该研究针对低资源环境中领域专家系统的知识不足问题，通过引入一种数据生成管道，将原始多模态数据转化为结构化语料库和问答对，优化检索阶段以获得可信答案，并提升答案的可追溯性。研究显示，该系统显著改善了事实正确性、信息量和帮助性，展示了其在不同方面的有效性。

本研究解决法律领域中人工智能（AI）的可靠性问题，特别是AI模型产生不准确或误导性信息的“幻觉”现象。提出了一种将混合专家系统与知识基础架构结合的新框架，利用专业模块和先进技术（如检索增强生成（RAG）和知识图谱（KG））来提高法律服务的精准性与上下文相关性，从而展示在法律任务中的显著性能提升和可扩展性。

心脏疾病是一项全球性的重大健康问题，利用机器学习方法进行早期检测和准确预测可以提高预防和治疗的效果。该研究通过评估文献，研究数据预处理技术、性能评估指标、用于心脏疾病研究的数据集、预测建模策略、诊断方法以及当前领域存在的问题。研究结果表明，集成方法特别是随机森林在心脏疾病预测方面优于单个分类器，关键预测因素包括高血压、胆固醇水平、吸烟情况和缺乏运动。决策树和随机森林模型达到了 99.83%...

本文介绍了Lifelong-MoE，一种基于扩展混合专家架构的终身学习方法，具有更好的少样本性能和适应性。研究表明，混合专家模型在成本效益上优于密集模型，尤其在多轮对话任务中，路由机制的设计对性能影响显著。提出了改进策略以提升模型效率和推理速度。

本文综述了人工通用智能（AGI）在教育领域的应用与挑战，涵盖教育目标设定、教学设计及伦理问题。强调教育工作者与AI工程师的合作，探讨AGI的能力框架及实现策略，指出当前技术的局限性，并提出未来发展方向。

这篇论文介绍了一种名为 Smart Expert System 的创新方法，利用大型语言模型作为文本分类器，简化了传统的文本分类工作流程，通过评估多个大型语言模型、机器学习算法和神经网络结构在四个数据集上的性能，证明了某些大型语言模型在情感分析、垃圾短信检测和多标签分类方面超过了传统方法，并且通过少样本学习和微调策略进一步提高了系统的性能，使得微调模型在所有数据集中表现最佳。

通过用户定义的参数、专家系统和基于开放领域知识训练的LLM，引入了一个新的框架（LeMo-NADe），用于自动发现基于用户定义参数的新的神经网络架构。该框架专为非AI专家设计，不需要预先确定的神经结构搜索空间，并考虑边缘设备参数。结果显示该框架能快速发现性能优异的复杂神经网络模型。

信念规则库（BRB）系统能处理模糊性、随机性和无知，适用于不同领域。研究探索了BRB的演变和应用，并强调其在传统领域中的革新潜力。

本文讨论了计算第一和逻辑第一的区别，指出世界是由计算构成的。作者提到了CYC项目和LLM的出现，分别探讨了它们在捕捉常识性知识和常识推理方面的成功。最后，作者表达了对Doug Lenat的敬意，并认为符号推理系统的成功将是庞大而复杂的。