随着越来越强调降低海上风（OSW）行业的运营和维护成本（O $ \＆$ M），因此需要探索深度学习（DL）的新方法和应用到域中的要求。基于条件的监控（CBM）一直处于最新研究开发基于警报的系统和数据驱动决策的最前沿。本文简要介绍了该领域正在进行的研究，特别关注警报序列建模以及其实施中面临的相关挑战。本文提出了一个新颖的想法，以比较长期记忆（LSTM）和双向LSTM（BILSTM）模型，预测一组相关的修复动作。使用Bilstm实现高达80.23 $ \％$的培训准确性结果，并且测试准确性结果高达76.01 $ \％$，这表明了未来研究中可以进一步进一步研究所提出方法的潜在好处。本文介绍了一个框架，该框架将拟议的方法集成到o $ \＆$ m程序中，并讨论了潜在的好处，其中包括减少过多的警报，以及不必要的船只转移到涡轮机进行故障诊断和矫正。

This paper proposes a new 3D gas distribution mapping technique based on the local message passing of Gaussian belief propagation that is capable of resolving in real time, concentration estimates in 3D space whilst accounting for the obstacle information within the scenario, the first of its kind in the literature. The gas mapping problem is formulated as a 3D factor graph of Gaussian potentials, the connections of which are conditioned on local occupancy values. The Gaussian belief propagation framework is introduced as the solver and a new hybrid message scheduler is introduced to increase the rate of convergence. The factor graph problem is then redesigned as a dynamically expanding inference task, coupling the information of consecutive gas measurements with local spatial structure obtained by the robot. The proposed algorithm is compared to the state of the art methods in 2D and 3D simulations and is found to resolve distribution maps orders of magnitude quicker than typical direct solvers. The proposed framework is then deployed for the first time onboard a ground robot in a 3D mapping and exploration task. The system is shown to be able to resolve multiple sensor inputs and output high resolution 3D gas distribution maps in a GPS denied cluttered scenario in real time. This online inference of complicated plume structures provides a new layer of contextual information over its 2D counterparts and enables autonomous systems to take advantage of real time estimates to inform potential next best sampling locations.

蒙特卡洛算法的划分策略是使贝叶斯推断可扩展到大数据集的越来越流行的方法。以其最简单的形式，数据分配在多个计算核心和每个核心上的单独的马尔可夫链蒙特卡洛算法上，我们将相关的部分后验分布（我们称为子形象），这是后验，仅给定后验，只有来自的数据。与该核心关联的分区段。划分和诱导技术减少了计算，内存和磁盘瓶颈，但很难重组后方样品。我们提出了瑞士人：具有通货膨胀，缩放和转移的子派员；一种新的方法，用于重新组合易于应用的次级样品，缩放到高维参数空间，并通过亚物质样品的仿射转换准确地近似原始的后验分布。我们证明，我们的转换在一系列自然的仿射转换中是渐近的最佳选择，并说明了瑞士对合成和现实世界数据集的竞争算法的功效。

基于代理的计算宏观经济学是一个具有丰富学术史的领域，但是它一直在努力进入主流政策设计工具箱，这与代表复杂而动态的现实相关的挑战困扰。加固学习领域（RL）也有悠久的历史，最近是几个指数发展的中心。现代的RL实现能够达到前所未有的复杂水平，处理以前不可思议的复杂程度。这篇评论调查了宏观经济建模中基于经典代理技术的历史障碍，并考虑了RL的最新发展是否可以克服任何一个。

本文提出了一种新的FNC-1假新闻分类任务的方法，其中涉及使用类似NLP任务的预训练编码器模型，即句子相似性和自然语言推断，并提出了使用这种方法的两个神经网络架构。探讨了数据增强方法作为解决数据集中的类不平衡的一种手段，采用常见的先前存在的方法，并提出了一种使用新句子否定算法的代表性不足类中样本生成的方法。与现有基线相当的总体性能是可比的，而对于FNC-1的代表性不足但仍然重要的类别的准确性显着提高了准确性。

深度神经网络在图像分类中Excel Excel，但它们对输入扰动的性能比人类感知更强。在这项工作中，我们可以通过在深卷积网络中纳入脑激发的经常性动态来探讨此缺点是否可以部分地解决。我们从神经科学的一个受欢迎的框架中获取灵感：“预测编码”。在分层模型的每层，生成反馈'预测'（即，重建）前一层中的活动模式。重建错误用于迭代地更新时间间隔内的网络的表示，并通过自然图像数据集来优化网络的反馈权重 - 一种无监督的培训形式。我们展示将此策略实施到两个流行的网络中，VGG16和高效网络，从而提高了对各种损坏和对抗的攻击的鲁棒性。我们假设其他前馈网络可以类似地受益于所提出的框架。为了在这种方向上促进研究，我们提供称为PRIGEIFY的基于开放的Pytorch的包，其可用于实施和研究预测编码动态在任何卷积神经网络中的影响。