我们考虑如何通过鲁棒地计算其边界的缩回的在线过程直接提取最初未知的二维环境的路线图（也称为拓扑表示）。在本文中，我们首先在在线建设拓扑地图和执行控制法，以指导机器人到最近的未开发地区，首先介绍[1]。所提出的方法通过允许机器人在局部构造的地图上定位本身来操作，计算对环境（前沿）的未探究部分的路径，当机器人完全探索环境时计算稳健的终端条件，并实现环路闭合检测。所提出的算法导致机器人导航需求的平滑安全路径。所提出的方法是任何时间算法，其具有优点：它允许从激光扫描数据中获取激光扫描数据的主动创建拓扑映射。我们还提出了一种基于启发式的导航策略，其中机器人针对拓扑映射中的节点，该拓扑地图开放到空的空间。然后，我们通过呈现[1]中的工作，呈现一种利用特定光谱对应方法[2]的强度来扩展[1]的工作，以匹配从我们拓扑制作算法生成的映射环境。在这里，我们专注于实现一种可以使用AFF骨架来匹配映射环境的拓扑的系统。在两个给定地图和他们的AOF骷髅之间的拓扑匹配中，我们首先在两个不同环境的AFOF骨架上的点之间找到相应的通知。然后我们将环境的（2D）点对齐。我们还基于其提取的AOF骨架及其拓扑在两个给定的环境之间计算距离测量，作为对应点之间的匹配错误的总和。

近年来，我们的社区中的兴趣重新提高了由表面网格，其体柔性内嵌或表面点云表示的3D对象的形状分析。部分地，通过增加RGBD摄像机的可用性以及计算机愿景，对自主驾驶，医学成像和机器人的应用来刺激这种兴趣。在这些设置中，频谱坐标由于能够以质量不变于等距变换而与定性不变的方式结合局部和全局形状属性，所示的形状表示的承诺。然而，令人惊讶的是，这种坐标迄今为止通常仅被认为是局部表面位置或衍生信息。在本文中，我们建议用内侧（物体宽度）信息配备光谱坐标，以便丰富它们。关键思想是通过邻接矩阵的权重耦合共享内侧球的曲面点。我们使用这个想法和计算它的算法开发一个光谱功能。物体宽度和内侧耦合的掺入具有直接的益处，如我们对象分类，对象分割和表面点对应的实验所示。

人类在感知幻觉纲要方面非常出色。我们随时能够在提供包含连接外观的破碎碎片的图像时完成轮廓，形状，场景，甚至不均匀的对象。在视觉科学中，这种能力在很大程度上通过感知分组解释：人类视觉中的基础集进程，描述了如何分组分离的元素。在本文中，我们重新审视了一种称为随机完成领域（SCFS）的算法，该算法机械化一套这样的工艺 - 良好的连续性，闭合和接近 - 通过轮廓完成。本文实现了SCF算法的现代化模型，并在图像编辑框架中使用它提出了新的方法来完成碎片的轮廓。我们展示了SCF算法如何合理地模仿人类感知。我们使用SCF完成的轮廓作为染色的指南，并表明我们的指南提高了最先进的模型的性能。此外，我们表明SCF有助于在高噪声环境中找到边缘。总体而言，我们所描述的算法类似于人类视觉系统中的一个重要机制，并提供了一种新颖的计算机视觉模型可以从中受益的新框架。

Recent semi-supervised and self-supervised methods have shown great success in the image and text domain by utilizing augmentation techniques. Despite such success, it is not easy to transfer this success to tabular domains. It is not easy to adapt domain-specific transformations from image and language to tabular data due to mixing of different data types (continuous data and categorical data) in the tabular domain. There are a few semi-supervised works on the tabular domain that have focused on proposing new augmentation techniques for tabular data. These approaches may have shown some improvement on datasets with low-cardinality in categorical data. However, the fundamental challenges have not been tackled. The proposed methods either do not apply to datasets with high-cardinality or do not use an efficient encoding of categorical data. We propose using conditional probability representation and an efficient progressively feature upgrading framework to effectively learn representations for tabular data in semi-supervised applications. The extensive experiments show superior performance of the proposed framework and the potential application in semi-supervised settings.

This paper presents a multi-agent Deep Reinforcement Learning (DRL) framework for autonomous control and integration of renewable energy resources into smart power grid systems. In particular, the proposed framework jointly considers demand response (DR) and distributed energy management (DEM) for residential end-users. DR has a widely recognized potential for improving power grid stability and reliability, while at the same time reducing end-users energy bills. However, the conventional DR techniques come with several shortcomings, such as the inability to handle operational uncertainties while incurring end-user disutility, which prevents widespread adoption in real-world applications. The proposed framework addresses these shortcomings by implementing DR and DEM based on real-time pricing strategy that is achieved using deep reinforcement learning. Furthermore, this framework enables the power grid service provider to leverage distributed energy resources (i.e., PV rooftop panels and battery storage) as dispatchable assets to support the smart grid during peak hours, thus achieving management of distributed energy resources. Simulation results based on the Deep Q-Network (DQN) demonstrate significant improvements of the 24-hour accumulative profit for both prosumers and the power grid service provider, as well as major reductions in the utilization of the power grid reserve generators.

Large language models (LLMs) have been shown to be able to perform new tasks based on a few demonstrations or natural language instructions. While these capabilities have led to widespread adoption, most LLMs are developed by resource-rich organizations and are frequently kept from the public. As a step towards democratizing this powerful technology, we present BLOOM, a 176B-parameter open-access language model designed and built thanks to a collaboration of hundreds of researchers. BLOOM is a decoder-only Transformer language model that was trained on the ROOTS corpus, a dataset comprising hundreds of sources in 46 natural and 13 programming languages (59 in total). We find that BLOOM achieves competitive performance on a wide variety of benchmarks, with stronger results after undergoing multitask prompted finetuning. To facilitate future research and applications using LLMs, we publicly release our models and code under the Responsible AI License.

与其2D图像对应物相比，3D点云数据上的零射击学习是一个相关的未置换问题。 3D数据由于不可用的预训练特征提取模型而带来了ZSL的新挑战。为了解决这个问题，我们提出了一种及时引导的3D场景生成和监督方法，该方法可以增强3D数据以更好地学习网络，从而探索可见和看不见的对象的复杂相互作用。首先，我们以提示描述的某些方式合并了两个3D模型的点云。提示的行为就像描述每个3D场景的注释一样。后来，我们进行对比学习，以端到端的方式培训我们所提出的建筑。我们认为，与单​​个对象相比，3D场景可以更有效地关联对象，因为当对象出现在上下文中时，流行的语言模型（如Bert）可以实现高性能。我们提出的及时引导场景生成方法封装了数据扩展和基于及时的注释/字幕，以提高3D ZSL性能。我们已经在合成（ModelNet40，ModelNet10）和实扫描（ScanoJbectnn）3D对象数据集上实现了最新的ZSL和广义ZSL性能。

学习合适的全幻灯片图像（WSIS）表示有效检索系统是一项非平凡的任务。从当前方法中获得的WSI嵌入在欧几里得空间中并不理想有效的WSI检索。此外，由于同时处理多组贴片，因此大多数当前方法都需要高GPU存储器。为了应对这些挑战，我们提出了一个新颖的框架，用于利用深层生成建模和Fisher向量学习二进制和稀疏的WSI表示。我们引入了新的损失功能，以学习稀疏和二进制置换不变的WSI表示，采用基于实例的培训来提高记忆效率。在癌症基因组地图集（​​TCGA）和肝脏-Kidney-Stomach（LKS）数据集上验证了博学的WSI表示。在检索准确性和速度方面，该方法的表现优于Yottixel（最新的组织病理学图像搜索引擎）。此外，我们在公共基准LKS数据集中对SOTA实现了竞争性能，以进行WSI分类。

在实际执行或基准测试之前预测生产代码的性能是高度挑战的。在本文中，我们提出了一个被称为TEP-GNN的预测模型，该模型表明，对于预测单位测试执行时间的特殊情况，高准确性的性能预测是可能的。 Tep-gnn使用FA-asts或流动的ASTS作为基于图的代码表示方法，并使用强大的图形神经网络（GNN）深度学习模型预测测试执行时间。我们基于从项目公共存储库中开采的922个测试文件，使用四个现实生活中的Java开源程序评估TEP-GNN。我们发现我们的方法达到了0.789的较高的Pearson相关性，表现优于基线深度学习模型。但是，我们还发现，训练有素的模型需要更多的工作来概括看不见的项目。我们的工作表明，FA-asts和GNN是预测绝对性能值的可行方法，并作为能够在执行前预测任意代码的性能的重要中介步骤。

联邦学习（FL）是一种分散的方法，使医院能够在不共享私人患者数据进行培训的情况下协作学习模型。在FL中，参与者医院定期交换培训结果，而不是使用中央服务器培训样品。但是，访问模型参数或梯度可以暴露私人培训数据样本。为了应对这一挑战，我们采用安全的多方计算（SMC）来建立一个保护隐私的联合学习框架。在我们提出的方法中，医院分为集群。在当地培训之后，每家医院在同一集群中分解了其他医院的模型权重，因此没有一家医院可以自己检索其他医院的体重。然后，所有医院总结了收到的权重，将结果发送到中央服务器。最后，中央服务器汇总了结果，检索模型的平均权重并更新模型，而无需访问各个医院的权重。我们在公开可用的存储库《癌症基因组图集》（TCGA）上进行实验。我们将提议框架的性能与差异隐私进行比较，并将平均为基准。结果表明，与差异隐私相比，我们的框架可以实现更高的准确性，而没有隐私泄漏风险，而较高的通信开销则可以实现。