目的：临床票据含有其他地方未存在的信息，包括药物反应和症状，所有这些都在预测急性护理患者的关键结果时非常重要。我们提出了从临床笔记中的表型作为一种捕获基本信息的方法的自动注释，这与通常使用生命体征和实验室测试结果的互补性，以预测重症监护单元（ICU）中的结果。方法：我们开发一种新颖的表型注释模型，用于注释患者的表型特征，然后用作预测模型的输入特征，以预测ICU患者结果。我们展示并验证了我们的方法对三个ICU预测任务进行实验，包括使用MIMIC-III数据集的医院死亡率，生理失效和超过24,000名患者的逗留时间。结果：掺入表型信息的预测模型实现0.845（AUC-ROC），以预测医院死亡率，0.839（AUC-ROC）的生理失代偿和0.430（Kappa），所有这些都始终胜过基线模型利用只有生命的迹象和实验室测试结果。此外，我们进行了彻底的解释性研究，表明表型在患者和队列水平方面提供了有价值的见解。结论：该方法表明表型信息是传统上使用生命体征和实验室测试结果的补充，改善了ICU中的结果的重要预测。

Predicting emotions expressed in text is a well-studied problem in the NLP community. Recently there has been active research in extracting the cause of an emotion expressed in text. Most of the previous work has done causal emotion entailment in documents. In this work, we propose neural models to extract emotion cause span and entailment in conversations. For learning such models, we use RECCON dataset, which is annotated with cause spans at the utterance level. In particular, we propose MuTEC, an end-to-end Multi-Task learning framework for extracting emotions, emotion cause, and entailment in conversations. This is in contrast to existing baseline models that use ground truth emotions to extract the cause. MuTEC performs better than the baselines for most of the data folds provided in the dataset.

人类运动的模型通常集中在轨迹预测或动作分类上，但很少都很重要。人类运动的标记的异质性和复杂的组成性，使每个任务易受数据劣化和分布转变对现实世界的情景共同的影响。理论上可以在理论上可以在适用于两个任务的统一框架内实现数据调节和分布恢复的足够富有表现力的作用模型。在这里，我们提出了一种基于分层变分的自动化器和深图卷积神经网络的新颖体系结构，用于在多个时间尺度上产生整体动作模型。我们显示该层级图形 - 卷积变分别自动码器（HG-VAE）能够能够产生相干动作，检测分发数据，并通过模型的后临到梯度上升抵消缺失数据。培训和评估H3.6M和最大的开源人类运动数据集合，Amass，我们显示HG-VAE可以促进下游歧视性学习比基线模型更好。

印度车牌检测是一个问题，它在开源级别尚未探讨。可以使用专有解决方案，但没有大的开源数据集可用于执行实验并测试不同的方法。可用的大型数据集是中国，巴西等国家，但在这些数据集上培训的模型对印度板块表现不佳，因为字体样式和板材设计从国家到国家差异很大。这篇论文介绍了印度车牌数据集使用16192图像和21683板板用每个板的4个点注释，并且相应的板中的每个字符.WE呈现了一种使用语义分割来解决数字板检测的基准模型。我们提出了一种两级方法，其中第一阶段是用于本地化板，第二阶段是读取裁剪板图像中的文本.WE测试的基准对象检测和语义分段模型，用于第二阶段，我们使用了LPRNET基于OCR。

良好的数据可视化不仅是无失真的数据图形表示，而且是一种揭示数据统计特性的方法。尽管在数据分析的各个阶段常用，但选择良好的可视化通常是涉及许多迭代的手动过程。最近，兴趣通过开发可以推荐可视化的模型来减少这项努力，但它们的使用量有限，因为它们需要大型培训样本（数据和可视化对）并主要关注设计方面，而不是评估效果选择可视化。在本文中，我们呈现Vizai，一种生成鉴别框架，首先从数据的多个替代可视化生成数据的各种统计特性。它链接到一个辨别模型，该模型选择最佳匹配被可视化数据的真实统计数据。 Vizai可以很容易地培训，可轻松监督，并适应具有不同程度的监督的设置。我们展示了Vizai的众所可求的判断和大型公开可视化的储存库，优于学习推荐可视化的现有方法的状态。