表征数字图像中的血管对于许多类型的疾病诊断以及辅助关于血管系统的目前的研究是重要的。血管的自动分析通常需要图像中的血管或一组图像中的识别或分割，这通常是一个具有挑战性的任务。已经显示卷积神经网络（CNNS）以提供关于血管分割的优异结果。 CNNS的一个重要方面是它们可以在大量数据上培训，然后例如在图像处理软件中提供以进行广泛使用。然后可以在下游血管表征任务中容易地施加预先训练的CNN，例如血管的长度，曲纹或口径的计算。然而，如果预先训练的CNN可以提供稳健，无偏见，则仍然不清楚，在应用于它们未接受培训的数据集时会导致下游任务。在这里，我们专注于测量血管的曲折性，并调查CNNS的程度，即使在将网络微调到新的数据集之后，CNNS也可以提供偏置曲折值。我们表明，通过在数据集上划痕的CNN获得的CNN获得的曲折度值可能与通过在具有不同曲折统计数据的数据集上进行预先培训的微调网络获得的曲折性值。此外，我们表明，在微调网络时，细分性能的改善并不一定导致对曲折估计的相应改进。为了减轻上述问题，我们也提出了即使在他们没有提高分割性能的情况下也要应用特定的数据增强技术。

SNCF, the French public train company, is experimenting to develop new types of transportation services by tackling vehicle routing problems. While many deep learning models have been used to tackle efficiently vehicle routing problems, it is difficult to take into account time related constraints. In this paper, we solve the Capacitated Vehicle Routing Problem with Time Windows (CVRPTW) and the Capacitated Pickup and Delivery Problem with Time Windows (CPDPTW) with a constructive iterative Deep Learning algorithm. We use an Attention Encoder-Decoder structure and design a novel insertion heuristic for the feasibility check of the CPDPTW. Our models yields results that are better than best known learning solutions on the CVRPTW. We show the feasibility of deep learning techniques for solving the CPDPTW but witness the limitations of our iterative approach in terms of computational complexity.

Geospatial Information Systems are used by researchers and Humanitarian Assistance and Disaster Response (HADR) practitioners to support a wide variety of important applications. However, collaboration between these actors is difficult due to the heterogeneous nature of geospatial data modalities (e.g., multi-spectral images of various resolutions, timeseries, weather data) and diversity of tasks (e.g., regression of human activity indicators or detecting forest fires). In this work, we present a roadmap towards the construction of a general-purpose neural architecture (GPNA) with a geospatial inductive bias, pre-trained on large amounts of unlabelled earth observation data in a self-supervised manner. We envision how such a model may facilitate cooperation between members of the community. We show preliminary results on the first step of the roadmap, where we instantiate an architecture that can process a wide variety of geospatial data modalities and demonstrate that it can achieve competitive performance with domain-specific architectures on tasks relating to the U.N.'s Sustainable Development Goals.

在动态和远程环境中，对自主系统的高级自治和鲁棒性的需求促使开发人员提出了新的软件体系结构。一种常见的架构样式是将机器人系统的功能总结为基本动作（称为技能）的功能，在该动作上，在该动作中实施了技能管理层以结构，测试和控制功能层。但是，当前可用的验证工具仅在不复制系统实际执行的模型上提供特定于任务的验证或验证，这使得难以确保其对意外事件的鲁棒性。为此，已经开发出一种工具，即Skinet，以将系统的基于技能的架构转换为Petri网络，以建模技能和资源的状态机器行为。 Petri NET允许使用模型检查，例如线性时间逻辑（LTL）或计算树逻辑（CTL），以供用户分析和验证系统的模型。

音频是人类交流最常用的方式之一，但与此同时，它很容易被欺骗人们滥用。随着AI的革命，几乎每个人都可以访问相关技术，从而使罪犯犯罪和伪造变得简单。在这项工作中，我们引入了一种深度学习方法，以开发一种分类器，该分类器将盲目地将输入音频分类为真实或模仿。提出的模型接受了从大型音频数据集提取的一组重要功能的培训，以获取分类器，该分类器已在不同音频的相同功能上进行了测试。为这项工作创建了两个数据集；所有英语数据集和混合数据集（阿拉伯语和英语）。这些数据集已通过GitHub提供，可在https://github.com/sass7/dataset上使用研究社区。为了进行比较，还通过人类检查对音频进行了分类，主题是母语人士。随之而来的结果很有趣，并且表现出强大的精度。

从视觉感觉数据中控制人造代理是一项艰巨的任务。强化学习（RL）算法可以在这方面取得成功，但需要代理与环境之间进行大量相互作用。为了减轻该问题，无监督的RL建议采用自我监督的互动和学习，以更快地适应未来的任务。但是，目前的无监督策略是否可以改善概括能力，尤其是在视觉控制设置中。在这项工作中，我们为数据有效的视觉控制设计了有效的无监督RL策略。首先，我们表明，使用无监督的RL收集的数据预先训练的世界模型可以促进适应未来的任务。然后，我们与我们的混合计划者分析了一些设计选择，以有效地适应了代理的预训练组件，并在想象中学习和计划，并与我们的混合计划者一起使用，我们将其dub dyna-mpc进行了。通过结合一项大规模实证研究的发现，我们建立了一种方法，该方法强烈改善了无监督的RL基准测试的性能，需要20美元$ \ times $ $ $ $ $ \少于数据以符合监督方法的性能。该方法还表明了在现实词的RL基准测试上的稳健性能，暗示该方法概括为嘈杂的环境。

无线网络的第五生成（5G）将更加自适应和异质。可重新配置的智能表面技术使5G能够在多仪波形上工作。但是，在这样的动态网络中，特定调制类型的识别至关重要。我们提出了基于人工智能的RIS辅助数字分类方法。我们培训卷积神经网络以对数字调制进行分类。所提出的方法可以直接在接收的信号上学习并学习特征，而无需提取功能。介绍和分析了卷积神经网络学到的功能。此外，还研究了在特定SNR范围内接收信号的强大功能。发现所提出的分类方法的准确性很显着，尤其是对于低水平的SNR。

在过去的十年中，图上的信号处理已成为一个非常活跃的研究领域。具体而言，使用从图形上构建的框架（例如图上的小波）在统计或深度学习中的应用数量显着增加。我们特别考虑通过数据驱动的小波紧密框架方法在图表上进行信号的情况。这种自适应方法基于使用Stein的无偏风险估计校准的阈值，该阈值适合于紧密框架表示。我们可以使用Chebyshev-Jackson多项式近似值将其扩展到大图，从而可以快速计算小波系数，而无需计算laplacian特征性组成。但是，紧密框架的过度本质将白噪声转化为相关的噪声。结果，转换噪声的协方差出现在确定的差异项中，因此需要计算和存储框架，从而导致大图的不切实际计算。为了估计这种协方差，我们基于零均值和单位方差随机变量的快速转换制定和分析蒙特卡洛策略。这种新的数据驱动的denoisisy方法可以在差异隐私中发现自然应用。从真实和模拟数据的大小变化图上进行了全面的性能分析。

背景：了解OMICS与表型之间的关系是精确医学中的一个核心问题。代谢组学数据的高维度挑战学习算法在可伸缩性和概括方面。大多数学习算法都不产生可解释的模型 - 方法：我们根据决策规则的结合或分离提出了一种集合学习算法。 - 结果：代谢组学数据的应用显示，它会产生可实现高预测性能的模型。模型的解释性使它们可用于生物标志物发现和高维数据中的模式发现。

我们解决了人类反应生成的挑战性任务，该任务旨在基于输入动作产生相应的反应。大多数现有作品并不集中于产生和预测反应，并且在仅给出动作作为输入时就无法产生运动。为了解决这一限制，我们提出了一种新型的相互作用变压器（Interformer），该变压器由具有时间和空间浓度的变压器网络组成。具体而言，时间的注意力捕获了字符及其相互作用的运动的时间依赖性，而空间注意力则了解每个字符的不同身体部位与相互作用的一部分之间的依赖关系。此外，我们建议使用图形通过相互作用距离模块提高空间注意力的性能，以帮助关注两个字符的附近关节。关于SBU相互作用，K3HI和Duetdance数据集的广泛实验证明了Interformer的有效性。我们的方法是一般的，可用于产生更复杂和长期的相互作用。