多药物（定义为使用多种药物）是一种标准治疗方法，尤其是对于严重和慢性疾病。但是，将多种药物一起使用可能会导致药物之间的相互作用。药物 - 药物相互作用（DDI）是一种与另一种药物结合时的影响发生变化时发生的活性。 DDI可能会阻塞，增加或减少药物的预期作用，或者在最坏情况下，会产生不利的副作用。虽然准时检测DDI至关重要，但由于持续时间短，并且在临床试验中识别它们是时间的，而且昂贵，并且要考虑许多可能的药物对进行测试。结果，需要计算方法来预测DDI。在本文中，我们提出了一种新型的异质图注意模型Han-DDI，以预测药物 - 药物相互作用。我们建立了具有不同生物实体的药物网络。然后，我们开发了一个异质的图形注意网络，以使用药物与其他实体的关系学习DDI。它由一个基于注意力的异质图节点编码器组成，用于获得药物节点表示和用于预测药物相互作用的解码器。此外，我们利用全面的实验来评估我们的模型并将其与最先进的模型进行比较。实验结果表明，我们提出的方法Han-DDI的表现可以显着，准确地预测DDI，即使对于新药也是如此。

药物 - 药物相互作用（DDIS）可能会阻碍药物的功能，在最坏的情况下，它们可能导致不良药物反应（ADR）。预测所有DDI是一个具有挑战性且关键的问题。大多数现有的计算模型都集成了来自不同来源的药物中心信息，并利用它们作为机器学习分类器中的功能来预测DDIS。但是，这些模型有很大的失败机会，尤其是对于所有信息都没有可用的新药。本文提出了一个新型的HyperGraph神经网络（HYGNN）模型，仅基于用于DDI预测问题的任何药物的微笑串。为了捕获药物的相似性，我们创建了从微笑字符串中提取的药物的化学子结构中创建的超图。然后，我们开发了由新型的基于注意力的超图边缘编码器组成的HYGNN，以使药物的表示形式和解码器，以预测药物对之间的相互作用。此外，我们进行了广泛的实验，以评估我们的模型并将其与几种最新方法进行比较。实验结果表明，我们提出的HYGNN模型有效地预测了DDI，并以最大的ROC-AUC和PR-AUC分别超过基准，分别为97.9％和98.1％。

Object detectors are conventionally trained by a weighted sum of classification and localization losses. Recent studies (e.g., predicting IoU with an auxiliary head, Generalized Focal Loss, Rank & Sort Loss) have shown that forcing these two loss terms to interact with each other in non-conventional ways creates a useful inductive bias and improves performance. Inspired by these works, we focus on the correlation between classification and localization and make two main contributions: (i) We provide an analysis about the effects of correlation between classification and localization tasks in object detectors. We identify why correlation affects the performance of various NMS-based and NMS-free detectors, and we devise measures to evaluate the effect of correlation and use them to analyze common detectors. (ii) Motivated by our observations, e.g., that NMS-free detectors can also benefit from correlation, we propose Correlation Loss, a novel plug-in loss function that improves the performance of various object detectors by directly optimizing correlation coefficients: E.g., Correlation Loss on Sparse R-CNN, an NMS-free method, yields 1.6 AP gain on COCO and 1.8 AP gain on Cityscapes dataset. Our best model on Sparse R-CNN reaches 51.0 AP without test-time augmentation on COCO test-dev, reaching state-of-the-art. Code is available at https://github.com/fehmikahraman/CorrLoss

血氧水平依赖性（BOLD）用母体高氧可以评估胎盘内的氧运输，并已成为研究胎盘功能的有前途的工具。测量信号随着时间的变化需要在时间序列的每个体积中分割胎盘。由于大胆的时间序列中的数量大量，现有研究依靠注册将所有卷映射到手动分段模板。由于胎盘由于胎儿运动，母体运动和收缩而导致大变形，因此这种方法通常会导致大量废弃体积，而注册方法失败。在这项工作中，我们提出了一个基于U-NET神经网络体系结构的机器学习模型，以自动以粗体MRI分割胎盘，并将其应用于时间序列中的每个卷。我们使用边界加权损失函数来准确捕获胎盘形状。我们的模型经过训练和测试，并在91位包含健康胎儿的受试者，胎儿生长限制的胎儿以及BMI高的母亲中进行了测试。当与地面真实标签匹配时，我们的骰子得分为0.83 +/- 0.04，并且我们的模型在粗体时间序列中可靠地分割量氧和高氧点的量。我们的代码和训练有素的模型可在https://github.com/mabulnaga/automatic-placenta-mentegation上获得。

自我监督图像生成中普遍的方法是在像素级表示上操作。尽管这种方法可以产生高质量的图像，但它不能从矢量化的简单性和先天质量中受益。在这里，我们提出了一个以图像的冲程级表示作用的绘图代理。在每个时间步骤中，代理商首先评估当前画布，并决定是停止还是继续绘画。当做出“抽奖”决定时，代理输出一个程序，指示要绘制的中风。结果，它通过使用最小数量的笔触并动态决定何时停止，从而产生最终的栅格图像。我们通过对MNIST和Omniglot数据集进行强化学习来培训我们的代理，以无条件生成和解析（重建）任务。我们利用我们的解析代理在Omniglot挑战中进行典范生成和类型的条件概念生成，而无需进行任何进一步的培训。我们在所有三代任务和解析任务上提供了成功的结果。至关重要的是，我们不需要任何中风级别或矢量监督；我们只使用栅格图像进行训练。

在这项研究中，我们提出了一个深入的学习优化框架，以解决动态的混合企业计划。具体而言，我们开发了双向长期内存（LSTM）框架，可以及时向前和向后处理信息，以学习最佳解决方案，以解决顺序决策问题。我们展示了我们在预测单项电容批号问题（CLSP）的最佳决策方面的方法，其中二进制变量表示是否在一个时期内产生。由于问题的动态性质，可以将CLSP视为序列标记任务，在该任务中，复发性神经网络可以捕获问题的时间动力学。计算结果表明，我们的LSTM优化（LSTM-OPT）框架大大减少了基准CLSP问题的解决方案时间，而没有太大的可行性和最佳性。例如，对于240,000多个测试实例，在85 \％级别的预测平均将CPLEX溶液的时间减少了9倍，最佳差距小于0.05 \％\％和0.4 \％\％\％\％\％的不可行性。此外，使用较短的计划范围训练的模型可以成功预测具有更长计划范围的实例的最佳解决方案。对于最困难的数据集，LSTM在25 \％级别的LSTM预测将70 CPU小时的溶液时间降低至小于2 CPU分钟，最佳差距为0.8 \％，而没有任何不可行。 LSTM-OPT框架在解决方案质量和精确方法方面，诸如Logistic回归和随机森林之类的经典ML算法（例如（$ \ ell $，s）和基于动态编程的不平等，解决方案时间的改进。我们的机器学习方法可能有益于解决类似于CLSP的顺序决策问题，CLSP需要重复，经常和快速地解决。

神经网络在许多科学领域都变得流行，因为它们是有前途，可靠和强大的工具。在这项工作中，我们研究了数据增强对核物理数据神经网络模型的预测能力的影响。我们提供两种不同的数据增强技术，并根据不同的深度，优化器，激活功能和随机种子值进行详细的分析，以显示模型的成功和鲁棒性。首次使用实验不确定性进行数据扩展，人为地增强了训练数据集的大小，并且研究了测试集的模型预测与实验数据之间的根平方误差的变化。我们的结果表明，数据增强降低了预测错误，稳定模型并防止过度拟合。还测试了AME2020质量表中新测得的核的MLP模型的外推能力，并显示通过使用数据增强来显着改善预测。

我们提出了streamDeq，这是一种以最小为每片计算的视频中框架表示的方法。与传统方法至少随着网络深度线性线性增长的常规方法相反，我们旨在以连续的方式更新表示形式。为此，我们利用最近出现的隐式层模型，该模型通过解决固定点问题来扩展图像的表示。我们的主要见解是利用视频的缓慢变化，并使用先前的框架表示作为每个帧的初始条件。该方案有效地回收了最近的推理计算，并大大减少了所需的处理时间。通过广泛的实验分析，我们表明StreamDeq能够在几个帧时间内恢复近乎最佳的表示形式，并在整个视频持续时间内保持最新的表示。我们在视频语义细分和视频对象检测方面进行的实验表明，StreamDeq以基线（标准MDEQ）的准确度达到了准确性，而$ 3 \ times $ $ abter $ abter的$ 3。项目页面可在以下网址获得：https：//ufukertenli.github.io/streamdeq/

在本文中，我们在卷积神经网络（CNNS）的不断扩大性文献中介绍了一个新问题。虽然以前的工作侧重于如何在视觉解释CNNS的问题上，但我们问我们关心解释的是什么，即哪些层和神经元值得我们关注？由于巨大的现代深度学习网络架构，自动化，定量方法需要对神经元的相对重要性进行排名，以便为此问题提供答案。我们提出了一种新的统计方法，用于在网络的任何卷积层中排名隐藏的神经元。我们将重要性定义为激活映射与类分数之间的最大相关性。我们提供了不同的方式，其中该方法可用于可视化与Mnist和Imagenet的目的，并显示我们对街道级图像的空气污染预测方法的真实应用。

我们提出了一种基于体积的基于网格的算法，用于参数化胎盘到扁平模板，以实现局部解剖结构和功能的有效可视化。 MRI显示潜在作为研究工具，因为它提供与胎盘功能直接相关的信号。然而，由于胎盘体内形状的弯曲和高度变化，解释和可视化这些图像是困难的。我们通过绘制胎盘来解决解释挑战，以便它类似于熟悉的离体形状。我们将参数化作为优化问题，用于将体积网格表示的胎盘形状映射到扁平模板。我们采用对称的Dirichlet Energy来控制整个体积的局部变形。在梯度下降优化期间，映射中的局部注射是由约束的线路搜索强制执行的。我们使用从大胆的MRI图像中提取的111个胎盘形状的研究研究验证了我们的方法。我们的映射在匹配模板时实现了子体素准确性，同时保持整个音量的低失真。我们展示了胎盘的扁平化程度如何改善解剖学和功能的可视化。我们的代码在https://github.com/mabulnaga/plentaa-flatteny自由提供。