XiaoMi-AI文件搜索系统
World File Search System知乎
传感器和图像 AI 的实施以实现预测性维护
[压合机] 三铃工业株式会社以每分钟200～300次的高速压合金属带。由于离线目视检查是在加工一卷金属带后进行的，因此，如果冲压废料或冲压碎屑（金属碎片）粘附在模具上，就会产生数千到数万个缺陷凹痕。为了减少凹痕缺陷，需要在冲压废料、冲压碎屑等粘附到模具上时立即检测出来。
脑膜炎球菌：你需要知道什么
问：脑膜炎球菌危险吗？答：是的。每年，美国有数百人感染脑膜炎球菌病并死于该感染。此外，五分之一的幸存者会遭受永久性终身残疾，如癫痫、肢体缺失、肾病、听力丧失和智力障碍。大多数脑膜炎球菌感染发生在 1 岁以下的婴儿中。 2至10岁儿童中脑膜炎球菌病的发病率较低，但随着青春期的开始，发病率会升高。青少年感染的可能性比婴儿小，但如果感染，则死亡的可能性更大。 脑膜炎球菌尤其危险，因为它会迅速产生大量称为内毒素的有毒物质。内毒素会引起血管损伤，导致低血压和休克。因此，脑膜炎球菌感染血液后很快就会致命。孩子们前一分钟可能还好好的，但4-6小时后却会死去。该疾病进展如此之快，甚至适当的治疗干预都可能会被延迟，或者初步治疗可能无效。脑膜炎球菌病常常引起社区恐慌，因为疫情发生在大学、学校、托儿所、军营和其他人们密切接触的地方。
基于LLM的SPARQL查询生成从自然语言上通过联合知识图
在生物信息学中，查询复杂知识图（kgs）的能力对于提取有意义的见解至关重要。但是，手动制作SPARQL查询，尤其是跨多个连接的KGS的联合查询，甚至对于专家而言，甚至可能是一项耗时且具有挑战性的任务。这导致人们对知识图答录（KGQA）系统的需求不断增长，该系统可以将自然语言查询转化为SPARQL，从而弥合用户问题与可用结构化数据之间的差距。大型语言模型（LLMS）提供了一个令人兴奋的机会来应对这一挑战，从而有可能自动从自然语言输入中产生准确的SPARQL查询。然而，尽管LLM在该领域表现出了令人印象深刻的能力[1] [2]，但当前的系统难以处理大规模，不断发展的kg，例如SIB Swiss Swiss生物信息学研究所的目录[3]。在这项工作中，我们提供了一种解决方案，旨在帮助SIB的生物信息学KGS [4]，例如Uniprot [5]，BGEE [6]或OMA [7]，以探索和查询可用数据。我们的方法利用LLM和端点元数据来生成SPARQL查询，同时解决动态整合不断发展的数据集的挑战，而无需持续不断的再培训。通过提供可扩展的系统1，以适应生物信息学知识的复杂且不断变化的景观，我们的目标是显着减少在联邦公里范围内查询的时间和专业知识所需的时间和专业知识。
Goproteingnn：利用蛋白质知识图蛋白表示学习
摘要 - 虽然自动驾驶的能力已迅速发展，但融合到密集的交通仍然是一个重大挑战，但已经提出了许多针对这种情况的运动计划方法，但很难对其进行评估。大多数现有的闭环模拟器依赖于其他车辆的基于规则的控件，这导致缺乏多样性和随机性，因此无法准确评估高度交互式场景中的运动计划能力。此外，传统的评估指标不足以全面地评估密集流量合并的性能。回应，我们提出了一个闭环评估基准，用于评估合并方案的运动计划功能。我们的方法涉及在大规模数据集中训练的其他车辆，具有微观行为特征，可显着提高复杂性和多样性。此外，我们通过利用大型语言模型来评估每种自动驾驶汽车合并到主要道路上来重组评估机制。广泛的实验证明了该评估基准的高级性质。通过此基准，我们获得了对存在方法的评估并确定了常见问题。我们设计的环境和车辆运动计划模型可以通过https://anonymon.4open.science/r/ bench4merge-eb5d访问。
黑洞信息悖论：全知是宇宙的基本属性吗？
我们试图研究解决黑洞信息悖论的本体论方面。我们对这一悖论的解决产生了几个现在对我们理解量子力学至关重要的概念，这些概念指出所有信息都是守恒的，即使是在量子层面上。如果量子信息是守恒的，永远不会被抹去或摧毁，那么这表明所有信息至少在理论上、最终都是可以从宇宙的事件视界中检索和了解的。从本体论上讲，这支持了宇宙中所有信息的储存库因此必须存在的论点。在此，我们追溯了这一争论的步骤，并得出结论，我们对宇宙的理解指向一个无所不知的实体的存在。
多态度增强的卷积神经网络用于知识图完成
摘要。知识图完成（KGC，也称为链接预测）旨在预测知识图中的缺失实体和关系（kgs）。知识图嵌入（KGE）技术已被证明对链接预测有效。术语，一系列基于卷积的神经网络（CNN）基于模型（例如，凸出及其扩展模型）已获得了极好的链接预测。但是，尚未同时考虑和增强使用CNN的链接预测重要的几个方面，这显着限制了这些模型的性能。在本文中，我们探讨了一个基于CNN的有效KGE模型。我们调查并发现了四个极大的方面，这些方面对引体具有强大的影响：实体和嵌入式，实体与 - 关系相互作用方法，CNN结构和损失函数。基于上述四个方面的优化，我们提出了一种称为CONVEICF的新型KGE方法。通过广泛的实验，我们发现传达的FB15K-237和WN18RR数据集优于先前的最新链接预测基准。尤其是，ConveICF获得@10分别比FB15K-237和WN18RR数据集的10分的10分和6.5％。此外，通过深入的典范，我们观察到一种有趣的现象，并且重要的是，只要添加掉落操作，就可以在KGE中非常常见的1-N评分技术得到改善。我们的代码可在https://github.com/neu-idke/conveicf上找到。
pygraft：触手可及的合成模式和知识图的可配置生成
摘要。知识图（kgs）已成为突出的数据表示和管理范式。通常受到架构（例如，本体论）的基础，KGS不仅捕获了事实信息，而且捕获了上下文知识。在某些任务中，一些公斤将自己确立为标准基准。但是，最近的工作概述依靠有限的数据集集合不足以评估方法的概括能力。在一些数据敏感领域（例如教育或医学）中，对公共数据集的访问更加有限。为了纠正上述问题，我们释放了Pygraft，这是一种基于Python的工具，生成了高度定制的域 - 不可能的模式和KGS。合成的模式包含各种RDF和OWL构建体，而合成的KG则模仿了真实世界KGS的字符和规模。最终通过运行描述逻辑（dl）追求来确保生成资源的逻辑一致性。通过提供单个管道中同时产生模式和kg的方式，Pygraft的目的是赋予在基于图形的机器学习（ML）或更一般的KG处理等领域的基准新颖方法中生成更多样化的kgs。在基于图的ML中，这应该促进对模型性能和概括能力的更全面评估，从而超越了可用基准的有限收集。Pygraft可在以下网址提供：https：//github.com/nicolas-hbt/pygraft。
VISE：知识图完整性的验证和无效的符号解释
抽象知识图（kgs）自然能够捕获数据和知识的收敛性，从而使它们成为高度表达的框架，用于以连贯和互连的方式描述和集成异质数据。然而，基于开放世界假设（OWA），kgs中没有信息并不表示虚假或不存在；它仅反映了不完整。使用数值或符号学习模型，基于KG中现有的事实陈述来预测基于现有的事实陈述的新关系。最近，知识图嵌入（KGE）和符号学习在各种下游任务（包括链接预测（LP））中受到了相当大的关注。LP技术采用实体及其关系的潜在矢量代表来推断缺失的链接。此外，随着KGS产生的数据数量的不断增加，进行额外质量评估和验证工作的必要性变得更加明显。尽管如此，最新的kg完成方法在产生预测的同时未能考虑质量约束，从而导致建立有错误关系的kg。在医疗保健决策的背景下，准确的数据和见解的产生至关重要，包括诊断过程，治疗策略的制定以及实施预防措施。我们提出了一种混合方法，即Vise，该方法采用了符号学习，约束验证和数值学习技术的整合。Vise利用KGE捕获隐式知识并表示kg中的否定，从而增强了数值模型的预测性能。我们的实验结果证明了这种混合策略的有效性，该策略结合了符号，数值和约束验证范式的优势。VISE实施是在GitHub（https://github.com/sdm-tib/vise）上公开访问的。
自主驾驶中场景理解的因果知识图
驾驶是一项复杂的活动，需要仔细计划和持续关注。人类驾驶员根据观察结果，过去的经验以及对潜在情景和必要行动的期望来分析其周围环境。尽管对观测数据进行了自动驾驶培训，但它们面临着陌生，不确定和冒险的驾驶情况的挑战。这些车辆在具有各种元素的环境中运行，例如交通标志，行人和其他车辆。了解这些要素之间的关系和互动对于在不同情况下理解自动驾驶汽车的行为至关重要。要实现5级完整驾驶自动化，这需要一个能够在没有人工干预的情况下处理所有驾驶任务的系统，人工智能（AI）模型需要高质量的表示，发现以及对驾驶场景中元素之间因果关系的理解1。在因果关系（CBN）[1]中表达的对因果关系的理解将受益于知识图（kg）中的明确表示。这个想法提出了许多重要的研究问题。在驾驶场景中，基于CBN的因果关系可以帮助理解广告场景吗？可以在KG中使用基于CBN的因果表示执行干预和反事实推理，例如确定特定的
通过奖励成型技术增强多跳的知识图
摘要 - 在计算知识的领域中，知识图推理（KG-R）位于促进多种领域的促进复杂的推论能力的前端。这项研究的精髓旨在实现强化学习的使用（RL）策略，尤其是增强算法，以浏览多跳kg-r中固有的内在物质。这项调查批判性地解决了知识图（kgs）固有的不完整所带来的普遍挑战，这些挑战经常导致错误的推论结果，表现为虚假负面因素和误导性的阳性。通过将大学的医学语言系统（UMLS）分区分为富且稀疏的子集，我们研究了预训练的BERT嵌入式的功效，并促使学习方法来完善奖励成型过程。这种方法不仅提高了多跳kg-r的精度，而且为该领域的未来研究树立了新的先例，旨在提高复杂KG框架内知识推断的鲁棒性和准确性。我们的作品对KG推理的论述有了新的观点，提供了一种方法上的进步，该进步与自然期刊的学术严谨和学术愿望保持一致，并有望在计算知识表示领域中进一步发展。索引术语 - 知识图推理，强化学习，奖励成型，转移学习