XiaoMi-AI文件搜索系统
World File Search Systemtexts
火影忍者：自动从叙事文本中获取计划模型
域模型采集已被确定为计划技术的应用，尤其是在叙事计划中的瓶颈。以自动化的方式从叙事文本中学习动作模型对于克服这种障碍，但由于此类文本的固有复杂性而具有挑战性至关重要。我们使用我们完全自动化的，无监督的系统Naruto介绍了从叙事文本得出的计划域模式的评估。我们的系统结合了结构事件提取，常识事件的预测以及文本矛盾和相似性。评估结果表明，火影忍者生成的域模型比现有的完全自动化的甲基动物更高，甚至有时与在人为援助的情况下与半自动化方法创建的域相提并论。
生成人工智能的因果表征学习：应用于文本治疗
有军事背景的候选人简历 安东尼·希金斯出生于特拉华州纽卡斯尔县红狮百户区。他就读于纽瓦克学院和特拉华学院，1861 年毕业于耶鲁学院，在校期间是骷髅会成员。在哈佛法学院学习法律后，他于 1864 年取得律师资格，开始在特拉华州威尔明顿执业。1864 年，他还在美国陆军服役过一段时间。 无军事背景的候选人简历 本杰明·塔潘出生于马萨诸塞州北安普敦，是本杰明·塔潘和莎拉 (霍姆斯) 塔潘的第二个孩子和长子，莎拉是本杰明·富兰克林的侄孙女。他的两个弟弟是废奴主义者亚瑟·塔潘和刘易斯·塔潘。他在北安普敦的公立学校就读，年轻时前往西印度群岛。他当过印刷工和雕刻师学徒，还随吉尔伯特·斯图尔特学习绘画。 1799 年，他在康涅狄格州哈特福德学习法律，并取得律师资格。同年晚些时候，他搬到了康涅狄格西储区，并于 1808 年建立了现在的俄亥俄州拉文纳村。1801 年 3 月 20 日，他与约翰·C·赖特（国会议员）的妹妹南希·赖特结婚，约翰·C·赖特后来成为俄亥俄州的美国众议院议员。他们有一个儿子本杰明，出生于 1812 年。5 / 21
关键字提取和技术实体提取的破坏性技术政策文本
破坏性技术是由哈佛大学教授克里斯滕森（Christensen）于1997年提出的[1]，并已成为近年来国际机构和研究人员的热门话题。通常认为，破坏性技术是战略创新技术，它基于S＆T的新原理，组合和应用开辟了新的技术轨道，并为传统或主流技术提供了整体或基本的替代方法。破坏性技术具有强大的应用功能，可以增强企业甚至国家的科学和技术竞争力，促进科学和技术产品的更新，提高社会生产效率，并有望在许多领域产生巨大影响。破坏性的技术政策可以刺激技术创新并提供相应的支持和保证，因此有必要研究颠覆性技术政策文本的采矿。
medblip：3D医学图像和文本
摘要。视觉语言预处理（VLP）模型已在众多计算机视觉应用中被证明。在本文中，我们基于图像扫描和电子健康记录中的文本介绍，为医疗领域开发VLP模型，以促进计算机辅助诊断（CAD）。为了实现这一目标，我们介绍了MedBlip，这是一种轻巧的CAD系统，该系统启动了从架子冻结的预训练的图像编码器和大型语言模型中启动VLP。我们合并了一个MEDQFormer模块，以弥合3D医学图像和2D预训练的图像编码器和语言模型之间的差距。为了评估MEDBLIP的有效性，我们从五个公共阿尔茨海默氏病（AD）数据集中收集了30,000多个图像量：ADNI，NACC，OASIS，OASIS，AIBL和MIRIAD。在这个大规模的广告集中，我们的模型在健康，轻度认知障碍（MCI）和AD主题的零摄像分类中表现出了令人印象深刻的表现，并且还显示了其在M3D-VQA-AD数据集中的医学视觉问题An-Swering（VQA）中的能力。代码和预训练模型可在https://github.com/qybc/medblip上找到。
使用可解释的人工智能和文体特征检测和揭露人工智能生成的文本
摘要 — 近年来，人工智能 (AI) 极大地改变了人类活动的各个方面，包括文本创作。人工智能技术的进步使计算机能够生成与人类写作非常相似的文本，这引发了人们对错误信息、身份盗窃和安全漏洞的担忧。为了应对这些挑战，了解人工智能生成文本的潜在模式至关重要。本研究侧重于揭示这些模式，以建立区分人工智能生成文本和人类生成文本的道德准则。本研究通过阐明区分人类和机器生成文本的方法，为正在进行的人工智能生成内容讨论做出了贡献。该研究深入研究了音节数、单词长度、句子结构、功能词使用和标点符号比率等参数，以检测人工智能生成的文本。此外，该研究还整合了可解释人工智能 (xAI) 技术——LIME 和 SHAP——以增强机器学习模型预测的可解释性。该模型表现出色，准确率达到 93%。利用 xAI 技术，进一步揭示了 Herdan 的 C、MaaS 和 Simpson 指数等关键属性在分类过程中发挥了主导作用。
研究论文信息从具有生成预训练的变压器模型的临床文本中提取
目的：由于其非结构化的性质，处理和分析临床文本具有挑战性。本研究比较了GPT（生成预训练的变压器）-3.5和GPT-4的性能，用于从临床文本中提取信息。材料和方法：将三种类型的临床文本包含患者特征，病史和临床测试结果从开放式期刊中的病例报告中提取的临床测试结果被用作输入。随后，使用贪婪方法作为解码策略将包含信息提取查询的简单提示应用于两个模型。当GPT模型在某些任务中的表现不佳时，我们将使用特定于任务定义的替代解码策略或合并提示。将GPT模型产生的输出评估为真或错误，以确定信息提取的准确性。结果：从60个病例报告中提取了包含患者特征（60个文本），病史（50个文本）和临床测试结果（25个文本）的临床文本。GPT模型可以通过简单提示准确提取信息，以从临床文本中提取直接信息。与GPT-4相比，GPT-4的准确率明显更高（95％），而GPT-3.5（70％）。GPT-3.5（78％）在提取体重指数（BMI）中的表现优于GPT-4（57％）。利用性行为和BMI的替代解码策略并不能实际改善这两种模型的性能。在GPT-4中，修订的提示（包括每个性别类别的定义）或BMI公式的定义，纠正了所有关于在主要工作流程中产生的性别和BMI的不正确响应。结论：GPT模型可以通过简单提取直接信息的简单提示来充分发挥作用。对于复杂的任务，将特定于任务的定义纳入提示是一种合适的策略，而不是仅依靠简单的提示。因此，研究人员和临床医生应使用其专业知识来创建有效的提示，并在从临床文本中提取复杂信息时监控LLM结果。
增强图书馆和信息中心：数字时代的文本和图像识别的有效方法
Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。 图书馆哲学和实践（电子杂志）。 8193。https://digitalcommons.unl.edu/libphilprac/8193Osunkentan，Oladotun Ayowumi和Morakinyo，Peace Caleb，“增强图书馆和信息中心：数字时代的文本和图像识别的有效方法”（2024年）。图书馆哲学和实践（电子杂志）。8193。https://digitalcommons.unl.edu/libphilprac/8193
Musti Challenge @ MEDEREVAL 2023-对文本和图像中的气味的多模式了解
人类与气味互动的方式是无形文化遗产的一个典型例子：创造气味的方式，在使用哪种情况下，而且人们对它们的欣赏方式也高度依赖文化。通过在较长时间内介绍多种流派和多种语言的文本和图像中的气味表达，我们可以更多地了解气味如何随着时间的流逝影响人类的互动。虽然气味在我们的日常生活中至关重要，但在自然语言处理和计算机视觉社区中几乎没有关注它。虽然有一些词典专注于气味，但Odeuropa文本基准数据集是第一个多语言的，跨域文本数据集，重点是气味参考[1]。同样，对于计算机视觉，直到此任务的成员创建了气味挑战数据集之前，不存在先验数据集[2]。在对文本和图像（Musti）挑战中气味的多模式理解中，我们将这些方式融合在一起，邀请研究社区以不同方式描述和描述的气味方式探索相似之处和互补性。中世纪2023年的Musti挑战旨在从16至20世纪之间从数字多语言文本和图像收集中收集有关气味的信息。更精确，
人工智能起源的探索性研究：穿越古印度文献和其他技术文献
对于现代世界和我们目前的文明来说，第一台可编程数字计算机的发明发生在 20 世纪 40 年代，这是一台基于数学推理的机器，这些知识和想法启发了一些科学家认真考虑构建人工智能。现代世界还知道，英国博学者艾伦图灵在 1950 年提出了决策科学、人工智能和机器解决现实世界问题的概念。第一个商用、数字和可编程机器人是由 Geroge Devol 于 1954 年制造的，人工智能研究领域成立于 1956 年夏天在达特茅斯学院举行的一次研讨会上。但现代世界并不知道人工智能 (AI) 的起源可以追溯到 8000 到 11000 年前，印度古代圣贤们创造了具有智慧或意识的人工智能神话、故事和传言。现代人工智能的种子是由古典哲学家种下的，他们试图将人类思维过程描述为符号的机械操作。这项工作最终通过知识和思想达到了顶峰，这些知识和思想关于我们今天所见证的许多技术进步已经在印度教的圣书中得到阐述，例如《罗摩衍那》、《摩诃婆罗多》、《薄伽梵歌》、《吠陀经》和《奥义书》，据信这些圣书写于 5000 至 8000 年前（公元前 3000 年 - 公元前 6000 年）。这些不仅是印度文明的神圣史诗，也是印度存在的证据。用人类存在的最古老语言“梵语”写成的古印度文本的内容从现代科学的角度来看也被视为“自然语言”。奥义书和 Advaita Siddhanta 中存在的现代科学元素以及玛雅的本质类似于现代科学意识。这种意识进一步用于理解人类的心理过程和对其进行建模的方法，为人工智能的自然语言理解领域做出贡献。吠陀概念对于有效领导和人工智能（AI）的未来是合适的，也是必要的。这个概念是将人造机器与吠陀经文中描述的意识形态结合起来，用更好的机器构建一个更美好、更智能的世界。自然语言处理具有自然语言输入和输出，可提供更好的人机界面。本文探讨了人工智能概念的起源及其在古印度文献和其他技术描述中的存在，并提供了现代科学证据；还回顾了梵语作为计算机可能的自然语言输入。