XiaoMi-AI文件搜索系统
World File Search System自然语言
解码多模式自然语言处理的EEG大脑活动
直到最近，研究人员的人类行为数据主要吸引了人类认知。但是，这些人类语言处理信号在基于机器学习的自然语言处理任务中也可能是有益的。为此目的使用EEG脑活动在很大程度上尚未探索。在本文中，我们介绍了第一项大规模研究，以系统地分析EEG脑活动数据改善自然语言处理任务的潜力，特别关注信号的特征最有益。我们提出了一种多模式的机器学习体系结构，该体系结构从文本输入以及脑电图功能中共同学习。我们发现，将EEG信号填充到频带中比使用宽带信号更有益。此外，对于一系列单词嵌入类型，脑电图数据改善了二进制和三元感性分类，并且优于多个基准。对于更复杂的任务，例如关系检测，只有上下文化的BERT嵌入在我们的实验中优于基准，这增加了进一步研究的需求。最后，脑电图数据表明，当有限的培训数据可用时，特别有希望。
使用自然语言处理的人工智能医疗聊天机器人
医疗保健是个人过上好日子的重要因素。但如果有任何健康相关问题，咨询医生并不容易。提出的想法是利用人工智能创建医疗保健聊天机器人作为虚拟助手。人工智能集成医疗保健聊天机器人将在咨询医生之前诊断并提供常见健康问题的详细信息。医疗保健聊天机器人系统将使用自然语言处理和神经网络来训练医疗数据库。为了降低医疗保健总体成本并提高医疗知识的可及性，构建了医疗保健聊天机器人。某些现有的聊天机器人充当医学参考书，帮助患者了解有关其疾病的更多信息并有助于改善他们的健康。该聊天机器人系统使用文本到文本对话与患者讨论他们的健康问题，并根据他们的症状提供个性化诊断。因此，个人将了解他们的健康状况并了解正确的治疗方法。
人工智能处于自然语言处理和神经科学的交叉点
HAL 是一个多学科开放存取档案库，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
使用 AI Playbook 规划自然语言处理故障
原型化 AI 用户体验具有挑战性，部分原因是概率 AI 模型使得在部署之前预测、测试和缓解 AI 故障变得困难。在这项工作中，我们着手为早期 AI 原型设计的从业者提供支持，重点关注基于自然语言 (NL) 的技术。我们对一家大型科技公司的 12 名 NL 从业者的采访表明，除了 AI 原型设计的挑战之外，由于缺乏工具和时间紧迫，原型设计通常根本不发生或仅关注理想化的场景。这些发现为我们设计 AI Playbook 提供了参考，AI Playbook 是一种交互式低成本工具，我们开发该工具是为了鼓励在部署之前主动和系统地考虑 AI 错误。我们对 AI Playbook 的评估表明，它有潜力 1) 鼓励产品团队优先考虑理想和故障场景，2) 从用户体验的角度标准化 AI 故障的表达，3) 充当用户体验设计师、数据科学家和工程师之间的边界对象。
自然语言到形式化知识记录节点的自动转换
本文介绍了基于自然语言句子所表达的知识的自动问答系统的改进。该系统是使用关系数据库实现的。该系统将成为开发用于获取所提问题答案的 Web 应用程序的基础。为了将自然语言句子输入关系数据库，必须准备好并正式记录它们。问答系统的开发基于概念框架知识节点 (NOK) 的应用，其形式化记录适合输入到关系数据库中，从中可以获得问题的答案。本文介绍了一种将英语句子自动转换为形式化记录的应用程序。该应用程序在 100 个简单的英语句子上进行了测试，并将自动转换的结果与手动处理相同句子的结果进行了比较。
自然语言处理在毒理学中提取机械信息
研究化合物诱导不良影响的方式，毒理学家一直在构建不良结果途径（AOPS）。AOP可以被视为一种务实的工具，可以捕获和可视化任何类型的压力源会影响不同类型的毒性的机制，并描述关键实体之间的相互作用，从而导致多个组织生物学水平的不利结果。AOP的构建或优化是一个劳动密集型过程，目前取决于手动搜索，收集，审查和综合可用科学文献。但是，可以使用自然语言处理（NLP）在很大程度上促进此过程，以从系统，客观和快速的方式中提取科学文献中包含的信息，从而提高准确性和可重复性。这将支持研究人员通过替换NLP提取的数据进行的批判性审查来收集证据收集的时间来投资于AOP的实质性评估。作为案例示例，我们选择了在肝脏中观察到的两个频繁的逆境：即分别表示胆汁和脂质的积累，胆汁淤积和脂肪变性。我们使用深度学习语言模型来识别文本中感兴趣的实体，并在其之间建立因果关系。我们演示了NLP管道如何将命名实体识别和基于规则的关系提取模型组合在一起，有助于筛选文献中与肝脏逆境有关的化合物，同时也提取机械信息，以了解从分子到生物体的分子发展的方式。最后，我们提供了一些最新语言模型的进展以及将来如何使用这些观点。我们提出这项工作带来了两个主要贡献：1）概念证明NLP可以支持从现代毒理学文本中提取信息的信息； 2）模板开源
解码脑电图活动以实现多模态自然语言处理
直到最近，研究人员主要对阅读中的人类行为数据感兴趣，以了解人类认知。然而，这些人类语言处理信号也可以用于基于机器学习的自然语言处理任务。目前，将脑电图大脑活动用于此目的的研究还很大程度上尚未得到探索。在本文中，我们首次进行了大规模研究，系统地分析了脑电图大脑活动数据在改进自然语言处理任务方面的潜力，特别关注了信号的哪些特征最有益。我们提出了一种多模态机器学习架构，它可以从文本输入和脑电图特征中联合学习。我们发现将脑电图信号过滤到频带中比使用宽带信号更有益。此外，对于一系列词嵌入类型，脑电图数据可以改进二元和三元情绪分类，并且优于多个基线。对于关系检测等更复杂的任务，在我们的实验中，只有情境化的 BERT 嵌入优于基线，这提出了进一步研究的需要。最后，当训练数据有限时，EEG 数据显示出特别有前景。
数据驱动的材料研究由自然语言处理和信息提取
1材料科学与工程系，麻省理工学院，马萨诸塞州剑桥市02139，美国2 Cavendish Laboratory，剑桥大学，J。J。J. Thomson Avenue，剑桥CB3 0HE，英国CB3 0HE，ISIS NETRICH和MUON SOUNTIR，RUTHERFORD APPLELON LABORATION，HARWELE CACK，INSEROC，INSERIS，IDCOT，DIDCOT，DIDCOT，DIDC11工程与生物技术学，剑桥大学，西剑桥大学，菲利帕·福塞特大道，剑桥CB3 0AS，英国5美国加利福尼亚州伯克利实验室94720，美国8材料科学部，劳伦斯·利弗莫尔国家实验室，加利福尼亚州利弗莫尔94550，美国
量子自然语言处理在语言翻译中的应用
Mina Abbaszade 1，Vahid Salari 2,3,4，Seyed Shahin Mousavi 5，Mariam Zomorodi 6,7和Xujuan Zhou 8和Xujuan Zhou 8，（IEEE）1物理学系，ISFAHAN INSECOPYRINES，ISFAHAN INSECOPLIONS，ISFAHAN ISTOCHEL，ISFAHAN 84156-833111，IRAN 2 BASID SASID中心，伊斯兰教）西班牙比尔巴奥3日3物理化学系，巴斯克大学UPV/EHU，48080西班牙，西班牙4量子生物学实验室，霍华德大学，华盛顿特区，20059年，美国5纯数学系Mashhad 91779-4897，伊朗7计算机科学系，计算机科学与电信学院，克拉科夫技术大学计算机科学和电信学院，波兰81-155，波兰8号商学院，南昆士兰州大学，苏格兰大学，苏格兰校园，斯普林德校园，斯普林德尔德，澳大利亚，澳大利亚，澳大利亚，
Gazexplain：学习预测视觉扫描的自然语言解释
摘要。在探索视觉场景时，人类的扫描路径是由他们的基本注意力过程驱动的。了解视觉扫描对各种应用至关重要。传统的扫描模型预测目光的何处和何时在不提供解释的情况下变化，在理解固定背后的基本原理方面存在差距。为了弥合这一差距，我们介绍了Gazexplain，这是一项关于视觉扫描预测和解释的新研究。这涉及注释自然语言解释，以介绍跨眼睛追踪数据集的固定，并提出具有关注语言解码器的通用模型，该模型共同预测扫描路径并生成解释。它集成了一种独特的语义对准机制，以增强固定和解释之间的一致性，以及跨数据库共同训练的通用方法。这些新颖性为可解释的人类视觉扫描预测提供了一种全面且适应性的解决方案。对各种眼睛追踪数据集进行的广泛实验证明了GAZ-在扫描Path的预测和解释中解释的有效性，从而为人类的视觉关注和认知过程提供了宝贵的见解。