流行模型是理解传染病的强大工具。但是，随着它们的大小和复杂性的增加，它们可以迅速在计算上棘手。建模方法的最新进展表明，替代模型可用于模拟具有高维参数空间的复杂流行模型。我们表明，深层序列到序列（SEQ2SEQ）模型可以作为具有基于序列模型参数的复杂流行病模型的准确替代物，从而有效地复制了季节性和长期传播动力学。一旦受过培训，我们的代理人可以预测场景比原始模型快几千倍，从而使其非常适合策略探索。我们证明，用博学的模拟器代替传统的流行模型有助于强大的贝叶斯推断。

Ensuring safety is of paramount importance in physical human-robot interaction applications. This requires both an adherence to safety constraints defined on the system state, as well as guaranteeing compliant behaviour of the robot. If the underlying dynamical system is known exactly, the former can be addressed with the help of control barrier functions. Incorporation of elastic actuators in the robot's mechanical design can address the latter requirement. However, this elasticity can increase the complexity of the resulting system, leading to unmodeled dynamics, such that control barrier functions cannot directly ensure safety. In this paper, we mitigate this issue by learning the unknown dynamics using Gaussian process regression. By employing the model in a feedback linearizing control law, the safety conditions resulting from control barrier functions can be robustified to take into account model errors, while remaining feasible. In order enforce them on-line, we formulate the derived safety conditions in the form of a second-order cone program. We demonstrate our proposed approach with simulations on a two-degree of freedom planar robot with elastic joints.

人类服务系统做出关键决策，影响社会中的个人。美国儿童福利系统做出了这样的决定，从筛查热线报告的报告报告，涉嫌虐待或忽视儿童保护性调查，使儿童接受寄养，再到将儿童返回永久家庭环境。这些对儿童生活的复杂而有影响力的决定取决于儿童福利决策者的判断。儿童福利机构一直在探索使用包括机器学习（ML）的经验，数据信息的方法来支持这些决策的方法。本文描述了ML支持儿童福利决策的概念框架。 ML框架指导儿童福利机构如何概念化ML可以解决的目标问题；兽医可用的管理数据用于构建ML；制定和开发ML规格，以反映机构正在进行的相关人群和干预措施；随着时间的流逝，部署，评估和监视ML作为儿童福利环境，政策和实践变化。道德考虑，利益相关者的参与以及避免框架的影响和成功的共同陷阱。从摘要到具体，我们描述了该框架的一种应用，以支持儿童福利决策。该ML框架虽然以儿童福利为中心，但可以推广用于解决其他公共政策问题。

尽管网络体系结构性能取得了重大进展，但对抗性攻击的敏感性使得深度学习具有挑战性地在安全至关重要的应用中实施。本文提出了一种以数据为中心解决此问题的方法。一种具有不同亮度值的非局部降解方法已用于从改良的国家标准技术数据库（MNIST）和加拿大高级研究所（CIFAR-10）数据集中生成对抗性示例。在扰动下，该方法在MNIST数据集中提供了多达9.3％的绝对精度提高，而CIFAR-10数据集则提供了13％。使用具有较高亮度值的转换图像训练会增加分类器的鲁棒性。我们已经证明，转移学习对于对抗机器学习是不利的。结果表明，简单的对抗性示例可以提高弹性，并使深度学习易于在各种应用中应用。

Teaser: How seemingly trivial experiment design choices to simplify the evaluation of human-ML systems can yield misleading results.

转移学习使我们能够利用从一项任务中获得的知识来协助解决另一个或相关任务。在现代计算机视觉研究中，问题是哪个架构对给定的数据集更好地表现更好。在本文中，我们将14种预先训练的Imagenet模型的性能进行比较在组织病理学癌症检测数据集上，其中每个模型都被配置为天真的模型，特征提取器模型或微调模型。DENSENET161已被证明具有高精度，而RESET101具有高召回。适用于后续检查成本高的高精度模型，而低精度，但在后续检查成本低时，可以使用高召回/灵敏度模型。结果还表明，转移学习有助于更快地收敛模型。

基于变压器模型架构的最近深入学习研究在各种域和任务中展示了最先进的性能，主要是在计算机视觉和自然语言处理域中。虽然最近的一些研究已经实施了使用电子健康记录数据的临床任务的变压器，但它们的范围，灵活性和全面性有限。在本研究中，我们提出了一种灵活的基于变换器的EHR嵌入管道和预测模型框架，它引入了利用了医疗域唯一的数据属性的现有工作流程的几个新颖修改。我们展示了灵活设计的可行性，在重症监护病房的案例研究中，我们的模型准确地预测了七种临床结果，这些临床结果与多个未来的时间范围有关的入院和患者死亡率。