Log-linear models are a family of probability distributions which capture relationships between variables. They have been proven useful in a wide variety of fields such as epidemiology, economics and sociology. The interest in using these models is that they are able to capture context-specific independencies, relationships that provide richer structure to the model. Many approaches exist for automatic learning of the independence structure of log-linear models from data. The methods for evaluating these approaches, however, are limited, and are mostly based on indirect measures of the complete density of the probability distribution. Such computation requires additional learning of the numerical parameters of the distribution, which introduces distortions when used for comparing structures. This work addresses this issue by presenting the first measure for the direct and efficient comparison of independence structures of log-linear models. Our method relies only on the independence structure of the models, which is useful when the interest lies in obtaining knowledge from said structure, or when comparing the performance of structure learning algorithms, among other possible uses. We present proof that the measure is a metric, and a method for its computation that is efficient in the number of variables of the domain.

现代农业中的基于UAV的图像检索使得能够收集大量的空间引用的裁剪图像数据。然而，在大规模的实验中，UAV图像患有复杂的冠层架构中的多份作物。特别是对于观察时间效应，这使得对几种图像的识别使得各种植物的识别和巨大的提取。在这项工作中，我们向基于可理解的计算机视觉方法缩写为“编目”的无人机缩写为“编目”的自动化时间和空间识别和个性化的实践工作流程。我们评估两个现实世界数据集的工作流程。记录一个数据集以观察Cercospora叶斑 - 在整个生长周期中的糖甜菜中的真菌疾病。另一个涉及花椰菜植物的收获预测。植物目录用于提取多个时间点看到的单植物图像。这会收集大规模的时空图像数据集，又可以应用于培训包括各种数据层的进一步机器学习模型。该方法显着改善了农业中无人机数据的分析和解释。通过验证一些参考数据，我们的方法显示了一种类似于更复杂的基于深度学习的识别技术的准确性。我们的工作流能够自动化工厂编目和训练图像提取，特别是对于大型数据集。

由于其对人类生命，运输，粮食生产和能源管理的高度影响，因此在科学上研究了预测天气的问题。目前的运营预测模型基于物理学，并使用超级计算机来模拟大气预测，提前预测数小时和日期。更好的基于物理的预测需要改进模型本身，这可能是一个实质性的科学挑战，以及潜在的分辨率的改进，可以计算令人望而却步。基于神经网络的新出现的天气模型代表天气预报的范式转变：模型学习来自数据的所需变换，而不是依赖于手工编码的物理，并计算效率。然而，对于神经模型，每个额外的辐射时间都会构成大量挑战，因为它需要捕获更大的空间环境并增加预测的不确定性。在这项工作中，我们提出了一个神经网络，能够提前十二小时的大规模降水预测，并且从相同的大气状态开始，该模型能够比最先进的基于物理的模型更高的技能HRRR和HREF目前在美国大陆运营。可解释性分析加强了模型学会模拟先进物理原则的观察。这些结果代表了建立与神经网络有效预测的新范式的实质性步骤。