The detection of state-sponsored trolls acting in information operations is an unsolved and critical challenge for the research community, with repercussions that go beyond the online realm. In this paper, we propose a novel AI-based solution for the detection of state-sponsored troll accounts, which consists of two steps. The first step aims at classifying trajectories of accounts' online activities as belonging to either a state-sponsored troll or to an organic user account. In the second step, we exploit the classified trajectories to compute a metric, namely "troll score", which allows us to quantify the extent to which an account behaves like a state-sponsored troll. As a study case, we consider the troll accounts involved in the Russian interference campaign during the 2016 US Presidential election, identified as Russian trolls by the US Congress. Experimental results show that our approach identifies accounts' trajectories with an AUC close to 99\% and, accordingly, classify Russian trolls and organic users with an AUC of 97\%. Finally, we evaluate whether the proposed solution can be generalized to different contexts (e.g., discussions about Covid-19) and generic misbehaving users, showing promising results that will be further expanded in our future endeavors.

在计算机视觉应用中广泛采用深度神经网络引起了对对抗性鲁棒性的重大兴趣。现有的研究表明，专门针对给定模型量身定制的恶意扰动输入（即，对抗性示例）可以成功地转移到另一个受过独立训练的模型中，以引起预测错误。此外，这种对抗性示例的属性归因于数据分布中的预测模式得出的特征。因此，我们有动力调查以下问题：对抗性防御，例如对抗性例子，可以成功地转移到其他受过独立训练的模型中？为此，我们提出了一种基于深度学习的预处理机制，我们将其称为可鲁棒的可转移功能提取器（RTFE）。在研究了理论动机和含义后，我们在实验上表明，我们的方法可以为多个独立训练的分类器提供对抗性的鲁棒性，这些分类器原本是对自适应白盒对手的无效性。此外，我们表明RTFE甚至可以为在不同数据集中独立训练的模型提供单发对手的鲁棒性。

自动显微镜和定量图像分析的进展已促进了高含量筛查（HCS）作为有效的药物发现和研究工具。尽管HCS提供了高吞吐量图像的复杂细胞表型，但该过程可能会受到图像畸变的阻碍，例如异常图像模糊，荧光团饱和度，碎屑，高噪声，高水平的噪声，意外的自动荧光或空的图像。尽管此问题在文献中受到了温和的关注，但忽略这些人工制品会严重阻碍下游图像处理任务，并阻碍对细微表型的发现。因此，在HCS中使用质量控制是主要问题，也是先决条件。在这项工作中，我们评估了不需要大量图像注释的深度学习选项，即可为此问题提供直接且易于使用的半监督学习解决方案。具体而言，我们比较了最近的自我监督和转移学习方法的功效，以提供高吞吐量伪像图像检测器的基础编码器。这项研究的结果表明，对于此任务，应首选转移学习方法，因为它们不仅在这里表现出色，而且具有不需要敏感的超参数设置或大量额外培训的优势。

基于采样的模型预测控制（MPC）优化方法，例如模型预测路径积分（MPPI），最近在各种机器人任务中显示出有希望的结果。但是，当所有采样轨迹的分布集中在高成本甚至不可行的区域中时，它可能会产生不可行的轨迹。在这项研究中，我们提出了一种称为Log-Mppi的新方法，配备了更有效的轨迹采样分布策略，从而显着改善了满足系统约束的轨迹可行性。关键点是从正常的对数正态（NLN）混合物分布中绘制轨迹样品，而不是从高斯分布中。此外，这项工作提出了一种通过将2D占用网格映射纳入基于采样的MPC算法的优化问题，从而在未知的混乱环境中无碰撞导航的方法。我们首先通过在不同类型的混乱环境以及Cartpole摇摆任务中对2D自主导航进行广泛的模拟，从而验证我们提出的控制策略的效率和鲁棒性。我们通过现实世界实验进一步证明了log-mppi在未知的杂物环境中执行基于2D网格的无碰撞导航的适用性，表明其优越性可用于局部成本量，而无需增加优化的额外复杂性问题。一个展示现实世界和仿真结果的视频可在https://youtu.be/_ugwqefjsn0上获得。

人工智能（AI）为简化Covid-19诊断提供了有前景的替代。然而，涉及周围的安全和可信度的担忧阻碍了大规模代表性的医学数据，对临床实践中训练广泛的模型造成了相当大的挑战。为了解决这个问题，我们启动了统一的CT-Covid AI诊断计划（UCADI），其中AI模型可以在没有数据共享的联合学习框架（FL）下在每个主机机构下分发和独立地在没有数据共享的情况下在每个主机机构上执行。在这里，我们认为我们的FL模型通过大的产量（中国测试敏感性/特异性：0.973 / 0.951，英国：0.730 / 0.942），与专业放射科医师的面板实现可比性表现。我们进一步评估了持有的模型（从另外两家医院收集，留出FL）和异构（用造影材料获取）数据，提供了模型所做的决策的视觉解释，并分析了模型之间的权衡联邦培训过程中的性能和沟通成本。我们的研究基于来自位于中国和英国的23家医院的3,336名患者的9,573次胸部计算断层扫描扫描（CTS）。统称，我们的工作提出了利用联邦学习的潜在保留了数字健康的前景。

的可再生能源技术的迅速增长使微电网（MG）的概念被广泛接受的电力系统。由于直流配电系统的优势，如易集成储能和更少的系统损耗，DC MG如今吸引了显著的关注。如PI或PID线性控制器成熟，并通过功率电子工业中广泛使用，但作为系统参数改变它们的性能不是最佳的。在这项研究中，人工神经网络（ANN）的电压控制策略，提出了DC-DC升压转换器。在本文中，所述模型预测控制（MPC）是用来作为一个专家，其提供数据来训练ANN提出。作为ANN是微调，那么它被直接用于控制升压DC转换器。人工神经网络的主要优点在于，神经网络系统识别降低了系统模型的不准确性，即使不准确参数，并且具有相比MPC更少的计算负担，由于其平行结构。为了验证所提出的ANN的性能，广泛MATLAB / Simulink的仿真进行。仿真结果表明，基于人工神经网络控制策略已根据不同的负载条件比较PI控制器更好的性能。经训练的神经网络模型的准确度是约97％，这使得它适合用于DC微电网的应用程序。

模型预测控制（MPC）由于其简单的概念，快速动态响应和良好的参考跟踪，已在功率电子设备中广泛使用。但是，它遭受了参数不确定性的困扰，因为它直接依赖于系统的数学模型来预测在下一个采样时间将使用的最佳切换状态。结果，不确定的参数导致了未设计的MPC。因此，本文根据人工神经网络（ANN）提供了无模型的控制策略，以减轻参数不匹配的影响，同时对逆变器的性能产生一些负面影响。该方法包括两个相关阶段。首先，MPC用作专家来控制研究的转换器以提供数据集，而在第二阶段，将获得的数据集用于训练拟议的ANN。此处的案例研究基于一个四级三电池飞行电容器逆变器。在这项研究中，使用各种操作条件，使用MATLAB/SIMULINK来模拟所提出方法的性能。之后，与常规MPC方案相比，报告了仿真结果，这证明了拟议控制策略的出色性能在鲁棒性上针对参数不匹配和低谐波失真（THD），尤其是在系统参数中发生变化时，比较了传统的MPC。此外，根据使用C2000TM-Microcontroller-launchpadxl TMS320F28379D套件提供了基于硬件（HIL）仿真的实验验证，以证明基于ANN的控制策略的适用性，以在A上实施，以在A上实现。 DSP控制器。

在本文中，我们开辟了基于路径积分（PI）最优控制理论的可视伺服系统的新途径，其中可以将非线性部分微分方程（PDE）转换为使用Feynman的所有可能的轨迹的期望-KAC（FK）引理。更精确地，我们提出了基于采样的模型预测控制（即，模型预测路径积分（MPPI）控制）算法，提出了MPPI-VS控制策略，实时和无反转控制策略（即，模型预测路径积分（MPPI）控制）算法 - 基于，3D点和基于位置的可视伺服技术，考虑到系统约束（例如可见性，3D和控制约束）以及与机器人和相机模型相关联的参数不确定性以及测量噪声。与经典的视觉伺服控制方案相反，我们的控制策略直接利用交互矩阵的近似，而无需估计交互矩阵反转或执行伪反转。我们在带有引导摄像机的6-DOF笛卡尔机器人上验证MPPI-VS控制策略以及基于图像平面中的四个点作为视觉特征的常规摄像机。与经典计划相比，更好地评估和展示所提出的控制策略的鲁棒性和潜在优势，进行了各种操作条件下的密集模拟，然后讨论。所获得的结果证明了所提出的方案在容易与系统限制中应对的有效性和能力，以及在相机参数和测量中存在大误差的鲁棒性。