文本样式传输（TST）旨在在保持相同内容的同时将源文本的底层样式更改为另一种特定样式。由于高质量平行训练数据的稀缺性，无监督的学习已成为TST任务的趋势方向。在本文中，我们提出了一种新的基于VAE的文本方式转移，具有Pivot词增强学习（VT-LOWER）方法，该方法利用变分AutiConder（VAE）和外部风格嵌入，共同学习语义和风格分布。此外，我们介绍了枢轴词学习，它用于学习特定风格的决定性词语，从而进一步提高风格转移的整体性能。所提出的vt-rtower可以缩放到不同的TST场景，因为具有新颖和灵活的风格强度控制机制的非常有限和非平行训练数据。实验表明，VT-BURER优于语言，形式和代码切换TST任务的最先进。

The problem of broad practical interest in spatiotemporal data analysis, i.e., discovering interpretable dynamic patterns from spatiotemporal data, is studied in this paper. Towards this end, we develop a time-varying reduced-rank vector autoregression (VAR) model whose coefficient matrices are parameterized by low-rank tensor factorization. Benefiting from the tensor factorization structure, the proposed model can simultaneously achieve model compression and pattern discovery. In particular, the proposed model allows one to characterize nonstationarity and time-varying system behaviors underlying spatiotemporal data. To evaluate the proposed model, extensive experiments are conducted on various spatiotemporal data representing different nonlinear dynamical systems, including fluid dynamics, sea surface temperature, USA surface temperature, and NYC taxi trips. Experimental results demonstrate the effectiveness of modeling spatiotemporal data and characterizing spatial/temporal patterns with the proposed model. In the spatial context, the spatial patterns can be automatically extracted and intuitively characterized by the spatial modes. In the temporal context, the complex time-varying system behaviors can be revealed by the temporal modes in the proposed model. Thus, our model lays an insightful foundation for understanding complex spatiotemporal data in real-world dynamical systems. The adapted datasets and Python implementation are publicly available at https://github.com/xinychen/vars.

对抗训练（AT）方法有效地防止对抗性攻击，但它们在不同阶级之间引入了严重的准确性和鲁棒性差异，称为强大的公平性问题。以前建议的公平健壮的学习（FRL）适应重新重量不同的类别以提高公平性。但是，表现良好的班级的表现降低了，导致表现强劲。在本文中，我们在对抗训练中观察到了两种不公平现象：在产生每个类别的对抗性示例（源级公平）和产生对抗性示例时（目标级公平）时产生对抗性示例的不​​同困难。从观察结果中，我们提出平衡对抗训练（BAT）来解决强大的公平问题。关于源阶级的公平性，我们调整了每个班级的攻击强度和困难，以在决策边界附近生成样本，以便更容易，更公平的模型学习；考虑到目标级公平，通过引入统一的分布约束，我们鼓励每个班级的对抗性示例生成过程都有公平的趋势。在多个数据集（CIFAR-10，CIFAR-100和IMAGENETTE）上进行的广泛实验表明，我们的方法可以显着超过其他基线，以减轻健壮的公平性问题（最坏的类精度为+5-10 \％）

随着Gen III核反应堆的质量构建，使用深度学习（DL）技术是一种流行的趋势，以快速有效地诊断可能发生的事故。为了克服使用深度学习理论诊断反应堆事故的先前工作的常见问题，本文提出了一个诊断过程，以确保对嘈杂和残废的数据的鲁棒性稳健性并且可以解释。首先，提出了一种新颖的剥离垫垫自动编码器（DPAE）来提取监视数据，其表示提取器仍在具有高达25.0的信噪比的干扰数据上有效，并监视丢失的数据丢失的数据高达40.0％。其次，提出了使用DPAE编码器提取表示形式的诊断框架，然后提出了浅统计学习算法，并在41.8％和80.8％的分类和回归任务评估指标上测试了这种逐步诊断方法，并在受干扰的数据集上进行了测试 - 到端诊断方法。最后，提出了使用SHAP和特征消融的分层解释算法，以分析输入监视参数的重要性并验证高重要性参数的有效性。这项研究的结果提供了一种参考方法，用于在具有高安全性要求的情况下在场景中构建强大而可解释的智能反应堆异常诊断系统。

没有人类在真空中开车。她/他必须与其他道路使用者进行谈判，以在社交交通场景中实现目标。理性的人类驾驶员可以通过隐式通信以社交兼容的方式与其他道路使用者进行互动，以便在互动密集型，关键的安全环境中平稳地完成其驾驶任务。本文旨在审查现有的方法和理论，以帮助理解和重新考虑人类驱动因素与社会自主驾驶之间的互动。我们进行此调查以寻求一系列基本问题的答案：1）道路交通场景中的社交互动是什么？ 2）如何衡量和评估社会互动？ 3）如何建模和揭示社会互动的过程？ 4）人类驾驶员如何达成隐性协议并在社交互动方面平稳地谈判？本文回顾了建模和学习人类驱动因素之间的社会互动的各种方法，从优化理论和图形模型到社会力量理论以及行为和认知科学。我们还重点介绍了一些新的方向，关键挑战和未来研究的开头问题。

激光间质热疗法（LITT）是一种新型的微创治疗方法，用于烧蚀颅内结构，以治疗肠内颞叶癫痫（MTLE）。 LITT之前和之后的感兴趣区域（ROI）分割将使自动化病变定量能够客观地评估治疗疗效。深度学习技术，例如卷积神经网络（CNN）是ROI分割的最新解决方案，但在培训过程中需要大量注释的数据。但是，从LITT等新兴治疗中收集大型数据集是不切实际的。在本文中，我们提出了一个进行性脑部病变合成框架（PAVAE），以扩大训练数据集的数量和多样性。具体而言，我们的框架由两个顺序网络组成：掩模合成网络和掩模引导的病变合成网络。为了更好地利用外部信息来在网络培训期间提供额外的监督，我们设计了条件嵌入块（CEB）和掩模嵌入块（MEB），以将掩模的固有条件编码到功能空间中。最后，使用原始和合成病变图像对分割网络进行训练，以评估所提出的框架的有效性。实验结果表明，我们的方法可以实现逼真的合成结果，并在传统数据增强技术之上提高下游分割任务的性能。

在应用面向数据的诊断系统来区分核电站初始事件的严重程度和评估严重程度的过程中，决定将哪些参数用作系统输入至关重要。但是，尽管几个诊断系统已经在诊断精度和速度方面取得了可接受的性能，但研究人员几乎没有讨论监测点选择点及其布局的方法。因此，冗余测量数据用于训练诊断模型，从而导致分类的高度不确定性，额外的训练时间消耗以及培训时过度拟合的可能性更高。在这项研究中，使用深度学习中事后解释性理论的理论提出了一种选择核电站的热液压参数的方法。一开始，引入了新型的时间序列残余卷积神经网络（TRES-CNN）诊断模型，以使用在HPR1000上手动选择的38个参数，以确定LOCA中断裂的位置和流体动力学直径。之后，应用后解释性方法用于评估诊断模型输出的归因，确定哪些15个参数在诊断LOCA详细信息时更具决定性。结果表明，基于TRE的CNN诊断模型通过选定的15个HPR1000参数成功地预测了LOCA中断裂的位置和大小，而训练模型的时间消耗的25％，使用总计38个参数比较了该过程。此外，与模型相比，使用经验选择的参数相比，相对诊断准确性误差在1.5％以内，可以看作是相同量的诊断可靠性。

在多个会话中处理环境图的能力对于长时间运行的机器人至关重要。具体而言，自主代理人希望检测不同会话的地图之间的变化，以便对当前环境产生无冲突的理解。在本文中，我们研究了基于新的地图表示的变化检测问题，称为平面签名距离场（PlanesDF），其中密集的地图表示为平面的集合及其SDF体积中的相关几何成分。给定的源场和目标场景的点云，我们提出了一种基于三步的平面变更检测方法：（1）平面DF卷在每个场景中实例化并使用平面姿势在场景中注册；通过高度投影和连接的组件分析提取2D高度图和对象图。 （2）比较高度图并与对象图相交，以生成2D更改位置掩码，以用于源场景中更改的对象候选者。 （3）使用SDF衍生的每个对象候选者进行更改掩码细化的功能进行3D几何验证。我们在合成数据集和现实世界数据集上评估我们的方法，并通过更改对象检测的任务来证明其有效性。

现代时间序列数据集通常是高维，不完整/稀疏和非组织的。这些属性阻碍了时间序列预测和分析的可扩展和高效解决方案的开发。为了应对这些挑战，我们提出了一个非平稳的时间矩阵分解（NOTMF）模型，其中使用矩阵分解来重建整个时间序列矩阵和矢量自回旋（var）过程，该过程施加在适当差异的时间因子矩阵的副本上。这种方法不仅保留了数据的低级属性，还提供了一致的时间动力。 NOTMF的学习过程涉及两个因子矩阵和VAR系数矩阵集合的优化。为了有效地解决优化问题，我们得出了一个交替的最小化框架，其中使用共轭梯度和最小二乘方法来解决子问题。特别是，使用共轭梯度方法提供了有效的例程，并允许我们在大规模问题上应用NOTMF。通过对Uber运动速度数据集进行的广泛实验，我们证明了NOTMF的卓越准确性和有效性，而不是其他基线模型。我们的结果还证实了解决现实世界中时间序列数据（如时空交通流/速度）的非平稳性的重要性。

数据驱动方法已被证明是解决复杂科学问题的有希望的技术。全波形反转（FWI）通常被阐述为图像到图像转换任务，这激励了深度神经网络作为端到端解决方案的使用。尽管采用了合成数据培训，但在用足够的真实数据评估时，深度学习驱动的FWI预计将表现良好。在本文中，我们通过询问研究此类属性：这些深度神经网络的强大是如何发展以及它们如何概括？对于稳健性，我们证明了从清洁和嘈杂数据之间预测之间的偏差的上限。此外，我们展示了噪声水平与额外损失增益之间的相互作用。对于泛化，我们通过稳定性泛化框架证明了基于常规的泛化误差。地震FWI数据集与理论结果的实验​​结果，揭示了利用深度学习对复杂的科学应用的影响。