Deformable image registration is a key task in medical image analysis. The Brain Tumor Sequence Registration challenge (BraTS-Reg) aims at establishing correspondences between pre-operative and follow-up scans of the same patient diagnosed with an adult brain diffuse high-grade glioma and intends to address the challenging task of registering longitudinal data with major tissue appearance changes. In this work, we proposed a two-stage cascaded network based on the Inception and TransMorph models. The dataset for each patient was comprised of a native pre-contrast (T1), a contrast-enhanced T1-weighted (T1-CE), a T2-weighted (T2), and a Fluid Attenuated Inversion Recovery (FLAIR). The Inception model was used to fuse the 4 image modalities together and extract the most relevant information. Then, a variant of the TransMorph architecture was adapted to generate the displacement fields. The Loss function was composed of a standard image similarity measure, a diffusion regularizer, and an edge-map similarity measure added to overcome intensity dependence and reinforce correct boundary deformation. We observed that the addition of the Inception module substantially increased the performance of the network. Additionally, performing an initial affine registration before training the model showed improved accuracy in the landmark error measurements between pre and post-operative MRIs. We observed that our best model composed of the Inception and TransMorph architectures while using an initially affine registered dataset had the best performance with a median absolute error of 2.91 (initial error = 7.8). We achieved 6th place at the time of model submission in the final testing phase of the BraTS-Reg challenge.

We study algorithms for detecting and including glass objects in an optimization-based Simultaneous Localization and Mapping (SLAM) algorithm in this work. When LiDAR data is the primary exteroceptive sensory input, glass objects are not correctly registered. This occurs as the incident light primarily passes through the glass objects or reflects away from the source, resulting in inaccurate range measurements for glass surfaces. Consequently, the localization and mapping performance is impacted, thereby rendering navigation in such environments unreliable. Optimization-based SLAM solutions, which are also referred to as Graph SLAM, are widely regarded as state of the art. In this paper, we utilize a simple and computationally inexpensive glass detection scheme for detecting glass objects and present the methodology to incorporate the identified objects into the occupancy grid maintained by such an algorithm (Google Cartographer). We develop both local (submap level) and global algorithms for achieving the objective mentioned above and compare the maps produced by our method with those produced by an existing algorithm that utilizes particle filter based SLAM.

机械模拟器是流行病学的必不可少的工具，可以在不同条件下探索复杂，动态感染的行为并导航不确定的环境。基于ODE的模型是能够快速模拟且可实现基于梯度的优化的主要范式，但可以简化有关人群同质性的假设。基于代理的模型（ABM）是一种越来越流行的替代范式，可以代表接触相互作用的异质性，并具有颗粒状细节和个人行为的代理。但是，常规的ABM框架没有可区分的，并且在可伸缩性方面提出了挑战。因此，将它们连接到辅助数据源是非平凡的。在本文中，我们介绍了GradABM，这是ABMS的新型可扩展，快速和可区分的设计。 GradABM在商品硬件上几秒钟内运行模拟，并启用快速前进和可区分的反向模拟。这使得可以与深度神经网络合并并无缝整合异质数据源以帮助校准，预测和政策评估。我们通过对实际Covid-19和流感数据集进行了广泛的实验来证明GradABM的功效。我们很乐观，这项工作将使ABM和AI社区更加紧密。

主动学习是一个非常常见但功能强大的框架，用于与人类在循环中的人类迭代和适应性采样子集，目的是实现标签效率。大多数现实世界数据集在类和切片中都有不平衡，并且相应地，数据集的一部分很少见。结果，在设计挖掘这些罕见数据实例的主动学习方法方面已经有很多工作。大多数方法都假设访问包含这些罕见数据实例的一组种子实例。但是，如果发生更极端的稀有性，可以合理地假设这些罕见的数据实例（类或切片）甚至可能在标记的种子集合中存在，并且对主动学习范式的关键需求是有效地发现这些罕见的数据实例。在这项工作中，我们提供了一个主动数据发现框架，该框架可以使用子管的条件增益和下管有条件的相互信息功能有效地挖掘未知的数据切片和类。我们提供了一个一般的算法框架，该框架在许多情况下都起作用，包括图像分类和对象检测，并与未标记集合中存在的稀有类和稀有切片一起使用。与现有的最新活跃学习方法相比，我们的方法表现出显着的准确性和标记效率提高，以积极发现这些稀有类别和切片。

每天在世界各地的在线和当地零售店成功提供数百万套餐。需要适当的套餐，以确保高客户满意度和重复购买。尽管商店的最佳努力，这些交付仍然存在各种问题。这些问题不仅由于对低周转时间的大量和高需求而导致而且由于机械运营和自然因素也是如此。这些问题范围从包装中收到错误的物品，以延迟运输到运输过程中的误操作。在提高整个过程的效率方面发挥着至关重要的作用，寻找解决方案。本文显示了如何使用来自文本评论和上传的图像使用客户反馈来查找这些问题。我们使用转移学习文本和图像模型，以最大限度地减少数千个标记示例的需求。结果表明，该模型可以找到不同的问题。此外，它还可以用于瓶颈识别，过程改进，自动退款等任务。与现有过程相比，本文提出的文本和图像模型的集合确保了几种类型的递送问题，即更适合在零售业务中提供物品的现实生活场景。此方法可以为在类似行业中提供包装的问题检测的新思路。

分布式深度学习框架，如联合学习（FL）及其变体都是在广泛的Web客户端和移动/ IOT设备上实现个性化体验。然而，由于模型参数的爆炸增长（例如，十亿参数模型），基于FL的框架受到客户的计算资源的限制。拆分学习（SL），最近的框架，通过拆分客户端和服务器之间的模型培训来减少客户端计算负载。这种灵活性对于低计算设置非常有用，但通常以带宽消耗的增加成本而实现，并且可能导致次优化会聚，尤其是当客户数据异构时。在这项工作中，我们介绍了adasplit，通过降低带宽消耗并提高异构客户端的性能，使得能够将SL有效地缩放到低资源场景。为了捕获和基准的分布式深度学习的多维性质，我们还介绍了C3分数，是评估资源预算下的性能。我们通过与强大联邦和分裂学习基线的大量实验比较进行了大量实验比较，验证了adasplit在有限的资源下的有效性。我们还展示了adasplit中关键设计选择的敏感性分析，该选择验证了adasplit在可变资源预算中提供适应性权衡的能力。

代码切换（CS），普遍存在的现象，由于在多语种社区中提供的易于通信，仍然是语言处理中的被解读的问题。其背后的主要原因是：（1）利用大型预磨削多语言模型的最小努力，（2）缺乏注释数据。 CS中多语种模型性能低性能的区别案例是导致切换点的语言中的句子内混合。我们首先将两个序列标记任务 - 在4个不同的语言对中，带有套件的预磨料模型，以识别问题，然后选择最佳的执行模型，CHAR-BERT，其中（寻址（1））。然后，我们提出了一种自我训练方法，通过利用未解释的数据（寻址（2））来利用开关点偏置来重新利用开关点偏压来重新利用开关点偏置。我们终于证明我们的方法通过降低切换点性能之间的差距来对两个任务进行良好的，同时保留两种不同语言对中的两个不同语言对。我们的代码可在此处提供：https://github.com/pc09/emnlp2021-switch-point-biased.caString。

Summarization based on text extraction is inherently limited, but generation-style abstractive methods have proven challenging to build. In this work, we propose a fully data-driven approach to abstractive sentence summarization. Our method utilizes a local attention-based model that generates each word of the summary conditioned on the input sentence. While the model is structurally simple, it can easily be trained end-to-end and scales to a large amount of training data. The model shows significant performance gains on the DUC-2004 shared task compared with several strong baselines.