XiaoMi-AI文件搜索系统
World File Search Systemontologies
HR0011ST2025D-02缓解显式和隐性偏见...
1。在此提案中，针对哪些特定类型的偏见（例如性别，种族，文化）？答案：任何形式的社会偏见。2。的重点是否应该放在减轻培训数据，模型设计或输出中的偏见或三个？答案：这些子集。3。在缓解偏见和保持准确性之间应优先考虑什么平衡，以及这种平衡应与该提案的主要重点保持一致？答案：由表演者定义偏见准确权衡4。哪种类型的符号表示与该项目最相关（例如语法，本体，基于逻辑的系统），以及它们如何专门解决偏见？答案：其中任何一个都可以。他们如何特别解决偏见取决于表演者的提议。5。哪些神经体系结构是首选或最适用于该建议（例如变形金刚，经常性网络），为什么它们适合减轻偏见？答案：任何具有相关应用程序的模型，例如注意网络，堪萨斯州，LRMS…6。是否有任何首选数据集或应用程序域（例如，文本，图像，语音）来证明缓解偏差，还是该提案应涵盖多个域？答案：没有偏好7。概念验证是否应集中于重新训练现有的AI模型，还是提出主要修改或约束推理过程（例如解码）的方法是可以接受的？答案：两者都处于范围。8。答案：由表演者定义这些指标取决于表演者。在此提案中应如何衡量在缓解明确和隐性偏见方面的成功，并且是否建议进行评估的特定指标或基准？
个性化在线学习的智能支持系统
摘要：COVID-19大流行的当前状况要求大学在在线环境中转移教育过程。电子学习系统为教育机构和学生提供有效组织教育过程并共享知识的机会。他们为每个学生提供获取信息的自由和学习过程的灵活性。学生可以通过改变教育过程的需求来单独确定课程的持续时间和顺序。在大流行的背景下，学生和老师必须通过互联网优化他们的作品。这需要对学习过程的更广泛的个性化。智能技术使您可以为每个学生建立个性化的学习路径，不同的方法，形式和学习速度。本研究介绍了电子学习支持系统的架构，用于选择在线资源，并将其包括在学生的学习路径中。该系统是根据一组相互联系的本体论模型而开发的，它们是一组个人代理和服务。本体论提供了更充分的在线资源的代表性，以及用户请求格式的兼容性以及不同开发人员的培训资源的描述。系统建议基于当前请求和符合其配置文件的用户特征的培训模块。系统动态更新知识库用户特征，从而提高了建议的有效性。大脑。大脑。关键字：个性化的电子学习；大流行;学习路径；推荐系统。如何引用：Shpolianskaya，I。和Seredkina，T。（2020）。个性化在线学习的智能支持系统。人工智能和神经科学方面的广泛研究，11（3），29-35。 https://doi.org/10.18662/brain/11.3/107
INSPIRE 标准作为人工智能框架...
摘要。CE1 本研究使用基于 INSPIRE（欧洲共同体空间信息基础设施）框架设定的标准的人工智能 (AI) 方法绘制了滑坡易发性图。INSPIRE 是欧盟空间数据基础设施 (SDI) 的一项举措，旨在实现跨境空间数据的标准化，确保跨境基础设施和环境问题管理的互操作性。然而，尽管 SDI 具有理论上的有效性，但很少有实际应用使用 INSPIRE 标准。在本研究中，我们展示了 INSPIRE 标准如何增强地理空间数据的互操作性，并促进更深入的知识开发，以便在 AI 应用中对其进行解释和解释。我们设计了一个滑坡本体，嵌入了 INSPIRE 词汇表，然后将意大利威尼托地区的地质、河流网络和土地覆盖数据集与标准进行对齐。INSPIRE 正式扩展为包括广泛的滑坡类型代码列表、滑坡大小代码列表和滑坡敏感性概念，以描述地图应用的输入和输出。使用本体中的术语，我们定义了可能产生不同类型滑坡的区域的概念科学模型以及代表陆地表面的地图多边形。滑坡模型和地图多边形都被编码为语义网络，并通过对两者进行定性概率比较，分配相似度分数。然后将该分数用作滑坡敏感性的代理，并显示在网络地图应用程序中。在表达科学模型的本体中使用 INSPIRE 标准化词汇表促进了整个欧盟和全球范围内采用该标准。此外，此应用程序有助于解释
Love Desai
我的研究使用自然语言监督进行计算机视觉探讨。使用自然语言使我们能够超越固定标签本体，并扩展到更通用的互联网数据。朝向这个目标，我的论文探讨了四个问题 - （1）学习表征：我提出了一种使用图像字幕作为训练目标的语言监督视觉学习的第一个方法之一，显示了与Imagenet训练的方法相比，在下游任务（例如对象检测和段）上进行了效果。（2）缩放数据：我探索社交媒体作为高质量图像描述的丰富来源，并策划1200万图像文本对的数据集，同时确保负责任的策划实践。（3）理解数据：很难理解数百万图像文本对中存在的视觉概念的多样性。我认为，图像和文本自然地组织成类似树状的层次结构，并提出了一种学习表征的方法，该方法使用双曲线几何形状中的工具捕获该层次结构。（4）转移到下游任务：大型视觉语言模型在图像级任务（例如分类和检索）上显示出令人印象深刻的零射击传输功能。然而，它们对像素级任务（例如对象检测和分割）的转移性迄今依赖于昂贵的标记蒙版注释。i建议对象检测器有效地传输预训练的视觉模型，以分割和分类视觉对象而无需进行任何微调，这与现有的检测器不同，这些检测器使用使用数量的尺寸训练更标记的口罩以实现高性能。主席：贾斯汀·约翰逊教授总而言之，我的研究确认，使用语言监督可以推动计算机视觉进展的下一个飞跃，并且在实际应用中具有巨大的实用性。
肺功能、气道和外周嗜碱性粒细胞和嗜酸性粒细胞与重度哮喘类固醇反应的分子药物基因组内型相关
摘要 简介 哮喘是一种复杂的疾病，其表现/严重程度各不相同。人们对定义与不同治疗反应始终相关的哮喘内型的兴趣日益浓厚，重点关注 2 型炎症 (Th2) 作为一种关键病理机制。当前哮喘内型主要通过临床/实验室标准来定义。每种内型可能都具有独特的分子机制，从而确定最佳治疗方法。方法 我们对来自重度哮喘研究计划的 19 名哮喘患者在基线和 40 毫克剂量肌肉注射皮质类固醇后 6-8 周的痰液气道细胞 RNA 测序转录组数据进行了无监督（无先验临床标准）主成分分析。我们研究了主成分 PC1、PC3 与 55 个临床变量的关联。结果 PC3 与基线 Th2 临床特征相关，包括血液（秩和 p=0.0082）和气道（秩和 p=0.0024）嗜酸性粒细胞增多症、FEV 1 变化（Kendall tau-b R=−0.333（−0.592 至 −0.012））和后续 FEV 1 沙丁胺醇反应（Kendall tau-b R=0.392（0.079 至 0.634））。PC1 与血液嗜碱性粒细胞增多症相关（秩和 p=0.0191）。对 PC1、PC3 贡献最大的 5% 基因在不同的免疫系统/炎症本体中富集，表明对皮质类固醇的转录组反应存在不同的受试者特异性簇。 PC3 与 FEV 1 变化的关联在可比的独立 14 名受试者（基线，每日吸入皮质类固醇 (ICS) 后 8 周）气道上皮细胞 microRNAome 数据集中以计算机模拟方式再现。结论这种无监督方法的转录组 PC 定义了分子药物基因组内型，可能产生新的生物学基础，为哮喘中皮质类固醇治疗的不同受试者特定反应和最佳个性化哮喘护理提供基础。这些 PC 的主要贡献基因可能表明新的治疗靶点。
在语义知识图中与Oncodashkb中的高级生物医学数据整合，用于在卵巢癌中找到个性化的可行药物
背景：与基因组规模的患者分析数据相结合的生物医学知识越来越多，为个性化肿瘤学提供了前所未有的机会。但是，大量知识和数据需要可扩展的方法来提供可行的信息以支持临床医生决策[1]。目的：开发整合有关患者的所有相关临床和基因组数据的软件和方法，并能够发现最佳的个性化治疗选择，以及支持文献知识和数据。方法：我们利用语义知识图（SKG），这是一种以对象和关系形式代表医学数据的数据库，链接了几个癌症数据库中先前未连接的信息。为了构建此SKG（Oncodashkb），我们使用BioCypher库[2]。然后，我们整合了来自高级浆液卵巢癌患者的临床数据，包括有关Decider项目（https://deciderproject.eu）收集的基因组变化的信息。然后可以查询SKG，以收集将患者特异性改变与可操作药物联系起来的证据路径。结果：我们的方法提供了完全自动化，系统的和可重复的数据集成工作流程，以及使用现有专家制造的本体论来提供互操作性和语义描述。综合数据由分子肿瘤板的专家评估，并允许以视觉上可访问的格式探索相关的临床和基因组患者数据，旨在易于解释临床医生。重要的是，我们希望该系统揭示从多种融合证据到多摩尼克患者数据的强大案例以及对最新临床和实验知识的广泛且自动化的综述。结论：使用图形数据库作为有价值的工具出现的决策支持系统，通过揭示各种患者数据和以易于理解的格式显示的治疗选项之间的新连接。
欢迎参加 2019 年秋季研究生入学指导
2019 年秋季 MARZIEH AHMADZADEH，讲师，博士，伊斯法罕大学，软件工程 HAMID R. ARABNIA，教授兼研究生协调员；博士，肯特大学坎特伯雷分校，并行和分布式算法与架构、计算机视觉、可扩展大数据分析、预防网络跟踪和网络骚扰的方法。 BUDAK ARPINAR，副教授；博士，中东技术大学，互联网规模分布式数据库、可互操作信息系统。 BRADLEY J. BARNES，高级讲师，博士；佐治亚大学，并行和分布式计算、计算机架构、操作系统。 SUCHENDRA M. BHANDARKAR，教授；博士，雪城大学，计算机视觉、图像和视频处理和并行处理。 LIMING CAI，教授；博士，德克萨斯 A&M 大学，算法、组合优化计算复杂性理论和计算生物学。 MICHAEL COTTERELL，讲师，讲师，博士，佐治亚大学，大数据分析的模拟、优化与本体。PRASHANT DOSHI，教授，博士，伊利诺伊大学，面向服务计算、语义网、动态工作流组合、人工智能、顺序决策理论、随时间变化的概率推理。DANIEL M. EVERETT，助理教授（兼职）；博士，威斯康星州，科学编程。SHELBY FUNK，副教授；博士，北卡罗来纳大学教堂山分校，实时系统、分布式系统。LE GUAN，助理教授，博士，中国科学院，硬件与系统安全、移动安全和物联网。WILLIAM HOLLINGSWORTH，讲师，博士，剑桥大学，计算语言学与计算机科学。YI HONG，助理教授，博士，北卡罗来纳大学教堂山分校，数据分析、统计分析、优化与可视化。 MARIA HYBINETTE，副教授，博士，佐治亚理工学院，并行和分布式计算、交互式计算环境、并行应用。
Demetre P. Argialas 教授，理学硕士、博士
雅典国立技术大学。Argialas 教授（1977 年毕业，雅典国立技术大学（农村和测量工程），1979 年硕士，田纳西大学空间研究所，1985 年博士，土木工程，俄亥俄州立大学，路易斯安那州立大学助理教授，1985-1991 年）。Argialas 教授教授过照片解释、遥感、数字图像分析、地形分析、知识型专家系统、数值分析、PASCAL 编程和工程测量等课程。他曾担任美国、欧盟和希腊 30 多个研究项目的首席或联合首席研究员或研究员，并在国际期刊和同行评审会议上发表了 130 多篇与拟议项目科学领域相关的科学出版物。他有 1600 多次引用。他教授过 15 多门本科和研究生课程。他指导过 100 多篇本科和研究生论文，并且指导过七 (7) 篇论文，目前正在指导两 (2) 篇论文。Argialas 教授在遥感图像分析、模式识别和基于知识的专家系统方面拥有丰富的经验和重大贡献。在过去的几年里，他的研究兴趣集中在：对象检测和提取、监督和非监督分类、面向对象的图像分析、模式识别、专家系统、本体、地形建模和表示、变化检测和地图更新、环境地理过程的短期和长期监测。他最近协调了五个跨学科研究项目，目前正在四个跨学科的大学研究生硕士课程中任教。他曾担任 ASCE、ASPRS、IEEE、TRB、ISPRS、SPIE、WARM 的审稿人、ASPRS 的会议主席和 PE&RS (ASPRS) 的客座编辑。他还曾担任各机构研究提案的审稿人。(http://users.ntua.gr/argialas)
健康与生命科学的数据和文本处理
在过去的几十年中，我目睹了计算机科学技能在健康和生命科学方面的职业发展的越来越重要。但是，并非每个人都有学习计算机编程的技能，倾向或时间。学习过程通常很耗时，并且需要持续的实践，因为软件框架和编程语言会随着时间的推移而变化。这是撰写本书的主要动机，内容涉及使用壳牌脚本来解决常见的健康数据以及文本处理任务。shell脚本的优点是：i）如今几乎所有个人计算机都可以使用； ii）几乎不变了四十年； iii）相对容易学习，作为一系列独立的编写； iv）解决健康和生活专业人员面临的许多数据问题的增量和直接方法。在过去的几十年中，我很高兴为健康和生命科学的本科生教授介绍性计算机科学课。我使用程序和语言（例如Perl和Python）来解决数据和文本处理任务，但是我总是感到失去了大量时间教导这些语言的技术，这可能会随着时间的流逝而改变，并且对大多数学生不打算追求高级BioIntormatics课程的学生无关紧要。因此，本书的目的是激励和帮助专家在短暂的学习期后自动化常见的数据和文本处理任务。如果他们变得有兴趣（我希望有些人这样做），这本书将指示他们可以获得更先进的计算机科学技能。这本书并不是要成为壳脚本命令的全面汇编，而是对健康和生活专家的入门指南。本书介绍了命令，因为它们需要自动化数据和文本处理任务。鉴于我的研究经验及其与健康和生活研究的相关性，所选任务非常关注文本挖掘和生物医学本体。然而，本书中介绍的相同类型的解决方案也适用于许多其他研究领域和数据源。
人工智能和增强 - ePrints Soton
1 活动详情 ........................................1 2 欢迎和介绍 ........。。。。。。。。。。。。。。。。。。。。。。。。.1 3 复杂有机合成的计算机辅助设计，50 年后 .........1 4 收集分子：使用最少数据的表示和机器学习 ...4 5 用于学习异常值的 ML 和结构化矩阵方法简介 ......7 6 将AI应用于荒野中的逆向合成 ...................11 7 化学中的可重复性 ..............................13 8 在近期量子计算机上进行精确的激发态计算 ........14 9 理解预测路线：在 SciFinder 中使用数据作为预测的证据 .。。。。。。。。。。。。。。。。。。。。。。。。。...... div>..........16 10 假反应对于有效的数据驱动逆合成的重要性是什么分析？.....。。。。。。。。。。。。。。。。。。。。。。。。...... div>........17 11 将人工智能与化学中的结构化高质量数据相结合：提供出色的预测化学应用 ............. div>...17 12 从数据中获取情报：迈向有机金属催化预测 .. < /div>......18 13 化学本体与人工智能 .......... div>............21 14 UDM：社区-驱动的数据格式，用于交换全面的反应信息。.....。。。。。。。。。。。。。。。。。。。。。。.........24 15 通过机器学习进行逆合成 ..........................26 16 从机制到反应选择性 ..........................29 17 使用混合机械和机器学习模型进行过程化学中的反应预测 ........。。。。。。。。。。。。。。。。。。。。。。。。......31 18 从专利文献中自动挖掘 930 万个反应的数据库，并将其应用于合成规划 ................33 19 语义实验室 ................................37 20 ASKCOS：数据驱动的化学合成 .........。。..............38 21 将人工智能与强大的自动化化学相结合：人工智能驱动的路线设计和自动化反应和路线验证 .........。。。。。。。。。。。。。。。42 22 用于运行化学程序的非确定性化学计算机。。。。。。。.....45 23 数据驱动的催化还原胺化反应探索 ........48 24 用于有机合成的机器辅助流动化学 ................50 25 编码溶剂和产品结果以改进反应预测系统 ..51 26 用于定向执行和优化化学反应的进化计算策略和反馈控制 ..............................54 27 通过金属驱动的自组装进行计算设计：从分子构建块到新兴功能材料。。。。。。。。。。。。。。。。。。。。。。。。。56 28 评估加氢反应条件的预测模型 ..........59 29 面向执业化学家的逆合成软件：在实验室中验证的新颖高效的计算机途径设计 。....................。。。61 30 结论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。63 参考文献。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。63