我们提供了公式和开源工具，以使用学识渊博的前动力学和设备计算来实现传感器/执行器系统的内部模型预测控制。微控制器单元（MCUS）在与传感器和执行器共关联时计算预测和控制任务的微控制器单元（MCUS）可以实现内部不受束缚的行为。在这种方法中，小型参数大小神经网络模型离线学习前进运动学。我们的开源编译器NN4MC生成代码以将这些预测卸载到MCUS上。然后，牛顿 - 拉夫森求解器实时计算控件输入。我们首先基准在质量 - 弹簧抑制剂模拟上针对PID控制器的这种非线性控制方法。然后，我们在两个具有不同传感，驱动和计算硬件的实验钻机上研究实验结果：具有嵌入式照明传感器的基于肌腱的平台和带有磁性传感器的基于HASEL的平台。实验结果表明，具有较小的内存足迹（小于或等于闪存的6.4％）的参考路径（大于或等于120 Hz）的有效高带宽跟踪。在基于肌腱的平台中，测得的误差之后路径不超过2mm。在基于HASEL的平台中，模拟路径以下误差不超过1mm。这种方法在ARM Cortex-M4F设备中的平均功耗为45.4 MW。这种控制方法还与Tensorflow Lite模型和等效的在设备代码兼容。内物质智能使一类新的复合材料将自主权注入具有精制人工本体感受的结构和系统。

Monte-Carlo Tree Search (MCTS) is an adversarial search paradigm that first found prominence with its success in the domain of computer Go. Early theoretical work established the game-theoretic soundness and convergence bounds for Upper Confidence bounds applied to Trees (UCT), the most popular instantiation of MCTS; however, there remain notable gaps in our understanding of how UCT behaves in practice. In this work, we address one such gap by considering the question of whether UCT can exhibit lookahead pathology -- a paradoxical phenomenon first observed in Minimax search where greater search effort leads to worse decision-making. We introduce a novel family of synthetic games that offer rich modeling possibilities while remaining amenable to mathematical analysis. Our theoretical and experimental results suggest that UCT is indeed susceptible to pathological behavior in a range of games drawn from this family.

公平感知机器学习的文献知道很多不同的公平概念。然而，众所周知，不可能满足所有人，因为某些概念相互矛盾。在本文中，我们仔细研究了学业绩效预测（APP）系统，并尝试提出最适合这项任务的公平性。为此，我们扫描了最近的文献提出了有关使用哪种公平概念并将这些准则应用于应用程序的准则。我们的发现表明，基于App的Wysiwyg Worldview以及对人群的潜在长期改善，均等的赔率是最适合APP的概念。

机器学习渗透到许多行业，这为公司带来了新的利益来源。然而，在人寿保险行业中，机器学习在实践中并未被广泛使用，因为在过去几年中，统计模型表明了它们的风险评估效率。因此，保险公司可能面临评估人工智能价值的困难。随着时间的流逝，专注于人寿保险行业的修改突出了将机器学习用于保险公司的利益以及通过释放数据价值带来的利益。本文回顾了传统的生存建模方法论，并通过机器学习技术扩展了它们。它指出了与常规机器学习模型的差异，并强调了特定实现在与机器学习模型家族中面对审查数据的重要性。在本文的补充中，已经开发了Python库。已经调整了不同的开源机器学习算法，以适应人寿保险数据的特殊性，即检查和截断。此类模型可以轻松地从该SCOR库中应用，以准确地模拟人寿保险风险。

即使有效，模型的使用也必须伴随着转换数据的各个级别的理解（上游和下游）。因此，需求增加以定义单个数据与算法可以根据其分析可以做出的选择（例如，一种产品或一种促销报价的建议，或代表风险的保险费率）。模型用户必须确保模型不会区分，并且也可以解释其结果。本文介绍了模型解释的重要性，并解决了模型透明度的概念。在保险环境中，它专门说明了如何使用某些工具来强制执行当今可以利用机器学习的精算模型的控制。在一个简单的汽车保险中损失频率估计的示例中，我们展示了一些解释性方法的兴趣，以适应目标受众的解释。

我们解决了一项新的任务，即计数和检测。给定目标对象类的一些示例边界框，我们试图计数和检测目标类的所有对象。该任务与几个弹出对象计数相同的监督，但另外还输出对象边界框以及总体计数。为了解决这个具有挑战性的问题，我们介绍了一种新颖的两阶段训练策略和一种新颖的不确定性 - 少数光对象探测器：计数 - 滴定。前者的目的是生成伪距离界限框来训练后者。后者利用了前者提供的伪基真实，但采取了必要的步骤来解释伪基真实的不完美。为了验证我们在新任务上的方法的性能，我们介绍了两个名为FSCD-147和FSCD-LVIS的新数据集。两个数据集都包含具有复杂场景，每个图像多个对象类的图像，并且对象形状，大小和外观的巨大变化。我们提出的方法优于非常强大的基线，该基线是根据数量计数和少量对象检测而适应的，并且在计数和检测指标中均具有很大的余量。代码和模型可在\ url {https://github.com/vinairesearch/counting-detr}中获得。

本文在3D Point Cloud中介绍了一个新问题：很少示例实例分割。给定一些带注释的点云举例说明了目标类，我们的目标是在查询点云中细分该目标类的所有实例。这个问题具有广泛的实用应用，在重点实例分段注释非常昂贵的收集中。为了解决此问题，我们提出了测量形式 - 第一个用于3D点云实例分割的地球引导变压器。关键的想法是利用大地距离来应对LIDAR 3D点云的密度不平衡。 LIDAR 3D点云在物体表面附近茂密，在其他地方稀疏或空，使欧几里得距离较差以区分不同的物体。另一方面，大地测量距离更合适，因为它编码了场景的几何形状，该几何形状可以用作变压器解码器中注意机制的指导信号，以生成代表实例的不同特征的内核。然后将这些内核用于动态卷积以获得最终实例掩模。为了评估新任务上的测量形式，我们提出了两个常见的3D点云实例分割数据集的新拆分：ScannETV2和S3DIS。地球形式始终优于根据最新的3D点云实例分割方法的强大基线，并具有明显的余量。代码可从https://github.com/vinairesearch/geoformer获得。

我们提出了一种用于少量视频分类的新方法，该方法可以执行外观和时间对齐。特别是，给定一对查询和支持视频，我们通过框架级功能匹配进行外观对齐，以在视频之间达到外观相似性得分，同时利用时间订单保留的先验来获得视频之间的时间相似性得分。此外，我们介绍了一些视频分类框架，该框架利用了多个步骤的上述外观和时间相似性得分，即基于原型的训练和测试，以及电感和thresductive和转导的原型细化。据我们所知，我们的工作是第一个探索跨传感器的视频分类的工作。动力学和某些事物的V2数据集进行了广泛的实验表明，外观和时间对齐对于具有时间订单敏感性的数据集至关重要。我们的方法与两个数据集上的以前方法相似或更好的结果。我们的代码可在https://github.com/vinairesearch/fsvc-ata上找到。

对于无人机和电池操作的自动驾驶系统，具有最低计算和能源成本的准确深度估计是至关重要的。机器人应用需要在快速变化的3D周围环境下进行导航和决策的实时深度估算。高精度算法可能会提供最佳的深度估计，但可能会消耗巨大的计算和能源资源。一般的权衡是选择较少准确的方法来进行初始深度估计，并在需要时选择更准确但更加密集的方法。先前的工作表明，可以通过开发最先进的方法（AnyNet）来改善立体声深度估计来改善这种权衡。我们研究了单眼和立体视觉深度估计方法，并研究了降低这些方法计算复杂性的方法。这是我们的基线。因此，我们的实验表明，单眼深度估计模型的大小降低了〜75％，将精度降低了不到2％（SSIM度量）。我们对新型立体声视觉方法（AnyNET）进行的实验表明，尽管模型大小降低了约20％，但深度估计的准确性不会降低3％以上（三个像素误差度量）。我们已经表明，较小的模型确实可以竞争性能。

在这项工作中，我们建议使用分布式样本，即来自目标类别外部的未标记样本，以改善几乎没有记录的学习。具体而言，我们利用易于可用的分布样品来驱动分类器，以避免通过最大化原型到分布样品的距离，同时最大程度地减少分布样品的距离（即支持，查询数据），以避免使用分类器。。我们的方法易于实施，不可知论的是提取器，轻量级，而没有任何额外的预训练费用，并且适用于归纳和跨传输设置。对各种标准基准测试的广泛实验表明，所提出的方法始终提高具有不同架构的预审计网络的性能。