物条件。为了正式捕获在野外学习的风险，我们实现了一个约束，在惩罚分配本质上是重仔的，以应对死亡的风险。这将本质的价值赋予在此框架中具有确定性图表，并简单地捕获了广泛的无关和非乐器行为。
知识图谱上的可理解人工智能
人工智能应用逐渐走出研究实验室的安全墙，侵入我们的日常生活。知识图谱上的机器学习方法也是如此，自 21 世纪初以来，其应用稳步增长。但是，在许多应用中，用户需要对 AI 的决策进行解释。这导致对可理解人工智能的需求增加。知识图谱是可理解人工智能的沃土的缩影，因为它们能够以人类和机器可读的方式显示连接数据（即知识）。本调查简要介绍了知识图谱上的可理解人工智能的历史。此外，我们认为可解释人工智能的概念过于繁重，与可解释机器学习重叠。通过引入父概念“可理解的人工智能”，我们在解释这两个概念的相似性的同时，对它们进行了明确区分。因此，我们在本调查中为知识图谱上的可理解人工智能提供了一个案例，包括可解释的机器学习和知识图谱上的可解释人工智能。这导致引入了一种新的知识图谱上的可理解人工智能分类法。此外，我们还对该研究领域的研究进行了全面概述，并将其置于分类法的背景下。最后，确定了该领域的研究空白，以供未来研究。
Open3DSG：带有可查询对象和开放式关系的点云的开放式vocabulary 3D场景图
3D场景图预测的当前方法依赖于标记的数据集来训练固定的对象类和关系类别的固定模型。我们提供Open3DSG，这是一种在开放世界中学习3D场景图预测的替代方法，而无需标记的场景图数据。我们将3D场景图预测主链的功能与功能性开放世界2D Vision Language Foundation Models的功能空间相结合。这使我们能够通过从开放的词汇查询对象类，并以零摄像的方式从3D点云中预测3D场景图，并从接地的LLM中预测与场景图fea的接地LLM相对的关系，并查询对象类作为上下文。Open3DSG是第一个3D点云方法，不仅可以预测显式开放式唱机对象类，而且还可以预测不限于预定标签集的开放式关系 - 使得在预测的3D场景图中表达稀有物以及特定的对象和关系。我们的实验表明，Open3DSG可以有效地预测Arbitary对象类别及其复杂的对象间关系，描述了空间，支持性，语义和比较关系。