我们提出了一种轻巧，准确的方法，用于检测视频中的异常情况。现有方法使用多个实体学习（MIL）来确定视频每个段的正常/异常状态。最近的成功研​​究认为，学习细分市场之间的时间关系很重要，以达到高精度，而不是只关注单个细分市场。因此，我们分析了近年来成功的现有方法，并发现同时学习所有细分市场确实很重要，但其中的时间顺序与实现高准确性无关。基于这一发现，我们不使用MIL框架，而是提出具有自发机制的轻质模型，以自动提取对于确定所有输入段正常/异常非常重要的特征。结果，我们的神经网络模型具有现有方法的参数数量的1.3％。我们在三个基准数据集（UCF-Crime，Shanghaitech和XD-Violence）上评估了方法的帧级检测准确性，并证明我们的方法可以比最新方法实现可比或更好的准确性。

Factorization machines (FMs) are a powerful tool for regression and classification in the context of sparse observations, that has been successfully applied to collaborative filtering, especially when side information over users or items is available. Bayesian formulations of FMs have been proposed to provide confidence intervals over the predictions made by the model, however they usually involve Markov-chain Monte Carlo methods that require many samples to provide accurate predictions, resulting in slow training in the context of large-scale data. In this paper, we propose a variational formulation of factorization machines that allows us to derive a simple objective that can be easily optimized using standard mini-batch stochastic gradient descent, making it amenable to large-scale data. Our algorithm learns an approximate posterior distribution over the user and item parameters, which leads to confidence intervals over the predictions. We show, using several datasets, that it has comparable or better performance than existing methods in terms of prediction accuracy, and provide some applications in active learning strategies, e.g., preference elicitation techniques.

The demand for resilient logistics networks has increased because of recent disasters. When we consider optimization problems, entropy regularization is a powerful tool for the diversification of a solution. In this study, we proposed a method for designing a resilient logistics network based on entropy regularization. Moreover, we proposed a method for analytical resilience criteria to reduce the ambiguity of resilience. First, we modeled the logistics network, including factories, distribution bases, and sales outlets in an efficient framework using entropy regularization. Next, we formulated a resilience criterion based on probabilistic cost and Kullback--Leibler divergence. Finally, our method was performed using a simple logistics network, and the resilience of the three logistics plans designed by entropy regularization was demonstrated.

Offline reinforcement learning (RL) have received rising interest due to its appealing data efficiency. The present study addresses behavior estimation, a task that lays the foundation of many offline RL algorithms. Behavior estimation aims at estimating the policy with which training data are generated. In particular, this work considers a scenario where the data are collected from multiple sources. In this case, neglecting data heterogeneity, existing approaches for behavior estimation suffers from behavior misspecification. To overcome this drawback, the present study proposes a latent variable model to infer a set of policies from data, which allows an agent to use as behavior policy the policy that best describes a particular trajectory. This model provides with a agent fine-grained characterization for multi-source data and helps it overcome behavior misspecification. This work also proposes a learning algorithm for this model and illustrates its practical usage via extending an existing offline RL algorithm. Lastly, with extensive evaluation this work confirms the existence of behavior misspecification and the efficacy of the proposed model.

对社交媒体上的COVID-19疫苗接种的公众讨论不仅对于解决当前的Covid-19-19大流行，而且对于未来的病原体爆发而言至关重要。我们检查了一个Twitter数据集，其中包含7500万英文推文，讨论2020年3月至2021年3月的Covid-19疫苗接种。我们使用自然语言处理（NLP）技术培训了一种立场检测算法，以将推文分为“反Vax”或“ pro-Vax”或“ Pro-Vax” '，并使用主题建模技术检查话语的主要主题。虽然Pro-Vax推文（3700万）远远超过反VAX推文（1000万），但两种姿态的大多数推文（63％的反VAX和53％的Pro-Vax推文）都来自双稳定的用户，他们都发布了两者在观察期间，亲和反VAX推文。 Pro-Vax推文主要集中在疫苗开发上，而反VAX推文则涵盖了广泛的主题，其中一些主题包括真正的问题，尽管存在很大的虚假性。尽管从相反的角度讨论了这两个立场，但两种立场都是常见的。模因和笑话是最转推消息之一。尽管对反vax话语的两极分化和在线流行的担忧是毫无根据的，但针对虚假的有针对性的反驳很重要。

研究过程包括许多决定，例如如何应有资格以及在何处发表论文。在本文中，我们介绍了一个一般框架，以调查此类决策的影响。研究效果的主要困难是我们需要了解反事实结果，而实际上并非现实。我们框架的主要见解是灵感来自现有的反事实分析，其中研究人员将双胞胎视为反事实单位。提出的框架将一对彼此引用为双胞胎的论文。这些论文往往是平行的作品，在类似的主题和类似社区中。我们调查了采用不同决策的双论文，观察这些研究带来的研究影响的进展，并通过这些研究的影响来估算决策的影响。我们发布了我们的代码和数据，我们认为由于数据集缺乏反事实研究，因此这是非常有益的。

找到与治疗效果差异相关的特征对于揭示基本因果机制至关重要。现有方法通过测量特征属性如何影响{\ iT条件平均治疗效果}（CATE）的程度来寻求此类特征。但是，这些方法可能会忽略重要特征，因为CATE是平均治疗效果的度量，无法检测到平均值以外的其他分布参数（例如方差）的差异。为了解决现有方法的这种弱点，我们提出了一个特征选择框架，以发现{\ IT分布处理效果修饰符}。我们首先制定特征重要性度量，该指标量化特征属性如何影响潜在结果分布之间的差异。然后，我们得出其计算高效的估计器，并开发了一个功能选择算法，该算法可以将I型错误率控制为所需级别。实验结果表明，我们的框架成功地发现了重要特征，并优于现有的基于均值的方法。

批量增强学习的缺点是其对数据奖励的要求，因此不适用于无需奖励功能的任务。缺乏奖励的现有设置，如行为克隆，依靠从人类收集的最佳示威。不幸的是，确保最优性需要广泛的专业知识，这阻碍了复杂任务的大规模数据。本文通过从偏好学习奖励功能来解决批量增强学习环境中缺乏奖励。生成偏好只需要对任务的基本了解。作为心理过程，生成偏好比执行演示更快。因此，可以使用众包从非专家人类的规模收集偏好。本文在收集来自非专家人类的数据时出现的危急挑战：偏好中的噪音。提出了一种用于建模标签可靠性的新型概率模型，其利用标签协作。此外，所提出的模型将估计与学习奖励功能平滑。 Atari Datasets的评估展示了拟议模型的有效性，其次是一项消融研究，分析所提出的想法的相对重要性。

“移动”一词的距离（WMD）是测量两个文档相似性的基本技术。作为WMD的关键，它可以通过采用最佳传输配方来利用空间单词的基础几何形状。关于WMD的最初研究报告说，WMD在各种数据集中的大幅度边缘优于古典基线，例如词袋（Bow）和TF-IDF。在本文中，我们指出原始研究中的评估可能会产生误导。我们重新评估了WMD和经典基准的性能，并发现如果我们采用适当的预处理（即L1归一化），经典的基线与WMD具有竞争力。此外，我们引入了WMD和L1拟态化的弓之间的类比，发现不仅WMD的性能，而且距离值都类似于高维空间的弓形值。

选择学术论文的出版物场所是研究过程中的关键一步。但是，在许多情况下，决策仅基于研究人员的经验，这通常会导致次优结果。尽管存在用于学术论文的场地推荐系统，但他们推荐了预计将发表该论文的场所。在这项研究中，我们的目标是从不同的角度推荐出版场所。我们估计，如果在每个场所发表论文，并推荐该论文具有最大潜在影响的场地，则将收到的引用数量。但是，这项任务面临两个挑战。首先，仅在一个地点发表论文，因此，如果该论文发表在另一个地点，我们无法观察到该论文收到的引用数量。其次，论文和出版物场所的内容在统计上是不独立的。也就是说，选择出版物场所存在选择偏见。在本文中，我们将场地推荐问题作为治疗效果估计问题提出。我们使用偏见校正方法来估计有效选择出版物场地的潜在影响，并根据每个场所的论文的潜在影响推荐场地。我们使用计算机科学会议的纸质数据强调了我们方法的有效性。