XiaoMi-AI文件搜索系统
World File Search System逻辑的
与逻辑的基因调节网络
指定TFS（图2.b底部面板；图2.C底部面板中的高级表达）。S吸引力状态的189个差异与实际生物系统中干细胞中谱系指定的TFS 190的共表达水平有关[11，50]。从直觉上讲，从布尔模型的视图中，seg 191细胞状态（[[0,0]状态）需要打开谱系指定的TF到Transit 192
定量模态逻辑的表现力
摘要 - 一种足够强的模态逻辑，以完全表征系统的行为称为表达性。最近，随着（概率，网络物理等）的推理，系统的多样性越来越多。），重点转移到定量设置，从而为定量逻辑和行为指标带来了许多表达性结果。这些定量的表达性结果中的每一个都使用量身定制的论点；提炼这些论点的本质是非平凡的，但对于支持新的定量设置的表达模态逻辑的设计很重要。在本文中，我们介绍了基于近似家庭的新概念来得出定量表达结果的第一个分类框架。一个关键的成分是鳕鱼的提升，这是一种均匀的观察以各种双性异性的构造 - 类似于双性模拟指标的概念。我们表明，最近有几个定量表达性结果（例如Kénig等人。和Fijalkow等人）被容纳在我们的框架中；对于我们所谓的一分化均匀性，也得出了新的表达结果。
基于逻辑的机械机器学习高...
摘要 29 成纤维细胞是心脏损伤后细胞外基质沉积的重要调节剂。30 这些细胞在纤维化过程中对 31 环境刺激表现出高度可塑性的表型反应。在这里，我们测试候选抗纤维化药物是否以及如何 32 差异地调节心脏成纤维细胞表型的测量，这可能有助于确定 33 心脏纤维化的治疗方法。我们对用 13 种临床相关药物在 TGFβ 和/或 IL-1β 背景下治疗的人类 34 心脏成纤维细胞进行了高内涵显微镜筛选，35 测量了 137 个单细胞特征的表型。我们使用来自 36 高内涵成像的表型数据来训练基于逻辑的机械机器学习模型 (LogiMML) 用于 37 成纤维细胞信号传导。该模型预测了吡非尼酮和 Src 抑制剂 WH-4-023 如何分别减少 38 肌动蛋白丝组装和肌动蛋白-肌球蛋白应力纤维形成。验证了 39 LogiMML 模型预测 PI3K 部分介导 Src 抑制的影响，我们发现 40 PI3K 抑制可降低 41 人类心脏成纤维细胞中的肌动蛋白-肌球蛋白应力纤维形成和前胶原 I 的产生。在本研究中，我们建立了一种结合 42 基于逻辑的网络模型和正则化回归模型优势的建模方法，应用此 43 方法来预测介导药物对成纤维细胞的不同影响的机制，44 揭示了通过 PI3K 起作用的 Src 抑制是治疗心脏纤维化的潜在方法。45
基于逻辑的可解释和增量机器学习
在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款
对生活系统逻辑的基本约束
在本介绍性章节中，我提供了瑞典精酿啤酒行业的全面概述，探讨了精酿啤酒的全球兴起，瑞典的各种产品景观以及了解瑞典的精酿啤酒消费者行为的重要性。我建立了我的研究的基本原理，讨论了对工艺啤酒厂的消费者行为和营销策略的潜在贡献。我还确定了我旨在解决的研究差距，并介绍了指导该论文的研究问题和目标。此外，我介绍了我采用的研究方法，并解释了其适当性。我的研究的划界也得到了定义，从而描述了其范围和边界。为了提供清晰度，我总结了本章的论文大纲，总结了后续章节的重点。
基于 2 型模糊逻辑的可解释人工智能...
摘要 — 发展认知神经科学研究面临的挑战不仅与其人群（可能不太愿意合作的婴儿和儿童）有关，还与能够非侵入性记录大脑活动的神经成像技术选择有限有关。例如，磁共振成像 (MRI) 研究不适合发展认知研究，因为它们要求参与者在嘈杂的环境中长时间保持静止。在这方面，功能性近红外光谱 (fNIRS) 是一种快速出现的事实上的神经成像标准，用于记录婴儿的大脑活动。然而，缺乏相关的解剖图像和用于 fNIRS 数据分析的标准技术框架仍然是深入了解大脑发育工作原理的重大障碍。为此，本研究提出了一种可解释人工智能 (XAI) 系统，用于婴儿 fNIRS 数据，使用由遗传算法 (GA) 2 型模糊逻辑系统 (FLS) 驱动的多变量模式分析 (MVPA) 对不同刺激引起的婴儿大脑活动进行分类。这项工作有助于为透明的 fNIRS 数据分析奠定基础，该分析有可能使研究人员能够将分类结果映射到相应的大脑活动模式，这对于理解人类大脑发育如何发挥作用至关重要。索引术语 — 可解释人工智能、2 型模糊系统、遗传算法、多变量模式分析、发展认知神经科学
使用基于模糊逻辑的疼痛检测方法
摘要：上肢康复中机器人系统的利用已显示出令人鼓舞的结果，以帮助有运动障碍的人。这项研究引入了一种创新的方法，通过开发优化的刺激控制系统（OSCS）来提高上肢外骨骼外骨骼辅助康复的效率和适应性。所提出的OSC集成了一种基于模糊的逻辑检测方法，旨在准确评估和应对康复期间患者的疼痛阈值。通过采用模糊逻辑算法，系统会动态调整外骨骼的刺激水平和控制参数，以确保个性化和优化的康复协议。这项研究进行了全面的评估，包括仿真研究和临床试验，以验证OSCS在改善康复结果中的功效，同时优先考虑患者的舒适性和安全性。这些发现证明了OSC通过提供针对个人患者需求的可定制和适应性框架来革新上肢外骨骼辅助康复的潜力，从而促进了机器人辅助康复领域的发展。
作为服务主导逻辑的视角 - Paul Allen
在本文中，我们提供了一种更广泛的服务创新视角——一种以服务主导逻辑为基础的视角——超越了困扰该领域现有研究的有形与无形以及生产者与消费者之间的分歧。这种更广泛的服务创新概念强调（1）创新是发生在参与者对参与者 (A2A) 网络中的协作过程，（2）服务是应用专业能力造福另一个参与者或自身，是所有交换的基础，（3）通过增加资源液化和资源密度释放的生成性，以及（4）资源整合是创新的基本方式。基于这些核心主题，我们提供了一个服务创新的三部分框架：（1）服务生态系统，作为参与者通过有效行动创造和再创造的新兴 A2A 结构，为参与者交换服务和共同创造价值提供了组织逻辑； (2) 服务平台，通过液化资源和提高资源密度（方便获取合适的资源包）来提高服务交换的效率和效果，从而成为创新的场所；(3) 价值共创，将价值视为服务提供者和服务受益者（如客户）通过资源整合共同创造的，并表明需要有机制来支持底层角色和流程。在讨论这些组成部分时，我们考虑信息技术作为操作资源和操作资源的作用，然后研究其对数字化服务创新的研究和实践的影响。
SoftwareX 2P-Kt：基于逻辑的符号 AI 生态系统
CL 中存在许多逻辑，例如命题逻辑、一阶逻辑 (FOL)、时间逻辑、道义逻辑等，每种逻辑都针对特定领域。例如，时间逻辑能够推理时间中的事件，道义逻辑支持推理许可/禁止及其情况，而 FOL 则是通用的。此外，不同的逻辑存在不同的推理规则。一些是演绎的——从前提中得出结论，一些是归纳的——从几个前提——结论示例中寻找一般规则，而另一些是溯因的——推测哪些前提导致了某些结论。最后，当某些推理规则存在解决策略时，它可以转换成某种软件结构，并用于为智能系统提供自动推理能力。这种软件通常被称为逻辑编程 (LP) 范式的一部分。
人工智能对化学发现逻辑的解释权衡
摘要：解释是精确科学的一个基本目标。除了当代对“描述”、“分类”和“预测”的考虑之外，我们经常在人工智能 (AI) 在化学假设生成中的蓬勃发展的应用中看到这些术语。除了描述“世界上的事物”之外，这些应用程序还可以从理论或拓扑描述符中进行准确的数值属性计算。这种关联为化学发现的逻辑提供了一个有趣的例子：这些归纳主导的尝试是否表明化学家如何将研究问题问题化？在本文中，我提出了一个关于当前化学发现背景的新视角。我讨论了如何将化学中数据驱动的统计预测解释为生成化学理论的准逻辑过程，超越了有机化学和理论化学的经典例子。通过我对科学解释的形式模型的立场，我展示了人工智能的曙光如何为科学探索的解释能力提供新颖的见解。