XiaoMi-AI文件搜索系统
World File Search SystemLanguage
对系统定量，定性和混合研究评论的系统评价在医疗保健研究中的评论：如何评估包括评论的方法论质量？
摘要 - 很长一段时间以来，电力需求与天气之间建立了关系，并且是运营和计划的负载预测的基石之一，以及行为和社会方面（例如日历或显着事件）。本文探讨了新闻中包含的社会信息的方式以及为什么可以更好地使用能源需求来理解总人口行为。这项工作是通过实验来分析从国家新闻对日前电气需求预测中提取的预测特征的影响的实验完成的。将结果与仅在日历和气象信息上训练的基准模型进行比较。实验结果表明，表现最好的模型将官方标准误差降低到4％，11％和10％的RMSE，MAE和SMAPE。表现最佳的方法是：识别与COVID-19相关的关键字的单词频率；主题分布确定了有关大流行和内部政治的新闻；全球词嵌入了有关国际冲突的消息。这项研究为传统的电力需求分析带来了新的观点，并确认了通过文本中包含的非结构化信息改善其预测的可行性，并在社会学和经济学中带来了潜在的后果。
大型语言模型的重症监护大数据部署和提取：描述性分析
背景：公开访问的重症监护数据库包含巨大的临床数据，但是它们的利用通常需要先进的编程技能。大型数据库和非结构化数据的日益增长的复杂性给需要编程或数据分析专业知识以直接利用这些系统的临床医生带来了挑战。目的：本研究旨在简化与重症监护相关的数据库部署和通过大语言模型提取。方法：该平台的开发是一个两步过程。首先，我们使用Docker Container Technology启用了自动化数据库部署，并具有结合的基于Web的分析接口Meterfase和Superset。第二，我们开发了重症监护室的预审预周化变压器（ICU-GPT），这是一种大型语言模型，在重症监护室（ICU）数据上进行了微调，该模型集成了Langchain和Microsoft Autogen。结果：自动部署平台的设计考虑了用户友好性，使临床医生能够在本地，云或远程环境中部署1个或多个数据库，而无需手动设置。成功克服了GPT的令牌限制并支持多策略数据后，ICU-GPT可以生成结构化查询语言（SQL）查询，并根据请求输入从ICU数据集中提取洞察力。为临床医生开发了一个前端用户界面，以在基于Web的客户端上实现无代码SQL生成。结论：通过利用自动部署平台和ICU-GPT模型的功能，临床医生可以更有效，更有效地可视化，提取和安排与重症监护相关的数据库，而不是手动方法。我们的研究可以减少在复杂的生物信息学方法上花费的时间和精力，并提高临床研究。
使用机器学习的基于手语解释器-IJRPR
耳聋是一种全球状况，影响了约4.66亿人，其中包括约3400万儿童。聋哑人在日常生活中面临许多挑战，尤其是在沟通，教育，就业和社会化等领域。普遍的误解是聋人无法交流；但是，许多人依靠手语作为其主要互动手段。手语是一种丰富而复杂的语言，配有其自身的语法和语法，在不同的文化和地区各不相同。认识到聋人社区内的多样性对于培养所有个人的包容性和可访问的社会至关重要，无论其听力状态如何。尽管有手语的重要性，但聋人与不使用手语的人之间有效的沟通有很大的差距。这个差距会导致误解，社会隔离以及获得基本服务的有限访问。为了解决这个问题，我们介绍了Slingo，这是一款创新的基于应用程序的手语解释器，旨在弥合听力受损的个人和非手语用户之间的沟通鸿沟。Slingo利用高级机器学习技术和计算机视觉实时检测和解释手语手势。该系统包括两个主要组成部分：图像捕获系统和机器学习模型。图像捕获系统利用设备的摄像头来捕获用户的手移动，而机器学习模型则处理这些图像以准确解释符号并在屏幕上显示其含义。Slingo系统的多功能性允许在各种环境中使用它，包括教育机构，工作场所和公共场所，从而促进听力障碍的个人与不使用手语的人之间有效的沟通。通过增强沟通可及性，Slingo旨在改善听力障碍者的生活质量，并促进各种环境中更大的包容性。本文将探讨Slingo的发展，功能和潜在应用，并强调其在应对聋人社区所面临的沟通挑战方面的重要性。
AOLO：针对低碳导向的无线语言模型服务的分析和优化
摘要 - 大语言模型（LLMS）中的前进已导致其广泛采用和在各个领域的大规模部署。但是，由于其大量的能耗和碳足迹，它们的环境影响，尤其是在推断期间，已经成为人们越来越关注的问题。现有研究仅着眼于推理计算，忽视了网络辅助LLM服务系统中碳足迹的分析和优化。为了解决这一差距，我们提出了AOLO，这是一个用于低碳导向的无线LLM服务的分析和优化框架。AOLO引入了全面的碳足迹模型，该模型量化了整个LLM服务链中的温室气体排放，包括计算推理和无线通信。此外，我们制定了一个优化问题，旨在最大程度地减少整体碳足迹，该碳足迹是通过在体验质量和系统性能限制下的关节优化推理输出和传递功率来解决的。为了实现这种联合优化，我们通过采用SNN作为参与者网络来利用尖峰神经网络（SNN）的能源效率，并提出了一种低碳导向的优化算法，即基于SNN的基于SNN的深度加固学习（SDRL）。全面的模拟表明，与基准软批评者相比，SDRL算法显着降低了整体碳足迹，降低了18.77％，突出了其实现更可持续的LLM推理服务的潜力。
基于以上为中心的视觉模型，基于便携式实时智能助手
图4。Egovideo-VL模型的概述。 eGovideo-VL是一种旨在实时自我中心的理解和援助的多模式视觉语言模型。 该模型包含五个关键组件：（1）遵循Egovideo [58]的设计模态编码器，并包括一个视频编码器和用于多模式特征提取的文本编码器； （2）存储模块，该模块存储历史上下文以实现时间基础，摘要和个性化互动； （3）大型语言模型（LLM），该模型执行多模式推理和响应生成； （4）生成模块，该模块综合了视觉动作预测，以指导用户完成任务； （5）检索模块，该模块检索第三人称专家演示以补充以自我为中心的理解。Egovideo-VL模型的概述。eGovideo-VL是一种旨在实时自我中心的理解和援助的多模式视觉语言模型。该模型包含五个关键组件：（1）遵循Egovideo [58]的设计模态编码器，并包括一个视频编码器和用于多模式特征提取的文本编码器； （2）存储模块，该模块存储历史上下文以实现时间基础，摘要和个性化互动； （3）大型语言模型（LLM），该模型执行多模式推理和响应生成； （4）生成模块，该模块综合了视觉动作预测，以指导用户完成任务； （5）检索模块，该模块检索第三人称专家演示以补充以自我为中心的理解。
应对过度处方挑战：用于药物建议任务的大型语言模型
药物推荐系统在医疗保健中引起了人们的关注，因为它们的潜力根据患者的临床数据提供了个性化和有效的药物组合。但是，现有的方法论在适应多种电子健康记录（EHR）系统并有效地利用非结构化数据时会遇到挑战，从而产生有限的概括能力和次优性能。最近，利用医疗领域的大型语言模型（LLM）的兴趣正在增长，以支持医疗保健专业人员并增强患者护理。尽管出现了医疗LLMS及其在医疗问题回答之类的任务中，他们在临床环境中的实际应用，尤其是在药物建议中，但通常仍然没有得到充实的态度。在这项研究中，我们评估了用于药物建议任务的通用和医学特异性LLM。我们的发现表明，LLMS经常遇到过度处方的挑战，导致临床风险增加并降低药物建议精度。为了解决这个问题，我们提出了语言辅助药物建议（LAMO），该建议采用了一种参数高效的微调方法来量身定制开源LLM，以在药物建议方案中进行最佳性能。lamo杠杆在临床注释中提供了大量的临床信息，这是一种在传统方法论中通常不足的资源。由于我们的方法，Lamo的内部阀门准确性超过10％以上的最先前方法。此外，时间和外部验证证明了Lamo在各种时间和医院的强大概括能力
RFC 9741：简洁数据定义语言（CDDL）
控制器数组的元素需要是字符串（文本或字节字符串）。如果该数据项也是字符串，则控制操作员与数据项匹配，该字符串是通过连接数组中的字符串而构建的。此串联的结果与数组的第一个元素相同的字符串（文本或字节）。（如果数组中没有元素，则.join构造匹配两种空字符串，显然会受到控制运算符目标的约束。）在字符串中的字节序列上执行串联。如果串联的结果是文本字符串，则如果结果是有效的文本字符串（即有效的UTF-8），则结果字符的顺序仅与目标数据项匹配。请注意，与RFC 8949第3.2.3节中使用的算法相反，不需要所有单个字节序列进入串联以构成有效的文本字符串。
使用（不是）大语模型在正式DSL中生成模拟模型 - 反应网络的研究
形式语言是建模和仿真的组成部分。他们允许将知识蒸馏成简明的模拟模型，可自动执行，解释和分析。但是，可以说最容易获得模型的方法是通过自然语言，这是计算机不容易解释的。在这里，我们评估了如何将大型语言模型（LLM）用于将自然语言形式化为模拟模型。现有研究仅使用非常大的LLM（例如商业GPT模型）进行探索，而无需微调模型权重。要缩小这一差距，我们展示了如何对开放量，7B参数Mistral模型进行微调，以将自然语言描述转化为特定于域语言的反应网络模型，从而提供自我托管，计算和内存有效的替代方案。为此，我们开发了一个合成数据代理，以作为微调和评估的基础。我们的量词评估表明，我们的微调Mistral模型可以恢复高达84的地面真相模拟模型。5％的案件。此外，我们的小规模用户研究展示了该模型在各个领域的一次性生成以及交互式建模的实际潜力。虽然有前途，但以当前形式，微型的小LLM无法赶上大型LLM。我们得出的结论是，需要更高质量的培训数据，并期望将来的小型和开源的LLM提供新的机会。
Robodexvlm：视觉语言模型模型的任务计划和灵活机器人操纵的运动控制
摘要 - 本文介绍了Robodexvlm，这是一个用于机器人任务计划的创新框架，并掌握了配备灵敏手的协作操纵器的检测。以前的方法着眼于简化且有限的操纵任务，这些任务通常忽略了以长期培训方式抓住各种对象相关的复杂性。相比之下，我们提出的框架利用灵巧的手能够抓住不同形状和大小的对象，同时根据自然语言命令执行任务。所提出的方法具有以下核心组件：首先，设计了一个具有任务级恢复机制的稳健任务计划器，该机制设计了视觉语言模型（VLMS），这使系统能够解释和执行长序列任务。第二，基于机器人运动学和正式方法提出了语言引导的灵活掌握感知算法，该方法是针对带有多种物体和命令的零摄像的灵巧操作量身定制的。全面的实验结果验证了Robodexvlm在处理长层场景和执行灵巧抓握方面的有效性，适应性和鲁棒性。这些结果突出了该框架在复杂环境中运行的能力，展示了其进行开放式灵巧操作的潜力。我们的开源项目页面可以在https://henryhcliu.github.io/robodexvlm上找到。