变形AutoEncoder（VAE）是无监督学习的深度生成模型，允许将观察编码为有意义的潜在空间。当任务按顺序到达时，VAE易于灾难性忘记，并且只有当前的数据可用。我们解决了这个持续学习vaes的问题。众所周知，在非持续设置中，在潜空间上的先前分配的选择对于VAE至关重要。我们认为它也有助于避免灾难性的遗忘。我们将在每个任务之前学习聚合后部的近似值。该近似是参数化作为在可训练的伪输入中评估的编码器诱导的分布的添加剂混合物。我们使用贪婪的升压方法，并使用熵正则化来学习组件。此方法鼓励组件多样性，这是必不可少的，因为我们的目标是与最少的组件存储最少的组件。基于学习的先验，我们介绍了持续学习VAE的端到端方法，并为常用的基准（MNIST，时尚Mnist，Notmnist）和Celeba数据集提供实证研究。对于每个数据集，所提出的方法避免以全自动方式遗漏灾难性忘记。

Algorithms that involve both forecasting and optimization are at the core of solutions to many difficult real-world problems, such as in supply chains (inventory optimization), traffic, and in the transition towards carbon-free energy generation in battery/load/production scheduling in sustainable energy systems. Typically, in these scenarios we want to solve an optimization problem that depends on unknown future values, which therefore need to be forecast. As both forecasting and optimization are difficult problems in their own right, relatively few research has been done in this area. This paper presents the findings of the ``IEEE-CIS Technical Challenge on Predict+Optimize for Renewable Energy Scheduling," held in 2021. We present a comparison and evaluation of the seven highest-ranked solutions in the competition, to provide researchers with a benchmark problem and to establish the state of the art for this benchmark, with the aim to foster and facilitate research in this area. The competition used data from the Monash Microgrid, as well as weather data and energy market data. It then focused on two main challenges: forecasting renewable energy production and demand, and obtaining an optimal schedule for the activities (lectures) and on-site batteries that lead to the lowest cost of energy. The most accurate forecasts were obtained by gradient-boosted tree and random forest models, and optimization was mostly performed using mixed integer linear and quadratic programming. The winning method predicted different scenarios and optimized over all scenarios jointly using a sample average approximation method.

随着空域中无人驾驶汽车（无人机）的数量的增加，确保飞机不会碰撞对进一步的技术开发至关重要。在这项工作中，我们提出了一个新的无人机，在空中碰撞附近（UNMAC）安全量i）机身大小，ii）定位精度，iii）无人机速度/速度和iv）无线技术功能。基于UNMAC，我们证明可以通过使用UAV-TO-UAV（U2U）通信来降低UAV间的分离距离，而安全水平保持不变。此外，这项工作表明，下一代远程ID消息应包含其他信息（即，估计的本地化错误，对于某些应用程序，移动方向）。由于远程ID的频繁广播可以进一步降低分离距离，因此我们确定了5G NR Sidelink，Wi-Fi和蓝牙为U2U通信的合适候选者。

采用基于数据的方法会导致许多石油和天然气记录数据处理问题的模型改进。由于深度学习提供的新功能，这些改进变得更加合理。但是，深度学习的使用仅限于研究人员拥有大量高质量数据的领域。我们提出了一种提供通用数据表示的方法，适用于针对不同油田的不同问题的解决方案，而少量数据。我们的方法依赖于从井的间隔内进行连续记录数据的自我监督方法，因此从一开始就不需要标记的数据。为了验证收到的表示形式，我们考虑分类和聚类问题。我们还考虑转移学习方案。我们发现，使用变异自动编码器会导致最可靠，最准确的模型。方法我们还发现，研究人员只需要一个针对目标油田的微小单独的数据集即可在通用表示之上解决特定问题。

由于长期机器人操作中的地图尺寸的增长，现有的同时定位和映射方法的可伸缩性受到限制。此外，处理此类地图进行本地化和计划任务会导致船上所需的计算资源增加。为了解决长期操作中记忆消耗的问题，我们开发了一种新型的实时SLAM算法，即Meslam，该算法基于神经场隐含的地图表示。它结合了提出的全球映射策略，包括神经网络分布和区域跟踪，以及外部进程系统。结果，该算法能够有效地训练多个代表不同地图区域的网络，并在大规模环境中准确地训练姿势。实验结果表明，所提出的方法的准确性与最新方法（平均为6.6 cm的TUM RGB-D序列）相当，并且优于基线，IMAP $^*$。此外，拟议的SLAM方法提供了最紧凑的地图，而没有细节变形（1.9 MB（1.9 MB）在最先进的大满贯方法中储存57 m $^3 $）。

这项工作提供了在人口统计学限制下的最佳分类函数的几种基本特征。在意识框架中，类似于经典的不受限制的分类案例，我们表明，在这种公平性约束下，最大化准确性等于解决相应的回归问题，然后在级别$ 1/2 $上进行阈值。我们将此结果扩展到线性分类分类度量（例如，$ {\ rm f} $ - 得分，AM度量，平衡准确性等），突出了回归问题在此框架中所起的基本作用。我们的结果利用了最近在人口统计学限制与多界限最佳运输公式之间建立了联系。从非正式的角度来看，我们的结果表明，通过解决公平回归问题的解决方案来代替标签的有条件期望，可以实现无约束的问题与公平问题之间的过渡。最后，利用我们的分析，我们证明了在两个敏感群体的情况下，意识和不认识的设置之间的等效性。

随着最近的研究进展，深度学习模型已成为实时电信应用程序中声学回声取消（AEC）的有吸引力的选择。由于声学回声是音频质量差的主要来源之一，因此提出了各种各样的深层模型。但是，对良好回声取消质量的重要但经常忽略的要求是麦克风和远端信号的同步。通常，使用基于互相关的经典算法实现，对齐模块是具有已知设计限制的单独功能块。在我们的工作中，我们提出了一个基于内置自我注意的对准的深度学习体系结构，该架构能够处理不结盟的输入，从而改善了回声取消性能，同时简化了通信管道。此外，我们表明我们的方法可以在AEC挑战数据集中的真实记录上进行困难的延迟估计案例实现重大改进。

太阳能电池制造中的有效缺陷检测对于稳定的绿色能源技术制造至关重要。本文介绍了一种基于深度学习的自动检测模型SEMACNN，用于分类和语义分割电致发光图像，用于太阳能电池质量评估和异常检测。该模型的核心是基于马哈拉氏症距离的一种异常检测算法，该算法可以以半监督的方式对具有少量具有相关缺陷的数字电致发光图像的不平衡数据进行训练。这对于迅速将模型集成到工业格局中特别有价值。该模型已通过植物收集的数据集进行了训练，该数据集由68 748个带有母线网格的异质结太阳能电池的电致发光图像。我们的模型在验证子集中的精度达到92.5％，F1得分为95.8％，召回94.8％，精度为96.9％，由1049个手动注释的图像组成。该模型还在Open ELPV数据集上进行了测试，并证明了稳定的性能，准确性为94.6％，F1得分为91.1％。 SEMACNN模型展示了其性能和计算成本之间的良好平衡，这使其适用于集成到太阳能电池制造的质量控制系统中。

深度神经网络的规模和复杂性继续成倍增长，大大增加了这些模型训练和推断的能源消耗。我们介绍了一个开源软件包ECO2AI，以帮助数据科学家和研究人员以直接的方式跟踪其模型的能源消耗和同等的二氧化碳排放。在Eco2ai中，我们强调能源消耗跟踪和正确的区域二氧化碳排放会计的准确性。我们鼓励研究社区搜索具有较低计算成本的新最佳人工智能（AI）架构。动机还来自基于AI的温室气体与可持续AI和绿色AI途径隔离周期的概念。

自主场景的曝光和探索，尤其是在本地化或沟通有限的区域，对于在未知场景中寻找目标有用，仍然是计算机导航中的一个具有挑战性的问题。在这项工作中，我们提出了一种用于实时环境探索的新方法，其唯一的要求是一个视觉上相似的数据集，用于预训练，场景中足够的照明以及用于环境感应的机上前瞻性RGB摄像机。与现有方法相反，我们的方法只需要一个外观（图像）才能做出一个良好的战术决定，因此在非成长，恒定的时间内起作用。两个方向的预测以像素为特征，称为goto和lookat像素，包括我们方法的核心。这些像素通过以下方式编码建议的飞行指令：goto像素定义了代理应以一个距离单位移动的方向，而Lookat像素定义了相机应在下一步中指向的方向。这些飞行的指导像素经过优化，以揭示当前未开发的区域的最多数量。我们的方法提出了一种新型的基于深度学习的导航方法，能够解决此问题并在更复杂的设置中证明其能力，即计算能力有限。此外，我们提出了一种生成面向导航数据集的方法，从而可以使用RGB和深度图像对我们的方法有效培训。在模拟器中进行的测试，评估了稀疏像素的推断过程的协调，以及旨在揭示区域并降低目标距离的2D和3D测试飞行取得了令人鼓舞的结果。与最先进的算法的比较表明，我们的方法能够表现出色，在测量每个相机姿势的新体素，最小距离目标距离，所见表面素的百分比和计算时间指标。