基于分数的生成模型（SGM）是生成假图像的最新突破。已知SGM可以超越其他生成模型，例如生成对抗网络（GAN）和变异自动编码器（VAE）。在这项工作中，我们受到了他们的巨大成功的启发，我们将它们完全自定义以生成伪造的表格数据。特别是，我们对过度采样较小的课程感兴趣，因为不平衡的课程经常导致次优训练成果。据我们所知，我们是第一个提出基于得分的表格数据超采样方法的人。首先，我们必须重新设计自己的分数网络，因为我们必须处理表格数据。其次，我们为我们的生成方法提出了两个选项：前者等同于表格数据的样式传输，后者使用SGMS的标准生成策略。最后，我们定义了一种微调方法，该方法进一步提高了过度采样质量。在我们使用6个数据集和10个基线的实验中，我们的方法在所有情况下都优于其他过采样方法。

MINSU（移动库存和扫描单元）算法使用计算视觉分析方法记录机柜的剩余数量/填充度。为此，它通过了五步方法：对象检测，前景减法，K-均值聚类，百分比估计和计数。输入图像通过对象检测方法，以分析机柜在坐标方面的特定位置。这样做之后，它会通过前景减法方法来使图像通过删除背景更加焦点到机柜本身（某些手动工作可能必须完成，例如选择不被算法切割的零件） 。在K-均值聚类方法中，多色图像变成了3彩色单调图像，以更快，更准确的分析。最后，图像经过百分比估计和计数。在这两种方法中，发现机柜内部的材料的比例以百分比为百分比，然后用来近似内部的材料数量。如果该项目成功，剩余数量管理可以解决简介早期解决的问题。

近年来，面部交换模型在发电质量方面取得了进展，并引起了他们在隐私保护和娱乐中的应用。然而，他们的复杂架构和损失函数通常需要仔细调整成功培训。在本文中，我们提出了一种名为“顺利交换”的新型脸部交换模型，专注于导出身份嵌入的平滑度，而不是采用复杂的手工设计。我们假设面部交换难度的要点是不稳定的梯度，并且可以通过平滑的身份嵌入器来解决。顺利交换采用使用监督对比学习的嵌入式培训，在那里我们发现其改进的平滑度允许更快，稳定的培训，即使是基于简单的基于U-Net的发电机和三个基本损耗功能。在野外的面部交换基准（FFHQ，面部素材++）和面部图像的广泛实验表明，在身份变化方面，我们的模型也定量和质量上的可比性甚至优于现有的方法。

计算机愿景一直在蓬勃发展，因为AI开发正在增加推力。使用深度学习技术是计算机科学家认为解决方案的最受欢迎的方式。然而，深度学习技术倾向于显示出比手动处理的性能较低。使用深度学习并不总是与计算机视觉相关的问题的答案。

隐式神经表示是通过学习作为神经网络参数化的连续功能来代表一般信号的有前途的新大道，将信号的域映射到其Codomain;例如，从图像的空间坐标映射到其像素值。能够在高尺寸信号中传送细细节，其域，隐式神经表示确保了与传统离散表示的许多优点。然而，目前的方法难以为大量信号或数据集缩放，因为学习神经表示 - 这是自身沉重的参数 - 对于每个信号，每个信号都需要大量的存储器和计算。为了解决这个问题，我们建议在稀疏性约束下结合网络压缩来利用元学习方法，使得它呈现出良好的初始化稀疏参数化，以便在随后的训练中快速发展以表示一组未见信号。我们经验证明，Meta学习的稀疏神经表示比使用相同数量的优化步骤训练时，比较稀疏的稀疏神经表示比具有相同数量的参数的致密荟萃学习模型。

萨顿（Sutton），szepesv \'{a} ri和maei引入了与线性函数近似和非政策训练兼容的第一个梯度时间差异（GTD）学习算法。本文的目的是（a）提出一些具有广泛比较分析的GTD的变体，以及（b）为GTD建立新的理论分析框架。这些变体基于GTD的凸 - 孔符号鞍点解释，该解释有效地将所有GTD统一为单个框架，并基于对原始偶型梯度动力学的最新结果提供简单的稳定性分析。最后，给出了数值比较分析以评估这些方法。

Supervised classification methods have been widely utilized for the quality assurance of the advanced manufacturing process, such as additive manufacturing (AM) for anomaly (defects) detection. However, since abnormal states (with defects) occur much less frequently than normal ones (without defects) in the manufacturing process, the number of sensor data samples collected from a normal state outweighs that from an abnormal state. This issue causes imbalanced training data for classification models, thus deteriorating the performance of detecting abnormal states in the process. It is beneficial to generate effective artificial sample data for the abnormal states to make a more balanced training set. To achieve this goal, this paper proposes a novel data augmentation method based on a generative adversarial network (GAN) using additive manufacturing process image sensor data. The novelty of our approach is that a standard GAN and classifier are jointly optimized with techniques to stabilize the learning process of standard GAN. The diverse and high-quality generated samples provide balanced training data to the classifier. The iterative optimization between GAN and classifier provides the high-performance classifier. The effectiveness of the proposed method is validated by both open-source data and real-world case studies in polymer and metal AM processes.

最近，对时间变化的知识图或时间知识图（TKG）的学术兴趣越来越高。先前的研究表明，使用历史信息的TKG推理的多种方法。但是，在不同时间戳上此类信息中对层次结构的关注较少。鉴于TKG是基于时间的一系列知识图，因此序列中的年代学衍生了图之间的层次结构。此外，每个知识图都有其层次结构级别，可能相互不同。为了解决TKG中的这些层次结构特征，我们提出了HyperVC，它利用比欧几里得空间更好地编码层次结构的双曲线空间。不同时间戳上知识图之间的时间顺序结构是通过将知识图作为矢量嵌入通用双曲线空间中的矢量来表示的。此外，通过调整其实体和关系的双曲线嵌入的曲率来表示，知识图的各种层次级别。四个基准数据集的实验显示出很大的改进，尤其是在层次级别较高的数据集上。

基于文本的运动生成模型正在引起人们对它们在游戏，动画或机器人行业中自动化运动过程的潜力的兴趣激增。在本文中，我们提出了一种基于扩散的运动合成和名为Flame的编辑模型。受扩散模型中最新成功的启发，我们将基于扩散的生成模型集成到运动域中。火焰可以产生与给定文本很好地对齐的高保真动作。此外，它可以编辑运动的各个部分，无论是在框架和联合方面，而无需进行任何微调。火焰涉及我们设计的新的基于变压器的架构，以更好地处理运动数据，这对于管理可变长度运动和良好的自由形式文本至关重要。在实验中，我们表明火焰在三个文本数据集上实现了最新的一代表演：HumanML3D，Babel和Kit。我们还证明，火焰的编辑能力可以扩展到其他任务，例如运动预测或运动内部，这些任务先前已被专用模型涵盖。

组合优化的神经方法（CO）配备了一种学习机制，以发现解决复杂现实世界问题的强大启发式方法。尽管出现了能够在单一镜头中使用高质量解决方案的神经方法，但最先进的方法通常无法充分利用他们可用的解决时间。相比之下，手工制作的启发式方法可以很好地执行高效的搜索并利用给他们的计算时间，但包含启发式方法，这些启发式方法很难适应要解决的数据集。为了为神经CO方法提供强大的搜索程序，我们提出了模拟引导的光束搜索（SGB），该搜索（SGB）在固定宽度的树搜索中检查了候选解决方案，既是神经网络学习的政策又是模拟（推出）确定有希望的。我们将SGB与有效的主动搜索（EAS）进一步融合，其中SGB提高了EAS中反向传播的解决方案的质量，EAS提高了SGB中使用的策略的质量。我们评估了有关众所周知的CO基准的方法，并表明SGB可显着提高在合理的运行时假设下发现的解决方案的质量。