从点云中自动创建几何模型在CAD（例如，逆向工程，制造，组装）中具有许多应用，并且通常在形状建模和处理中。给定一个代表人造对象的分段点云，我们提出了一种识别简单几何原语及其相互关系的方法。我们的方法基于Hough Transform（HT），以应对噪音，缺失零件和离群值的能力。在我们的方法中，我们介绍了一种用于处理分段点云的新技术，该技术通过投票程序能够提供表征每种原始类型的几何参数的初始估计。通过使用这些估计值，我们将对最佳解决方案的搜索定位在尺寸还原的参数空间中，从而使将HT扩展到比文献（即平面和球体中通常发现的）更有效。然后，我们提取了许多以唯一特征段的几何描述符，并且根据这些描述符，我们展示了如何汇总原语（段）（段）。对合成和工业扫描的实验揭示了原始拟合方法的鲁棒性及其在推断细分之间关系的有效性。

协作机器人将对家庭服务应用中的人类福利产生巨大影响，而高级制造业中的工业优势需要灵巧的组装。出色的挑战是为机器人指尖提供一种物理设计，使他们擅长执行需要高分辨率，校准形状重建和力传感的灵活任务。在这项工作中，我们提出了Densetact 2.0，这是一种能够可视化柔软指尖的变形表面并在神经网络中使用该图像来执行校准形状重建和6轴扳手估计的光学传感器。我们证明了用于形状重建的每个像素0.3633mm的传感器精度，0.410N的力量，扭矩为0.387mmnm，以及通过转移学习来校准新手指的能力，实现了可比性的性能，训练了四倍以上，只有12％以上数据集大小。

单细胞RNA-seq数据允许在不断增长的一组生物环境中定量细胞类型差异。但是，确定了一小部分基因组特征来解释这种变异性可能是错误的，并且在计算上很棘手。在这里，我们介绍了MarkerMap，这是一种用于选择最小基因集的生成模型，这些基因集对细胞类型的起源提供最大信息，并启用整个转录组重建。MarkerMap为旨在识别特定细胞类型种群的监督标记选择提供了可扩展的框架，以及针对基因表达插补和重建的无监督标记选择。我们基于Markermap的竞争性能，以实现对真实单细胞基因表达数据集的先前发表的方法。MarkerMap可作为可安装的PIP软件包获得，可作为旨在开发可解释的机器学习技术的社区资源，以增强单细胞研究中的可解释性。

在本文中，我们提出了一种基于短期内存网络的长期方法，以根据过去的测量值预测公共建筑物的能源消耗。我们的方法包括三个主要步骤：数据处理步骤，培训和验证步骤，最后是预测步骤。我们在一个数据集上测试了我们的方法，该数据集由英国国家档案馆的主要建筑物的主要建筑物，在KEW中，作为评估指标，我们使用了平均绝对错误（MAE）和平均绝对百分比错误（Mape）。

本文比较分析随机森林的性能和基于历史数据预测能源消耗的领域的梯度增强算法的性能。应用两种算法以单独预测能源消耗，然后使用加权平均合奏方法合并在一起。所达到的实验结果之间的比较证明，加权平均合奏方法比单独应用的两种算法中的每种都提供了更准确的结果。

自我监督的学习（SSL）已成为几个领域分类和分割任务中的新最先进。其中，SSL中的一个流行类别是蒸馏网络，例如BYOL。这项工作提出了RSDNET，该RSDNET在遥感（RS）域中应用蒸馏网络（BYOL），其中数据与天然RGB图像无关。由于多光谱（MS）和合成孔径雷达（SAR）传感器提供各种光谱和空间分辨率信息，因此我们将它们用作隐式增强，以学习不变特征嵌入。为了通过SSL学习基于RS的不变功能，我们通过两种方式训练了RSDNET，即单频道功能学习和三个通道功能学习。与使用三个或更多频段的常见概念相比，这项工作探讨了从随机MS和SAR频段学习的单个通道特征学习的有用性。在我们的线性评估中，这些单个通道功能在EuroSat分类任务上达到了0.92 F1分数，对于某些单个频段，DFC分割任务上达到了59.6 MIOU。我们还将我们的结果与成像网的重量进行了比较，并表明基于RS的SSL模型的表现优于基于有监督的Imagenet模型。我们进一步探讨了多模式数据与单个模态数据相比的实用性，并且表明，使用MS和SAR数据比仅利用MS数据更好地学习不变表示。

Units equivariance (or units covariance) is the exact symmetry that follows from the requirement that relationships among measured quantities of physics relevance must obey self-consistent dimensional scalings. Here, we express this symmetry in terms of a (non-compact) group action, and we employ dimensional analysis and ideas from equivariant machine learning to provide a methodology for exactly units-equivariant machine learning: For any given learning task, we first construct a dimensionless version of its inputs using classic results from dimensional analysis, and then perform inference in the dimensionless space. Our approach can be used to impose units equivariance across a broad range of machine learning methods which are equivariant to rotations and other groups. We discuss the in-sample and out-of-sample prediction accuracy gains one can obtain in contexts like symbolic regression and emulation, where symmetry is important. We illustrate our approach with simple numerical examples involving dynamical systems in physics and ecology.

全球变暖导致气候极端频率和强度的增加，导致生活巨大损失。准确的远程气候预测允许更多时间进行准备和灾害风险管理，以获得此类极端事件。虽然机器学习方法已经表明了远程气候预测结果，但相关的模型不确定性可能会降低其可靠性。为了解决这个问题，我们提出了一种后期的融合方法，系统地将预测从多种模型中组合以减少融合结果的预期误差。我们还提出了一种具有新型Denormalization层的网络架构，以获得数据标准化的好处，而无需实际归一化数据。远程2M温度预测的实验结果表明，该框架优于30年气候法线，通过增加模型数量可以提高准确性。

我们的目标是讨论其在其理论和实践术语中讨论了强化的计划，指出了在讨论计算模拟的优势的同时实施这些时间表的实际限制。在本文中，我们展示了一个名为喙的R脚本，建立了模拟与加固时间表交互的行为速率。使用喙，我们已经模拟了允许评估不同强化反馈功能（RFF）的数据。这是通过无与伦比的精确度制作的，因为模拟提供了巨大的数据样本，更重要的是，它产生的加强不会改变模拟行为。因此，我们可以系统地改变它。我们将不同的RFF与RI​​时间表进行了比较，用作标准：意义，精确，分析和一般性。我们的结果表明，RI计划的最佳反馈函数由BAUM（1981）公布。我们还建议Killeen（1975）使用的模型是RDRL计划的可行反馈函数。我们认为喙铺平了更多了解加强时间表，解决了关于时间表的定量特征的开放问题。此外，他们可以指导将来使用时间表作为理论和方法工具的实验。

物理启发的潜力模型为纯粹的数据驱动工具提供可解释的替代品，用于动态系统的推断。它们携带微分方程的结构和高斯过程的灵活性，产生可解释的参数和动态施加的潜在功能。然而，与这些模型相关联的现有推理技术依赖于在分析形式中很少可用的后内核术语的精确计算。大多数与从业者相关的应用程序，例如Hill方程或扩散方程，因此是棘手的。在本文中，我们通过提出对一般类非线性和抛物面部分微分方程潜力模型的变分解决方案来克服这些计算问题。此外，我们表明，神经操作员方法可以将我们的模型扩展到数千个实例，实现快速，分布式计算。我们通过在几个任务中实现竞争性能，展示了我们框架的效力和灵活性，其中核的核心不同程度的遗传性。