-
در صورت دستیابی به هوشیاری، سیستم‌های هوش مصنوعی می‌توانند «مشکلاتی ایجاد کنند».
یکشنبه 3 فروردین 1404 03:55
بر اساس نامه سرگشاده‌ای که توسط متخصصان و متفکران هوش‌مصنوعی از جمله سر استفن فرای [1] امضا شده است، سیستم های هوش‌مصنوعی که قادر به احساسات یا خودآگاهی هستند، در صورت توسعه غیرمسئولانه این فناوری در خطر آسیب قرار می‌گیرند. بیش از 100 کارشناس پنج اصل را برای انجام تحقیقات مسئولانه در آگاهی هوش‌مصنوعی مطرح کرده‌اند،...
-
سیستم‌های هوش‌مصنوعی و بحث در مورد رنج ناشی از آگاهی: یافته‌ها و دیدگاه‌های کلیدی
شنبه 2 فروردین 1404 14:10
بحث‌های اخیر در مورد آگاهی هوش‌مصنوعی و رنج احتمالی جنجال‌هایی را برانگیخته است که توسط یک نامه سرگشاده و مقاله تحقیقاتی سازماندهی شده توسط Conscium ، یک گروه تحقیقاتی متمرکز بر اخلاق AI ، ایجاد شده است. در اینجا ترکیبی از بحث، از جمله استدلال ها، نقدها و نظرات کارشناسان آمده است: 1. ادعاهای اصلی ائتلافی متشکل از بیش...
-
آگاهی در هوش‌مصنوعی: بینش‌هایی از علم آگاهی
شنبه 2 فروردین 1404 12:39
این سوال که آیا سیستم‌های هوش‌مصنوعی می‌توانند به آگاهی دست یابند، موضوعی بحث‌برانگیز در تقاطع علوم اعصاب، فلسفه و علوم کامپیوتر است. در زیر ترکیبی از بینش‌های کلیدی، چارچوب‌های نظری و چالش‌های مبتنی بر تحقیقات اخیر آمده است: 1. مبانی نظری آگاهی در هوش‌مصنوعی از طریق نظریه‌های علوم اعصاب، که معیارهای محاسباتی یا...
-
هوش‌مصنوعی قابل درک بر روی گراف‌های دانش: یک بررسی
شنبه 2 فروردین 1404 12:04
هوش مصنوعی قابل درک [1] ( CAI ) شکاف بین سیستم‌های پیچیده هوش‌مصنوعی و درک انسان را به ویژه از طریق ادغام گراف‌های دانش ( KGs ) پر می‌کند. KG ها با سازماندهی داده‌ها در ساختارهای بهم پیوسته و غنی از نظر معنایی، شفافیت و اعتماد را در تصمیم گیری هوش‌مصنوعی افزایش می‌دهند. این نظرسنجی پیشرفت‌ها، روش‌ها و کاربردهای...
-
گراف‌های دانش: آینده یکپارچه‌سازی داده‌ها در سیستم‌های CRIS
جمعه 1 فروردین 1404 15:45
گراف‌های دانش ( KGs ) به‌عنوان ابزارهای دگرگون‌کننده برای سیستم‌های اطلاعات تحقیقاتی کنونی ( CRIS ) در حال ظهور هستند و امکان یکپارچه‌سازی یکپارچه داده‌های تحقیقاتی پراکنده را فراهم می‌کنند و در عین حال اکتشافات علمی را تقویت می‌کنند. در زیر ترکیبی از نقش، مزایا، چالش‌ها و مسیرهای آتی آنها، برگرفته از پیشرفت‌های اخیر...
-
گراف‌های دانش: فرصت‌ها و چالش‌ها
جمعه 1 فروردین 1404 15:40
گراف‌های دانش ( KGs ) به عنوان ابزار قدرتمندی برای سازماندهی و بازنمایی اطلاعات پیچیده ظاهر شده‌اند و فرصت‌های قابل توجهی را برای تقویت سیستم ها و برنامه‌های هوش‌مصنوعی در زمینه های مختلف ارائه می‌دهند. با این حال، آنها همچنین با چندین چالش فنی روبرو هستند که باید به آنها رسیدگی شود. در زیر ترکیبی از فرصت‌ها و...
-
ترکیب گراف‌های دانش و مدل‌های زبان بزرگ: روش‌ها، مزایا و چالش‌ها
جمعه 1 فروردین 1404 09:09
ادغام گراف‌های دانش ( KGs ) و مدل‌های زبان بزرگ ( LLMs ) یک هم‌افزایی دگرگون‌کننده در هوش مصنوعی را نشان می‌دهد که داده‌های رابطه‌ای ساخت‌یافته را با قابلیت‌های زبان مولد ترکیب می‌کند. در زیر ترکیبی از رویکردها، برنامه‌ها و جهت‌گیری‌های آینده ارائه‌شده ارائه شده است: 1. رویکردهای یکپارچه سازی الف)...
-
تله بین هوش مصنوعی و خودمختاری
پنج‌شنبه 30 اسفند 1403 05:35
تله نوسان هوش‌مصنوعی چالش‌های شناختی و عملی جابجایی مکرر بین کارهای دستی و کمک هوش‌مصنوعی را توصیف می کند که منجر به ناکارآمدی، ناامیدی و خطرات بالقوه می‌شود. از آنجایی که سیستم‌های هوش مصنوعی مانند مدل‌های زبان بزرگ ( LLM ) و وسایل نقلیه خودمختار (به عنوان مثال، رانندگی کامل تسلا) در جریان کار روزانه یکپارچه می‌شوند،...
-
مدل‌های مولتیومیکس مبتنی بر شبکه‌های چندلایه و تک سلولی بیولوژیکی
پنج‌شنبه 30 اسفند 1403 05:04
پیشرفت‌های اخیر در فناوری‌های توالی‌یابی تک سلولی و چند omics توانایی ما را برای مدل‌سازی سیستم‌های بیولوژیکی متحول کرده است. این بررسی روش‌شناسی، چالش‌ها و کاربردهای مدل‌های مولتیومیک مبتنی بر شبکه را ترکیب می‌کند و بر نقش آنها در کشف ناهمگونی سلولی و مکانیسم‌های تنظیمی تأکید می‌کند. 1. روش های کلیدی الف) مدل ...
-
تجزیه و تحلیل انتشار اطلاعات: فرآیند، مدل، استقرار و کاربرد
سه‌شنبه 28 اسفند 1403 08:58
انتشار اطلاعات به گسترش اطلاعات، ایده ها یا رفتارها از طریق شبکه‌های اجتماعی اشاره دارد. این فرآیند برای درک پدیده‌هایی مانند شکل‌گیری نظر، بازاریابی ویروسی و کنترل شایعات حیاتی است. در زیر ترکیبی از مؤلفه‌های کلیدی، مدل‌ها، استراتژی‌های استقرار و برنامه‌های کاربردی آن بر اساس نتایج جستجوی ارائه شده ([1][3][4]) آمده...
-
توکن‌سازی گراف
سه‌شنبه 28 اسفند 1403 07:32
توکن‌سازی گراف به فرآیند تبدیل داده‌های ساختاریافته گراف به قالبی مناسب برای مدل‌های یادگیری ماشین، به‌ویژه در زمینه تبدیل گراف ( GTs ) اشاره دارد. برخلاف توکن‌سازی سنتی در پردازش زبان طبیعی ( NLP )، که بر تجزیه متن به واحدهای کوچک‌تر (مثلاً کلمات یا زیرکلمه‌ها) تمرکز می‌کند، توکن‌سازی گراف شامل کدگذاری اطلاعات...
-
مبانی نظری ترانسفورمرهای گراف (GTs)
سه‌شنبه 28 اسفند 1403 07:21
ترانسفورمرهای گراف ( GTs ) به عنوان یک جایگزین قدرتمند برای شبکه‌های عصبی گراف ( GNN ) برای وظایف یادگیری گراف ظاهر شده‌اند. مبانی نظری آنها ریشه در مفاهیمی مانند بیان، تعمیم و بهینه‌سازی دارد که به توضیح قابلیت‌ها و محدودیت‌های آنها کمک می‌کند. در زیر یک نمای کلی از زیربنای نظری GT ها آورده است: (1) بیانگر...
-
کاربردهای ترانسفورمرهای گراف (GT)
سه‌شنبه 28 اسفند 1403 06:46
ترانسفورمرهای گراف ( GTs ) معماری ترانسفورمر را به داده‌های ساختار یافته گرافی گسترش می‌دهند و امکان مدل‌سازی پیشرفته روابط و الگوها را در حوزه‌های مختلف فراهم می‌کنند. در زیر خلاصه‌ای از برنامه‌های کاربردی کلیدی آمده است: (1) پردازش زبان طبیعی ( NLP ) مدل‌سازی گراف به گراف: GT ها برای مدل‌سازی ساختارهای زبانی با در...
-
داده‌های مولکولی و پروتئینی
سه‌شنبه 28 اسفند 1403 06:31
داده‌های مولکولی و پروتئینی در زمینه‌هایی مانند کشف دارو، علم مواد و بیوتکنولوژی حیاتی هستند. ترانسفورمرهای گراف ( GTs ) با در نظر گرفتن مولکول‌ها به عنوان گراف، که در آن اتم‌ها گره و پیوندها لبه هستند، پتانسیل قابل توجهی در پردازش این نوع داده‌ها نشان داده‌اند. در اینجا یک نمای کلی از نحوه اعمال GT ها به داده‌های...
-
کاربرد ترانسفورمرهای گراف در علم مواد
سه‌شنبه 28 اسفند 1403 06:22
ترانسفورمرهای گراف ( GTs ) با استفاده از توانایی خود در مدل‌سازی روابط پیچیده در داده‌های ساختار یافته گراف، پتانسیل را در علم مواد نشان داده‌اند. در حالی که شبکه‌های عصبی گراف ( GNN ) به طور گسترده در این زمینه استفاده می‌شوند، GT ها مزایایی را در گرفتن وابستگی‌های دوربرد و تعاملات جهانی ارائه می‌دهند که برای...
-
کاربرد ترانسفورمرهای گراف در بهداشت و درمان
سه‌شنبه 28 اسفند 1403 06:05
ترانسفورمرهای گراف ( GTs ) به طور فزاینده‌ای در مراقبت‌های بهداشتی به کار می‌روند تا از توانایی آنها در مدل‌سازی روابط پیچیده در داده‌های ساختار یافته گراف استفاده کنند. این شامل پرونده الکترونیک سلامت ( EHRs )، توالی‌های زیست مولکولی، و تصویربرداری پزشکی است. در زیر خلاصه‌ای از برنامه‌های کاربردی آنها آمده است: (1)...
-
کاربردهای زبان و بینایی ترانسفورمرهای گراف
سه‌شنبه 28 اسفند 1403 06:03
گراف ترانسفورمرها ( GTs ) به طور فزاینده‌ای در وظایفی که زبان و بینایی را با هم ترکیب می‌کنند، استفاده می‌شوند و از توانایی آنها برای پردازش داده‌های ساختار یافته گراف و ادغام اطلاعات چندوجهی استفاده می‌شود. در زیر مروری بر کاربردهای آنها در این حوزه‌ها آورده شده است: (1) ویژن + وظایف زبان: گراف ترانسفورمر برای پر...
-
General Graph Tasks
دوشنبه 27 اسفند 1403 17:30
وظایف گراف کلی در یادگیری ماشین گراف ماشین یادگیری ( GML ) شامل انواع وظایف با هدف استخراج بینش و پیش‌بینی از داده‌های ساختار یافته گراف است. این وظایف به طور کلی به وظایف سطح گره، سطح لبه (پیوند)، و سطح گراف و همچنین رویکردهای یادگیری بدون نظارت مانند خوشه‌بندی و یادگیری بازنمایی دسته‌بندی می‌شوند. در زیر یک نمای کلی...
-
ده سال با یادگیری عمیق
دوشنبه 27 اسفند 1403 04:13
مقدمه همانطور که سال 20 ۲۵ آغاز می‌شود، نقطه عطف یادگیری عمیق که واقعاً شروع به ورود به جریان اصلی کرده است، رسیده‌ایم. 10 سال. در مورد آن فکر کنید. فقط ۱۰ سال گذشته است و ما کاملاً انقلابی در نگاه خود به قابلیت‌های ماشین‌ها، نحوه ساخت نرم‌افزار و روش‌هایی که در مورد ایجاد محصولات و شرکت‌ها فکر می‌کنیم را متحول...
-
گراف‌های دانش و تغییر یادگیری ماشینی در سال ۲۰۲۵
یکشنبه 26 اسفند 1403 10:04
در سال 2025، گراف‌های دانش نحوه تعامل شما با سیستم‌های یادگیری ماشین را تغییر می‌دهند. این گراف‌ها داده‌ها را در روابط معنی‌دار سازماندهی می‌کنند و تفسیر ارتباطات پیچیده را برای هوش‌مصنوعی آسان‌تر می‌کنند. ابزارهای خودکار اکنون گراف‌های دانش را از منابع داده‌های مختلف ایجاد و نگهداری می‌کنند و باعث صرفه‌جویی در زمان...
-
مدیریت داده‌های گراف و یادگیری ماشین گراف: هم‌افزایی و فرصت‌ها
یکشنبه 26 اسفند 1403 09:41
تعامل بین Graph Data Management (GDM) و Graph Machine Learning (GML) نحوه پردازش، تجزیه و تحلیل و استخراج بینش از داده‌های به هم پیوسته را متحول می‌کند. این هم‌افزایی برای کاربردهایی مانند کشف دارو، کشف تقلب و تجزیه و تحلیل شبکه‌های اجتماعی حیاتی است. در زیر ترکیبی از بینش‌های کلیدی از تحقیقات اخیر و روندهای صنعت...
-
گراف‌های دانش آینده ما را شکل خواهند داد
یکشنبه 26 اسفند 1403 09:20
گراف‌های دانش ( KGs ) نحوه تعامل ما با داده‌ها را با سازماندهی آنها به ساختارهای به هم پیوسته‌ای که زمینه، معنا و بینش عملی را ارائه می‌دهد، تغییر می‌دهند. تا سال 2025، آنها نقشی محوری در صنایع مختلف بازی می‌کنند، سیستم‌های هوش مصنوعی را تقویت می‌کنند و تصمیم‌گیری هوشمندانه‌تر را ممکن می‌سازند. مطالبی در مورد چگونگی...
-
یادگیری ماشین گراف ۲۰۲۰ تا ۲۰۲۵
یکشنبه 26 اسفند 1403 08:59
سال 202۴ به پایان رسد و زمان آن فرا رسیده است که بنشینیم و دستاوردهای بدست آمده در Graph ML و همچنین فرضیه‌سازی در مورد پیشرفت‌های احتمالی در سال 202۵ را بررسی کنیم. زمینه یادگیری ماشین گراف ( Graph ML ) به سرعت از سال 2020 تا 2025 تکامل یافته است که با پیشرفت در مبانی نظری، ادغام با مدل‌های زبان بزرگ ( LLM ) و افزایش...
-
یادگیری ماشین گراف: مرور مفاهیم ۱
دوشنبه 20 اسفند 1403 08:13
رمزگشایی شبکه‌های عصبی گراف – قسمت 1 شبکه‌های عصبی گراف ( GNN ) در علم داده [1] و یادگیری ماشین مورد توجه قرار گرفته‌اند، اما هنوز در خارج از محافل متخصص به خوبی شناخته نشده‌اند. برای درک این رویکرد هیجان‌انگیز، باید با حوزه وسیع‌تر یادگیری ماشین گراف ( GML ) شروع کنیم. بسیاری از منابع آنلاین در مورد GNN و GML صحبت...
-
یادگیری عمیق و گراف‌ها
شنبه 18 اسفند 1403 10:11
قصیده‌ای وجود دارد که به هیپوقراط نسبت داده می‌شود که می‌گوید: “ars longa, vita brevis” ( هنر طولانی است، زندگی کوتاه است). این به احساس اضطراب اشاره دارد زمانی که سعی می‌کنید تمام مهارت‌ها و دانش لازم برای پزشک شدن را بیاموزید، در حالی که روزهای شما 24 ساعت است و طول عمر شما بیش از 80 سال نیست. زمانی که سعی می‌کنید...
-
نظریه گراف و چگونگی ظهور ویژگی‌های مغز
جمعه 17 اسفند 1403 18:01
نظریه گراف یک چارچوب ریاضی برای مدل‌سازی ارتباطات زوجی بین عناصر یک شبکه ارائه می‌کند و آن را برای تجزیه و تحلیل الگوهای اتصال پیچیده مغز انسان مناسب می‌سازد. این به محققان اجازه می‌دهد تا مغز را به‌عنوان یک گراف مدل‌سازی کنند، گره‌هایی که نواحی مغز را نشان می‌دهند و لبه‌ها نشان‌دهنده ارتباط بین آنهاست. این رویکرد به...
-
Graph Meta Learning
جمعه 17 اسفند 1403 17:11
روش‌های رایج برای گراف‌ها به اطلاعات برچسب‌ها و لبه‌های فراوانی برای یادگیری نیاز دارند، با این حال بسیاری از گراف‌های دنیای واقعی فقط چند برچسب در دسترس دارند. این یک چالش جدید است: چگونه می‌توان پیش‌بینی‌های دقیق در رژیم‌های کم داده انجام داد؟ وقتی داده‌های یک کار جدید کمیاب است، فرا یادگیری می‌تواند از تجربیات قبلی...
-
یادگیری متضاد گراف
جمعه 17 اسفند 1403 16:29
یادگیری متضاد گراف در سطح گره شبکه‌های عصبی گراف بسیار محبوب شده‌اند و اغلب به بازنمایی‌های یادگیری برای کارهای پایین دستی متکی هستند. این پست وبلاگ در مورد یادگیری متضاد گراف، یک تکنیک یادگیری بدون نظارت برای ساختن بازنمایی‌هایی از داده‌های بدون برچسب بحث خواهد کرد. این ایده مبتنی بر تغییر اندکی گراف‌ها است تا مدل...
-
قارچ‌ها و چگونگی ایجاد شبکه‌های پیچیده
جمعه 17 اسفند 1403 16:25
قارچ ها از طریق میسلیوم خود شبکه های پیچیده ای می سازند که از هیف های شاخه ای و نخ مانند تشکیل شده است. این شبکه‌ها فقط ساختارهای ساکن نیستند، بلکه سیستم‌های دینامیکی هستند که تکامل می‌یابند و با شرایط محیطی سازگار می‌شوند. در اینجا نحوه ساخت و استفاده قارچ ها از این شبکه ها آمده است: ساخت شبکه‌های میسلیوم رشد و...
-
specification gaming
جمعه 17 اسفند 1403 10:40
نشان دادن بازی مشخصات [1] در مدل‌های استدلالی شامل نشان دادن این است که چگونه این مدل‌ها می‌توانند از رفتارهای ناخواسته یا حفره‌های موجود در اهداف خود برای دستیابی به اهداف استفاده کنند، اغلب به روش‌هایی که از رویکرد حل مسئله مورد نظر منحرف می‌شوند. مروری بر مشخصات بازی (1) تعریف: بازی با مشخصات زمانی اتفاق می‌افتد که...
