在加强学习的背景下，我们介绍了一个国家的关键性的概念，这表明在该特定状态下采取行动的选择程度影响预期的回报。也就是说，采取行动的选择更容易影响最终结果的状态被认为比它不太可能影响最终结果的国家更为重要。我们制定了基于临界的不同步骤编号算法（CVS） - 一种灵活的步骤编号算法，其利用人类提供的临界功能，或直接从环境中学到。我们在包括Atari Pong环境，道路树环境和射击环境的三个不同领域中测试它。我们展示了CVS能够优于流行的学习算法，如深Q-Learning和Monte Carlo。

当被要求进行学生执行特定的任务时，她对这项任务难度的主观估计对她的表现产生了强烈影响。关于感知任务难度对性能和动机的影响存在丰富的文献。然而，还有另一个主题与在以前的研究中没有受到任何关注的感知任务困难的影响的主题 - 揭示一项任务对学生的真正难度的影响。本文通过实验调查了揭示任务难以通过实验的实验来解决学生的表现，动机，自我效力和主观任务价值。此外，我们讨论了实验结果如何与AI辅助教育相关。具体而言，我们详细阐述了如何通过支持两种类型的AI系统来支持学生的学习经验的问题：一个AI系统，其预测任务难度和一个AI系统，确定何时应该揭示任务难度何时。

当AI代理人不与人类价值观对齐时，他们可能会造成严重伤害。解决价值对齐问题的一种方法是包括监视所有代理的行为的人工操作员。尽管如此，这种解决方案保证了最大的安全性，它是非常效率的，因为它需要人类运营商将他的所有关注献给代理商。在本文中，我们提出了一个更有效的解决方案，允许运营商在不忽视他的监控任务的情况下从事其他活动。在我们的方法中，AI代理只要求运营商的权限仅适用于关键行动，即可能有害的行动。我们介绍了关于AI安全的关键行动的概念，并讨论如何构建测量动作关键性的模型。我们还讨论操作员的反馈如何用于使代理商更智能。

我们展示了单轨道路问题。在这个问题中，两个代理在一条道路的相对位置时面对每个代理，这一次只能有一个试剂通过。我们专注于一个代理人是人类的情景，而另一个是一种自主代的代理人。我们在一个简单的网格域中与人类对象进行实验，这模拟了单轨道路问题。我们表明，当数据有限时，建立准确的人类模型是非常具有挑战性的，并且基于该数据的加强学习代理在实践中表现不佳。但是，我们表明，试图最大限度地提高人力效用和自己的实用程序的线性组合的代理，达到了高分，并且显着优于其他基线，包括试图仅最大化其自身的实用性的代理。

In today's uncertain and competitive market, where enterprises are subjected to increasingly shortened product life-cycles and frequent volume changes, reconfigurable manufacturing systems (RMS) applications play a significant role in the manufacturing industry's success. Despite the advantages offered by RMS, achieving a high-efficiency degree constitutes a challenging task for stakeholders and decision-makers when they face the trade-off decisions inherent in these complex systems. This study addresses work tasks and resource allocations to workstations together with buffer capacity allocation in RMS. The aim is to simultaneously maximize throughput and minimize total buffer capacity under fluctuating production volumes and capacity changes while considering the stochastic behavior of the system. An enhanced simulation-based multi-objective optimization (SMO) approach with customized simulation and optimization components is proposed to address the abovementioned challenges. Apart from presenting the optimal solutions subject to volume and capacity changes, the proposed approach support decision-makers with discovered knowledge to further understand the RMS design. In particular, this study presents a problem-specific customized SMO combined with a novel flexible pattern mining method for optimizing RMS and conducting post-optimal analyzes. To this extent, this study demonstrates the benefits of applying SMO and knowledge discovery methods for fast decision-support and production planning of RMS.

我们提出了一种新颖的端到端方法，用于在事件流中进行关键点检测和跟踪，该方法比以前的方法提供了更好的精度和更长的关键点轨道。两项贡献共同努力使这成为可能。首先，我们提出了一个简单的过程来生成稳定的关键点标签，我们用来训练复发架构。该培训数据导致检测随着时间的推移非常一致。此外，我们观察到以前的按键检测方法在一段时间内集成事件的表示形式（例如时间表面）。由于需要这种集成，因此我们声称最好预测时间段的关键点的轨迹，而不是单个位置，如先前的方法中所做的那样。我们以一系列热图的形式预测这些轨迹在整合时间段。这可以改善关键点本地化。我们的体系结构也可以保持非常简单，从而导致非常快的推理时间。我们在HVGA ATIS角数据集以及“事件相机数据集和模拟器”数据集上演示了我们的方法，并将其显示为“关键点”轨道的三倍，几乎是最好的先前最佳先前最佳先前的轨道轨迹。 - 艺术方法。我们认为我们的方法可以推广到其他基于事件的相机问题，并发布我们的源代码以鼓励其他作者探索它。

变异自动编码器（VAE）容易受到对抗攻击的影响。对手可以在输入样本中找到一个小的扰动，以更改其潜在编码，从而损害重建。这种脆弱性的一个已知原因是由近似潜在后部和先前分布之间的不匹配引起的潜在空间扭曲。因此，输入的略有变化会导致潜在空间编码发生重大变化。本文表明，数据点的灵敏度是由于编码器网络引起的随机回调度量张量的定向偏置。回调度量张量从输入到潜在空间的无限体积变化。因此，可以将其视为镜头，以分析输入的小变化的影响，从而导致潜在空间中的扭曲。我们建议使用回调度量的特征性评估得分。此外，我们从经验上表明，分数与$ \ beta- $ vae的稳健性参数$ \ beta $相关。

我们提出了Theseus，这是一个有效的应用程序不合时宜的开源库，用于在Pytorch上构建的可区分非线性最小二乘（DNL）优化，为机器人技术和视觉中的端到端结构化学习提供了一个共同的框架。现有的DNLS实施是特定应用程序的，并且并不总是纳入许多对效率重要的成分。 Theseus是应用程序不可静止的，正如我们使用的几个示例应用程序所用的，这些应用程序是使用相同的基础可区分组件构建的，例如二阶优化器，标准成本功能和Lie组。为了提高效率，TheseUS纳入了对稀疏求解器，自动矢量化，批处理，GPU加速度和梯度计算的支持，并具有隐式分化和直接损耗最小化。我们在一组应用程序中进行了广泛的性能评估，显示出这些功能时显示出明显的效率提高和更好的可扩展性。项目页面：https：//sites.google.com/view/theseus-ai

视网膜性状或表型，总结了单个数字的视网膜图像的特定方面。然后可以将其用于进一步的分析，例如使用统计方法。但是，将复杂图像的一个方面减少到一个有意义的数字是具有挑战性的。因此，计算视网膜性状的方法往往是复杂的多步管道，只能应用于高质量的图像。这意味着研究人员通常必须丢弃大量可用数据。我们假设可以通过一个更简单的步骤来近似此类管道，这可以使常见的质量问题变得强大。我们提出了视网膜特征（DART）的深近似，其中使用深神经网络预测了这些图像的合成降解版本的高质量图像的现有管道的输出。我们使用来自英国生物库的视网膜图像计算出的视网膜分形尺寸（FD）的飞镖，这些图像先前的工作被确定为高质量。我们的方法在看不见的测试图像上显示与FD吸血鬼非常一致（Pearson r = 0.9572）。即使这些图像严重退化，DART仍然可以恢复FD估计值，该估计值与从原始图像获得的FD吸血鬼表示良好（Pearson r = 0.8817）。这表明我们的方法可以使研究人员将来丢弃更少的图像。我们的方法可以使用单个GPU计算超过1,000IMG/s的FD。我们认为这些是非常令人鼓舞的初步结果，并希望将这种方法发展为视网膜分析的有用工具。

连续归一化流（CNF）是一类生成模型，可以通过求解普通的微分方程（ODE）将先验分布转换为模型分布。我们建议通过最大程度地减少概率路径差异（PPD）来训练CNF，这是CNF产生的概率密度路径与目标概率密度路径之间的新型差异家族。 PPD是使用对数质量保护公式制定的，该公式是线性的一阶部分微分方程，将对数目标概率和CNF的定义向量场进行配方。 PPD比现有方法具有多个关键好处：它避免了在迭代中解决颂歌的需求，很容易应用于歧管数据，比例到高维度，并与大型目标路径兼容，该目标路径在有限的时间内插值纯噪声和数据。从理论上讲，PPD显示为结合经典概率差异。从经验上讲，我们表明，通过最小化PPD实现最新的CNF在现有的低维歧管基准上获得了最新的可能性和样品质量，并且是生成模型以扩展到中度高维歧管的第一个示例。