Covid -19在首次检测只有四个月后迅速成为全球性大流行。尽快检测这种疾病至关重要的是降低其蔓延。胸部X射线（CXR）图像的使用变成了有效的筛选策略，互补逆转录聚合酶链反应（RT-PCR）。卷积神经网络（CNNS）通常用于自动图像分类，它们在CXR诊断中非常有用。在本文中，测试了21种不同的CNN架构，并在COVID-19中识别CXR图像的任务进行比较。它们应用于CoVIDX8B数据集，这是可用的最大和更多样化的Covid-19数据集。还采用了CNN的合奏，并且它们表现出比个体实例更好的效率。 Densenet169实现了最佳的个人CNN实例结果，精度为98.15％，F1分数为98.12％。通过与DenSenet169的五个实例的合并，这些进一步增加到99.25％和99.24％。这些结果高于使用相同数据集的最近作品中获得的结果。

This paper presents the Crowd Score, a novel method to assess the funniness of jokes using large language models (LLMs) as AI judges. Our method relies on inducing different personalities into the LLM and aggregating the votes of the AI judges into a single score to rate jokes. We validate the votes using an auditing technique that checks if the explanation for a particular vote is reasonable using the LLM. We tested our methodology on 52 jokes in a crowd of four AI voters with different humour types: affiliative, self-enhancing, aggressive and self-defeating. Our results show that few-shot prompting leads to better results than zero-shot for the voting question. Personality induction showed that aggressive and self-defeating voters are significantly more inclined to find more jokes funny of a set of aggressive/self-defeating jokes than the affiliative and self-enhancing voters. The Crowd Score follows the same trend as human judges by assigning higher scores to jokes that are also considered funnier by human judges. We believe that our methodology could be applied to other creative domains such as story, poetry, slogans, etc. It could both help the adoption of a flexible and accurate standard approach to compare different work in the CC community under a common metric and by minimizing human participation in assessing creative artefacts, it could accelerate the prototyping of creative artefacts and reduce the cost of hiring human participants to rate creative artefacts.

符号回归是一种非线性回归方法，通常通过诸如遗传编程等进化计算方法执行。量化回归模型的不确定性对于模型和决策的解释很重要。线性近似和所谓的似然谱是非线性回归模型计算置信度和预测间隔的众所周知的可能性。到目前为止，这些简单有效的技术在遗传编程文献中已被完全忽略。在这项工作中，我们在详细信息中描述了似然概况的计算，还提供了一些说明性示例，其中使用了两个不同数据集上使用三种不同的符号回归算法创建的模型。这些示例突出了可能性概况的重要性，即了解符号回归模型的局限性，并帮助用户做出明智的预测后决策。

巴西最高法院每学期收到数万案件。法院员工花费数千个小时来执行这些案件的初步分析和分类 - 这需要努力从案件管理工作流的后部，更复杂的阶段进行努力。在本文中，我们探讨了来自巴西最高法院的文件多模式分类。我们在6,510起诉讼（339,478页）的新型多模式数据集上训练和评估我们的方法，并用手动注释将每个页面分配给六个类之一。每个诉讼都是页面的有序序列，它们既可以作为图像存储，又是通过光学特征识别提取的相应文本。我们首先训练两个单峰分类器：图像上对Imagenet进行了预先训练的重新编织，并且图像上进行了微调，并且具有多个内核尺寸过滤器的卷积网络在文档文本上从SCRATCH进行了训练。我们将它们用作视觉和文本特征的提取器，然后通过我们提出的融合模块组合。我们的融合模块可以通过使用学习的嵌入来处理缺失的文本或视觉输入，以获取缺少数据。此外，我们尝试使用双向长期记忆（BILSTM）网络和线性链条件随机字段进行实验，以模拟页面的顺序性质。多模式方法的表现都优于文本分类器和视觉分类器，尤其是在利用页面的顺序性质时。

深度集群（DC）利用深度架构的表示力来学习嵌入空间，这些空格是最佳的集群分析。此方法会滤除对聚类无关的低级信息，并已证明对于高维数据空间非常成功。一些DC方法采用生成的对抗网络（GANS），受到强大的潜在表示，这些模型能够隐含地学习。在这项工作中，我们提出了一种基于带有多个发电机（MGANS）的GAN的新技术，尚未探讨聚类。我们的方法受到观察到Mangan的每个生成器倾向于生成与实际数据分布的子区域相关的数据。我们使用此集群生成来训练分类器，以推断给定图像来自哪个生成器，从而为实际分配提供了语义有意义的聚类。此外，我们设计了我们的方法，使其在自上而下的分层聚类树中执行，从而提出了我们最佳知识的第一层级DC方法。我们进行若干实验来评估近期直流方法的提出方法，获得竞争力。最后，我们对分层聚类树进行了探索性分析，突出显示了它在语义相干模式的层次结构中组织的准确性。

在2015年和2019年之间，地平线的成员2020年资助的创新培训网络名为“Amva4newphysics”，研究了高能量物理问题的先进多变量分析方法和统计学习工具的定制和应用，并开发了完全新的。其中许多方法已成功地用于提高Cern大型Hadron撞机的地图集和CMS实验所执行的数据分析的敏感性;其他几个人，仍然在测试阶段，承诺进一步提高基本物理参数测量的精确度以及新现象的搜索范围。在本文中，在研究和开发的那些中，最相关的新工具以及对其性能的评估。