鉴于完整的指纹图像（滚动或拍打），我们介绍了Cyclegan模型，以生成与完整印刷相同身份的多个潜在印象。我们的模型可以控制生成的潜在打印图像中的失真，噪声，模糊和遮挡程度，以获得NIST SD27潜在数据库中介绍的好，坏和丑陋的潜在图像类别。我们的工作的贡献是双重的：（i）证明合成生成的潜在指纹图像与NIST SD27和MSP数据库中的犯罪现场潜伏期的相似性，并由NIST NIST NFIQ 2质量度量和由SOTA指纹匹配器和ROC曲线评估。 （ii）使用合成潜伏期在公共领域增强小型的潜在训练数据库，以提高Deepprint的性能，Deepprint是一种SOTA指纹匹配器，设计用于在三个潜在数据库上滚动的指纹匹配（NIST SD27，NIST SD302和IIITD，以及IIITD，以及IIITD，以及IIITD，以及-slf）。例如，随着合成潜在数据的增强，在具有挑战性的NIST SD27潜在数据库中，Deepprint的排名1检索性能从15.50％提高到29.07％。我们生成合成潜在指纹的方法可用于改善任何潜在匹配器及其单个组件的识别性能（例如增强，分割和特征提取）。

We propose JFP, a Joint Future Prediction model that can learn to generate accurate and consistent multi-agent future trajectories. For this task, many different methods have been proposed to capture social interactions in the encoding part of the model, however, considerably less focus has been placed on representing interactions in the decoder and output stages. As a result, the predicted trajectories are not necessarily consistent with each other, and often result in unrealistic trajectory overlaps. In contrast, we propose an end-to-end trainable model that learns directly the interaction between pairs of agents in a structured, graphical model formulation in order to generate consistent future trajectories. It sets new state-of-the-art results on Waymo Open Motion Dataset (WOMD) for the interactive setting. We also investigate a more complex multi-agent setting for both WOMD and a larger internal dataset, where our approach improves significantly on the trajectory overlap metrics while obtaining on-par or better performance on single-agent trajectory metrics.

Small to medium-scale data science experiments often rely on research software developed ad-hoc by individual scientists or small teams. Often there is no time to make the research software fast, reusable, and open access. The consequence is twofold. First, subsequent researchers must spend significant work hours building upon the proposed hypotheses or experimental framework. In the worst case, others cannot reproduce the experiment and reuse the findings for subsequent research. Second, suppose the ad-hoc research software fails during often long-running computationally expensive experiments. In that case, the overall effort to iteratively improve the software and rerun the experiments creates significant time pressure on the researchers. We suggest making caching an integral part of the research software development process, even before the first line of code is written. This article outlines caching recommendations for developing research software in data science projects. Our recommendations provide a perspective to circumvent common problems such as propriety dependence, speed, etc. At the same time, caching contributes to the reproducibility of experiments in the open science workflow. Concerning the four guiding principles, i.e., Findability, Accessibility, Interoperability, and Reusability (FAIR), we foresee that including the proposed recommendation in a research software development will make the data related to that software FAIRer for both machines and humans. We exhibit the usefulness of some of the proposed recommendations on our recently completed research software project in mathematical information retrieval.

Artificial Intelligence (AI) is having a tremendous impact across most areas of science. Applications of AI in healthcare have the potential to improve our ability to detect, diagnose, prognose, and intervene on human disease. For AI models to be used clinically, they need to be made safe, reproducible and robust, and the underlying software framework must be aware of the particularities (e.g. geometry, physiology, physics) of medical data being processed. This work introduces MONAI, a freely available, community-supported, and consortium-led PyTorch-based framework for deep learning in healthcare. MONAI extends PyTorch to support medical data, with a particular focus on imaging, and provide purpose-specific AI model architectures, transformations and utilities that streamline the development and deployment of medical AI models. MONAI follows best practices for software-development, providing an easy-to-use, robust, well-documented, and well-tested software framework. MONAI preserves the simple, additive, and compositional approach of its underlying PyTorch libraries. MONAI is being used by and receiving contributions from research, clinical and industrial teams from around the world, who are pursuing applications spanning nearly every aspect of healthcare.

由于促进了各种复杂的任务，因此异质自动机器人团队变得越来越重要。对于此类异质机器人，目前尚无一致的方法来描述每个机器人提供的功能。在制造领域，功能建模被认为是针对不同机器提供的语义模型功能的一种有希望的方法。这项贡献研究了如何将能力模型从制造应用到自主机器人领域，并提出了这种能力模型的方法。

酒吧 - 希利尔的结构是正式语言理论的经典结果。它通过构造表明，无上下文语言与普通语言之间的相交本身是无上下文的。但是，其原始配方（Bar-Hillel等人，1961年）都不是其加权扩展（Nederhof和Satta，2003年）都无法使用$ \ epsilon $ -Arcs处理自动机。在此简短的说明中，我们将Bar-Hillel结构概括为即使自动机包含$ \ epsilon $ -Arcs，也可以正确计算交叉路口。我们进一步证明，我们的广义结构导致语法编码输入自动机和语法的结构，同时保留原始结构的渐近尺寸。

关于使用ML模型的一个基本问题涉及其对提高决策透明度的预测的解释。尽管已经出现了几种可解释性方法，但已经确定了有关其解释可靠性的一些差距。例如，大多数方法都是不稳定的（这意味着它们在数据中提供了截然不同的解释），并且不能很好地应对无关的功能（即与标签无关的功能）。本文介绍了两种新的可解释性方法，即Varimp和Supclus，它们通过使用局部回归拟合的加权距离来克服这些问题，以考虑可变重要性。 Varimp生成了每个实例的解释，可以应用于具有更复杂关系的数据集，而Supclus解释了具有类似说明的实例集群，并且可以应用于可以找到群集的较简单数据集。我们将我们的方法与最先进的方法进行了比较，并表明它可以根据几个指标产生更好的解释，尤其是在具有无关特征的高维问题中，以及特征与目标之间的关系是非线性的。

通用近似定理断言，单个隐藏层神经网络在紧凑型集合上具有任何所需的精度，可以近似连续函数。作为存在的结果，通用近似定理支持在各种应用程序中使用神经网络，包括回归和分类任务。通用近似定理不仅限于实现的神经网络，而且还具有复杂，季节，Tessarines和Clifford值的神经网络。本文扩展了广泛的超复杂性神经网络的通用近似定理。确切地说，我们首先介绍非分类超复杂代数的概念。复数，偶数和苔丝是非分类超复合代数的示例。然后，我们陈述了在非分类代数上定义的超复合值的神经网络的通用近似定理。

不确定性的量化对于采用机器学习至关重要，尤其是拒绝分布（OOD）数据回到人类专家进行审查。然而，进步一直很慢，因为计算效率和不确定性估计质量之间必须达到平衡。因此，许多人使用神经网络或蒙特卡洛辍学的深层集合来进行相对最小的计算和记忆时合理的不确定性估计。出乎意料的是，当我们专注于$ \ leq 1 \％$ frese-falds正率（FPR）的现实世界中的约束时，先前的方法无法可靠地检测到OOD样本。值得注意的是，即使高斯随机噪声也无法触发这些流行的OOD技术。我们通过设计一种简单的对抗训练计划来帮助缓解这个问题，该计划结合了辍学合奏所预测的认知不确定性的攻击。我们证明了这种方法可以改善标准数据（即未经对抗制作）上的OOD检测性能，并将标准化的部分AUC从近乎随机的猜测性能提高到$ \ geq 0.75 $。

实际应用程序中使用的答案集程序通常要求该程序可与不同的输入数据一起使用。但是，这通常会导致矛盾的陈述，从而导致不一致的程序。计划中潜在矛盾的原因是相互矛盾的规则。在本文中，我们展示了如何确保程序$ \ mathcal {p} $在给定任何允许的输入数据的情况下仍然是无偶数的。为此，我们介绍了解决冲突的$ \ lambda $ - 扩展名的概念。解决冲突规则$ r $的解决冲突的$ \ lambda $ - 是（默认）文字的设置$ \ lambda $，使得将$ r $的$ r $ ty $ \ lambda $延长到$ \ lambda $解决所有冲突$ r $的所有冲突立刻。我们调查了合适的$ \ lambda $ - 扩展应具有并在此基础上建立的属性，我们制定了一种策略，以计算每个相互冲突的$ \ lambda $ - extensions in $ \ Mathcal {p} $中的每个冲突规则。我们表明，通过实施冲突解决过程，该过程使用$ \ lambda $ extensions连续解决冲突，最终产生了一个程序，该程序在给定任何允许的输入数据的情况下仍然是非矛盾的。