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。

传统上，将情感建模视为映射可测量的影响表现的过程，这些过程来自用户输入的多种方式，以影响标签。该映射通常是通过机器学习过程来推断的。如果相反，一个人训练一般的主题不变表示，考虑影响信息，然后使用此类表示形式来建模？在本文中，我们假设影响标签构成了情感表示形式的组成部分，而不仅仅是训练信号，我们探讨了如何采用对比度学习的最新范式来发现目的的一般高级感动式的表示形式建模影响。我们介绍了三种不同的监督对比学习方法，用于考虑影响信息的培训表示。在这项最初的研究中，我们根据来自多种模式的用户信息来测试Recola数据集中唤醒预测的建议方法。结果证明了对比度学习的表示能力及其在提高情感模型准确性方面的效率。除了与端到端的唤醒分类相比，其证据更高的性能之外，最终的表示是通用和主题不合时式的，因为训练受到了任何多模式语料库可用的一般影响信息的指导。

对于任何游戏人工智能任务，包括游戏玩法，测试，玩家建模和程序内容生成，访问准确的游戏状态信息至关重要。自我监督的学习（SSL）技术已证明能够从游戏的高维像素输入到压缩潜在表示中从高维的像素输入中推断出准确的游戏状态信息。对比度学习是SSL的流行范式之一，其中对游戏图像的视觉理解来自与简单图像增强方法定义的不同和类似的游戏状态。在这项研究中，我们介绍了一种新的游戏场景增强技术（名为GameClr），该技术利用游戏引擎来定义和综合不同游戏状态的特定，高度控制的效果图，从而提高了对比性学习表现。我们在Carla驱动模拟器环境的图像上测试了GAMECLR对比度学习技术，并将其与流行的SIMCLR基线SSL方法进行比较。我们的结果表明，与基线相比，GAMECLR可以更准确地从游戏录像中推断游戏的状态信息。引入的方法使我们能够通过直接利用屏幕像素作为输入来进行游戏人工智能研究。

归一化是任何机器学习任务的重要过程，因为它控制数据的属性并影响了整个模型性能。然而，迄今为止，特定形式的正常化形式的影响已在有限的特定领域分类任务中，而不是以一般方式进行了研究。由于缺乏这样的全面研究的激励，我们在本文中调查了LP受限的软性损失分类器在不同的规范订单，幅度和数据维度上的性能在概念证明分类问题和现实世界中流行图像分类中的性能任务。实验结果总共表明，LP受限的软磁损耗分类器不仅可以实现更准确的分类结果，而且同时似乎不太容易过度拟合。在测试的三个流行深度学习体系结构和八个数据集中，核心发现持续存在，并建议LP归一化是在性能和​​收敛性方面的图像分类的推荐数据表示实践，并且反对过度拟合。

自我监督学习（SSL）技术已被广泛用于从高维复杂数据中学习紧凑而有益的表示。在许多计算机视觉任务（例如图像分类）中，此类方法获得了超过监督学习方法的最新结果。在本文中，我们研究是否可以利用SSL方法来学习游戏的准确状态表示的任务，如果是的，则在多大程度上。为此，我们从三个不同的3D游戏中收集游戏镜头和游戏内部状态的相应序列：Vizdoom，Carla Racing Simulator和Google Research Football Eniversion。我们仅使用原始帧训练图像编码器，使用三种广泛使用的SSL算法训练图像编码器，然后尝试从学习的表示形式中恢复内部状态变量。与预训练的基线模型（例如ImageNet）相比，我们在所有三场游戏中的结果都显示了SSL表示与游戏内部状态之间的相关性明显更高。这样的发现表明，基于SSL的视觉编码器可以产生一般的一般 - 不是针对特定任务量身定制的 - 但仅从游戏像素信息中提供了信息丰富的游戏表示。这样的表示反过来可以构成增强游戏中下游学习任务的性能，包括游戏玩法，内容生成和玩家建模。

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。