许多注册方法都存在着早期工作，重点是基于优化的图像对方法。最近的工作着重于深度注册网络，以预测空间转换。在这两种情况下，通常使用的非参数登记模型，该模型估计转换功能而不是低维转换参数，都需要选择合适的正常器（鼓励平滑转换）及其参数。这使得模型难以调整，并将变形限制为所选正规器允许的变形空间。尽管存在不正常转换的光流的深度学习模型，而是完全依赖于数据，这些模型可能不会产生对医学图像注册期望的差异转换。因此，在这项工作中，我们在无监督的图标深度学习登记方法上开发了Gradicon，该方法仅使用逆矛盾进行正则化。但是，与图标相反，我们证明并从经验上验证，使用梯度反矛盾损失不仅显着改善了收敛性，而且还会导致所得转换图的类似隐式正则化。磁共振（MR）膝关节图像和计算机断层扫描（CT）肺图像的合成实验和实验表明Gradicon的表现出色。我们在保留简单的注册公式的同时，实现了最新的（SOTA）精度，这实际上很重要。

最近，经验可能性已在贝叶斯框架下广泛应用。马尔可夫链蒙特卡洛（MCMC）方法经常用于从感兴趣参数的后验分布中采样。然而，可能性支持的复杂性，尤其是非凸性的性质，在选择适当的MCMC算法时建立了巨大的障碍。这种困难限制了在许多应用中基于贝叶斯的经验可能性（贝叶赛）方法的使用。在本文中，我们提出了一个两步的大都会黑斯廷斯算法，以从贝耶斯后期进行采样。我们的建议是在层次上指定的，其中确定经验可能性的估计方程用于根据其余参数的建议值提出一组参数的值。此外，我们使用经验可能性讨论贝叶斯模型的选择，并将我们的两步大都会黑斯廷斯算法扩展到可逆的跳跃马尔可夫链蒙特卡洛手术程序，以便从最终的后验中采样。最后，提出了我们提出的方法的几种应用。

我们描述了一种基于学习模糊加权规则的连续变量的可解释预测的新方法。我们的模型训练一组加权规则，以最大化预测准确性并最大程度地减少基于本体的“语义损失”功能，包括对规则的用户指定的约束，以最大程度地从用户角度来看，以最大程度地解释所得规则的解释性。该系统将定量的亚符号学习与符号学习和基于领域知识的约束融合。我们在一个案例研究中说明了我们的系统，以预测戒烟行为干预的结果，并表明它表现优于其他可解释的方法，实现与深度学习模型接近的绩效，同时提供透明的解释性，这是决策的必要要求 - 卫生领域的制造者。

超越地球轨道的人类空间勘探将涉及大量距离和持续时间的任务。为了有效减轻无数空间健康危害，数据和空间健康系统的范式转移是实现地球独立性的，而不是Earth-Reliance所必需的。有希望在生物学和健康的人工智能和机器学习领域的发展可以解决这些需求。我们提出了一个适当的自主和智能精密空间健康系统，可以监控，汇总和评估生物医学状态;分析和预测个性化不良健康结果;适应并响应新累积的数据;并提供对其船员医务人员的个人深度空间机组人员和迭代决策支持的预防性，可操作和及时的见解。在这里，我们介绍了美国国家航空航天局组织的研讨会的建议摘要，以便在太空生物学和健康中未来的人工智能应用。在未来十年，生物监测技术，生物标志科学，航天器硬件，智能软件和简化的数据管理必须成熟，并编织成精确的空间健康系统，以使人类在深空中茁壮成长。

空间生物学研究旨在了解太空飞行对生物的根本影响，制定支持深度空间探索的基础知识，最终生物工程航天器和栖息地稳定植物，农作物，微生物，动物和人类的生态系统，为持续的多行星寿命稳定。要提高这些目标，该领域利用了来自星空和地下模拟研究的实验，平台，数据和模型生物。由于研究扩展到低地球轨道之外，实验和平台必须是最大自主，光，敏捷和智能化，以加快知识发现。在这里，我们介绍了由美国国家航空航天局的人工智能，机器学习和建模应用程序组织的研讨会的建议摘要，这些应用程序为这些空间生物学挑战提供了关键解决方案。在未来十年中，将人工智能融入太空生物学领域将深化天空效应的生物学理解，促进预测性建模和分析，支持最大自主和可重复的实验，并有效地管理星载数据和元数据，所有目标使生活能够在深空中茁壮成长。

机器学习中的测试实践（ML）社区以评估学习模型的预测性能为中心，通常从与训练数据集相同的分发绘制。虽然ML社区中最近的鲁棒性和公平测试的工作指出了对分布转变进行测试的重要性，但这些努力还侧重于估计模型对参考数据集/分布错误的可能性。我们认为，这种测试的观点激发了研究人员和开发人员来研究其他鲁棒性失败的来源，例如角落案例可能具有严重的不良影响。我们在软件工程测试中绘制了几十年的工作，专注于评估软件系统，以防止各种压力条件，包括角落案例，而不是仅关注平均案例行为。最后，我们提出了一系列建议，以扩大机器学习测试对严格的实践。

自主驾驶中安全路径规划是由于静态场景元素和不确定的周围代理的相互作用，这是一个复杂的任务。虽然所有静态场景元素都是信息来源，但对自助车辆可用的信息有不对称的重要性。我们展示了一个具有新颖功能的数据集，签署了Parience，定义为指示符号是否明显地对自助式车辆的目标有关交通规则的目标。在裁剪标志上使用卷积网络，通过道路类型，图像坐标和计划机动的实验增强，我们预测了76％的准确性，使用76％的符号蓬勃发展，并使用与标志图像的车辆机动信息找到最佳改进。

This paper describes a new type of auto-associative image classifier that uses a shallow architecture with a very quick learning phase. The image is parsed into smaller areas and each area is saved directly for a region, along with the related output category. When a new image is presented, a direct match with each region is made and the best matching areas returned. Each area stores a list of the categories it belongs to, where there is a one-to-many relation between the input region and the output categories. The image classification process sums the category lists to return a preferred category for the whole image. These areas can overlap with each other and when moving from a region to its neighbours, there is likely to be only small changes in the area image part. It would therefore be possible to guess what the best image area is for one region by cumulating the results of its neighbours. This associative feature is being called 'Region Creep' and the cumulated region can be compared with train cases instead, when a suitable match is not found. Rules can be included and state that: if one set of pixels are present, another set should either be removed or should also be present, where this is across the whole image. The memory problems with a traditional auto-associative network may be less with this version and tests on a set of hand-written numbers have produced state-of-the-art results.