我们为多层神经网络架构定义了一种不断微弱的完美学习算法的概念，并表明了这种算法不存在，条件是数据集的长度超过所涉及的参数的数量，并且激活功能是逻辑，坦希或罪。

Only increasing accuracy without considering uncertainty may negatively impact Deep Neural Network (DNN) decision-making and decrease its reliability. This paper proposes five combined preprocessing and post-processing methods for time-series binary classification problems that simultaneously increase the accuracy and reliability of DNN outputs applied in a 5G UAV security dataset. These techniques use DNN outputs as input parameters and process them in different ways. Two methods use a well-known Machine Learning (ML) algorithm as a complement, and the other three use only confidence values that the DNN estimates. We compare seven different metrics, such as the Expected Calibration Error (ECE), Maximum Calibration Error (MCE), Mean Confidence (MC), Mean Accuracy (MA), Normalized Negative Log Likelihood (NLL), Brier Score Loss (BSL), and Reliability Score (RS) and the tradeoffs between them to evaluate the proposed hybrid algorithms. First, we show that the eXtreme Gradient Boosting (XGB) classifier might not be reliable for binary classification under the conditions this work presents. Second, we demonstrate that at least one of the potential methods can achieve better results than the classification in the DNN softmax layer. Finally, we show that the prospective methods may improve accuracy and reliability with better uncertainty calibration based on the assumption that the RS determines the difference between MC and MA metrics, and this difference should be zero to increase reliability. For example, Method 3 presents the best RS of 0.65 even when compared to the XGB classifier, which achieves RS of 7.22.

The library scikit-fda is a Python package for Functional Data Analysis (FDA). It provides a comprehensive set of tools for representation, preprocessing, and exploratory analysis of functional data. The library is built upon and integrated in Python's scientific ecosystem. In particular, it conforms to the scikit-learn application programming interface so as to take advantage of the functionality for machine learning provided by this package: pipelines, model selection, and hyperparameter tuning, among others. The scikit-fda package has been released as free and open-source software under a 3-Clause BSD license and is open to contributions from the FDA community. The library's extensive documentation includes step-by-step tutorials and detailed examples of use.

安全可靠的自主驾驶堆栈（AD）的设计是我们时代最具挑战性的任务之一。预计这些广告将在具有完全自主权的高度动态环境中驱动，并且比人类更大的可靠性。从这个意义上讲，要高效，安全地浏览任意复杂的流量情景，广告必须具有预测周围参与者的未来轨迹的能力。当前的最新模型通常基于复发，图形和卷积网络，在车辆预测的背景下取得了明显的结果。在本文中，我们探讨了在生成模型进行运动预测中注意力的影响，考虑到物理和社会环境以计算最合理的轨迹。我们首先使用LSTM网络对过去的轨迹进行编码，该网络是计算社会背景的多头自我发言模块的输入。另一方面，我们制定了一个加权插值来计算最后一个观测框中的速度和方向，以便计算可接受的目标点，从HDMAP信息的可驱动的HDMAP信息中提取，这代表了我们的物理环境。最后，我们的发电机的输入是从多元正态分布采样的白噪声矢量，而社会和物理环境则是其条件，以预测可行的轨迹。我们使用Argoverse运动预测基准1.1验证我们的方法，从而实现竞争性的单峰结果。

由于促进了各种复杂的任务，因此异质自动机器人团队变得越来越重要。对于此类异质机器人，目前尚无一致的方法来描述每个机器人提供的功能。在制造领域，功能建模被认为是针对不同机器提供的语义模型功能的一种有希望的方法。这项贡献研究了如何将能力模型从制造应用到自主机器人领域，并提出了这种能力模型的方法。

本文解决了如何从不确定性区域产生光滑的插值曲线的问题。为此，我们正式化了实时插值器（RTI）的概念：可训练的复发单元，可重建与接收到的不确定性区域以在线方式一致的光滑信号。更具体地说，RTI在揭示不确定性区域后立即重建信号部分的要求（零延迟），而无需更改前面部分中的重建信号。尤其是，这项工作制定了基于样条的RTI的设计，并提出了一个数据驱动的训练程序，该程序将插值信号的平均曲率最小化了一组示例序列。这些序列代表了要插值的数据序列的性质，从而使RTI定制为任何特定的信号源。由于其模块化结构，我们的总体设计允许不同的方案，但是在这项工作中，我们提出了两种方法，即参数化的RTI和基于RNN）基于RNN的RTI，包括其结构和属性。实验结果表明，可以训练两个提出的RTI，以提高相对于近视型RTI的提高性能（就曲率损失度量而言），该RTI仅在每个时间步骤中利用本地信息，同时保持光滑的，零 - 零票，，和一致性要求。

近年来，空中机器人背景下的高速导航和环境互动已成为几个学术和工业研究研究的兴趣领域。特别是，由于其若干环境中的潜在可用性，因此搜索和拦截（SAI）应用程序造成引人注目的研究区域。尽管如此，SAI任务涉及有关感官权重，板载计算资源，致动设计和感知和控制算法的具有挑战性的发展。在这项工作中，已经提出了一种用于高速对象抓握的全自动空中机器人。作为一个额外的子任务，我们的系统能够自主地刺穿位于靠近表面的杆中的气球。我们的第一款贡献是在致动和感觉水平的致动和感觉水平的空中机器人的设计，包括具有额外传感器的新型夹具设计，使机器人能够高速抓住物体。第二种贡献是一种完整的软件框架，包括感知，状态估计，运动计划，运动控制和任务控制，以便快速且强大地执行自主掌握任务。我们的方法已在一个具有挑战性的国际竞争中验证，并显示出突出的结果，能够在室外环境中以6米/分来自动搜索，遵循和掌握移动物体

增加分类变量的基数可能会降低ML算法的整体性能。本文介绍了一种新颖的计算预处理方法，用于转换为机器学习（ML）算法的数值变量的分类。在此方法中，我们选择并将三个分类特征转换为数值特征。首先，我们根据变量中类别的分布选择阈值参数。然后，我们使用条件概率将每个分类变量转换为两个新的数字变量，总共产生六个新的数变量。之后，我们将这六个数值送入到主成分分析（PCA）算法。接下来，我们选择主组件（PCS）的整个或部分数量。最后，通过使用十种不同的分类器应用二进制分类，我们测量了新编码器的性能，并将其与其他17个众所周知的类别编码器进行比较。所提出的技术实现了使用众所周知的网络安全NSLKDD DataSet对高基数分类变量下的曲线（AUC）下的最高性能。此外，我们定义了谐波平均指标，在火车和测试性能之间找到最佳权衡，并防止磨损和过度装备。最终，新创建的数字变量的数量很少。因此，该数据减少改善了计算处理时间，这可能减少5G未来电信网络中的处理数据。

风险评估在任何工作场所相关，然而，在处理易燃或危险物质时，在处理易燃或危险物质时，在这种情况下，这种情况都有程度的不可预测性可能是不够的。这的一个例子是喷射火灾的冲击，火焰的热量可以达到附近的设备，并显着增加Domino效应与灾难性结果的概率。因此，从风险管理的角度来看，这种火灾事故的表征是重要的。一种这样的表征将是火焰中不同辐射区的分割，因此本文提出了有关几种传统计算机视觉和深度学习分割方法来解决此具体问题的探索性研究。还探讨了使用丙烷喷射火灾的数据集丙烷喷射火灾训练和评估不同地区的分布以及寻求缓解数据不平衡的不同丢失功能的分布。此外，不同的指标与专家执行的手动排名相关联，以便对专家的标准密切相关的评估。 Hausdorff距离和调整后的随机索引是具有最高相关性的度量，并且从UNET架构获得了具有加权交叉熵损耗的最佳结果。这些结果可用于未来的研究，以从分割面具中提取更多几何信息，或者甚至可以在其他类型的火灾事故中实施。

Ithaca is a Fuzzy Logic (FL) plugin for developing artificial intelligence systems within the Unity game engine. Its goal is to provide an intuitive and natural way to build advanced artificial intelligence systems, making the implementation of such a system faster and more affordable. The software is made up by a C\# framework and an Application Programming Interface (API) for writing inference systems, as well as a set of tools for graphic development and debugging. Additionally, a Fuzzy Control Language (FCL) parser is provided in order to import systems previously defined using this standard.