我们提出了一种在多孔培养基中使用物理知识的神经网络（PINNS）中多相热力学（THM）过程中的参数鉴定的解决方案策略。我们采用无量纲的理事方程式，特别适合逆问题，我们利用了我们先前工作中开发的顺序多物理Pinn求解器。我们在多个基准问题上验证了所提出的反模型方法，包括Terzaghi的等温固结问题，Barry-Mercer的等温注射产生问题以及非饱和土壤层的非等热整合。我们报告了提出的顺序PINN-THM逆求器的出色性能，从而为将PINNS应用于复杂非线性多物理问题的逆建模铺平了道路。

海浪可再生能源快速成为近几十年来可再生能源行业的关键部分。通过在该过程中开发波能转换器作为主转换器技术，研究了它们的电力起飞（PTO）系统。调整PTO参数是一个具有挑战性的优化问题，因为这些参数与吸收功率输出之间存在复杂和非线性关系。在这方面，本研究旨在优化在澳大利亚海岸的珀斯的波路场景中的点吸收波能量转换器的PTO系统参数。转换器在数量上设计成振荡，以防止不规则，并且执行PTO设置的多维波和灵敏度分析。然后，要找到导致最高功率输出的最佳PTO系统参数，并入了十种优化算法，以解决非线性问题，包括Nelder-Mead搜索方法，主动集方法，顺序二次编程方法（SQP），多节透视优化器（MVO）和六种改进的遗传，代理和Fminsearch算法组合。在可行性景观分析之后，执行优化结果并在PTO系统设置方面提供最佳答案。最后，调查表明，遗传，替代和FMINSEARCH算法的修改组合可以优于所研究的波场景中的其他组合，以及PTO系统变量之间的相互作用。

We introduce a family of interpretable machine learning models, with two broad additions: Linearised Additive Models (LAMs) which replace the ubiquitous logistic link function in General Additive Models (GAMs); and SubscaleHedge, an expert advice algorithm for combining base models trained on subsets of features called subscales. LAMs can augment any additive binary classification model equipped with a sigmoid link function. Moreover, they afford direct global and local attributions of additive components to the model output in probability space. We argue that LAMs and SubscaleHedge improve the interpretability of their base algorithms. Using rigorous null-hypothesis significance testing on a broad suite of financial modelling data, we show that our algorithms do not suffer from large performance penalties in terms of ROC-AUC and calibration.

为偏置场校正和磁共振归一化问题提出了空间正则化的高斯混合模型LAPGM。提出的空间正常化程序为从业者提供了平衡偏置磁场去除和保存图像对比度之间的微调控制，以提供多序列的磁共振图像。LAPGM的拟合高斯参数用作控制值，可用于在不同的患者扫描中标准化图像强度。将LAPGM与单个和多序列设置中的众所周知的词汇算法N4ITK进行了比较。作为一种归一化程序，将LAPGM与已知技术（例如：最大归一化，Z得分归一化和水掩模的利益区域归一化）进行比较。最后，由作者提供了cuda加速python软件包$ \ texttt {lapgm} $。

线性状态空间模型（SSM）的状态过渡矩阵的适当参数化，然后是标准非线性，使他们能够从顺序数据中有效地学习表示形式，从。在本文中，我们表明，当线性液体时恒定（LTC）状态空间模型给出诸如S4之类的结构SSM时，我们可以进一步改善。 LTC神经网络是带有输入依赖性状态过渡模块的因果连续神经网络，这使他们学会在推理时适应传入的输入。我们表明，通过使用对角和S4中引入的状态过渡矩阵的对角线加低级分解以及一些简化的基于LTC的结构状态空间模型（称为Liquid-S4）实现了新的最新最先进的最先进跨序列建模任务具有长期依赖性（例如图像，文本，音频和医疗时间序列）的艺术概括，在远程竞技场基准中的平均性能为87.32％。在完整的原始语音命令识别中，数据集Liquid-S4的精度达到96.78％，与S4相比，参数计数降低了30％。性能的额外增益是液体-S4的核结构的直接结果，该结构考虑了训练和推理过程中输入序列样本的相似性。

气候变化增加了损害电力系统可靠性并导致多次设备故障的极端天气事件（风暴，大雨，野火）的数量。实时和准确检测潜在线路故障是减轻极端天气影响并激活紧急控制的第一步。功率平衡方程非线性，极端事件中的发电不确定性增加，缺乏电网可观察性会损害传统数据驱动的失败检测方法的效率。同时，基于神经网络的现代化的机器学习方法需要大量数据来检测事故，尤其是在改变时间的环境中。本文提出了一个具有物理信息的线路故障检测器（字段），该探测器利用网格拓扑信息来减少样本和时间复杂性并提高定位准确性。最后，我们说明了与最先进的方法相比，与各种测试用例相比，我们的方法的优越性实证性能。

数字资产（DAS）（例如比特币（BTC））的采用越来越多地提高了对准确的期权定价模型的需求。然而，现有的方法无法应付新兴DAS的挥发性。已经提出了许多模型来解决非平稳性和特殊统计在DA市场中引起的微观结构的非传统市场动态和频繁的破坏。但是，它们要么容易受到维度的诅咒，因为采用传统理论需要额外的复杂性，要​​么过分拟合可能永远不会重复的历史模式。取而代之的是，我们利用隐含的随机波动率模型（ISVM）利用市场制度（MR）聚类的最新进展。时间计时聚类是一种时间聚类方法，它将市场的历史演变簇为不同的波动期。 ISVM可以通过使用隐含波动率（IV）数据在每个情绪驱动的时期内纳入投资者的期望。在本文中，我们将此集成的时间注册聚类和ISVM方法（称为MR-ISVM）应用于流行的交易平台Deribit上的BTC选项上的高频数据。我们证明，MR-ISVM有助于克服复杂适应的负担，以使选择定价模型的高阶特征跳跃。这使我们可以根据其适应性方式根据其参与者的期望为市场定价。

内核岭回归（KRR）最近引起了新的兴趣，因为它可以解释在神经网络训练期间出现的瞬态效应，例如双重下降。在这项工作中，我们研究目标函数与内核之间的对齐方式如何影响KRR的性能。我们专注于截短的KRR（TKRR），该KRR（TKRR）利用一个控制核矩阵的光谱截断的附加参数。我们表明，对于多项式对齐，有一个\ emph {过度对准}制度，其中TKRR可以实现比Full KRR可以实现的要快的速度。 TKRR的速率可以一直提高到参数速率，而全krr的速率则以亚最佳值的限制。这表明，通过在内核方法中利用光谱截断，可以更好地利用目标alignemnt。我们还考虑了带有限制的对准设置，并表明TKRR的正则化表面可以表现出瞬态效应，包括多个下降和非单调行为。我们的结果表明，\ emph {对齐谱}的形状与内核方法的概括性能之间存在很强的关系，无论是在速率和有限样品方面。

班级学习（CIL）遭受了学习新添加的课程和保留先前学习的课堂知识之间臭名昭著的困境。通过存储重播的历史数据可以减轻灾难性的遗忘问题，这会导致内存开销以及预测更新。为了解决这一难题，我们建议在持续学习中利用“免费”外部未标记的数据查询。我们首先提出了一个带有查询的未标记数据（CIL-QUD）方案的CIL，其中我们仅存储一些过去的训练样本作为锚点，并每次都使用它们来查询相关的未标记示例。除了新的和过去存储的数据外，通过学习 - 验证（LWF）正规化器和班级平衡培训，有效地利用了查询未标记的未标记。除了保留对过去和当前任务的模型概括外，我们下一步研究CIL-QUD的对抗性鲁棒性问题。受到未标记的数据学习强大模型的成功启发，我们探索了一种新的鲁棒性感知的CIL设置，在此设置中，随着新任务不断出现，学习的对手鲁棒性必须抵制遗忘并被转移。尽管现有的选项很容易失败，但我们显示了查询的未标记数据可以继续受益，并无缝将CIL-QUD扩展到其可靠的版本RCIL-QUD中。广泛的实验表明，与以前的最新CIL方法相比，CIL-QUD在CIFAR-10和CIFAR-100上实现了可观的准确性。此外，Rcil-Qud确立了鲁棒性意识CIL的第一个强大里程碑。代码可在https://github.com/vita-group/cil-qud中找到。

我们介绍并研究了分布的邻居晶格分解，这是有条件独立性的紧凑，非图形表示，在没有忠实的图形表示的情况下是有效的。这个想法是将变量的一组社区视为子集晶格，并将此晶格分配到凸sublattices中，每个晶格都直接编码有条件的独立关系集合。我们表明，这种分解存在于任何组成型绘画中，并且可以在高维度中有效且一致地计算出来。 {特别是，这给了一种方法来编码满足组合公理的分布所隐含的所有独立关系，该分布严格比图形方法通常假定的忠实假设弱弱。}我们还讨论了各种特殊案例，例如图形模型和投影晶格，每个晶格都有直观的解释。一路上，我们看到了这个问题与邻域回归密切相关的，该回归已在图形模型和结构方程式的背景下进行了广泛的研究。