间接飞行时间摄像机（ITOF）是低成本设备，其以交互式帧速率提供深度图像。但是，它们受到不同误差源的影响，具有多路径干扰（MPI）的聚光灯，这项技术的关键挑战。常见的数据驱动方法倾向于专注于输出深度值的直接估计，忽略场景中光的底层瞬态传播。在这项工作中，我们提出了一个非常紧凑的架构，利用了用于去除MPI的瞬态信息的直接全球性，并为瞬态信息本身重建。所提出的模型达到了最先进的MPI校正性能，也可以在综合和实际数据上进行，并且在极端的噪声中也被证明是非常竞争力的;同时，它还致力于重建来自多频I IOF数据的瞬态信息。

Since the mid-10s, the era of Deep Learning (DL) has continued to this day, bringing forth new superlatives and innovations each year. Nevertheless, the speed with which these innovations translate into real applications lags behind this fast pace. Safety-critical applications, in particular, underlie strict regulatory and ethical requirements which need to be taken care of and are still active areas of debate. eXplainable AI (XAI) and privacy-preserving machine learning (PPML) are both crucial research fields, aiming at mitigating some of the drawbacks of prevailing data-hungry black-box models in DL. Despite brisk research activity in the respective fields, no attention has yet been paid to their interaction. This work is the first to investigate the impact of private learning techniques on generated explanations for DL-based models. In an extensive experimental analysis covering various image and time series datasets from multiple domains, as well as varying privacy techniques, XAI methods, and model architectures, the effects of private training on generated explanations are studied. The findings suggest non-negligible changes in explanations through the introduction of privacy. Apart from reporting individual effects of PPML on XAI, the paper gives clear recommendations for the choice of techniques in real applications. By unveiling the interdependencies of these pivotal technologies, this work is a first step towards overcoming the remaining hurdles for practically applicable AI in safety-critical domains.

当前的能源转变促进了电力和天然气系统之间的运行融合。在这个方向上，改善协调能力和气体调度内的非凸天然气体流动动力学的建模至关重要。在这项工作中，我们提出了一种神经网络受限的优化方法，其中包括基于监督机器学习的韦茅斯方程的回归模型。 Weymouth方程将气体流动与每个管道的入口和出口压力通过二次平等，该二次相等性，该平等被神经网络捕获。后者是通过可处理的混合插入线性程序编码为约束集的。此外，我们提出的框架能够考虑双向性，而无需求助于复杂且可能不准确的凸化方法。我们通过引入激活函数的重新制定来进一步增强我们的模型，从而提高计算效率。一项基于现实生活中的比利时力量和气体系统的广泛数值研究表明，所提出的方法在准确性和障碍方面产生了有希望的结果。

众所周知，HEBB的学习探索了帕夫洛夫的古典条件，而前者在过去几十年中进行了广泛的建模（例如，通过Hopfield模型和无数的主题变化），因为后者的建模在很大程度上保持了很大的含糊状态。远的;此外，完全缺乏这两个支柱之间的桥梁。实现该目标的主要困难置于所涉及的信息的本质上不同的范围：帕夫洛夫的理论是关于\ emph {concepts}之间的相关性（动态地）存储在突触矩阵中，这是由狗和一个戒指主演的著名实验所体现的钟;相反，HEBB的理论是关于相邻神经元对之间的相关性，如著名的陈述{\ em神经元一起发射汇合的}所总结。在本文中，我们依靠随机过程理论以及通过langevin方程进行神经和突触动力学模型，以证明 - 只要我们保持神经元和突触的时间表的大量分裂，Pavlov机制就会自发地发生并最终产生至恢复Hebbian内核的突触重量。

为当前的决策工具提供公平，公平性或其他以道德动机的结果的概念，是机器学习，AI和优化方面的最新研究工作的首要任务之一。在本文中，我们研究了如何以最大化相关公平性概念的方式分配有限的资源为{本地交互}社区。特别是，我们研究了在多个时期重复分配的动态环境（例如，每年），当地社区同时发展（由提供的分配驱动），并且分配受到社区本身的反馈来调节。我们采用了来自数据驱动的在线优化的最新数学工具，社区可以通过该工具来学习（可能是未知的）演变，满意度以及它们可以与决定的机构共享信息。我们设计的动态策略会收敛到长期最大化公平性的分配。我们进一步展示了我们的模型和方法论，其中包括萨哈拉邦以下国家的医疗保健和教育补贴设计的现实例子。从我们的环境中看，重要的经验收获之一是，长期的公平性是脆弱的，因为在分配策略中确定其他因素（例如，分配中的平等）时，它很容易丢失。此外，幼稚的妥协虽然没有为社区提供重大优势，但可以促进社会成果的不平等。

人们普遍认为，人类视觉系统偏向于识别形状而不是纹理。这一假设导致了越来越多的工作，旨在使深层模型的决策过程与人类视野的基本特性保持一致。人们对形状特征的依赖主要预计会改善协变量转移下这些模型的鲁棒性。在本文中，我们重新审视了形状偏置对皮肤病变图像分类的重要性。我们的分析表明，不同的皮肤病变数据集对单个图像特征表现出不同的偏见。有趣的是，尽管深层提取器倾向于学习对皮肤病变分类的纠缠特征，但仍然可以从该纠缠的表示形式中解码单个特征。这表明这些功能仍在模型的学习嵌入空间中表示，但不用于分类。此外，不同数据集的光谱分析表明，与常见的视觉识别相反，皮肤皮肤病变分类本质上依赖于超出形状偏置的复杂特征组合。自然的结果，在某些情况下，摆脱了形状偏见模型的普遍欲望甚至可以改善皮肤病变分类器。

在灾难后评估领域，为了及时准确的救援和本地化，人们需要知道损坏的建筑物的位置。在深度学习中，一些学者提出了通过遥感图像进行自动且高度准确的建筑损害评估的方法，事实证明，这些方法比域专家评估更有效。但是，由于缺乏大量标记的数据，这些任务可能因能够进行准确的评估而遭受损失，因为深度学习模型的效率高度依赖于标记的数据。尽管现有的半监督和无监督研究在这一领域取得了突破，但它们都没有完全解决这个问题。因此，我们建议采用一种自制的比较学习方法来解决任务，而无需标记数据。我们构建了一个新颖的非对称双网络架构，并在XBD数据集上测试了其性能。我们模型的实验结果表明，与基线和常用方法相比，改善了。我们还展示了自我监督方法建立损害识别意识的潜力。

面部分析模型越来越多地应用于对人们生活产生重大影响的现实应用中。但是，正如文献所表明的那样，自动对面部属性进行分类的模型可能会对受保护的群体表现出算法歧视行为，从而对个人和社会产生负面影响。因此，开发可以减轻面部分类器中意外偏见的技术至关重要。因此，在这项工作中，我们引入了一种新颖的学习方法，该方法将基于人类的主观标签和基于面部特征的数学定义的客观注释结合在一起。具体而言，我们从两个大规模的人类注销数据集中生成了新的客观注释，每个数据集都捕获了分析的面部特征的不同观点。然后，我们提出了一种合奏学习方法，该方法结合了接受不同类型注释的单个模型。我们对注释过程以及数据集分布提供了深入的分析。此外，我们从经验上证明，通过结合标签多样性，我们的方法成功地减轻了意外偏见，同时保持了下游任务的明显准确性。

基准测试对于人工智能（AI）的衡量和转向进步至关重要。但是，最近的研究引起了人们对AI基准测试状态的关注，报告了基准过度拟合，基准测试饱和度以及基准数据集创建的集中化等问题。为了促进监测AI基准测试生态系统的健康状况，我们介绍了创建基准创建和饱和全球动力学的凝结图的方法。我们策划了1688个基准测试的数据，涵盖了计算机视觉和自然语言处理的整个领域，并表明很大一部分基准迅速趋向于近乎饱和，许多基准无法找到广泛的利用，并且基准为不同AI的基准性能增长任务容易出现不可预见的爆发。我们分析与基准流行相关的属性，并得出结论，未来的基准应该强调多功能性，广度和现实世界实用程序。

在神经网络的文献中，Hebbian学习传统上是指Hopfield模型及其概括存储原型的程序（即仅经历过一次形成突触矩阵的确定模式）。但是，机器学习中的“学习”一词是指机器从提供的数据集中提取功能的能力（例如，由这些原型的模糊示例制成），以制作自己的不可用原型的代表。在这里，给定一个示例示例，我们定义了一个有监督的学习协议，通过该协议可以通过该协议来推断原型，并检测到正确的控制参数（包括数据集的大小和质量）以描绘系统性能的相图。我们还证明，对于无结构数据集，配备了该监督学习规则的Hopfield模型等同于受限的Boltzmann机器，这表明了最佳且可解释的培训例程。最后，这种方法被推广到结构化的数据集：我们在分析的数据集中突出显示了一个准剥离组织（让人联想到复制对称性 - 对称性），因此，我们为其（部分）分开，为其（部分）删除层引入了一个附加的“复制性隐藏层”，该证明可以将MNIST分类从75％提高到95％，并提供有关深度体系结构的新观点。