使用计算流体动力学（CFD）方法近似风流可能是耗时的。创建用于在观察风流量变化的同时以交互式设计原型的工具需要更简单的模型来模拟更快。代替运行数值近似导致的详细计算，深度学习中的数据驱动方法可能能够在一小部分中提供类似的结果。这项工作将使用CFD计算到计算3D流场的问题，以在建筑占地面积上使用CFD到基于2D图像到图像转换的问题，以预测行人高度水平的流场。我们调查使用生成的对冲网络（GAN），例如PIX2PIX [1]和CYCREGAN [2]代表各种域中的图像到图像转换任务以及U-Net AutoEncoder [ 3]。模型可以以数据驱动的方式学习数据集的基础分布，我们认为可以帮助模型从CFD中了解底层雷诺平均的Navier-Stokes（RANS）方程。我们在具有且没有高度信息的各种三维诈唬型建筑物上进行新型模拟数据集。此外，我们为生成的图像提供了广泛的定性和定量评估，以选择模型，并将其性能与CFD传递的模拟进行比较。然后，我们通过提出用于在不同架构上注入这种信息的一般框架，将位置数据添加到输入可以产生更准确的结果。此外，我们表明模型通过应用注意机制和光谱归一化来改善，以便于稳定训练。

在这项工作中，我们认为寻找人工通用智能（AGI）应该从比人类水平的智能低得多的水平开始。自然界中智能行为的环境是由于有机体与周围环境相互作用的情况，这种环境可能会随着时间的流逝而改变，并对有机体施加压力，以便学习新的行为或环境模型。我们的假设是，学习是通过解释代理在环境中作用时的感觉反馈而发生的。为此，需要一个身体和反应性环境。我们评估了一种进化生物学启发的人工神经网络的方法，该神经网络从名为“人工通用智能的神经进化”（Nagi）的环境反应中学习，这是一个低水平AGI的框架。该方法允许使用自适应突触的随机启用尖峰神经网络的进化络合，该神经网络控制在可变环境中实例化的代理。这种配置使我们能够基准基准控制器的适应性和通用性。可变环境中所选的任务是食品觅食，逻辑门的仿真和卡特杆平衡。这三个任务通过相当小的网络拓扑成功解决，因此，它打开了实验更复杂的任务和方案的可能性，其中课程学习是有益的。

CT肝图像的基于内容的图像检索（CBIR）的深度基于学习的方法是一个积极的研究领域，但受到了一些关键局限性。首先，它们非常依赖标签的数据，这可能是具有挑战性的，而且获取成本很高。其次，它们缺乏透明度和解释性，这限制了深CBIR系统的可信度。我们通过（1）提出一个自制的学习框架来解决这些局限性，该框架将领域知识纳入培训过程中，以及（2）在CT肝图像的CBIR背景下提供首次表示学习解释性分析。结果表明，与几个指标的标准自我监督方法相比，性能的提高，并且在跨数据集的概括方面得到了改善。此外，我们在CBIR的背景下进行了首次表示学习性分析，该分析揭示了对特征提取过程的新见解。最后，我们通过盘问CBIR进行了一个案例研究，该案例证明了我们提出的框架的可用性。我们认为，我们提出的框架可以在创建可信赖的深层CBIR系统中发挥至关重要的作用，这些系统可以成功利用未标记的数据。

在本文中，我们提出了一种基于深度学习的数值方案，用于强烈耦合FBSDE，这是由随机控制引起的。这是对深度BSDE方法的修改，其中向后方程的初始值不是一个免费参数，并且新的损失函数是控制问题的成本的加权总和，而差异项与与该的差异相吻合终端条件下的平均误差。我们通过一个数值示例表明，经典深度BSDE方法的直接扩展为FBSDE，失败了简单的线性季度控制问题，并激励新方法为何工作。在定期和有限性的假设上，对时间连续和时间离散控制问题的确切控制，我们为我们的方法提供了错误分析。我们从经验上表明，该方法收敛于三个不同的问题，一个方法是直接扩展Deep BSDE方法的问题。

尽管通过自我监督的代表学习的重要改进导致了从未标记数据学习时，但不存在任何方法，以解释影响学习的代表性的东西。我们通过拟议的方法来解决这一需求，放松，这是一种基于归因的归因的解释的方法。我们的方法还可以在其解释中模拟不确定性，这对于产生值得信赖的解释至关重要。放松通过测量输入和屏蔽版本之间的表示空间中的相似性来解释表示，提供直观的解释并显着优于基于梯度的基线。我们提供了对使用监督和无监督学习培训的特征提取器的新颖分析，提供了对不同学习策略的见解。最后，我们说明了在多视图聚类中放松的可用性，并强调结合不确定性对于提供低复杂性解释是必不可少的，这对解释表示来说至关重要。

我们探讨了H. C. Andersen的童话故事的情感弧与其受欢迎程度之间的相关性，以平台Goodreads的平均分数测量。具体来说，我们并没有想象一个故事的整体感情趋势作为预测的\纺织{本身}，但我们关注其随着时间的推移而被关注的是，弧际肿大的指数所代表。我们发现有辱人格的赫斯特值往往意味着提高质量分数，而第55和.65之间的肿仓指数可能表明文学欣赏的“甜蜜点”。

Demand for high-performance, robust, and safe autonomous systems has grown substantially in recent years. These objectives motivate the desire for efficient safety-theoretic reasoning that can be embedded in core decision-making tasks such as motion planning, particularly in constrained environments. On one hand, Monte-Carlo (MC) and other sampling-based techniques provide accurate collision probability estimates for a wide variety of motion models but are cumbersome in the context of continuous optimization. On the other, "direct" approximations aim to compute (or upper-bound) the failure probability as a smooth function of the decision variables, and thus are convenient for optimization. However, existing direct approaches fundamentally assume discrete-time dynamics and can perform unpredictably when applied to continuous-time systems ubiquitous in the real world, often manifesting as severe conservatism. State-of-the-art attempts to address this within a conventional discrete-time framework require additional Gaussianity approximations that ultimately produce inconsistency of their own. In this paper we take a fundamentally different approach, deriving a risk approximation framework directly in continuous time and producing a lightweight estimate that actually converges as the underlying discretization is refined. Our approximation is shown to significantly outperform state-of-the-art techniques in replicating the MC estimate while maintaining the functional and computational benefits of a direct method. This enables robust, risk-aware, continuous motion-planning for a broad class of nonlinear and/or partially-observable systems.

空间变压器网络（STNS）估计图像变换，可以通过“放大”图像中的相关区域来改善下游任务。但是，STN很难训练，并且对转型的错误预测敏感。为了避免这些局限性，我们提出了一种概率扩展，该扩展估计了随机转化而不是确定性的转换。边缘化转换使我们能够以多个姿势考虑每个图像，这使本地化任务变得更加容易，并且培训更加健壮。作为另一个好处，随机转换充当了局部，学习的数据增强，可改善下游任务。我们在标准成像基准和充满挑战的现实数据集中显示，这两种属性可改善分类性能，鲁棒性和模型校准。我们进一步证明，该方法通过改善时间序列数据的模型性能来推广到非视觉域。