心室心动过速（VT）可能是全世界425万人心脏死亡的原因之一。治疗方法是导管消融，以使异常触发区域失活。为了促进和加快消融过程中的定位，我们提出了基于卷积神经网络（CNN）的两种新型定位技术。与现有方法相反，例如使用ECG成像，我们的方法被设计为独立于患者特异性的几何形状，直接适用于表面ECG信号，同时还提供了二元透射位置。一种方法输出排名的替代解决方案。可以在通用或患者的几何形状上可视化结果。对CNN进行了仅包含模拟数据的数据集培训，并在模拟和临床测试数据上进行了评估。在模拟数据上，中值测试误差低于3mm。临床数据上的中位定位误差低至32mm。在所有临床病例中，多达82％的透壁位置被正确检测到。使用排名的替代溶液，在临床数据上，前3个中值误差下降到20mm。这些结果证明了原理证明使用CNN来定位激活源，而无需固有的患者特定的几何信息。此外，提供多种解决方案可以帮助医生在多个可能的位置中找到实际激活源。通过进一步的优化，这些方法具有加快临床干预措施的高潜力。因此，他们可以降低程序风险并改善VT患者的结局。

Graph neural networks (GNNs) have received great attention due to their success in various graph-related learning tasks. Several GNN frameworks have then been developed for fast and easy implementation of GNN models. Despite their popularity, they are not well documented, and their implementations and system performance have not been well understood. In particular, unlike the traditional GNNs that are trained based on the entire graph in a full-batch manner, recent GNNs have been developed with different graph sampling techniques for mini-batch training of GNNs on large graphs. While they improve the scalability, their training times still depend on the implementations in the frameworks as sampling and its associated operations can introduce non-negligible overhead and computational cost. In addition, it is unknown how much the frameworks are 'eco-friendly' from a green computing perspective. In this paper, we provide an in-depth study of two mainstream GNN frameworks along with three state-of-the-art GNNs to analyze their performance in terms of runtime and power/energy consumption. We conduct extensive benchmark experiments at several different levels and present detailed analysis results and observations, which could be helpful for further improvement and optimization.

我们将定量探测作为模型 - 非局部框架，用于在存在定量域知识的情况下验证因果模型。该方法被构造为基于相关的机器学习中火车/测试拆分的类似物，并增强了与科学发现逻辑一致的当前因果验证策略。在进行彻底基于模拟的研究之前，使用Pearl的洒水示例说明了该方法的有效性。通过研究示例性失败方案来识别该技术的限制，这些方案还用于提出一系列主题，以供未来的研究和改进定量探测的版本。在两个单独的开源python软件包中提供了将定量探测的代码以及基于模拟的定量探测有效性的基于仿真的研究的代码。

公平被广泛认为是医疗保健道德的基础。在临床决策的背景下，它取决于智力的比较忠诚（基于证据或直观），指导每个患者的管理。尽管当代机器学习的个性化力量最近引起了人们的关注，但这种认知公平是在任何决策指导的背景下，无论是传统还是创新的。然而，目前没有一般的量化框架，更不用说保证了。在这里，我们根据模型的忠诚度来制定认知公平性，这些模型是对所学的多维表述评估的，这些身份的多维表示，旨在最大程度地提高人口的捕获多样性，从而引入了代表性道德模型校准的全面框架。我们证明了该框架在来自英国生物库的大规模多模式数据上的使用来得出人口的各种表示，量化模型绩效并提出了响应良好的补救。我们提供方法作为量化和确保医疗保健认知公平的原则解决方案，并在整个研究，临床和监管领域中进行了应用。

图像分割中使用的数据并不总是在同一网格上定义。对于医学图像，尤其如此，在这种医学图像中，分辨率，视野和方向在各个渠道和受试者之间可能会有所不同。因此，图像和标签通常被重新采样到同一网格上，作为预处理步骤。但是，重采样操作引入了部分体积效应和模糊，从而改变了有效的分辨率并减少了结构之间的对比度。在本文中，我们提出了一个SPLAT层，该层自动处理输入数据中的分辨率不匹配。该层将每个图像推向执行前向通行证的平均空间。由于SPLAT运算符是重采样运算符的伴随，因此可以将平均空间预测拉回到计算损耗函数的本机标签空间。因此，消除了使用插值进行明确分辨率调整的需求。我们在两个公开可用的数据集上显示，具有模拟和真实的多模式磁共振图像，该模型与重新采样相比作为预处理步骤而改善了分割结果。

深层生成模型已成为检测数据中任意异常的有前途的工具，并分配了手动标记的必要性。最近，自回旋变压器在医学成像中取得了最先进的性能。但是，这些模型仍然具有一些内在的弱点，例如需要将图像建模为1D序列，在采样过程中误差的积累以及与变压器相关的显着推理时间。去核扩散概率模型是一类非自动回旋生成模型，最近显示出可以在计算机视觉中产生出色的样品（超过生成的对抗网络），并实现与变压器具有竞争力同时具有快速推理时间的对数可能性。扩散模型可以应用于自动编码器学到的潜在表示，使其易于扩展，并适用于高维数据（例如医学图像）的出色候选者。在这里，我们提出了一种基于扩散模型的方法，以检测和分段脑成像中的异常。通过在健康数据上训练模型，然后探索其在马尔可夫链上的扩散和反向步骤，我们可以识别潜在空间中的异常区域，因此可以确定像素空间中的异常情况。我们的扩散模型与一系列具有2D CT和MRI数据的实验相比，具有竞争性能，涉及合成和实际病理病变，推理时间大大减少，从而使它们的用法在临床上可行。

知识表示和推理有悠久的历史，即研究如何通过机器对知识进行形式化，解释和语义分析。在自动化车辆领域，最近的进步表明，能够将相关知识形式化和利用相关知识作为处理交通界固有且复杂的环境的关键推动者。本文证明了本体论是a）对自动车辆环境中与关键相关的因素进行建模和形式化的强大工具。为此，我们利用著名的6层模型来创建环境环境的形式表示。在此表示形式中，本体论将域知识模型为逻辑公理，从而促进交通场景和场景中的关键因素的存在。为了执行自动分析，将联合描述逻辑和规则推理器与A-Priori谓词增强结合使用。我们详细介绍了模块化方法，提出了公开可用的实施，并通过大规模的无人机数据集评估了该方法的城市交通情况。

在过去十年中，发光二极管（LED）几乎在每个应用中都取代了常见的灯泡，从智能手机中的手电筒到汽车前灯。照亮夜间街道需要LED发出光谱，被人眼被人眼被视为纯白色。与这种白光谱相关的电力不仅分布在贡献波长上，而且在视觉角度上分布。对于许多应用，可用的光线需要在向前的方向上退出LED，即在小角度到垂直。在这项工作中，我们证明了白色LED顶部的专门设计的多层薄膜增加了向前发射的纯白光的功率。因此，推导的多目标优化问题是通过实质物理引导的目标函数重新重新制定，该函数代表了我们工程问题的层次结构。采用贝叶斯优化的变体基于射线跟踪模拟来最大化这种非确定性目标函数。最终，对合适的多层薄膜的光学性质的研究允许识别白光方向性的增加的机制：角度和波长选择性过滤导致多层薄膜与光线的乒乓球发挥作用。

我们描述了Countersynth，一种诱导标签驱动的扩散变形的条件生成模型，体积脑图像中的标签驱动的生物合理的变化。该模型旨在综合用于下游判别判断性建模任务的反事实训练数据，其中保真度受数据不平衡，分布不稳定性，混淆或缺点的限制，并且在不同的群体中表现出不公平的性能。专注于人口统计属性，我们评估了具有基于体素的形态学，分类和回归条件属性的合成反事实的质量，以及FR \'{e} CHET开始距离。在设计的人口统计不平衡和混淆背景下检查下游歧视性能，我们使用英国Biobank磁共振成像数据来基准测试对这些问题的当前解决方案的增强。我们实现了最先进的改进，无论是整体忠诚和股权。 CounterSynth的源代码可在线获取。