确定公民的多样化和经常竞争的价值，并解决随之而来的公共价值冲突，对于包容性和综合城市发展至关重要。学者们强调，具有关系的，具有价值的城市空间引起了许多不同的冲突，它们在空间和时间上都不同。尽管理论上已经构思了公共价值冲突的概念，但很少有实证研究确定这种价值观及其在城市空间中的冲突。本文以公共价值理论为基础，并使用案例研究的混合方法方法，提出了一种新的方法来研究城市空间中的公共价值冲突。使用汉堡，德国公共参与地理信息系统的4,528个公民贡献的非结构化参与数据，使用自然语言处理和空间聚类技术来识别潜在价值冲突的领域。四个专家研讨会评估和解释这些定量发现。整合定量和定性结果，19个普通公众价值观和9个原型冲突。根据这些结果，本文提出了一种新的公共价值领域概念工具，该工具扩展了公共价值冲突的理论概念，并有助于进一步说明城市空间的价值。

Everting, soft growing vine robots benefit from reduced friction with their environment, which allows them to navigate challenging terrain. Vine robots can use air pouches attached to their sides for lateral steering. However, when all pouches are serially connected, the whole robot can only perform one constant curvature in free space. It must contact the environment to navigate through obstacles along paths with multiple turns. This work presents a multi-segment vine robot that can navigate complex paths without interacting with its environment. This is achieved by a new steering method that selectively actuates each single pouch at the tip, providing high degrees of freedom with few control inputs. A small magnetic valve connects each pouch to a pressure supply line. A motorized tip mount uses an interlocking mechanism and motorized rollers on the outer material of the vine robot. As each valve passes through the tip mount, a permanent magnet inside the tip mount opens the valve so the corresponding pouch is connected to the pressure supply line at the same moment. Novel cylindrical pneumatic artificial muscles (cPAMs) are integrated into the vine robot and inflate to a cylindrical shape for improved bending characteristics compared to other state-of-the art vine robots. The motorized tip mount controls a continuous eversion speed and enables controlled retraction. A final prototype was able to repeatably grow into different shapes and hold these shapes. We predict the path using a model that assumes a piecewise constant curvature along the outside of the multi-segment vine robot. The proposed multi-segment steering method can be extended to other soft continuum robot designs.

关于人们的预测，例如他们预期的教育成就或信用风险，可以表现出色，并塑造他们旨在预测的结果。了解这些预测对最终结果的因果影响对于预测未来预测模型的含义并选择要部署哪些模型至关重要。但是，该因果估计任务带来了独特的挑战：模型预测通常是输入特征的确定性功能，并且与结果高度相关，这可能使预测的因果效应不可能从协变量的直接效应中解散。我们通过因果可识别性的角度研究了这个问题，尽管该问题完全普遍，但我们突出了三种自然情况，在这些情况下，可以从观察数据中确定预测对结果的因果影响：基于预测或基于预测的决策中的随机化。 ，在数据收集过程中部署的预测模型和离散预测输出的过度参数化。我们从经验上表明，在适当的可识别性条件下，从预测中预测的监督学习的标准变体可以找到特征，预测和结果之间的可转移功能关系，从而得出有关新部署的预测模型的结论。我们的积极结果从根本上依赖于在数据收集期间记录的模型预测，从而提出了重新思考标准数据收集实践的重要性，以使进步能够更好地理解社会成果和表现性反馈循环。

在本文中，我们在爱尔兰都柏林都柏林的大型和繁忙机场中介绍了一个基于图像的人重新识别数据集。与所有可公开的基于图像的数据集不同，我们的数据集除帧号和相机和人员ID之外还包含时间戳信息。我们的数据集也完全是匿名的，以遵守现代数据隐私法规。我们将最先进的人重新识别模型应用于我们的数据集，并显示通过利用可用的时间戳信息，我们能够在地图中实现37.43％的显着增益，并且在Rank1精度中的增益为30.22％。我们还提出了一个贝叶斯颞次重新排名的后处理步骤，该步骤进一步增加了10.03％的地图增益和Rank1精度度量的9.95％。在其他基于图像的人重新识别数据集中不可能结合视觉和时间信息的工作。我们认为，拟议的新数据集将能够进一步开发人员重新识别研究，以挑战现实世界应用。 Daa DataSet可以从HTTPS://bit.ly/3Atxtd6下载

虽然公平社区已经认识到数据的重要性，但该地区的研究人员主要依赖于UCI成年人的表格数据。来自1994年的美国人口普查调查，该数据集出现在数百名研究论文中，它作为许多算法公平干预措施的开发和比较的基础。我们从可用的美国人口普查源重建了UCI成人数据的超集，并揭示了UCI成人数据集的特质，这些数据集限制了其外部有效性。我们的主要贡献是一套来自美国人口普查调查的新数据集，这扩展了现有数据生态系统进行公平机器学习的研究。我们创建与收入，就业，健康，运输和住房有关的预测任务。数据跨越多年和美国所有国家，允许研究人员研究时间转移和地理变异。我们突出了与公平标准，算法干预措施之间的权衡相关的权衡初始突发的初始突发，以及基于我们的新数据集的分发转移的作用。我们的调查结果通知了正在进行的辩论，挑战一些现有的叙述，并指向未来的研究方向。我们的数据集可在https://github.com/zykls/folktables上获得。

为了了解神经网络行为，最近的作品定量比较使用规范相关分析（CCA），居中内核对准（CKA）和其他不同措施的不同网络的学习表示。不幸的是，这些广泛使用的措施往往不同意基本观察，例如只有在随机初始化中不同的深度网络都会学习类似的表示。这些分歧提出了问题：我们应该相信哪些，如果有的话，那么这些不相似措施？我们通过具体的测试提供了一个框架来解决这个问题：措施应该具有对影响功能行为的变化的敏感性，以及对没有的变化的特异性。我们通过各种功能行为量化，包括探测准确性和稳健性与分布换档，并检查变化的随机初始化和删除主组件。我们发现当前的指标表现出不同的弱点，请注意，经典基线令人惊讶地表现出令人惊讶的良好，并且突出显示所有度量都失败的设置，从而为进一步改进提供挑战。