XiaoMi-AI文件搜索系统
World File Search System信息提取
一种基于模型的新型FMEA自动生成方法
FMEA（失效模式与影响分析）是一种分析系统各个部件可能发生的所有失效模式，并确定对系统可能产生的所有影响的方法。该方法最早在美国军工领域发展起来。FMEA作为当今可靠性领域一项重要的分析技术，既应用于软件系统，也应用于硬件系统。针对FMEA过程中如何避免人工分析的不确定性，如何应用FMEA提高分析的准确性和效率等问题，本文提出了一种基于模型的提高FMEA分析效率的新技术。该技术在对分析对象的信息提取、对分析数据的分析和管理等方面都优于以往的软件产品。因此，对发现系统流程、提高系统可靠性、减少软件产品的失效有显著的效果。
电子提交给ACS期刊的模板-NSF -PAR
1研究生，部门公民和环境工程，大学。在伊利诺伊州乌尔巴纳香槟（Urbana-Champaign），北马修斯大街205号，伊利诺伊州乌尔巴纳，伊利诺伊州61801。电子邮件：xiyuw2@illinois.edu 2副教授， 公民和环境工程，大学。 在伊利诺伊州乌尔巴纳香槟（Urbana-Champaign），北马修斯大街205号，伊利诺伊州乌尔巴纳，伊利诺伊州61801。 电子邮件：gohary@illinois.edu抽象信息提取提供了一个机会，可以自动从建筑安全法规中提取安全要求，以支持自动安全合规性检查，以检查与这些法规一起检测现场违规行为。 但是，由于非结构化文本的复杂性，以前对安全合规性检查过程自动化的可伸缩性和自动提取安全要求的能力的努力降低了。 因此，本文提出了一种基于深度学习的信息提取方法，用于提取关系，该方法将从建筑安全法规中提取的跌落保护相关实体联系起来，以支持自动化现场合规性检查。 提出的方法使用基于注意力的卷积神经网络模型来识别和分类关系。 该提出的方法已在两个与跌倒保护有关的职业安全与健康管理（OSHA）部分进行实施和测试。 它的加权精度，召回和F-1度量分别为82.7％，81.1％和81.3％，这表明了良好的关系提取性能。 简介现场合规性检查旨在检测违反建筑安全法规的行为。 2018; Fang等。电子邮件：xiyuw2@illinois.edu 2副教授，公民和环境工程，大学。在伊利诺伊州乌尔巴纳香槟（Urbana-Champaign），北马修斯大街205号，伊利诺伊州乌尔巴纳，伊利诺伊州61801。电子邮件：gohary@illinois.edu抽象信息提取提供了一个机会，可以自动从建筑安全法规中提取安全要求，以支持自动安全合规性检查，以检查与这些法规一起检测现场违规行为。但是，由于非结构化文本的复杂性，以前对安全合规性检查过程自动化的可伸缩性和自动提取安全要求的能力的努力降低了。因此，本文提出了一种基于深度学习的信息提取方法，用于提取关系，该方法将从建筑安全法规中提取的跌落保护相关实体联系起来，以支持自动化现场合规性检查。提出的方法使用基于注意力的卷积神经网络模型来识别和分类关系。该提出的方法已在两个与跌倒保护有关的职业安全与健康管理（OSHA）部分进行实施和测试。它的加权精度，召回和F-1度量分别为82.7％，81.1％和81.3％，这表明了良好的关系提取性能。简介现场合规性检查旨在检测违反建筑安全法规的行为。2018; Fang等。传统上，此过程是由现场经验丰富的安全经理手动进行的，该过程无法保证及时确定和解决违规行为（Tang等人。2020）预防潜在的安全事件。因此，许多研究工作已致力于自动化现场合规性检查过程。例如，计算机视觉技术已通过检测某些保护项目（例如硬帽和个人跌落保护系统）的存在来广泛用于监测站点条件（Fang等人2019; Nath等。2020），跟踪和预测工人和设备等站点对象的轨迹（Tang等2019;罗伯茨等。2020），并认可工人的运营以及与环境的互动（Teizer 2015; Zhang等人2015b; Park and Brilakis 2016;唐等。2020）。尽管有这些努力收集和分析现场信息，但通常以粗略的方式做出合规决策，而没有足够的考虑到建筑安全法规中所述的不同情况和/或例外。
量子计算文献综述关键词提取与分析
摘要：由于科学出版物数量巨大，且大多为非结构化数据，文献审查过程的复杂性和工作量不断增加。近年来，量子计算研究领域的科学出版物数量也大幅增加。本文概述了如何使用文本挖掘方法在量子计算文献研究中进行信息提取。主要研究目标是应用文本挖掘技术根据科学出版物的摘要自动提取和可视化关键词。该方法一方面利用TF-IDF方法，另一方面利用Word2Vec算法，实现相关文献的自动检测和处理。随后，对结果进行可视化表示，例如动态词云。该分析为量子计算研究领域提供了见解。
![arxiv：2408.11735v3 [CS.AI] 2025年1月7日](/simg/g:\will\search\icon\source\e\ea366222ff045d7f392b2f1f4d7166ed2cd8d1b0.webp)
arxiv：2408.11735v3 [CS.AI] 2025年1月7日
本文探讨了语言模型在医疗保健中的进步和应用，重点是其临床用例。它检查了基于早期编码器的系统的演变，这些系统需要大量的微调到最先进的大语和多模型模型，能够通过文本学习整合文本和视觉数据。分析强调了本地可部署的模型，从而增强了数据隐私和操作自治，及其在文本生成，分类，信息提取和对话系统等任务中的应用。本文还强调了一个结构化的任务组织和一种分层的道德方法，为研究人员和从业人员提供了宝贵的资源，同时讨论了与道德，评估和实施相关的关键挑战。
MUC-6 评估结果概述
一系列自然语言处理系统评估中的最新一次于 1995 年 10 月结束，并成为 11 月第六届信息理解会议 (MUC-6) 的主题。参与者被邀请在多达四个不同的面向任务的评估中输入他们的系统。命名实体和共指任务需要对文本进行标准通用标记语言 (SGML) 注释，这是首次进行。另外两个任务，模板元素和场景模板，是继前几年进行的 MUC 评估之后的信息提取任务。本卷中 Grishman 和 Sundheim 的论文讨论了 MUC-6 评估的演变和设计。除场景模板任务之外的所有任务都是独立于任何特定领域定义的。
知识图谱赋能材料发现 - NSF-PAR
摘要 — 在本立场文件中，我们描述了知识图谱赋能的材料科学预测和发现的研究。该研究包括几个关键部分，包括本体映射、材料数据注释和从非结构化学术文章中提取信息。我们认为，尽管模拟和实验产生的大数据推动并加速了数据驱动的科学，但材料科学相关大数据的分布和异质性阻碍了该领域的重大进步。知识图谱作为语义枢纽，整合了不同的数据并为解决这一挑战提供了可行的解决方案。我们设计了一种基于知识图谱的方法，用于材料科学中的数据发现、提取和集成。索引词 — 知识图谱、材料发现、信息提取、本体、自然语言处理
2013 年 10 月 15 日 石油泄漏检测和绘图...
最近的研究表明高光谱图像的实用性，尽管目前高光谱数据集的解释需要专业知识。自动化所使用的信息提取过程将使高光谱传感器输出更容易集成到操作中。光学（可见光、多光谱 (MS) 和紫外线 (UV)）和热红外 (TIR) 传感器通常用于石油泄漏监测，而静态和视频摄像机的视觉解释仍然是操作监视的重要组成部分。石油可能与其他现象混淆，特别是如果解释不是由受过培训的操作员进行的。有大量的知识描述使用视觉仪器绘制和描述水上石油的情况，但几乎没有经过验证的信息可以描述它们在冰冻条件下的使用。光学系统的弱点是它们依赖于良好的能见度，而在北极条件下能见度有限，而 TIR 则受到的限制较少。
FirstEnergy信息资产访问协议
（a）使用提供给用户员工的公司拥有的设备并使用公司拥有的设备的相关远程访问系统建立了与公司信息资产的远程访问连接； （b）使用用户拥有的设备通过安全的远程访问终端系统建立了与公司信息资产的远程访问连接，从而从技术上限制了信息提取。如果公司授予此类访问，则用户同意根据以下方式配置用于访问公司信息资产的所有用户计算机系统：（i）以书面形式提供给用户的任何技术标准； （ii）公司展示了“可接受的使用实践，用于访问FirstEnergy信息资产”（以下简称“展览A”），包括该网络安全策略，标准和程序（MCAS.MS）的任何修改，用户同意不时访问哪些用户；
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。