我们提出了一个建议系统，该系统在心理治疗课程中实时向治疗师建议治疗策略。我们的系统使用转交级评级机制，该机制通过计算评分清单的深层嵌入与患者所说的当前句子之间的相似性得分来预测治疗结果。该系统会自动转录连续的音频流，并使用无在线注册的诊断方法将其分为患者和治疗师的转弯。然后，对话对及其计算评级将被馈入深入的强化学习建议，其中会话被视为用户，主题被视为项目。除了评估现有数据集上核心组件的经验优势之外，我们还证明了该系统在Web应用程序中的有效性。

知识管理系统对工业研究人员，化学或研究企业或循证决策的需求很高。但是，现有系统在分类​​和组织纸质见解或关系方面存在局限性。传统数据库通常与记录系统不相交，这限制了其在简明的概述中的实用性。在这项工作中，我们简要调查了该问题空间的现有方法，并提出了一个统一的框架，该框架利用关系数据库记录层次结构信息以促进研究和写作过程，或从连接概念中从参考文献或见解中产生有用的知识。知识管理系统的这种框架使新功能涵盖了改进的层次结构记录，AI辅助头脑风暴和多向关系。潜在的应用包括管理库存和制造或研究企业的变更，或通过基于证据的决策生成分析报告。

在发育过程中，细胞细胞共同居住与其新兴动态之间没有常规关联，这阻碍了我们对细胞种群如何扩散，分化和竞争的理解，即细胞生态学。随着单细胞RNA-Sequencing（RNA-Seq）的最新进展，我们可以通过构造表征细胞特异性转录程序基因表达谱的相似性的网络图来描述这种链接，并分析这些图系统地使用代数拓扑信息的摘要统计数据。我们提出了单细胞拓扑简单分析（SCTSA）。将这种方法应用于不同发展阶段的不同发育阶段的局部细胞网络的单细胞基因表达谱，这揭示了以前看不见的细胞生态拓扑结构。这些网络包含大量的单细胞剖面丛中的腔体，这些腔体指导了更复杂的居住形式的出现。与无效模型相比，我们使用这些网络的拓扑简单架构可视化这些生态模式。斑马鱼胚胎发生的单细胞RNA-seq数据跨越了38,731个细胞，25种细胞类型和12个时间步，我们的方法突出了胃肠道是最关键的阶段，与发育生物学的共识一致。作为非线性，独立和无监督的框架，我们的方法也可以应用于追踪多规模的细胞谱系，识别关键阶段或创建伪时间序列。

In this work, we compare different neural topic modeling methods in learning the topical propensities of different psychiatric conditions from the psychotherapy session transcripts parsed from speech recordings. We also incorporate temporal modeling to put this additional interpretability to action by parsing out topic similarities as a time series in a turn-level resolution. We believe this topic modeling framework can offer interpretable insights for the therapist to optimally decide his or her strategy and improve psychotherapy effectiveness.

与传统的时间序列不同，人类决策的动作序列通常涉及许多认知过程，如信仰，欲望，意图和心理理论，即其他人在思考。这使得预测人类决策使得妥善治疗依据潜在的心理机制。我们建议基于长期短期内存网络（LSTM）使用经常性神经网络架构，以预测人类受试者在其决策中的每一步中采取的行动的时间序列，这是在本研究中的第一次应用这些方法领域。在这项研究中，我们将迭代囚犯困境的8个发表文献中的人类数据整理，包括168,386个个别决定，并将它们的后处理到8,257个行为轨迹，每个球员都有9个动作。同样，我们从10种不同公开的IOWA赌博任务实验与健康人类受试者进行了617个行动的轨迹。我们培训我们的预测网络，从这些出版的人类决策心理实验的行为数据上，并展示了在最先进的方法中展示了预测人类决策在诸如爱荷华州的单一代理场景中的人工决策轨迹赌博任务和多代理场景，如迭代囚犯的困境。在预测中，我们观察到，顶部表演者的权重倾向于具有更广泛的分布，并且LSTM网络中的更大偏差，这表明可能对每个组采用的策略分配的可能解释。

作为一个重要的心理和社会实验，迭代的囚犯困境（IPD）将合作或缺陷作为原子行动视为选择。我们建议研究迭代的囚犯困境（IPD）游戏中在线学习算法的行为，在那里我们研究了整个强化学习剂：多臂匪徒，上下文的强盗和钢筋学习。我们根据迭代囚犯的困境的比赛进行评估，其中多个特工可以以顺序竞争。这使我们能够分析由多个自私的独立奖励驱动的代理所学到的政策的动态，还使我们研究了这些算法适合人类行为的能力。结果表明，考虑当前的情况做出决定是这种社会困境游戏中最糟糕的情况。陈述了有关在线学习行为和临床验证的倍数，以此作为将人工智能算法与人类行为及其在神经精神病疾病中的异常状态联系起来的努力。

通常基于其一致行为和性能来评估人工行为代理，以便在环境中采取连续行动，以最大限度地提高累计奖励的一些概念。然而，现实生活中的人为决策通常涉及不同的策略和行为轨迹，这导致了同样的经验结果。通过各种神经系统和精神病疾病的临床文献激励，我们在此提出了一种更通用和灵活的参数框架，用于连续决策，涉及双流奖励处理机制。我们证明，该框架是灵活性的并且统一足以融合跨越多武装匪徒（MAB），上下文匪徒（CB）和加强学习（RL）的问题，该问题分解了不同级别的顺序决策过程。灵感来自于已知的奖励处理许多精神障碍的异常，我们的临床启发代理商在特定奖励分配的模拟任务中表现出有趣的行为轨迹和比较性能，这是一个捕获赌博任务中的人为决策的现实世界数据集，以及Pacman游戏在终身学习环境中跨越不同的奖励保单。

实时动态环境感知对于拥挤空间的自动机器人至关重要。尽管流行的基于体素的映射方法可以有效地用任意复杂的形状代表3D障碍，但它们几乎无法区分静态和动态障碍，从而导致避免障碍物的性能有限。尽管在自动驾驶中存在大量基于学习的动态障碍检测算法，但四轮驱动器的有限计算资源无法使用这些方法实现实时性能。为了解决这些问题，我们为使用RGB-D摄像机提出了一个实时动态障碍物跟踪和映射系统，以避免四肢障碍物。拟议的系统首先利用带有占用体素图的深度图像来生成潜在的动态障碍区域作为建议。通过障碍区域建议，Kalman滤波器和我们的连续性过滤器将应用于跟踪每个动态障碍物。最后，使用追踪动态障碍的状态基于马尔可夫链提出了环境感知的轨迹预测方法。我们使用定制的四轮驱动器和导航计划者实施了建议的系统。仿真和物理实验表明，我们的方法可以成功地跟踪和代表动态环境中的障碍，并安全地避免障碍。

导航动态环境要求机器人生成无碰撞的轨迹，并积极避免移动障碍。大多数以前的作品都基于一个单个地图表示形式（例如几何，占用率或ESDF地图）设计路径计划算法。尽管他们在静态环境中表现出成功，但由于地图表示的限制，这些方法无法同时可靠地处理静态和动态障碍。为了解决该问题，本文提出了一种利用机器人在板载视觉的基于梯度的B-Spline轨迹优化算法。深度视觉使机器人能够基于体素图以几何形式跟踪和表示动态对象。拟议的优化首先采用基于圆的指南算法，以近似避免静态障碍的成本和梯度。然后，使用视觉检测的移动对象，我们的后水平距离场同时用于防止动态碰撞。最后，采用迭代重新指导策略来生成无碰撞轨迹。仿真和物理实验证明，我们的方法可以实时运行以安全地导航动态环境。

Unsupervised domain adaptation (UDA) for semantic segmentation is a promising task freeing people from heavy annotation work. However, domain discrepancies in low-level image statistics and high-level contexts compromise the segmentation performance over the target domain. A key idea to tackle this problem is to perform both image-level and feature-level adaptation jointly. Unfortunately, there is a lack of such unified approaches for UDA tasks in the existing literature. This paper proposes a novel UDA pipeline for semantic segmentation that unifies image-level and feature-level adaptation. Concretely, for image-level domain shifts, we propose a global photometric alignment module and a global texture alignment module that align images in the source and target domains in terms of image-level properties. For feature-level domain shifts, we perform global manifold alignment by projecting pixel features from both domains onto the feature manifold of the source domain; and we further regularize category centers in the source domain through a category-oriented triplet loss and perform target domain consistency regularization over augmented target domain images. Experimental results demonstrate that our pipeline significantly outperforms previous methods. In the commonly tested GTA5$\rightarrow$Cityscapes task, our proposed method using Deeplab V3+ as the backbone surpasses previous SOTA by 8%, achieving 58.2% in mIoU.