XiaoMi-AI文件搜索系统
World File Search System实体识别
不是可爱的中风：对规则和神经网络的分析 -
我们介绍了三个临床信息提取（IE）系统的深入比较，这些系统在大脑成像报告上进行了实体识别和否定检测：Edie-R，一个基于定制的基于规则的系统，以及两个Neu-Ral网络模型，Edie-Bilstm和Edie-Bert，Edie-Bilstm和Edie-Bert，均与BiLILSTM和BILSSTM的多人兼而有多元表的学习模型。我们将模型在样本外和样本外数据集上进行了比较，其中包含中风发现的情况，并利用我们的错误分析，以提出改进新域的临床NLP模型时有效的nlp。我们的分析发现我们的基于规则的系统在两个数据集上的表现都优于神经模型，并且似乎概括到样本外数据集。另一方面，尽管在样本内数据集中指标建议其他指标，但神经模型并未将否定为样本外数据集。
口译与技术：天空真的是极限吗？
模块 I。该模块旨在用于准备口译作业，包含四个主要功能：（i）语料库管理、（ii）词汇表管理、（iii）命名实体识别（NER）和（iv）自动文本摘要。语料库管理提供与语料库相关的不同功能：自动和用户辅助语料库编译（网络爬虫）、语料库上传和语料库查询（索引、右/左排序 KWIC、n-gram、模式、候选术语）。词汇表可以从语料库创建或手动编译。词典和词汇表管理允许用户创建、上传和删除词汇表，执行外部搜索以查找翻译等价物，或者使用机器翻译和后期编辑自动翻译术语。还可以自动创建多词术语的双语词汇表并通过外部搜索进行后期编辑。
XSL•fo
背景：由于基因的区别，许多药物对每个人的工作方式都不相同。药物基因组学（PGX）旨在了解遗传变异如何影响药物疗效和毒性。通常被认为是个性化医学范式中最可行的领域之一。然而，几乎没有其他工作包括对药物使用，剂量调整等的深入探索和描述。目的：我们提出了一种药物基因组学知识模型，以发现PGX实体（例如药物，基因和疾病）之间的隐藏关系，尤其是精确药物的细节。方法：PGX开放数据，例如药品银行和RXNOM，以及美国食品药品监督管理局发表的药物标签。我们为实体和人际关系手动注释了190个药物标签。基于注释结果，我们培训了3种不同的自然语言处理模型以完成实体识别。最后，详细描述了药物基因组学知识模型。
生物医学数据科学年度回顾 人工智能在行动：利用自然语言处理应对新冠肺炎疫情
COVID-19（2019 冠状病毒病）疫情对社会产生了重大影响，这既是因为 COVID-19 对健康的严重影响，也是因为为减缓其传播而实施的公共卫生措施。其中许多困难从根本上来说都是信息需求；解决这些需求的尝试导致研究人员和公众都面临信息过载。自然语言处理 (NLP) 是人工智能的一个分支，可以解释人类语言，可用于解决 COVID-19 疫情带来的许多紧迫信息需求。本综述调查了大约 150 项 NLP 研究和 50 多个针对 COVID-19 疫情的系统和数据集。我们详细介绍了四个核心 NLP 任务的工作：信息检索、命名实体识别、基于文献的发现和问答。我们还描述了通过四个额外任务直接解决疫情各个方面的工作：主题建模、情绪和情感分析、案例量预测和错误信息检测。最后，我们讨论了可观察到的趋势和剩余的挑战。
在...
摘要：深度学习模型在自然语言处理领域（NLP）取得了出色的表现，但是它们在实际应用中仍然面临许多挑战，例如数据异质性和复杂性，模型的黑盒本质以及在多种语言和交叉跨区域的转移学习方面的困难。在本文中，从四个角度提出了相应的改进措施：模型结构，损失功能，正则化方法和优化策略，以解决这些问题。对包括文本分类，命名实体识别和阅读理解的三个任务进行的大量实验证实了所提出的优化解决方案的可行性和有效性。实验结果表明，引入创新机制，例如多头关注和局灶性损失，以及明智地应用诸如Layernorm和Adamw之类的技术，可以显着提高模型性能。最后，本文还探讨了模型压缩技术，为在资源受限的方案中部署深层模型提供了新的见解。
基于注意力的神经网络信息提取策略的比较研究
摘要。本文重点研究历史手写结婚记录中的信息提取。传统方法依赖于两个连续任务的顺序流水线：在命名实体识别之前应用手写识别。最近，人们研究了同时处理这两个任务的联合方法，并取得了最先进的成果。然而，由于这些方法已在不同的实验条件下使用，因此尚未对它们进行公平比较。在这项工作中，我们对基于相同基于注意的架构的顺序和联合方法进行了比较研究，以量化可归因于联合学习策略的收益。我们还研究了三种基于多任务或多尺度学习的新联合学习配置。我们的研究表明，依靠联合学习策略可以使完整识别分数提高 8%。我们还强调了多任务学习的兴趣，并展示了基于注意的网络对信息提取的好处。我们的工作在 Esposalles 数据库上的 ICDAR 2017 信息提取竞赛中以行级实现了最先进的性能，无需任何语言建模或后处理。
金融业的机遇与挑战
AI – 人工智能 API – 应用程序编程接口 DARPA – 国防高级研究计划局 ES – 专家系统 EU – 欧盟 FCA – 金融行为监管局 FINRA – 金融业监管局 GAN – 生成对抗网络 GDPR – 通用数据保护条例 IDE – 集成开发环境 LDA – 潜在狄利克雷分配 LLM – 大型语言模型 LSE – 伦敦证券交易所 MDP – 马尔可夫决策过程 MiFID – 金融工具市场指令 ML – 机器学习 NER – 命名实体识别 NLP – 自然语言处理 NMF – 非负矩阵分解 NMT – 神经机器翻译 NN – 神经网络 PCS – 主成分分析 RegTech – 监管技术 RL – 强化学习 RPA – 机器人过程自动化 SME – 中小企业 SMT – 统计机器翻译 SVM – 支持向量机 VAE – 变分自动编码器 XAI – 可解释人工智能
![arxiv：2402.18695v2 [CS.CV] 26 Jul 2024](/simg/g:\will\search\icon\source\f\f08f1aee69cc179cf9f481f2bc9e7e619c2cf4e0.webp)
arxiv：2402.18695v2 [CS.CV] 26 Jul 2024
摘要。我们介绍了Autober，这是一种用于VI-SUAL实体识别的自回归模型。我们的模型通过采用检索增强的结构发电来扩展自回归的多模态大型语言模型。它可以减轻台面外的低性能，同时在需要视觉推理的查询中出色。我们的方法学会了通过与没有外部撤回器的序列序列物镜并行进行硬性负面训练，以在巨大的标签空间内区分相似的实体。在推论期间，检索到的候选人答案列表通过删除无效的解码路径来明确指导语言构成。所提出的方法在最近提出的烤箱-Wiki基准测试中实现了不同数据集拆分的显着改善，而所见实体的准确性从32.7％上升到61.5％。它通过实质性的两位数边际表现出了在看不见和查询分裂的卓越性能，同时还可以保留有效地转移到其他无需进一步训练的基准的通用视觉问题上的能力。
人工智能原理课程描述
- 语义网络、框架和本体 第 3 周：机器学习简介 - 机器学习概述：监督学习、无监督学习、强化学习 - 回归和分类算法 - 模型评估和验证技术 第 4 周：监督学习算法 - 线性回归和逻辑回归 - 决策树和集成方法：随机森林、梯度提升 - 支持向量机 (SVM) 第 5 周：无监督学习算法 - K 均值聚类 - 层次聚类 - 主成分分析 (PCA) 和 t 分布随机邻域嵌入 (t-SNE) 第 6 周：自然语言处理 (NLP) - 文本处理和标记化的基础知识 - 命名实体识别 (NER) 和词性 (POS) 标记 - 情绪分析和文本分类 第 7 周：深度学习基础 - 人工神经网络 (ANN) 简介 - 深度前馈网络和激活函数 - 训练神经网络网络：反向传播算法第 8 周：卷积神经网络 (CNN) - CNN 架构基础
印度河：...
对General域Corpora培训的大型语言模型（LLM S）在自然语言处理（NLP）任务上表现出了显着的要求。然而，以前的研究通过以域为中心的Corpora训练LLM S在专业任务上表现更好。是由这种见解的刺激，我们开发了一套全面的LLM S套件，该套件是针对地球科学，生物学，物理学，地球物理学，行星科学和天体物理学的紧密相关领域量身定制的，并使用从多元化数据来源中汲取的科学公司进行了培训。模型套件包括：（1）使用域特异性词汇和语料库培训的编码模型来解决NLP任务，（2）基于对比的学习文本嵌入了使用多种数据集培训的模型，以解决信息检索和（3）使用知识蒸馏的较小型号的较小版本，这些型号的较小版本，这些模型的较小版本是对延期或资源约束的较小型号。我们还创建了三个新的科学基准数据集，气候 - 变化NER（实体识别），