XiaoMi-AI文件搜索系统
World File Search System信息提取
polynere：一种新颖的本体论和语料库，用于聚合物科学领域中指定的实体识别和关系提取
抽象聚合物被广泛用于不同的领域，并且对提取和组织信息的有效方法的需求正在增加。使用机器学习的自动化方法可以准确地从科学论文中提取相关信息，从而为使用带注释的培训数据提供了一种有希望的解决方案，以自动化信息提取。在本文中，我们引入了一个与聚合物相关的本体论，该本体论具有至关重要的实体和关系，以增强聚合物科学领域的信息提取。我们的本体论是可以自定义的，以适应特定的研究需求。我们提出了Polynere，一种高品质的命名实体识别（NER）和关系提取（RE）语料库，其中包括使用我们的本体学注释的750个聚合物摘要。Polynere的独特特征包括多种实体类型，关系类别，对各种NER设置的支持以及在不同层面上主张实体和关系的能力。Polynere还通过支持证据来促进RE任务中的推理。我们的最新高级方法实验取得了令人有希望的结果，但挑战持续将NER和RE从摘要调整为全文段落。这强调了在聚合物域中需要强大的信息提取系统的需求，这使我们的语料库成为未来发展的宝贵基准。
引用 (APA) Paraskevopoulos, S.、Smeets, P.、Tian, X. 和 Medema, G. (2022)。使用人工智能从科学出版物中提取有关病原体特征的信息。国际卫生与环境健康杂志，245，文章 114018。https://doi.org/10.1016/j.ijheh.2022.114018
对环境中病原体暴露的健康风险评估需要完整且最新的知识。随着科学出版物的快速增长和文献综述的规范化，基于人工智能 (AI) 技术的自动化方法可以帮助从文献中提取有意义的信息，并使文献综述更加高效。本研究的目的是确定是否可以使用深度学习和自然语言处理技术从 PubMed 上关于水传播病原体军团菌的科学出版物中提取定性和定量信息。该模型有效地提取了定性和定量特征，精度、召回率和 F 值分别为 0.91、0.80 和 0.85。人工智能提取的结果与手动信息提取相当。总体而言，人工智能可以可靠地从科学文献中提取有关军团菌的定性和定量信息。我们的研究为更好地理解信息提取过程铺平了道路，是利用人工智能从环境微生物学出版物中收集有关病原体特征的有意义的信息的第一步。
人工智能（AI）和自然语言处理（NLP ...
- 基于带有die FPGA硬件的飞行预先嵌入的多核CPU； - 功能架构优化了HSDR-X的高速数据接口； - 支持执行计算密集的任务，例如图像处理和ML信息提取； - 软件定义的功能由新的运行时系统（RTS）部署环境
通用模型的应用程序帮助
在将其用于关键应用程序之前，请始终验证使用文档信息提取服务提取的信息。当我们争取最高的准确性和质量时，请注意，提供的提取结果可能并非完全没有错误。此限制适用于标准和自定义文档类型。它也适用于所有可用的提取方法 - 换句话说，该服务的机器学习模型，生成AI和模板。
LLM是否准备好发现现实世界的材料？
大语言模型（LLMS）创造了令人兴奋的可能性，以加速材料科学中的科学发现和知识传播。虽然LLM已成功地用于选择科学问题和基本挑战，但他们目前不属于实用的材料科学工具。从这个角度来看，我们在材料科学中显示了LLM的相关故障案例，这些案例揭示了与理解和推理有关复杂，相互联系的材料科学知识的当前局限性的局限性。鉴于这些缺点，我们概述了建立基于域知识的材料科学LLM（Matsci-llms）的框架，该框架可以实现假设产生，然后进行假设检验。在很大程度上，获得表现型Matscilms的途径在于构建源自科学文献中采购的高质量的多模式数据集，其中各种信息提取挑战持续存在。因此，我们描述了关键材料科学信息提取挑战，这些挑战需要克服，以构建大规模的多模式数据集，以捕获有价值的材料科学知识。旨在实现解决这些挑战的连贯努力，我们概述了通过六个互动步骤将Matsci-llms应用于现实世界材料发现的路线图：1。材料查询； 2。数据检索； 3。材料设计； 4。Insilico评估； 5。实验计划； 6。实验执行。最后，我们在可持续性，包容性和政策制定方面讨论了Matscillms对社会的一些广泛含义。
连续时间随机过程的量子编码与分析及其金融应用
对连续时间中的随机现象进行建模是一项重要而又具有挑战性的问题。通常无法获得解析解，而数值方法可能非常耗时且计算成本高昂。为了解决这个问题，我们提出了一个专门针对量子连续时间随机过程的算法框架。该框架由两个关键程序组成：数据准备和信息提取。数据准备程序专门用于编码和压缩信息，从而显着降低空间和时间复杂度。这种减少对于随机过程的关键特征参数而言是指数级的。此外，它可以作为其他量子算法的子模块，缓解常见的数据输入瓶颈。信息提取程序旨在以二次加速解码和处理压缩信息，扩展量子增强蒙特卡罗方法。该框架展示了多功能性和灵活性，可在统计学、物理学、时间序列分析和金融领域得到应用。举例来说，默顿跳跃扩散模型中的期权定价和集体风险模型中的破产概率计算，展示了该框架捕捉极端市场事件和纳入历史相关信息的能力。总的来说，这个量子算法框架为准确分析和增强对随机现象的理解提供了一个强大的工具。
llm-aix：基于保留大型语言模型的隐私从非结构化医学文本中提取信息的开源管道
在临床科学和实践中，文本数据（例如临床信件或程序报告）以非结构化的方式存储。这种类型的数据不是任何定量研究的可量化资源，任何手动审查或结构化信息检索都是耗时且昂贵的。大语言模型（LLMS）的功能标志着自然语言处理的范式转移，并为结构化信息提取（IE）提供了新的可能性。本协议描述了基于LLM的信息提取（LLM-AIX）的工作流程，从而可以使用隐私保留LLMS从非结构化文本中提取预定义的实体。通过将非结构化的临床文本转换为结构化数据，LLM-AIX解决了临床研究和实践中的关键障碍，在这种临床研究和实践中，有效提取信息对于证明临床决策，增强患者结果并促进大规模数据分析至关重要。该协议由四个主要处理步骤组成：1）问题定义和数据准备，2）数据预处理，3）基于LLM的IE和4）输出评估。LLM-AIX允许在本地医院硬件上集成，而无需将任何患者数据传输到外部服务器。作为示例任务，我们将LLM-AIX应用于肺栓塞患者的虚拟临床信件的匿名化。此外，我们提取了这些虚拟字母的肺栓塞的症状和横向性。我们通过在现实世界数据集上使用IE，癌症基因组图集计划（TCGA）（TCGA）的100个病理报道来证明管道中潜在问题的故障排除，以进行TNM阶段提取。LLM-AIX可以通过易于使用的界面执行任何程序知识，并且在不超过几分钟或几个小时的时间内执行，从而在所选的LLM模型上删除。
Jaist和Ptit：AI暑期学校2024
8:45 - 10:15标题：NLP应用程序和演讲者以外的大语言模型：Nguyen Le Minh教授（JAIST）摘要：包括Chatgpt在内的大语言模型家族，展示了高性能，并在现实世界中取得了重大突破。 在本演讲中，我们想强调用于建立大型语言模型的核心技术，并讨论在各种NLP应用程序中使用这些模型的增长趋势。 此外，我们将研究与使用此类模型相关的潜在问题，重点介绍偏见，安全和隐私等主题。 在我演讲的最后部分，我们将展示我们目前基于深度学习的技术来分析法律文件。 此外，我们将讨论系统在法律信息提取/累积的竞争中的出色表现，我们取得了出色的成果。8:45 - 10:15标题：NLP应用程序和演讲者以外的大语言模型：Nguyen Le Minh教授（JAIST）摘要：包括Chatgpt在内的大语言模型家族，展示了高性能，并在现实世界中取得了重大突破。在本演讲中，我们想强调用于建立大型语言模型的核心技术，并讨论在各种NLP应用程序中使用这些模型的增长趋势。此外，我们将研究与使用此类模型相关的潜在问题，重点介绍偏见，安全和隐私等主题。在我演讲的最后部分，我们将展示我们目前基于深度学习的技术来分析法律文件。此外，我们将讨论系统在法律信息提取/累积的竞争中的出色表现，我们取得了出色的成果。
提取沿海的算法和软件工具 - OAKTrust
页码 4.1.1 典型海滩剖面和形态特征定义.......................................................................29 4.1.2 从理想海滩剖面中提取形态特征.......................................................33 4.2 从自然海滩剖面中提取形态特征.......................................................37 4.2.1 从海滩剖面中提取特征的尺度空间方法....................................39 4.2.2 结合背景信息提取海滩剖面特征....................................................................45 4.2.3 海岸线沿线海滩剖面形态属性的获取程序....................................................53 4.2.4 海滩剖面和剖面变化特征的获取.............................................................................55 4.3 用于海滩剖面分析的 ArcGIS 扩展模块........................................................56
使用模拟模型了解未解析的驻留空间物体的光谱-时间特征变化
地面高光谱成像仪能够在观察期内测量未解析驻留空间物体 (URSO) 的光谱特征随时间的变化（或光谱时间特征）。了解特征对 URSO 属性的依赖性可用于开发用于识别物体的信息提取算法，并推断、分类、预测和诊断其状况和健康状况。鉴于 URSO 光谱时间数据的可用性有限，地面遥感观测可以通过基于物理的模拟模型和实验室数据进行补充，以支持特征利用算法的设计、开发、实施和验证。这在训练需要大量数据的机器学习模型时尤为重要。