XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
VISE：知识图完整性的验证和无效的符号解释
抽象知识图（kgs）自然能够捕获数据和知识的收敛性，从而使它们成为高度表达的框架，用于以连贯和互连的方式描述和集成异质数据。然而，基于开放世界假设（OWA），kgs中没有信息并不表示虚假或不存在；它仅反映了不完整。使用数值或符号学习模型，基于KG中现有的事实陈述来预测基于现有的事实陈述的新关系。最近，知识图嵌入（KGE）和符号学习在各种下游任务（包括链接预测（LP））中受到了相当大的关注。LP技术采用实体及其关系的潜在矢量代表来推断缺失的链接。此外，随着KGS产生的数据数量的不断增加，进行额外质量评估和验证工作的必要性变得更加明显。尽管如此，最新的kg完成方法在产生预测的同时未能考虑质量约束，从而导致建立有错误关系的kg。在医疗保健决策的背景下，准确的数据和见解的产生至关重要，包括诊断过程，治疗策略的制定以及实施预防措施。我们提出了一种混合方法，即Vise，该方法采用了符号学习，约束验证和数值学习技术的整合。Vise利用KGE捕获隐式知识并表示kg中的否定，从而增强了数值模型的预测性能。我们的实验结果证明了这种混合策略的有效性，该策略结合了符号，数值和约束验证范式的优势。VISE实施是在GitHub（https://github.com/sdm-tib/vise）上公开访问的。
使用惩罚最小二乘>的符号回归中的形状约束
摘要。我们研究了形状约束（SC）的添加及其在符号识别步骤（SR）的参数识别步骤中的考虑。sc是一种将有关未知模型函数形状的先验知识引入SR的手段。与以前在SR中探索过SC的工作不同，我们建议在使用基于梯度的NU-MERIMILICE优化的参数识别期间最大程度地减少SC违规行为。我们测试了三种算法变体，以评估其在识别合成生成数据集的三个符号表达式时的性能。本文研究了两种基准方案：一个具有不同噪声水平的基准，另一个具有不同的培训数据。结果表明，当数据稀缺时，将SC纳入表达搜索特别有益。与仅在选择过程中使用SC相比，我们在参数识别期间最小化违规行为的方法在我们的某些测试用例中显示出具有统计学意义的好处，在任何情况下都没有明显更糟。
CHOPOFF：符号比对可实现快速灵敏的 CRISPR 脱靶检测
然而，尽管 CRISPR/Cas 技术具有革命性的地位，但它也存在明显的局限性和缺陷。CRISPR/Cas 最重要的限制是可能出现脱靶编辑，即 CRISPR/Cas 在非预期的位置切割 DNA。这种脱靶（OT）编辑会扭曲功能实验的解释，引入噪音和变异性，从而降低实验结果和功能性结论的可靠性。重要的是，OT 活性在 CRISPR 的治疗应用中尤其危险，在这种情况下，即使非常低频率的 OT 编辑也可能产生极其灾难性的后果 2,3 。为了应对这一挑战，该领域的许多努力都集中在改进 guideRNA（gRNA）设计以确保靶标特异性 4 和设计具有更高保真度的 Cas 变体 5 。同时，测量 OT 效应的方法，例如 GUIDE-seq 6 、CIRCLE-seq 7 和 SITE-seq 8 ，也有助于提高我们量化和合理化 OT 编辑的能力。此外，预测 OT 的能力对于该领域来说越来越重要，从而导致开发出各种用于预测 OT 位点的计算方法。
AI Feynman 2.0：利用图形模块化的帕累托最优符号回归
符号回归之所以很难，是因为符号表达式的组合空间呈指数级增长。传统上，它依赖于人类的直觉，从而发现了一些最著名的科学公式。最近，在完全自动化该过程方面取得了巨大进展 [6-26]，现在已有开源软件可以通过将神经网络与受物理学和信息论启发的技术相结合来发现相当复杂的物理方程 [25]。尽管 [25] 使用未知函数的神经网络近似来发现简化函数属性，取得了最先进的性能，但它是以一种非原则性和临时性的方式实现的，我们用一种通用的、有原则的、更有效的方法取而代之，该方法包含四个主要贡献：
用肌肉制成的狂犬病病毒G蛋白mRNA的免疫原性
尽管具有革命性的地位，但CRISPR/CAS技术确实具有明显的局限性和负债。CRISPR/CAS的最重要局限性是进行脱离目标编辑的潜力，因此CRISPR/CAS在意想不到的位置削减了DNA。这种脱离目标（OT）编辑可以扭曲功能实验的解释并引入噪声和可变性，从而降低实验结果和功能结论的可靠性。重要的是，在CRISPR的治疗应用中，OT活性尤其危险，即使频率非常低的OT编辑也可能具有深刻的灾难性结果2,3。为了应对这一挑战，该领域的许多努力都致力于改进Guiderna（GRNA）设计，以确保目标特异性4和工程CAS变体具有改善的忠诚度5。同时，测量OT效应的方法，例如指南seq 6，圆形序列7和site-seq 8，也有助于提高我们量化和合理化OT编辑的能力。此外，预测OT的能力对该领域的重要性提高，从而导致开发了多种用于预测OT位点的计算方法。
自动编程，符号计算，机器学习：我的个人观点
摘要在本说明中，我对三个领域的自动编程，符号计算和机器学习的相互作用介绍了我的个人观点。编程是为给定问题找到（希望）正确的程序（算法）的活动。编程在所有领域都是自动化的核心，被认为是最具创造力的人类活动之一。但是，在编程历史上已经很早就开始“跳到编程的元级别”，即开始开发自动化或半自动化的程序，即编程过程。该区域具有各种名称，例如“自动编程”，“自动化算法合成”等。开发编译器可以被认为是自动编程中问题的早期示例。自动推理者证明针对规范的程序的正确性是自动编程中主题的一个高级示例。自然语言中问题规范中生产（令人惊讶的好）程序是自动编程的最新示例。随着技术成熟程度的提高，编程倾向于成为最重要的活动。因此，自动化编程可能是ThemostExcitingandRelevantTechnologiceEndeAvortoDay.italsowillhaveenormousact在软件行业的全球就业市场上。大致看到自动编程的两种主要方法：
中立面符号回归：利用大型语言模型进行功能发现
艺术符号回归状态（SR）当前构建专业模型，而大语模型（LLMS）的应用仍未得到探索。在这项工作中，我们介绍了将LLMS用于SR任务的第一个综合框架。我们提出了一种SR方法，它提出了一种SR方法，该方法迭代地改善了具有LLM的功能形式，并使用外部光学器来终止其系数。ICSR利用LLMS的强数学先验，同时提出一组可能的功能，并根据其误差来完善它们。我们的发现表明，LLMS能够成功找到适合给定数据，匹配或超越四个流行基准的最佳SR基线的整体性能的符号方程，同时产生了更简单的方程，同时又能提供更好的分布概括。
A. Newell 和 HA Simon 对符号人工智能的贡献
A. Newell 和 HA Simon 是 20 世纪 50 年代末至 90 年代初新兴人工智能 (AI) 领域最具影响力的两位科学家。本文回顾了他们对该领域，即符号 AI 的重要贡献。他们的贡献主要在于他们寻求在人工智能或推理产品中实现通用智能和（常识）知识，这是他们与许多其他科学家共同开展的项目，但在他们看来，该项目在理论上基于符号系统的特殊概念及其产生的表征能力，特别是在知识方面。本文重点关注 1956 年至 1982 年期间，引用了早期和晚期文献，并试图揭示它们与当今最大的统一 AI 挑战的潜在相关性，即设计完全自主的人工智能代理（又称机器人），这些代理不仅理性且合乎道德，而且具有自我意识。
使用矢量符号架构高效编排 Node-RED IoT 工作流
许多工作流系统跨越多个科学领域和环境，对于物联网 (IoT)，Node-RED 提供了一个有吸引力的基于 Web 的用户界面来执行基于 IoT 服务的工作流。但是，与大多数工作流系统一样，它集中协调工作流，无法在节点移动的更短暂的环境中运行。为了解决这一差距，我们展示了如何将 Node-RED 工作流迁移到分散的执行环境中以在移动自组织网络上运行，并且我们通过将基于 Node-RED 的交通拥堵检测工作流转换为在分散环境中运行来演示这一点。该方法使用向量符号架构 (VSA) 将 Node-Red 应用程序动态转换为紧凑的语义向量表示，该表示对服务接口及其嵌入的工作流进行编码。通过扩展现有的服务接口，使用可以解释和交换向量的简单认知层，我们展示了如何以完全分散的方式动态发现所需的服务并将其互连到所需的工作流中。由此产生的系统提供了一个方便的环境，其中可以使用 Node-RED 前端图形组合工具来协调分散的工作流。在本文中，我们进一步扩展了这项工作，引入了一种新的动态 VSA 向量压缩方案，该方案可压缩用于在线通信的向量，从而减少通信带宽，同时保持语义信息内容。该算法利用符号向量的全息特性进行压缩，同时考虑组合向量的数量以及确定与同一上下文中使用的其他编码向量冲突的相似性界限。由此产生的节省使这种方法对于基于服务的分散式工作流中的发现极为有效。© 2020 由 Elsevier BV 出版
通过大语言模型的测试时间缩放生成符号世界模型
解决复杂的计划问题需要大型语言模型（LLMS）明确对状态过渡进行建模，以避免规则违规，遵守限制并确保操作性 - 这是由自然语言固有的歧义所阻碍的任务。为了克服这种歧义，规划域定义语言（PDDL）被杠杆化为一种计划，以实现精确和正式的状态描述。使用PDDL，我们可以生成一个象征性的世界模型，其中经典的搜索算法（例如A ∗）可以无缝地找到最佳计划。但是，由于缺乏PDDL培训数据，直接生成具有当前LLM的PDDL域仍然是一个开放的挑战。为了应对这一挑战，我们建议扩大LLMS的测试时间计算以增强其PDDL推理功能，从而使高质量的PDDL域的产生。具体来说，我们引入了一种简单而有效的算法，该算法首先采用了最佳的N采样方法来提高初始解决方案的质量，然后通过口头化的机器学习以细粒度的方式优化解决方案。我们的方法在PDDL域的产生中大大优于O1-Mini，在两个任务上达到了超过50％的成功率（即，从自然语言描述或PDDL问题中生成PDDL域）。这是在不需要额外培训的情况下完成的。通过利用PDDL作为状态抽象，我们的方法能够在几乎所有竞争级的计划任务上都超过当前最新方法。