Remote state estimation of large-scale distributed dynamic processes plays an important role in Industry 4.0 applications. In this paper, we focus on the transmission scheduling problem of a remote estimation system. First, we derive some structural properties of the optimal sensor scheduling policy over fading channels. Then, building on these theoretical guidelines, we develop a structure-enhanced deep reinforcement learning (DRL) framework for optimal scheduling of the system to achieve the minimum overall estimation mean-square error (MSE). In particular, we propose a structure-enhanced action selection method, which tends to select actions that obey the policy structure. This explores the action space more effectively and enhances the learning efficiency of DRL agents. Furthermore, we introduce a structure-enhanced loss function to add penalties to actions that do not follow the policy structure. The new loss function guides the DRL to converge to the optimal policy structure quickly. Our numerical experiments illustrate that the proposed structure-enhanced DRL algorithms can save the training time by 50% and reduce the remote estimation MSE by 10% to 25% when compared to benchmark DRL algorithms. In addition, we show that the derived structural properties exist in a wide range of dynamic scheduling problems that go beyond remote state estimation.

在本文中，我们旨在改善干扰限制的无线网络中超级可靠性和低延迟通信（URLLC）的服务质量（QoS）。为了在通道连贯性时间内获得时间多样性，我们首先提出了一个随机重复方案，该方案随机将干扰能力随机。然后，我们优化了每个数据包的保留插槽数量和重复数量，以最大程度地减少QoS违规概率，该概率定义为无法实现URLLC的用户百分比。我们构建了一个级联的随机边缘图神经网络（REGNN），以表示重复方案并开发一种无模型的无监督学习方法来训练它。我们在对称场景中使用随机几何形状分析了QoS违规概率，并应用基于模型的详尽搜索（ES）方法来找到最佳解决方案。仿真结果表明，在对称方案中，通过模型学习方法和基于模型的ES方法实现的QoS违规概率几乎相同。在更一般的情况下，级联的Regnn在具有不同尺度，网络拓扑，细胞密度和频率重复使用因子的无线网络中很好地概括了。在模型不匹配的情况下，它的表现优于基于模型的ES方法。

多用户多输入多输出（MU-MIMO）系统可用于满足5G和超越网络的高吞吐量要求。基站在上行链路MU-MIMO系统中为许多用户提供服务，从而导致多用户干扰（MUI）。设计用于处理强大MUI的高性能探测器具有挑战性。本文分析了最先进消息传递（MP）检测器中使用高MUI的后验分布近似引起的性能降解。我们开发一个基于图神经网络的框架来微调MP检测器的腔分布，从而改善MP检测器中的后验分布近似。然后，我们提出了两个基于神经网络的新型检测器，它们依赖于期望传播（EP）和贝叶斯平行干扰取消（BPIC），分别称为GEPNET和GPICNET探测器。 GEPNET检测器可最大化检测性能，而GPICNET检测器平衡了性能和复杂性。我们提供了置换量比属性的证明，即使在具有动态变化的用户数量的系统中，也只能对检测器进行一次培训。仿真结果表明，所提出的GEPNET检测器性能在各种配置中接近最大似然性能，而GPICNET检测器将BPIC检测器的多路复用增益加倍。

在无线网络控制系统（WNCSS）对共享无线资源的传输计划文献中，大多数研究工作都集中在部分分布式设置上，即控制器和执行器或传感器和控制器共存。为了克服这一限制，目前的工作考虑了具有分布式工厂，传感器，执行器和控制器的完全分布的WNC，共享了有限数量的频道。为了克服沟通限制，控制器计划传输并生成用于控制的顺序预测命令。使用随机系统理论的元素，我们得出了WNC的足够稳定性条件，该条件在控制和通信系统参数方面均已说明。一旦满足条件，就会至少存在一种固定和确定性的调度政策，可以稳定WNC的所有植物。通过分析和代表WNC的每步成本函数，根据有限的可数值矢量状态，我们将最佳的传输调度问题提出到马尔可夫决策过程问题，并开发基于深入的基于强化的算法，以求解以解决的算法它。数值结果表明，所提出的算法显着优于基准策略。

Artificial intelligence is creating one of the biggest revolution across technology driven application fields. For the finance sector, it offers many opportunities for significant market innovation and yet broad adoption of AI systems heavily relies on our trust in their outputs. Trust in technology is enabled by understanding the rationale behind the predictions made. To this end, the concept of eXplainable AI emerged introducing a suite of techniques attempting to explain to users how complex models arrived at a certain decision. For cross-sectional data classical XAI approaches can lead to valuable insights about the models' inner workings, but these techniques generally cannot cope well with longitudinal data (time series) in the presence of dependence structure and non-stationarity. We here propose a novel XAI technique for deep learning methods which preserves and exploits the natural time ordering of the data.

像许多团队运动一样，篮球涉及两组球员，他们从事合作和对抗性活动以赢得比赛。球员和团队正在执行各种复杂的策略，以比对手获得优势。定义，识别和分析不同类型的活动是体育分析中的一项重要任务，因为它可以导致球员和教练人员更好地策略和决策。本文的目的是自动识别篮球小组的活动，从跟踪代表玩家和球的位置的数据。我们在团队运动中提出了一种新颖的深度学习方法，以称为NETS。为了有效地对团队运动中的玩家关系进行建模，我们将基于变压器的体系结构与LSTM嵌入结合在一起，以及一个团队合并层以识别小组活动。培训这样的神经网络通常需要大量注释数据，这会产生高标签成本。为了解决手动标签的稀缺性，我们在自我监督的轨迹预测任务上生成弱标签并预处理神经网络。我们使用了从632个NBA游戏中的大型跟踪数据集来评估我们的方法。结果表明，NET能够以高准确性学习小组活动，并且网络中的自我监督训练对GAR的准确性产生了积极影响。

基于BERT的微调模型在内存，计算和时间上是资源密集的。尽管许多先前的工作旨在通过压缩技术（例如修剪）提高推论效率，但这些作品并未明确解决培训对下游任务的计算挑战。我们介绍了学习者模块和启动，新颖的方法，以利用预训练的语言模型的过度参数化，以获得收敛速度和资源利用率的好处。学习者模块通过微调参数的微调来导航1）有效训练的双结合，以及2）通过确保快速收敛和高度度量得分有效训练。我们在Distilbert上的结果表明，学习者在与基础方面的表现或超过基线。学习者训练7倍的参数比胶水上的最新方法少。在可乐方面，学习者快速调整20％，并且资源利用率显着降低。

除了主要的诊断目的之外，放射学报告一直是医学研究中的宝贵信息来源。鉴于放射学报告的语料，研究人员往往有兴趣识别描述特定医疗发现的报告子集。由于放射学报告中的医学发现的空间是巨大的并且可能是无限的，最近的研究提出了在放射学报告中的自由文本陈述，从有限词汇中采取的半结构化串。本文旨在提出一种方法，用于自动生成放射学报告的半结构化表示。该方法包括匹配从放射学报告的句子来手动创建半结构化表示，然后学习序列到序列神经模型，将匹配的句子映射到它们的半结构化表示。我们在手动注释的胸部X射线放射学报告的Openi语料上进行了评估了所提出的方法。结果表明，所提出的方法优于几个基线，无论如何（1）诸如BLEU，RUEGE和流星等定量措施和放射科学家的定性判断。结果还表明，培训的模型对来自不同医疗提供者的胸X射线放射学报告的样本型语料库产生合理的半结构化表示。