XiaoMi-AI文件搜索系统
World File Search SystemPDDL
走向个性化药物治疗计划
个性化药物计划是制定药物给药计划的过程，该计划满足针对个体患者的一组特定医疗目标。计划过程必须考虑一般的健康安全限制、药物之间的有益或有害相互作用以及个体对药物反应的生理差异。最终的个性化药物计划定义了使用哪些药物、何时使用以及以什么剂量使用：太少则无效；太多则有毒。药物计划是一个复杂的过程，由医疗保健专业人员手动执行。其复杂性通常出现在减轻多种疾病患者的有害药物相互作用（Dawes 2010）或联合治疗中，即使用多种药物协同改善治疗效果，同时最大限度地减少副作用（Turan 等人 2019；Singh 等人 2020）。事实上，药物组合可以产生任何药物单独都无法达到的效果（von Maltzahn 等人 2011）。 Alaboud 和 Coles (2019) 介绍了一种有限的药物计划案例，其目标是在患者体内维持单一药物的水平。他们的工作使用 PDDL + (Fox 和 Long 2006) 来模拟药物的非线性效应，假设它遵循指数衰减曲线，由药物半衰期参数化（医学中的常见假设）。最近，我们描述了一种更一般的情况，其中计划过程考虑了多种药物、任意非线性效应以及药物和身体相互作用的生化特性；这些都是从患者安全和实现
走向个性化药物治疗计划
个性化药物计划是制定药物给药计划的过程，该计划满足针对个体患者的一组特定医疗目标。计划过程必须考虑一般的健康安全限制、药物之间的有益或有害相互作用以及个体对药物反应的生理差异。最终的个性化药物计划定义了使用哪些药物、何时使用以及以什么剂量使用：太少则无效；太多则有毒。药物计划是一个复杂的过程，由医疗保健专业人员手动执行。其复杂性通常出现在减轻多种疾病患者的有害药物相互作用（Dawes 2010）或联合治疗中，即使用多种药物协同改善治疗效果，同时最大限度地减少副作用（Turan 等人 2019；Singh 等人 2020）。事实上，药物组合可以产生任何药物单独都无法达到的效果（von Maltzahn 等人 2011）。 Alaboud 和 Coles (2019) 介绍了一种有限的药物计划案例，其目标是在患者体内维持单一药物的水平。他们的工作使用 PDDL + (Fox 和 Long 2006) 来模拟药物的非线性效应，假设它遵循指数衰减曲线，由药物半衰期参数化（医学中的常见假设）。最近，我们描述了一种更一般的情况，其中计划过程考虑了多种药物、任意非线性效应以及药物和身体相互作用的生化特性；这些都是从患者安全和实现
Jasmine Rimani、Charles Lesire、Stéphanie Lizy-Destrez、Nicole Viola。MBSE 在 HDDL 中建模分层 AI 规划问题的应用。ICAPS 2021，2021 年 8 月，虚拟活动，中国。第 0 页。�hal-03434905�
分层 AI 规划的最新改进为不同专业领域的新应用开辟了道路。一个存在大胆而复杂的规划和调度问题的领域是空间探索系统操作的定义。对于这种特定的应用，分层定义域语言 (HDDL) 可能是最合适的 AI 规划语言。然而，为 HDDL 设计和编写问题和域文件是一项复杂的任务。它们需要熟练的设计师来编写和检查语法的一致性。此外，共享和修改 HDDL 文件可能是一项复杂的任务，并且可能缺乏修改的可追溯性，从而使整个过程容易出错。另一方面，大多数空间系统工程师（空间系统操作概念的架构师）几乎从未在大学课程中学习过 HDDL 和 PDDL 等规划语言。本文提出的工作有助于填补太空操作工程师与 AI 规划潜力之间的空白，以解决应用于太空探索系统的规划和调度问题。HDDL 的典型问题和域文件是从 SysML 的形式化构建的，SysML 是一种用于系统工程的通用架构建模语言。SysML 被有效地用作基于模型的系统工程 (MBSE) 中的建模语言，以研究和设计太空任务的任务架构。所提出的方法应用于模拟空间机器人任务，其中协作无人机和探测车需要探索未知环境。该方法的最终目的是将“人类知识”转移到规划问题中，并展示 MBSE 应用于 AI 规划问题的知识工程 (KE) 的能力。
![arxiv：2407.16928v2 [cs.cr] 2024年12月31日](/simg/g:\will\search\icon\source\8\86eac3ad6bbce5b61e71a23f0e90f56f2598fb7a.webp)
arxiv：2407.16928v2 [cs.cr] 2024年12月31日
摘要 - 对抗动力学是网络空间中犯罪和防御性质的内在性，攻击者和后卫都在不断发展其技术。鉴于可用的各种安全产品，用户在选择最有效的解决方案时经常面临挑战。更重要的是，基于单点攻击的传统基准越来越不足，无法准确反映全部攻击者能力，并且在正确评估防御产品的有效性方面缺乏。自动多阶段攻击模拟提供了一种有希望的方法来提高系统评估效率并有助于分析检测系统的有效性。但是，模拟完整的攻击链很复杂，需要安全专业人员的大量时间和专业知识，面临着几个挑战，包括攻击技术的覆盖有限，高水平的要求专业知识以及缺乏执行细节。在本文中，我们将自动攻击模拟建模为计划问题。通过使用规划域定义语言（PDDL）正式描述攻击模拟问题，并结合了问题和域空间的域知识，我们可以通过标准化的，无独立的计划算法来计划攻击路径。我们探讨了大语言模型（LLMS）的潜力，以总结和分析现有攻击文档和报告中的知识，从而促进自动攻击计划。我们介绍了一个Urora，该系统自动模拟了基于外部攻击工具和威胁情报报告的完整攻击链。我们使用300多个模拟的网络攻击评估了Urora，这表明其自动构建多步攻击计划的能力在正确性和完整性方面具有较高的质量。根据我们的用户研究，与手动攻击结构相比，Urora将使用的时间减少了90％。与以前的工作相比，Urora结合了更广泛的攻击动作。为了支持进一步的研究，我们将开源数据集，其中包括所有构建攻击链的执行文件。
使用大语言模型
符号任务计划是一种广泛使用的方法来强制机器人自主权，因为它易于理解和部署工程机器人体系结构。然而，符号任务计划的技术很难在现实世界中进行扩展，高度动态的人类机器人协作场景，因为在计划域中的性能不佳，在计划领域的效果不佳，在这种情况下可能不会立即进行效应，或者由于机器人工作空间中的情况而发生了频繁的重新计划。长期，计划长度和计划时间的计划有效性可能会阻碍机器人的效率，并对整体人类机器人互动的影响产生负面影响。我们提出了一个框架，我们将其称为Teriyaki，旨在弥合符号任务计划和机器学习方法之间的差距。基本原理是培训大型语言模型（LLM），即GPT-3，将与计划域定义语言（PDDL）兼容的神经成像任务计划师，然后利用其生成能力克服象征性任务计划固有的许多限制。潜在的好处包括（i）在计划领域的复杂性增加的情况下，可以更好地可伸缩性，因为LLMS的响应时间与输入和输出的总长度线性扩展，而不是超线性，而不是像符号任务计划者那样超线性，而在符号任务计划中，以及（ii）的行动，而不是依次实现行动，而不是依次进行动作，那么就可以实现行动，而不是依次进行动作，而不是依次实现。为了使整个计划可用，这又可以同时进行计划和执行。在过去的一年中，研究界致力于评估LLMS的整体认知能力，并取得了替代成功。取而代之的是，使用Teriyaki，我们的目标是提供与特定计划域中传统规划师相当的整体计划绩效，同时利用其他指标的LLMS功能，特别是与其短期和中期生成能力相关的指标，这些能力用于建立一个构建观察性预测性计划模型。选定域中的初步结果表明我们的方法可以：（i）在1,000个样本的测试数据集中解决95.5％的问题； （ii）与传统象征计划者相比，生产计划短多达13.5％； （iii）将计划可用性的总体等待时间减少高达61.4％。
计划保持健康：采取个性化药物计划
个性化药物计划是制定符合特定医疗目标的药物管理计划的过程。规划过程必须考虑一般的健康安全限制，药物之间有用或有害的侵蚀以及对药物反应的个人生理差异。由此产生的个性化药物计划定义了服用哪些药物，何时和以什么剂量为例：无效的剂量太少；太多是有毒的。可以通过结合药代动力学和药物模型来估计患者体内医学管理的行为。药代动力学模型[17，21]描述了体内药物的时间变化的生物分布（浓度）。药效学模型[15，45]描述了该药物在体内各种生化特性上的效果。换句话说，药代动力学模型评估了整个体内特定时间点存在多少药物，而药物动态模型则描述了药物对人体的作用。药物计划是一个复杂的过程，由医疗保健专业人员手动执行。在减轻多种疾病患者或联合疗法的患者中，通常会遇到其复杂性，在减轻有害药物相互作用中，在这种情况下，多种药物用于协同改善治疗作用，同时微型副作用[39，41]。的确，药物的组合可以使任何药物无法单独实现的影响都可以融合[42]。 最近，Alon等。 但是，他们的确，药物的组合可以使任何药物无法单独实现的影响都可以融合[42]。最近，Alon等。但是，他们Alaboud和Coles [3]提出了一个受限制的药物计划案例，其目标是在患者体内维持单一药物的水平。他们的工作使用PDDL + [16]来对药物的非线性效应进行建模，假设它遵循指数衰减曲线，该曲线由药物半衰期（医学中常见的药物模型）参数化。[4]描述了一个更一般的情况，在这种情况下，计划过程考虑了多种药物，任意非线性效应以及药物和身体的相互作用生化特性；这些在患者安全和医疗目标实现方面被认为。