电离层中存在的电子密度不规则性会引起全球导航卫星系统（GNSS）信号的显着波动。信号功率的波动称为振幅闪烁，可以通过S4指数进行监测。当实时数据不可用时，基于历史S4索引数据的幅度闪烁的严重程度是有益的。在这项工作中，我们研究了使用单个GPS闪烁监测接收器中使用历史数据来训练机器学习（ML）模型的可能性参数。评估了六种不同的ML型号，其中包装的树模型是其中最准确的，使用平衡数据集获得了预测准确性$ 81 \％$，使用不平衡数据集获得了$ 97 \％$ $。

Federated learning has become a popular machine learning paradigm with many potential real-life applications, including recommendation systems, the Internet of Things (IoT), healthcare, and self-driving cars. Though most current applications focus on classification-based tasks, learning personalized generative models remains largely unexplored, and their benefits in the heterogeneous setting still need to be better understood. This work proposes a novel architecture combining global client-agnostic and local client-specific generative models. We show that using standard techniques for training federated models, our proposed model achieves privacy and personalization that is achieved by implicitly disentangling the globally-consistent representation (i.e. content) from the client-dependent variations (i.e. style). Using such decomposition, personalized models can generate locally unseen labels while preserving the given style of the client and can predict the labels for all clients with high accuracy by training a simple linear classifier on the global content features. Furthermore, disentanglement enables other essential applications, such as data anonymization, by sharing only content. Extensive experimental evaluation corroborates our findings, and we also provide partial theoretical justifications for the proposed approach.

大数据和深度学习的结合是一项破坏世界的技术，如果正确使用，可以极大地影响任何目标。随着深度学习技术中大量医疗保健数据集和进步的可用性，系统现在可以很好地预测任何健康问题的未来趋势。从文献调查中，我们发现SVM用于预测心力衰竭的情况，而无需关联客观因素。利用电子健康记录（EHR）中重要历史信息的强度，我们利用长期记忆（LSTM）建立了一个智能和预测的模型，并根据该健康记录预测心力衰竭的未来趋势。因此，这项工作的基本承诺是使用基于患者的电子药用信息的LSTM来预测心脏的失败。我们已经分析了一个数据集，该数据集包含在Faisalabad心脏病学研究所和Faisalabad（巴基斯坦旁遮普邦）的盟军医院收集的299例心力衰竭患者的病历。这些患者由105名女性和194名男性组成，年龄在40岁和95岁之间。该数据集包含13个功能，这些功能报告了负责心力衰竭的临床，身体和生活方式信息。我们发现我们的分析趋势越来越多，这将有助于促进心中预测领域的知识。

航空基站（ABS）允许智能农场从物联网（IoT）设备的ABS卸载复杂任务的处理责任。 IoT设备的能源和计算资源有限，因此需要为需要ABS支持的系统提供高级解决方案。本文介绍了一种新型的基于多进取的风险敏感的增强学习方法，用于用于智能农业的ABS任务计划。该问题被定义为任务卸载，并在其截止日期之前完成IoT任务的严格条件。此外，该算法还必须考虑ABS的能量能力有限。结果表明，我们提出的方法的表现优于几种启发式方法和经典的Q学习方法。此外，我们提供了混合整数线性编程解决方案，以确定性能的下限，并阐明我们的风险敏感解决方案与最佳解决方案之间的差距。比较证明了我们的广泛仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供保证的任务处理服务，同时增加了该农场中ABS的悬停时间。

第五世代和第六代无线通信网络正在启用工具，例如物联网设备，无人驾驶汽车（UAV）和人工智能，以使用设备网络来改善农业景观，以自动监视农田。对大面积进行调查需要在特定时间段内执行许多图像分类任务，以防止发生事件发生的情况，例如火灾或洪水。无人机具有有限的能量和计算能力，并且可能无法在本地和适当的时间内执行所有强烈的图像分类任务。因此，假定无人机能够部分将其工作量分开到附近的多访问边缘计算设备。无人机需要一种决策算法，该算法将决定将执行任务的位置，同时还考虑网络中其他无人机的时间限制和能量级别。在本文中，我们介绍了一种深入的Q学习方法（DQL）来解决这个多目标问题。将所提出的方法与Q学习和三个启发式基线进行了比较，模拟结果表明，我们提出的基于DQL的方法在涉及无人机的剩余电池电量和违规截止日期的百分比时可相当。此外，我们的方法能够比Q学习快13倍。

自从有新闻以来，假新闻一直存在，从谣言到印刷媒体再到广播电视。最近，信息时代及其沟通和互联网突破加剧了假新闻的传播。此外，除了电子商务外，当前的互联网经济取决于广告，视图和点击，这促使许多开发人员诱饵最终用户点击链接或广告。因此，假新闻通过社交媒体网络的狂野传播影响了现实世界中的问题，从选举到5G的采用以及Covid-19大流行的处理。自虚假新闻出现以来，从事实检查员到基于人工智能的探测器，探测和阻止假新闻的努力就一直存在。由于假新闻传播器采用了更复杂的技术，因此解决方案仍在不断发展。在本文中，R代码已用于研究和可视化现代假新闻数据集。我们使用聚类，分类，相关性和各种图来分析和呈现数据。该实验显示了分类器在与虚假新闻中分开的效率高效率。

用于视觉语言表示学习的变压器已经引起了很多兴趣，并在视觉问题答案（VQA）和接地方面表现出了巨大的表现。但是，大多数显示出良好性能的系统在培训过程中仍然依赖于预训练的对象探测器，这将其适用性限制在可用于这些检测器的对象类中。为了减轻这种限制，以下论文着重于在变形金刚中的视觉问题答案的背景下进行弱监督的基础问题。该方法通过将每个视觉令牌分组在视觉编码器中，并使用语言自我发项层作为文本引导选择模块来利用胶囊，以在将它们转发到下一层之前掩盖它们。我们评估了针对挑战的GQA以及VQA帽数据集的VQA接地的方法。我们的实验表明：在从标准变压器体系结构中删除蒙版对象的信息的同时，胶囊的集成显着提高了此类系统的接地能力，并提供了与其他新的最先进的结果。在现场接近。

太空探索目睹了毅力漫游者登陆火星表面，并展示了火星直升机超越地球以外的第一次飞行。在他们在火星上的任务中，毅力漫游者和Ingenuity合作探索了火星表面，Ingenuity侦察员地形信息为Rover的安全穿越。因此，确定两个平台之间的相对姿势对于此任务的成功至关重要。在这种必要性的驱动下，这项工作提出了基于基于神经形态视觉测量（NVBM）和惯性测量的融合的强大相对定位系统。神经形态视觉的出现引发了计算机视觉社区的范式转变，这是由于其独特的工作原理由现场发生的光强度变化触发的异步事件所划定。这意味着由于照明不变性而无法在静态场景中获取观察结果。为了规避这一限制，在场景中插入了高频活动地标，以确保一致的事件射击。这些地标被用作促进相对定位的显着特征。开发了一种新型的基于事件的地标识别算法，使用高斯混合模型（GMM），用于匹配我们NVBM的地标对应。 NVBM与提议的状态估计器中的惯性测量，地标跟踪Kalman滤波器（LTKF）和翻译解耦的Kalman Filter（TDKF）分别用于地标跟踪和相对定位。该系统在各种实验中进行了测试，并且在准确性和范围方面具有优于最先进的方法。

自闭症谱系障碍（ASD）是一种脑部疾病，其特征是幼儿时期出现的各种体征和症状。 ASD还与受影响个体的沟通缺陷和重复行为有关。已经开发了各种ASD检测方法，包括神经影像学和心理测试。在这些方法中，磁共振成像（MRI）成像方式对医生至关重要。临床医生依靠MRI方式准确诊断ASD。 MRI模态是非侵入性方法，包括功能（fMRI）和结构（SMRI）神经影像学方法。但是，用fMRI和SMRI诊断为专家的ASD的过程通常很费力且耗时。因此，已经开发了基于人工智能（AI）的几种计算机辅助设计系统（CAD）来协助专家医生。传统的机器学习（ML）和深度学习（DL）是用于诊断ASD的最受欢迎的AI方案。这项研究旨在使用AI审查对ASD的自动检测。我们回顾了使用ML技术开发的几个CAD，以使用MRI模式自动诊断ASD。在使用DL技术来开发ASD的自动诊断模型方面的工作非常有限。附录中提供了使用DL开发的研究摘要。然后，详细描述了使用MRI和AI技术在自动诊断ASD的自动诊断期间遇到的挑战。此外，讨论了使用ML和DL自动诊断ASD的研究的图形比较。最后，我们提出了使用AI技术和MRI神经影像学检测ASD的未来方法。

异常模式检测旨在识别与正常偏差明显的情况，并且广泛适用于域。在现有技术中提出了多种异常的检测技术。但是，有一个常见的原则和可扩展的特征选择方法，以便有效发现。通常通过优化预测结果的性能而不是与预期的系统偏差来实现现有的特征选择技术。在本文中，我们提出了一种基于稀疏的自动特征选择（SAFS）框架，其通过特征驱动的大量比率的稀疏性编码系统的结果偏差。 SAF是一种模型 - 无可争议的方法，具有不同发现技术的可用性。 SAF在可在公开的关键护理数据集上验证时维持检测性能超过3倍，计算时间超过3美元。与特征选择的多个基线相比，SAF也会导致卓越的性能。