我们介绍了Koopman状态估计器（Koopse），一个无模型批量估计的框架，无需线性化假设，不需要特定于问题的特征选择，并且具有与数字无关的推理计算成本训练点。我们将原始非线性系统抬为高维再现内核希尔伯特空间（RKHS），其中系统变为双线性。可以通过在训练轨迹上求解最小二乘问题来学习时间不变的模型矩阵。在测试时间时，系统是代数操纵成线性时变系统，其中标准批量线性状态估计技术可用于有效地计算状态装置和协方差。随机傅里叶功能（RFF）用于结合基于Koopman的方法的计算效率和内核嵌入方法的一般性。 Koopse在实验上经过实验验证，涉及配备有超宽带接收器和轮内径术的移动机器人。 Koopse估计比标准模型的扩展Rauch-tung-Striebel（RTS）更加准确，并且尽管Koopse没有先验知识的系统的运动或测量模型。

机器人和计算机视觉问题通常需要处理包括翻译和旋转的刚体运动 - 一起被称为姿势。在一些情况下，姿势的矢量参数化可以是有用的，其中向矩阵Lie组进行外钟映射矢量空间的元素。例如，这些向量表示可以用于优化以及对组的不确定性表示。最常见的映射是矩阵指数，其将Lie代数的元素映射到相关Lie组上。但是，这种选择并不唯一。它以前已经显示了如何表征SO（3），旋转组的所有此类矢量参数化。一些结果也是已知的，其中姿势组也是可以构建包括矩阵指数的映射系列以及凯利转化的系列。我们将这些姿势映射所熟知的众所周知的是在机器人中的4×4表示中，并且还演示了所提出的姿势映射的三个不同示例：（i）姿势插值，（ii）姿势伺服控制，（iii）姿势估计在一个Portcloud对齐问题中。在PointCloud对准问题中，我们的结果导致了一种基于Cayley转换的新算法，我们称之为Cayper。

As language models (LMs) scale, they develop many novel behaviors, good and bad, exacerbating the need to evaluate how they behave. Prior work creates evaluations with crowdwork (which is time-consuming and expensive) or existing data sources (which are not always available). Here, we automatically generate evaluations with LMs. We explore approaches with varying amounts of human effort, from instructing LMs to write yes/no questions to making complex Winogender schemas with multiple stages of LM-based generation and filtering. Crowdworkers rate the examples as highly relevant and agree with 90-100% of labels, sometimes more so than corresponding human-written datasets. We generate 154 datasets and discover new cases of inverse scaling where LMs get worse with size. Larger LMs repeat back a dialog user's preferred answer ("sycophancy") and express greater desire to pursue concerning goals like resource acquisition and goal preservation. We also find some of the first examples of inverse scaling in RL from Human Feedback (RLHF), where more RLHF makes LMs worse. For example, RLHF makes LMs express stronger political views (on gun rights and immigration) and a greater desire to avoid shut down. Overall, LM-written evaluations are high-quality and let us quickly discover many novel LM behaviors.

Estimation algorithms, such as the sliding window filter, produce an estimate and uncertainty of desired states. This task becomes challenging when the problem involves unobservable states. In these situations, it is critical for the algorithm to ``know what it doesn't know'', meaning that it must maintain the unobservable states as unobservable during algorithm deployment. This letter presents general requirements for maintaining consistency in sliding window filters involving unobservable states. The value of these requirements when designing a navigation solution is experimentally shown within the context of visual-inertial SLAM making use of IMU preintegration.

肾细胞癌（RCC）是一种常见的癌症，随着临床行为的变化。懒惰的RCC通常是低级的，没有坏死，可以在没有治疗的情况下监测。激进的RCC通常是高级的，如果未及时检测和治疗，可能会导致转移和死亡。虽然大多数肾脏癌在CT扫描中都检测到，但分级是基于侵入性活检或手术的组织学。确定对CT图像的侵略性在临床上很重要，因为它促进了风险分层和治疗计划。这项研究旨在使用机器学习方法来识别与病理学特征相关的放射学特征，以促进评估CT图像而不是组织学上的癌症侵略性。本文提出了一种新型的自动化方法，即按区域（Corrfabr）相关的特征聚集，用于通过利用放射学和相应的不对齐病理学图像之间的相关性来对透明细胞RCC进行分类。 CORRFABR由三个主要步骤组成：（1）特征聚集，其中从放射学和病理图像中提取区域级特征，（2）融合，放射学特征与病理特征相关的放射学特征在区域级别上学习，并且（3）在其中预测的地方学到的相关特征用于仅使用CT作为输入来区分侵略性和顽固的透明细胞RCC。因此，在训练过程中，Corrfabr从放射学和病理学图像中学习，但是在没有病理图像的情况下，Corrfabr将使用CORFABR将侵略性与顽固的透明细胞RCC区分开。 Corrfabr仅比放射学特征改善了分类性能，二进制分类F1分数从0.68（0.04）增加到0.73（0.03）。这证明了将病理疾病特征纳入CT图像上透明细胞RCC侵袭性的分类的潜力。

尽管遥感（RS）社区已经开始预认识到变压器（打算在RS任务上进行微调），但尚不清楚这些模型如何在分配变化下执行。在这里，我们为新的RS Transformer-satvit-v2预算了130万个卫星衍生的RS图像，然后对其进行微调（以及其他五个型号），以调查其在训练过程中未见的分布情况。我们根据源Biome将一个专业标记的土地覆盖数据集分为14个数据集。我们分别在每个生物群上训练每个模型，并在所有其他生物群体上测试它们。总之，这相当于1638年的生物群体转移实验。经过微调后，我们发现SATVIT-V2在分布情况下（匹配生物群）的表现优于SATVIT-V1，而分布（不匹配的生物群落）数据的表现为2.8％。此外，我们发现从线性探测溶液（即利用LPFT [1]）初始化微调可将SATVIT-V2的性能提高1.2％，而分布数据的分布数据为2.4％。接下来，我们发现，在分布变化下，预估计的RS变压器比未经预告的模型更好地校准，并且利用LPFT会导致模型校准的进一步改进。最后，我们发现五个分配转移的度量与生物群体转移性能中等相关。我们共享代码和预估计的模型权重。 （https://github.com/antofuller/satvit）

最近的高精度亚次光学光学扫描仪的开发允许将3D键盘检测器和功能描述符在海底环境中的点云扫描上利用。但是，文献缺乏一项全面的调查，无法确定在这些挑战和新颖的环境中使用的检测器和描述符的最佳组合。本文旨在使用使用商业水下激光扫描仪收集的具有挑战性的现场数据集确定最佳的检测器/描述符对。此外，研究表明，合并纹理信息扩展几何特征为合成数据集的特征匹配增添了鲁棒性。本文还提出了一种与水下激光扫描融合图像以产生有色点云的新方法，该方法用于研究6D点云描述符的有效性。

2型糖尿病（T2DM）的早期诊断对于及时的治疗干预措施和生活方式改变至关重要。随着医学成像数据在许多患者群体中变得更广泛可用，我们试图研究是否可以在表格学习分类器模型中利用图像衍生的表型数据来预测T2DM的发病率，而无需使用侵入性血液实验室测量。我们表明，使用图像衍生表型的神经网络和决策树模型都可以预测患者T2DM状态的召回评分高达87.6％。我们还提出了与“ Syntha1c编码器”相同的结构的新颖使用，这些结构能够输出模仿血液血红蛋白A1C经验实验室测量值的可解释值。最后，我们证明了T2DM风险预测模型对输入矢量成分中小扰动的敏感性可用于预测从以前看不见的患者人群中取样的协变量的性能。

元学习是机器学习的一个分支，旨在将相关任务分布的数据合成以有效地解决新的数据。在过程控制中，许多系统具有相似且充分理解的动力学，这表明可以通过元学习创建可推广的控制器是可行的。在这项工作中，我们制定了一种元加强学习（META-RL）控制策略，该策略利用已知的离线信息进行培训，例如模型结构。对模型参数的分布而不是单个模型，对元RL代理进行了训练，从而使代理能够自动适应过程动力学的变化，同时保持性能。一个关键的设计元素是能够在培训期间离线利用基于模型的信息，同时保持与新环境交互的无模型策略结构。我们以前的工作已经证明了如何将这种方法应用于调整比例综合控制器以控制一阶过程的与工业相关的问题。在这项工作中，我们简要地重新引入了我们的方法，并证明了如何将其扩展到比例综合衍生的控制器和二阶系统。

现在已经充分理解的是，经过适当注意的数据训练的机器学习模型通常对某些人群表现出不公平和歧视性的行为。传统的算法公平研究主要集中于监督的学习任务，尤其是分类。尽管无监督的学习中的公平性引起了人们的关注，但文献主要解决了连续嵌入的公平表示学习。在本文中，我们相反，使用具有离散潜在变量的概率图形模型专注于无监督的学习。我们为离散的潜在变量开发了一种公平的随机变异推理技术，该技术是通过对旨在尊重交叉性的原理，法律，社会科学和人文科学文学的公平性的关键视角的变异分布的公平惩罚来完成的，该变量是通过对变异分布的公平惩罚来完成的。 ，然后在此惩罚下优化变异参数。我们首先显示了我们方法在基准数据集上使用Na \“ Ive bayes和Gaussian混合模型进行聚类的公平性和公平性的实用性。 - 刑事司法风险评估的使用图形模型，并使用我们的公平方法来防止推论编码不公平的社会偏见。