在本文中，我们将分析如何在某些非线性模型中计算每个输入值对其汇总输出的贡献。提出了回归和分类应用，以及有关深神经网络的相关算法。所提出的方法合并了文献中目前存在的两种方法：综合梯度和深泰勒分解。与深置和深度的外形相比，它提供了自然选择使用模型所特有的参考点。

The development and adoption of artificial intelligence (AI) technologies in space applications is growing quickly as the consensus increases on the potential benefits introduced. As more and more aerospace engineers are becoming aware of new trends in AI, traditional approaches are revisited to consider the applications of emerging AI technologies. Already at the time of writing, the scope of AI-related activities across academia, the aerospace industry and space agencies is so wide that an in-depth review would not fit in these pages. In this chapter we focus instead on two main emerging trends we believe capture the most relevant and exciting activities in the field: differentiable intelligence and on-board machine learning. Differentiable intelligence, in a nutshell, refers to works making extensive use of automatic differentiation frameworks to learn the parameters of machine learning or related models. Onboard machine learning considers the problem of moving inference, as well as learning, onboard. Within these fields, we discuss a few selected projects originating from the European Space Agency's (ESA) Advanced Concepts Team (ACT), giving priority to advanced topics going beyond the transposition of established AI techniques and practices to the space domain.

The term ``neuromorphic'' refers to systems that are closely resembling the architecture and/or the dynamics of biological neural networks. Typical examples are novel computer chips designed to mimic the architecture of a biological brain, or sensors that get inspiration from, e.g., the visual or olfactory systems in insects and mammals to acquire information about the environment. This approach is not without ambition as it promises to enable engineered devices able to reproduce the level of performance observed in biological organisms -- the main immediate advantage being the efficient use of scarce resources, which translates into low power requirements. The emphasis on low power and energy efficiency of neuromorphic devices is a perfect match for space applications. Spacecraft -- especially miniaturized ones -- have strict energy constraints as they need to operate in an environment which is scarce with resources and extremely hostile. In this work we present an overview of early attempts made to study a neuromorphic approach in a space context at the European Space Agency's (ESA) Advanced Concepts Team (ACT).

事件传感是生物启发的飞行指导和控制系统中的主要组成部分。我们探讨了事件摄像机在腹侧着陆期间与表面进行时间接触（TTC）的用法。这是通过估计差异（逆TTC）的差异来实现的，即径向光流的速率，是从着陆期间产生的事件流。我们的核心贡献是针对基于事件的差异估计的一种新颖的对比度最大化公式，以及一种分支和结合算法，可准确地最大化对比度并找到最佳的差异值。进行GPU加速度以加快全球算法。另一个贡献是一个新的数据集，其中包含来自腹面着陆的真实事件流，该数据集用于测试和基准我们的方法。由于全局优化，与其他启发式差异估计器或基于事件的光流方法相比，我们的算法更有能力恢复真正的分歧。随着GPU加速，我们的方法还可以实现竞争性的运行时间。

尽管过度参数化的模型已经在许多机器学习任务上表现出成功，但与培训不同的测试分布的准确性可能会下降。这种准确性下降仍然限制了在野外应用机器学习的限制。同时，重要的加权是一种处理分配转移的传统技术，已被证明在经验和理论上对过度参数化模型的影响较小甚至没有影响。在本文中，我们提出了重要的回火来改善决策界限，并为过度参数化模型取得更好的结果。从理论上讲，我们证明在标签移位和虚假相关设置下，组温度的选择可能不同。同时，我们还证明正确选择的温度可以解脱出少数群体崩溃的分类不平衡。从经验上讲，我们使用重要性回火来实现最严重的小组分类任务的最新结果。

自2019年底Covid-19出现以来，Covid-19已成为人工智能（AI）社区的积极研究主题。最有趣的AI主题之一是COVID-19对医学成像的分析。 CT扫描成像是有关该疾病的最有用的工具。这项工作是第二次COV19D竞赛的一部分，在其中设定了两个挑战：COVID-19检测和COVID-19的严重性检测。对于从CT扫描的COVID-19检测，我们提出了具有Densenet-161模型的2D卷积块的集合。在这里，每个具有Densenet-161体系结构的2D卷积块是分别训练的，在测试阶段，集合模型基于其概率的平均值。另一方面，我们提出了一个卷积层的集合，该集合具有用于COVID-19的严重程度检测的成立模型。除了卷积层外，还使用了三个成立变体，即Inception-V3，Inception-V4和Inception-Resnet。我们提出的方法在第二COV19D竞赛的验证数据中的表现优于基线方法，分别为COVID-19检测和COVID-19的严重性检测分别为11％和16％。

可解释的回归模型对于许多应用程序域很重要，因为它们允许专家了解稀疏数据中变量之间的关系。符号回归通过搜索可以从基本代数函数构建的所有可能的自由形式方程的空间来解决此问题。尽管可以通过这种方式重新发现明确的数学函数，但在搜索过程中确定未知数值常数一直是一个经常被忽略的问题。我们提出了一种新的多目标模因算法，该算法利用了一个可区分的笛卡尔遗传编程编码，以在进化循环期间学习常数。我们表明，这种方法具有竞争力或胜过机器的黑匣子回归模型或用于两个应用的手工设计的拟合：火星表达热力估计和通过陀螺安排确定恒星年龄。

最近的一系列工作都集中在执行设置中的培训机器学习（ML）模型，即，当数据分布对部署的模型作出反应时。该设置中的目标是学习一个模型，它们都会引起有利的数据分布，并且在诱导的分布上表现良好，从而最小化测试损耗。以前的研究找到最佳模型假定数据分布立即适应部署的模型。然而，在实践中，这可能不是这种情况，因为人口可能需要时间来适应模型。在许多应用中，数据分发取决于当前部署的ML模型和在部署模型之前的“状态”。在这项工作中，我们提出了一种新的算法，有状态表现梯度下降（有状态perfgd），即使在存在这些效果的情况下也使得即使在这些效果的存在中最小化性能损失。我们为有状态行为的融合提供了理论保障。我们的实验证实，有状态的PERGD大幅优于以前的最先进的方法。

基于自主视觉的太空传播导航是未来轨道服务和空间物流任务的启用技术。虽然一般的计算机愿景受益于机器学习（ML），但由于在空间环境中获取了预期目标的图像的图像的大规模标记数据集的不切实性，培训和验证的星式载体ML模型非常具有挑战性。迄今为止，诸如航天器姿势估计数据集（速度）的现有数据集主要依赖于培训和验证的合成图像，这很容易批量生产，但不能类似于目标星载图像固有的视觉特征和照明可变性。为了弥合当前实践与未来空间任务中的预期应用之间的差距，介绍了速度+：下一代航天器姿势估计数据集具有特定强调域间隙。除了用于训练的60,000个合成图像外，Speed +还包括从Rendezvous和光学导航（Tron）设施的试验台捕获的航天器模型模型的9,531个硬件映像。 Tron是一种专门的机器人测试用机器，能够以准确和最大多样化的姿势标签和高保真星载照明条件捕获任意数量的目标图像。 Speed +用于由平板和欧洲空间机构的平板和高级概念团队共同主办的第二次国际卫星造型估算挑战，以评估和比较在合成图像上培训的星式载ML模型的稳健性。