时间序列分析中产生的最重要的问题之一是分叉或变化点检测。也就是说，给定时间序列的集合在不同的参数上，何时基础动力系统的结构发生了变化？对于此任务，我们转向拓扑数据分析（TDA）的领域，该领域编码有关数据形状和结构的信息。近年来，利用TDA的工具用于信号处理任务（称为拓扑信号处理（TSP）（TSP））的想法在很大程度上通过标准管道获得了很多关注，该标准管道计算出Takens嵌入产生的点云的持久同源性。但是，此过程受到计算时间的限制，因为在这种情况下生成的简单复合物很大，但也有很多冗余数据。因此，我们求助于编码吸引子结构的最新方法，该方法构建了代表有关何时在状态空间区域之间动态系统传递的信息的序数分区网络（OPN）。结果是一个加权图，其结构编码有关基础吸引子的信息。我们以前的工作开始寻找以TDA适合的方式包装OPN信息的方法。但是，这项工作仅使用网络结构，而没有采取任何行动来编码其他加权信息。在本文中，我们采取下一步：构建管道来分析使用TDA的加权OPN，并表明该框架为系统中的噪声或扰动提供了更大的弹性，并提高了动态状态检测的准确性。

Detecting actions in untrimmed videos should not be limited to a small, closed set of classes. We present a simple, yet effective strategy for open-vocabulary temporal action detection utilizing pretrained image-text co-embeddings. Despite being trained on static images rather than videos, we show that image-text co-embeddings enable openvocabulary performance competitive with fully-supervised models. We show that the performance can be further improved by ensembling the image-text features with features encoding local motion, like optical flow based features, or other modalities, like audio. In addition, we propose a more reasonable open-vocabulary evaluation setting for the ActivityNet data set, where the category splits are based on similarity rather than random assignment.

Recommendation Systems (RSs) are ubiquitous in modern society and are one of the largest points of interaction between humans and AI. Modern RSs are often implemented using deep learning models, which are infamously difficult to interpret. This problem is particularly exasperated in the context of recommendation scenarios, as it erodes the user's trust in the RS. In contrast, the newly introduced Tsetlin Machines (TM) possess some valuable properties due to their inherent interpretability. TMs are still fairly young as a technology. As no RS has been developed for TMs before, it has become necessary to perform some preliminary research regarding the practicality of such a system. In this paper, we develop the first RS based on TMs to evaluate its practicality in this application domain. This paper compares the viability of TMs with other machine learning models prevalent in the field of RS. We train and investigate the performance of the TM compared with a vanilla feed-forward deep learning model. These comparisons are based on model performance, interpretability/explainability, and scalability. Further, we provide some benchmark performance comparisons to similar machine learning solutions relevant to RSs.

Proximal Policy Optimization (PPO) is a highly popular policy-based deep reinforcement learning (DRL) approach. However, we observe that the homogeneous exploration process in PPO could cause an unexpected stability issue in the training phase. To address this issue, we propose PPO-UE, a PPO variant equipped with self-adaptive uncertainty-aware explorations (UEs) based on a ratio uncertainty level. The proposed PPO-UE is designed to improve convergence speed and performance with an optimized ratio uncertainty level. Through extensive sensitivity analysis by varying the ratio uncertainty level, our proposed PPO-UE considerably outperforms the baseline PPO in Roboschool continuous control tasks.

显微镜图像的质量通常患有光差。这些畸变及其相关点的扩散功能必须进行定量估计以恢复畸变的图像。基于卷积神经网络的最新最先进的方法可以准确量化畸变，但仅限于点光源的图像，例如荧光珠。在这项研究中，我们描述了Phasenet的扩展，使其能够在生物样品的3D图像上使用。为此，我们的方法将特定于对象的信息结合到用于培训网络的模拟图像中。此外，我们通过Richardson-Lucy Deonvolution添加了基于Python的图像恢复。我们证明，具有预测的PSF的反卷积不仅可以消除模拟畸变，还可以提高使用未知残留PSF的真实原始显微镜图像的质量。我们提供代码，以快速，方便的预测和纠正畸变。

用于评估有条件自然语言生成的传统自动化指标使用单个生成的文本和最佳匹配的金标准地面真相文本之间的成对比较。当有多个基础真相可用时，分数将使用参考中的平均或最大操作进行汇总。尽管这种方法在地面真相数据中的多样性（即有条件文本的分布的分散）可以归因于噪声，例如自动语音识别中，但在地面上的多样性的情况下，它不允许进行强有力的评估。真理代表模型的信号。在这项工作中，我们认为现有的指标不适合诸如视觉描述或摘要之类的域，而地面真理在语义上是多样的，并且这些字幕中的多样性捕获了有关上下文的有用的其他信息。我们提出了一种新的范式，用于对条件语言生成模型的多键入评估以及一个新的指标家族，该指标家族使用每种少量样本集比较参考和模型生成的字幕集的分布。我们通过视觉描述中的案例研究证明了方法的实用性：我们在其中证明现有模型优化了单描述质量而不是多样性，并获得了对采样方法和温度影响如何描述质量和多样性的一些见解。

基于变异方法的量子算法是构建量子溶液的最有前途的方法之一，并在过去几年中发现了无数的应用。尽管具有适应性和简单性，但它们的可扩展性和选择合适的ATZ的选择仍然是主要的挑战。在这项工作中，我们报告了基于嵌套的蒙特卡洛树搜索（MCTS）的算法框架，并与组合多部队的bastit相结合（ CMAB）模型，用于量子电路的自动设计。通过数值实验，我们证明了应用于各种问题的算法，包括量子化学中的地面能量问题，在图上进行量子优化，求解线性方程的系统，并找到编码编码与现有方法相比，用于量子误差检测代码的电路，结果表明我们的电路设计算法可以探索更大的搜索空间并优化较大系统的量子电路，从而显示出多功能性和可扩展性。

对不确定性的深入了解是在不确定性下做出有效决策的第一步。深度/机器学习（ML/DL）已被大大利用，以解决处理高维数据所涉及的复杂问题。但是，在ML/DL中，推理和量化不同类型的不确定性的探索少于其他人工智能（AI）领域。特别是，自1960年代以来，在KRR上已经研究了信仰/证据理论，以推理并衡量不确定性以提高决策效率。我们发现，只有少数研究利用了ML/DL中的信念/证据理论中的成熟不确定性研究来解决不同类型的不确定性下的复杂问题。在本调查论文中，我们讨论了一些流行的信念理论及其核心思想，这些理论涉及不确定性原因和类型，并量化它们，并讨论其在ML/DL中的适用性。此外，我们讨论了三种主要方法，这些方法在深度神经网络（DNN）中利用信仰理论，包括证据DNN，模糊DNN和粗糙的DNN，就其不确定性原因，类型和量化方法以及其在多元化问题中的适用性而言。域。根据我们的深入调查，我们讨论了见解，经验教训，对当前最新桥接信念理论和ML/DL的局限性，最后是未来的研究方向。

日常生活的活动措施（ADL）是整体健康状况的重要指标，但难以测量诊所。使用手腕磨损的加速度计自动和准确的人类活动识别（HAR）可以实现ADL的实用和成本高效的远程监控。开发高质量Har中的关键障碍是缺乏大型标记的数据集和在将小型策级数据集培训的模型应用于现实生活中的不均匀数据的连续流时缺乏大型标记数据集和性能损失。在这项工作中，我们设计了一个自我监督的学习范例，以创建可以跨设备和主题概括的加速度计数据的强大表示。我们展示了这种代表可以使用很少的标签分离日常生活活动并实现强大的RAR准确性（在多个基准数据集上）。我们还提出了一种分割算法，可以识别突出活动的段，并在连续的现实生活数据上升高掌握。

超越地球轨道的人类空间勘探将涉及大量距离和持续时间的任务。为了有效减轻无数空间健康危害，数据和空间健康系统的范式转移是实现地球独立性的，而不是Earth-Reliance所必需的。有希望在生物学和健康的人工智能和机器学习领域的发展可以解决这些需求。我们提出了一个适当的自主和智能精密空间健康系统，可以监控，汇总和评估生物医学状态;分析和预测个性化不良健康结果;适应并响应新累积的数据;并提供对其船员医务人员的个人深度空间机组人员和迭代决策支持的预防性，可操作和及时的见解。在这里，我们介绍了美国国家航空航天局组织的研讨会的建议摘要，以便在太空生物学和健康中未来的人工智能应用。在未来十年，生物监测技术，生物标志科学，航天器硬件，智能软件和简化的数据管理必须成熟，并编织成精确的空间健康系统，以使人类在深空中茁壮成长。