逆合合成是一种将分子转化为潜在反应物的过程，因此鉴定了合成途径。我们提出了一个新颖的生成框架，称为$ \ mathsf {g^2retro} $，用于一步回曲预测。 $ \ mathsf {g^2retro} $模仿合成反应的反向逻辑，也就是说，首先预测反应中心以将靶分子转换为名为合成的片段，然后将合成剂转化为反应剂，然后按照先前的基于半电压的方法转换为反应剂。在预测反应中心时，$ \ mathsf {g^2retro} $定义了一组全面的反应中心类型，并通过考虑多个反应中心候选者来实现预测反应的多样性。在完成合成子时，$ \ mathsf {g^2retro} $部署了一系列子结构附件，以将合成物转换为反应物，该反应物利用了要完成的合成结构的最新结构的整体视图，以及所有所涉及的合成物和所有合成的结构产品结构。在这里，我们证明$ \ mathsf {g^2retro} $能够更好地对基准数据集中最可能的反应物进行优先级，而不是最先进的方法，并且发现了不包括在该方法中基准数据集。

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.

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）

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。

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。

许多私人保险公司和公共保险公司对听力损失可以直接归因于工作场所中噪音过度暴露的工人进行了补偿。索赔评估过程通常是漫长的，需要从人类审判者那里进行大量努力，这些裁决者必须解释经常通过传真或等效发送的手录制的听力图。在这项工作中，我们提出了与安大略省工作场所安全保险委员会合作开发的解决方案，以简化裁决过程。特别是，我们提出了第一个能够自动从扫描或传真听力学报告中提取听力阈值的听力图数字化算法作为概念验证。该算法将大多数阈值提取到5 dB的精度之内，从而可以大大减少以半监督的方式将听力图转换为数字格式所需的时间，并且是朝着裁决过程自动化的第一步。 GITHUB（https://github.com/greencubic/audiogramDigitization）公开获得了数字化算法的源代码和我们NIHL注释门户的基于桌面的实现。

在线自主代理能够利用各种潜在的任务知识来源；但是，目前的方法总是只关注一两个。在这里，我们调查了利用多样化知识源以一记模拟的家用移动机器人的新任务学习的挑战和影响。在SOAR认知体系结构中开发的最终代理使用以下域和任务知识来源：与环境的互动，任务执行和规划知识，人类自然语言指导以及从大语言模型（GPT-3）检索到的响应。我们探讨了这些知识来源的不同贡献，并在学习正确的任务知识，人力工作量和计算成本方面评估了不同组合的性能。结合所有来源的结果表明，整合可以在计算成本和人力工作量方面改善一声任务学习。

骨肉瘤是最常见的原发性骨癌，其标准治疗包括术前化疗，然后切除。化学疗法反应用于预测患者的预后和进一步治疗。坏死在切除标本上的组织学幻灯片通常评估了坏死比定义为坏死肿瘤与总体肿瘤之比。已知坏死比> = 90％的患者的预后更好。多个载玻片对坏死比的手动微观综述是半定量性的，并且可能具有观察者间和观察者间的变异性。我们提出了一种基于目标和可再现的深度学习方法，以估计坏死比，并从扫描的苏木精和曙红全幻灯片图像预测结果。我们以3134个WSI的速度收集了103例骨肉瘤病例，以训练我们的深度学习模型，验证坏死比评估并评估结果预测。我们训练了深层多磁化网络，以分割多个组织亚型，包括生存的肿瘤和像素级中的坏死肿瘤，并计算来自多个WSI的病例级坏死比。我们显示了通过分割模型估算的坏死比，高度与由专家手动评估的病理报告中的坏死比高度相关，其中IV级的平均绝对差异（100％），III（> = 90％）和II（> = 50％和<50％和< 90％）坏死反应分别为4.4％，4.5％和17.8％。我们成功地对患者进行了分层，以预测P = 10^-6的总生存率，而P = 0.012的无进展生存率。我们没有可变性的可重现方法使我们能够调整截止阈值，特别是用于模型和数据集的截止阈值，为OS的80％，PFS为60％。我们的研究表明，深度学习可以支持病理学家作为一种客观的工具，可以分析组织学中骨肉瘤，以评估治疗反应并预测患者结果。

当我们对优化模型中的不确定参数进行观察以及对协变量的同时观察时，我们研究了数据驱动决策的优化。鉴于新的协变量观察，目标是选择一个决定以此观察为条件的预期成本的决定。我们研究了三个数据驱动的框架，这些框架将机器学习预测模型集成在随机编程样本平均值近似（SAA）中，以近似解决该问题的解决方案。 SAA框架中的两个是新的，并使用了场景生成的剩余预测模型的样本外残差。我们研究的框架是灵活的，并且可以容纳参数，非参数和半参数回归技术。我们在数据生成过程，预测模型和随机程序中得出条件，在这些程序下，这些数据驱动的SaaS的解决方案是一致且渐近最佳的，并且还得出了收敛速率和有限的样本保证。计算实验验证了我们的理论结果，证明了我们数据驱动的公式比现有方法的潜在优势（即使预测模型被误解了），并说明了我们在有限的数据制度中新的数据驱动配方的好处。