XiaoMi-AI文件搜索系统
World File Search Systemlanguage
在高度熟练的早期和晚期
BarbaraKöpke，Ruairidh K R Howells，Francesca Cortelazzo，PatricePéran，Xavier de Boisse-Zon等。神经语言学杂志，2021，59，10.1016/j.jneuroling.2021.100988。hal-04407593
基于论点的自然语言解释和评估医疗保健
采矿论点是一个自动自然语言处理（TALN）和计算机论证模型的全面扩展领域，旨在在自然语言中自动识别文本资源中的论证结构（即组成部分和关系）。在媒体领域，通过提供自动检测论点结构以根据证据支持医学的方法，被证明是有益的。这些方法的重要性是基于以下事实：尽管神经模型在医学诊断预测中的准确性，但其结果的解释仍然有问题。本文解决了这个开放的问题，并着重于对自然语言中的论证解释的生成和评估，以帮助医学诊断预测，以帮助临床医生进行决策和教育。首先，我提出了一条新的完整管道，以根据医学本体论和从检查文本中检测到的医学本体论和临床实体进行自然考试（MCQ）医学的永久解释（MCQ）医学。我定义了对医疗指定实体（NERC）的认可和分类的艺术状态，以检测患者表达的症状以及我根据ONTTO-LOGIE的条款对医疗措施进行的，以证明提供给医学生提供的临床病例的诊断。关键字：自动自然语言处理，提取论证结构，解释性论点。管道称为SYMEXP，允许我们的系统基于模板以自然语言生成安排解释，以证明正确的答案是正确的，以及为什么提出的其他选项不正确。其次，我提出了一个框架，用于评估基于论证的解释，称为Abexa，以自动提取医学MCQ的论证结构，并突出显示一组可自定义的标准，以表征临床解释和文档的论点。abexa通过在自动论证图上定义一组模式来解决从论点的角度评估解释的问题。非常彻底，我为解毒剂软件的持续设计和开发做出了贡献，该软件提供了不同的解释性人工智能模块，这些模块由医学争论。我们的系统提供了以下功能：用于医学领域的多语言论证分析，临床诊断的解释，提取和生成，医学领域的多语言语言模型以及医学MCQ的第一个多语言基准。总而言之，在本文中，我探讨了人工智能与论证理论结合如何导致更透明的健康和卫生系统。，我们通过在医学支持方面展示其所有潜力，例如医学生，将结果应用于关键的医学领域。
干细胞研究
数据分析受到熟练专家的短缺的约束，特别是在生物学方面，在这种情况下，详细的数据分析和随后的解释对于理解复杂的生物过程以及开发新的治疗方法和诊断至关重要。专家短缺的一种可能解决方案是利用大型语言模型（LLMS）用于发电数据分析管道。但是，尽管在用于代码生成任务的情况下，LLMS显示出很大的潜力，但是在提示与域专家问题（例如OMICS相关数据分析问题）提示时，有关LLM的准确性的问题仍然有效。为了解决这个问题，我们开发了Mergen，这是一个利用LLMS进行数据分析代码生成和执行的R软件包。我们使用基因组学的各种数据分析任务评估了该数据分析系统的性能。我们的主要目标是使研究人员通过简单地描述其目标和通过清晰文本的特定数据集的所需分析来进行数据分析。我们的方法通过专门的及时工程和错误反馈机制来改善代码生成。此外，我们的系统可以执行LLM规定的数据分析工作流，从而为人类审查提供数据分析工作流程的结果。我们对该系统的评估表明，尽管LLM有效地生成了某些数据分析任务的代码，但在执行代码生成中仍然存在挑战，尤其是对于复杂的数据分析任务。对于复杂性3、4和5的任务，这一增加分别为52.5％，27.5％和15％。通过自我纠正机制可以看到最佳性能，与复杂性任务相比，自我校正能够将可执行代码的百分比增加22.5％。使用卡方检验，显示出使用不同的提示策略可以发现显着差异。我们的研究有助于更好地理解LLM功能和局限性，从而提供软件基础架构和实用见解，以有效地集成到数据分析工作流程中。
从大型语言模型到多模式AI
生成的人工智能（AI）模型，例如扩散模型和Openai的Chatgpt，正在通过增强诊断准确性和自动化临床工作流程来改变医学。该领域已经迅速发展，从文本 - 仅用于临床文档和决策支持的大型语言模型向多模式AI系统提供，能够在单个模型中整合各种数据模式，包括成像，文本和结构化数据。这些技术的各种景观以及不断上升的兴趣强调了对其应用和潜力进行全面审查的必要性。此范围审查探讨了多模式AI的演变，突出了其在临床环境中的方法，应用程序，数据集和评估。遵守Prisma-SCR指南，我们系统地查询PubMed，IEEE Xplore和Web of Science，优先于2024年底发表的最新研究。严格筛选后，包括144篇论文，揭示了这个动态领域的关键趋势和挑战。我们的发现强调了从单峰方式转变为多模式方法的转变，在诊断支持，医疗报告生成，药物发现和对话性AI方面引起了创新。然而，仍然存在关键挑战，包括整合异质数据类型，改善模型的解释性，解决道德问题以及在现实世界中验证现实世界临床环境中验证AI系统。本评论总结了当前的艺术状态，确定了关键差距，并提供了见解，以指导医疗保健中可扩展，可信赖和临床影响力的多模式AI解决方案的发展。
通过大脑语言训练恢复失语症–...
失语症是一种理解或产生语言障碍的疾病，是中风后常见的一种疾病，具有毁灭性的影响。传统的言语和语言治疗包括各种正式的干预措施，以提高语言和沟通能力。在中风后的慢性期，与不治疗相比，这种方法是有效的，但效果不大。我们提出了一种基于脑机接口系统的失语症患者康复的新语言训练方法。该方法利用其提供与大脑状态时间锁定的反馈的能力。因此，它实现了这样一种想法，即强化适当的语言处理策略可能会诱导有益的大脑可塑性。在我们的方法中，患者在记录脑电图的同时执行一个简单的听觉目标词检测任务。机器学习模型对这些信号的不断解码会产生个性化和即时的大脑状态相关反馈。它向患者表明他们在训练过程中完成任务的程度，即使他们无法说话。对 10 名患有轻度至重度慢性失语症的中风患者（年龄范围：38-76 岁）进行的概念验证研究的结果非常显著。首先，我们发现，尽管词语呈现速度较快且中风引起的脑电图信号特征不佳，但高强度训练（每周 4 天，每天 30 小时）是可行的。其次，训练使失语症持续恢复，这种恢复扩展到训练任务之外的多个语言方面。具体而言，所有测试的语言评估（亚琛失语症测试、Snodgrass & Vanderwart、交流活动日志）都显示，训练前后患者的表现有显著的中度到高度改善，亚琛失语症测试的标准化平均差异为 0.63，五名患者在训练后评估中被归类为非失语症。第三，我们的数据显示，这些语言能力的提高并没有伴随注意力技能和非语言技能的显著变化。研究这种基于大脑 - 计算机界面的语言训练的可能作用模式，神经影像数据（EEG 和静息状态功能 MRI）表明训练可以加快文字处理速度、增强语言网络以及语言和默认模式网络之间的重新平衡。
科学家开发出一种新的计算机语言来模拟生物体特征
大自然最美丽的一面是生物体展现出无穷无尽的形状、颜色和行为。这些特征有助于生物体生存和寻找配偶，例如雄孔雀多彩的尾巴如何吸引雌孔雀，或者它的翅膀如何帮助它飞离危险。了解特征对于生物学家来说至关重要，他们研究这些特征是为了了解生物体如何进化并适应不同的环境。
蛋白质语言模型加速了塑料降解酶的发现
塑料污染提出了一个关键的环境挑战，需要创新和可持续的解决方案。在这种情况下，使用微生物和酶的生物降解提供了环保的替代方法。这项工作引入了AI驱动的框架 - 将机器学习（ML）和生成模型集成在一起，以加速塑料降解酶的散发和设计。通过利用预先训练的蛋白质语言模型和策划数据集，我们开发了七个基于ML的二进制分类模型，以识别针对特定塑料底物的酶，平均准确度为89％。该框架应用于从补充B中的6,000多个酶序列，以对靶向多种塑料（包括PET，PLA和尼龙）的酶进行分类。此外，还将这项工作中训练有素的分类模型结合在一起，用于从头产生宠物降解酶。结构生物信息学通过内部分析验证了潜在的候选物，突出了生成和经过实验验证的酶之间物理化学特性的差异。此外，生成的序列表现出较低的分子量和较高的脂肪族指数，这些序列可能会增强与疏水性塑料底物相互作用的特征。这些发现突出了酶发现中基于AI的方法的实用性，为解决塑料污染提供了可扩展有效的工具。未来的工作将着重于对有希望的候选人的实验验证，并进一步完善生成策略以优化酶促性能。
一种强化学习方法，用于减轻语言模型中的刻板印象偏见
广泛采用由BERT和GPT等大型语言模型提供支持的应用程序，突出了社区内部对这种模型可以从培训数据中继承的意外偏见的影响的担忧。为了表现出来，过去的工作报告了LLM的证据，这些LLM扩大了性别刻板印象以及地理和种族偏见。以前的方法集中在数据预处理技术或技术上，这些技术或技术试图直接嵌入以增加资源需求，符号工作以及对足够偏见类型的适用性方面的限制方面，直接嵌入具有很大的缺点。在本文中，我们提出了精炼-LM，这是一种使用模型架构以及偏置型的强化学习对偏差的事后过滤。在包括Distillbert，Bert和Roberta在内的一系列模型中进行的实验表明，所提出的方法（i）在保留语言模型性能的同时，大大减少了刻板印象的偏见； （ii）实现适用于广泛的偏见类型，跨越诸如基于种族，宗教和基于国籍的偏见等环境的概括； （iii）减少所需的培训措施。
神经语言模型中的社会感知
摘要这项工作探讨了神经语言模型（NLMS）产生和调节“自传”故事的能力，这是由于它们广泛地接触了社会语言互动，并具有与人类相当的叙事连贯性。基于变压器体系结构的生成AI证明了执行通常被认为是人类认知能力的非凡任务的能力。有必要阐明变形金刚中算法黑匣子的功能，再加上这项研究中使用认知科学任务和测试的机会，导致了一个重要的研究领域，旨在弥合这种解释性差距。“机器心理学”一词是指典型的人类认知测试的给药。为这场辩论做出贡献，我们的提案涉及一项关于自传叙事一致性调节的经验研究，这是一种广泛用于认知心理学的元素，用于研究与自我融合性和情感调制，世界观和自我构造相关的方面。，我们将OpenAI模型纳入了需要故事生产的任务，该任务是在多层次的诱导前框架之后，考虑了三个变量：年龄，情绪和性别。结果表明，NLM不仅能够模拟人类经验的各个方面，而且还可以适应指定的角色并相应地调节其叙事水平。这提供了这些人工制品产生认知复杂文本阐述的能力的证据，并表明，由于它们过度曝光了社会语言互动，因此在变形金刚结构中的叙事意识的出现可能是可能的。