XiaoMi-AI文件搜索系统
World File Search SystemOntology
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。
基因本体学富集分析和可视化工具
描述：用于识别和可视化基因排名列表中的丰富GO术语的工具。它可以以两种模式之一运行： *搜索富集的GO术语，这些术语在排名的基因列表的顶部，或 *与基因的基因目标列表中的基因列表中的富集术语搜索。
基于本体的建模，整合和分析，用于精密医学的异质临床，病理和分子肾脏数据
抽象的许多资源现在正在生成，加工，存储或提供与肾脏相关的分子，病理和临床数据。参考本体提供了一个支持知识，数据组织和集成的机会。肾脏精密医学项目（KPMP）团队在人类表型本体论（HPO）中贡献了329个肾脏表型术语（HPO），并确定了许多急性肾脏损伤（AKI）或慢性肾脏病（CKD）的许多子类别。肾脏组织本体论（KTAO）进口并整合了现有本体论（例如HPO，CL和Uberon）的肾脏相关术语，并代表了259个与肾脏相关的生物标志物。我们还开发了一种精确的医学元数据本体论（PMMO），以整合来自KPMP和Cellxgene资源的50个变量，并应用PMMO进行综合分析。在健康对照或AKI/CKD疾病状态下特别分析了肾脏基因生物标志物的基因表达谱。这项工作演示了基于本体的方法如何支持多域数据以及知识组织和集成以提高精度医学。引言肾脏精密医学项目（kpmp）（https://www.kpmp.org/）是一个NIH/NIDDK-FUND的财团，旨在精确地表征慢性肾脏病（CKD）的复杂性（CKD）和急性肾脏受伤（AKI）在患者水平上以提高我们的能力治疗（以提高我们的能力），以提高我们的能力（1）。虽然AKI是肾功能的突然且通常是暂时的暂时丧失，但CKD在很长一段时间内会降低肾脏功能，并可能导致末期肾脏疾病。但是，也可以观察到从AKI到CKD的过渡。AKI和CKD与涉及遗传，病理，分子，社会和环境因素的复杂发病机理有关。尽管做出了巨大的努力，但尚未完全理解肾脏疾病发展和发展的基础机制，部分原因是整合来自多个知识领域的数据的挑战。因此，整合与肾脏疾病有关的不同类型的数据应该成为进一步深入研究的主题。最近已努力生成与肾脏相关的数据，并使研究人员公开使用。人类生物分子图集计划（Hubmap）旨在开发一个开放且全球的平台来绘制人体健康细胞（2）。人类细胞地图集项目（HCA）是一个全球财团，旨在绘制人体中的每种细胞类型并开发人类细胞的3维地图集，以改变我们对生物学和疾病的理解（3）。与HCA密切相关的Cellxgene资源是一套计算工具，可帮助科学家存入，下载，查询和视觉探索策划和标准化的单细胞生物学数据集（4）。
结合机器学习和本体论：系统文献评论
动机探索了结合归纳和演绎推理的过程，我们对研究机器学习和本体论的整合的文章进行了系统的文献综述。目的是确定纳入归纳推理（通过机器学习执行）和演绎推理（由本体学执行）的多种技术。我们的评论包括对128项研究的分析，使我们能够确定机器学习和本体学之间的三个主要杂交类别：学习增强的本体论，语义数据挖掘以及学习和推理系统。我们对所有这些类别进行了全面的检查，强调了研究中使用的各种机器学习算法。此外，我们将我们的分类与混合AI和神经符号方法领域的最新作品进行了比较。
第一控制论中的本体论和信息政治
为什么我们应该考虑“21 世纪的控制论”？我可以列举四个原因。首先，也许“21 世纪的控制论”在某种程度上已经存在。很明显，控制论所推广的概念和技术比以往任何时候都更加普及。术语“反馈”和“信息”的传播具有里程碑意义，并且与“控制论”这一符号的使用率下降无关。换句话说，我们正在见证所谓的“没有控制论的控制论”，即其概念和人工制品的传播，但不再是过时的标签。有第一代控制论，与维纳、麦卡洛克和冯·诺依曼等人物有关，还有“第二代控制论”，以自组织为中心，与冯·福斯特和瓦雷拉等人有关。现在，我们可能正处于“第三次控制论”的开端，我们不应该再提及名人的名字，而应该提及谷歌、亚马逊、Facebook 或 OpenAi 等公司的名字。这会不会就是难以捉摸的“21 世纪控制论”，一个没有说出名字的第三次浪潮？
回家：一个新的基因本体学子集，可改善植物基因功能预测
背景：基因功能预测数据集的可用性可帮助研究人员考虑假设生成，候选基因优先次序和许多其他应用的未表征基因的可能功能。许多这样的数据集基于基因本体论（GO）函数图。对于植物而言，这可能是有问题的，因为最具体的GO术语通常是从非植物分类群的生物学中得出的（例如，鉴于植物缺乏神经的神经），似乎不太可能映射到植物生物学过程）。为了平衡功能特异性的需求，同时限制了与植物生物学相关的功能，研究人员通常会限制植物植物子集，但是，通过设计，该子集由非常一般的术语和限制了特定假设产生的实际效用。更糟糕的是，有时研究人员选择与植物生物学无关的术语（而不是遍历GO图以选择与植物生物学兼容的层次结构中最具体的术语）。结果：我们创建了Go Big，一种基因本体学子集类型，以提高分类群特异性生物学应用基因功能预测的生物学相关性。GO大植物子集保留了假设产生的最大功能特异性，同时限制了适用于植物生物学的术语。简要
石油和天然气生产工厂中异常检测的本体学增强深度学习框架
技术进步为提高工业过程工厂的生产率和安全性铺平了道路。由行业4.0带来的智能工厂的特征是它们杰出的剪裁技术使用，其自动化，监视和人工智能在运营效率中发挥了重要作用[1]。这些技术进步不仅适用于传统制造业，还适用于包括石油和天然气部门在内的各种工业过程，这是该提案的重点。这些进步产生的重要改进是安装传感器设备以进行恒定信息监视。尽管有好处，但这些传感器产生的大量数据可能会挑战分析，从而需要对自动化过程进行自动化的需求，以验证持续的信息流以寻找异常[2]，这些信息流[2]可以表明设备故障，安全隐患或生产效率低下。对这些失败的检测对该部门至关重要。失败引起的工厂关闭可能会给公司带来重大的经济问题。此外，由于该行业的危险性质，该行业的安全危害可能会造成灾难性后果，从而对工人安全和环境完整性构成了严重的风险。虽然传统的异常检测模型可以在特定领域带来良好的结果，但他们仍然无法理解石油和天然气生产厂的语义特征，从而产生了错误的结果，这可能使操作员更难解决潜在的问题。之后，将提出以下步骤。这项工作旨在创建一个框架，该框架使用机器学习异常检测方法，并具有一层本体论，以对石油和天然气行业异常进行语义分析。本文以以下方式构成：首先，将对当前的最新研究进行分析，重点关注有关异常检测和本体论方面的工作，然后将指定研究建议，显示研究的改进和潜在的挑战。
策略本体的必要性和要求
战略一词源于希腊语 stratēgia (στρατηγία)，其含义集中在军事概念“军队领袖的艺术；将军、指挥、将领的职责”[19]。“战略”一词于公元 6 世纪（伊斯兰回历 -50 年）在东罗马地区开始使用。它于 18 世纪首次进入西方世界。当时直到 20 世纪，“战略”一词相反地被称为“一种试图追求政治目的的综合方法，包括威胁或实际使用武力，在意志的辩证法中”[4]。然而，这更多地与双方互动的战斗斗争有关 [4]。如今，在国防工业中，它指的是在与敌人交战之前规划方向性组件并调动资源。一旦敌人交战，战略执行就会发挥作用，将注意力转移到战术上。然而，为了确保战略的不断改进，需要在运营层面开展活动。了解战略的百年军事起源，让我们能够将当今一些常见的商业术语联系起来，例如：
自动蛋白注释与基因本体相互关系的整合 i3c控制器设计RISC-V处理器 PC104格式Cubesats的机上计算机 使用大型语言模型玩基于文本的游戏
自动蛋白功能预测涉及从其已知序列推断蛋白质的功能。此函数通常由从预定义的基因本体论中提出的术语列表来描述，该术语是在层次上组织的。预测蛋白质功能需要为每个项做出二进制决策，确定它是否适用于给定序列。论文将主要探讨深度转移学习的应用，并利用蛋白质级信息和注释之间的相互关系。要求：1。了解深度学习和转移学习。2。在自动化蛋白质功能预测中熟悉当前的最新技术，特别强调了最近的深度学习工具。3。进行文献搜索方法AD 1和2。4。设计自己的算法 /修改现有算法，以自动预测蛋白质功能，并深入转移学习。5。将您的解决方案与基本基准测试（BLAST + KNN，PRIORS）或搜索中讨论的方法与可用实现进行比较，使用传统的评估分类器质量的度量（精度，回忆，F1）。
在研究中导航本体论，认识论和公理学
摘要摘要对研究范式的合理理解对于发展一致和哲学上的研究设计至关重要，尤其是在人文和社会科学方面。本文提供了最常见的研究范式的概述：实证主义，实证主义，建构主义，社会建构主义，解释性，实用主义和批判现实主义。这些范式在本体论的方法（现实的本质），认识论（知识的本质）和人工学（价值观在研究中的作用）有所不同。本文还讨论了这些范式的方法论和伦理意义。反思性和道德责任，研究人员必须考虑自己的偏见和价值观如何影响他们的工作。通过探索这些范式及其哲学基础，本文旨在帮助研究人员确定最能与他们对世界的看法保持一致的范式，最终使他们能够相干地设计在理性上是合理的，道德上知情的和实际上相关的。本文通过提供清晰，实用的研究范式指南，从而更深入地了解跨学科研究实践的哲学基础，从而有助于学术话语。