分析来自湍流流动模拟的大规模数据是内存密集型，需要大量资源。这一主要挑战强调了对数据压缩技术的需求。在这项研究中，我们应用基于矢量量化的物理知识的深度学习技术，以产生来自三维湍流流的模拟的离散，低维表示数据。深度学习框架由卷积层组成，并将物理限制融合在流量上，例如保留速度梯度的不可压缩性和全局统计特征。使用基于比较的相似性和物理学的度量来评估模型的准确性。训练数据集是由不可压缩，统计静止，各向同性的各向同性湍流的直接数值模拟产生的。该损失数据压缩方案的性能不仅通过静止，各向同性湍流流动的看不见的数据评估，而且还评估了来自衰减各向同性湍流的数据和泰勒 - 绿色涡流的数据。将压缩比（CR）定义为原始数据大小与压缩的比率，结果表明我们的基于向量量化的模型可以提供CR $ = 85 $与$ O的均线错误（MSE）提供CR $ = 85 $（10 ^ {-3}）$，以及忠实地重现流程统计数据的预测，除了有一些损失的最小尺度。与最近基于传统的AutoEncoder的研究相比，其中压缩在连续空间中进行压缩，我们的模型将CR提高了30多美元，并按一大阶数减少了MSE。我们的压缩模​​型是一种有吸引力的解决方案，适用于需要快速，高质量和低开销编码和大数据的解码。

我们使用数据驱动方法使用尖端深度学习技术来模拟三维湍流流。深度学习框架包括流量的物理限制，例如保留速度梯度张量的不可压缩和全局统计不变。使用基于统计和物理的度量来评估模型的准确性。数据集来自立方框中的不可压缩，统计上固定，各向同性湍流的直接数值模拟。由于数据集的大小是内存密集，因此首先生成速度数据的低维表示，然后将其传递给序列预测网络，该预测网络学习基础数据的空间和时间相关性。通过使用矢量量化的AutoEncoder（VQ-AE）提取来执行维度降低，这就学习离散潜变量。对于序列预测，使用自然语言处理的变压器架构的思想，并与更多标准复发网络（如卷积LSTM）进行比较。这些架构被设计和训练，以执行序列以序列多级分类任务，其中它们采用固定长度（k）的输入序列，并预测具有固定长度（P）的序列，表示未来的时间瞬间流动。我们的短期预测结果表明，由于预测的自回归性质，两种模型的结果的准确性恶化了预测的快照。基于我们的诊断测试，训练有素的Conv变压器模型优于Conv-LSTM One，可以确定地，定量和定性，保留大规模并捕获良好的流量尺度，但在恢复小且间歇的流体运动时失效。

Data-Free Class Incremental Learning (DFCIL) aims to sequentially learn tasks with access only to data from the current one. DFCIL is of interest because it mitigates concerns about privacy and long-term storage of data, while at the same time alleviating the problem of catastrophic forgetting in incremental learning. In this work, we introduce robust saliency guidance for DFCIL and propose a new framework, which we call RObust Saliency Supervision (ROSS), for mitigating the negative effect of saliency drift. Firstly, we use a teacher-student architecture leveraging low-level tasks to supervise the model with global saliency. We also apply boundary-guided saliency to protect it from drifting across object boundaries at intermediate layers. Finally, we introduce a module for injecting and recovering saliency noise to increase robustness of saliency preservation. Our experiments demonstrate that our method can retain better saliency maps across tasks and achieve state-of-the-art results on the CIFAR-100, Tiny-ImageNet and ImageNet-Subset DFCIL benchmarks. Code will be made publicly available.

Dry Eye Disease (DED) is one of the most common ocular diseases: over five percent of US adults suffer from DED. Tear film instability is a known factor for DED, and is thought to be regulated in large part by the thin lipid layer that covers and stabilizes the tear film. In order to aid eye related disease diagnosis, this work proposes a novel paradigm in using computer vision techniques to numerically analyze the tear film lipid layer (TFLL) spread. Eleven videos of the tear film lipid layer spread are collected with a micro-interferometer and a subset are annotated. A tracking algorithm relying on various pillar computer vision techniques is developed. Our method can be found at https://easytear-dev.github.io/.

Artificial intelligence methods including deep neural networks (DNN) can provide rapid molecular classification of tumors from routine histology with accuracy that matches or exceeds human pathologists. Discerning how neural networks make their predictions remains a significant challenge, but explainability tools help provide insights into what models have learned when corresponding histologic features are poorly defined. Here, we present a method for improving explainability of DNN models using synthetic histology generated by a conditional generative adversarial network (cGAN). We show that cGANs generate high-quality synthetic histology images that can be leveraged for explaining DNN models trained to classify molecularly-subtyped tumors, exposing histologic features associated with molecular state. Fine-tuning synthetic histology through class and layer blending illustrates nuanced morphologic differences between tumor subtypes. Finally, we demonstrate the use of synthetic histology for augmenting pathologist-in-training education, showing that these intuitive visualizations can reinforce and improve understanding of histologic manifestations of tumor biology.

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.

通用数据模型解决了标准化电子健康记录（EHR）数据的许多挑战，但无法将其集成深度表型所需的资源。开放的生物学和生物医学本体论（OBO）铸造本体论提供了可用于生物学知识的语义计算表示，并能够整合多种生物医学数据。但是，将EHR数据映射到OBO Foundry本体论需要大量的手动策展和域专业知识。我们介绍了一个框架，用于将观察性医学成果合作伙伴关系（OMOP）标准词汇介绍给OBO铸造本体。使用此框架，我们制作了92,367条条件，8,615种药物成分和10,673个测量结果的映射。域专家验证了映射准确性，并且在24家医院进行检查时，映射覆盖了99％的条件和药物成分和68％的测量结果。最后，我们证明OMOP2OBO映射可以帮助系统地识别可能受益于基因检测的未诊断罕见病患者。

在游戏中，就像在其他许多领域一样，设计验证和测试是一个巨大的挑战，因为系统的大小和手动测试变得不可行。本文提出了一种新方法来自动游戏验证和测试。我们的方法利用了数据驱动的模仿学习技术，这几乎不需要精力和时间，并且对机器学习或编程不了解，设计师可以使用该技术有效地训练游戏测试剂。我们通过与行业专家的用户研究一起研究了方法的有效性。调查结果表明，我们的方法确实是一种有效的游戏验证方法，并且数据驱动的编程将是减少努力和提高现代游戏测试质量的有用帮助。该调查还突出了一些开放挑战。在最新文献的帮助下，我们分析了确定的挑战，并提出了适合支持和最大化我们方法实用性的未来研究方向。

大型语言模型，例如OpenAI的法典和DeepMind的字母，可以生成代码来解决以自然语言表达的各种问题。这项技术已经在至少一项广泛使用的编程编辑器扩展程序中进行了商业化：Github Copilot。在本文中，我们探讨了具有大型语言模型（LLM辅助编程）的编程与程序员协助的先前概念化相似，并且与众不同。我们借鉴了公开可用的经验报告，有关LLM辅助编程以及先前的可用性和设计研究。我们发现，尽管LLM辅助编程通过搜索和重用分享了一些编译，配对编程和编程的属性，但技术可能性和实践经验都存在根本差异。因此，应该将LLM辅助编程视为具有自己独特的属性和挑战的新方法。最后，我们借鉴了用户研究的观察结果，在该观察中，非专家最终用户程序员使用LLM辅助工具来求解电子表格中的数据任务。我们讨论可能出现的问题，并在将大型语言模型应用于最终用户编程时，尤其是对于几乎没有编程专业知识的用户。

小型航空车的重量，空间和功率限制通常会阻止现代控制技术的应用，而无需简化大量模型。此外，高速敏捷行为（例如在无人机赛车中表现出来的行为）使这些简化的模型过于不可靠，无法安全至关重要。在这项工作中，我们介绍了时变备份控制器（TBC）的概念：用户指定的操作与备份控制器相结合，该备份控制器生成了参考轨迹，从而确保了非线性系统的安全性。与传统的备份控制器相比，TBC减少了保守主义，可以直接应用于多机构协调以确保安全性。从理论上讲，我们提供了严格减少保守主义的条件，描述了如何在多个TBC之间切换并显示如何将TBC嵌入多代理设置。在实验上，我们验证TBC在过滤飞行员的动作时会安全地增加操作自由，并在将两个四肢的分散安全过滤应用于分散的安全过滤时，证明了稳健性和计算效率。