In this work, a method for obtaining pixel-wise error bounds in Bayesian regularization of inverse imaging problems is introduced. The proposed method employs estimates of the posterior variance together with techniques from conformal prediction in order to obtain coverage guarantees for the error bounds, without making any assumption on the underlying data distribution. It is generally applicable to Bayesian regularization approaches, independent, e.g., of the concrete choice of the prior. Furthermore, the coverage guarantees can also be obtained in case only approximate sampling from the posterior is possible. With this in particular, the proposed framework is able to incorporate any learned prior in a black-box manner. Guaranteed coverage without assumptions on the underlying distributions is only achievable since the magnitude of the error bounds is, in general, unknown in advance. Nevertheless, experiments with multiple regularization approaches presented in the paper confirm that in practice, the obtained error bounds are rather tight. For realizing the numerical experiments, also a novel primal-dual Langevin algorithm for sampling from non-smooth distributions is introduced in this work.

The number of international benchmarking competitions is steadily increasing in various fields of machine learning (ML) research and practice. So far, however, little is known about the common practice as well as bottlenecks faced by the community in tackling the research questions posed. To shed light on the status quo of algorithm development in the specific field of biomedical imaging analysis, we designed an international survey that was issued to all participants of challenges conducted in conjunction with the IEEE ISBI 2021 and MICCAI 2021 conferences (80 competitions in total). The survey covered participants' expertise and working environments, their chosen strategies, as well as algorithm characteristics. A median of 72% challenge participants took part in the survey. According to our results, knowledge exchange was the primary incentive (70%) for participation, while the reception of prize money played only a minor role (16%). While a median of 80 working hours was spent on method development, a large portion of participants stated that they did not have enough time for method development (32%). 25% perceived the infrastructure to be a bottleneck. Overall, 94% of all solutions were deep learning-based. Of these, 84% were based on standard architectures. 43% of the respondents reported that the data samples (e.g., images) were too large to be processed at once. This was most commonly addressed by patch-based training (69%), downsampling (37%), and solving 3D analysis tasks as a series of 2D tasks. K-fold cross-validation on the training set was performed by only 37% of the participants and only 50% of the participants performed ensembling based on multiple identical models (61%) or heterogeneous models (39%). 48% of the respondents applied postprocessing steps.

发生毁灭性事件后，数十年来仍然可以看到空袭的后果。未爆炸的军械（UXO）是对人类生活和环境的巨大危险。通过评估战时图像，专家可以推断出DUD的发生。当前的手动分析过程是昂贵且耗时的，因此使用深度学习可以自动检测炸弹陨石坑，是改善UXO处置过程的一种有希望的方法。但是，这些方法需要大量手动标记的培训数据。这项工作利用月球表面图像来利用域的适应性，以解决自动化炸弹火山口检测的问题，并在有限的训练数据的限制下深入学习。本文通过提供有限的训练数据和（2）的自动炸弹火山口检测的解决方案方法来促进学术和实践（1），并通过证明使用合成图像进行域适应的可用性和相关挑战。

数据集的质量在成功培训和部署深度学习模型中起着至关重要的作用。特别是在系统性能可能影响患者健康状况的医疗领域，干净的数据集是可靠预测的安全要求。因此，在构建自主临床决策系统时，离群值检测是一个必不可少的过程。在这项工作中，我们评估了自组织图对外离检测的适用性，专门针对包含白细胞定量相图像的医学数据集。我们根据量化误差和距离图检测和评估异常值。我们的发现证实了自组织地图对于手头数据集的无监督分布检测的适​​用性。根据专家领域知识，自组织地图与手动指定的过滤器相同。此外，它们在探索和清洁医疗数据集的工具方面显示了希望。作为未来研究的方向，我们建议将自组织地图和基于深度学习的特征提取的结合。

本文提出了一种验证网络物理安全 - 关键系统中发现的非线性人工神经网络（ANN）行为的方法。我们将Sigmoid函数的专用间隔约束传播器实施到SMT求解器ISAT中，并将这种方法与组成方法进行比较，该方法通过ISAT中可用的基本算术特征和近似方法来编码Sigmoid函数。我们的实验结果表明，专用和组成方法明显优于近似方法。在我们所有的基准中，专门的方法与组成方法相比表现出相等或更好的性能。

听力损失是人类的重大健康问题和心理负担。小鼠模型提供了阐明参与潜在发育和病理生理机制的基因的可能性。为此，大规模的鼠标表型计划包括单基因敲除小鼠线的听觉表型。使用听觉脑干响应（ABR）程序，德国鼠标诊所和全球类似设施已经产生了大型均匀的突变体和野生型小鼠的ABR原料数据。在标准ABR分析过程中，听力阈值通过训练有素的工作人员从增加声压水平的信号曲线进行视觉评估。这是令人耗时的，并且容易被读者偏向，以及图形显示质量和规模。为了减少工作量并提高质量和再现性，我们开发并比较了两种方法，用于从平均ABR原始数据中实现自动听力阈值识别：一个受监督方法，涉及在人生成的标签和自我监督方法上训练的两个组合神经网络，利用信号功率谱利用信号功率谱并将随机森林声级估计与转换曲线拟合算法结合起来进行阈值查找。我们表明，两种型号都很好地，胜过人类阈值检测，并且适用于快速，可靠和无偏见的听力阈值检测和质量控制。在高通量鼠标表型环境中，两种方法都以自动端到端筛选管道的一部分表现良好，以检测用于听力参与的候选基因。两种模型的代码以及用于此工作的数据都可以自由使用。

目的：慢性主动脉疾病的监测成像，如解剖，依赖于在预定义主动脉地标随时间获得和比较预定义主动脉标志的横截面直径测量。由于缺乏鲁棒工具，横截面平面的方向由高训练的操作员手动定义。我们展示了如何有效地使用诊所中常规收集的手动注释来缓解该任务，尽管在测量中存在不可忽略的互操作器可变性。影响：通过利用不完美，回顾性的临床注释，可以缓解或自动化且重复的成像任务的弊端。方法论：在这项工作中，我们结合了卷积神经网络和不确定量化方法来预测这种横截面的取向。我们使用11个操作员随机处理的临床数据进行培训，并在3个独立运营商处理的较小集合上进行测试，以评估互通器变异性。结果：我们的分析表明，手动选择的横截面平面的特点是10.6 ^ \ CirC $ 10.6 ^ \ riC $和每角度为21.4美元的协议限额为95％我们的方法显示，静态误差减少3.57秒^ \ rIC $（$ 40.2 $％）和$ 4.11 ^ \ rIC $（$ 32.8 $％），而不是5.4 ^ \ rIC $（$ 49.0 $％）和16.0美元^ \ CIRC $（$ 74.6 $％）对手动处理。结论：这表明预先存在的注释可以是诊所的廉价资源，以便于易于提出和重复的任务，如横截面提取，以便监测主动脉夹层。

GitHub Copilot，由大规模语言模型Codex提供支持的Visual Studio代码开发环境的扩展，为软件开发人员提供自动程序合成。该模型在深度学习领域中已经广泛研究，然而，与遗传编程的比较尚未以自动编程合成的性能所知。在本文中，我们在标准程序综合基准问题上评估GitHub CopIlot，并将与遗传编程文献中的结果进行比较。此外，我们讨论了两种方法的性能。我们发现，在基准问题上的两种方法的性能非常相似，但与GitHub Copilot相比，基于遗传编程的程序合成方法尚未成熟，以支持实际软件开发中的程序员。遗传编程通常需要大量昂贵的手工标记训练箱，并且需要太多时间来产生解决方案。此外，由遗传编程方法产生的源代码通常是膨胀和难以理解的。对于未来的遗传编程综合的工作，我们建议研究人员，专注于提高执行时间，可读性和可用性。

晶格Boltzmann方法（LBM）是一种用于计算流体力学及超越的有效仿真技术。它基于笛卡尔网格上的简单流和碰撞算法，这与现代机器学习架构很容易兼容。虽然变得越来越明显，深度学习可以为古典仿真技术提供决定性刺激，但最近的研究没有解决机器学习和LBM之间可能的连接。在这里，我们引入了生菜，基于Pytorch的LBM代码，具有三倍的目标。生菜使GPU加速计算具有最小源代码，便于LBM模型的快速原型设计，并且可以将LBM模拟与Pytorch的深度学习和自动分化设施集成在一起。作为与LBM组合机器学习的概念证明，开发了一种神经碰撞模型，在双周期性剪切层上训练，然后转移到不同的流动，衰减湍流。我们还举例说明了Pytorch自动差异化框架在流量控制和优化中的增加的好处。为此，保持强制各向同性湍流的光谱，而无需进一步约束速度场。源代码可从https://github.com/lettucecfd/lettuce自由使用。

在本作的工作中，提出了两种基于机器学习的有限变形的本质型模型。使用输入凸神经网络，该模型是过度塑化的，各向异性的并且实现了多种凸起条件，这意味着椭圆形，因此确保了材料稳定性。第一本构模型基于一组多晶硅，各向异性和目标不变。第二种方法在变形梯度，其辅助因子和决定簇方面配制，使用组对称性来满足材料对称条件，以及数据增强以满足客观性大致。数据集的扩展为数据增强方法是基于机械考虑，不需要额外的实验或模拟数据。该模型具有高度具有挑战性的立方晶格超材料的模拟数据，包括有限变形和格子稳定性。基于在实验研究中通常应用的变形，使用适量的校准数据。虽然基于不变的模型显示了几种变形模式的缺点，但是仅基于变形梯度的模型能够非常好地再现和预测有效的材料行为，并且表现出优异的泛化能力。此外，使用分析多晶硅电位产生横向各向同性数据校准模型。在这种情况下，两种模型都表现出优异的结果，展示了PolyConvex神经网络本构模型对其他对称组的直接适用性。