实现自动化车辆和外部服务器，智能基础设施和其他道路使用者之间的安全可靠的高带宽低度连通性是使全自动驾驶成为可能的核心步骤。允许这种连接性的数据接口的可用性有可能区分人造代理在连接，合作和自动化的移动性系统中的功能与不具有此类接口的人类操作员的能力。连接的代理可以例如共享数据以构建集体环境模型，计划集体行为，并从集中组合的共享数据集体学习。本文提出了多种解决方案，允许连接的实体交换数据。特别是，我们提出了一个新的通用通信界面，该界面使用消息排队遥测传输（MQTT）协议连接运行机器人操作系统（ROS）的代理。我们的工作整合了以各种关键绩效指标的形式评估连接质量的方法。我们比较了各种方法，这些方法提供了5G网络中Edge-Cloud LiDAR对象检测的示例性用例所需的连接性。我们表明，基于车辆的传感器测量值的可用性与从边缘云中接收到相应的对象列表之间的平均延迟低于87毫秒。所有实施的解决方案均可为开源并免费使用。源代码可在https://github.com/ika-rwth-aachen/ros-v2x-benchmarking-suite上获得。

RGB互补的金属氧化物导体（CMOS）传感器在可见光光谱中起作用。因此，它对环境光条件非常敏感。相反，在8-14微米光谱带中运行的长波红外（LWIR）传感器，与可见光无关。在本文中，我们利用视觉和热感知单元来实现可靠的对象检测目的。在FLIR [1]数据集的精致同步和（交叉）标记之后，该多模式感知数据通过卷积神经网络（CNN），以检测道路上的三个关键物体，即行人，自行车和汽车。在评估RGB和红外线（通常可以互换使用热和红外）传感器后，将各种网络结构进行比较，以有效地将数据融合在功能级别上。我们的RGB-Thermal（RGBT）融合网络利用了新型的熵块注意模块（EBAM），以82.9％的地图优于最先进的网络[2]。

In recent years, several metrics have been developed for evaluating group fairness of rankings. Given that these metrics were developed with different application contexts and ranking algorithms in mind, it is not straightforward which metric to choose for a given scenario. In this paper, we perform a comprehensive comparative analysis of existing group fairness metrics developed in the context of fair ranking. By virtue of their diverse application contexts, we argue that such a comparative analysis is not straightforward. Hence, we take an axiomatic approach whereby we design a set of thirteen properties for group fairness metrics that consider different ranking settings. A metric can then be selected depending on whether it satisfies all or a subset of these properties. We apply these properties on eleven existing group fairness metrics, and through both empirical and theoretical results we demonstrate that most of these metrics only satisfy a small subset of the proposed properties. These findings highlight limitations of existing metrics, and provide insights into how to evaluate and interpret different fairness metrics in practical deployment. The proposed properties can also assist practitioners in selecting appropriate metrics for evaluating fairness in a specific application.

Epistemic logics typically talk about knowledge of individual agents or groups of explicitly listed agents. Often, however, one wishes to express knowledge of groups of agents specified by a given property, as in `it is common knowledge among economists'. We introduce such a logic of common knowledge, which we term abstract-group epistemic logic (AGEL). That is, AGEL features a common knowledge operator for groups of agents given by concepts in a separate agent logic that we keep generic, with one possible agent logic being ALC. We show that AGEL is EXPTIME-complete, with the lower bound established by reduction from standard group epistemic logic, and the upper bound by a satisfiability-preserving embedding into the full $\mu$-calculus. Further main results include a finite model property (not enjoyed by the full $\mu$-calculus) and a complete axiomatization.

我们研究了随着正则化参数的消失，差异调节的最佳转运的收敛性消失。一般差异的尖锐费率包括相对熵或$ l^{p} $正则化，一般运输成本和多边界问题。使用量化和Martingale耦合的新方法适用于非紧密的边际和实现，特别是对于所有有限$（2+ \ delta）$ - 时刻的边缘的熵正规化2-wasserstein距离的尖锐前阶项。

该注释有三个目的：（i）我们提供了一个独立的说明，表明在可能的（PAC）模型中，连接性查询无法有效地学习，从而明确注意这一概念阶级缺乏这一概念的事实，多项式大小的拟合属性，在许多计算学习理论文献中被默认假设的属性；（ii）我们建立了强大的负PAC可学习性结果，该结果适用于许多限制类别的连接性查询（CQ），包括针对广泛的“无循环”概念的无孔CQ；（iii）我们证明CQ可以通过会员查询有效地学习PAC。

单眼3D人姿势估计技术有可能大大增加人类运动数据的可用性。单位图2D-3D提升使用图卷积网络（GCN）的表现最佳模型，通常需要一些手动输入来定义不同的身体关节之间的关系。我们提出了一种基于变压器的新型方法，该方法使用更广泛的自我发场机制来学习代表关节的代币序列。我们发现，使用中间监督以及堆叠编码器福利性能之间的剩余连接。我们还建议，将错误预测作为多任务学习框架的一部分，可以通过允许网络弥补其置信度来改善性能。我们进行广泛的消融研究，以表明我们的每项贡献都会提高性能。此外，我们表明我们的方法的表现超过了最新的单帧3D人类姿势估计的最新技术状态。我们的代码和训练有素的模型可在GitHub上公开提供。

软件错误预测预测是一个活跃的研究领域，许多因素影响了预测性能。但是，除了一项初始工作外，尚未研究学习方法（即，用于培训和预测目标变量的数据的细节）对预测性能的影响。本文探讨了两种学习方法的影响，即Useallpredictall和usePredictPost，对软件错误预测预测的性能，包括释放内部和跨释放。经验结果基于从十二个开源项目的64个版本中提取的数据。结果表明，学习方法对分类表现有实质性的，通常未被承认的影响。具体而言，使用USEALLPREDICTALL导致的性能要比使用释放和跨释放的UsePrepredictPost学习方法要好得多。此外，本文发现，对于释放内部预测，分类性能的这种差异是由于两种学习方法中的类不平衡级别引起的。解决课堂失衡时，消除了学习方法之间的性能差异。我们的发现暗示，应始终明确识别学习方法及其对软件缺陷预订预测的影响。本文最后讨论了我们的研究和实践结果的潜在后果。

手工和小规模的黄金开采（ASGM）是许多家庭的重要收入来源，但它可以产生巨大的社会和环境影响，尤其是在发展中国家的雨林中。Sentinel-2卫星收集了多光谱图像，可用于检测水位和质量的变化，这表明采矿地点位置。这项工作着重于对秘鲁亚马逊雨林中ASGM活动的认可。我们根据支持向量机（SVM）测试了几个半监督分类器，以检测Madre de Dios地区从2019年到2021年的水体变化，这是ASGM活动的全球热点之一。实验表明，基于SVM的模型可以实现RGB的合理性能（使用Cohen的$ \ kappa $ 0.49）和6通道图像（使用Cohen的$ \ kappa $ 0.71），具有非常有限的注释。还分析了合并实验室色彩空间的功效。

我们在非标准空间上介绍了积极的确定核的新类别，这些空间完全是严格的确定性或特征。特别是，我们讨论了可分离的希尔伯特空间上的径向内核，并在Banach空间和强型负类型的度量空间上引入了广泛的内核。一般结果用于在可分离的$ l^p $空间和一组措施上提供明确的核类。