我们考虑了最大化的影响（IM）问题：'如果我们能说服社交网络中的一部分个人采用新产品或创新，目的是触发大量的进一步收养级联我们应该定位吗？正式地，这是在社交网络中选择$ K $种子节点的任务，以使网络中预期的影响节点（在某些影响下传播模型）最大化。在文献中已经广泛研究了这个问题，并提出了几种解决方案方法。但是，大多数基于模拟的方法涉及耗时的蒙特卡洛模拟，以计算种子节点在整个网络中的影响。这限制了这些方法在大型社交网络上的适用性。在本文中，我们有兴趣以时间效率的方式解决影响最大化的问题。我们提出了一种社区意识的分歧和纠纷策略，涉及（i）学习社交网络的固有社区结构，（ii）通过解决每个社区的影响最大化问题，以及（iii）选择最终的影响力来生成候选解决方案。使用新颖的渐进预算计划来自候选解决方案的个人。我们提供有关现实世界社交网络的实验，表明所提出的算法在经验运行时和启发式算法方面优于基于仿真的算法。我们还研究了社区结构对算法性能的影响。我们的实验表明，具有较高模块化的社区结构导致所提出的算法在运行时和影响方面表现更好。

Complex and contact-rich robotic manipulation tasks, particularly those that involve multi-fingered hands and underactuated object manipulation, present a significant challenge to any control method. Methods based on reinforcement learning offer an appealing choice for such settings, as they can enable robots to learn to delicately balance contact forces and dexterously reposition objects without strong modeling assumptions. However, running reinforcement learning on real-world dexterous manipulation systems often requires significant manual engineering. This negates the benefits of autonomous data collection and ease of use that reinforcement learning should in principle provide. In this paper, we describe a system for vision-based dexterous manipulation that provides a "programming-free" approach for users to define new tasks and enable robots with complex multi-fingered hands to learn to perform them through interaction. The core principle underlying our system is that, in a vision-based setting, users should be able to provide high-level intermediate supervision that circumvents challenges in teleoperation or kinesthetic teaching which allow a robot to not only learn a task efficiently but also to autonomously practice. Our system includes a framework for users to define a final task and intermediate sub-tasks with image examples, a reinforcement learning procedure that learns the task autonomously without interventions, and experimental results with a four-finger robotic hand learning multi-stage object manipulation tasks directly in the real world, without simulation, manual modeling, or reward engineering.

Non-parametric tests can determine the better of two stochastic optimization algorithms when benchmarking results are ordinal, like the final fitness values of multiple trials. For many benchmarks, however, a trial can also terminate once it reaches a pre-specified target value. When only some trials reach the target value, two variables characterize a trial's outcome: the time it takes to reach the target value (or not) and its final fitness value. This paper describes a simple way to impose linear order on this two-variable trial data set so that traditional non-parametric methods can determine the better algorithm when neither dominates. We illustrate the method with the Mann-Whitney U-test. A simulation demonstrates that U-scores are much more effective than dominance when tasked with identifying the better of two algorithms. We test U-scores by having them determine the winners of the CEC 2022 Special Session and Competition on Real-Parameter Numerical Optimization.

统计能力是对假设检验的优点/强度的度量。正式地，如果存在真实的效果，则是检测效果的概率。因此，需要优化统计能力作为假设检验的某些参数的函数。但是，对于大多数假设检验，统计功率的显式功能形式是这些参数的函数是未知的，但是使用模拟实验可以计算给定值集值的统计功率。这些模拟实验通常在计算上很昂贵。因此，使用模拟开发整个统计功率歧管可能非常耗时。由此激励，我们提出了一种基于遗传算法的新型统计功率歧管框架。对于多个线性回归$ f $检验，我们表明所提出的算法/框架与蛮力方法相比，随着电源甲骨文的查询数量大大减少，统计功率歧管的速度要快得多。我们还表明，随着遗传算法的增加，学习流形的质量会提高。

虽然基于深度学习的方法表明了皮肤病学诊断任务中的专家级表现，但它们还显示出对某些人口统计学属性，尤其是皮肤类型（例如，光对黑暗）的偏见，必须解决公平的关注。我们提出了圆圈，这是一种肤色不变的深度表示学习方法，可改善皮肤病变分类的公平性。通过利用正规化损失来鼓励具有相同诊断的图像但皮肤类型不同以具有相似的潜在表示，对圆圈进行了对图像进行分类的训练。通过广泛的评估和消融研究，我们证明了在跨越6种菲茨帕特里克皮肤类型和114种疾病的16K+图像上评估时，Circle的表现优于最先进的表现，使用分类精度，平等的机会差异（对于光与黑暗组），和归一化精度范围，这是我们提出的一种新措施，以评估多个皮肤类型组的公平性。

视频胶囊内窥镜检查是计算机视觉和医学的热门话题。深度学习会对视频胶囊内窥镜技术的未来产生积极影响。它可以提高异常检测率，减少医生的筛查时间并有助于实际临床分析。视频胶囊内窥镜检查的CADX分类系统已显示出进一步改进的巨大希望。例如，检测癌性息肉和出血会导致快速的医疗反应并提高患者的存活率。为此，自动化的CADX系统必须具有较高的吞吐量和不错的精度。在本文中，我们提出了焦距，这是一个与轻量级卷积层集成的焦点调制网络，用于分类小肠解剖学地标和腔内发现。 FocalConvnet利用焦点调制以实现全球环境，并允许在整个正向通行证中进行全局本地空间相互作用。此外，具有固有的感应/学习偏置和提取分层特征的能力的卷积块使我们的焦点concalconvnet能够获得高吞吐量的有利结果。我们将焦点vnet与Kvasir-Capsule上的其他SOTA进行比较，Kvasir-Capsule是一个具有44,228帧的大型VCE数据集，具有13类不同的异常。我们提出的方法分别超过了其他SOTA方法论，加权F1得分，回忆和MCC}分别超过了其他SOTA方法。此外，我们报告了在实时临床环境中建立焦距的148.02图像/秒速率的最高吞吐量。建议的focalConvnet的代码可在https://github.com/noviceman-prog/focalconvnet上获得。

原始收集的培训数据通常带有从多个不完美的注释器中收集的单独的嘈杂标签（例如，通过众包）。通常，首先将单独的嘈杂标签汇总为一个，并应用标准培训方法。文献还广泛研究了有效的聚合方法。本文重新审视了此选择，并旨在为一个问题提供一个答案，即是否应该将单独的嘈杂标签汇总为单个单个标签或单独使用它们作为给定标签。我们从理论上分析了许多流行损失功能的经验风险最小化框架下的两种方法的性能，包括专门为使用嘈杂标签学习的问题而设计的损失功能。我们的定理得出的结论是，当噪声速率较高时，标签分离优于标签聚集，或者标记器/注释的数量不足。广泛的经验结果证明了我们的结论。

通过结肠镜检查检测和去除癌前息肉是预防全球结直肠癌的主要技术。然而，内镜医生的结直肠息肉率差异很大。众所周知，计算机辅助诊断（CAD）系统可以帮助内窥镜检测结肠息肉并最大程度地减少内镜医生之间的变化。在这项研究中，我们介绍了一种新颖的深度学习体系结构，称为{\ textbf {mkdcnet}}，以自动息肉分割鲁棒性，以鲁棒性数据分布的重大变化。 MKDCNET只是一个编码器decoder神经网络，它使用预先训练的\ textIt {resnet50}作为编码器和小说\ textit {多个内核扩张卷积（MKDC）}块，可以扩展更多的观点，以了解更多强大的和异性的表示形式。对四个公开息肉数据集和细胞核数据集进行的广泛实验表明，当在从不同分布中对未见息肉数据进行测试时，在对同一数据集进行训练和测试时，所提出的MKDCNET在同一数据集进行训练和测试时，超出了最先进的方法。取得丰富的结果，我们证明了拟议的建筑的鲁棒性。从效率的角度来看，我们的算法可以在RTX 3090 GPU上以每秒（$ \ of45 $）帧进行处理。 MKDCNET可能是建造临床结肠镜检查实时系统的强大基准。建议的MKDCNET的代码可在\ url {https://github.com/nikhilroxtomar/mkdcnet}上获得。

语言模型既展示了定量的改进，又展示了新的定性功能，随着规模的增加。尽管它们具有潜在的变革性影响，但这些新能力的特征却很差。为了为未来的研究提供信息，为破坏性的新模型能力做准备，并改善社会有害的效果，至关重要的是，我们必须了解目前和近乎未来的能力和语言模型的局限性。为了应对这一挑战，我们介绍了超越模仿游戏基准（Big Bench）。 Big Bench目前由204个任务组成，由132家机构的442位作者贡献。任务主题是多样的，从语言学，儿童发展，数学，常识性推理，生物学，物理学，社会偏见，软件开发等等。 Big-Bench专注于被认为超出当前语言模型的功能的任务。我们评估了OpenAI的GPT型号，Google内部密集变压器体系结构和大型基础上的开关稀疏变压器的行为，跨越了数百万到数十亿个参数。此外，一个人类专家评估者团队执行了所有任务，以提供强大的基准。研究结果包括：模型性能和校准都随规模改善，但绝对的术语（以及与评估者的性能相比）；在模型类中的性能非常相似，尽管带有稀疏性。逐渐和预测的任务通常涉及大量知识或记忆成分，而在临界规模上表现出“突破性”行为的任务通常涉及多个步骤或组成部分或脆性指标；社交偏见通常会随着含糊不清的环境而随着规模而增加，但这可以通过提示来改善。

森林是每个国家的重要资产。当它被摧毁时，它可能会对环境产生负面影响，而森林大火是主要原因之一。火灾天气指数被广泛用于测量火灾危险，并用于发出丛林大火警告。它也可以用来预测应急管理资源的需求。传感器网络在数据收集和处理能力方面已越来越受欢迎，用于医疗，环境监测，家庭自动化等行业的各种应用。语义传感器网络可以收集各种气候情况，例如风速，温度和相对湿度。但是，由于处理传感器生成的数据流涉及的各种问题，估计火灾指数构成了挑战。因此，森林火灾检测的重要性日复一日增加。构建了基础语义传感器网络（SSN）本体，以允许开发人员创建用于计算火灾天气指数的规则，并将数据集转换为资源描述框架（RDF）。这项研究描述了制定计算火灾天气指数的规则所涉及的各个步骤。此外，这项工作提供了一个基于Web的映射接口，以帮助用户可视化随着时间的推移，火灾天气指数的变化。在推论规则的帮助下，它使用SSN本体论设计了决策支持系统，并通过SPARQL查询了它。拟议的消防管理系统根据情况采取行动，支持推理和开放世界的一般语义，然后是所有本体论