XiaoMi-AI文件搜索系统
World File Search SystemOntology
全基因组识别和分析胡椒（Capsicum annuum L.）中高度特定的CRISPR/CAS9编辑位点
摘要：在本文中，我认为弹片–Costa no-go-go theorem削弱了量子力学的基本本体论的观点的最后剩余可行性本质上是经典的：也就是说，物理现实是，物理现实是由现实的，相反的，在本地的范围内，属于本地的，属于斑点的属性，并确定斑点的属性，并确定斑点的属性，并确定斑点的属性，并确定了斑点的属性，并确定了物理现实，并确定了物理现实的属性，并确定了物理现实，并具有斑点的属性，并确定了物理现实的属性，并具有物理现实的态度。通常，“量子”行为是根据我们自己对这些实体的原理无知的函数而出现的。称这种观点爱因斯坦 - 贝尔现实主义。可以证明，解释量子理论的因果对称局部隐藏变量方法是爱因斯坦 - 贝尔现实主义的最自然解释，在这种情况下，因果对称性在避免传统无关定理的非分类后果中起着重要作用。但是，弹片和哥斯达黎加认为，诸如因果对称性等异国因果结构无法解释世界上非文化本体论特性导致的量子行为。这特别令人担忧的是爱因斯坦 - 贝尔现实主义和古典本体论。在第一个实例中，定理的明显后果是对爱因斯坦 - 贝尔现实主义的直接拒绝。但是，除此之外，我认为，即使有可能在因果对称框架内考虑上下文上的上下文变量，这种说法的成本也破坏了因果对称性的关键优势：接受因果关系对称性比拒绝经典的本体学更经济。无论哪种方式，似乎我们都应该放弃古典本体论。
Microsoft Word - Revision_Enriching the Functionally Graded Materials (FGM) Ontology_draft_NEIL_PASS.docx
摘要。近年来，功能梯度材料 (FGM) 已用于多种不同类型的应用，并引起了广泛的研究关注。然而，我们还没有一种普遍接受的方式来表示 FGM 的各个方面。缺乏标准化词汇会给提取与不同应用相关方面相关的有用信息造成障碍。需要一种标准资源来描述 FGM 的各种元素，包括现有应用、制造技术和材料特性。这促使我们在 2016 年创建了 FGM 本体 (FGMO)。在这里，我们介绍了 FGM 本体的修订和扩展版本，其中包括四个维度的丰富内容：(1) 记录最近的 FGM 应用；(2) 重新组织框架以纳入制造过程类型的更新表示；(3) 丰富本体的公理；(4) 从通用核心本体 (CCO) 和产品生命周期 (PLC) 本体导入中级本体。该工作是在工业本体铸造厂（IOF）的框架内开展的，本体符合基本形式本体（BFO）。
论狭义相对论中粒子质量与能量的本体论
可能会觉得，如果脱离广义相对论或更广泛的场论考虑，就无法充分理解能量-质量“等价性”。这种态度的表达见 Lehmkuhl (2011, p.454, n.1)。但有充分的理由认为，可以在狭义相对论粒子动力学的有限背景下以富有启发性的方式研究能量-质量关系，事实上，这种受限背景是探究能量与质量关系的合适起点。首先，爱因斯坦 (1905) 所阐述的质量与能量的最初关联完全基于狭义相对论粒子动力学。因此，存在一个简单的概念问题，即如何理解这种等价性，它早于任何广义相对论或场论考虑。爱因斯坦认为，质量和能量的同一性已经建立在相对简单的点粒子动力学相对论理论之上。其次，下文讨论的对公认观点提出的哲学挑战在广义相对论的更广泛背景下再次浮现。正如 Hoefer (2000) 所指出的，能量和质量的概念地位在该背景下更成问题。因此，从更简单的情况开始是一种很好的哲学方法，希望对狭义相对论粒子动力学的清晰理解可以指明理解更复杂背景的方向。这里提出的解释是否可以适当地扩展到包括广义相对论在内的经典领域，这是一个悬而未决的问题。
利用深度神经网络进行本体推理
进行逻辑推理的能力是人类智能行为的一个基本方面，因此也是实现人类水平的人工智能的一个重要问题。传统上，知识表示和推理领域的基于逻辑的符号方法已用于为代理配备类似于人类逻辑推理能力的能力。然而，最近，人们越来越有兴趣使用机器学习而不是基于逻辑的符号形式来解决这些任务。在本文中，我们采用最先进的方法来训练深度神经网络，以设计一种新模型，该模型能够学习如何以基本本体推理的形式有效地执行逻辑推理。这是一项重要且非常自然的逻辑推理任务，这就是为什么所提出的方法适用于大量重要的现实问题。我们展示了几个实验的结果，这些结果表明我们的模型能够在非常大、多样化且具有挑战性的基准上学习执行高精度的本体推理。此外，事实证明，所建议的方法较少受到基于逻辑的符号推理的各种障碍的影响，同时从生物学的角度来看，它是令人惊讶的合理。
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：
敌人的本体论：诺伯特·维纳和…… - noiserr
1940 年 9 月 20 日，数学家兼物理学家诺伯特·维纳 (Norbert Wiener) 写信给美国战争研究的领头人万尼瓦尔·布什 (Vannevar Bush)，信中写道：“我……希望您能找到一些我可以在紧急情况下派上用场的活动。”当时，英国正遭受着无情的空袭，纳粹入侵似乎迫在眉睫。维纳在各个学科领域都全力支持技术防御。他建议改进布什的计算设备，即所谓的微分分析仪，以便更快地设计从飞机机翼到弹道炮弹等战争物资。更具体地说，他重申了之前的一项提议，即盟军将装有液化乙烯、丙烷或乙炔气体的空爆容器发射到空中，将大片天空笼罩在爆炸中。
本体学习的观点 - CiteSeerX
让机器具备常识和特定领域的知识，使它们能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些研究开发了可以估算知识工程项目成本的方法 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域早期的研究集中于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并尝试通过引入所谓的本体学习层来系统地概述本体学习任务，这从那时起就受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见本卷中的 Lehmann 等人 [5] 和 Lisi [6]）。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。本体学习的问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体算法的结果转化为实际上反映领域概念化的本体可能比从头开始构建本体的成本更高。而本体学习算法从一组数据中学习的结果本质上反映了数据集的特性。因此，将本体的结果转化为
本体学习观点 - CiteSeerX
为机器配备常识和特定领域的知识，使其能够像人类一样理解某些问题领域，这一直是人工智能研究的主要目标，现在仍然是。在这种情况下，一个关键问题是，将所有相关知识编码成机器可以利用的自动推理、不一致性检测等方式的成本实际上有多高。虽然最近有一些关于开发方法的研究，使我们能够估算知识工程项目的成本 [12]，但可以合理地假设并非所有相关知识都可以手动编码。通过分析人类行为及其产生的数据来提取和发现知识的技术可以在这方面做出重要贡献。本体学习领域是 Alexander Mädche 和 Steffen Staab 于 2001 年创造的一个术语 [7]，它涉及从数据中得出相关本体知识的方法的开发。到目前为止，该领域已经进行了十多年的深入研究。该领域的早期研究侧重于将浅层方法应用于术语和概念提取以及层次和非层次关系提取 [7]。后来，在我的博士论文《从文本中进行本体学习和填充：算法、评估和应用》中，我将本体学习定义为从数据中获取领域模型，并试图通过介绍所谓的本体学习层蛋糕来系统地概述本体学习任务，此后该任务受到了广泛关注。近年来，一些研究人员试图提高从文本数据中学习到的本体的表达能力，特别是通过尝试提取更深层次的公理知识（例如参见 [13]、[14] 和 [4]）。本卷中也可以找到一些类似的贡献，例如旨在通过应用归纳技术学习 OWL 公理（参见Lehmann 等人本卷中的 [5] 和 Lisi [6]）。本体学习问题比预期的要困难得多。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。本体学习的问题比预想的要困难得多。因此，将本体算法的结果转化为实际反映领域概念化的本体，可能比从头开始构建本体的成本更高。在我看来，主要原因是本体总是反映概念化世界或给定领域的方式，而从一组数据中学习的本体学习算法的结果本质上反映了所讨论数据集的特性。因此，将本体的结果