图形卷积神经网络（GCN）吸引了越来越多的注意力，并在各种计算机视觉任务中取得了良好的表现，但是，对GCN的内部机制缺乏明确的解释。对于标准的卷积神经网络（CNN），通常使用类激活映射（CAM）方法通过生成热图来可视化CNN的决策和图像区域之间的连接。尽管如此，当这些凸轮直接应用于GCN时，这种热图通常会显示出语义 - chaos。在本文中，我们提出了一种新颖的可视化方法，特别适用于GCN，顶点语义类激活映射（VS-CAM）。 VS-CAM包括两个独立的管道，分别制作一组语义探针图和一个语义基映射。语义探针图用于检测语义信息从语义碱图图中的语义信息，以汇总语义感知的热图。定性结果表明，VS-CAM可以获得与基于CNN的CAM更精确地匹配对象的热图。定量评估进一步证明了VS-CAM的优势。

In recent years, machine learning has achieved impressive results across different application areas. However, machine learning algorithms do not necessarily perform well on a new domain with a different distribution than its training set. Domain Adaptation (DA) is used to mitigate this problem. One approach of existing DA algorithms is to find domain invariant features whose distributions in the source domain are the same as their distribution in the target domain. In this paper, we propose to let the classifier that performs the final classification task on the target domain learn implicitly the invariant features to perform classification. It is achieved via feeding the classifier during training generated fake samples that are similar to samples from both the source and target domains. We call these generated samples domain-agnostic samples. To accomplish this we propose a novel variation of generative adversarial networks (GAN), called the MiddleGAN, that generates fake samples that are similar to samples from both the source and target domains, using two discriminators and one generator. We extend the theory of GAN to show that there exist optimal solutions for the parameters of the two discriminators and one generator in MiddleGAN, and empirically show that the samples generated by the MiddleGAN are similar to both samples from the source domain and samples from the target domain. We conducted extensive evaluations using 24 benchmarks; on the 24 benchmarks, we compare MiddleGAN against various state-of-the-art algorithms and outperform the state-of-the-art by up to 20.1\% on certain benchmarks.

随着越来越多的监控系统已部署到智能城市，因此，将新的人类指定要求转换为机器可靠的正式规格的需求更高。但是，这些特定于人类的要求通常以英语编写，并带来丢失，不准确或模棱两可的信息。在本文中，我们提出了CitySpec，这是一个智能城市中的智能助理系统。CitySpec不仅有助于克服英语要求和正式规格带来的语言差异，而且还为缺失，不准确或模棱两可的信息提供了解决方案。本文的目的是展示CitySpec的工作原理。具体而言，我们提出了三个演示：（1）CitySpec中需求的交互式完成；（2）CitySePC遇到例外的人类校正；（3）在城市范围内的在线学习。

智能城市已经开发了越来越多的监视系统，以确保城市的实时操作满足安全性和绩效要求。但是，许多现有的城市要求是用英语编写的，缺少，不准确或模棱两可的信息。有很高的需求，可以协助城市政策制定者将人类指定的要求转换为用于监视系统的机器可理解的形式规格。为了应对这一限制，我们构建了CitySpec，这是第一个在智能城市进行需求规范的智能助理系统。为了创建CitySpec，我们首先收集来自100多个城市的不同领域的1,500多个现实世界的需求，并提取特定于城市的知识，以生成带有3,061个单词的城市词汇数据集。我们还构建了翻译模型并通过需求综合来增强它，并在不确定性下使用验证开发新颖的在线学习框架。现实世界中城市需求的评估结果表明，CitySpec将需求规范的句子级别的准确性从59.02％提高到86.64％，并且对新城市和新领域具有强大的适应性（例如，西雅图的F1分数提高了需求。通过在线学习从77.6％到93.75％）。

现有域适应（DA）算法训练目标模型，然后使用目标模型对目标数据集中的所有样本进行分类。虽然这种方法试图解决源和目标数据来自不同分布的问题，但它无法认识到目标域内的可能性，某些样本比目标域更接近源域的分布领域。在本文中，我们开发了一种新颖的DA算法，即强制转移，该算法涉及这种情况。解决这一难题的一个直接但有效的想法是，使用分布外检测算法来决定在测试阶段，给定样品是否更接近源域，目标域或两者都不接近。在第一种情况下，该样本将提供给对源样本培训的机器学习分类器。在第二种情况下，该样本将提供给对目标样本训练的机器学习分类器。在第三种情况下，该样本被丢弃，因为既不是在源训练的ML模型，也不是在目标上训练的ML模型不适合对其进行分类。众所周知，神经网络中的前几个层提取了低级特征，因此可以从三种不同情况下对样品进行分类，以在三种不同情况下经验确定的层后进行样品的激活分类。强制转移实现了这个想法。在三种类型的DA任务上，我们优于与之相比的最新算法。