XiaoMi-AI文件搜索系统
World File Search SystemPARSER
![arXiv:2206.13217v1 [cs.CL] 2022 年 6 月 27 日](/simg/6\6dd41586dfdbe9d865c0331641d242ed17d511f8.webp)
arXiv:2206.13217v1 [cs.CL] 2022 年 6 月 27 日
大脑是如何产生语言的？尽管人们普遍认为语言是通过大脑分子、神经元和突触的活动产生的，但过去几十年来，在寻找语言的神经基础方面进展极其缓慢，即导致语言产生和理解的精确生物学结构和过程，请参阅 Friederici (2017) 对语言器官理论的一个主要方向的出色概述。在这个方向的最新进展中，一个英语解析器被实现在被称为汇编演算 (AC) (Papadimitriou 等人，2020) 的计算系统中 (Mitropolsky 等人，2021)，这是一个用于实现认知功能的生物学上合理的计算框架。 AC 的基本数据结构是神经元的集合，一大组神经元代表一个想法、物体、情节、单词等。第 2.1 节给出了 AC 及其类似大脑的执行环境的简要描述。
附录
对于所有实验，源解析器都是一个神经 PCFG [64]，具有 20 个非终结符和 20 个前终结符。所有实验共享的其他模型设置包括：（1）Adam 优化器，学习率 = 0.0005、β1 = 0.75、β2 = 0.999，（2）梯度范数剪裁为 3，（3）L2 惩罚（即权重衰减）为 10-5，（4）Xavier Glorot 均匀初始化，以及（5）训练 15 个 epoch，并在验证集上提前停止（大多数模型在 15 个 epoch 之前就收敛得很好）。SCAN 和风格迁移数据集的批次大小为 4，机器翻译数据集的批次大小为 32。由于内存限制，在实践中我们使用批次大小 1，并通过梯度累积模拟更大的批次大小。我们观察到训练有些不稳定，一些数据集（例如 SCAN 和机器翻译）需要使用 4 到 6 个随机种子进行训练才能表现良好。一般来说，我们发现过度参数化语法和使用比必要更多的非终结符是可以的 [13]。
使用实时自动识别系统 (AIS) 数据进行扩展卡尔曼滤波器设计和船舶运动预测
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据由全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收编码的 ASCII 字符信号。因此，必须使用解析器解码 AIS 语句以获取实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要功能。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明了估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引词——卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面舰艇、船舶
扩展卡尔曼滤波器设计及船舶运动预测...
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据从全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收信号作为编码的 ASCII 字符。因此，必须使用解析器解码 AIS 语句以获得实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要特征。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引术语 — 卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面航行器、船舶
对话式人工智能的增量式基于图的语义和推理
下一代对话式 AI 系统需要：（1）逐步处理语言，逐个标记，以提高响应速度，并能够处理对话现象，例如暂停、重新开始和自我更正；（2）逐步推理，允许建立超出所说内容的意义；（3）透明且可控，允许设计人员和系统本身轻松确定特定行为的原因并针对特定用户组或领域进行定制。在这篇短文中，我们介绍了正在进行的初步工作，将动态语法（DS） - 一种增量语义语法框架 - 与资源描述框架（RDF）相结合。这为创建增量语义解析器铺平了道路，该解析器在话语展开时逐步输出语义 RDF 图。我们还概述了如何通过 RDF 将解析器与增量推理引擎集成。我们认为，这种 DS - RDF 混合体满足了上面列出的要求，产生了可用于构建响应式、实时、可解释的会话式 AI 的语义基础设施，可以针对特定用户群体（例如痴呆症患者）快速定制。
IJACSIT 第 03 卷 - ELVEDIT.COM
电子营销工具的品牌建设与提升模型：实际意义 Tadas Limba、Gintarė Gulevičiūtė、Virginija Jurkutė 135-155 多项目环境中调度的约束编程方法 Marcin Relich 156-171 资本主义经济的反危机管理工具 Alexander A. Antonov 172-190 电子商务定性标准应用模型：实际实施的观点 Tadas Limba、Gintarė Gulevičiūtė 191-213 用于多解释用例的 UML 配置文件 Mira Abboud、Hala Naja、Mohamad Dbouk、Bilal El Haj Ali 214-226 用于模拟植物组织培养实验的支持网格的应用程序 Florence I. Akaneme、Collins N. Udanor、Jane Nwachukwu、 Chibuike Ugwuoke，Carl .EA Okezie，Benjamin Ogwo 227-242 聚类进化计算用于解决旅行商问题 Tanasanee Phienthrakul 243-262 代理驱动的移动学习应用 Collins N. Udanor，OU Oparaku 263-272 在 Web 服务发现中使用多个相似性标准的演变 Hassan Azizi Darounkolaei，Seyed Yaser Bozorgi Rad 273-281 软件教育中的多方面任务：递归解析器案例 Evgeny Pyshkin 282-305 使用 SVM 方法作为基本分类器的结构化流数据挖掘 Hadi Barani Baravati，Javad Hosseinkhani，Solmaz Keikhaee，Abbas Shahsavari 306-316
基于扩散概率模型的医学图像分割
扩散概率模型 (DPM) 近期成为计算机视觉领域最热门的话题之一。其图像生成应用（如 Imagen、潜在扩散模型和稳定扩散）已展示出令人印象深刻的生成能力，引发了社区的广泛讨论。此外，许多近期研究发现 DPM 可用于多种其他视觉任务，包括图像去模糊、超分辨率和异常检测。受 DPM 成功的启发，我们提出了 MedSegDiff，这是第一个基于 DPM 的用于一般医学图像分割任务的模型。为了增强用于医学图像分割的 DPM 中的逐步区域注意力，我们提出了动态条件编码，它为每个采样步骤建立状态自适应条件。此外，我们提出了特征频率解析器 (FF-Parser) 来消除此过程中高频噪声成分的负面影响。我们在三种不同图像模态的医学分割任务上验证了 MedSegDiff 的有效性，包括眼底图像上的视杯分割、MRI 图像上的脑肿瘤分割和超声图像上的甲状腺结节分割。我们的实验结果表明，MedSegDiff 的表现比最先进的 (SOTA) 方法有相当大的性能差距，证明了所提模型的泛化和有效性。关键词：扩散概率模型、医学图像分割、脑肿瘤、视杯、甲状腺结节
IJACSIT 第 03 卷 - ELVEDIT.COM
电子营销工具的品牌建设与提升模型：实际意义 Tadas Limba, Gintarė Gulevičiūtė, Virginija Jurkutė 135-155 多项目环境下的调度约束编程方法 Marcin Relich 156-171 资本主义经济的反危机管理工具 Alexander A. Antonov 172-190 电子商务定性标准应用模型：实际实施的视角 Tadas Limba, Gintarė Gulevičiūtė 191-213 用例多解释的 UML 配置文件 Mira Abboud, Hala Naja, Mohamad Dbouk, Bilal El Haj Ali 214-226 用于模拟植物组织培养实验的网格应用程序 Florence I. Akaneme, Collins N. Udanor, Jane Nwachukwu、Chibuike Ugwuoke、Carl .E.A Okezie、Benjamin Ogwo 227-242 聚类进化计算用于解决旅行商问题 Tanasanee Phienthrakul 243-262 代理驱动的移动学习应用 Collins N. Udanor、O.U. Oparaku 263-272 在 Web 服务发现中使用多个相似性标准的演变 Hassan Azizi Darounkolaei、Seyed Yaser Bozorgi Rad 273-281 软件教育中的多方面任务：递归解析器案例 Evgeny Pyshkin 282-305 使用 SVM 方法作为基本分类器的结构化流数据挖掘 Hadi Barani Baravati、Javad Hosseinkhani、Solmaz Keikhaee、Abbas Shahsavari 306-316
在细菌纳米孔测序数据中发现甲基化的DNA基序
抽象细菌DNA甲基化参与了各种细胞功能，从基因表达的调节，DNA修复和限制性化系统来防御病毒和其他异物DNA。甲基分析确定细菌染色体中甲基化的位点，揭示了可能由天然限制酶靶向的基序。因此，对这些基序的识别对于使生物体具有遗传诱因至关重要，其中模仿大肠杆菌中的甲基甲基模式允许保护质粒DNA免受目标生物体的限制，因此可以极大地提高转化效率。 牛津纳米孔技术（ONT）测序可以在测序过程中检测甲基化的碱基，但是需要软件来识别数据中相应的甲基化基序。 在这里，我们开发了Mijamp（Mijamp只是一个甲基床解析器），该软件包是为了从ONT的Modkit的输出或甲基床格式中的其他数据中发现甲基化基序而开发的软件包。 Mijamp采用了人为驱动的改进策略，从经验上验证了针对全基因组甲基化数据的所有基序，从而消除了错误，未解释或过度解释的基序。 Mijamp还可以在特定的，用户定义的主题上报告甲基化数据。 使用Mijamp，我们确定了对照菌株（野生型大肠杆菌）和picosynecococcus sp中的甲基化基序。 菌株PCC7002，为改善该生物体转化的基础奠定了基础。 Mijamp可从https://code.ornl.gov/alexander-public/mijamp/获得。对这些基序的识别对于使生物体具有遗传诱因至关重要，其中模仿大肠杆菌中的甲基甲基模式允许保护质粒DNA免受目标生物体的限制，因此可以极大地提高转化效率。牛津纳米孔技术（ONT）测序可以在测序过程中检测甲基化的碱基，但是需要软件来识别数据中相应的甲基化基序。在这里，我们开发了Mijamp（Mijamp只是一个甲基床解析器），该软件包是为了从ONT的Modkit的输出或甲基床格式中的其他数据中发现甲基化基序而开发的软件包。Mijamp采用了人为驱动的改进策略，从经验上验证了针对全基因组甲基化数据的所有基序，从而消除了错误，未解释或过度解释的基序。Mijamp还可以在特定的，用户定义的主题上报告甲基化数据。使用Mijamp，我们确定了对照菌株（野生型大肠杆菌）和picosynecococcus sp中的甲基化基序。菌株PCC7002，为改善该生物体转化的基础奠定了基础。Mijamp可从https://code.ornl.gov/alexander-public/mijamp/获得。
在细菌纳米孔测序数据中发现甲基化的DNA基序
抽象细菌DNA甲基化参与了各种细胞功能，从基因表达的调节，DNA修复和限制性化系统来防御病毒和其他异物DNA。甲基分析确定细菌染色体中甲基化的位点，揭示了可能由天然限制酶靶向的基序。因此，对这些基序的识别对于使生物体具有遗传诱因至关重要，其中模仿大肠杆菌中的甲基甲基模式允许保护质粒DNA免受目标生物体的限制，因此可以极大地提高转化效率。 牛津纳米孔技术（ONT）测序可以在测序过程中检测甲基化的碱基，但是需要软件来识别数据中相应的甲基化基序。 在这里，我们开发了Mijamp（Mijamp只是一个甲基床解析器），该软件包是为了从ONT的Modkit的输出或甲基床格式中的其他数据中发现甲基化基序而开发的软件包。 Mijamp采用了人为驱动的改进策略，从经验上验证了针对全基因组甲基化数据的所有基序，从而消除了错误，未解释或过度解释的基序。 Mijamp还可以在特定的，用户定义的主题上报告甲基化数据。 使用Mijamp，我们确定了对照菌株（野生型大肠杆菌）和picosynecococcus sp中的甲基化基序。 菌株PCC7002，为改善该生物体转化的基础奠定了基础。 Mijamp可从https://code.ornl.gov/5g6/mijamp/获得。对这些基序的识别对于使生物体具有遗传诱因至关重要，其中模仿大肠杆菌中的甲基甲基模式允许保护质粒DNA免受目标生物体的限制，因此可以极大地提高转化效率。牛津纳米孔技术（ONT）测序可以在测序过程中检测甲基化的碱基，但是需要软件来识别数据中相应的甲基化基序。在这里，我们开发了Mijamp（Mijamp只是一个甲基床解析器），该软件包是为了从ONT的Modkit的输出或甲基床格式中的其他数据中发现甲基化基序而开发的软件包。Mijamp采用了人为驱动的改进策略，从经验上验证了针对全基因组甲基化数据的所有基序，从而消除了错误，未解释或过度解释的基序。Mijamp还可以在特定的，用户定义的主题上报告甲基化数据。使用Mijamp，我们确定了对照菌株（野生型大肠杆菌）和picosynecococcus sp中的甲基化基序。菌株PCC7002，为改善该生物体转化的基础奠定了基础。Mijamp可从https://code.ornl.gov/5g6/mijamp/获得。