随着计算能力已成为数字经济时代的核心生产力，计算和网络收敛的概念（CNC），根据用户的需求，可以动态地安排和分配网络和计算资源，并引起广泛关注。基于任务的属性，网络编排平面需要灵活地部署任务以适当计算节点并将路径安排到计算节点。这是一个涉及资源调度和路径布置的编排问题。由于CNC是相对较新的，因此在本文中，我们回顾了有关CNC的一些研究和应用。然后，我们使用强化学习（RL）设计了CNC编排方法，这是第一次尝试，可以灵活地分配和安排计算资源和网络资源。旨在高利润和低潜伏期。同时，我们使用多因素来确定优化目标，以便根据来自不同方面的总绩效（例如成本，利润，延迟和系统过载）在我们的实验中优化了编排策略。实验表明，与贪婪的方法，随机选择和平衡资源方法相比，提出的基于RL的方法可以实现更高的利润和更低的潜伏度。我们证明RL适合CNC编排。本文启动了RL关于CNC编排的应用程序。

无源的无监督域适应性（SFUDA）旨在使用未标记的目标数据和训练有素的源域模型来学习目标域模型。大多数先前的SFUDA都致力于根据源知识推断目标数据的语义。在不衡量源知识的可传递性的情况下，这些方法不足以利用源知识，并且无法识别推断的目标语义的可靠性。但是，现有的可传递性测量需要源数据或目标标签，而SFUDA中是不可行的。为此，首先，我们提出了一种新颖的不确定性诱导的可传递性表示（UTR），该表示在没有源数据和目标标签的情况下，它利用不确定性作为工具来分析源编码的通道可传递性。域级UTR揭开了编码器通道向目标域的可传输程度，实例级别的UTR表征了推断的目标语义的可靠性。其次，基于UTR，我们为SFUDA提出了一个新颖的校准自适应框架（CAF），包括i）源知识校准模块，该模块指导目标模型学习可转移的源知识并丢弃不可转移的源知识，并且II）校准不可靠语义的目标语义校准模块。在校准的源知识和目标语义的帮助下，该模型可以安全地适应目标领域。我们使用实验结果验证了方法的有效性，并证明所提出的方法在三个SFUDA基准上实现了最先进的性能。代码可在https://github.com/spiresearch/utr上找到。

现有域适应方法假设域差异是由一些离散属性和变化引起的很少的离散属性。因此，我们建议研究一个新问题，即通过连续变化的属性形成无限结构域的晶状体连续域适应（CDA）。利用两个标记的源域和几个观察到的未标记目标域数据的知识，CDA的目的是学习具有连续属性的整个数据分布的通用模型。除了提出新问题的贡献外，我们还提出了一种新颖的方法作为强大的CDA基线。具体而言，首先，我们提出了一种新颖的交替训练策略，以减少多个领域之间的差异，同时概括为看不见的目标域。其次，在估计跨域差异测量时，我们提出了连续性约束。最后，为了使差异与迷你批量大小相结合，我们设计了一个特定领域的队列，以维护源域的全局视图，从而进一步提高了适应性性能。事实证明，我们的方法可以使用广泛的实验实现CDA问题的最新问题。该代码可在https://github.com/spiresearch/cda上找到。

对于诊断各种疾病的诊断，对睡眠阶段进行分类至关重要。但是，现有的自动诊断方法主要采用“金标准”局部脑图（EEG）或医院中多摄像机仪（PSG）机器的其他单型模式传感信号，这些信号昂贵，导入且因此不适合保健点监测在家。为了在家中启用睡眠阶段监控，我们在本文中分析了红外视频与脑电图信号之间的关系，并提出了一项新任务：通过将有用的知识从EEG信号提炼到视觉视频，使用红外视频对睡眠阶段进行分类。为了为该应用程序建立可靠的跨模式基准，我们开发了一个新的数据集，称为通过红外视频和脑电图（$ s^3ve $）看到您的睡眠阶段。 $ s^3ve $是一个大型数据集，包括用于睡眠阶段分类的同步红外视频和脑电图信号，包括105个主题和154,573个视频剪辑，长度超过1100小时。我们的贡献不仅限于数据集，而且还涉及一种新型的跨模式蒸馏基线模型，即结构感知的对比度蒸馏（SACD），以将脑电图知识提升为红外视频特征。 SACD在我们的$ S^3ve $和现有的跨模式蒸馏基准上都达到了最先进的表演。基准方法和基线方法都将被释放给社区。我们希望在睡眠阶段分类中提高更多注意力并促进更多的发展，更重要的是，从临床信号/媒体到传统媒体的跨模式蒸馏。

公平机器学习旨在减轻模型预测的偏见，这对于关于诸如种族和性别等敏感属性的某些群体的偏见。在许多现有的公平概念中，反事实公平通过比较来自原始数据和反事实的预测来衡量因因果角度来源的模型公平。在反事实上，该个人的敏感属性值已被修改。最近，少数作品将反事实公平扩展到图数据，但大多数忽略了可能导致偏差的以下事实：1）每个节点邻居的敏感属性可能会影响预测w.r.t.这个节点; 2）敏感属性可能会导致其他特征和图形结构。为了解决这些问题，在本文中，我们提出了一种新颖的公平概念 - 图形反应性公平，这考虑了上述事实领导的偏差。要学习对图形反事实公平的节点表示，我们提出了一种基于反事实数据增强的新颖框架。在此框架中，我们生成对应于每个节点和邻居敏感属性的扰动的反应性。然后，我们通过最大限度地减少从原始图表中学到的表示与每个节点的反事实之间的差异来执行公平性。合成和真实图的实验表明，我们的框架优于图形反事实公平性的最先进的基线，并且还实现了可比的预测性能。

自从37年和64年前构思了移动通信和人工智能以来，这是一个令人兴奋的旅程。虽然这两个领域独立地演变而来的通信和计算产业，但是快速收敛的5G和深度学习开始显着改变核心通信基础设施，网络管理和垂直应用。本文首先概述了早期移动通信和人工智能的个人路线图，当AI和移动通信开始汇聚时，集中在3G到5G中审查时代。关于电信人工智能，本文进一步详细介绍了移动通信生态系统中人工智能的进展。然后，该文件总结了电信生态系统中AI的分类以及各种国际电信标准化机构指定的进化路径。本文预测了电信人工智能的前瞻性路线图。符合3GPP和ITU-R的时间表5G＆6G，本文进一步探讨了3GPP和奥兰路线之后的网络智能，经验和意图驱动的网络管理和操作，网络AI信令系统，智能中办事处的BSS，智能化由BSS和OSS融合驱动的客户体验管理和政策控制，从SLA到ELA的Evolution，以及垂直智能专用网络。本文的愿景结束了AI将重塑未来B5G或6G景观，我们需要枢转我们的研发，标准化和生态系统，以充分承担前所未有的机会。

Rising usage of deep neural networks to perform decision making in critical applications like medical diagnosis and financial analysis have raised concerns regarding their reliability and trustworthiness. As automated systems become more mainstream, it is important their decisions be transparent, reliable and understandable by humans for better trust and confidence. To this effect, concept-based models such as Concept Bottleneck Models (CBMs) and Self-Explaining Neural Networks (SENN) have been proposed which constrain the latent space of a model to represent high level concepts easily understood by domain experts in the field. Although concept-based models promise a good approach to both increasing explainability and reliability, it is yet to be shown if they demonstrate robustness and output consistent concepts under systematic perturbations to their inputs. To better understand performance of concept-based models on curated malicious samples, in this paper, we aim to study their robustness to adversarial perturbations, which are also known as the imperceptible changes to the input data that are crafted by an attacker to fool a well-learned concept-based model. Specifically, we first propose and analyze different malicious attacks to evaluate the security vulnerability of concept based models. Subsequently, we propose a potential general adversarial training-based defense mechanism to increase robustness of these systems to the proposed malicious attacks. Extensive experiments on one synthetic and two real-world datasets demonstrate the effectiveness of the proposed attacks and the defense approach.

Counterfactual explanations promote explainability in machine learning models by answering the question "how should an input instance be perturbed to obtain a desired predicted label?". The comparison of this instance before and after perturbation can enhance human interpretation. Most existing studies on counterfactual explanations are limited in tabular data or image data. In this work, we study the problem of counterfactual explanation generation on graphs. A few studies have explored counterfactual explanations on graphs, but many challenges of this problem are still not well-addressed: 1) optimizing in the discrete and disorganized space of graphs; 2) generalizing on unseen graphs; and 3) maintaining the causality in the generated counterfactuals without prior knowledge of the causal model. To tackle these challenges, we propose a novel framework CLEAR which aims to generate counterfactual explanations on graphs for graph-level prediction models. Specifically, CLEAR leverages a graph variational autoencoder based mechanism to facilitate its optimization and generalization, and promotes causality by leveraging an auxiliary variable to better identify the underlying causal model. Extensive experiments on both synthetic and real-world graphs validate the superiority of CLEAR over the state-of-the-art methods in different aspects.

通过深度学习技术的开花，完全有监督的基于骨架的动作识别取得了巨大进步。但是，这些方法需要足够的标记数据，这不容易获得。相比之下，基于自我监督的骨骼的动作识别引起了更多的关注。通过利用未标记的数据，可以学会更多可概括的功能来减轻过度拟合的问题并减少大规模标记的培训数据的需求。受到MAE的启发，我们提出了一个空间式蒙面的自动编码器框架，用于基于3D骨架的自我监管的动作识别（Skeletonmae）。在MAE的掩蔽和重建管道之后，我们利用基于骨架的编码器变压器体系结构来重建蒙版的骨架序列。一种新颖的掩蔽策略，称为时空掩蔽，是根据骨架序列的联合级别和框架级别引入的。这种预训练策略使编码器输出可推广的骨骼特征具有空间和时间依赖性。给定未掩盖的骨架序列，编码器用于动作识别任务。广泛的实验表明，我们的骨架达到了出色的性能，并优于NTU RGB+D和NTU RGB+D 120数据集的最新方法。

最近，分布（OOD）的概括引起了人们对基于深度学习模型的鲁棒性和概括能力的关注，因此，已经制定了许多策略来解决与此问题相关的不同方面。但是，大多数现有的OOD概括算法都是复杂的，并且专门为某些数据集设计。为了减轻此问题，Nicochallenge-2022提供了Nico ++，这是一个具有不同上下文信息的大型数据集。在本文中，基于对NICO ++数据集的不同方案的系统分析，我们通过偶联的技巧提出了一个简单但有效的学习框架，包括多目标框架设计，数据增强，培训，培训和推理策略。我们的算法是记忆效率且易于安装的，没有复杂的模块，并且不需要大型预训练模型。它在公共测试集中获得了88.16％的前1位精度，在私人测试集中获得了75.65％的表现，并在域Nicochallenge-2022的域概括任务中排名第1。