多年来，3D形状抽象引起了极大的兴趣。除了诸如网格和体素之类的低级表示外，研究人员还试图用基本的几何原始素来抽象的语义上抽象的复杂对象。最近的深度学习方法在很大程度上依赖于数据集，而一般性的一般性有限。此外，准确地将对象抽象为少数原始物仍然是一个挑战。在本文中，我们提出了一种新型的非参数贝叶斯统计方法来推断从点云中推断出由未知数的几何原始物组成的抽象。我们将点的生成模拟为从高斯超质锥模型（GSTM）的无限混合物采样的观测值。我们的方法将抽象作为聚类问题提出，其中：1）通过中国餐厅过程（CRP）将每个点分配给集群； 2）针对每个集群优化了原始表示形式，3）合并后制品合并以提供简洁的表示。我们在两个数据集上进行了广泛的实验。结果表明，我们的方法在准确性方面优于最先进的方法，并且可以推广到各种类型的对象。

本文提出了一种新的方法，用于较小的类人机器人自我校准其脚力传感器。该方法由两个步骤组成：1。命令机器人以不同的双支持配置沿计划的全身轨迹移动。2.通过优化在机器人运动过程中，通过最大程度地减少测量和建模压力中心（COP）和地面反作用力（GRF）之间的误差来确定传感器参数。这是针对较小的人形机器人中的脚力传感器设备的第一个提议的自主校准方法。此外，我们引入了一种高准确的手动校准方法来建立COP地面真理，该方法用于使用自校准来验证测得的COP。结果表明，自校准可以准确估计COP和GRF，而无需任何手动干预。使用NAO类人动物平台和先前呈现的力感应鞋来证明我们的方法。

在计算机愿景中已经研究了具有基本几何基元的对象。在几何原语中，超级助理性是众所周知的，其简单的隐式表达式和能力表示具有少数参数的各种形状。然而，作为第一个和最重要的步骤，从3D数据准确且强大地恢复超级助理仍然仍然具有挑战性。现有方法受到本地最佳的影响，并且对现实世界方案中的噪声和异常值敏感，导致捕获几何形状频繁失败。在本文中，我们提出了从点云中恢复超级化的第一种概率方法。我们的方法在超级式的参数表面上构建了高斯均匀的混合物模型（GUM），其明确地模拟了异常值和噪声的产生。超级恢复被制定为最大似然估计（MLE）问题。我们提出了一种算法，期望，最大化和切换（EMS）来解决这个问题，其中：（1）从后视角预测异常值; （2）SuperQuadric参数由信任区域反射算法进行优化; （3）通过在编码类似SuperQuadrics的参数之间进行全局搜索和切换，避免了本地Optima。我们表明我们的方法可以扩展到复杂对象的多叠加恢复。所提出的方法在合成和现实世界数据集的准确性，效率和鲁棒性方面优于最先进的。代码将被释放。

长期以来，PATH规划一直是机器人技术的主要研究领域之一，PRM和RRT是最有效的计划者之一。尽管通常非常有效，但这些基于抽样的计划者在“狭窄通道”的重要情况下可能会变得昂贵。本文开发了专门为狭窄通道问题制定的路径规划范例。核心是基于计划由椭圆形工会封装的刚体机器人的计划。每个环境特征都使用具有$ \ Mathcal {C}^1 $边界的严格凸面来表示几何（例如，超级方面）。这样做的主要好处是，配置空间障碍物可以以封闭形式明确地进行参数化，从而可以使用先验知识来避免采样不可行的配置。然后，通过表征针对多个椭圆形的紧密体积，可以保证涉及旋转的机器人过渡无碰撞，而无需执行传统的碰撞检测。此外，通过与随机抽样策略结合使用，可以将提出的计划框架扩展到解决较高的维度问题，在该问题中，机器人具有移动的基础和铰接的附属物。基准结果表明，所提出的框架通常优于基于采样的计划者的计算时间和成功率，在找到单身机器人和具有较高维度配置空间的狭窄走廊的路径方面。使用建议的框架进行了物理实验，在人形机器人中进一步证明，该机器人在几个混乱的环境中行走，通道狭窄。

Applying deep learning concepts from image detection and graph theory has greatly advanced protein-ligand binding affinity prediction, a challenge with enormous ramifications for both drug discovery and protein engineering. We build upon these advances by designing a novel deep learning architecture consisting of a 3-dimensional convolutional neural network utilizing channel-wise attention and two graph convolutional networks utilizing attention-based aggregation of node features. HAC-Net (Hybrid Attention-Based Convolutional Neural Network) obtains state-of-the-art results on the PDBbind v.2016 core set, the most widely recognized benchmark in the field. We extensively assess the generalizability of our model using multiple train-test splits, each of which maximizes differences between either protein structures, protein sequences, or ligand extended-connectivity fingerprints. Furthermore, we perform 10-fold cross-validation with a similarity cutoff between SMILES strings of ligands in the training and test sets, and also evaluate the performance of HAC-Net on lower-quality data. We envision that this model can be extended to a broad range of supervised learning problems related to structure-based biomolecular property prediction. All of our software is available as open source at https://github.com/gregory-kyro/HAC-Net/.

定向的无环图（DAG）模型已在统计和机器学习中广泛研究和应用 - 实际上，它们的简单性促进了有效的学习和推理程序。不幸的是，这些模型在边缘化下并未关闭，使其能够处理具有潜在混杂的系统。无环向混合图（ADMG）模型表征了DAG模型的边缘，使它们更适合处理此类系统。但是，ADMG模型由于其复杂性和用于分析的统计工具的短缺而没有看到广泛使用。在本文中，我们介绍了M连接IMSET，该IMSET为ADMG引起的独立模型提供了替代表示。此外，我们定义了以单个方程为特征的ADMG模型的M连接分数标准，并证明了其与全球Markov属性的等效性。 M-连接IMSET和分解标准提供了两个新的统计工具，用于使用ADMG模型进行学习和推断。我们通过使用封闭形式解决方案制定和评估一致的评分标准来证明这些工具的有用性。

尽管在构建强大的神经网络方面具有明显的计算优势，但使用单步方法的对抗训练（AT）是不稳定的，因为它遭受了灾难性的过度拟合（CO）：网络在对抗性训练的第一阶段获得了非平凡的鲁棒性，但突然达到了一个阶段在几次迭代中，他们很快失去了所有鲁棒性。尽管有些作品成功地预防了CO，但导致这种显着失败模式的不同机制仍然很少理解。但是，在这项工作中，我们发现数据结构与AT动力学之间的相互作用在CO中起着基本作用。特别是，通过对自然图像的典型数据集进行主动干预，我们建立了一个因果关系。在方法上单步中的数据和CO的发作。这种新的观点提供了对导致CO的机制的重要见解，并为更好地理解强大模型构建的一般动态铺平了道路。可以在https://github.com/gortizji/co_features上找到复制本文实验的代码。

重新安排任务已被确定为智能机器人操纵的关键挑战，但是很少有方法可以精确构造看不见的结构。我们为挑选重排操作提供了视觉远见模型，该模型能够有效地学习。此外，我们开发了一个多模式的动作提案模块，该模块建立在目标条件转运者网络上，这是一种最新的模仿学习方法。我们基于图像的任务计划方法，具有视觉前瞻性的转运蛋白，只能从少数数据中学习，并以零拍的方式推广到多个看不见的任务。 TVF能够提高对模拟和真实机器人实验中看不见的任务的最先进模仿学习方法的性能。特别是，在模拟实验中，看不见的任务的平均成功率从55.4％提高到78.5％，而在实际机器人实验中，只有数十次专家示范。视频和代码可在我们的项目网站上找到：https：//chirikjianlab.github.io/tvf/

与痴呆症相关的认知障碍（CI）在全球范围内影响超过5500万人，并且每3秒钟以一个新病例的速度迅速增长。随着临床试验反复出现的失败，早期诊断至关重要，但是在低水平和中等收入国家中，全球75％的痴呆症病例未被诊断为90％。众所周知，当前的诊断方法是复杂的，涉及对医学笔记，大量认知测试，昂贵的脑部扫描或脊柱液体测试的手动审查。与CI相关的信息经常在电子健康记录（EHR）中找到，并且可以为早期诊断提供重要线索，但是专家的手动审查是繁琐的，并且容易发生。该项目开发了一种新型的最新自动筛选管道，用于可扩展和高速发现EHR中的CI。为了了解EHR中复杂语言结构的语言环境，构建了一个8,656个序列的数据库，以训练基于注意力的深度学习自然语言处理模型以对序列进行分类。使用序列级别分类器开发了基于逻辑回归的患者级别预测模型。深度学习系统的精度达到了93％，AUC = 0.98，以识别其EHR中没有较早诊断，与痴呆有关的诊断代码或与痴呆有关的药物的患者。否则，这些患者将未被发现或检测到太晚。 EHR筛选管道已部署在Neurahealthnlp中，这是一种用于自动化和实时CI筛选的Web应用程序，只需将EHR上传到浏览器中即可。 Neurahealthnlp更便宜，更快，更容易获得，并且胜过当前的临床方法，包括基于文本的分析和机器学习方法。它使得早期诊断可在稀缺的医疗服务中可行，但可访问的互联网或蜂窝服务。

痴呆症是一种神经退行性疾病，导致认知下降，并影响全世界超过5000万人。痴呆症是由医疗保健专业人士诊断的 - 只有患有痴呆症的四个人中只有一名诊断出来。即使制造诊断，也可能无法作为患者图表中的疾病（ICD）诊断码的结构化国际分类。与认知障碍（CI）有关的信息通常在电子健康记录（EHR）中发现，但专家临床医生票据的手工审查既耗时，往往容易出错。本票据的自动化挖掘为在EHR数据中标记有认知障碍患者的机会。我们开发了自然语言处理（NLP）工具，以识别具有认知障碍的患者，并证明语言背景提高了认知障碍分类任务的性能。我们微调我们的注意力深入学习模型，可以从复杂的语言结构中学习，并且相对于基线NLP模型的精度（0.93）大大提高（0.84）。此外，我们表明深度学习NLP可以成功识别没有痴呆相关的ICD代码或药物的痴呆症患者。