可靠的异常检测对于深度学习模型的现实应用至关重要。深层生成模型产生的可能性虽然进行了广泛的研究，但仍被认为是对异常检测的不切实际的。一方面，深层生成模型的可能性很容易被低级输入统计数据偏差。其次，许多用于纠正这些偏见的解决方案在计算上是昂贵的，或者对复杂的天然数据集的推广不佳。在这里，我们使用最先进的深度自回归模型探索离群值检测：PixelCNN ++。我们表明，PixelCNN ++的偏见主要来自基于局部依赖性的预测。我们提出了两个我们称为“震动”和“搅拌”的徒转化家族，它们可以改善低水平的偏见并隔离长期依赖性对PixelCNN ++可能性的贡献。这些转换在计算上是便宜的，并且在评估时很容易应用。我们使用五个灰度和六个自然图像数据集对我们的方法进行了广泛的评估，并表明它们达到或超过了最新的离群检测性能。总而言之，轻巧的补救措施足以在具有深层生成模型的图像上实现强大的离群检测。

当用离群数据与培训分布相去甚远，深层网络通常会充满信心，但仍有不正确的预测。由深生成模型（DGM）计算出的可能性是使用未标记数据的异常检测的候选指标。然而，以前的研究表明，DGM的可能性是不可靠的，可以通过简单转换对输入数据很容易偏见。在这里，我们在最简单的DGM中检查了使用变异自动编码器（VAE）（VAE）的离群值检测。我们提出了新型的分析和算法方法，以减轻VAE可能性的关键偏见。我们的偏差校正是特定于样本的，计算便宜的，并且很容易针对各种解码器可见分布进行计算。接下来，我们表明，众所周知的图像预处理技术（对比拉伸）扩展了偏置校正的有效性，以进一步改善异常检测。我们的方法通过九个灰度和自然图像数据集实现了最先进的精度，并在最近的四种竞争方法中表现出了显着的优势 - 无论是速度和性能而言，都具有显着的优势。总而言之，轻巧的补救措施足以通过VAE实现强大的离群值检测。

Many existing datasets for lidar place recognition are solely representative of structured urban environments, and have recently been saturated in performance by deep learning based approaches. Natural and unstructured environments present many additional challenges for the tasks of long-term localisation but these environments are not represented in currently available datasets. To address this we introduce Wild-Places, a challenging large-scale dataset for lidar place recognition in unstructured, natural environments. Wild-Places contains eight lidar sequences collected with a handheld sensor payload over the course of fourteen months, containing a total of 67K undistorted lidar submaps along with accurate 6DoF ground truth. Our dataset contains multiple revisits both within and between sequences, allowing for both intra-sequence (i.e. loop closure detection) and inter-sequence (i.e. re-localisation) place recognition. We also benchmark several state-of-the-art approaches to demonstrate the challenges that this dataset introduces, particularly the case of long-term place recognition due to natural environments changing over time. Our dataset and code will be available at https://csiro-robotics.github.io/Wild-Places.

本文描述了可以用于控制上限假体的人机界面的新框架。目的是从嘈杂的表面肌电图信号中估算人类的电动机意图，并在存在以前看不见的扰动的情况下，对假体（即机器人）执行电动机意图。该框架包括每个自由度的肌肉弯曲模型，一种学习用于估计用户电机意图的模型的参数值的方法，以及使用从肌肉模型获得的刚度和阻尼值来适应的可变阻抗控制器假体运动轨迹和动力学。我们使用人机界面的模拟版本在强大的人类的背景下进行实验评估我们的框架，以执行主要在手腕中攻击一种自由的任务，并以统一力场的形式考虑外部扰动这将手腕从目标上推开。我们证明我们的框架提供了所需的自适应性能，并且与数据驱动的基线相比，可以大大提高性能。

本文描述了对象目标导航任务的框架，该任务要求机器人从随机的启动位置查找并移至目标对象类的最接近实例。该框架使用机器人轨迹的历史记录来学习空间关系图（SRG）和图形卷积网络（GCN）基于基于不同语义标记区域的可能性以及这些区域不同对象类别的发生的可能性。为了在评估过程中定位目标对象实例，机器人使用贝叶斯推理和SRG估计可见区域，并使用学习的GCN嵌入来对可见区域进行排名，并选择接下来的区域。

对象目标导航要求机器人在以前看不见的环境中找到并导航到目标对象类的实例。我们的框架会随着时间的推移逐步构建环境的语义图，然后根据语义映射重复选择一个长期目标（“ where to Go”）以找到目标对象实例。长期目标选择被称为基于视觉的深度强化学习问题。具体而言，对编码器网络进行了训练，可以从语义图中提取高级功能并选择长期目标。此外，我们还将数据增强和Q功能正则化合并，以使长期目标选择更有效。我们在AI栖息地3D模拟环境中使用照片现实的Gibson基准数据集进行了实验结果，以证明与最先进的数据驱动基线相比，标准措施的性能改善。

我们介绍了一个临时团队的体系结构，该体系结构指的是在没有事先协调的一组代理团队中的合作。此问题的最新方法通常包括一个数据驱动的组件，该组件使用先前观察的悠久历史来对其他代理（或代理类型）的行为进行建模并确定临时代理的行为。在许多实际领域中，找到大型培训数据集是一项挑战，并且要了解和逐步扩展现有模型以说明团队组成或域属性的变化所必需的。我们的架构结合了基于知识和数据驱动的推理和学习原理。具体而言，我们使一个临时代理能够通过先前的常识域知识和其他代理行为的简单预测模型执行非单调逻辑推理。我们使用基准模拟的多种协作域Fort Attack来证明我们的体系结构支持适应不可预见的变化，增量学习和修订其他代理人行为的模型，从有限的样本中，临时代理商的决策中的透明度，并且比相比，比较更好的绩效数据驱动基线。

对新闻文章的政治偏见进行分类的传统方法未能产生准确的，可概括的结果。 CNN和DNN上的前提的现有网络缺乏识别和推断诸如单词选择，上下文和演示文稿之类的微妙指标的模型。在本文中，我们提出了一个网络体系结构，该网络体系结构在为文章分配偏见分类方面达到了人类水平的准确性。基础模型基于新型网格神经网络（MNN），该结构可实现网格中任何两个神经元之间的反馈和进发突触连接。 MNN ONTARE ONING六个网络配置，利用基于Bernoulli的随机采样，预训练的DNN和以C. exemans nematode建模的网络。该模型接受了从Allsides.com刮除的一千多篇文章的培训，这些文章被标记为表明政治偏见。然后使用适合反馈神经结构的遗传算法进化网络的参数。最后，最佳性能模型适用于美国的五个流行新闻来源，在为期五十天的试验中，以量化其展示的文章中的政治偏见。我们希望我们的项目能够刺激NLP任务的生物解决方案研究，并为公民提供准确的工具，以了解他们消耗的文章中微妙的偏见。

RDMA超过融合以太网（ROCE），由于其与常规以太网的织物的兼容性，对数据中心网络具有重要的吸引力。但是，RDMA协议仅在（几乎）无损网络上有效，这强调了拥塞控制对ROCE网络的重要作用。不幸的是，基于优先流量控制（PFC）的本地ROCE拥塞控制方案遭受了许多缺点，例如不公平，线路阻滞和僵局。因此，近年来，已经提出许多计划为ROCE网络提供额外的拥塞控制，以最大程度地减少PFC缺点。但是，这些方案是针对一般数据中心环境提出的。与使用商品硬件构建并运行通用工作负载的一般数据中心相反，高性能分布式培训平台部署高端加速器和网络组件，并专门使用集体（全能，全能，全能）运行培训工作负载）通信库进行通信。此外，这些平台通常具有一个私人网络，将其通信流量与其他数据中心流量分开。可扩展的拓扑意识集体算法固有地设计旨在避免造成的模式并最佳地平衡流量。这些独特的功能需要重新审视先前提出的通用数据中心环境的拥塞控制方案。在本文中，我们彻底分析了在分布式培训平台上运行时的一些SOTA ROCE拥塞控制方案与PFC。我们的结果表明，先前提出的ROCE拥塞控制计划对培训工作负载的端到端表现几乎没有影响，这激发了根据分布式培训平台和分布式培训平台和特征的设计优化但低空的拥塞控制计划的必要性工作负载。

在几个机器学习应用领域，包括可解释的AI和弱监督的对象检测和细分，高质量的显着性图至关重要。已经开发了许多技术来使用神经网络提高显着性。但是，它们通常仅限于特定的显着性可视化方法或显着性问题。我们提出了一种新型的显着性增强方法，称为SESS（通过缩放和滑动增强显着性）。这是对现有显着性图生成方法的方法和模型不可或缺的扩展。借助SESS，现有的显着性方法变得稳健，可在尺度差异，目标对象的多次出现，分散器的存在以及产生较少的嘈杂和更具歧视性显着性图。 SESS通过从不同区域的不同尺度上从多个斑块中提取的显着图来提高显着性，并使用新型的融合方案结合了这些单独的地图，该方案结合了通道的重量和空间加权平均值。为了提高效率，我们引入了一个预过滤步骤，该步骤可以排除非信息显着图以提高效率，同时仍提高整体结果。我们在对象识别和检测基准上评估SESS可以取得重大改进。该守则公开发布以使研究人员能够验证绩效和进一步发展。代码可用：https：//github.com/neouyghur/sess