评估药物目标亲和力是药物发现和开发过程中的关键一步，但是在实验上获得此类数据既耗时又昂贵。因此，正在广泛开发用于预测结合强度的计算方法。但是，这些方法通常使用单任务方法进行预测，因此忽略了可以从数据中提取并用于驱动学习过程的其他信息。此后，在这项工作中，我们提出了一种多任务方法来结合强度预测。我们的结果表明，这些预测确实可以通过使用相关任务和多任务诱导的正则化的添加信息来从多任务学习方法中受益。

虽然最近在许多科学领域都变得无处不在，但对其评估的关注较少。对于分子生成模型，最先进的是孤立或与其输入有关的输出。但是，它们的生物学和功能特性（例如配体 - 靶标相互作用）尚未得到解决。在这项研究中，提出了一种新型的生物学启发的基准，用于评估分子生成模型。具体而言，设计了三个不同的参考数据集，并引入了与药物发现过程直接相关的一组指标。特别是我们提出了一个娱乐指标，将药物目标亲和力预测和分子对接应用作为评估生成产量的互补技术。虽然所有三个指标均在测试的生成模型中均表现出一致的结果，但对药物目标亲和力结合和分子对接分数进行了更详细的比较，表明单峰预测器可能会导致关于目标结合在分子水平和多模式方法的错误结论，而多模式的方法是错误的结论。因此优选。该框架的关键优点是，它通过明确关注配体 - 靶标相互作用，将先前的物理化学域知识纳入基准测试过程，从而创建了一种高效的工具，不仅用于评估分子生成型输出，而且还用于丰富富含分子生成的输出。一般而言，药物发现过程。

This article charts the work of a 4 month project aimed at automatically identifying patterns of tweets popularity evolution using Machine Learning and Deep Learning techniques. To apprehend both the data and the extent of the problem, a straightforward clustering algorithm based on a point to point distance is used. Then, in an attempt to refine the algorithm, various analyses especially using feature extraction techniques are conducted. Although the algorithm eventually fails to automate such a task, this exercise raises a complex but necessary issue touching on the impact of virality on social networks.

The detection of anomalies in time series data is crucial in a wide range of applications, such as system monitoring, health care or cyber security. While the vast number of available methods makes selecting the right method for a certain application hard enough, different methods have different strengths, e.g. regarding the type of anomalies they are able to find. In this work, we compare six unsupervised anomaly detection methods with different complexities to answer the questions: Are the more complex methods usually performing better? And are there specific anomaly types that those method are tailored to? The comparison is done on the UCR anomaly archive, a recent benchmark dataset for anomaly detection. We compare the six methods by analyzing the experimental results on a dataset- and anomaly type level after tuning the necessary hyperparameter for each method. Additionally we examine the ability of individual methods to incorporate prior knowledge about the anomalies and analyse the differences of point-wise and sequence wise features. We show with broad experiments, that the classical machine learning methods show a superior performance compared to the deep learning methods across a wide range of anomaly types.

量子计算硬件的功能增加，并实现深量子电路的挑战需要完全自动化和有效的工具来编译量子电路。要以一系列与特定量子计算机体系结构有关的天然大门表达任意电路，对于使算法在量子硬件提供商的整个景观中可移植。在这项工作中，我们提出了一个能够转换和优化量子电路的编译器，针对基于穿梭的捕获离子量子处理器。它由剑桥量子计算机的量子电路框架pytket上的自定义算法组成。评估了广泛的量子电路的性能，与标准Pytket相比，与标准Qiskit汇编相比，栅极计数可以降低到3.6倍，最高为2.2，而我们获得的栅极计数与相似的栅极计数相比相比，针对AQT线性静态捕获离子地址架构的Pytket扩展。

本文有助于加强机器学习与微分方程理论之间的关系。在这种情况下，拟合参数的逆问题，而微分方程与某些测量值的初始条件构成了关键问题。本文探讨了一个可以用于构建损失函数家族的抽象，目的是将初始值问题解决方案拟合到一组离散或连续测量中。可以证明，伴随方程的扩展可以用来推导损失函数的梯度，作为机器学习中反向传播的连续类似物。提供了数值证据，表明在合理控制的情况下，获得的梯度可以在梯度下降中使用，以将初始值问题解决方案拟合到一组连续的嘈杂测量值中，以及一组离散的噪声测量值，这些测量值在不确定的情况下记录下来时代。

专家架构的混合物可以通过独立于计算需求（FLOP）来扩展模型参数大小来实现极大的神经网络。但是，当前的DNN框架无法有效地支持专家混合物中的动态数据流，并且在这些框架之上的实现需要使用引入重要开销的解决方法。为了解决这些框架的限制，我们提出了Dynyoe，这是一个DNN库，它使用动态重新编译来优化和调整计算资源的使用，以适合专家模型混合的动态需求。我们的评估表明，与现有的MOE系统相比，Dynamoe达到了1.8倍的速度，并支持2.3倍的型号，即使不使用重新编译也是如此。然后，我们提出了通过动态重新补偿来实现进一步的优化，从而产生额外的1.7倍加速度，同时降低记忆压力并改善模型质量。

我们介绍了一种能够在量子点阵列中找到库仑钻石的方面的算法。我们使用恒定相互作用模型模拟这些阵列，并仅依靠一维栅格扫描（射线）使用正则化最大似然估计来学习设备的模型。这使我们能够确定设备的给定电荷状态，过渡的存在以及它们的补偿门电压是什么。对于较小的设备，模拟器还可以用于计算库仑钻石的确切边界，我们用来评估我们的算法正确地找到了具有高精度的绝大多数过渡。

面部表达识别（FER）在许多研究领域至关重要，因为它使机器能够更好地理解人类的行为。 FER方法面临着相对较小的数据集和嘈杂数据的问题，这些数据不允许经典网络良好地概括。为了减轻这些问题，我们指导该模型专注于眼睛，嘴或眉毛等特定面部区域，我们认为这是决定面部表情的决定性的。我们提出了特权归因损失（PAL），该方法通过鼓励其归因图与面部标志形成的热图相对应，从而将模型的注意力引向最显着的面部区域。此外，我们引入了几种渠道策略，使该模型具有更高的自由度。所提出的方法独立于骨干体系结构，并且在测试时不需要其他语义信息。最后，实验结果表明，所提出的PAL方法的表现优于RAF-DB和Actionnet上的当前最新方法。

将动态机器人带入野外，需要平衡性能和安全之间。然而，旨在提供强大安全保证的控制器通常会导致保守行为，并调整这些控制器，以找到性能和安全之间的理想权衡通常需要域专业知识或仔细构造的奖励功能。这项工作提出了一种设计范式，用于系统地实现平衡性能和强大安全性的行为，通过将基于安全感知的基于偏好（PBL）与控制屏障功能（CBF）集成来实现平衡性能和鲁棒安全性。融合这些概念 - 安全感知的学习和安全关键控制 - 提供了一种在实践中实现复杂机器人系统的安全行为的强大手段。我们展示了这种设计范式的能力，以实现在硬件上的模拟和实验上的四足机器人的安全和表演感知的自主操作。