在从同质机器人群到异构人类自治团队的多机构团队的运营中，可能会发生意外的事件。虽然对多代理任务分配问题的操作效率是主要目标，但决策框架必须足够聪明，可以用有限的资源来管理意外的任务负载。否则，操作效率将大幅下降，而超载的代理人面临不可预见的风险。在这项工作中，我们为多机构团队提供了一个决策框架，以通过分散的强化学习来考虑负载管理，以学习负载管理，并避免了不必要的资源使用。我们说明了负载管理对团队绩效的影响，并在示例场景中探索了代理行为。此外，在处理潜在的超负荷情况时，开发了一种衡量协作中的代理重要性的衡量标准。

Utilizing the latest advances in Artificial Intelligence (AI), the computer vision community is now witnessing an unprecedented evolution in all kinds of perception tasks, particularly in object detection. Based on multiple spatially separated perception nodes, Cooperative Perception (CP) has emerged to significantly advance the perception of automated driving. However, current cooperative object detection methods mainly focus on ego-vehicle efficiency without considering the practical issues of system-wide costs. In this paper, we introduce VINet, a unified deep learning-based CP network for scalable, lightweight, and heterogeneous cooperative 3D object detection. VINet is the first CP method designed from the standpoint of large-scale system-level implementation and can be divided into three main phases: 1) Global Pre-Processing and Lightweight Feature Extraction which prepare the data into global style and extract features for cooperation in a lightweight manner; 2) Two-Stream Fusion which fuses the features from scalable and heterogeneous perception nodes; and 3) Central Feature Backbone and 3D Detection Head which further process the fused features and generate cooperative detection results. A cooperative perception platform is designed and developed for CP dataset acquisition and several baselines are compared during the experiments. The experimental analysis shows that VINet can achieve remarkable improvements for pedestrians and cars with 2x less system-wide computational costs and 12x less system-wide communicational costs.

Large language models (LLMs) have been shown to be able to perform new tasks based on a few demonstrations or natural language instructions. While these capabilities have led to widespread adoption, most LLMs are developed by resource-rich organizations and are frequently kept from the public. As a step towards democratizing this powerful technology, we present BLOOM, a 176B-parameter open-access language model designed and built thanks to a collaboration of hundreds of researchers. BLOOM is a decoder-only Transformer language model that was trained on the ROOTS corpus, a dataset comprising hundreds of sources in 46 natural and 13 programming languages (59 in total). We find that BLOOM achieves competitive performance on a wide variety of benchmarks, with stronger results after undergoing multitask prompted finetuning. To facilitate future research and applications using LLMs, we publicly release our models and code under the Responsible AI License.

感知环境是实现合作驾驶自动化（CDA）的最基本关键之一，该关键被认为是解决当代运输系统的安全性，流动性和可持续性问题的革命性解决方案。尽管目前在计算机视觉的物体感知领域正在发生前所未有的进化，但由于不可避免的物理遮挡和单辆车的接受程度有限，最先进的感知方法仍在与复杂的现实世界流量环境中挣扎系统。基于多个空间分离的感知节点，合作感知（CP）诞生是为了解锁驱动自动化的感知瓶颈。在本文中，我们全面审查和分析了CP的研究进度，据我们所知，这是第一次提出统一的CP框架。审查了基于不同类型的传感器的CP系统的体系结构和分类学，以显示对CP系统的工作流程和不同结构的高级描述。对节点结构，传感器模式和融合方案进行了审查和分析，并使用全面的文献进行了详细的解释。提出了分层CP框架，然后对现有数据集和模拟器进行审查，以勾勒出CP的整体景观。讨论重点介绍了当前的机会，开放挑战和预期的未来趋势。

如今，机器学习几乎在任何领域都应用。在机器学习中，有许多方法，分类是最基本和关键的方法之一。可以通过分类来解决各种问题。模型设置的功能选择非常重要，并且通过功能工程生产新功能在模型的成功中也具有至关重要的位置。在我们的研究中，欺诈检测分类模型建立在标记和不平衡数据集的情况下作为案例研究。尽管这是一种自然语言处理方法，但已使用单词嵌入创建了客户空间，该方法已在不同领域，尤其是用于推荐系统。作为功​​能，创建空间中的客户向量被馈送到分类模型。此外，为了增加积极标签的数量，通过使用通过嵌入确定的客户相似性，将具有相似特征的行被重新标记为正。将嵌入方法包含在分类中的模型，该模型已与其他模型进行了比较。考虑到结果，可以观察到客户嵌入方法对分类模型的成功有积极影响。

寻找最佳个性化的治疗方案被认为是最具挑战性的精确药物问题之一。各种患者特征会影响对治疗的反应，因此，没有一种尺寸适合 - 所有方案。此外，甚至在治疗过程中均不服用单一不安全剂量可能对患者的健康产生灾难性后果。因此，个性化治疗模型必须确保患者{\ EM安全} {\ EM有效}优化疗程。在这项工作中，我们研究了一种普遍的和基本的医学问题，其中治疗旨在在范围内保持生理变量，优选接近目标水平。这样的任务也与其他域中相关。我们提出ESCADA，这是一个用于这个问题结构的通用算法，在确保患者安全的同时制作个性化和背景感知最佳剂量推荐。我们在Escada的遗憾中获得了高概率的上限以及安全保证。最后，我们对1型糖尿病疾病的{\ em推注胰岛素剂量}分配问题进行了广泛的模拟，并比较ESCADA对汤普森采样，规则的剂量分配者和临床医生的表现。

车辆可见光通信（V-VLC）是一种有前途的智能运输系统（ITS）技术，用于车辆到车辆（V2V）和基础设施（V2I）通信，利用发光二极管（LED）。 V-VLC系统性能的主要劣化因子是噪声。与传统的射频（RF）为基础的系统不同，V-VLC系统包括许多噪声源：太阳辐射，车辆，街道，停车车库和隧道灯的背景照明。传统的V-VLC系统噪声建模基于射击和热噪声形式的添加剂白色高斯噪声假设。在本文中，为了研究V-VLC信道的时间相关和白噪声分量，我们提出了基于Allan方差（AVAR）的噪声分析，该分析提供了一个时间序列分析方法来识别数据的噪声。我们还提出了一种基于广义的维纳流程的V-VLC信道噪声合成方法，以产生不同的噪声分量。我们进一步提出了一种基于卷积的自动化器（CAE）的去噪方案，以减少V-VLC信号噪声，分别实现0.0442和0.0474的重建根均方误差（RMSE），用于室内和室外通道。

背景：虽然卷积神经网络（CNN）实现了检测基于磁共振成像（MRI）扫描的阿尔茨海默病（AD）痴呆的高诊断准确性，但它们尚未应用于临床常规。这是一个重要原因是缺乏模型可理解性。最近开发的用于导出CNN相关性图的可视化方法可能有助于填补这种差距。我们调查了具有更高准确性的模型还依赖于先前知识预定义的判别脑区域。方法：我们培训了CNN，用于检测痴呆症和Amnestic认知障碍（MCI）患者的N = 663 T1加权MRI扫描的AD，并通过交叉验证和三个独立样本验证模型的准确性= 1655例。我们评估了相关评分和海马体积的关联，以验证这种方法的临床效用。为了提高模型可理解性，我们实现了3D CNN相关性图的交互式可视化。结果：跨三个独立数据集，组分离表现出广告痴呆症与控制的高精度（AUC $ \ GEQUQ $ 0.92）和MCI与控制的中等精度（AUC $ \约0.75美元）。相关性图表明海马萎缩被认为是广告检测的最具信息性因素，其其他皮质和皮质区域中的萎缩额外贡献。海马内的相关评分与海马体积高度相关（Pearson的r $ \大约$ -0.86，p <0.001）。结论：相关性地图突出了我们假设先验的地区的萎缩。这加强了CNN模型的可理解性，这些模型基于扫描和诊断标签以纯粹的数据驱动方式培训。