在线多人游戏中游戏的复杂性产生了强烈的兴趣对玩家使用的不同游戏或策略进行建模。我们为在线多人游戏战场3开发了一个分层贝叶斯回归方法，其中性能被建模为角色，游戏类型和由该玩家在每个比赛中都采取的地图。我们之前使用Dirichlet进程，使得在我们的回归模型中具有类似玩家特定系数的玩家的聚类，这使我们能够在战场3个玩家的样本中发现常见的游戏样式。这种贝叶斯半导体聚类方法有几个优点：不需要指定常用播放样式的数量，玩家可以在多个集群之间移动，并且所产生的分组通常具有直接解释。我们详细审视战场3个玩家中最常见的游戏风格，并找到了展出整体高性能的玩家组，以及在特定游戏类型，地图和角色中表现特别良好的玩家的分组。我们还能够区分播放者，这些玩家是从混合播放器展示在其比赛中展出多种游戏风格的混合播放器的稳定成员。建模这种不同游戏风格的景观将帮助游戏开发人员开发新参与者的专门教程，并在在线匹配队列中提高互补团队的构建。

The widespread of false information is a rising concern worldwide with critical social impact, inspiring the emergence of fact-checking organizations to mitigate misinformation dissemination. However, human-driven verification leads to a time-consuming task and a bottleneck to have checked trustworthy information at the same pace they emerge. Since misinformation relates not only to the content itself but also to other social features, this paper addresses automatic misinformation checking in social networks from a multimodal perspective. Moreover, as simply naming a piece of news as incorrect may not convince the citizen and, even worse, strengthen confirmation bias, the proposal is a modality-level explainable-prone misinformation classifier framework. Our framework comprises a misinformation classifier assisted by explainable methods to generate modality-oriented explainable inferences. Preliminary findings show that the misinformation classifier does benefit from multimodal information encoding and the modality-oriented explainable mechanism increases both inferences' interpretability and completeness.

最近的研究表明，看似公平的机器学习模型在为对人们的生活或福祉产生影响的决策提供信息（例如，涉及教育，就业和贷款的申请）可能会在长期内无意中增加社会不平等。这是因为先前的公平意识算法仅考虑静态公平限制，例如机会均等或人口统计奇偶。但是，强制执行这种类型的限制可能会导致模型对处境不利的个人和社区产生负面影响。我们介绍ELF（执行长期公平性），这是第一个分类算法，可提供高信任公平保证，以长期或延迟影响。我们证明，ELF返回不公平解决方案的概率小于用户指定的公差，并且（在轻度假设下），如果有足够的培训数据，ELF能够找到并返回公平的解决方案，如果存在一个公平的解决方案。我们通过实验表明，我们的算法可以成功缓解长期不公平。

为了对绘画进行艺术研究，经常使用多种成像技术，例如视觉光摄影，红外反射学，紫外荧光摄影和X射线照相术。对于像素的比较，必须注册多模式图像。我们提出了一个注册和可视化软件工具，该工具嵌入了卷积神经网络，以在历史绘画中提取裂纹结构的跨模式特征以进行自动注册。图形用户界面处理用户的输入以配置注册参数，并与注册的配对和图像叠加层（例如，通过个人或同步缩放或视图的动作）进行交互性调整图像视图。在评估中，我们在定性和定量上显示了我们软件工具在注册性能和对多模式绘画的推理时间短以及其可转移性方面的有效性，并通过将我们的方法应用于历史印刷品。

在眼科成像中，多个成像系统，例如颜色眼底，红外，荧光素血管造影，光学相干断层扫描（OCT）或OCT血管造影，通常涉及诊断视网膜疾病。多模式的视网膜注册技术可以通过在不同方式或获取时间的图像中提供基于像素的比较容器结构的比较来帮助眼科医生。为此，我们提出了一种用于多模式视网膜图像注册的端到端可训练的深度学习方法。我们的方法从血管结构中提取卷积特征，以进行关键点检测和描述，并使用图形神经网络进行特征匹配。 KePoint检测和描述网络和图形神经网络使用合成多模式图对以自我监督的方式共同训练，并通过合成采样的地面真实同谱进行指导。我们的方法证明了较高的注册精度作为我们的合成视网膜数据集的竞争方法，并为我们的真实黄斑数据集和公共底面数据集提供了很好的概括。

知识库及其以知识图（kg）形式的表示自然是不完整的。由于科学和工业应用已广泛采用，因此对完成信息的解决方案的需求很高。最近的一些作品通过学习实体和关系的嵌入来应对这一挑战，然后雇用它们来预测实体之间的新关系。尽管它们加重了，但大多数方法仅着眼于学习嵌入的当地邻居。结果，他们可能无法通过忽视长期依赖性和实体语义的传播来捕获KGS的上下文信息。在此手稿中，我们提出{\ ae} MP（来自多种模式的注意力嵌入），这是一种通过以下方式学习上下文化表示的新颖模型：实体的本地语义，同时着眼于邻里的各个方面； （ii）通过利用道路及其之间的关系来捕获语义上下文。我们的经验发现吸引了人们对注意力机制如何改善实体的上下文表示以及结合实体和语义路径环境如何改善实体的一般表示和关系预测的见解。几个大知识图基准的实验结果表明，{\ ae} MP的表现要优于最先进的关系预测方法。

眼科成像利用不同的成像系统，例如彩色眼底，红外线，荧光素血管造影，光学相干断层扫描（OCT）或OCT血管造影。通常分析具有不同模态或采集时间的多种图像用于诊断视网膜疾病。通过多模态登记自动对准图像中的血管结构可以支持其工作中的眼科医生。我们的方法使用卷积神经网络在多模态视网膜图像中提取血管结构的特征。我们使用分类和跨模板描述符丢失功能共同列车在小块上进行小贴检测和描述网络，并将网络应用于测试阶段的完整图像尺寸。我们的方法与竞争方法相比，我们和公共多模态数据集上的最佳注册性能。

最新的2D图像压缩方案依赖于卷积神经网络（CNN）的力量。尽管CNN为2D图像压缩提供了有希望的观点，但将此类模型扩展到全向图像并不简单。首先，全向图像具有特定的空间和统计特性，这些特性无法通过当前CNN模型完全捕获。其次，在球体上，基本的数学操作组成了CNN体系结构，例如翻译和采样。在本文中，我们研究了全向图像的表示模型的学习，并建议使用球体的HealPix均匀采样的属性来重新定义用于全向图像的深度学习模型中使用的数学工具。特别是，我们：i）提出了在球体上进行新的卷积操作的定义，以保持经典2D卷积的高表现力和低复杂性； ii）适应标准的CNN技术，例如步幅，迭代聚集和像素改组到球形结构域；然后iii）将我们的新框架应用于全向图像压缩的任务。我们的实验表明，与应用于等应角图像的类似学习模型相比，我们提出的球形溶液可带来更好的压缩增益，可以节省比特率的13.7％。同样，与基于图形卷积网络的学习模型相比，我们的解决方案支持更具表现力的过滤器，这些过滤器可以保留高频并提供压缩图像的更好的感知质量。这样的结果证明了拟议框架的效率，该框架为其他全向视觉任务任务打开了新的研究场所，以在球体歧管上有效实施。