在对光学相干断层扫描（OCT）数据进行深度学习的应用时，通常是使用源自体积数据的2D图像训练分类网络。鉴于OCT系统的千分尺分辨率，在可见的结构和噪声中，连续图像通常非常相似。因此，不适当的数据拆分可能会导致训练和测试集之间的重叠，其中很大一部分文献忽略了这一方面。在这项研究中，使用三个OCT开放式访问数据集，Kermany's和Srinivasan的Ophthalmology数据集以及AIIMS乳房组织数据集证明了三个分类任务的数据集对模型评估的影响。结果表明，分类性能在MATTHEWS相关系数（准确性：5％至30％）方面膨胀了0.07，对于在数据集中测试的模型不当，突出了数据集处理对模型评估的相当大影响。这项研究旨在提高人们对数据集分裂的重要性的认识，因为在对OCT数据上实施深度学习方面的研究兴趣增加。

In this paper we take the first steps in studying a new approach to synthesis of efficient communication schemes in multi-agent systems, trained via reinforcement learning. We combine symbolic methods with machine learning, in what is referred to as a neuro-symbolic system. The agents are not restricted to only use initial primitives: reinforcement learning is interleaved with steps to extend the current language with novel higher-level concepts, allowing generalisation and more informative communication via shorter messages. We demonstrate that this approach allow agents to converge more quickly on a small collaborative construction task.

We propose a new approach to learning the subgrid-scale model effects when simulating partial differential equations (PDEs) solved by the method of lines and their representation in chaotic ordinary differential equations, based on neural ordinary differential equations (NODEs). Solving systems with fine temporal and spatial grid scales is an ongoing computational challenge, and closure models are generally difficult to tune. Machine learning approaches have increased the accuracy and efficiency of computational fluid dynamics solvers. In this approach neural networks are used to learn the coarse- to fine-grid map, which can be viewed as subgrid scale parameterization. We propose a strategy that uses the NODE and partial knowledge to learn the source dynamics at a continuous level. Our method inherits the advantages of NODEs and can be used to parameterize subgrid scales, approximate coupling operators, and improve the efficiency of low-order solvers. Numerical results using the two-scale Lorenz 96 ODE and the convection-diffusion PDE are used to illustrate this approach.

The general translator formalism and computing specific implementations are proposed. The implementation of specific elements necessary to process the source and destination information within the translators are presented. Some common directives or instructions, such as classes and procedures, were unified and generalized in order to allow general translations implementations. In order to cover general cases, two levels of processing are required, related to the source and destination information appropriate transformations, with the related control and processing instructions. The proposed general translator elements are useful for processing natural or artificial information described through any types of languages or systems.

安全的数字无线通信水下已成为一个关键问题，因为海上运营转向采用机器人资产的异质组合，并且随着数字系统的安全性在所有领域都受到挑战。同时，水下信号编码和物理层选项的增殖提供了更大的带宽和灵活性，但主要没有互操作性所需的标准。我们在这里解决了对安全的基本要求，即对资产身份的确认也称为身份验证。我们建议，实施，验证和验证基于第一个数字水下通信标准的身份验证协议。我们的计划主要适用于在海上石油和天然气设施周围运行的AUV，也适用于将来可能还具有声学调制解调器的其他水下设备。它使包括命令和控制在内的沟通更加安全，并为开发更复杂的安全机制提供了基础。

在本文中，我们研究了针对泊松方程的解决方案的概率和神经网络近似，但在$ \ mathbb {r}^d $的一般边界域中，较旧或$ c^2 $数据。我们的目标是两个基本目标。首先，也是最重要的是，我们证明了泊松方程的解决方案可以通过蒙特卡洛方法在sup-norm中进行数值近似，但基于球形算法的步行略有变化。这提供了相对于相对于相对于相对于有效的估计值规定的近似误差且没有维度的诅咒。此外，样品的总数不取决于执行近似的点。作为第二个目标，我们表明获得的蒙特卡洛求解器renders relu relu深层神经网络（DNN）解决泊松问题的解决方案，其大小在尺寸$ d $以及所需的错误中大多数取决于多项式。和低多项式复杂性。

在预测和健康管理（PHM）领域内，可以使用健康指标（HI）来帮助生产，例如安排维护并避免失败。但是，HI通常经过特定的过程设计，通常需要大量的历史数据进行设置。对于中小企业来说，这尤其是一个挑战，这种挑战通常缺乏足够的资源和知识来从PHM中受益。在本文中，我们提出了Modularhi，这是在没有历史数据的系统的HI构建中的模块化方法。使用ModularHi，操作员可以选择哪些传感器输入可用，然后Modularhi将根据在燃烧状态期间收集的数据计算基线模型。然后，该基线模型将用于检测系统是否随着时间的推移开始降解。我们在两个开放数据集，CMAPS和N-CMAPS上测试模块化。以前数据集的结果展示了我们系统检测降解的能力，而后者的结果是在该区域内进行进一步研究的方向。结果表明，我们的新方法能够在没有历史数据的情况下检测系统降解。

本文考虑了多个Antenna基站和用户设备对上行链路性能的一般硬件障碍的影响。首先，当使用有限大小的信号星座时，有效通道是分析得出的失真感知接收器。接下来，设计和训练了深层喂食神经网络，以估计有效的渠道。将其性能与最先进的失真感和不知道的贝叶斯线性最小均时误差（LMMSE）估计器进行了比较。提出的深度学习方法通过利用损伤特性来提高估计质量，而LMMSE方法将失真视为噪声。

我们提出了一种自适应学习智能辅导系统，该系统使用基于模型的强化学习形式，将学习活动分配给学生。该模型经过数千名学生的轨迹培训，以最大程度地提高其运动完成率并继续在线学习，并自动调整自己的新活动。与学生进行的随机对照试验表明，与其他方法相比，我们的模型可提高较高的完成率，并显着改善学生的参与度。我们的方法是完全自动解锁学习经验个性化的新机会。

在本文中，我们提出了一种基于短期内存网络的长期方法，以根据过去的测量值预测公共建筑物的能源消耗。我们的方法包括三个主要步骤：数据处理步骤，培训和验证步骤，最后是预测步骤。我们在一个数据集上测试了我们的方法，该数据集由英国国家档案馆的主要建筑物的主要建筑物，在KEW中，作为评估指标，我们使用了平均绝对错误（MAE）和平均绝对百分比错误（Mape）。