XiaoMi-AI文件搜索系统
World File Search Systemontologies
Sacha Loeve 简短简历 2019
感兴趣的核心主题：技术认识论和历史（作为知识对象和认知方式）；科学、技术和技术科学中的对象（它们的本体论、与自然和社会的关系、规模和存在方式）；技术伦理和人类学；“技术美学”（意象研究、技术方案、技术补充的感官研究）。
LREC 2020 研讨会论文集“第一届历史图像丰富与访问人工智能国际研讨会 (AI4HI-2020)”
语义网技术能够用所需的语义丰富数据；然而，现有的本体和可用模型不能完全支持用户的特定领域需求。随着更多特定领域语义的出现，研讨会吸引了大量关注，以使历史图像可供公众访问。AI4HI-2020 研讨会的总体重点是应用人工智能、语义网技术（如本体、同义词库和受控词汇表）和语言资源来丰富和改善对与历史和文化遗产相关（但不限于）图像的访问。该研讨会提供了一个讨论研究结果的平台，包括实验、用例、经验、最佳实践、方法和使用人工智能和语义网技术处理历史图像的建议。研讨会吸引了来自许多利益相关者的论文，包括人工智能研究人员、NLP 专家、数字人文主义者、语言学家、计算机科学家和本体工程师，他们一起展示他们的工作并分享他们的经验。
神经科学本体知识不确定性下的可扩展查询回答：NeuroLang 方法
目前还没有统一的框架来访问这种不确定的、丰富的异构数据集合，因此研究人员不得不依赖临时工具。特别是，当前试图解决这一任务的工具的一个主要弱点是只开发了非常有限的命题查询语言。在本文中，我们介绍了 NeuroLang，这是一种基于一阶逻辑的概率语言，具有存在性规则、概率不确定性、开放世界假设下的本体集成以及内置机制，可保证对非常大的数据集进行可处理的查询回答。NeuroLang 的主要目标是提供一个统一的框架，无缝集成异构数据（如本体），并通过一组正式标准将细粒度认知领域映射到大脑区域，促进可共享和高度可重复的研究。在介绍该语言及其通用查询回答架构之后，我们讨论了现实世界的用例，展示了 NeuroLang 如何应用于实际场景。
CFP IEEE 2025CFP IEEE 2025
- 人类机器人的互动和协作 - 机器人技术的传感器网络 - 机器人的建模框架 - 可靠性，可伸缩性和模拟的验证 - 机器人的大型语言模型 - 机器人的生成AI-人工智能 - 人工智能 - 人工人工智能 - 用于人工体的本体论 - 用于自主机器人的自治机器人 - 工业机器人和数字特征 - 设计 - 设计 - 设计和整合任务<云
www.mind.ai
透明的系统对 Mind AI 生态系统很重要。首先是奖励分配。基于智能合约的奖励分配系统将是透明的。其次是社区对道德上层本体、本体赏金优先级或触发终止开关的投票，整个投票系统必须透明，以表明民主制度不会被一方利用。
探索中间和域所需的核心概念 -
摘要该立场论文报告了知识图联盟工作组中关于可解释的数据和元数据原则的初步讨论，该论文于2024年3月创建。目前，我们正在采取初步步骤来捕获与解释，基础，依赖和信任有关的核心概念；该范围还扩展到潜在的双重概念，例如解释性，可验证性/可重复性，可靠性和可信度。这些初始步骤包括回顾核心概念，因为它们在文献中进行了讨论，并探讨了这些最中心概念的实际上有用的定义。结论之一是，元数据标准将需要适合记录三种基础：知识的基础，依赖基础和信任的基础。目前正在重新设计的中间和域级别的元数据标准正在进行重新设计，以便变得更加模块化，可以计算，可以使人类理解，并且可以调节，这将是我们继续进行工作的建议。在公共存储库上进行了这种Lite（OWL 2 EL）本体的发展，称为MSO-EM：用于建模，模拟，优化（MSO）和认知元数据（EM）的本体论。
利用-Neuro-Symbolic-ai-to-Help-Customers-build- ...
●具有标准化和上下文化数据的现成知识图●基于明确定义且灵活的语义层（符号AI）●与公共分类法和本体学集成●为与现有的内部数据和知识连接而创建（包括联邦）●由AI提供支持的关系发现，原因和效果，推理●支持决策，提供可行的知识●AI
利用语义相似性解释人工智能对疾病进展的预测
摘要 神经退行性疾病的复杂性促使人们开发人工智能方法来预测损伤和疾病进展的风险。然而，尽管这些方法取得了成功，但它们大多是黑箱性质，阻碍了它们在疾病管理中的应用。可解释的人工智能有望通过对模型及其预测进行解释来弥合这一差距，从而促进用户的理解和信任。在生物医学领域，鉴于其复杂性，可解释的人工智能方法可以从将模型与领域知识的表示（本体）联系起来中受益匪浅。本体提供了更多可解释的特征，因为它们在语义上丰富且情境化，因此最终用户可以更好地理解；它们还对现有知识进行建模，从而支持探究给定的人工智能模型结果如何与现有科学知识相吻合。我们提出了一种可解释性方法，利用丰富的生物医学本体全景来构建基于语义相似性的解释，将患者数据和人工智能预测情境化。这些解释反映了人类的基本解释机制——相似性——同时解决了数据复杂性、异质性和规模的挑战。
Microsoft Word - Revision_Enriching the Functionally Graded Materials (FGM) Ontology_draft_NEIL_PASS.docx
摘要。近年来，功能梯度材料 (FGM) 已用于多种不同类型的应用，并引起了广泛的研究关注。然而，我们还没有一种普遍接受的方式来表示 FGM 的各个方面。缺乏标准化词汇会给提取与不同应用相关方面相关的有用信息造成障碍。需要一种标准资源来描述 FGM 的各种元素，包括现有应用、制造技术和材料特性。这促使我们在 2016 年创建了 FGM 本体 (FGMO)。在这里，我们介绍了 FGM 本体的修订和扩展版本，其中包括四个维度的丰富内容：(1) 记录最近的 FGM 应用；(2) 重新组织框架以纳入制造过程类型的更新表示；(3) 丰富本体的公理；(4) 从通用核心本体 (CCO) 和产品生命周期 (PLC) 本体导入中级本体。该工作是在工业本体铸造厂（IOF）的框架内开展的，本体符合基本形式本体（BFO）。
