物理受限的机器学习正在成为物理机器学习领域的重要主题。将物理限制纳入机器学习方法的最重要的优势之一是，由此产生的模型需要较少的数据训练。通过将物理规则纳入机器学习配方本身，预计预测将在物理上合理。高斯流程（GP）可能是小型数据集的机器学习中最常见的方法之一。在本文中，我们研究了在三个不同的材料数据集上限制具有单调性的GP公式的可能性，其中使用了一个实验和两个计算数据集。比较单调的GP与常规GP进行比较，该GP观察到后方差的显着降低。单调的GP在插值方面严格单调性，但是在外推方案中，随着训练数据集超越训练数据集，单调效应开始消失。与常规GP相比，GP对GP的单调性施加的精度为较小。单调的GP可能在数据稀缺和嘈杂的应用中最有用，并且由强有力的物理证据支持单调性。

We study critical systems that allocate scarce resources to satisfy basic needs, such as homeless services that provide housing. These systems often support communities disproportionately affected by systemic racial, gender, or other injustices, so it is crucial to design these systems with fairness considerations in mind. To address this problem, we propose a framework for evaluating fairness in contextual resource allocation systems that is inspired by fairness metrics in machine learning. This framework can be applied to evaluate the fairness properties of a historical policy, as well as to impose constraints in the design of new (counterfactual) allocation policies. Our work culminates with a set of incompatibility results that investigate the interplay between the different fairness metrics we propose. Notably, we demonstrate that: 1) fairness in allocation and fairness in outcomes are usually incompatible; 2) policies that prioritize based on a vulnerability score will usually result in unequal outcomes across groups, even if the score is perfectly calibrated; 3) policies using contextual information beyond what is needed to characterize baseline risk and treatment effects can be fairer in their outcomes than those using just baseline risk and treatment effects; and 4) policies using group status in addition to baseline risk and treatment effects are as fair as possible given all available information. Our framework can help guide the discussion among stakeholders in deciding which fairness metrics to impose when allocating scarce resources.

众所周知，具有重新激活函数的完全连接的前馈神经网络可以表示的参数化函数家族恰好是一类有限的分段线性函数。鲜为人知的是，对于Relu神经网络的每个固定架构，参数空间都允许对称的正维空间，因此，在任何给定参数附近的局部功能维度都低于参数维度。在这项工作中，我们仔细地定义了功能维度的概念，表明它在Relu神经网络函数的参数空间中是不均匀的，并继续进行[14]和[5]中的调查 - 何时在功能维度实现其理论时最大。我们还研究了从参数空间到功能空间的实现图的商空间和纤维，提供了断开连接的纤维的示例，功能尺寸为非恒定剂的纤维以及对称组在其上进行非转换的纤维。

尽管最近的研究集中在量化单词用法上以找到叙事情感弧的整体形状，但叙事中叙事的某些特征仍有待探索。在这里，我们通过找到单词用法中波动开始相关的文本长度来表征亚叙事的叙事时间尺度。我们代表30,000多个项目Gutenberg书籍作为时间序列使用OusiOmetrics，这是一个具有基本含义的功率破坏者框架，本身是对价价 - 宽松义务框架的重新解释，这些框架源自语义差异。我们使用经验模式分解将每本书的力量和危险时间序列分解为组成振荡模式和非振荡趋势的总和。通过将原始力量和危险时间序列的分解与从洗牌文本中得出的分解，我们发现较短的书籍仅显示出一般趋势，而较长的书籍除了一般趋势外，还具有波动，类似于子图在一个中的弧线中的弧线。总体叙事弧。这些波动通常有几千个单词的时期，无论书籍长度或库分类代码如何，但根据书的内容和结构而有所不同。我们的方法提供了一种数据驱动的denoisising方法，可用于各种长度的文本，与使用大型窗口尺寸的更传统的方法相反，该方法可能会无意中平滑相关信息，尤其是对于较短的文本而言。

基于相关的回声声音浮标收集的数据，这些浮标附带了热带海洋中的鱼聚集设备（DFAD），当前的研究应用机器学习方案来检查金枪鱼学校关联的时间趋势以漂移对象。使用二进制输出，将文献中通常使用的指标适应以下事实，即考虑到DFAD下的整个金枪鱼聚合。金枪鱼首次在25至43天之间进行了金枪鱼的中位时间，取决于海洋，最长的浸泡和殖民时间在太平洋中注册。金枪鱼学校的连续停留时间通常比连续缺勤时间（分别在5到7天和9天和11天之间）短，与以前的研究结果一致。使用回归输出，估计两个新型指标，即聚集时间和分解时间，以进一步了解聚集过程的对称性。在所有海洋中，金枪鱼聚合离开DFAD所需的时间并不比聚集形成所花费的时间大得多。讨论了这些结果在“生态陷阱”假设的背景下的价值，并提出了进一步的分析以丰富和利用该数据源。

生物系统对形态损害非常强大，但人工系统（机器人）目前却不是。在本文中，我们介绍了一个基于神经细胞自动机的系统，其中运动机器人的进化，然后赋予能够通过基于梯度的训练从损害中再生其形态。因此，我们的方法结合了进化的好处，可以发现各种不同的机器人形态，以及通过可区别的更新规则对鲁棒性的监督培训的效率。所得的神经细胞自动机能够生长能够恢复超过80 \％功能的虚拟机器人，即使经过严重的形态损害。

具有自我分类的能力的材料有可能推进广泛的工程应用和行业。生物系统不仅具有自我调查的能力，而且还具有自我分类以确定一般形状和功能的能力。模块化机器人系统系统的先前工作仅使自我认识和自我授权成为特定的目标形状，缺少自然界中的固有稳健性。因此，在本文中，我们利用了深度学习和神经细胞自动机的最新进展，并提出了一个简单的模块化2D机器人系统，该系统可以通过其组件的局部通信来推断其自己的形状类别。此外，我们证明我们的系统可以成功地转移到硬件上，从而为未来的自我分类机提供了机会。可在https://github.com/kattwalker/projectCube上获得代码。视频可在https://youtu.be/0tcoke4keyc上找到。

索赔检测和验证对于新闻认识至关重要，并且已成为有前途的技术，以减轻新闻中的错误信息。然而，大多数现有的工作侧重于索赔句子的分析，同时俯瞰关键背景属性，例如索引者，声称对象和连接到索赔的其他知识。在这项工作中，我们提供了新闻本，新的基准，了解新闻领域的知识意识索赔检测。我们重新定义了索赔探测问题，包括提取与索赔相关的附加背景属性，并发布529索赔由103个新闻文章提示。此外，报讯人旨在在新兴场景中索取索赔检测系统，包括不少培训数据的看不见的主题。最后，我们对这款新基准测试提供了对各种零射和及时的基础基准的全面评估。

在移动机器人学中，区域勘探和覆盖率是关键能力。在大多数可用研究中，共同的假设是全球性，远程通信和集中合作。本文提出了一种新的基于群的覆盖控制算法，可以放松这些假设。该算法组合了两个元素：Swarm规则和前沿搜索算法。受到大量简单代理（例如，教育鱼，植绒鸟类，蜂拥昆虫）的自然系统的启发，第一元素使用三个简单的规则来以分布式方式维持群体形成。第二元素提供了选择有希望区域以使用涉及代理的相对位置的成本函数的最小化来探索（和覆盖）的装置。我们在不同环境中测试了我们的方法对异质和同质移动机器人的性能。我们衡量覆盖性能和允许本集团维持沟通的覆盖性能和群体形成统计数据。通过一系列比较实验，我们展示了拟议的策略在最近提出的地图覆盖方法和传统的人工潜在领域基于细胞覆盖，转变和安全路径的百分比，同时保持允许短程的形成沟通。

我们提出了一种使用持久性同源性（pH）的新的更有效的方法，一种方法来比较两个数据集的拓扑，用于训练深度网络以在空中图像中描绘道路网络和显微镜扫描中的神经元过程。它的本质是一种新的过滤功能，从两个现有技术的融合导出：基于阈值的过滤，以前用于将深网络培训到分段医学图像，并用高度函数过滤，以便在比较2D和3D形状之前使用。我们通过实验证明，深入的网络培训了我们的持久性同源性的损失，即道路网络和神经元过程的重建，这些过程比现有的拓扑和非拓扑损失功能更好地保持原件的连接性。