通过实现灵活的按需系统，预计自动车辆（AVS）将增加交通安全和交通效率等。这在新加坡尤其重要，是世界上最稠密的国家之一，这就是为什么新加坡当局目前正在积极促进AVS的部署。但是，由于正式的AV路公路审批程序所需所需。为此，提出了一种安全评估框架，这与基于交通场景的方法相结合了标准化功能安全设计方法的方面。后者涉及使用驱动数据来提取AV相关的流量方案。底层方法基于将场景分解为基本事件，随后的场景参数化和采样场景参数的估计概率密度函数来创建测试场景。随后，由此产生的测试场景用于模拟环境中的虚拟测试，并在证明地面和现实生活中进行物理测试。结果，所提出的评估管线因此由于基于模拟的方法而在相对短的时间帧中为AV性能提供统计相关和定量措施。最终，拟议的方法提供了AVS的正式道路审批程序的当局。特别是，拟议的方法将支持新加坡土地运输机构进行AVS的道路批准。

Deep learning-based pose estimation algorithms can successfully estimate the pose of objects in an image, especially in the field of color images. 6D Object pose estimation based on deep learning models for X-ray images often use custom architectures that employ extensive CAD models and simulated data for training purposes. Recent RGB-based methods opt to solve pose estimation problems using small datasets, making them more attractive for the X-ray domain where medical data is scarcely available. We refine an existing RGB-based model (SingleShotPose) to estimate the 6D pose of a marked cube from grayscale X-ray images by creating a generic solution trained on only real X-ray data and adjusted for X-ray acquisition geometry. The model regresses 2D control points and calculates the pose through 2D/3D correspondences using Perspective-n-Point(PnP), allowing a single trained model to be used across all supporting cone-beam-based X-ray geometries. Since modern X-ray systems continuously adjust acquisition parameters during a procedure, it is essential for such a pose estimation network to consider these parameters in order to be deployed successfully and find a real use case. With a 5-cm/5-degree accuracy of 93% and an average 3D rotation error of 2.2 degrees, the results of the proposed approach are comparable with state-of-the-art alternatives, while requiring significantly less real training examples and being applicable in real-time applications.

最近证明利用稀疏网络连接深神经网络中的连续层，可为大型最新模型提供好处。但是，网络连接性在浅网络的学习曲线中也起着重要作用，例如经典限制的玻尔兹曼机器（RBM）。一个基本问题是有效地找到了改善学习曲线的连接模式。最近的原则方法明确将网络连接作为参数，这些参数必须在模型中进行优化，但通常依靠连续功能来表示连接和明确的惩罚。这项工作提出了一种基于网络梯度的想法来找到RBM的最佳连接模式的方法：计算每个可能连接的梯度，给定特定的连接模式，并使用梯度驱动连续连接强度参数又使用确定连接模式。因此，学习RBM参数和学习网络连接是真正共同执行的，尽管学习率不同，并且没有改变目标函数。该方法应用于MNIST数据集，以显示针对样本生成和输入分类的基准任务找到更好的RBM模型。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。

从机器学习的角度来看，当前的语音识别体系结构的表现非常出色，因此用户互动。这表明他们很好地模拟了人类生物系统。我们调查是否可以颠倒推论以提供对该生物系统的见解。特别是听力机制。使用SINCNET，我们确认端到端系统确实学习了众所周知的滤纸结构。但是，我们还表明，在学习结构中，更宽的带宽过滤器很重要。虽然可以通过初始化狭窄和宽带过滤器来获得一些好处，但生理上的限制表明，这种过滤器是在中脑而不是耳蜗中出现的。我们表明，必须修改标准的机器学习体系结构，以允许神经模拟此过程。

黑色素瘤是一种严重的皮肤癌，在后期阶段高死亡率。幸运的是，当早期发现时，黑色素瘤的预后是有希望的，恶性黑色素瘤的发病率相对较低。结果，数据集严重不平衡，这使培训当前的最新监督分类AI模型变得复杂。我们建议使用生成模型来学习良性数据分布，并通过密度估计检测出分布（OOD）恶性图像。标准化流（NFS）是OOD检测的理想候选者，因为它们可以计算精确的可能性。然而，它们的感应偏见对明显的图形特征而不是语义上下文障碍障碍的OOD检测。在这项工作中，我们旨在将这些偏见与黑色素瘤的领域水平知识一起使用，以改善基于可能性的OOD检测恶性图像。我们令人鼓舞的结果表明，使用NFS检测黑色素瘤的可能性。我们通过使用基于小波的NFS，在接收器工作特性的曲线下，面积增加了9％。该模型需要较少的参数，以使其更适用于边缘设备。拟议的方法可以帮助医学专家诊断出皮肤癌患者并不断提高存活率。此外，这项研究为肿瘤学领域的其他领域铺平了道路，具有类似的数据不平衡问题\ footNote {代码可用：

胰腺癌是与癌症相关死亡的全球主要原因之一。尽管深度学习在计算机辅助诊断和检测方法（CAD）方法中取得了成功，但很少关注胰腺癌的检测。我们提出了一种检测胰腺肿瘤的方法，该方法在周围的解剖结构中利用临床上的特征，从而更好地旨在利用放射科医生的知识，而不是其他常规的深度学习方法。为此，我们收集了一个新的数据集，该数据集由99例胰腺导管腺癌（PDAC）和97例没有胰腺肿瘤的对照病例组成。由于胰腺癌的生长模式，肿瘤可能总是可见为低音病变，因此，专家指的是二次外部特征的可见性，这些特征可能表明肿瘤的存在。我们提出了一种基于U-NET样深的CNN的方法，该方法利用以下外部次要特征：胰管，常见的胆管和胰腺以及处理后的CT扫描。使用这些功能，该模型如果存在胰腺肿瘤。这种用于分类和本地化方法的细分实现了99％的敏感性（一个案例）和99％的特异性，这比以前的最新方法的灵敏度增加了5％。与以前的PDAC检测方法相比，该模型还以合理的精度和较短的推理时间提供位置信息。这些结果提供了显着的性能改善，并强调了在开发新型CAD方法时纳入临床专家知识的重要性。

部署到现实世界的自主智能代理必须与对感官输入的对抗性攻击保持强大的态度。在加强学习中的现有工作集中于最小值扰动攻击，这些攻击最初是为了模仿计算机视觉中感知不变性的概念。在本文中，我们注意到，这种最小值扰动攻击可以由受害者琐碎地检测到，因为这些导致观察序列与受害者的行为不符。此外，许多现实世界中的代理商（例如物理机器人）通常在人类主管下运行，这些代理商不容易受到这种扰动攻击的影响。结果，我们建议专注于幻觉攻击，这是一种与受害者的世界模式一致的新型攻击形式。我们为这个新颖的攻击框架提供了正式的定义，在各种条件下探索了其特征，并得出结论，代理必须寻求现实主义反馈以对幻觉攻击具有强大的态度。

决策对于自动驾驶的车道变化至关重要。强化学习（RL）算法旨在确定各种情况下的行为价值，因此它们成为解决决策问题的有前途的途径。但是，运行时安全性较差，阻碍了基于RL的决策策略，从实践中进行了复杂的驾驶任务。为了解决这个问题，本文将人类的示范纳入了基于RL的决策策略中。人类受试者在驾驶模拟器中做出的决定被视为安全的示范，将其存储到重播缓冲液中，然后用来增强RL的训练过程。建立了一个复杂的车道变更任务，以检查开发策略的性能。仿真结果表明，人类的演示可以有效地提高RL决策的安全性。而拟议的策略超过了其他基于学习的决策策略，就多种驾驶表演而言。

我们提出了一种新型的机器学习方法，用于从晶格量子场理论的高维概率分布中取样。我们的建议不是迄今为止用于此任务的深层体系结构，而是基于单个神经效果层，并结合了问题的完整对称性。我们在$ \ phi^4 $理论上测试了我们的模型，这表明它系统地优于先前提出的采样效率基于流动的方法，并且对于较大的晶格而言，改进尤其明显。与以前的基线模型相比，我们将关键指标（有效样本量）提高了，从1％到91％，尺寸为$ 32 \ times 32 $。我们还证明，我们的模型可以成功学习一个连续的理论家庭，并且可以将学习结果转移到更大的晶格中。与传统的基于MCMC的方法相比，这种概括能力进一步突出了机器学习方法的潜在优势。