XiaoMi-AI文件搜索系统
World File Search SystemRetrieval
概念化机器学习，用于动态信息检索电子健康记录笔记
大量的时间临床医生花费在患者笔记中进行筛选，并记录了电子健康记录（EHRS）是临床医生倦怠的主要原因。通过在文档过程中积极，动态地检索相关注释，我们可以减少找到相关患者病史所需的努力。在这项工作中，我们将EHR审核日志的使用概念化为机器学习作为在特定时间点特定临床背景下的注释相关性的来源。我们的评估重点是急诊科的动态检索，这是一个具有独特信息检索和笔记写作模式的高敏度设置。我们表明，我们的方法可以达到0.963的AUC，以预测在单个笔记写作会话中将阅读哪些注释。我们还与几位临床医生进行了用户研究，发现我们的框架可以帮助临床医生更有效地检索相关信息。证明我们的框架和方法可以在这种苛刻的环境中表现良好，这是一个有希望的概念证明，它们将转化为其他临床环境和数据方式（例如，实验室，药物，成像）。
TOPH（蛋白质同源物的真实检索）：采用对比问答框架进行蛋白质搜索
另一方面，生物学仍然主要使用传统工具。BLAST 和隐马尔可夫模型在搜索大型蛋白质序列数据库方面有着悠久的使用历史，这些数据库通过残基重叠和基于比对的特征进行评分。基于结构的方法，例如 DALI ( Holm ，2020 ) 和 TM-align ( Zhang & Skolnick ，2005 ) 长期以来一直具有更高的灵敏度来查找远程同源物，但由于其速度和可用蛋白质结构的数量而难以获得更广泛的采用。随着 AlphaFold2 ( Jumper et al. ，2021 ) 等精确蛋白质结构预测方法的出现，使用以前的工具搜索同源结构已变得几乎站不住脚。基于深度学习的方法，例如 Foldseek（van Kempen 等人，2023 年）、TM-vec（Hamamsy 等人，2022 年）、SMAMPNN（Trinquier 等人，2022 年）、Progres（Greener & Jamali，2022 年）一直试图弥补这一差距，但尚无法与 DALI 的灵敏度或序列搜索的速度相媲美（Steinegger & S¨oding，2017 年）。
如何引用本文 Hamed E, Sharif A, Eid A, et al. (2023 年 7 月 15 日) 推进人工智能用于临床知识检索：案例
我们的两步方法采用了两个提示来收集和汇编本研究的信息。首先，我们进行了数据检索过程，重点关注有关管理 DKA 的五个基本问题：诊断标准、风险因素、体征和症状、调查和治疗。我们使用“Link Reader”插件检索相关内容，将每个问题引导至特定指南，并通过提供的 URL 检索信息。ChatGPT-4 在第一个提示期间从指定来源检索单个问题的答案，优先考虑准确性、真实性和适当的引用。为每个问题收集三个答复后，我们进入第二步，根据指定的指南检查答案的准确性。每个指南一次一个问题，这种循序渐进的方法确保了清晰的信息来源并有助于检查答案的准确性。
DTI 通知：230419-01 主题：军事记录检索...
DTI 通知：230419-01 主题：军事记录检索过渡影响：退休和退役空军成员 BLUF：军事记录检索功能现已在 myFSS 上可用。已在 myPers 中提交的事件将继续在 myPers 中处理。从即日起，退休和退役空军成员应使用 myFSS 提交军事记录检索请求。通过 myPers 提交的事件将不再被接受，需要通过 myFSS 提交。myPers 中的先前事件将被处理。请不要通过 myFSS 提交重复请求。要在 myFSS 中提交新请求，请导航至 myFSS 登录页面，然后在位于页面顶部的知识文章搜索栏中输入知识文章的标题：
3D模型检索算法基于注意力和多...
随着计算机视觉的快速发展，3D数据正在迅速增加。如何从大量模型中检索类似模型已成为一个热门研究主题。但是，为了满足人们的需求，需要进一步提高检索准确性。在多视图3D模型检索方面，如何有效地学习视图之间的信息是提高性能的关键。在本文中，我们提出了一种基于注意力和多视图融合的新型3D模型检索算法。具体来说，我们主要构建了两个模块。首先，动态的专注图学习模块用于学习视图块之间的内在关系；然后，我们提出了注意力网络算法，该算法结合了通道注意算法和NetVlad算法。，它根据特征通道之间的信息来学习特征通道之间的信息，以增强特征表达能力，然后使用NetVlad算法根据聚类信息将多个视图功能融合到全局特征中。本质上，全局特征是根据欧几里得距离来检索的模型的唯一功能。与使用ModelNet10和ModelNet40的其他最新方法相比，该方法证明了检索图的显着改善。我们的实验还证明了模块在算法中的有效性。
SCL-RAI：基于跨度的对比学习与检索增强推理，用于 NER 中未标记实体问题
命名实体识别是自然语言处理中的一项基本任务，旨在对文本中的命名实体进行定位和分类。由于大规模且经过良好注释的数据集，基于深度学习的方法（Li et al.，2022b；Devlin et al.，2019）取得了巨大成功。然而，在具有 112 个细粒度命名实体标签的真实数据集（如 Ling 和 Weld（2012））中，大量的实体类别可能会导致不可避免的注释缺失。此外，在实际场景中，为了获得大型 NER 数据集，远程监督方法（Ren et al.，2015；Fries et al.，2017）可能会使这个问题更加严重，因为实体词典无法覆盖所有实体。前人的研究（Li et al.，2021；Shang et al.，2018）发现这个问题严重阻碍了NER模型的性能，并将这个问题命名为无标记实体问题。如图1所示，未标记的第二个“NBA”可能会混淆模型并引入不必要的噪音。为了解决这个问题，人们从不同的角度提出了几种尝试。受到启发
使用加固学习的手术期转变
摘要。在微创手术中，视频分析的手术工作流程分割是一个经过深入研究的主题。传统的AP-PRACH将其定义为多类分类问题，其中各个视频帧被归因于手术期标签。我们引入了一种新颖的加固学习公式，以用于离线相过渡检索。我们没有试图对每个视频框架进行分类，而是确定每个相变的时间框架。通过构造，我们的模型不会产生虚假和嘈杂的相变，而是连续的相位块。我们研究了该模型的两种不同配置。第一个不需要在视频中处理所有框架（在2个不同的应用程序中仅<60％和<20％的帧），而在最先进的准确性下略微产生结果。第二个配置处理所有视频帧，并以可比的计算成本优于最先进的框架。我们将方法与公共数据集Cholec80上的最近基于框架的最高框架方法Tecno和Trans-Svnet进行了比较，也将腹腔镜sapocococopopopopopopopopopopexy的内部数据集进行了比较。我们同时执行基于帧的（准确性，精度，重新调用和F1得分），也可以对我们的算法进行基于事件的（事件比率）评估。
ALADIN 机载检索改进...
(b)使用 Mie ACCD 探测器（蓝色条）测量的示例性信号分布和通过 FI 传输的信号的 Lorentzian 拟合，用于确定 Mie 条纹质心位置 m。 （c）用瑞利 ACCD 探测器测得的示例性信号分布（绿色条）和通过两个 FPI 传输的信号的高斯拟合（A：粉色，B：橙色）用于确定瑞利点位置 r A 和 r B 。 div>