Structural Health Monitoring (SHM) describes a process for inferring quantifiable metrics of structural condition, which can serve as input to support decisions on the operation and maintenance of infrastructure assets. Given the long lifespan of critical structures, this problem can be cast as a sequential decision making problem over prescribed horizons. Partially Observable Markov Decision Processes (POMDPs) offer a formal framework to solve the underlying optimal planning task. However, two issues can undermine the POMDP solutions. Firstly, the need for a model that can adequately describe the evolution of the structural condition under deterioration or corrective actions and, secondly, the non-trivial task of recovery of the observation process parameters from available monitoring data. Despite these potential challenges, the adopted POMDP models do not typically account for uncertainty on model parameters, leading to solutions which can be unrealistically confident. In this work, we address both key issues. We present a framework to estimate POMDP transition and observation model parameters directly from available data, via Markov Chain Monte Carlo (MCMC) sampling of a Hidden Markov Model (HMM) conditioned on actions. The MCMC inference estimates distributions of the involved model parameters. We then form and solve the POMDP problem by exploiting the inferred distributions, to derive solutions that are robust to model uncertainty. We successfully apply our approach on maintenance planning for railway track assets on the basis of a "fractal value" indicator, which is computed from actual railway monitoring data.

最近，引入了卷积自动编码器（CAE）进行图像编码。他们对最新的JPEG2000方法实现了性能改进。但是，这些表演是使用具有大量参数的大型CAE获得的，并且其训练需要大量的计算能力。\\在本文中，我们使用具有较小的内存足迹和低计算功率使用的CAE解决了有损图像压缩的问题。为了克服计算成本问题，大多数文献都使用拉格朗日近端正则化方法，这些方法很耗时。\\在这项工作中，我们提出了一种约束的方法和一种新的结构化稀疏学习方法。我们设计了一个算法并在三个约束上进行测试：经典$ \ ell_1 $约束，$ \ ell_ {1，\ infty} $和新的$ \ ell_ {1,1} $约束。实验结果表明，$ \ ell_ {1,1} $约束提供了最佳的结构性稀疏性，从而导致内存和计算成本的高度降低，并且与密集网络相似的速率延伸性能。

在本文中，我们提出了一种新的方法，可以解决针对生物医学应用的半监督分类任务，涉及有监督的自动编码器网络。我们创建一个网络体系结构，该网络体系结构将标签编码为自动编码器的潜在空间，并定义组合分类和重建损失的全局标准。我们使用双重下降算法在标记的数据上训练半监督自动编码器（SSAE）。然后，我们使用学习网络对未标记的样本进行了分类，这要归功于应用于潜在空间的SoftMax分类器，该分类器为每个类提供了分类置信度得分。我们使用模型，优化器，调度程序和损失功能的Pytorch框架实现了SSAE方法。我们将半监督自动编码器方法（SSAE）与经典的半监督方法（例如标签传播和标签扩展）以及完全连接的神经网络（FCNN）进行比较。实验表明，SSAE在合成数据集和两个现实世界的生物数据集上都超过标签传播和扩散以及完全连接的神经网络。

理解主要视觉皮层V1中感觉诱导的皮质模式，既是生理动机的重要挑战，又是提高我们对人类感知和视觉组织的理解。在这项工作中，当皮质活性由几何视觉幻觉样刺激驱动时，我们专注于视觉皮层中的图案形成。特别是，我们提出了一种理论框架，用于感官诱导的幻觉，该框架使人们能够再现新的心理物理结果，例如Mackay效应（Nature，1957）以及Billock and Tsou经验（PNAS，2007年）。

偏光成像以及深度学习，在包括场景分析在内的不同任务上显示了改进的性能。但是，由于培训数据集的尺寸很小，因此可能会质疑其稳健性。尽管该问题可以通过数据增强来解决，但两极分化的方式受到经典数据增强技术未解决的身体可行性约束。为了解决这个问题，我们建议使用Cyclegan，这是一种基于深层生成模型的图像翻译技术，仅依靠未配对的数据，将大型标记的路现场数据集传输到极化域。我们设计了几个辅助损失项，与自行车损失一起处理极化图像的物理约束。在道路场景对象检测任务上证明了该解决方案的效率，在该任务中，生成的逼真的极化图像允许改善汽车的性能和行人检测高达9％。由此产生的约束周期内公开释放，使任何人都可以生成自己的极化图像。

大型语言模型在零拍摄设置中的许多自然语言处理（NLP）任务中表现出令人印象深刻的性能。我们询问这些模型是否展示了致辞语言 - NLP应用的关键组成部分 - 通过评估四个偶数基准的模型。我们发现大型语言模型的令人印象深刻的零射击性能主要是由于我们的基准测试中的数据集偏差。我们还表明，零拍摄性能对基准的超参数和相似性敏感到预训练数据集。此外，当在几次拍摄设置中评估模型时，我们没有观察大量改进。最后，与以前的工作相比，我们发现利用明确的致辞知识并没有产生重大改善。