显着的方法已被广泛用于突出模型预测中的重要输入功能。大多数现有方法在修改的渐变函数上使用BackPropagation来生成显着性图。因此，嘈杂的渐变可能会导致不忠的特征属性。在本文中，我们解决了这个问题，并为神经网络引入了一个{\ IT显着指导训练}程序，以减少预测中使用的嘈杂渐变，同时保留了模型的预测性能。我们的显着指导训练程序迭代地掩盖小型和潜在的嘈杂渐变的功能，同时最大化模型输出的相似性，对于屏蔽和揭示的输入。我们将显着的指导培训程序从计算机视觉，自然语言处理和时间序列中的各种合成和实际数据集应用于各种神经结构，包括经常性神经网络，卷积网络和变压器。通过定性和定量评估，我们表明，在保留其预测性能的同时，显着的导向培训程序显着提高了各个领域的模型解释性。

Credit scoring models are the primary instrument used by financial institutions to manage credit risk. The scarcity of research on behavioral scoring is due to the difficult data access. Financial institutions have to maintain the privacy and security of borrowers' information refrain them from collaborating in research initiatives. In this work, we present a methodology that allows us to evaluate the performance of models trained with synthetic data when they are applied to real-world data. Our results show that synthetic data quality is increasingly poor when the number of attributes increases. However, creditworthiness assessment models trained with synthetic data show a reduction of 3\% of AUC and 6\% of KS when compared with models trained with real data. These results have a significant impact since they encourage credit risk investigation from synthetic data, making it possible to maintain borrowers' privacy and to address problems that until now have been hampered by the availability of information.

Spacecraft pose estimation is a key task to enable space missions in which two spacecrafts must navigate around each other. Current state-of-the-art algorithms for pose estimation employ data-driven techniques. However, there is an absence of real training data for spacecraft imaged in space conditions due to the costs and difficulties associated with the space environment. This has motivated the introduction of 3D data simulators, solving the issue of data availability but introducing a large gap between the training (source) and test (target) domains. We explore a method that incorporates 3D structure into the spacecraft pose estimation pipeline to provide robustness to intensity domain shift and we present an algorithm for unsupervised domain adaptation with robust pseudo-labelling. Our solution has ranked second in the two categories of the 2021 Pose Estimation Challenge organised by the European Space Agency and the Stanford University, achieving the lowest average error over the two categories.

基于梯度提升决策树（GBDT）的机器学习（ML）算法在从医疗保健到金融的各种任务关键应用程序中的许多表格数据任务上仍然受到青睐。但是，GBDT算法并不能免于偏见和歧视性决策的风险。尽管GBDT的受欢迎程度和公平ML研究的迅速发展，但现有的经过处理的公平ML方法要么不适用GBDT，因此在大量的火车时间内开销，或者由于高级失衡的问题而不足。我们提出FairgBM，这是一个在公平限制下培训GBDT的学习框架，与无约束的LightGBM相比，对预测性能几乎没有影响。由于常见的公平指标是不可差异的，因此我们使用平滑的凸错误率代理采用``代理 - 拉格朗日''公式来实现基于梯度的优化。此外，与相关工作相比，我们的开源实施在训练时间中显示了一个数量级的加速顺序，这是一个关键方面，旨在促进现实世界实践者对FairgBM的广泛采用。

在图像分类的背景下，检测出分布（OOD）样本最近已成为感兴趣和积极研究的领域，以及与不确定性估计的主题，与之密切相关。在本文中，我们探讨了OOD细分的任务，该任务已被研究少于其分类对应物，并提出了其他挑战。细分是一个密集的预测任务，每个像素的模型结果都取决于其周围环境。接收领域和对上下文的依赖在区分不同类别以及相应地发现OOD实体的角色上发挥了作用。我们介绍了Moose，这是一种有效的策略，旨在利用语义分割模型中表示的各种上下文级别，并表明，即使是多尺度表示的简单聚合，也对OOD检测和不确定性估计也始终产生积极影响。

在混合神经网络中，昂贵的卷积层被不可训练的固定变换所取代，参数大幅减少。在以前的作品中，通过用小波代替卷积来获得良好的结果。然而，基于小波的混合网络继承了小波沿曲线及其轴偏置的消失力矩。我们建议使用剪力岩对重要图像功能（例如边缘，脊和斑点）的强大支持。最终的网络称为复杂的剪切网络（COSHNET）。它在针对Resnet-50和Resnet-18的时装摄影师上进行了测试，分别获得了92.2％和90.7％和91.8％的测试。所提出的网络具有49.9k参数，而RESNET-18的参数为11.18m，使用较少的拖鞋52倍。最后，我们在Resnet要求的200个时期与200个时期进行了培训，不需要任何高参数调整或正则化。代码：https：//github.com/ujjawal-k-panchal/coshnet

在本文中，我们提出了一种用于电池供电的自动空中机器人的在线规划制定方法。该方法包括同时计划覆盖路径和安排在板载计算任务。我们进一步得出了一种新颖的变量覆盖运动，可鲁棒性地限制和凭经验动机的能量模型。该模型包括基于自动计算能量建模工具的时间表的能源贡献。我们的实验表明，如何根据可用电池在线调整初始飞行计划，从而解决了不确定性。在电池意外情况下，由于不利的大气条件，我们的方法可能会在飞行中失败，并增加了整体可容忍度。

近年来，机器学习算法在多种高风险决策应用程序中变得无处不在。机器学习算法从数据中学习模式的无与伦比的能力也使它们能够融合嵌入的偏差。然后，一个有偏见的模型可以做出不成比例地损害社会中某些群体的决策 - 例如，他们获得金融服务的机会。对这个问题的认识引起了公平ML领域，该领域的重点是研究，衡量和缓解算法预测的不公平性，相对于一组受保护的群体（例如种族或性别）。但是，算法不公平的根本原因仍然难以捉摸，研究人员在指责ML算法或训练的数据之间进行了划分。在这项工作中，我们坚持认为，算法不公平源于数据中模型与偏见之间的相互作用，而不是源于其中任何一个的孤立贡献。为此，我们提出了一种分类法来表征数据偏差，并研究了一系列关于公平盲目的ML算法在不同数据偏见设置下表现出的公平性准确性权衡的假设。在我们的现实帐户开放欺诈用例中，我们发现每个设置都需要特定的权衡，从而影响了预期价值和差异的公平性 - 后者通常没有注意到。此外，我们展示了算法在准确性和公平性方面如何根据影响数据的偏差进行比较。最后，我们注意到，在特定的数据偏见条件下，简单的预处理干预措施可以成功平衡小组错误率，而在更复杂的设置中相同的技术失败。

对状态$ \ lvert \ psi \ rangle $的对称性是单一操作员，其中$ \ lvert \ psi \ rangle $是特征者。当$ \ lvert \ psi \ rangle $是黑盒甲骨文提供的未知状态时，该州的对称性可用于表征它，并且通常会降级有关$ \ lvert \ psi \ rangle $的许多所需信息。在本文中，我们开发了一种变性杂种量子式学习方案，以系统地探测$ \ lvert \ psi \ rangle $的对称性，而没有对状态的先验假设。此过程可用于同时学习各种对称性。为了避免重新学习已经知道的对称性，我们引入了一种具有经典深神经网的交互式协议。因此，经典的网络针对重复的发现进行了正规化，并允许我们的算法通过发现的所有可能对称性终止经验。我们的方案可以平均通过非本地交换门有效地实施；我们还提供了仅使用本地操作的效率较低的算法，这可能更适合当前的噪声量子设备。我们展示了我们对代表国家的算法。

识别，跟踪和预测伤口愈合阶段的进展是正确诊断，有效治疗，促进愈合和减轻疼痛的基本任务。传统上，医学专家可能会观察到伤口，以确定当前的愈合状态并建议治疗。但是，可以通过视觉指标从视觉指标中产生此类诊断的专家可能会耗时且昂贵。此外，病变可能需要数周的时间才能进行康复过程，要求资源不断监测和诊断。自动执行此任务可能具有挑战性；遵循伤口从发作到成熟的伤口进展的数据集很小，很少，并且通常没有计算机视觉。为了应对这些挑战，我们引入了一种自我监督的学习计划，该计划由（a）学习伤口的时间动态的学习嵌入，（b）自动阶段发现的聚类以及（c）微调分类。拟议的自我监督和灵活的学习框架是在生物学上启发和培训的，并在人类标签为零的小数据集上进行了培训。 HealNet框架达到了高文本和下游分类精度。当对持有的测试数据进行评估时，HealNet获得了94.2％的文本准确性和93.8％的愈合阶段分类精度。