A novel randomized time integrator is suggested for unadjusted Hamiltonian Monte Carlo (uHMC) in place of the usual Verlet integrator; namely, a stratified Monte Carlo (sMC) integrator which involves a minor modification to Verlet, and hence, is easy to implement. For target distributions of the form $\mu(dx) \propto e^{-U(x)} dx$ where $U: \mathbb{R}^d \to \mathbb{R}_{\ge 0}$ is both $K$-strongly convex and $L$-gradient Lipschitz, and initial distributions $\nu$ with finite second moment, coupling proofs reveal that an $\varepsilon$-accurate approximation of the target distribution $\mu$ in $L^2$-Wasserstein distance $\boldsymbol{\mathcal{W}}^2$ can be achieved by the uHMC algorithm with sMC time integration using $O\left((d/K)^{1/3} (L/K)^{5/3} \varepsilon^{-2/3} \log( \boldsymbol{\mathcal{W}}^2(\mu, \nu) / \varepsilon)^+\right)$ gradient evaluations; whereas without additional assumptions the corresponding complexity of the uHMC algorithm with Verlet time integration is in general $O\left((d/K)^{1/2} (L/K)^2 \varepsilon^{-1} \log( \boldsymbol{\mathcal{W}}^2(\mu, \nu) / \varepsilon)^+ \right)$. Duration randomization, which has a similar effect as partial momentum refreshment, is also treated. In this case, without additional assumptions on the target distribution, the complexity of duration-randomized uHMC with sMC time integration improves to $O\left(\max\left((d/K)^{1/4} (L/K)^{3/2} \varepsilon^{-1/2},(d/K)^{1/3} (L/K)^{4/3} \varepsilon^{-2/3} \right) \right)$ up to logarithmic factors. The improvement due to duration randomization turns out to be analogous to that of time integrator randomization.

我们介绍了一种新颖的深度学习方法，用于使用高分辨率的多光谱空中图像在城市环境中检测单个树木。我们使用卷积神经网络来回归一个置信图，指示单个树的位置，该位置是使用峰查找算法本地化的。我们的方法通过检测公共和私人空间中的树木来提供完整的空间覆盖范围，并可以扩展到很大的区域。在我们的研究区域，跨越南加州的五个城市，我们的F评分为0.735，RMSE为2.157 m。我们使用我们的方法在加利福尼亚城市森林中生产所有树木的地图，这表明我们有可能在前所未有的尺度上支持未来的城市林业研究。

测试时间的域变化在实践中是不可避免的。测试时间适应性通过在部署过程中调整模型来解决此问题。从理论上讲，最近的工作表明，自我训练可能是逐渐域移动的强大方法。在这项工作中，我们显示了渐进域适应与测试时间适应之间的自然联系。我们发布了一个名为Carlatta的新合成数据集，该数据集允许在测试时间期间探索渐进的域移动，并评估无监督域适应和测试时间适应的几种方法。我们提出了一种基于自我训练和样式转移的新方法GTTA。GTTA明确利用渐进域移动并在该区域设置新标准。我们进一步证明了我们的方法对连续和逐渐的CIFAR10C，CIFAR100C和Imagenet-C基准的有效性。

近年来，语义细分领域取得了巨大进展。但是，剩下的一个具有挑战性的问题是，细分模型并未推广到看不见的域。为了克服这个问题，要么必须标记大量涵盖整个域的数据，这些域通常在实践中是不可行的，要么应用无监督的域适应性（UDA），仅需要标记为源数据。在这项工作中，我们专注于UDA，并另外解决了适应单个域，而且针对一系列目标域的情况。这需要机制，以防止模型忘记其先前学习的知识。为了使细分模型适应目标域，我们遵循利用轻质样式转移将标记的源图像样式转换为目标域样式的想法，同时保留源内容。为了减轻源和目标域之间的分布移位，模型在第二步中在传输的源图像上进行了微调。现有的轻重量样式转移方法依赖于自适应实例归一化（ADAIN）或傅立叶变换仍然缺乏性能，并且在常见数据增强（例如颜色抖动）上没有显着改善。这样做的原因是，这些方法并不关注特定于区域或类别的差异，而是主要捕获最突出的样式。因此，我们提出了一个简单且轻巧的框架，该框架结合了两个类条件的ADAIN层。为了提取传输层所需的特定类目标矩，我们使用未过滤的伪标签，与真实标签相比，我们表明这是有效的近似值。我们在合成序列上广泛验证了我们的方法（CACE），并进一步提出了由真实域组成的具有挑战性的序列。 CACE在视觉和定量上优于现有方法。

我们演示了如何使用蒙特卡洛搜索（MCS）算法，即嵌套的蒙特卡洛搜索（NMC）和嵌套的推出策略适应（NRPA），可用于构建图形并在几分钟内找到对频谱图理论的反示例。我们还驳斥了一个归因于彼得·谢尔（Peter Shor）的猜想。

人类推理可以从观察到的模式中蒸馏原理，并概括他们解释和解决新的问题。最强大的人工智能系统缺乏可解释性和象征性的推理能力，因此在需要人类理解的域名的域中没有实现至高无上的，例如科学或常识推理。在这里，我们介绍了深度蒸馏，一种机器学习方法，可以使用可解释的深度学习从数据中学习模式，然后将其冷凝成简洁，可执行的计算机代码。可以包含循环，嵌套逻辑语句和有用的中间变量的代码相当于神经网络，但通常更紧凑，人为可理解的数量级。在涉及算术，计算机视觉和优化的各种问题上，我们表明深度蒸馏产生简明代码，以概括分配，以解决问题的数量级越来越大而比训练数据更复杂。对于已知的地面真实规则集的问题，Deep Restilling通过可扩展的保证确切地发现了规则集。对于含糊不清或计算难以应变的问题，蒸馏规则类似于现有的人类衍生的算法，并且在PAR或更好地执行。我们的方法展示了无归档的机器智能可以建立一个更广泛和直观的规则，解释大型数据集中的模式，否则会压倒人类推理。

我们提供了新的基于梯度的方法，以便有效解决广泛的病态化优化问题。我们考虑最小化函数$ f：\ mathbb {r} ^ d \ lightarrow \ mathbb {r} $的问题，它是隐含的可分解的，作为$ m $未知的非交互方式的总和，强烈的凸起功能并提供方法这解决了这个问题，这些问题是缩放（最快的对数因子）作为组件的条件数量的平方根的乘积。这种复杂性绑定（我们证明几乎是最佳的）可以几乎指出的是加速梯度方法的几乎是指数的，这将作为$ F $的条件数量的平方根。此外，我们提供了求解该多尺度优化问题的随机异标变体的有效方法。而不是学习$ F $的分解（这将是过度昂贵的），而是我们的方法应用一个清洁递归“大步小步”交错标准方法。由此产生的算法使用$ \ tilde {\ mathcal {o}}（d m）$空间，在数字上稳定，并打开门以更细粒度的了解凸优化超出条件号的复杂性。

闭环大脑刺激是指捕获诸如脑电图（EEG）之类的神经生理学措施，迅速识别感兴趣的神经事件，并产生听觉，磁性或电刺激，从而精确地与大脑过程相互作用。这是一种基本神经科学的新方法，也许是临床应用，例如恢复降解记忆功能；但是，现有工具很昂贵，繁琐，并且具有有限的实验灵活性。在本文中，我们提出了Portiloop，这是一种基于深度学习的，便携式和低成本的闭环刺激系统，能够靶向特定的脑振荡。我们首先记录可以从市售组件构建的开放式软件实现。我们还提供了快速，轻巧的神经网络模型和探索算法，该算法自动优化了所需的脑振荡的模型超参数。最后，我们在实时睡眠主轴检测的具有挑战性的测试案例中验证了该技术，结果可与大规模在线数据注释主轴数据集（MODA；组共识）上的离线专家绩效相当。社区可以提供软件和计划，作为开放科学计划，旨在鼓励进一步开发并推动闭环神经科学研究。