背景：获得医疗服务在很大程度上取决于资源分配，例如医疗设施的地理分布。然而，这些数据通常仅限于国家官方文件，不可公开提供。尽管某些医疗设施的数据可以作为网络上的语义资源访问，但它的建模并不一致，并且尚未集成到完整，开放和专业的存储库中。这项工作着重于生成全球医疗设施的全面语义数据集，其中包含有关此类设施地理位置的广泛信息。结果：为此，我们收集，对齐并链接了可能存在医疗设施信息的各种开源数据库。这项工作使我们能够沿着各个方面评估每个数据源，例如完整性，正确性和与其他来源相互联系，当前知识表示技术的所有关键方面。结论：我们的贡献直接受益于生物医学和健康领域（患者，医疗保健专业人员，公司，监管机构和研究人员）的利益相关者，他们现在将更好地概述获得医疗设施的访问和分配。

Stock and flow diagrams are already an important tool in epidemiology, but category theory lets us go further and treat these diagrams as mathematical entities in their own right. In this chapter we use communicable disease models created with our software, StockFlow.jl, to explain the benefits of the categorical approach. We first explain the category of stock-flow diagrams, and note the clear separation between the syntax of these diagrams and their semantics, demonstrating three examples of semantics already implemented in the software: ODEs, causal loop diagrams, and system structure diagrams. We then turn to two methods for building large stock-flow diagrams from smaller ones in a modular fashion: composition and stratification. Finally, we introduce the open-source ModelCollab software for diagram-based collaborative modeling. The graphical user interface of this web-based software lets modelers take advantage of the ideas discussed here without any knowledge of their categorical foundations.

我们提出了一种基于情节知识图（EKG）的新方法，用于评估开放域中的（多模式）对话剂。该图是通过解释对话过程中的原始信号而生成的，并且能够随着时间的推移捕获知识的积累。我们应用对所得图的结构和语义分析，并将这些属性转化为定性措施。我们将这些措施与通常用于对话代理的现有自动和手动评估指标进行比较。我们的结果表明，我们的基于知识的评估为互动和代理人的行为提供了更多的定性见解。

本文描述了我们对第9届论证挖掘研讨会共同任务的贡献（2022）。我们的方法使用大型语言模型来进行论证质量预测的任务。我们使用GPT-3进行及时的工程，并研究培训范式多任务学习，对比度学习和中任务培训。我们发现混合预测设置优于单个模型。提示GPT-3最适合预测论点有效性，而论证新颖性最好通过使用所有三个训练范式训练的模型来估算。

语言模型（LMS）已被证明在各种下游应用程序中很有用，例如摘要，翻译，问答和文本分类。由于它们可以存储的大量信息，LMS正在成为人工智能中越来越重要的工具。在这项工作中，我们提出了道具（提示为探测），该道具利用GPT-3（最初由OpenAI在2020年提出的大型语言模型）来执行知识基础构建任务（KBC）。 Prop实施了一种多步骤方法，该方法结合了各种提示技术来实现这一目标。我们的结果表明，手动提示策划是必不可少的，必须鼓励LM给出可变长度的答案集，特别是包括空的答案集，True/False问题是提高LM生成的建议精度的有用设备。 LM的大小是至关重要的因素，并且实体字典别名提高了LM评分。我们的评估研究表明，这些提出的技术可以大大提高最终预测的质量：Prop赢得了LM-KBC竞争的轨道2，表现优于基线36.4个百分点。我们的实施可在https://github.com/hemile/iswc-challenge上获得。

在这项研究中，我们研究了中枢神经系统（CNS）如何在个人在虚拟现实（VR）环境中执行复杂的捕捉任务时如何组织姿势控制协同作用。机器人直立的立式培训师（健壮）平台，包括表面肌电图和运动学，用于研究中枢神经系统微型姿势协同作用，具有扰动和辅助的力场。招募了一个没有辅助力的对照组，以阐明力场在扰动后以及VR达到任务期间对运动性能和姿势协同组织的影响。我们发现，辅助力量的应用显着改善了达到和平衡控制。接收辅助力的小组显示出四个姿势控制协同作用，其特征是较高的复杂性（即涉及更多肌肉）。但是，控制受试者显示了八种协同作用，这些协同作用减少了肌肉的数量。总之，辅助力减少了姿势协同的数量，同时增加了肌肉模块组成的复杂性。

最近已经提出了几个查询和分数来解释对ML模型的个人预测。鉴于ML型号的灵活，可靠和易于应用的可解释性方法，我们预见了需要开发声明语言以自然地指定不同的解释性查询。我们以原则的方式通过源于逻辑，称为箔，允许表达许多简单但重要的解释性查询，并且可以作为更具表现力解释性语言的核心来实现这一语言。我们研究箔片查询的两类ML模型的计算复杂性经常被视为容易解释：决策树和OBDD。由于ML模型的可能输入的数量是尺寸的指数，因此箔评估问题的易易性是精细的，但是可以通过限制模型的结构或正在评估的箔片段来实现。我们还以高级声明语言包装的箔片的原型实施，并执行实验，表明可以在实践中使用这种语言。

由于行业和人口的兴趣，{分散的应用程序}（DAPPS）的利益，占据了势头，特别是通过在区块链中担保的数字证书进行交易资产的势头。因此，提供对在区块线上进行的任何活动的清晰明确描述变得至关重要，并且我们认为至少为交易实现该描述的紧迫性。本文报告了如何利用\ eMPH {Service，Systems和Services集成的代理，系统和集成}（“\ ont {}”）作为存储在SlockChain上作为软件代理的智能合同的语义表示的一般手段。特别注意非娱乐令牌（NFT），其通过ERC721标准的管理作为案例研究。