深度神经网络是各种任务的强大预测因子。但是，它们不会直接捕捉不确定性。使用神经网络集合来量化不确定性与基于贝叶斯神经网络的方法具有竞争力，同时受益于更好的计算可扩展性。然而，神经网络的构建集合是一个具有挑战性的任务，因为除了为整个集合的每个成员选择正确的神经结构或超参数之外，还有增加训练每个模型的成本。我们提出了一种自动化方法，用于生成深神经网络的集合。我们的方法利用联合神经结构和封锁统计数据搜索来生成合奏。我们使用总方差定律来分解深度集成的预测方差，进入炼层（数据）和认知（模型）的不确定性。我们展示了AutodeUQ优于概率的概率BackProjagation，Monte Carlo辍学，深组合，无分配的集合以及多元回归基准的超集合方法。

Identifying coordinate transformations that make strongly nonlinear dynamics approximately linear is a central challenge in modern dynamical systems. These transformations have the potential to enable prediction, estimation, and control of nonlinear systems using standard linear theory. The Koopman operator has emerged as a leading data-driven embedding, as eigenfunctions of this operator provide intrinsic coordinates that globally linearize the dynamics. However, identifying and representing these eigenfunctions has proven to be mathematically and computationally challenging. This work leverages the power of deep learning to discover representations of Koopman eigenfunctions from trajectory data of dynamical systems. Our network is parsimonious and interpretable by construction, embedding the dynamics on a low-dimensional manifold parameterized by these eigenfunctions. In particular, we identify nonlinear coordinates on which the dynamics are globally linear using a modified auto-encoder. We also generalize Koopman representations to include a ubiquitous class of systems that exhibit continuous spectra, ranging from the simple pendulum to nonlinear optics and broadband turbulence. Our framework parametrizes the continuous frequency using an auxiliary network, enabling a compact and efficient embedding, while connecting our models to half a century of asymptotics. In this way, we benefit from the power and generality of deep learning, while retaining the physical interpretability of Koopman embeddings.

The availability of large public datasets and the increased amount of computing power have shifted the interest of the medical community to high-performance algorithms. However, little attention is paid to the quality of the data and their annotations. High performance on benchmark datasets may be reported without considering possible shortcuts or artifacts in the data, besides, models are not tested on subpopulation groups. With this work, we aim to raise awareness about shortcuts problems. We validate previous findings, and present a case study on chest X-rays using two publicly available datasets. We share annotations for a subset of pneumothorax images with drains. We conclude with general recommendations for medical image classification.

We apply computer vision pose estimation techniques developed expressly for the data-scarce infant domain to the study of torticollis, a common condition in infants for which early identification and treatment is critical. Specifically, we use a combination of facial landmark and body joint estimation techniques designed for infants to estimate a range of geometric measures pertaining to face and upper body symmetry, drawn from an array of sources in the physical therapy and ophthalmology research literature in torticollis. We gauge performance with a range of metrics and show that the estimates of most these geometric measures are successful, yielding strong to very strong Spearman's $\rho$ correlation with ground truth values. Furthermore, we show that these estimates, derived from pose estimation neural networks designed for the infant domain, cleanly outperform estimates derived from more widely known networks designed for the adult domain

双边姿势对称性是自闭症谱系障碍（ASD）的潜在风险标志物以及婴儿中先天性肌肉核核糖（CMT）的症状的关键作用，但是当前评估对称性的方法需要费力的临床专家评估。在本文中，我们开发了一个基于计算机视觉的婴儿对称评估系统，利用婴儿的3D人姿势估计。通过对人类角度和对称性评级的调查，我们的发现对我们的系统进行评估和校准，使这种评级表现出较低的评价者可靠性。为了纠正这一点，我们开发了一个贝叶斯的估计量，该估计量是从可犯错的人类评估者的概率图形模型中得出的。我们显示，在预测贝叶斯骨料标签方面，3D婴儿姿势估计模型可以在接收器工作特征曲线性能下实现68％的面积，而2D婴儿姿势估计模型仅为61％，而3D成人姿势估计模型的61％和60％ ，强调了3D姿势和婴儿领域知识在评估婴儿身体对称性方面的重要性。我们的调查分析还表明，人类评分易受较高的偏见和不一致性的影响，因此，我们的最终基于3D姿势的对称评估系统是校准的，但没有直接受到贝叶斯汇总人类评分的直接监督，从而产生了更高的一致性和较低水平的水平和​​较低的水平。 LIMB间评估偏见。

许多机器人任务需要高维传感器，如相机和激光雷达，以导航复杂的环境，但是在这些传感器周围开发认可的安全反馈控制器仍然是一个具有挑战性的公开问题，特别是在涉及学习时的开放问题。以前的作品通过分离感知和控制子系统并对感知子系统的能力做出强烈的假设来证明了感知反馈控制器的安全性。在这项工作中，我们介绍了一种新的启用学习的感知反馈混合控制器，在那里我们使用控制屏障函数（CBF）和控制Lyapunov函数（CLF）来显示全堆叠感知反馈控制器的安全性和活力。我们使用神经网络直接在机器人的观察空间中学习全堆栈系统的CBF和CLF，而无需承担基于感知的状态估计器。我们的混合控制器称为基因座（使用切换启用了学习的观察反馈控制），可以安全地导航未知的环境，始终如一地达到其目标，并将安全性安全地概括为培训数据集之外的环境。我们在模拟和硬件中展示了实验中的轨迹，在那里它使用LIDAR传感器的反馈成功地导航变化环境。

肥胖是一个重大的健康问题，增加了各种主要慢性病的风险，如糖尿病，癌症和中风。虽然通过横断面BMI录音识别的肥胖作用已经过分研究，但BMI轨迹的作用远远不大。在这项研究中，我们利用从大型和地理位置的EHR数据集中提取的BMI轨迹捕获大约200万个人的健康状况为期六年的健康状况。我们根据BMI轨迹定义九个新的可解释和基于证据的变量，以使用K-Means聚类方法将患者聚类为子组。我们在人口统计学，社会经济和生理测量变量方面彻底审查了每个集群特征，以指定簇中患者的不同性质。在我们的实验中，已被重新建立肥胖，高血压，阿尔茨海默和痴呆症的肥胖，高血压，阿尔茨海默氏症和痴呆症的直接关系，并且已经发现有几种慢性疾病的特异性特征的不同簇符合或与现有的知识体系互补。

超重和肥胖仍然是一个主要的全球性公共健康问题，并确定增加未来体重增加风险的个性化模式在预防肥胖症和许多与肥胖症相关的次螯症方面具有至关重要的作用。在这项工作中，我们使用规则发现方法来研究这个问题，通过呈现提供真正的解释性和同时优化所识别模式的准确性（经常正确）的准确性（适用于许多样本）的方法来研究这个问题。具体而言，我们扩展了一个已建立的子组 - 发现方法以生成类型X-> Y的所需规则，并显示如何从X侧提取最高特征，作为Y的最佳预测因子。在我们的肥胖问题中，X是指来自非常大的和多站点EHR数据的提取功能，y表示大量的重量。使用我们的方法，我们还广泛地比较了由个人性别，年龄，种族，保险类型，邻里类型和收入水平决定的22层模式中的模式中的差异和不平等。通过广泛的实验，我们对未来危险体重增加的预测变量显示出新的和互补结果。