XiaoMi-AI文件搜索系统
World File Search Systemontologies
AI4CE - 利用强化学习自动生成太空任务设计概念
假设以 MBSE 为中心的设计成为新的现实，在此基础上，考虑到人工智能 (AI) 领域的成就，用基于 AI 的助手支持早期系统设计似乎是下一个合乎逻辑的步骤。并行工程人工智能 (AI4CE) 研究项目提供了独特的可能性，将并行工程 (CE)、基于模型的系统工程 (MBSE) 和创新系统创建的形式结合起来。它通过一个交互式过程实现了知识库和本体的使用，设计团队定义系统需求并从生成的设计中受益。AI4CE 补充了专用于 MBSE 的概念系统设计过程，并利用了这种共生带来的优势：从模型中获取信息和约束，根据这些信息生成系统设计并将其直接引入同一模型。使用深度强化学习 (DRL)，该 AI 系统根据数据库中的可用组件构建概念设计。 AI 从该数据库中选择哪些确切组件的决定取决于给定的系统要求和 AI 的训练策略 - 即设计经验。首次测试可以证明这种方法的可行性，未来的研究重点是扩展其功能并将其集成到 CE 流程中。
Nafea等人，巴比伦物联网杂志卷。 ...
大数据（BD）描述了多个行业生成，存储和分析的大量信息以改善服务[1]。它包含结构化的，半结构的和非结构化的形式，起源于许多来源[2]。BD技术提供可伸缩性，使本体和kg可以处理大量数据。这对于在医疗保健，金融和电子商务等不同领域的应用至关重要，知识代表需要适应大量信息[3]。传统的数据处理系统不足以处理BD，需要专门的工具和技术[4]。bd在医疗保健中越来越有联系，改善患者的结果，提高效率，降低成本并促进医学研究[4]。大数据正在通过改变消费者，患者，生理和医疗数据的方式来彻底改变医疗保健，从而超过传统方法的能力[5]。卫生系统需要整合能够收集，分析和解释医疗保健数据的技术，以应对挑战，包括尺度，速度，不确定性和准确性[6]，[7]。术语“大数据”并不是什么新鲜事物，但其定义总是在变化。数据集的特征是其大型，各种分布方法，多样性以及及时处理的需求，需要使用创新的技术框架，分析和资源来解锁新的市场价值[8]。
用于更新 arxiv 的 DRAGON-AI 论文副本
目前，大多数本体编辑工作流程都涉及为本体中的每个术语或类别手动输入多条信息（也称为公理）。这些信息包括唯一标识符、人性化标签、文本定义，以及将术语与其他术语（无论是在同一个本体中还是在不同的本体中）连接起来的关系 (7)。例如，ID 为 CL:1001502 的细胞本体 (CL) (8) 术语具有标签“僧帽细胞”，与术语“中间神经元”(CL:0000099) 具有 subClassOf (is-a) 关系，与 Uberon 术语“嗅球僧帽细胞层”(UBERON:0004186) 具有“具有体细胞位置”关系 (9)，以及文本定义：大型谷氨酸能神经细胞，其树突与嗅球肾小球层中的嗅觉受体神经元的轴突突触，其轴突在嗅束中集中传递到嗅觉皮层。大部分信息都是手动输入的，使用专用的本体开发环境（如 Protégé (10)）或使用电子表格，随后使用 ROBOT (11) 等工具将其转换为本体。在某些情况下，可以使用 OWL 推理 (12) 自动分配“is-a”关系，但这依赖于本体开发人员预先为术语子集指定逻辑定义（一种特定类型的公理）。该策略广泛应用于多种不同的生物本体（生物本体），尤其是那些涉及许多组合术语的本体，导致大约一半的术语具有以这种方式自动分配的子类关系（13-16）。
REST靶向人类唐氏综合症大脑和神经细胞中的JAK – Stat和HIF-1信号通路
摘要：唐氏综合症（DS）是最常见的染色体21（HSA21）非整倍性的染色体障碍，其特征是智力障碍和寿命降低。转录阻遏物，阻遏物元件1沉默转录因子（静止）是表观遗传调节剂，是神经元和神经胶质基因表达的关键调节剂。在这项研究中，我们鉴定并研究了靶标基因在人脑组织，大脑器官和神经细胞中的作用。基因表达数据集由人类脑组织，脑组织，NPC，神经元和星形胶质细胞的健康对照和DS样品产生，从基因本体论（GEO）和序列读取存档（SRA）数据库中获取。在所有数据集上进行差异表达分析，以在DS和对照组之间产生差异表达基因（DEG）。靶向的DEG进行了功能本体，途径和网络分析。我们发现，跨多个不同大脑区域，年龄和神经细胞类型的JAK-Stat和HIF-1信号通路富含DS中的REST靶向DEG。我们还鉴定了涉及神经系统发育，细胞分化，脂肪酸代谢和DS脑中炎症的重新定位的DEG。基于发现，我们建议将休息作为关键调节剂，并且是一个有前途的治疗靶标，以调节DS脑中的稳态基因表达。
由Ross Gyre的扩张
分布式系统的功能必须不断发展，尤其是在环境环境变化时。这种所需的进化使系统开发施加了难以忍受的复杂性。一种替代方法是使系统能够通过在运行时进行机会构图来生成系统系统（SOSS），以提供增值功能。这种方法的成功要求抽象系统的异质性并实现SOSS的编程结构，并以最少的开发人员干预。我们提出了一种基于本体的一般方法来描述分布式系统，试图获得抽象并实现系统之间的运行时推理。我们还为系统的系统提出了一个架构，该系统利用此类本体来使系统能够在运行时发现和“理解”彼此，并有可能构成。我们通过三个对比案例研究详细介绍了本体论和体系结构的特征：一个关于在智能家庭环境中控制多个系统，另一个关于动态计算群集的管理，而救援团队的自主联系的三分之一。我们还通过实验和模拟来定量评估方法的可伸缩性和有效性。我们的方法使系统开发人员能够专注于高级SOS组成，而不会受到特定部署的实现细节的约束。我们证明了我们通过合理组成在运行时提高SOS构建抽象水平的方法的可行性。我们的体系结构为进一步的工作奠定了坚实的基础，因为它的一般性和可扩展性。
维护策略选择和评估的本体模型
维护管理活动中的摘要，工程师需要选择维护策略，以执行技术维护措施。单个设备由几个具有不同故障模式的组件组成。每个人都应该有一种维护策略；虽然某些组件可以运行使用纠正性维护，但其他组件则无法承受失败，并且应实施预防或预测策略。选择和评估维护策略是一项复杂的任务，应检索许多来源的信息。来自故障模式，效果和批判性分析的信息，成本 - 利益风险分析，计算维护管理系统，经常被工程师选择和评估维护策略。通常不会随着时间的推移评估选定的策略以检查其有效性。该策略可能需要调整或由更有效的策略代替，例如，基于条件的策略代替了基于时间的策略。为了促进维护策略的选择和评估，当前的研究提出了一种用于维护策略选择和评估的本体论模型（OMSSA）。OMSSA是维护策略中的正式术语框架，可用于开发智能计算代理，可以帮助您选择和评估维护策略的决策过程。为了促进其未来的重复利用和与工业领域中其他本体论的融合，OMSSA通过使用顶级领域中立本体论（基本的正式本体论）来建立本体论发展的状态发展状态。
优先考虑基因发现以进行药物靶标识别和验证
高通量基因测序成本的下降和测序基因组数据的日益丰富为利用基因数据识别和验证潜在药物靶点铺平了道路。然而，已识别的潜在药物靶点的数量通常过于庞大，无法在湿实验室实验中进行评估，这凸显了对靶点进行系统性优先排序的必要性。在这篇综述中，我们讨论了基因引导药物开发的原理，特别是针对功能丧失分析、共定位和孟德尔随机化 (MR)，以及每种方法最适合的环境。随后，我们介绍了一系列生物医学资源，可用于注释和优先排序这些研究确定的疾病相关蛋白质，包括 1) 用于映射基因、蛋白质和疾病的本体论，2) 用于确定潜在靶点的药物可行性的资源，3) 编码潜在靶点的基因的组织和细胞表达，以及 4) 涉及潜在靶点的关键生物途径。我们通过一个实际示例来说明这些概念，确定与非酒精性脂肪性肝病 (NAFLD) 相关的一组优先血浆蛋白。我们确定了五种与 NAFLD 相关的具有强大遗传支持的蛋白质：CYB5A、NT5C、NCAN、TGFBI 和 DAPK2。所有已识别的蛋白质均在肝脏和脂肪组织中表达，其中 TGFBI 和 DAPK2 具有潜在药物作用。总之，本综述概述了药物靶标识别的遗传证据，以及如何使用生物医学数据库提供可操作的优先级，为下游实验验证提供充分的信息。
![arXiv:2008.13278v1 [cs.AI] 2020 年 8 月 30 日](/simg/9\92e26a4c8aa8cd35f6743e8c6e2f787de640e466.png)
arXiv:2008.13278v1 [cs.AI] 2020 年 8 月 30 日
条件逻辑起源于哲学逻辑。Lewis [ 21 , 23 ] 首次对它们进行了研究，以形式化假设和反事实推理（如果 A 是事实，则 B ），而这些推理无法通过经典逻辑的实质含义来捕捉。从 80 年代开始，它们开始被计算机科学和人工智能所考虑，并为非单调和常识推理提供了公理基础 [ 8 , 19 ]。特别是，常识推理的优先方法 [ 19 , 20 ] 最近已扩展到描述逻辑，以处理本体中的继承异常，允许非严格形式的包含，称为典型性或可废止包含（即条件），具有不同的优先语义 [ 10 , 4 ] 和闭包构造 [6,5,13,24]。在本文中，我们考虑了最近为 EL ⊥ 系列的轻量级描述逻辑引入的“概念感知”多偏好语义 [ 15 ]，它考虑了对不同概念的偏好，并将它们集成到优先语义中。为了支持这种语义的合理性，我们表明它可以用于提供自组织映射的逻辑语义 [ 18 ]。自组织映射 (SOM) 已被提议作为解释类别泛化背后的心理机制的可能候选者。它们是心理学和生物学上合理的神经网络模型，可以在有限接触正面类别示例后进行学习，而无需任何对比信息。我们表明，自组织映射中的类别泛化过程会产生一个多偏好模型，其中偏好关系与每个概念（每个学习类别）相关联，并将偏好组合成一个全局
人工智能在药物警戒中的应用：
人工智能 (AI) 工具具有巨大的潜力，可以增强药物警戒活动。药物警戒专家不必是人工智能专家，但他们应该对人工智能有足够的了解，以探索与人工智能专家合作的可能性。人工智能的现代概念可以追溯到艾伦·图灵的工作，尤其是他在 20 世纪 40 年代末和 50 年代初发表的关于“模仿游戏”的论文。如今，人工智能的范围包括计算技能，包括数学证明的制定；视觉感知，包括面部识别和虚拟现实；专家系统的决策；语言的各个方面，如语言处理、语音识别、创意创作和翻译；以及这些的组合，例如在自动驾驶汽车中。机器可以被编程为具有学习能力，使用模仿人脑认知活动的神经网络，从而实现深度结构学习。人工智能的局限性包括语言困难，这是由于需要理解上下文和解释歧义而产生的，这尤其影响翻译，以及数据库的不足，需要仔细准备和管理。新技术可能会因意外故障而导致无法预见的困难。相关术语和概念包括不同类型的机器学习、神经网络、自然语言编程、本体论和专家系统。人工智能工具在药物警戒中的应用进展缓慢。机器学习与自然语言处理和数据挖掘相结合，用于研究电子健康记录、索赔数据库和社交媒体等数据库中的药物不良反应，有可能增强已知不良反应和反应的表征并检测新信号。
离散事件物流系统理论 (DELS) 规范
系统模型和基于模型的工程方法有望改变工业工程师与生产和物流系统交互的方式。基于模型的方法在改善利益相关者之间的沟通、系统之间的互操作性、自动访问一致的分析模型以及复杂系统的多学科设计方法方面发挥着作用。然而，仍然需要一个为这些类型的系统建模的基础——一个能够根据生产和物流的独特概念和语义定制在其他工程领域开发的方法和工具的基础。这个基础就是本报告的主题。本报告记录了用于建模离散事件物流系统 (DELS) 的框架和模型库，DELS 是一种涵盖制造工厂、物料处理和运输系统、仓库、供应链等的抽象。DELS 抽象是通过识别和建模工业工程师通常遇到的系统类型的共性以及他们用来分析这些系统的分析模型而创建的。它扩展了众所周知的产品、流程和资源 (PPR) 本体，以整合操作控制模型组件库，并连接到商品流网络 (CFN)、建模网络、流网络和流程网络。DELS 和 CFN 之间的关系将系统模型正式链接到用于创建分析模型的抽象，例如离散事件模拟