我们描述了Fink Broker早期SuperNova IA分类器如何通过采用主动学习（AL）策略来优化其ML分类。我们展示了当前Zwicky瞬态设施（ZTF）公共警报数据流执行此类策略的可行性。我们比较两个AL策略的表现：不确定性采样和随机抽样。我们的管道由3个阶段组成：功能提取，分类和学习策略。从10个警报的初始样本开始（5个SN IA和5个非IA），我们让算法识别应将哪个警报添加到训练样本中。允许系统演变为300次迭代。我们的数据集由ZTF的23 840警报组成，通过与Simbad数据库的交叉匹配和瞬态名称服务器（TNS），其中1 600个是SNE IA（1 021独特对象）的确认分类。在学习周期完成后，数据配置由310个警报进行培训和23 530进行测试。平均超过100种实现，分类器实现了89％的纯度和54％的效率。从01/11月/ 2020年至10月31日/ 10月/ 2021年Fink已将早期的Supernova IA模块应用于ZTF流，并向TNS传达有希望的SN IA候选人。从535个光谱分类的粉末候选者，459名（86％）被证明是SNE IA。我们的成果证实了积极学习策略的有效性，以指导天文分类器的最佳训练样品的构建。它在实际数据中展示了学习算法的性能可以高度改善，而无需额外的计算资源或压倒性大型训练样本。这是我们的知识，第一次应用Al到真实警报数据。

Point-of-Care Ultrasound (POCUS) refers to clinician-performed and interpreted ultrasonography at the patient's bedside. Interpreting these images requires a high level of expertise, which may not be available during emergencies. In this paper, we support POCUS by developing classifiers that can aid medical professionals by diagnosing whether or not a patient has pneumothorax. We decomposed the task into multiple steps, using YOLOv4 to extract relevant regions of the video and a 3D sparse coding model to represent video features. Given the difficulty in acquiring positive training videos, we trained a small-data classifier with a maximum of 15 positive and 32 negative examples. To counteract this limitation, we leveraged subject matter expert (SME) knowledge to limit the hypothesis space, thus reducing the cost of data collection. We present results using two lung ultrasound datasets and demonstrate that our model is capable of achieving performance on par with SMEs in pneumothorax identification. We then developed an iOS application that runs our full system in less than 4 seconds on an iPad Pro, and less than 8 seconds on an iPhone 13 Pro, labeling key regions in the lung sonogram to provide interpretable diagnoses.

目标：探索深度学习算法进一步简化和优化尿道板（UP）质量评估的能力，使用板客观评分工具（POST），旨在提高Hypospadias修复中提高评估的客观性和可重复性。方法：五个关键的邮政地标是由专家在691图像数据集中的专家标记，该数据集接受了原发性杂质修复的青春期前男孩。然后，该数据集用于开发和验证基于深度学习的地标检测模型。提出的框架始于瞥见和检测，其中输入图像是使用预测的边界框裁剪的。接下来，使用深层卷积神经网络（CNN）体系结构来预测五个邮政标记的坐标。然后，这些预测的地标用于评估远端催化性远端的质量。结果：所提出的模型准确地定位了gan区域，平均平均精度（地图）为99.5％，总体灵敏度为99.1％。在预测地标的坐标时，达到了0.07152的归一化平均误差（NME），平均平方误差（MSE）为0.001，在0.1 nme的阈值下为20.2％的故障率。结论：此深度学习应用程序在使用邮政评估质量时表现出鲁棒性和高精度。使用国际多中心基于图像的数据库进行进一步评估。外部验证可以使深度学习算法受益，并导致更好的评估，决策和对手术结果的预测。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

本文研究了红外（IR）成像在乳房疾病检测中的潜在贡献。它比较了使用一些算法检测恶性乳房状况（例如支持向量机（SVM））在应用于公共数据时的一致性的结果。此外，为了利用实际IR成像的能力作为临床试验的补充，并使用高分辨率IR成像促进研究，我们认为使用了由自信训练的乳房医生修订的公共数据库是必不可少的。在我们的工作中，只有静态获取协议才被考虑。我们使用了来自Pro Engenharia（Proeng）公共数据库的LO2 IR单乳房图像（54个正常和48个发现）。这些图像是从联邦De Pernambuco大学（UFPE）大学医院收集的。我们采用了作者提出的相同功能，该功能使用顺序最小优化（SMO）分类器，获得了最佳结果，并获得了61.7％的准确性，而Youden指数为0.24。

这项工作提出了使用遗传算法（GA）在追踪和识别使用计算机断层扫描（CT）图像的人心包轮廓的过程中。我们假设心包的每个切片都可以通过椭圆建模，椭圆形需要最佳地确定其参数。最佳椭圆将是紧随心包轮廓的紧密椭圆形，因此，将人心脏的心外膜和纵隔脂肪适当地分开。追踪和自动识别心包轮廓辅助药物的医学诊断。通常，由于所需的努力，此过程是手动完成或根本不完成的。此外，检测心包可能会改善先前提出的自动化方法，这些方法将与人心脏相关的两种类型的脂肪分开。这些脂肪的量化提供了重要的健康风险标记信息，因为它们与某些心血管病理的发展有关。最后，我们得出的结论是，GA在可行数量的处理时间内提供了令人满意的解决方案。

在康复任务期间，实施了现有混合中风康复方案的线性模型的比例迭代学习控制（P-ILC）。由于P-ILC的瞬时误差生长问题，包括学习派生的约束控制器，以确保每个试验中受控系统不会超过预定义的速度极限。为此，开发了机器人最终效应器相互作用与中风受试者（植物）的线性传递函数模型以及对刺激控制器的肌肉反应。 0-0.3 m范围的直线点点轨迹是工厂，进料和反馈刺激控制器的参考任务空间轨迹。在每个试验中，基于SAT的有界误差导数ILC算法是学习约束控制器。开发并模拟了三个控制配置。使用根均值平方误差（RMSE）和归一化的RMSE评估系统性能。在不同的ILC增益超过16次迭代时，当组合对照构型时，将获得0.0060 m的位移误差。

量子技术需要准备和操纵纠缠多片状状态的方法。但是，确定给定量子状态是否纠缠还是可分离的问题通常是NP硬性问题，甚至很难检测到给定量子状态的纠缠崩溃的任务。在这项工作中，我们开发了一种使用机器学习技术来揭示纠缠崩溃的方法，该技术被称为“混乱学习”。我们考虑了一个量子状态的家庭，该量子已被参数化，因此在该家族中有一个临界值将单个临界价值分为单独和纠缠。我们证明了“通过混乱的学习”计划使我们能够确定关键价值。具体而言，我们研究了两分，两Qutrit和两分点纠缠状态的方法的性能。此外，我们研究了混淆方案框架中局部去极化和广义振幅阻尼通道的特性。在我们的方法和设置特殊轨迹的参数化中，我们获得了量子通道的纠缠破裂的“相图”，该通道指示纠缠（可分离）状态和纠缠破裂区域的区域。然后，我们扩展了使用“通过混乱的学习”方案来识别任意给定状态是纠缠还是可分离的方式。我们表明，开发的方法为各种状态提供了正确的答案，包括具有积极部分转置的纠缠状态。我们还提出了该方法的更实用的版本，该版本适合研究嘈杂的中间量子设备中的纠缠崩溃。我们使用可用的基于云的IBM量子处理器演示其性能。

由于自动化车辆的复杂运营领域，开发用于自动化车辆性能的新评估方法对于能够部署自动化驾驶技术至关重要。一种贡献方法是基于场景的评估，其中测试用例来自从驾驶数据获得的实际道路交通场景。鉴于在这些场景中建模的现实的复杂性，定义用于捕获这些方案的结构是一项挑战。一种强化定义，提供了一组特征，被认为是必要的，并且足以有资格认证所构建的方案既完整且相互可分关。在本文中，我们在考虑文献中的现有定义时，我们对情景概念进行了全面而可操作的定义。这是通过提出面向对象的框架来实现的，其中场景和构建块被定义为具有与其他对象的属性，方法和关系的对象的类。面向对象的方法促进了对象的清晰度，模块化，可重用性和封装。我们提供每个条款的定义和理由。此外，该框架用于将术语以公开可用的语言翻译。

We derive a set of causal deep neural networks whose architectures are a consequence of tensor (multilinear) factor analysis. Forward causal questions are addressed with a neural network architecture composed of causal capsules and a tensor transformer. The former estimate a set of latent variables that represent the causal factors, and the latter governs their interaction. Causal capsules and tensor transformers may be implemented using shallow autoencoders, but for a scalable architecture we employ block algebra and derive a deep neural network composed of a hierarchy of autoencoders. An interleaved kernel hierarchy preprocesses the data resulting in a hierarchy of kernel tensor factor models. Inverse causal questions are addressed with a neural network that implements multilinear projection and estimates the causes of effects. As an alternative to aggressive bottleneck dimension reduction or regularized regression that may camouflage an inherently underdetermined inverse problem, we prescribe modeling different aspects of the mechanism of data formation with piecewise tensor models whose multilinear projections are well-defined and produce multiple candidate solutions. Our forward and inverse neural network architectures are suitable for asynchronous parallel computation.