太阳能动力学天文台（SDO）是NASA多光谱十年的长达任务，每天都在日常产生来自Sun的观测数据的trabytes，以证明机器学习方法的潜力并铺路未来深空任务计划的方式。特别是，在最近的几项研究中提出了使用图像到图像翻译实际上产生极端超紫罗兰通道的想法，这是一种增强任务较少通道的提高任务的方法，并且由于低下链接而减轻了挑战。深空的速率。本文通过关注四个通道和基于编码器的建筑的排列来研究这种深度学习方法的潜力和局限性，并特别注意太阳表面的形态特征和亮度如何影响神经网络预测。在这项工作中，我们想回答以下问题：可以将通过图像到图像翻译产生的太阳电晕的合成图像用于太阳的科学研究吗？分析强调，神经网络在计数率（像素强度）上产生高质量的图像，通常可以在1％误差范围内跨通道跨通道重现协方差。但是，模型性能在极高的能量事件（如耀斑）的对应关系中大大减少，我们认为原因与此类事件的稀有性有关，这对模型训练构成了挑战。

Derivatives, mostly in the form of gradients and Hessians, are ubiquitous in machine learning. Automatic differentiation (AD), also called algorithmic differentiation or simply "autodiff", is a family of techniques similar to but more general than backpropagation for efficiently and accurately evaluating derivatives of numeric functions expressed as computer programs. AD is a small but established field with applications in areas including computational fluid dynamics, atmospheric sciences, and engineering design optimization. Until very recently, the fields of machine learning and AD have largely been unaware of each other and, in some cases, have independently discovered each other's results. Despite its relevance, general-purpose AD has been missing from the machine learning toolbox, a situation slowly changing with its ongoing adoption under the names "dynamic computational graphs" and "differentiable programming". We survey the intersection of AD and machine learning, cover applications where AD has direct relevance, and address the main implementation techniques. By precisely defining the main differentiation techniques and their interrelationships, we aim to bring clarity to the usage of the terms "autodiff", "automatic differentiation", and "symbolic differentiation" as these are encountered more and more in machine learning settings.

本文详细概述了将连续学习（CL）应用于单课的人类机器人互动（HRI）会议（AVG。31 +-10分钟）的案例研究，其中机器人的心理健康教练是积极的（n = 20）参与者的心理学（PP）练习。我们介绍了互动会议后与参与者进行的简短半结构访谈记录的数据的主题分析（TA）的结果，以及对统计结果的分析，证明了参与者的个性如何影响他们如何看待机器人的方式及其互动。

最近十年表明，人们对机器人作为福祉教练的兴趣越来越大。但是，尚未提出针对机器人设计作为促进心理健康的教练的凝聚力和全面的准则。本文详细介绍了基于基于扎根理论方法的定性荟萃分析的设计和道德建议，该方法是通过三项以用户为中心的涉及机器人福祉教练的三个不同的以用户为中心进行的，即：（1）与参与性设计研究一起进行的。 11名参与者由两位潜在用户组成，他们与人类教练一起参加了简短的专注于解决方案的实践研究，以及不同学科的教练，（2）半结构化的个人访谈数据，这些数据来自20名参加积极心理学干预研究的参与者借助机器人福祉教练胡椒，（3）与3名积极心理学研究的参与者以及2名相关的福祉教练进行了一项参与式设计研究。在进行主题分析和定性荟萃分析之后，我们将收集到收敛性和不同主题的数据整理在一起，并从这些结果中提炼了一套设计准则和道德考虑。我们的发现可以在设计机器人心理福祉教练时考虑到关键方面的关键方面。

维持现实世界中的人类机器人相互作用需要机器人对人类行为特质敏感，并适应其感知和行为模型以满足这些个人偏好。对于情感机器人，这需要学习适应个人情感行为，以为每个人提供个性化的互动体验。持续学习（CL）已被证明可以在代理中实时适应，从而使他们能够通过逐步获得的数据学习，同时保留过去的知识。在这项工作中，我们提出了一个新颖的框架，用于使用基于CL的感知机制对个性化的人类机器人相互作用进行现实应用，以建模个性化的人类机器人相互作用。为了评估所提出的框架，我们使用三种相互作用行为的变体与20名参与者进行概念证明的用户研究：静态和脚本化，使用基于情感的适应性而无需个性化，并将基于情感的适应性与基于情感的适应持续个性化。我们的结果表明，参与者对基于CL的持续个性化的明显偏好，在机器人的拟人化，动画和可爱性等级以及相互作用中观察到的显着改善，以及与机器人在机器人中的评分显着更高的相互作用，因为机器人的评价明显更好。了解参与者的感受。

面部动作单位（AUS）的激活相互影响。尽管一对AU之间的关系可能是复杂且独特的，但现有方法无法具体而明确地代表每个面部显示中每对AUS的此类提示。本文提出了一种AU关系建模方法，该方法深入了解独特的图表，以明确描述目标面部显示的每对AU之间的关系。我们的方法首先将每个AU的激活状态及其与其他AU的关联编码为节点功能。然后，它学习了一对多维边缘功能，以描述每对AUS之间的多个特定于任务的关系线索。在节点和边缘功能学习期间，我们的方法还考虑了独特的面部展示对AUS关系的影响，通过将完整的面部表示作为输入。 BP4D和DISFA数据集的实验结果表明，节点和边缘特征学习模块都为CNN和基于变压器的骨架提供了巨大的性能改进，我们的最佳系统可实现最先进的AU识别结果。我们的方法不仅具有强大的AU识别建模关系线索的能力，而且可以轻松地将其纳入各种骨架中。我们的Pytorch代码可用。

深度神经网络已经证明非常成功，实现了各种任务的人类表现。然而，它们也是昂贵的昂贵，这激发了模型压缩技术的发展，这减少了与深度学习模型相关的资源消耗。然而，最近的研究表明，模型压缩可以对算法公平具有不利影响，在机器学习模型中放大现有偏差。通过该项目，我们的目标是将这些研究扩展到面部表情识别的背景下。为此，我们设置了一个神经网络分类器，以执行面部表情识别，并在其顶部实现多种模型压缩技术。然后，我们在两个面部表情数据集上运行实验，即扩展的Cohn-Kanade数据集（CK + DB）和真实世界的情感面（RAF-DB），以检查压缩技术对模型的个体和组合效果大小，准确性和公平性。我们的实验结果表明：（i）压缩和量化在模型尺寸下降显着降低，对CK + DB和RAF-DB的整体精度的影响最小; （ii）在模型精度方面，与CK + DB相比，RAF-DB培训和测试的分类器似乎更加稳健; （iii）对于RAF-DB，不同的压缩策略似乎并不似乎增加了性别，种族和年龄敏感属性的预测性能的差距，这与CK + DB的结果相比，压缩似乎放大性别的现有偏见。我们分析结果并讨论了我们的研究结果的潜在原因。

太阳能无线电通量以及地磁指数是太阳能活动的重要指标及其效果。耀斑和地磁风暴等极端太阳能事件可能对低地轨道中的卫星的空间环境产生负面影响。因此，预测这些空间天气指数在太空运营和科学方面具有重要意义。在这项研究中，我们提出了一种基于长期短期内存神经网络的模型，以了解时间序列数据的分布，以便使用时间序列以及太阳能图像提供空间天气指标的同时多元27天预测数据。我们展示了30-40 \％的根均方误差改进了，而仅包括使用时间序列数据的太阳能图像数据，而单独使用时间序列数据。与训练有素的深神经网络模型相比，诸如持久性和运行平均预测之类的简单基线也将与训练有素的深神经网络模型进行比较。我们还使用模型集合量化我们预测中的不确定性。

原始的“七个图案”阐述了科学计算领域的基本方法的路线图，其中图案是一种捕获计算和数据移动模式的算法方法。我们介绍了“仿真智力的九个主题”，是一种开发和整合的路线图，以合并科学计算，科学模拟和人工智能所必需的基本算法。我们称之为合并模拟智能（SI），短暂。我们认为模拟智能的主题是相互连接的和相互依存的，很像操作系统层中的组件一样。使用这种隐喻，我们探讨了模拟智能操作系统堆栈（Si-Stack）和其中图案的各层的性质：（1）多种物理和多尺度建模; （2）替代建模和仿真; （3）基于仿真的推理; （4）因果建模和推理; （5）基于代理的建模; （6）概率编程; （7）可微分的编程; （8）开放式优化; （9）机器编程。我们相信图案之间的协调努力提供了加速科学发现的巨大机会，从综合生物和气候科学中解决逆问题，指导核能实验，并预测社会经济环境中的紧急行为。我们详细说明了Si-stack的每层，详细说明了最先进的方法，提出了示例以突出挑战和机遇，并倡导具体的方法来推进主题和与其组合的协同作用。推进和整合这些技术可以实现稳健且有效的假设仿真 - 分析类型的科学方法，我们用几种使用案例为人机组合和自动化学介绍。

与社会辅助性机器人纵向相互作用的研究是确保机器人相关的长期使用和它的看法是不容易的新奇效果的关键。在本文中，我们提出了一个动态贝叶斯网络（DBN）来捕捉纵向互动与会者与远程操作机器人教练（RC）提供正念会话。该DBN模型用于研究复杂，时间参与者自我报告的人格特质之间每周基线福利得分会话评级在5周的纵向研究会议期间引起的面部AU的相互作用，以及。 DBN建模涉及学习促进的多个组件如何有助于会议评级对应RC的看法纵向变化直观的了解，和参与者放松和平静水平的图形表示。该学习模型捕获内和纵向互动学习的会议方面的以下内容：对面部AU状态和会话评级5个人格维度的影响，面部AU的影响对会话等级状态，和项内的影响会议评级。该DBN结构了解使用第一3个时间点和所获得的模型被用于预测的5周的纵向数据的最后2个时间点的会话收视率。该预测是使用了被摄体明智RMSE和R2分数量化。我们也证明了该模型的两个应用程序，即缺少数据集中和新的参与者的纵向会议的收视率估计与给定的个性特征值的估算。由此所获得的DBN模型有利于在纵向数据，并提供推论和概念的理解，其是不可能通过其它回归方法变量之间的条件依赖结构的学习。