TL;DR
- چکیده:.
- نظارت بر دادههای پیوسته برای سیگنالهای معنیدار بهطور فزایندهای مستلزم استدلال طولانی مدت و حالت بر جریانهای بدون.
- ساختار است.
چه اتفاقی افتاد
چکیده:. نظارت بر دادههای پیوسته برای سیگنالهای معنیدار بهطور فزایندهای مستلزم استدلال طولانی مدت و حالت بر جریانهای بدون.
ساختار است. با این حال،.
چارچوبهای LLM امروزی بدون حالت و یکشات باقی میمانند،. و سیستمهای سنتی پردازش رویداد پیچیده (CEP)،.
در حالی که قادر به تشخیص الگوی زمانی هستند،. جریانهای رویداد ساختاریافته و تایپی را فرض میکنند که متن بدون ساختار را از دسترس خارج میکند.
ما VectraFlow، یک موتور جریان داده معنایی را برای رسیدگی به هر دو شکاف نشان میدهیم. VectraFlow عملگرهای رابطهای سنتی را با اجرای مبتنی بر LLM بر روی جریانهای متن آزاد گسترش میدهد،.
و مجموعهای از عملگرهای معنایی پیوسته - فیلتر،. نقشه،.
تجمع،. پیوستن،.
گروهبندی،. و پنجره را ارائه میدهد - که هر کدام دارای معاوضههای دقت عملیاتی قابل تنظیم در بین پیادهسازیهای.
مبتنی بر LLM،. مبتنی بر تعبیه و تعبیه،.
هستند. با تکیه بر این،.
یک عملگر الگوی رویداد معنایی رویداد پیچیده را بالا میبرد پردازش به جریانهای سند بدون ساختار،. ترکیب استخراج رویداد مبتنی بر LLM با تطبیق قاعده زمانی مبتنی بر NFA برای استدلال حالت بر توالی.
رویدادهای معنایی. در این نمایش،.
کاربران با رابط پرس و جوی زنده VectraFlow تعامل خواهند داشت تا خطوط لوله معنایی را روی جریان. های اسناد بالینی بسازند.
شرکتکنندگان اهداف زبان طبیعی را در نمودارهای اپراتورهای اجرایی گردآوری میکنند،. خروجیهای حالت میانی را بررسی میکنند،.
و تشخیص الگوی زمانی سرتاسر،. از متن خام تا گروههای رویداد همسان را مشاهده میکنند.
پایگاههای داده (cs. DB) استناد بهعنوان: (یا v1 [cs.
DB] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Shu Chen [مشاهده ایمیل] [v1] شنبه،. 4 آوریل 2026،.
20:. 29:.
43 UTC (4,. 948 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.