在车辆场景中的毫米波链路的光束选择是一个具有挑战性的问题，因为所有候选光束对之间的详尽搜索都不能在短接触时间内被确认完成。我们通过利用像LIDAR，相机图像和GPS等传感器收集的多模级数据来解决这一问题。我们提出了可以在本地以及移动边缘计算中心（MEC）本地执行的个人方式和分布式融合的深度学习（F-DL）架构，并研究相关权衡。我们还制定和解决优化问题，以考虑实际的光束搜索，MEC处理和传感器到MEC数据传送延迟开销，用于确定上述F-DL架构的输出尺寸。在公开的合成和本土现实世界数据集上进行的广泛评估结果分别在古典RF光束上释放出95％和96％的束选择速度提高。在预测前10个最佳光束对中，F-DL还优于最先进的技术20-22％。

Cross-domain graph anomaly detection (CD-GAD) describes the problem of detecting anomalous nodes in an unlabelled target graph using auxiliary, related source graphs with labelled anomalous and normal nodes. Although it presents a promising approach to address the notoriously high false positive issue in anomaly detection, little work has been done in this line of research. There are numerous domain adaptation methods in the literature, but it is difficult to adapt them for GAD due to the unknown distributions of the anomalies and the complex node relations embedded in graph data. To this end, we introduce a novel domain adaptation approach, namely Anomaly-aware Contrastive alignmenT (ACT), for GAD. ACT is designed to jointly optimise: (i) unsupervised contrastive learning of normal representations of nodes in the target graph, and (ii) anomaly-aware one-class alignment that aligns these contrastive node representations and the representations of labelled normal nodes in the source graph, while enforcing significant deviation of the representations of the normal nodes from the labelled anomalous nodes in the source graph. In doing so, ACT effectively transfers anomaly-informed knowledge from the source graph to learn the complex node relations of the normal class for GAD on the target graph without any specification of the anomaly distributions. Extensive experiments on eight CD-GAD settings demonstrate that our approach ACT achieves substantially improved detection performance over 10 state-of-the-art GAD methods. Code is available at https://github.com/QZ-WANG/ACT.

Time series anomaly detection has applications in a wide range of research fields and applications, including manufacturing and healthcare. The presence of anomalies can indicate novel or unexpected events, such as production faults, system defects, or heart fluttering, and is therefore of particular interest. The large size and complex patterns of time series have led researchers to develop specialised deep learning models for detecting anomalous patterns. This survey focuses on providing structured and comprehensive state-of-the-art time series anomaly detection models through the use of deep learning. It providing a taxonomy based on the factors that divide anomaly detection models into different categories. Aside from describing the basic anomaly detection technique for each category, the advantages and limitations are also discussed. Furthermore, this study includes examples of deep anomaly detection in time series across various application domains in recent years. It finally summarises open issues in research and challenges faced while adopting deep anomaly detection models.

基于模型的强化学习和控制已经在各种顺序决策问题领域（包括机器人设置）中表现出巨大的潜力。但是，现实世界中的机器人系统通常会提出限制这些方法的适用性的挑战。特别是，我们注意到在许多工业系统中共同发生的两个问题：1）不规则/异步观察和动作以及2）环境动力学从发作到另一个事件的急剧变化（例如，有效载荷有效惯用属性不同）。我们提出了一个通用框架，该框架通过元学习自适应动力学模型来克服这些困难，以进行连续的时间预测和控制。我们在模拟工业机器人上评估了建议的方法。在此预印的将来迭代中，将添加对实际机器人系统的评估。

腹主动脉瘤（AAA）是一种血管疾病，其中主动脉的一部分肿大，削弱其壁并可能破裂血管。腹部超声已用于诊断，但由于其图像质量和操作员的依赖性有限，通常需要进行CT扫描进行监测和治疗计划。最近，腹部CT数据集已成功用于训练深神经网络以进行自动主动脉分割。因此，可以利用从这项解决的任务中收集的知识来改善我们的AAA诊断和监测分段。为此，我们提出了Cactuss：一种常见的解剖CT-US空间，它是CT和美国模式之间的虚拟桥梁，以实现自动AAA筛选超声检查。仙人掌利用公开可用的标记数据来学习基于从美国和CT继承属性的中介表示。我们在此新表示中训练分割网络，并采用附加的图像到图像翻译网络，使我们的模型能够在真实的B模式图像上执行。与完全监督的方法进行的定量比较证明了在骰子评分和诊断指标方面的能力，这表明我们的方法还满足了AAA扫描和诊断的临床要求。

诊断血液系统恶性肿瘤需要鉴定和分类外周血涂片中的白细胞。由不同的实验室程序，染色，照明和显微镜设置引起的域移位阻碍了最近开发的机器学习方法对从不同站点收集的数据的重复性。在这里，我们提出了一个跨域改编的自动编码器，以在三个不同的白色血细胞中从外周血涂片扫描的单个白细胞的三个不同数据集中提取特征。自动编码器基于R-CNN架构，使其专注于相关的白色血细胞并消除图像中的伪影。为了评估提取特征的质量，我们使用简单的随机森林对单个细胞进行分类。我们表明，由于仅在一个数据集中训练的自动编码器提取的丰富功能，随机森林分类器在看不见的数据集上表现出色，并且在交叉域任务中超越了Oracle网络。我们的结果表明，可以在更复杂的诊断和预后任务中采用这种无监督的方法，而无需添加昂贵的专家标签来看不见数据。

在不同的成像方式上建立自称的语义对应是一项基础但强大的计算机视觉任务。当前的多模式注册技术最大化手工制作的域间相似性功能，在建模非线性强度关系和变形方面受到限制，并且可能需要重新工程或在新任务，数据集和域配对上进行大量重新设计或表现不佳。这项工作提出了反合，这是多模式变形注册的一种无监督的对比表示学习方法。通过将学习的多尺度局部贴片特征投射到共同学习的域间嵌入空间上，Cortareg获得了对非刚性多模式对齐有用的表示形式。在实验上，与新生儿T1-T2脑MRI登记任务上的一系列基线和消融相比，通过在一系列基准中进行平滑且可逆的变形，实现了准确，稳健的结果，并在广泛的变形正则化强度范围内验证了所有方法。

我们提出了一种新的方法来自动校准跟踪的超声探针。为此，我们设计了一个自定义幻影，该幻影由9个具有不同高度的圆锥体组成。这些技巧用作在多个扫描之间匹配的关键点。我们使用卷积神经网络提取它们，以分割每个超声框架中的锥体，然后在整个扫描中跟踪它们。使用基于图像的技术，使用RANSAC和后来完善的精制来估计校准。我们的幻影可以是3D打印的，并且比最先进的方法具有许多优势。幻影设计和算法代码可在线免费获得。由于我们的幻影本身不需要跟踪目标，因此与当前使用的技术相比，易用性的提高。如我们的实验所示，全自动方法概括为新的探针和不同的供应商。我们的方法产生的结果与域专家获得的校准相当。

根据诊断各种疾病的胸部X射线图像的可观增长，以及收集广泛的数据集，使用深神经网络进行了自动诊断程序，已经占据了专家的思想。计算机视觉中的大多数可用方法都使用CNN主链来获得分类问题的高精度。然而，最近的研究表明，在NLP中成为事实上方法的变压器也可以优于许多基于CNN的模型。本文提出了一个基于SWIN变压器的多标签分类深模型，作为实现最新诊断分类的骨干。它利用了头部体系结构来利用多层感知器（也称为MLP）。我们评估了我们的模型，该模型称为“ Chest X-Ray14”，最广泛，最大的X射线数据集之一，该数据集由30,000多名14例著名胸部疾病的患者组成100,000多个额叶/背景图像。我们的模型已经用几个数量的MLP层用于头部设置，每个模型都在所有类别上都达到了竞争性的AUC分数。胸部X射线14的全面实验表明，与以前的SOTA平均AUC为0.799相比，三层头的平均AUC得分为0.810，其平均AUC得分为0.810。我们建议对现有方法进行公平基准测试的实验设置，该设置可以用作未来研究的基础。最后，我们通过确认所提出的方法参与胸部的病理相关区域，从而跟进了结果。

Edge Computing通过同时且连续执行延迟敏感的机器学习（ML）应用程序来启用智能物联网的系统。这些基于边缘的机器学习系统通常是电池供电的（即能量限制的）。他们使用具有不同计算性能的异质资源（例如CPU，GPU和/或FPGA）来满足ML应用程序的延迟约束。面临的挑战是，就这些系统的能量和延迟约束分配了在异质边缘计算系统（HEC）上对不同ML应用程序的请求。为此，我们研究和分析资源分配解决方案，这些解决方案可以在考虑能量限制的同时增加准时任务完成率。重要的是，我们研究了边缘友好的（轻巧）多目标映射启发式方法，这些启发式启发式方法不会偏向于特定的应用程序类型以实现目标；取而代之的是，启发式方法在其映射决策中考虑了同一ML应用程序中的“公平性”。绩效评估表明，根据潜伏期和能源目标，尤其是在低至中等请求的到达率方面，提出的启发式胜诉率优于异质系统中广泛使用的启发式方法。我们观察到准时任务完成率提高了8.9％，节能提高了12.6％，而没有在边缘系统上施加任何明显的开销。