鉴于当前全球的社交距离限制，大多数人现在使用社交媒体作为其主要交流媒介。因此，数百万患有精神疾病的人被孤立了，他们无法亲自获得帮助。他们越来越依赖在线场地，以表达自己并寻求有关处理精神障碍的建议。根据世界卫生组织（WHO）的说法，大约有4.5亿人受到影响。精神疾病（例如抑郁，焦虑等）非常普遍，并影响了个体的身体健康。最近提出了人工智能（AI）方法，以帮助基于患者的真实信息（例如，医疗记录，行为数据，社交媒体利用等），包括精神病医生和心理学家在内的心理健康提供者。 AI创新表明，在从计算机视觉到医疗保健的众多现实应用应用程序中，主要执行。这项研究分析了REDDIT平台上的非结构化用户数据，并分类了五种常见的精神疾病：抑郁，焦虑，双相情感障碍，ADHD和PTSD。我们培训了传统的机器学习，深度学习和转移学习多级模型，以检测个人的精神障碍。这项工作将通过自动化检测过程并告知适当当局需要紧急援助的人来使公共卫生系统受益。

本文介绍了一个名为Bangrawriting的孟加拉手写数据集，其中包含260个不同个性和年龄的个人的单页手写。每个页面都包含边界框的边界框以及写作的Unicode表示。该数据集总共包含21,234个单词和32,787个字符。此外，该数据集包括5,470个孟加拉词汇的独特单词。除了通常的单词外，数据集还包括261个可理解的覆盖物和450个手写罢工和错误。所有的边界盒和单词标签都是手动生成的。该数据集可用于复杂的光学字符/单词识别，作者识别，手写单词分割和单词生成。此外，该数据集适用于提取基于年龄的和基于性别的笔迹变化。

在这项工作中，我们展示了普遍的多方中毒攻击，适应并适用于各方之间的任意交互模式的多方学习过程。更一般地说，我们介绍和研究$（k，p）$ - 中毒攻击，其中对手控制在[m] $中，以及每个损坏的派对$ p_i $，对手提交一些中毒数据$ \ mathcal {t}'_ i $代表$ p_i $，它仍然是``$（1-p）$ - 关闭''到正确的数据$ \ mathcal {t} _i $（例如，$ 1-p $ fillaction $ \ mathcal {t}'_ i $仍然诚实地生成）。我们证明，对于任何``bad'属性$ b $ b $ h $ h $（例如，特定测试示例上的$ h $失败或拥有具有任意小的持续概率的``lable''风险）没有攻击的情况，总是有一个$（k，p）$ - 中毒攻击，增加了$ \ mu $的$ \ mu $ to \ mu ^ {1-p \ cdot k / m}} = \ mu +ω（p \ cdot k / m）$。我们的攻击只使用干净的标签，它在线。更一般地说，我们证明，对于任何界限函数$ f（x_1，\ dots，x_n）\在$ n $ -step随机过程$ \ mathbf {x} =（x_1，\ dots ，x_n）$，可以覆盖每一个$ n $块的对手，甚至依赖概率$ p $可以通过至少$ \ω（p \ cdot \ mathrm {var} [f（\ mathbf { x}）]）$。