XiaoMi-AI文件搜索系统
World File Search SystemLanguage
关于手语姿态高级计算技术的调查
摘要： - 手语动作的解释对于改善聋人和听力障碍者的交流可访问性至关重要。本研究提出了一个全面的计算框架，用于特征提取和长期记忆（LSTM）网络，以捕获跨手势序列的时间动态。CNN体系结构用于评估视觉输入，成功地识别和分类了对正确手势解释至关重要的手动形状，面部表情和身体姿势。通过添加LSTM，我们的方法有效地复制了手语的顺序性质，从而识别了先前运动影响的连续手势。我们使用众多创新策略来处理手语检测问题，例如签名样式，周围噪声以及实时处理的需求。多模式数据融合包含视觉，上下文和语言信息，以提高模型鲁棒性。旋转，缩放和时间变化被用作数据增强程序，以增加训练数据集并提高各种签名设置的模型适用性。混合CNN-LSTM体系结构通过超级参数调整，辍学正则化和批准化来增强，以减少过度拟合，同时保持出色。
AMPC扩增的进展引用发布版本（APA）：Yiwen，H.，Karabulut，E。，＆Degeler，V。O.（印刷中）。饮酒的本体学习的大型语言模型
摘要当前，大多数本体论都是手动创建的，这是耗时且劳动力密集的。同时，大型语言模型（LLM）的高级功能已被证明在各个领域中有益，从而显着提高了文本处理和文本生成的效率。因此，本文着重于将LLMS用于本体学习。它使用手动本体构建方法作为促进本体学习LLM的基础。所提出的方法基于检索增强产生（RAG），并将其传递给LLM的查询基于手动本体论方法 - Lite本体论。已经对LLM的两种不同变体进行了实验，它们都以不同程度的程度证明了本体学学习的能力。这种方法显示了使用LLMS（半）自动化本体学习学习的方向的有希望的初始结果，并使没有先前领域专业知识的人的本体论施工过程更容易。最终的本体论是由域专家评估的，并根据定义的标准对其进行了排名。基于评估结果，最终的本体论可以用作基本版本，但是它需要域专家的进一步微调以确保其准确性和完整性。
将临床知识合并到大型语言模型中，以进行医学研究和应用：调查
临床知识是从有关原因，预后，诊断和治疗疾病的研究中学到的信息的收集。这种类型的知识可以改善治愈性能并促进身体健康。随着大型语言模型（LLM）的出现，旨在将学术医学AI系统应用于现实世界中医学场景的医学机构（医学AI）已进入了一个新的发展时代，从而从学术和工业研究中获得了出色的著作，例如Doctorgpt和Pangus-Drug。但是，该领域缺乏对学术界和行业建立医疗AI系统的全面汇编和比较。因此，这项调查重点介绍了医疗AI系统的建筑范例，包括使用临床数据库，数据集，培训管道，整合医学知识图，系统应用程序和评估系统。我们希望这项调查可以帮助相关实践研究人员了解医疗保健各个领域的学术模型的当前表现，以及实施这些科学成就的潜在问题和未来的方向。
意大利文化遗产的视觉语言模型的比较研究
摘要：人类的交流长期以来一直依赖视觉媒体进行交互，并通过访问视觉数据的电子设备来促进。传统上，这种交换是单向的，受到基于文本的查询的约束。但是，人类 - 计算机互动的进步已经引入了诸如逆向图像搜索和大语言模型（LLM）之类的技术，从而使文本和视觉查询既可以进行。这些创新在文化遗产应用中特别有价值，例如在城市访问期间将游客与利益识别系统联系起来。本文研究了各种视觉语言模型（VLM）用于文化遗产视觉问题的使用，包括带有GPT-4的Bing的搜索引擎以及Qwen2-VL和Pixtral等开放模型。选择了二十个意大利地标进行研究，包括罗马斗兽场，米兰大教堂和米开朗基罗的大卫。对于每个地标，选择了两张图像：一个来自Wikipedia的图像，另一个来自科学数据库或私人收藏。这些图像输入了每个VLM，并具有有关其内容的文本查询。我们根据其完整性研究了响应的质量，评估了查询中各种细节的影响。此外，我们探讨了语言（英语与意大利语）对模型提供准确答案的能力的影响。我们的发现表明，在多语言数据集中训练的较大模型，例如qwen2-vl和bing+chatgpt-4，在英语和意大利语中都表现更好。令人惊讶的是，Wikimedia数据集的性能没有按预期执行，模型之间的结果有所不同。标志性的地标，例如罗马斗兽场和佛罗伦萨的Duomo，很容易被认可，并提供背景（例如，城市）证明了识别精度。可以在消费者工作站上运行的QWEN2-VL之类的开放模型显示出类似于较大型号的性能。虽然该算法表现出很强的结果，但它们还产生了偶尔的幻觉措施，强调了对文化遗产应用程序的AI系统进行持续改进的必要性。
天然和工程梭菌对生物量生物量的潜力
摘要。本文研究了两种大语模型（LLMS）的性能-GPT-3.5-Turbo和Llama-2-13b-以及一个小型语言模型（SLM） - Gemma-2b，在气候变化（CC）和环境领域内的三个不同的分类任务。将基于BERT的模型作为基准，我们将它们的功效与这些基于变压器的模型进行了比较。此外，我们通过分析这些文本分类任务中语言置信分数的校准来评估模式的自我评估能力。我们的发现表明，尽管基于BERT的模型通常均优于LLM和SLM，但大型生成模型的性能仍然值得注意。此外，我们的校准分析表明，尽管Gemma在初始任务中得到了很好的校准，但此后会产生不一致的结果。骆驼经过合理的校准，GPT始终表现出强大的校准。通过这项研究，我们旨在为持续的讨论生成LMS在解决地球上一些最紧迫的问题方面的实用性和有效性的讨论中做出贡献，并在生态学和CC的背景下强调了它们的优势和局限性。
语言障碍行为形式的行为变体额颞痴呆
KIran Samra 1 · Amy M. MacDougall 2 · Arabella Bouzigues 1 · Martina Bocchetta 1 · David M. Cash 1 · Caroline V. Greaves 1 · Rhian S. Convery 1 · John C. Van Swieten 3 · Harro Seelaar 3 · Lize Jiskoot 3 · Fermin Moreno 4.5 · Raquel Sanchez - Valle 6 · Robert Lafter 7·Caroline Graff 8.9·Mario Masellis 10·Maria Carmela tartaglia 11·James B. Rowe 12·Barbara Borroni 13·伊丽莎白·菲格14·Matthhis Synofzik 15.16·daniela synofzik。 Christopher R. Butler 23.24·Alexander Gerhard 25.26·Simon Ducharmers 27.28·Isabelle le Ber 2930,31.32·Pietro Tiraboschi 33·Isabel Santana 34.35·佛罗伦萨Pasquier 34.38.37.37.38·38·37.38·约翰内斯。 39,40.41·Markus Otto 42·Sandro Sorbi 43.44·Jonathan D. Rohrer 1·Lucy L. Russell 1·代表遗传FTD Initiative（Genfi）KIran Samra 1 · Amy M. MacDougall 2 · Arabella Bouzigues 1 · Martina Bocchetta 1 · David M. Cash 1 · Caroline V. Greaves 1 · Rhian S. Convery 1 · John C. Van Swieten 3 · Harro Seelaar 3 · Lize Jiskoot 3 · Fermin Moreno 4.5 · Raquel Sanchez - Valle 6 · Robert Lafter 7·Caroline Graff 8.9·Mario Masellis 10·Maria Carmela tartaglia 11·James B. Rowe 12·Barbara Borroni 13·伊丽莎白·菲格14·Matthhis Synofzik 15.16·daniela synofzik。 Christopher R. Butler 23.24·Alexander Gerhard 25.26·Simon Ducharmers 27.28·Isabelle le Ber 2930,31.32·Pietro Tiraboschi 33·Isabel Santana 34.35·佛罗伦萨Pasquier 34.38.37.37.38·38·37.38·约翰内斯。 39,40.41·Markus Otto 42·Sandro Sorbi 43.44·Jonathan D. Rohrer 1·Lucy L. Russell 1·代表遗传FTD Initiative（Genfi）
语言遵循一种独特的基因组进化模式
作为最具体，最多样化的人类行为之一，语言是基因组和基因组进化的影响。共享这些进化方式之间的共享方法和模型显着提高了我们对语言的理解，并激发了其进化的广义理论。的进步受到了阻碍，这是语言的典型演变，即语言进化，仅部分映射到其他形式的进化。将其与真核生物的生物学演变和技术的文化演变作为最佳理解的模型进行了对比，我们表明语言演化是特殊的，它通过产生固定的动态而不是稳定的解决方案而不是稳定的解决方案，并且这种动态允许语言变化用于社会差异，同时保持其全球适应性。语言进化与技术进化不同，通过需要垂直传播，允许重建系统发育。它与真核生物生物学的进化不同，它通过预言基因型与表型的区别，允许故意和偏见的变化。认识到这些差异将改善我们的经验工具，并开放新的途径，以分析当语言在人类谱系中出现时语言，文化和生物学进化如何相互作用。除了语言之外，这里提出的区别允许识别其他形式的生物和文化进化的变化，从而发展了实证研究的新观点。重要的是，我们的框架将有助于应对前所未有的科学和道德挑战，这些挑战目前是由于文化进化的迅速影响而引起的，最急需的语言疾病临床工具，技术对语言对语言的潜在表观遗传作用，人工英特尔语，人工领域，人工领域以及语言交流和全球语言损失的语言损失和语言学多样性和身份。
利用大型语言模型来增强GWAS分析和稀有
罕见的疾病由于其多种症状而经常出现微妙的症状以及其低患病率而引起了重大诊断挑战。基因组广泛的关联研究（GWAS）已经鉴定出遗传变异和疾病之间的关联，但是指出因果基因，特别是在单基因稀有疾病中，仍然很复杂。该项目利用大语言模型的力量来增强GWAS分析并改善罕见疾病的诊断。我们的方法探讨了两个关键目的：（1）给定一组通过GWAS鉴定的顶级病原基因候选者，预测与这些基因相关的可能条件，考虑它们的复杂相互作用和潜在的多源性效应，以及（2）开发LLM驱动的型框架，以使年龄较大的疾病，详细症状，临床诊断，临床诊断，临床上的疾病，概述了较高的诊断，以诊断为包括年龄的患者特征，并最大程度地诊断出临床，并诊断出临床，并诊断出临床，并诊断出临床，该临床的诊断。这种方法旨在提高诊断准确性，并减少罕见病患者诊断的时间。我们将使用已发表的稀有疾病案例研究来验证我们的模型，并将我们的性能与现有诊断方法进行比较。
敏感性：在结构化的OMICS数据上利用生成的大语言模型来优化药物敏感性预测
摘要目的：癌细胞系的大量药物基因组学数据的快速积累为药物敏感性预测（DSP）提供了前所未有的机会，这是促进精度肿瘤学的关键先决条件。最近，生成的大语言模型（LLM）表明了自然语言处理领域（NLP）领域的各种任务的性能和概括。然而，药物基因组学数据的结构化格式对DSP中LLM的实用性提出了挑战。因此，这项研究的目的是多重的：适应结构化药物基因组学数据的及时工程，以优化LLM的DSP性能，评估LLM在现实世界DSP方案中的概括，并比较LLM的DSP性能与目前的Science-Science Baselines。方法：我们系统地研究了生成性预训练的变压器（GPT）作为四个公开基准药物基因组学数据集的DSP模型，这些模型由五种癌症组织类型的细胞系和肿瘤学和非综合药物进行分层。本质上，通过四个学习范式评估了GPT的预测格局在DSP任务中的有效性：零射击学习，几乎没有学习，微调和聚类预处理的嵌入。通过实施三个及时的模板（即指令，指导，预定，披肩）并将与药剂基因组相关的特征集成到提示中，为了促进GPT无缝处理结构化的药物基因组学数据，采用了域特异性新颖的及时工程。与最先进的DSP基准相比，GPT主张了卓越的F1性能我们验证了GPT在不同的现实世界DSP方案中的表现：跨组织概括，盲试和药物校园关联的分析以及顶级灵敏/抗性细胞系。此外，我们对GPT进行了比较评估，该评估是针对多个基于变压器的预验证模型和现有的DSP基准的。结果：在五个组织组的药物基因组学数据集上进行的广泛实验表明，微调GPT会产生最佳的DSP性能（28％F1增加，P值= 0.0003），然后群集预处理的GPT嵌入了GPT嵌入（26％F1增加，P-value = 0.0005），很少有gpt（I.但是，在零射击设置中的GPT具有很大的F1间隙，导致表现最差。在迅速工程的范围内，通过直接指导GPT有关DSP任务并诉诸简洁上下文格式（即指令 - 预备）来实现性能提高，从而导致F1性能增长22％；同时，从基因组学和/或分子特征衍生出的药物细胞线及时及格环境将F1得分进一步提高了2％。
关于大语言模型（LLM）的工作文件
2国家标准技术研究所，人工智能风险管理框架（AI RMF 1.0），2023年6月，https：//doi.org/10.6028/nist.ai.100-1。 3 United States, Executive Office of the President [Joseph Biden], Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence , October 30, 2023, https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-安全和信任的发展和人工智能使用。 4加州隐私保护局，风险评估和自动决策技术法规（2024年3月），https://cppa.ca.gov/meetings/materials/20240308_item4_item4_draft_risk.pdf;科罗拉多州SB 24-205，人工智能的消费者保护（2024），https：//leg.colorado.gov/bills/sb24-205。2国家标准技术研究所，人工智能风险管理框架（AI RMF 1.0），2023年6月，https：//doi.org/10.6028/nist.ai.100-1。3 United States, Executive Office of the President [Joseph Biden], Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence , October 30, 2023, https://www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-安全和信任的发展和人工智能使用。4加州隐私保护局，风险评估和自动决策技术法规（2024年3月），https://cppa.ca.gov/meetings/materials/20240308_item4_item4_draft_risk.pdf;科罗拉多州SB 24-205，人工智能的消费者保护（2024），https：//leg.colorado.gov/bills/sb24-205。