病变分割是放射线工作流程的关键步骤。手动分割需要长时间的执行时间，并且容易发生可变性，从而损害了放射线研究及其鲁棒性的实现。在这项研究中，对非小细胞肺癌患者的计算机断层扫描图像进行了深入学习的自动分割方法。还评估了手动与自动分割在生存放射模型的性能中的使用。方法总共包括899名NSCLC患者（2个专有：A和B，1个公共数据集：C）。肺部病变的自动分割是通过训练先前开发的建筑NNU-NET进行的，包括2D，3D和级联方法。用骰子系数评估自动分割的质量，以手动轮廓为参考。通过从数据集A的手动和自动轮廓中提取放射性的手工制作和深度学习特征来探索自动分割对患者生存的放射素模型对患者生存的性能的影响。评估并比较模型的精度。结果通过平均2D和3D模型的预测以及应用后处理技术来提取最大连接的组件，可以实现具有骰子= 0.78 +（0.12）的自动和手动轮廓之间的最佳一致性。当使用手动或自动轮廓，手工制作或深度特征时，在生存模型的表现中未观察到统计差异。最好的分类器显示出0.65至0.78之间的精度。结论NNU-NET在自动分割肺部病变中的有希望的作用已得到证实，从而大大降低了时必的医生的工作量，而不会损害基于放射线学的生存预测模型的准确性。

长期或慢性病的人管理是国家卫生系统面临的最大挑战之一。实际上，这些疾病是住院的主要原因之一，尤其是对于老年人，监测它们所需的大量资源导致医疗保健系统可持续性问题。便携式设备和新连接技术的扩散越来越大，可以实施能够为医疗保健提供者提供支持并减轻医院和诊所的负担。在本文中，我们介绍了用于医疗保健的远程监控平台的实现，该平台旨在从不同的消费者移动设备和自定义设备中捕获几种类型的生理健康参数。可以通过Google Fit生态系统将消​​费者医疗设备集成到平台中，该生态系统支持数百个设备，而自定义设备可以通过标准通信协议直接与平台进行交互。该平台旨在使用机器学习算法处理获得的数据，并为患者和医生提供生理健康参数，并提供用户友好，全面且易于理解的仪表板，该仪表板通过时间来监视参数。初步可用性测试在功能和实用性方面表现出良好的用户满意度。

作为人工智能和深度学习的重大突破，卷积神经网络在解决包括计算机视觉和图像处理在内的多个领域的许多问题方面取得了令人印象深刻的成功。在这些情况下，实时性能，算法的鲁棒性和快速培训过程仍然是空旷的问题。另外，对象识别和检测是工业部门常用的资源约束嵌入式系统的具有挑战性的任务。为了克服这些问题，我们提出了一个基于正交分解（一种经典模型订购技术）的降低降低框架，以减少网络的超参数数量。我们已经使用Pascal VOC数据集将这种框架应用于SSD300体系结构，证明了网络维度的降低，并且在转移学习环境中对网络的微调进行了显着的加速。

复杂的机器学习算法在涉及文本数据的关键任务中越来越多地使用，从而导致开发可解释性方法。在本地方法中，已经出现了两个家庭：那些计算每个功能的重要性得分以及那些提取简单逻辑规则的人。在本文中，我们表明，即使应用于我们期望定性巧合的简单模型，使用不同的方法也会导致出乎意料的不同解释。为了量化这种效果，我们提出了一种新方法来比较不同方法产生的解释。

在这项工作中，我们为生成自动编码器的变异培训提供了确切的可能性替代方法。我们表明，可以使用可逆层来构建VAE风格的自动编码器，该层提供了可拖动的精确可能性，而无需任何正则化项。这是在选择编码器，解码器和先前体系结构的全部自由的同时实现的，这使我们的方法成为培训现有VAE和VAE风格模型的替换。我们将结果模型称为流中的自动编码器（AEF），因为编码器，解码器和先验被定义为整体可逆体系结构的单个层。我们表明，在对数可能，样本质量和降低性能的方面，该方法的性能比结构上等效的VAE高得多。从广义上讲，这项工作的主要野心是在共同的可逆性和确切的最大可能性的共同框架下缩小正常化流量和自动编码器文献之间的差距。

我们考虑识别大规模线性和稳定的动态系统，其输出可能是许多相关输入的结果。因此，严重的疾病可能会影响估计问题。当通过许多子单元的互连给出的复杂物理系统进行建模时，这种情况通常是一种情况，在这些子单元的互连中可以遇到反馈和代数循环。我们制定了一种基于贝叶斯正则化的策略，其中任何脉冲响应都被建模为实现零均值高斯过程的策略。稳定的样条协方差用于包括有关脉冲反应的平滑指数衰减的信息。然后，我们设计了一种新的马尔可夫链蒙特卡洛方案，该方案涉及共线性，并能够有效地重建冲动反应的后部。它基于Gibbs采样的变化，该变体基于影响不同输入的截然性水平更新参数空间的重叠块。包括数值实验以测试数百个脉冲响应形成系统的方法的好处，并且输入相关性可能非常高。

物理信息的神经网络（PINN）是神经网络（NNS），它们作为神经网络本身的组成部分编码模型方程，例如部分微分方程（PDE）。如今，PINN是用于求解PDE，分数方程，积分分化方程和随机PDE的。这种新颖的方法已成为一个多任务学习框架，在该框架中，NN必须在减少PDE残差的同时拟合观察到的数据。本文对PINNS的文献进行了全面的综述：虽然该研究的主要目标是表征这些网络及其相关的优势和缺点。该综述还试图将出版物纳入更广泛的基于搭配的物理知识的神经网络，这些神经网络构成了香草·皮恩（Vanilla Pinn）以及许多其他变体，例如物理受限的神经网络（PCNN），各种HP-VPINN，变量HP-VPINN，VPINN，VPINN，变体。和保守的Pinn（CPINN）。该研究表明，大多数研究都集中在通过不同的激活功能，梯度优化技术，神经网络结构和损耗功能结构来定制PINN。尽管使用PINN的应用范围广泛，但通过证明其在某些情况下比有限元方法（FEM）等经典数值技术更可行的能力，但仍有可能的进步，最著名的是尚未解决的理论问题。

解释性是决策系统的压迫问题。已经提出了许多后的HOC方法来解释任何机器学习模型的预测。但是，业务流程和决策系统很少归属于单个独立的模型。这些系统组合了产生关键预测的多个模型，然后应用决策规则以生成最终决定。为了解释此类决定，我们呈现SMACE，半模型 - 不可知论式解释器，一种新的解释方法，该方法将决策规则与现有的机器学习模型进行决策规则，以生成对最终用户身份定制的直观特征排名。我们表明，建立的模型 - 无可止境方法在这一框架中产生了不良的结果。

Parameter space reduction has been proved to be a crucial tool to speed-up the execution of many numerical tasks such as optimization, inverse problems, sensitivity analysis, and surrogate models' design, especially when in presence of high-dimensional parametrized systems. In this work we propose a new method called local active subspaces (LAS), which explores the synergies of active subspaces with supervised clustering techniques in order to carry out a more efficient dimension reduction in the parameter space. The clustering is performed without losing the input-output relations by introducing a distance metric induced by the global active subspace. We present two possible clustering algorithms: K-medoids and a hierarchical top-down approach, which is able to impose a variety of subdivision criteria specifically tailored for parameter space reduction tasks. This method is particularly useful for the community working on surrogate modelling. Frequently, the parameter space presents subdomains where the objective function of interest varies less on average along different directions. So, it could be approximated more accurately if restricted to those subdomains and studied separately. We tested the new method over several numerical experiments of increasing complexity, we show how to deal with vectorial outputs, and how to classify the different regions with respect to the local active subspace dimension. Employing this classification technique as a preprocessing step in the parameter space, or output space in case of vectorial outputs, brings remarkable results for the purpose of surrogate modelling.