我们展示了在文本上预先培训的神经网络，并在代码上进行微调解决数学问题，通过程序合成解决了数学问题。我们将问题转化为编程任务，自动生成程序，然后从MIT的大型数学课程（单变微积分18.01，多变量计算18.02，微分方程18.03，概率和统计介绍18.05，概率和统计概要和统计概要和统计概要和统计概要和统计概要和统计概要和统计概要和统计概况概要和统计概要和统计概要和统计概率概述的大学级问题。 18.06，以及计算机科学的数学6.042）以及数学数据集的问题（在预先发生的地板，代数，计数和概率，数字理论和前进的问题上），最新数学问题的基准专门用于评估数学推理。我们探索提示生成方法，使变形金刚能够为这些主题生成问题解决程序，包括具有图的解决方案。我们在每个主题中的随机问题上生成正确的答案。我们量化了原始和转型问题之间的差距，并进行了调查以评估所产生的问题的质量和难度。这是在规模上自动解决，等级和生成大学数学课程问题的第一项工作，这代表了高等教育的里程碑。

Task allocation is an important problem for robot swarms to solve, allowing agents to use reduce task completion time by performing tasks in a distributed fashion. Existing task allocation algorithms often assume prior knowledge of task location and demand or fail to consider the effects of the geometric distribution of tasks on the completion time and communication cost of the algorithms. In this paper, we examine an environment where agents must explore and discover tasks with positive demand and successfully assign themselves to complete all such tasks. We propose two new task allocation algorithms for initially unknown environments -- one based on N-site selection and the other on virtual pheromones. We analyze each algorithm separately and also evaluate the effectiveness of the two algorithms in dense vs. sparse task distributions. Compared to the Levy walk, which has been theorized to be optimal for foraging, our virtual pheromone inspired algorithm is much faster in sparse to medium task densities but is communication and agent intensive. Our site selection inspired algorithm also outperforms Levy walk in sparse task densities and is a less resource-intensive option than our virtual pheromone algorithm for this case. Because the performance of both algorithms relative to random walk is dependent on task density, our results shed light on how task density is important in choosing a task allocation algorithm in initially unknown environments.

在本文中，我们提出了STC-GEF，这是一种新型的时空跨平台图嵌入城市交通流量预测的融合方法。我们已经设计了基于图形卷积网络（GCN）的空间嵌入模块，以在交通流数据中提取复杂的空间特征。此外，为了捕获各个时间间隔的交通流数据之间的时间依赖性，我们设计了一个基于复发神经网络的时间嵌入模块。基于观察到不同的运输平台Trip数据（例如出租车，Uber和Lyft）可以关联的观察结果，我们设计了一种有效的融合机制，该机制结合了来自不同运输平台的旅行数据，并进一步将它们用于跨平台交通流量。预测（例如，用于出租车交通流量预测的出租车和乘车共享平台）。我们根据纽约市（NYC）的黄色出租车和乘车共享（LYFT）的现实世界旅行数据进行了广泛的现实实验研究，并验证了STC-GEF在融合不同运输平台中的准确性和有效性数据并预测流量流。

因果机器学习（CAUSALML）是机器学习方法的伞术语，将数据生成过程正式化为结构性因果模型（SCM）。这样一来，人们就可以推论此过程的变化（即干预措施）以及事后发生的事情（即反事实）。我们根据他们解决的问题将工作分为五组：（1）因果监督学习，（2）因果生成建模，（3）因果解释，（4）因果公平，（5）因果关系。对于每个类别，我们会系统地比较其方法并指出开放问题。此外，我们回顾了计算机视觉，自然语言处理和图形表示学习中特定于模式的应用。最后，我们概述了因果基准和对这个新生领域状态的批判性讨论，包括对未来工作的建议。

全渠道的人类授权移动操纵器是一个实验平台，用于测试自动和人为多动物移动操作的控制体系结构。全渠道由mecanum-wheel全向移动基础和系列弹性三角型平行操纵器组成，它是一类更广泛的移动协作机器人（“ mocobots”）的特定实现，灵活和明确的有效载荷。 Mocobot的关键特征包括被动依从性，为人类的安全和有效载荷的安全性以及高保真的最终效应力控制，而与移动基础的潜在不精确运动无关。我们描述了Mocobots团队设计的一般考虑；根据这些考虑因素的设计；操纵器和移动基础控制器，以实现有用的多机器人协作行为；以及对大型，笨拙的有效载荷的人类多机协作移动操作进行的最初实验。对于这些实验，通过有效载荷，人类和全网络之间的唯一沟通是机械的。

对头部磁共振成像（MRI）检查的需求不断增长，以及全球放射科医生的短缺，导致在全球报告头部MRI扫描所花费的时间增加。对于许多神经系统疾病，这种延迟会导致发病率和死亡率增加。一种自动分解工具可以通过在成像时识别异常并确定这些扫描的报告优先级来减少异常检查的报告时间。在这项工作中，我们提出了一个卷积神经网络，用于检测$ \ text {t} _2 $加权的头部MRI扫描中临床上相关的异常。使用经过验证的神经放射学报告分类器，我们从两家英国两家大型医院进行了43,754张标记的数据集，以进行模型培训，并在800张测试集上证明了准确的分类（AUC下的区域（AUC）= 0.943），由800张扫描集进行了标签。神经放射学家团队。重要的是，当仅在一家医院接受扫描培训时，模型从另一家医院进行了扫描（$ \ delta $ auc $ \ leq $ 0.02）。一项模拟研究表明，我们的模型将使异常检查的平均报告时间从28天到14天，并从两家医院的9天到5天，这表明在临床分类环境中使用了可行性。

我们研究了如何在大脑中占有结构的概念的问题。具体而言，我们介绍了分层结构化概念的模型，我们展示了一种生物合理的神经网络如何识别这些概念，以及如何首先学习它们。我们的主要目标是为这些任务介绍一般框架，并正式证明了如何实现（认可和学习）。我们表明，即使在存在噪音，也可以完成两个任务。为了学习，我们正式分析了OJA的规则，是一个众所周知的生物合理的规则，用于调整突触的重量。我们将学习结果与下限相关联，以便识别某个分层深度的概念，神经网络必须具有相应数量的层。