我们为有限的信息提供了一种用于平行扩散过程的超分辨率模型。虽然大多数超分辨率模型在训练中假设高分辨率（HR）地面真实数据，但在许多情况下，这种HR数据集不易访问。在这里，我们表明，通过基于物理的规则化训练的经常性卷积网络能够在不具有HR地面真实数据的情况下重建HR信息。此外，考虑到超分辨率问题的不良性质，我们采用了经常性的Wasserstein AutoEncoder来模拟不确定性。

This white paper lays out a vision of research and development in the field of artificial intelligence for the next decade (and beyond). Its denouement is a cyber-physical ecosystem of natural and synthetic sense-making, in which humans are integral participants$\unicode{x2014}$what we call ''shared intelligence''. This vision is premised on active inference, a formulation of adaptive behavior that can be read as a physics of intelligence, and which inherits from the physics of self-organization. In this context, we understand intelligence as the capacity to accumulate evidence for a generative model of one's sensed world$\unicode{x2014}$also known as self-evidencing. Formally, this corresponds to maximizing (Bayesian) model evidence, via belief updating over several scales: i.e., inference, learning, and model selection. Operationally, this self-evidencing can be realized via (variational) message passing or belief propagation on a factor graph. Crucially, active inference foregrounds an existential imperative of intelligent systems; namely, curiosity or the resolution of uncertainty. This same imperative underwrites belief sharing in ensembles of agents, in which certain aspects (i.e., factors) of each agent's generative world model provide a common ground or frame of reference. Active inference plays a foundational role in this ecology of belief sharing$\unicode{x2014}$leading to a formal account of collective intelligence that rests on shared narratives and goals. We also consider the kinds of communication protocols that must be developed to enable such an ecosystem of intelligences and motivate the development of a shared hyper-spatial modeling language and transaction protocol, as a first$\unicode{x2014}$and key$\unicode{x2014}$step towards such an ecology.

Reliable application of machine learning-based decision systems in the wild is one of the major challenges currently investigated by the field. A large portion of established approaches aims to detect erroneous predictions by means of assigning confidence scores. This confidence may be obtained by either quantifying the model's predictive uncertainty, learning explicit scoring functions, or assessing whether the input is in line with the training distribution. Curiously, while these approaches all state to address the same eventual goal of detecting failures of a classifier upon real-life application, they currently constitute largely separated research fields with individual evaluation protocols, which either exclude a substantial part of relevant methods or ignore large parts of relevant failure sources. In this work, we systematically reveal current pitfalls caused by these inconsistencies and derive requirements for a holistic and realistic evaluation of failure detection. To demonstrate the relevance of this unified perspective, we present a large-scale empirical study for the first time enabling benchmarking confidence scoring functions w.r.t all relevant methods and failure sources. The revelation of a simple softmax response baseline as the overall best performing method underlines the drastic shortcomings of current evaluation in the abundance of publicized research on confidence scoring. Code and trained models are at https://github.com/IML-DKFZ/fd-shifts.

代理商必须连续监视其伴侣的情感状态，以了解和参与社交互动。但是，评估情感识别的方法不能说明在情感状态之间的阻塞或过渡期间可能发生的分类绩效的变化。本文解决了在婴儿机器人相互作用的背景下影响分类表现的时间模式，在这种情况下，婴儿的情感状态有助于他们参与治疗性腿部运动活动的能力。为了支持视频记录中面部遮挡的鲁棒性，我们训练了婴儿使用面部和身体功能的识别分类器。接下来，我们对表现最佳模型进行了深入的分析，以评估随着模型遇到丢失的数据和不断变化的婴儿影响，性能如何随时间变化。在高度信心提取功能的时间窗口期间，经过训练的面部功能的单峰模型与在面部和身体特征训练的多模式模型相同的最佳性能。但是，在整个数据集上评估时，多模型模型的表现优于单峰模型。此外，在预测情感状态过渡并在对同一情感状态进行多个预测后改善时，模型性能是最弱的。这些发现强调了将身体特征纳入婴儿的连续影响识别的好处。我们的工作强调了随着时间的流逝和在存在丢失的数据的存在时，评估模型性能变异性的重要性。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

计算机辅助方法为诊断和预测脑疾病显示了附加的价值，因此可以支持临床护理和治疗计划中的决策。本章将洞悉方法的类型，其工作，输入数据（例如认知测试，成像和遗传数据）及其提供的输出类型。我们将专注于诊断的特定用例，即估计患者的当前“状况”，例如痴呆症的早期检测和诊断，对脑肿瘤的鉴别诊断以及中风的决策。关于预测，即对患者的未来“状况”的估计，我们将缩小用例，例如预测多发性硬化症中的疾病病程，并预测脑癌治疗后患者的结局。此外，根据这些用例，我们将评估当前的最新方法，并强调当前对这些方法进行基准测试的努力以及其中的开放科学的重要性。最后，我们评估了计算机辅助方法的当前临床影响，并讨论了增加临床影响所需的下一步。

我们介绍并评估了一种弱监督的方法，以基于远程感知的数据和接近零的人类相互作用来量化城市森林的时空分布。成功训练语义细分的机器学习模型通常取决于高质量标签的可用性。我们评估高分辨率，三维点云数据（LIDAR）作为嘈杂标签的来源的好处，以便训练模型以在正吞原中的定位。作为概念证明，我们感觉到桑迪飓风对纽约市康尼岛（NYC）的城市森林的影响，并将其引用到纽约布鲁克林的影响较小的城市空间。

超声（US）成像数据的分割和空间比对在头三个月获得的数据对于监测整个关键时期的人类胚胎生长和发育至关重要。当前的方法是手动或半自动的，因此非常耗时，容易出现错误。为了自动执行这些任务，我们提出了一个多ATLAS框架，用于使用深度学习，以最小的监督使用深度学习，以自动分割和空间对齐。我们的框架学会了将胚胎注册到地图集，该地图集由在胎龄（GA）范围内获取的美国图像组成，分段并在空间上与预定义的标准方向排列。由此，我们可以得出胚胎的分割，并将胚胎放在标准方向上。使用在8+0到12+6周GA的美国图像，并选择了八个受试者作为地图集。我们评估了不同的融合策略，以合并多个地图集：1）使用单个主题中的地图集训练框架，2）使用所有可用地图的数据训练框架和3）3）结合每个受试者训练的框架。为了评估性能，我们计算了测试集的骰子分数。我们发现，使用所有可用地图的训练框架优于结合的结合，与对单个主题进行培训的所有框架中的最佳框架相比，给出了类似的结果。此外，我们发现，从所有可用的地图中，从GA最接近的四个图像中选择图像，无论个人质量如何，都以0.72的中位数分数获得了最佳效果。我们得出的结论是，我们的框架可以准确地分割和空间对齐孕妇在3D US图像中对胚胎进行对齐，并且对于可用地图中存在的质量变化是可靠的。我们的代码可在以下网址公开获取：https：//github.com/wapbastiaansen/multi-atlas-seg-reg。

放射线学使用定量医学成像特征来预测临床结果。目前，在新的临床应用中，必须通过启发式试验和纠正过程手动完成各种可用选项的最佳放射组方法。在这项研究中，我们提出了一个框架，以自动优化每个应用程序的放射线工作流程的构建。为此，我们将放射线学作为模块化工作流程，并为每个组件包含大量的常见算法。为了优化每个应用程序的工作流程，我们使用随机搜索和结合使用自动化机器学习。我们在十二个不同的临床应用中评估我们的方法，从而在曲线下导致以下区域：1）脂肪肉瘤（0.83）； 2）脱粘型纤维瘤病（0.82）; 3）原发性肝肿瘤（0.80）; 4）胃肠道肿瘤（0.77）； 5）结直肠肝转移（0.61）; 6）黑色素瘤转移（0.45）; 7）肝细胞癌（0.75）; 8）肠系膜纤维化（0.80）; 9）前列腺癌（0.72）； 10）神经胶质瘤（0.71）; 11）阿尔茨海默氏病（0.87）;和12）头颈癌（0.84）。我们表明，我们的框架具有比较人类专家的竞争性能，优于放射线基线，并且表现相似或优于贝叶斯优化和更高级的合奏方法。最后，我们的方法完全自动优化了放射线工作流的构建，从而简化了在新应用程序中对放射线生物标志物的搜索。为了促进可重复性和未来的研究，我们公开发布了六个数据集，框架的软件实施以及重现这项研究的代码。

在本作的工作中，提出了两种基于机器学习的有限变形的本质型模型。使用输入凸神经网络，该模型是过度塑化的，各向异性的并且实现了多种凸起条件，这意味着椭圆形，因此确保了材料稳定性。第一本构模型基于一组多晶硅，各向异性和目标不变。第二种方法在变形梯度，其辅助因子和决定簇方面配制，使用组对称性来满足材料对称条件，以及数据增强以满足客观性大致。数据集的扩展为数据增强方法是基于机械考虑，不需要额外的实验或模拟数据。该模型具有高度具有挑战性的立方晶格超材料的模拟数据，包括有限变形和格子稳定性。基于在实验研究中通常应用的变形，使用适量的校准数据。虽然基于不变的模型显示了几种变形模式的缺点，但是仅基于变形梯度的模型能够非常好地再现和预测有效的材料行为，并且表现出优异的泛化能力。此外，使用分析多晶硅电位产生横向各向同性数据校准模型。在这种情况下，两种模型都表现出优异的结果，展示了PolyConvex神经网络本构模型对其他对称组的直接适用性。