卷积和复发性神经网络的结合是一个有希望的框架，它允许提取高质量时空特征以及其时间依赖性，这是时间序列预测问题（例如预测，分类或异常检测）的关键。在本文中，引入了TSFEDL库。它通过使用卷积和经常性的深神经网络来编译20种时间序列提取和预测的最先进方法，用于在多个数据挖掘任务中使用。该库是建立在AGPLV3许可下的一组TensorFlow+Keras和Pytorch模块上的。本提案中包含的架构的性能验证证实了此Python软件包的有用性。

bump狩猎与样本空间中的发现有意义的数据子集，称为颠簸。这些传统上被认为是基础密度函数图中的模态或凹区域。我们根据概率密度的曲率功能定义抽象的凸起构建体。然后，我们探讨了涉及衍生物最高到二阶的几种替代特征。特别是，在多元案例中提出了适当的善良和加斯金斯原始凹凸凹凸的实施。此外，我们将探索性数据分析概念（如平均曲率和拉普拉斯人）在应用域中产生良好结果。我们的方法可以通过插件内核密度估计器来解决曲率功能的近似。我们提供了理论上的结果，以确保在Hausdorff距离内的凸界边界的渐近一致性，并具有负担得起的收敛速度。我们还提出了渐近有效且一致的置信区域边界曲率凸起。该理论通过NBA，MLB和NFL的数据集的体育分析中的几种用例来说明。我们得出的结论是，不同的曲率实例有效地结合了以产生洞察力的可视化。

神经胶质瘤是由不同高度异质组织学子区域组成的脑肿瘤。鉴定相关肿瘤子结构的图像分析技术具有改善患者诊断，治疗和预后的高潜力。但是，由于神经胶质瘤的异质性高，分割任务目前是医学图像分析领域的主要挑战。在目前的工作中，研究了由神经胶质瘤的多模式MRI扫描组成的2018年脑肿瘤分割（BRAT）挑战的数据库。提出了基于卷积神经网络（CNN）的设计和应用的分割方法，并结合了原始的后处理技术，其计算需求较低。后处理技术是分割中获得的结果的主要负责。分段区域是整个肿瘤，肿瘤核和增强的肿瘤核，分别获得等于0.8934、0.8376和0.8113的平均骰子系数。这些结果达到了由挑战的获胜者确定的神经胶质瘤分割的最新现状。

我们根据单个稀疏试验扫描来研究自适应设计，以生成计算机断层扫描重建的有效扫描策略。我们使用线性化的深图像提出了一种新颖的方法。它允许将试验测量的信息纳入角度选择标准，同时保持共轭高斯线性模型的障碍。在具有优先方向的合成生成的数据集上，线性化倾角设计允许将扫描数减少到相对于等距角基线的30％。

用于估计模型不确定性的线性拉普拉斯方法在贝叶斯深度学习社区中引起了人们的重新关注。该方法提供了可靠的误差线，并接受模型证据的封闭式表达式，从而可以选择模型超参数。在这项工作中，我们检查了这种方法背后的假设，尤其是与模型选择结合在一起。我们表明，这些与一些深度学习的标准工具（构成近似方法和归一化层）相互作用，并为如何更好地适应这种经典方法对现代环境提出建议。我们为我们的建议提供理论支持，并在MLP，经典CNN，具有正常化层，生成性自动编码器和变压器的剩余网络上进行经验验证它们。

Existing deep-learning based tomographic image reconstruction methods do not provide accurate estimates of reconstruction uncertainty, hindering their real-world deployment. This paper develops a method, termed as the linearised deep image prior (DIP), to estimate the uncertainty associated with reconstructions produced by the DIP with total variation regularisation (TV). Specifically, we endow the DIP with conjugate Gaussian-linear model type error-bars computed from a local linearisation of the neural network around its optimised parameters. To preserve conjugacy, we approximate the TV regulariser with a Gaussian surrogate. This approach provides pixel-wise uncertainty estimates and a marginal likelihood objective for hyperparameter optimisation. We demonstrate the method on synthetic data and real-measured high-resolution 2D $\mu$CT data, and show that it provides superior calibration of uncertainty estimates relative to previous probabilistic formulations of the DIP. Our code is available at https://github.com/educating-dip/bayes_dip.

Farquhar等人。[2021]表明，纠正具有协议式模型的主动学习偏差导致下游性能提高。然而，对于诸如NNS的过度指数化模型，然而，校正导致减少或不变的性能。他们认为这是由于“过度装备偏见”，其抵消了主动学习偏差。我们表明深度不确定性网络在低过度装备制度中运行，就像顺相位表一样。因此，它们应该看到具有偏差校正的性能的增加。令人惊讶的是，他们没有。我们建议这种负面结果以及结果Farquhar等。[2021]可以通过普遍化误差的偏差差异分解的镜头来解释。

在主动学习中，训练数据集的大小和复杂性随时间而变化。随着更多要点，由主动学习开始时可用的数据量良好的简单模型可能会受到偏见的影响。可能非常适合于完整数据集的灵活模型可能会在积极学习开始时受到过度装备。我们使用深度不确定性网络（DUNS）来解决这个问题，其中一个BNN变体，其中网络的深度以及其复杂性。我们发现DUNS在几个活跃的学习任务上表现出其他BNN变体。重要的是，我们表明，在DUNs表现最佳的任务上，它们呈现出比基线的显着不太容易。

贝叶斯范式有可能解决深度神经网络的核心问题，如校准和数据效率低差。唉，缩放贝叶斯推理到大量的空间通常需要限制近似。在这项工作中，我们表明它足以通过模型权重的小子集进行推动，以便获得准确的预测后断。另一个权重被保存为点估计。该子网推断框架使我们能够在这些子集上使用表现力，否则难以相容的后近近似。特别是，我们将子网线性化LAPLACE作为一种简单，可扩展的贝叶斯深度学习方法：我们首先使用线性化的拉普拉斯近似来获得所有重量的地图估计，然后在子网上推断出全协方差高斯后面。我们提出了一个子网选择策略，旨在最大限度地保护模型的预测性不确定性。经验上，我们的方法对整个网络的集合和较少的表达后近似进行了比较。

Modelling and forecasting real-life human behaviour using online social media is an active endeavour of interest in politics, government, academia, and industry. Since its creation in 2006, Twitter has been proposed as a potential laboratory that could be used to gauge and predict social behaviour. During the last decade, the user base of Twitter has been growing and becoming more representative of the general population. Here we analyse this user base in the context of the 2021 Mexican Legislative Election. To do so, we use a dataset of 15 million election-related tweets in the six months preceding election day. We explore different election models that assign political preference to either the ruling parties or the opposition. We find that models using data with geographical attributes determine the results of the election with better precision and accuracy than conventional polling methods. These results demonstrate that analysis of public online data can outperform conventional polling methods, and that political analysis and general forecasting would likely benefit from incorporating such data in the immediate future. Moreover, the same Twitter dataset with geographical attributes is positively correlated with results from official census data on population and internet usage in Mexico. These findings suggest that we have reached a period in time when online activity, appropriately curated, can provide an accurate representation of offline behaviour.