Practically all of the planning research is limited to states represented in terms of Boolean and numeric state variables. Many practical problems, for example, planning inside complex software systems, require far more complex data types, and even real-world planning in many cases requires concepts such as sets of objects, which are not convenient to express in modeling languages with scalar types only. In this work, we investigate a modeling language for complex software systems, which supports complex data types such as sets, arrays, records, and unions. We give a reduction of a broad range of complex data types and their operations to Boolean logic, and then map this representation further to PDDL to be used with domain-independent PDDL planners. We evaluate the practicality of this approach, and provide solutions to some of the issues that arise in the PDDL translation.

我们提出了Sauron，这是一种过滤器修剪方法，它通过使用自动调整的层特异性阈值丢弃相应的过滤器来消除冗余特征图。此外，Sauron最大程度地减少了一个正规化术语，正如我们所显示的各种指标所显示的那样，促进了特征地图簇的形成。与大多数过滤器修剪方法相反，Sauron是单相，类似于典型的神经网络优化，需要更少的超参数和设计决策。此外，与其他基于群集的方法不同，我们的方法不需要预选簇的数量，而簇的数量是非平凡的，以确定和随着层的变化。我们在三个医学图像分割任务上评估了Sauron和三种最先进的过滤器修剪方法。在这个领域，过滤器修剪很少受到关注，并且可以帮助建立有效的医疗级计算机模型，这些计算机由于隐私考虑而无法使用云服务。索伦（Sauron）比竞争的修剪方法实现了具有更高性能和修剪率的模型。此外，由于Sauron在训练过程中除去过滤器，因此随着时间的推移，其优化加速了。最后，我们证明了Sauron-Prun的模型的特征地图是高度可解释的。 Sauron代码可在https://github.com/jmlipman/sauronunet上公开获得。

本文档描述了Spotify出于学术研究目的发布的葡萄牙语播客数据集。我们概述了如何采样数据，有关集合的一些基本统计数据，以及有关巴西和葡萄牙方言的分发信息的简要信息。

播客本质上是对话性的，说话者的变化很频繁 - 需要说话者诊断以了解内容。我们在不依赖语言特定组件的情况下提出了一种无监督的技术诊断技术。该算法是重叠的，不需要有关说话者数量的信息。我们的方法显示，针对播客数据的Google Cloud Platform解决方案，纯度得分（F-评分为34％）的纯度得分提高了79％。

提出了一个深度学习模型，以便在未来60分钟的五分钟时间分辨率下以闪电的形式出现。该模型基于反复横向的结构，该结构使其能够识别并预测对流的时空发展，包括雷暴细胞的运动，生长和衰变。预测是在固定网格上执行的，而无需使用风暴对象检测和跟踪。从瑞士和周围的区域收集的输入数据包括地面雷达数据，可见/红外卫星数据以及衍生的云产品，闪电检测，数值天气预测和数字高程模型数据。我们分析了不同的替代损失功能，班级加权策略和模型特征，为将来的研究提供了指南，以最佳地选择损失功能，并正确校准其模型的概率预测。基于这些分析，我们在这项研究中使用焦点损失，但得出结论，它仅在交叉熵方面提供了较小的好处，如果模型的重新校准不实用，这是一个可行的选择。该模型在60分钟的现有周期内实现了0.45的像素临界成功指数（CSI）为0.45，以预测8 km的闪电发生，范围从5分钟的CSI到5分钟的提前时间到CSI到CSI的0.32在A处。收货时间60分钟。

机器学习技术通常应用于痴呆症预测缺乏其能力，共同学习多个任务，处理时间相关的异构数据和缺失值。在本文中，我们建议使用最近呈现的SShiba模型提出了一个框架，用于在缺失值的纵向数据上联合学习不同的任务。该方法使用贝叶斯变分推理来赋予缺失值并组合多个视图的信息。这样，我们可以将不同的数据视图与共同的潜在空间中的不同时间点相结合，并在同时建模和预测若干输出变量的同时学习每个时间点之间的关系。我们应用此模型以预测痴呆症中的诊断，心室体积和临床评分。结果表明，SSHIBA能够学习缺失值的良好归因，同时预测三个不同任务的同时表现出基线。

背景和目的：电子显微镜（EM）的进步现在允许数百微米组织的三维（3D）成像具有纳米规模的分辨率，为研究大脑的超微结构提供新的机会。在这项工作中，我们介绍了一种可自由的GACSON软件，用于3D-EM脑组织样本中的骨髓轴突的可视化，分割，评估和形态分析。方法：Gacson软件配备了图形用户界面（GUI）。它自动分段粒细胞轴突的轴外空间及其相应的髓鞘护套，并允许手动分段，校对和分段组件的交互式校正。 GaCson分析骨髓轴突的形态，如轴突口，轴突偏心，髓鞘厚度或G比。结果：我们通过在假手术或创伤性脑损伤（TBI）之后，通过分割和分析Myelizing ansoce在大鼠躯体损伤（TBI）后的六3D-EM体积中的Myelized轴突来说明Gacson的使用。我们的研究结果表明，在损伤后五个月的TBI动物在躯体抑制皮质中近义Cortex中的近期骨髓轴突的等同直径。结论：我们的结果表明，GACSON是3D-EM卷中肢体化轴突的可视化，分割，评估和形态分析的有价值的工具。在麻省理工学院许可证下，Gacson在Https://github.com/andreabehan/g-acson免费提供。

Weather4cast 2021竞争使参与者成为预测卫星基于气象数据的二维领域的时间演变的任务。本文介绍了作者的努力，经过竞争第一阶段的初步成功，在第二阶段进一步改善模型。改进由较浅的模型变体组成，该变体与更深入的版本竞争，采用Adabelief优化器，改进了一个预测变量的处理，其中发现训练集的良好设置良好，以及组合多个模型来改进结果进一步。竞争指标的最大量化改善可归因于竞争第二阶段的培训数据量增加，其次是模型集合的影响。定性结果表明，该模型可以预测场的时间演变，包括田间的运动随着时间的推移，从急剧预测开始，以便在后面的帧中对输出的直接预测和模糊以解释增加的不确定性。

本文介绍了作者在天气4播出阶段1中使用的神经网络模型，其中目标是预测基于卫星天气数据图像的时间演变。该网络基于编码器 - 预测架构利用所通用的经常性单元（GU），残差块和具有类似U-Net类似的快捷方式的契约/扩展架构。还介绍了利用剩余块代替卷积的GRU变体。提出了模型的示例预测和评估度量。这些表明，该模型可以保留第一个预测的输入的尖锐特征，而后来的预测变得更模糊以反映不变的不确定性。