当RIS反射系数得到精确调整时，在可重新配置的智能表面（RISS）中的被动横向形成可以可行，有效的通信方式。在本文中，我们提出了一个框架，以从Terahertz（THZ）通信系统中的时间序列预测的角度进行深入学习，以跟踪RIS反射系数。所提出的框架对类似的学习驱动的框架实现了两步的增强。具体而言，在第一步中，我们训练液态机器（LSM）在先前的时间步长（称为时间序列序列）上跟踪历史RIS反射系数，并预测其即将到来的时间步骤。我们还通过Xavier初始化技术微调了训练的LSM，以降低预测方差，从而导致更高的预测准确性。在第二步中，我们使用集合学习技术，该技术利用多个LSM的预测能力来最大程度地减少预测差异并提高第一步的精度。从数值上证明，在第一步中，采用Xavier初始化技术来微调LSM最多的LSM预测差异最多可使LSM降低26％，并且在现有的对应物中提高了46％可实现的光谱效率（SE），当部署11x11的RIS时。在第二步中，在训练单个LSM的相同计算复杂性下，具有多个LSM的集合学习降低了单个LSM的预测差异高达66％，并最多可提高可实现的SE系统。

Language is one of the primary means by which we describe the 3D world around us. While rapid progress has been made in text-to-2D-image synthesis, similar progress in text-to-3D-shape synthesis has been hindered by the lack of paired (text, shape) data. Moreover, extant methods for text-to-shape generation have limited shape diversity and fidelity. We introduce TextCraft, a method to address these limitations by producing high-fidelity and diverse 3D shapes without the need for (text, shape) pairs for training. TextCraft achieves this by using CLIP and using a multi-resolution approach by first generating in a low-dimensional latent space and then upscaling to a higher resolution, improving the fidelity of the generated shape. To improve shape diversity, we use a discrete latent space which is modelled using a bidirectional transformer conditioned on the interchangeable image-text embedding space induced by CLIP. Moreover, we present a novel variant of classifier-free guidance, which further improves the accuracy-diversity trade-off. Finally, we perform extensive experiments that demonstrate that TextCraft outperforms state-of-the-art baselines.

LCRL是一种软件工具，可在未知的马尔可夫决策过程（MDPS）上实现无模型增强学习（RL）算法，合成满足给定线性时间规范具有最大概率的策略。 LCRL利用被称为极限确定性Buchi Automata（LDBA）的部分确定性有限状态机器表达给定的线性时间规范。 RL算法的奖励函数是根据LDBA的结构即时塑造的。理论保证在适当的假设下确保RL算法与最大化满意度概率的最佳策略的收敛性。我们提出了案例研究，以证明LCRL的适用性，易用性，可伸缩性和性能。由于LDBA引导的探索和无LCRL模型架构，我们观察到了稳健的性能，与标准RL方法相比（每当适用于LTL规格）时，它也可以很好地缩放。有关如何执行本文所有案例研究的完整说明，请在lcrl分发www.github.com/grockious/lcrl的GitHub页面上提供。

为了确定合适的汽车保险保费，需要考虑三个因素，与驾驶员和汽车有关的风险，与保单管理相关的运营成本以及所需的利润率。然后，溢价应该是这三个值的一定函数。我们专注于使用数据科学方法评估风险评估。我们不使用传统的频率和严重性指标，而是预测新客户将使用当前和过去政策的历史数据提出的总索赔。鉴于策略的多个功能（驾驶员的年龄和性别，汽车的价值，以前的事故等）可以尝试根据这些功能专门提供基于这些功能的个性化保险单。我们可以计算所有过去和当前政策的平均索赔，并具有相同的功能，然后平均以这些索赔率。不幸的是，可能没有足够的样本来获得合理的平均值。相反，我们可以尝试包含“相似”的策略，以获得足够的样品以稳健的平均值。因此，我们面临个性化（仅使用非常相似的政策）和鲁棒性（扩展域足以捕获足够的样本）之间的权衡。这被称为偏见变化权衡。我们对此问题进行建模，并确定两者之间的最佳权衡（即提供最高预测准确性的余额），并将其应用于索赔利率预测问题。我们使用真实数据演示了我们的方法。

用户建模对于理解用户行为至关重要，对于改善用户体验和个性化建议至关重要。当用户与软件交互时，通过记录和分析系统生成大量命令序列。这些命令序列包含用户目标和意图的线索。但是，这些数据模式是高度非结构化和未标记的，因此标准预测系统很难学习。我们提出了SimCurl，这是一个简单而有效的对比度自我监督的深度学习框架，从未标记的命令序列中学习用户表示。我们的方法介绍了用户会议网络体系结构，以及会话辍学作为一种新颖的数据增强方式。我们在超过十亿命令的现实世界命令序列数据集上训练和评估我们的方法。当将学习的表示形式转移到经验和专业知识分类等下游任务时，我们的方法对现有方法显示了显着改善。