The advent of Federated Learning (FL) has ignited a new paradigm for parallel and confidential decentralized Machine Learning (ML) with the potential of utilizing the computational power of a vast number of IoT, mobile and edge devices without data leaving the respective device, ensuring privacy by design. Yet, in order to scale this new paradigm beyond small groups of already entrusted entities towards mass adoption, the Federated Learning Framework (FLF) has to become (i) truly decentralized and (ii) participants have to be incentivized. This is the first systematic literature review analyzing holistic FLFs in the domain of both, decentralized and incentivized federated learning. 422 publications were retrieved, by querying 12 major scientific databases. Finally, 40 articles remained after a systematic review and filtering process for in-depth examination. Although having massive potential to direct the future of a more distributed and secure AI, none of the analyzed FLF is production-ready. The approaches vary heavily in terms of use-cases, system design, solved issues and thoroughness. We are the first to provide a systematic approach to classify and quantify differences between FLF, exposing limitations of current works and derive future directions for research in this novel domain.

这项研究使用来自不同模式的小配对数据实现了描述和动作之间的双向翻译。相互生成描述和动作的能力对于机器人在日常生活中与人类合作至关重要，这通常需要一个大型数据集，该数据集可维护两种模态数据的全面对。但是，配对的数据集构造昂贵，很难收集。为了解决这个问题，本研究提出了一种双向翻译的两阶段培训方法。在提出的方法中，我们训练经常性的自动编码器（RAES），以使用大量非生产数据进行描述和动作。然后，我们对整个模型进行了修订，以使用小配对数据绑定其中间表示。由于用于培训预训练的数据不需要配对，因此可以使用仅行为的数据或大型语言语料库。我们使用由运动捕获动作和描述组成的配对数据集对我们的方法进行了实验评估。结果表明，即使要训练的配对数据量很小，我们的方法也表现良好。每个RAE的中间表示的可视化表明，相似的作用是在簇位置上编码的，并且相应的特征向量很好地排列。

我们考虑从原始数据学习自由形式符号表达的问题，例如由任何科学域的实验产生的。精确和可解释的科学现象模型是科学研究的基石。简单但可诠释的模型，例如线性或逻辑回归和决策树通常缺乏预测的准确性。或者，精确的黑箱模型，如深神经网络，提供了高的预测精度，但不容易承认以丰富的这种现象理论的方式承认人类的理解。科学的许多巨大突破围绕着高预测准确性的扩大公正模型的发展，如牛顿的法律，普遍引力和麦克斯韦方程式。以前的工作是自动化从数据中搜索公正模型，结合了域特定启发式，以及计算昂贵的技术，例如遗传编程和蒙特卡罗搜索。我们开发一个深度神经网络（MACSYMA），以解决符号回归问题作为端到端的监督学习问题。 MacSyma可以生成描述数据集的符号表达式。任务的计算复杂性降低到神经网络的前馈计算。我们在由不同长度和不同噪声水平的数据表上培训我们的神经网络，其中神经网络必须学习通过令牌生成正确的符号表达式令牌。最后，我们通过在行为科学的公共数据集上运行来验证我们的技术。

对行人行为的预测对于完全自主车辆安全有效地在繁忙的城市街道上驾驶至关重要。未来的自治车需要适应混合条件，不仅具有技术还是社会能力。随着更多算法和数据集已经开发出预测行人行为，这些努力缺乏基准标签和估计行人的时间动态意图变化的能力，提供了对交互场景的解释，以及具有社会智能的支持算法。本文提出并分享另一个代表数据集，称为Iupui-CSRC行人位于意图（PSI）数据，除了综合计算机视觉标签之外，具有两种创新标签。第一部小说标签是在自助式车辆前面交叉的行人的动态意图变化，从24个司机中实现了不同的背景。第二个是在估计行人意图并在交互期间预测其行为时对驾驶员推理过程的基于文本的解释。这些创新标签可以启用几个计算机视觉任务，包括行人意图/行为预测，车辆行人互动分割和用于可解释算法的视频到语言映射。发布的数据集可以从根本上从根本上改善行人行为预测模型的发展，并开发社会智能自治车，以有效地与行人进行互动。 DataSet已被不同的任务进行评估，并已释放到公众访问。