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.

根据数据得出的模型的顺序/维度通常受观测值的数量或受监视系统（传感节点）的上下文的限制。对于结构系统（例如，民用或机械结构）尤其如此，这通常是高维本质上的。在物理知识的机器学习范围内，本文提出了一个框架（称为神经模态odes），以将基于物理学的建模与深度学习（尤其是神经通用差分方程 - 神经odes）整合在一起，以建模受监视和高的动态。 - 维工程系统。在这种启动探索中，我们将自己限制在线性或轻度非线性系统中。我们提出了一种结构，该体系结构将变异自动编码器的动态版本与物理信息的神经odes（Pi-神经odes）融合在一起。作为自动编码器的一部分，编码器从观测数据的前几个项目到潜在变量的初始值学习了抽象映射，从而驱动通过物理知识的神经odes学习嵌入式动力学，并施加\ textit {模态模型}该潜在空间的结构。所提出的模型的解码器采用了从应用于基于物理学模型的线性化部分的本征分析中得出的本征模：一种隐含携带自由度（DOFS）之间的空间关系的过程。该框架在数值示例中得到了验证，以及一个缩放的电缆固定桥的实验数据集，在该数据集中，学到的混合模型被证明胜过纯粹基于物理的建模方法。我们进一步显示了在虚拟传感的上下文中，即从空间稀疏数据中恢复了未衡量的DOF中的广义响应量。

Neural networks have revolutionized the area of artificial intelligence and introduced transformative applications to almost every scientific field and industry. However, this success comes at a great price; the energy requirements for training advanced models are unsustainable. One promising way to address this pressing issue is by developing low-energy neuromorphic hardware that directly supports the algorithm's requirements. The intrinsic non-volatility, non-linearity, and memory of spintronic devices make them appealing candidates for neuromorphic devices. Here we focus on the reservoir computing paradigm, a recurrent network with a simple training algorithm suitable for computation with spintronic devices since they can provide the properties of non-linearity and memory. We review technologies and methods for developing neuromorphic spintronic devices and conclude with critical open issues to address before such devices become widely used.

全球地球观察（EO）的运营能力不断增长为数据驱动的方法创造了新的机会，以理解和保护我们的星球。但是，由于巨大的档案尺寸和EO平台提供的有限的勘探功能，目前使用EO档案的使用受到了极大的限制。为了解决这一限制，我们最近提出了米兰，这是一种基于内容的图像检索方法，用于在卫星图像档案中快速相似性搜索。米兰是基于公制学习的深层哈希网络，将高维图像特征编码为紧凑的二进制哈希码。我们将这些代码用作哈希表中的钥匙，以实现实时邻居搜索和高度准确的检索。在此演示中，我们通过将米兰与Agoraeo内的浏览器和搜索引擎集成在一起来展示米兰的效率。地震支持卫星图像存储库上的交互式视觉探索和典型查询。演示访问者将与地震互动，扮演不同用户的角色，这些用户的角色通过其语义内容搜索图像，并通过其语义内容搜索并应用其他过滤器。

在这项工作中，我们使用政治哲学中的平等开放性（EO）学说，以明确说明嵌入不同算法公平概念的规范判断。我们对比了正式的EO方法，这些EO在离散的决策点上狭窄地关注公平竞赛，而实质性的EO学说在一生中更整体上都更加整体地观察了人们的公平生活。我们使用这种分类法来对不可能结果的道德解释为公平竞赛的不同观念之间的不兼容 - 当人们没有公平的寿命机会时。我们使用此结果来激发算法公平性的实质性概念，并根据EO的运气 - 统一学说概述了两个合理的程序，以及Rawls的公平机会原则。

脑出血（ICH）是最致命的中风子类型，死亡率高达52％。由于颅骨切开术引起的潜在皮质破坏，保守管理（注意等待）历史上一直是一种常见的治疗方法。最小的侵入性疏散最近已成为一种可公认的治疗方法，用于体积30-50 mL的深座性血肿的患者，但适当的可视化和工具敏感性仍然受到常规内窥镜方法的限制，尤其是较大的血肿体积（> 50 mL）。在本文中，我们描述了Aspihre的发展（脑部出血机器人疏散的手术平台），这是有史以来的第一个同心管机器人，该机器人使用现成的塑料管来进行MR引导ICH撤离，改善工具敏感性和程序可视化。机器人运动学模型是基于基于校准的方法和试管力学建模开发的，使模型可以考虑可变曲率和扭转偏转。使用可变增益PID算法控制旋转精度为0.317 +/- 0.3度。硬件和理论模型在一系列系统的基准和MRI实验中进行了验证，导致1.39 +\ -0.54 mm的管尖的位置精度。验证靶向准确性后，在MR引导的幻影凝块疏散实验中测试了机器人的疏散功效。该机器人能够在5分钟内撤离最初38.36 mL的凝块，使残留血肿为8.14 mL，远低于15 mL指南，表明良好的后疏散临床结果。

人类的文化曲目依赖于创新：我们连续和层次上探讨如何将现有元素组合起来创建新的能力。创新不是孤独的，它依赖于以前解决方案的集体积累和合并。机器学习方法通​​常假定完全连接的多代理网络最适合创新。然而，人类实验室和现场研究表明，动态沟通拓扑可以更强大地实现等级创新。在动态拓扑结构中，人类在单独或小簇中进行创新之间振荡，然后与他人分享结果。据我们所知，在机器学习中，尚未系统地研究多代理拓扑在创新中的作用。目前尚不清楚a）哪些交流拓扑对于哪些创新任务以及b）共享经验的特性改善了多级创新的最佳选择。在这里，我们使用三个不同的创新任务，使用多级分层问题设置（WordCraft）。我们系统地设计了DQNS的网络，分享了他们在不同拓扑（完全连接，小世界，动态，戒指）中共享其重播缓冲区的体验。比较不同任务的不同经验共享拓扑实现的创新水平，这表明，首先，与人类的发现一致，在动态拓扑中共享的经验可以达到整个任务的最高创新水平。其次，当有一条清晰的创新途径时，经验共享并不那么有用。第三，我们提出的两个指标，共享经验的合规性和多样性可以解释不同任务上不同拓扑的成功。这些贡献可以促进我们对最佳AI-AI，人类和人类协作网络的理解，从而激发未来的工具来促进大型组织的集体创新。

自然系统的多样性和质量一直是研究人造生活的社区的难题和灵感。现在广泛承认，使这些特性的适应机制在很大程度上受其居住环境的影响。面临环境变异性的生物具有在不同时间尺度上运行的两种替代适应机制：\ textit {可塑性}，这是表型在不同环境中生存的能力，以及\ textit {EvolDobility}，能够通过突变适应。尽管在环境变异性下至关重要，但两种机制都与假设在稳定环境中不必要的健身成本相关。在这项工作中，我们研究了可塑性和可变性进化模型中环境动力学与适应性之间的相互作用。我们尝试以不同类型的环境为特征，其特征是存在壁ni和确定适应性景观的气候功能。我们从经验上表明，环境动力学对可塑性和可变性的影响有所不同，并且即使在稳定的环境中，各种生态壁ches的存在也支持适应性。我们对选择机制进行消融研究，以分离基于健身的选择和利基限制竞争的作用。从我们的最低模型中获得的结果使我们能够在生物和人工系统的开放性研究中提出有前途的研究方向。

Automated decision support systems promise to help human experts solve tasks more efficiently and accurately. However, existing systems typically require experts to understand when to cede agency to the system or when to exercise their own agency. Moreover, if the experts develop a misplaced trust in the system, their performance may worsen. In this work, we lift the above requirement and develop automated decision support systems that, by design, do not require experts to understand when each of their recommendations is accurate to improve their performance. To this end, we focus on multiclass classification tasks and consider an automated decision support system that, for each data sample, uses a classifier to recommend a subset of labels to a human expert. We first show that, by looking at the design of such a system from the perspective of conformal prediction, we can ensure that the probability that the recommended subset of labels contains the true label matches almost exactly a target probability value with high probability. Then, we develop an efficient and near-optimal search method to find the target probability value under which the expert benefits the most from using our system. Experiments on synthetic and real data demonstrate that our system can help the experts make more accurate predictions and is robust to the accuracy of the classifier it relies on.

最近已经提出了与紧急磁化动态的互连磁纳环阵列用于储层计算应用，但是对于它们进行计算有用，必须可以优化其动态响应。在这里，我们使用一种现象学模型来证明可以通过调整使用旋转磁场将数据的缩放和输入速率控制到系统中的超级参数来优化这些储存器。我们使用任务独立的指标来评估每组上的这些超参数的戒指的计算能力，并展示这些指标如何直接关联与口头和书面识别任务中的性能相关联。然后，我们通过扩展储库的输出来包括环阵列磁态的多个并发度量，可以进一步改善这些度量。