XiaoMi-AI文件搜索系统
World File Search SystemKnowledge
使用深度学习的知识实体感知模型
抽象课程推荐系统可以通过利用用户交互数据来帮助学生识别合适或有吸引力的课程，这显示了用户和课程之间以前的参与。但是，现有课程推荐系统的普遍问题是它们倾向于优先考虑准确性而不是解释性。这些复杂模型的“黑框”性质提出了一个挑战：准确表征和建模用户的偏好，同时还提供明确的，具有预性和可解释的用户配置文件。为了解决这种限制，我们为课程推荐提出了一个新颖的知识实体感知模型，该模型称为KEAM，该模型基于知识图的详细信息支持明确的用户个人资料生成，以增强学生对建议背后的理由的理解。具体来说，我们利用知识图中编码的信息，通过更换隐藏单元来使用神经网络之间建立单位之间的连接。接下来，对模型进行了培训，可以捕获学生的偏好并创建用户配置文件，以提供可解释的建议。在两个现实世界的在线数据集上进行了全面的实验，以评估所提出的模型的有效性和解释。
ChatScene：自动驾驶汽车的知识关键方案生成
摘要我们提出了一种大型语言模型（LLM）的ChatScene-利用LLM的能力来为自动驾驶汽车的安全至关重要方案。给定的非结构化语言指令，代理首先使用LLMS生成文本描述的流量方案。这些SCE-NARIO描述随后被分解为几个子描述，以获取指定的细节，例如行为和车辆的位置。代理然后将文本描述的子筛选性转换为特定于域的语言，然后在模拟器中生成用于预测和控制的实际代码，从而促进了Carla Simulation Envimonment中的不同和复杂场景的创建。我们代理的关键部分是一个全面的知识检索组件，它通过训练包含情景描述和代码对的知识数据库来有效地将特定的文本描述转化为相应的特定领域代码段。广泛的实验结果强调了Chatscene在提高自动驾驶汽车安全性方面的功效。对于Intance，ChatScene产生的方案显示，与最先进的基线相比，在针对不同的基于强化的基于学习的自我车辆进行测试时，碰撞率增加了15％。此外，我们表明，通过使用我们生成的安全 - 关键方案来微调不同的基于RL的自主驾驶模型，它们可以降低碰撞率9％，超过Cur-Current Sota方法。代码可在https://github.com/javyduck/chatscene上找到。ChatScene有效地弥合了交通情况的文本描述与实际CARLA模拟之间的差距，从而提供了一种统一的方式，以方便地生成安全至关重要的方案，以进行安全测试和改进AVS。
运用辩论动态进行知识图谱推理
我们提出了一种基于辩论动态的知识图谱自动推理新方法。其主要思想是将三重分类任务构建为两个强化学习代理之间的辩论游戏，它们提取论据（知识图谱中的路径），目标是分别促使事实为真（论点）或事实为假（反论点）。基于这些论据，一个称为评判者的二元分类器决定事实是真是假。这两个代理可被视为稀疏的对抗性特征生成器，为论点或反论点提供可解释的证据。与其他黑箱方法相比，这些论据让用户能够了解评判者的决定。由于这项工作的重点是创建一种可解释的方法以保持具有竞争力的预测准确率，因此我们在三重分类和链接预测任务上对我们的方法进行了基准测试。因此，我们发现我们的方法在基准数据集 FB15k-237、WN18RR 和 Hetionet 上的表现优于几个基线。我们还进行了一项调查，发现提取的参数对用户很有帮助。
知识，疫苗的偏好和对马来西亚人的Covid-19的恐惧，在Covid-19的阶段增强阶段，大流行Anis aqilah aqilah binti romzi 1，megat
目的：这项研究的目的是调查马来西亚人中对Covid-19的知识，疫苗偏好和恐惧。材料和方法：这项在线问卷调查是从2021年9月6日至2021年11月12日通过成人马来西亚人的Google表格进行的。为了收集数据，将经过试验的经过验证的问卷调查给387个样本。由参与者的社会人口统计学特征，有关信息来源的COVID-19疫苗的知识，参与者的特定疫苗偏好，具有理由，疫苗接种状态和COVID-19的恐惧的调查表。结果和讨论：参与者对Covid-19疫苗有良好的了解。总共275（71％）参与者表现出对特定疫苗的偏爱；辉瑞-biontech是最优选的（61.5％）疫苗。偏爱的主要原因是有效性（56.4％）。疫苗优先组的参与者获得的知识评分（7.38/8）比非偏爱（7.28/8）的知识评分更高。总共376名（97％）的受访者接种疫苗，其中250名（66.5％）接受了首选疫苗，而22（5.85％）未获得挑选，而休息却没有偏爱。在11名未接种疫苗的参与者中，有3名拒绝接种疫苗，以提供非脱颖而出的疫苗。与非接种疫苗的组相比，疫苗接种组中对共vid-19分数的恐惧更高（21.34/35）（19.09/35），尽管没有观察到显着差异。结论：大多数马来西亚人都对COVID-19疫苗接种知识渊博，接受了疫苗优先和疫苗接种。疫苗偏爱的参与者比没有明显差异的非偏爱更具知识渊博。在非接种疫苗的参与者中，有27％（3/11）拒绝提供的疫苗接种，如提供的非偏爱疫苗。疫苗接种组对19009的恐惧比非接种疫苗的恐惧更多，而差异无关。提高意识是人们不愿意或犹豫接种疫苗所必需的。
赋能小规模知识图谱：利用通用知识图谱实现丰富嵌入的策略
摘要 知识密集型任务对机器学习 (ML) 技术提出了重大挑战。常用的方法，例如大型语言模型 (LLM)，在应用于此类任务时往往会表现出局限性。尽管如此，人们已经做出了显著的努力来缓解这些挑战，重点是通过知识图谱 (KG) 来增强 LLM。虽然 KG 在表示知识方面具有许多优势，但它们的开发成本可能会阻碍广泛的研究和应用。为了解决这一限制，我们引入了一个框架，用于使用完善的通用 KG 来丰富小规模领域特定知识图谱的嵌入。采用我们的方法，当链接到大量通用 KG 时，适度的领域特定 KG 可以从下游任务的性能提升中受益。实验评估表明性能显着增强，Hits @ 10 指标最高可提高 44%。这个相对未被探索的研究方向可以催化知识图谱更频繁地融入知识密集型任务中，从而产生更稳健、更可靠的机器学习实现，这比普遍存在的 LLM 解决方案更少产生幻觉。
swinfsr：使用swinir和频域知识的立体图像超分辨率
立体图像超分辨率（Sterereosr）近年来引起了人们的关注，这是由于手机，自动驾驶汽车和机器人的双重摄像头广泛范围。在这项工作中，我们根据Swinir的扩展（最初是为单个图像还原设计的，又提出了一种名为SWINFSR的新定单方法，以及Fast Fourier卷积（FFC）获得的频域知识。具体来说，为了有效地收集全球信息，我们通过使用FFC明确地不明显地局限于SWINIR中的残留SWIN变压器块（RSTBS），并使用结果域知识，并采用结果的残留Swin傅立叶型跨前块（RSFTB）进行特征提取。此外，为了有效，准确的立体视图融合，我们提供了一个新的跨意见模块，称为RCAM，该模块的竞争性能高于竞争性能，同时比最先进的交叉意见模块更少的计算成本。广泛的实验结果和消融研究证明了我们提出的SWINFSR的有效性和效率。
Rajiv Gandhi知识技术 - RGUKT -HUB
技能集：C ++，Python，计算机视觉，数据结构，深度学习，算法，LLM，RAG，Deepstream，Deepstream，Tensorrt实习期限：6个月的绩效：绩效永久性效果Stipend咨询索引：20,000个月份：20,000
新地球观察边界企业创新支持基金（Neofrontierseisf）-2 ND队列
1早期的职业研究人员是知识机构（通常年龄在35岁以下）的年轻研究人员，在过去的五年内完成博士学位，他们在潜力的基础上被认为可能会成为其领域未来成熟的研究人员。这些研究人员在其机构全职工作。2一些移动机会对NRF和非NRF资助的学者开放，但是，将优先考虑NRF资助的学者。3联合学位是由南非大学及其国际合作伙伴大学联合决定授予的单一博士学位，并成功完成了一个共同定义和完全共享的博士研究计划。联合学位要求所有参与的机构负责整个计划，而不仅仅是他们自己的单独部分。