针对中医问诊领域数据规模大,以及医生在问诊中主观性强、数据对齐难的问题,提出了一种中医问答领域的大语言模型ChatTCM。利用大语言模型(large language model,LLM)在处理自然语言理解与文本生成方面的强大能力,通过对大语言模型进行...
详细信息
针对中医问诊领域数据规模大,以及医生在问诊中主观性强、数据对齐难的问题,提出了一种中医问答领域的大语言模型ChatTCM。利用大语言模型(large language model,LLM)在处理自然语言理解与文本生成方面的强大能力,通过对大语言模型进行微调,使LLM具有在中医问答领域的专业知识和能力,避免模型在生成时出现幻觉的现象。提取中医书籍中的三元组信息,构建中医知识图谱数据库,实现中医知识的数据对齐与系统化整合,并为大语言模型生成答案提供背景知识;结合思维链(chain-of-thought,COT)与知识图谱数据库的动态交互,生成客观的推理过程,确保诊疗建议具有科学依据;把思维链与知识图谱的推理结果作为新知识进行存储,从而不断扩展本地知识库。与中医领域的HuaTuoGPT模型对比实验表明,ChatTCM模型在MedChatZH数据集上BLEU-4和ROUGE-L的评测指标分别提高了10.6和10.5个百分点,并且在已开源的数据集上准确度达到了70%,比同类型的MedChatZH模型提升了10个百分点。
传统的点云无损编码算法的编码效率较低，基于卷积或自编码器的点云无损编码算法存在一定的特征信息丢失问题。针对以上问题，提出了一种基于可逆神经网络的点云无损编码算法。首先，该算法利用数学上严格可推导的可逆神经网络解决了点云编码过程中的特征信息丢失问题；然后，设计了3D-invertible-block模块，用于提取原始点云的全局信息，确保编码的准确性；最后，设计了上下文占用率预测模块，以约束点云上下文信息，增强网络的非线性表达能力，从而保留完整的原始点云信息。实验结果表明，该算法在MVUB和MPEG 8i数据集上相较于运动图像专家组织（MPEG）提供的基准G-PCC(Geometry-based point cloud compression)表现出更优的编码性能，编码率节省达到了37.25%。
暂无评论