机器学习源代码（MLONCODE）是一项流行的研究领域，该研究领域是由大规模代码存储库的可用性和开发挖掘源代码的强大概率和深度学习模型驱动的流行研究领域。代码到代码建议是MLONCODE中的任务，旨在推荐相关的，不同和简洁的代码片段，这些代码代码代码代码代码段可以在其开发环境（IDE）中使用开发人员编写的代码扩展。代码代码推荐引擎通过减少IDE切换和增加代码重用，保持提高开发人员生产力的承诺。现有的代码代码推荐引擎不会优雅地扩展到大的CodeBases，在代码存储库大小增加时，展示查询时间的线性增长。此外，现有的代码代码推荐引擎未能考虑排名函数中的代码存储库的全局统计信息，例如代码片段长度的分发，导致子最优检索结果。我们通过\ emph {senatus}来解决这两个弱点，这是一个新的代码代码推荐引擎。在SeNatus的核心是\ emph {de-skew} lsh一个新的局部敏感散列（lsh）算法，其索引快速（子线性时间）检索数据，同时使用新颖的抽象语法抵消片段长度分布中的偏差基于树的特征评分和选择算法。我们通过自动评估和专家开发人员用户学习评估SENATU，并发现该建议具有比竞争基线更高的质量，同时实现更快的搜索。例如，在CodeSearchNet DataSet上，我们显示SeNatus通过6.7 \％F1提高性能，并且与Facebook Aroma对代码到代码建议的任务相比，Query Time 16x更快。

In many domains such as transportation and logistics, search and rescue, or cooperative surveillance, tasks are pending to be allocated with the consideration of possible execution uncertainties. Existing task coordination algorithms either ignore the stochastic process or suffer from the computational intensity. Taking advantage of the weakly coupled feature of the problem and the opportunity for coordination in advance, we propose a decentralized auction-based coordination strategy using a newly formulated score function which is generated by forming the problem into task-constrained Markov decision processes (MDPs). The proposed method guarantees convergence and at least 50% optimality in the premise of a submodular reward function. Furthermore, for the implementation on large-scale applications, an approximate variant of the proposed method, namely Deep Auction, is also suggested with the use of neural networks, which is evasive of the troublesome for constructing MDPs. Inspired by the well-known actor-critic architecture, two Transformers are used to map observations to action probabilities and cumulative rewards respectively. Finally, we demonstrate the performance of the two proposed approaches in the context of drone deliveries, where the stochastic planning for the drone league is cast into a stochastic price-collecting Vehicle Routing Problem (VRP) with time windows. Simulation results are compared with state-of-the-art methods in terms of solution quality, planning efficiency and scalability.

Pretrained language models (PLMs) often fail to fairly represent target users from certain world regions because of the under-representation of those regions in training datasets. With recent PLMs trained on enormous data sources, quantifying their potential biases is difficult, due to their black-box nature and the sheer scale of the data sources. In this work, we devise an approach to study the geographic bias (and knowledge) present in PLMs, proposing a Geographic-Representation Probing Framework adopting a self-conditioning method coupled with entity-country mappings. Our findings suggest PLMs' representations map surprisingly well to the physical world in terms of country-to-country associations, but this knowledge is unequally shared across languages. Last, we explain how large PLMs despite exhibiting notions of geographical proximity, over-amplify geopolitical favouritism at inference time.

With big data becoming increasingly available, IoT hardware becoming widely adopted, and AI capabilities becoming more powerful, organizations are continuously investing in sensing. Data coming from sensor networks are currently combined with sensor fusion and AI algorithms to drive innovation in fields such as self-driving cars. Data from these sensors can be utilized in numerous use cases, including alerts in safety systems of urban settings, for events such as gun shots and explosions. Moreover, diverse types of sensors, such as sound sensors, can be utilized in low-light conditions or at locations where a camera is not available. This paper investigates the potential of the utilization of sound-sensor data in an urban context. Technically, we propose a novel approach of classifying sound data using the Wigner-Ville distribution and Convolutional Neural Networks. In this paper, we report on the performance of the approach on open-source datasets. The concept and work presented is based on my doctoral thesis, which was performed as part of the Engineering Doctorate program in Data Science at the University of Eindhoven, in collaboration with the Dutch National Police. Additional work on real-world datasets was performed during the thesis, which are not presented here due to confidentiality.

图像分类的深卷卷神经网络（CNN）依次交替交替进行卷积和下采样操作，例如合并层或陷入困境的卷积，从而导致较低的分辨率特征网络越深。这些降采样操作节省了计算资源，并在下一层提供了一些翻译不变性以及更大的接收领域。但是，这样做的固有副作用是，在网络深端产生的高级特征始终以低分辨率特征图捕获。逆也是如此，因为浅层总是包含小规模的特征。在生物医学图像分析中，工程师通常负责对仅包含有限信息的非常小的图像贴片进行分类。从本质上讲，这些补丁甚至可能不包含对象，而分类取决于图像纹理中未知量表的微妙基础模式的检测。在这些情况下，每一个信息都是有价值的。因此，重要的是要提取最大数量的信息功能。在这些考虑因素的推动下，我们引入了一种新的CNN体​​系结构，该体系结构可通过利用跳过连接以及连续的收缩和特征图的扩展来保留深，中间和浅层层的多尺度特征。使用来自胰腺导管腺癌（PDAC）CT扫描的非常低分辨率斑块的数据集，我们证明我们的网络可以超越最新模型的当前状态。

最近在无监督学习框架中为多元时间表制定代表性的努力。这种表示可以证明在活动识别，健康监测和异常检测等任务中有益。在本文中，我们考虑了一个设置，在该设置中，我们在动态图中观察到每个节点处的时间序列。我们提出了一个名为GraphTNC的框架，用于无监督的图表和时间序列的联合表示。我们的方法采用了对比度学习策略。基于一个假设，即时间序和图演进动力学是平滑的，我们确定了信号表现出近似平稳性的本地时间窗口。然后，我们训练一个编码，该编码允许在社区内分布非邻居信号的分布。我们首先使用合成数据证明了我们提出的框架的性能，随后我们证明它可以证明对使用现实世界数据集的分类任务有益。

流媒体数据中对异常的实时检测正在受到越来越多的关注，因为它使我们能够提高警报，预测故障并检测到整个行业的入侵或威胁。然而，很少有人注意比较流媒体数据（即在线算法）的异常检测器的有效性和效率。在本文中，我们介绍了来自不同算法家族（即基于距离，密度，树木或投影）的主要在线检测器的定性合成概述，并突出了其构建，更新和测试检测模型的主要思想。然后，我们对在线检测算法的定量实验评估以及其离线对应物进行了彻底的分析。检测器的行为与不同数据集（即元功能）的特征相关，从而提供了对其性能的元级分析。我们的研究介绍了文献中几个缺失的见解，例如（a）检测器对随机分类器的可靠性以及什么数据集特性使它们随机执行； （b）在线探测器在何种程度上近似离线同行的性能； （c）哪种绘制检测器的策略和更新原始图最适合检测仅在数据集的功能子空间中可见的异常； （d）属于不同算法家族的探测器的有效性与效率之间的权衡是什么； （e）数据集的哪些特定特征产生在线算法以胜过所有其他特征。

这项研究提出了用于完善神经网络参数或进入连续时间动态系统的控制功能的增量校正方法，以提高解决方案精度，以满足对性能输出变量放置的临时点约束。所提出的方法是将其参数基线围绕基线值的动力学线性化，然后求解将扰动轨迹传输到特定时间点（即临时点）处所需的纠正输入。根据要调整的决策变量的类型，参数校正和控制功能校正方法将开发出来。这些增量校正方法可以用作补偿实时应用中预训练的神经网络的预测错误的手段，在实时应用中，必须在规定的时间点上高精度预测动态系统的准确性。在这方面，在线更新方法可用于增强有限摩托控制的整体靶向准确性，但使用神经政策受到点约束。数值示例证明了拟议方法在火星上的动力下降问题中的应用中的有效性。

本文提出了一个程序性内容发生器，该发生器根据新颖性的开放式和内在的定义来发展Minecraft建筑物。为了实现这一目标，我们使用3D自动编码器评估了个体在潜在空间中的新颖性，并在勘探和转型阶段之间进行了交替。在探索过程中，系统通过在潜在空间（由当前自动编码器定义）中的CPPN - 纳特搜索和约束新颖性搜索进化了CPPN的多个种群。我们应用一组维修和约束功能，以确保候选人在进化过程中遵守基本的结构规则和约束。在转换过程中，我们通过使用新颖的内容来重新验证自动编码器，重塑潜在空间的边界，以识别解决方案空间的新有趣区域。在这项研究中，我们评估了在转型过程中训练自动编码器的五种不同方法及其对人群进化过程中人群质量和多样性的影响。我们的结果表明，与静态模型相比，通过重新训练自动编码器，我们可以实现更好的开放式复杂性，当使用具有多种复杂性的个体的较大数据集进行重新训练时，该模型可以进一步改进。

本文通过将影响建模的任务视为强化学习（RL）过程，引入了范式转变。根据拟议的范式，RL代理通过尝试通过其环境（即背景）来最大化一组奖励（即行为和情感模式）来学习政策（即情感互动）。我们的假设是，RL是交织的有效范式影响引起和与行为和情感示威的表现。重要的是，我们对达马西奥的躯体标记假设的第二个假设建设是，情绪可以成为决策的促进者。我们通过训练Go-Blend Agents来对人类的唤醒和行为进行模型来检验赛车游戏中的假设； Go-Blend是Go-explore算法的修改版本，该版本最近在硬探索任务中展示了最高性能。我们首先改变了基于唤醒的奖励功能，并观察可以根据指定的奖励有效地显示情感和行为模式调色板的代理。然后，我们使用基于唤醒的状态选择机制来偏向Go-Blend探索的策略。我们的发现表明，Go-Blend不仅是有效的影响建模范式，而且更重要的是，情感驱动的RL改善了探索并产生更高的性能剂，从而验证了Damasio在游戏领域中的假设。