图像质量是催化性咨询成功的关键因素。但是，患者发送的图像中有多达50％存在质量问题，从而增加了诊断和治疗的时间。为了改善当前的远程咨询流量，需要一种自动化，易于部署，可解释的方法来评估图像质量。我们介绍了ImageQX，这是一种卷积神经网络，该网络训练了图像质量评估，其学习机制可确定最常见的图像质量解释：不良框架，不良照明，模糊，低分辨率和距离问题。 ImageQX在26635张照片中接受了培训，并在9874张照片上进行了验证，每张照片都有图像质量标签和不良图像质量解释的注释，最多可提供12位董事会认证的皮肤科医生。摄影图像是在2017 - 2019年间使用移动皮肤病跟踪应用程序在全球范围内访问的。我们的方法可实现图像质量评估和图像质量差的解释的专家级别的性能。为了进行图像质量评估，ImageQX获得了0.73的宏F1得分，该得分将其置于成对评估者F1分数0.77的标准偏差之内。对于差的图像质量解释，我们的方法获得了0.37至0.70之间的F1得分，类似于评分者间成对的F1评分在0.24和0.83之间。此外，ImageQX的尺寸仅为15 MB，可以轻松地在移动设备上部署。通过与皮肤科医生相似的图像质量检测性能，将ImageQX纳入远程表现流程可以减轻皮肤病学家的图像评估负担，同时减少患者的诊断和治疗时间。我们介绍了ImageQX，这是一个可以解释的图像质量评估器，它利用域专业知识来提高虚拟环境中皮肤科护理的质量和效率。

机器学习（ML）模型与它们在分子动力学研究中的有用性相反，作为反应屏障搜索的替代潜力，成功的成功有限。这是由于化学空间相关过渡状态区域中训练数据的稀缺性。当前，用于培训小分子系统上的ML模型的可用数据集几乎仅包含在平衡处或附近的配置。在这项工作中，我们介绍了包含960万密度函数理论（DFT）的数据集过渡1X的计算，对WB97X/6-31G（D）理论水平的反应途径上和周围的分子构型的力和能量计算。数据是通过在10K反应上以DFT运行轻度弹性带（NEB）计算而生成的，同时保存中间计算。我们在Transition1x上训练最先进的等效图形消息通讯神经网络模型，并在流行的ANI1X和QM9数据集上进行交叉验证。我们表明，ML模型不能仅通过迄今为止流行的基准数据集进行过渡状态区域的特征。 Transition1x是一种新的具有挑战性的基准，它将为开发下一代ML力场提供一个重要的步骤，该电场也远离平衡配置和反应性系统。

机器学习（ML）模型与它们在分子动力学研究中的有用性相反，作为反应屏障搜索的替代潜力，成功的成功有限。这是由于化学空间相关过渡状态区域中训练数据的稀缺性。当前，用于培训小分子系统上的ML模型的可用数据集几乎仅包含在平衡处或附近的配置。在这项工作中，我们介绍了包含960万密度函数理论（DFT）的数据集过渡1X的计算，对WB97X/6-31G（D）理论水平的反应途径上和周围的分子构型的力和能量计算。数据是通过在10K反应上以DFT运行轻度弹性带（NEB）计算而生成的，同时保存中间计算。我们在Transition1x上训练最先进的等效图形消息通讯神经网络模型，并在流行的ANI1X和QM9数据集上进行交叉验证。我们表明，ML模型不能仅通过迄今为止流行的基准数据集进行过渡状态区域的特征。 Transition1x是一种新的具有挑战性的基准，它将为开发下一代ML力场提供一个重要的步骤，该电场也远离平衡配置和反应性系统。

尽管大型语言模型（LLMS）经常产生令人印象深刻的输出，但它们也无法推理和事实。我们着手研究这些限制如何影响LLM回答基于困难的问题的能力和理由。我们应用了与人类一致的GPT-3（指示程序）回答多项选择体检问题（USMLE和MEDMCQA）和医学研究问题（PubMedQA）。我们调查了思想链（逐步思考）提示，接地（通过搜索结果增强提示）和很少的射击（以问答的示例来准备问题）。对于USMLE问题的子集，医疗领域专家审查并注释了模型的推理。总体而言，GPT-3取得了最新的机器学习绩效的重大改进。我们观察到GPT-3通常是知识渊博的，并且可以理解医疗问题。 GPT-3当面对一个无法回答的问题时，仍将尝试回答，通常会导致偏见的预测分布。 LLM与人类绩效不相同，但我们的结果表明，与医疗问题解决的推理模式的出现。我们推测，缩放模型和数据，增强及时对齐方式以及允许更好地完成完成的上下文化将足以使LLMS在此类任务上达到人级的性能。

了解哪些归纳偏见可能有助于无监督的自然场景中以对象为中心的表示是具有挑战性的。在本文中，我们系统地研究了两个模型在数据集上的性能，其中使用神经样式转移来获取具有复杂纹理的对象，同时仍保留地面真相注释。我们发现，通过使用单个模块重建每个对象的形状和视觉外观，该模型可以学习更多有用的表示形式，并实现更好的对象分离。此外，我们观察到，调整潜在空间尺寸不足以提高分割性能。最后，与分割质量相比，代表性的下游有用性与分割质量的相关性明显更大。

仅观察一组有限的示例，应该能够从新分布中生成数据。在几次学习中，该模型经过了来自分布的许多集合的数据培训，这些分布共享了一些基本属性，例如来自不同字母的字符集或来自不同类别的对象。我们将当前的潜在变量模型扩展到具有基于注意力级聚合的基于注意力的点的完全层次结构方法，并将我们的方法scha-vae称为set-context层次层次结构 - 构造变异自动编码器。我们探索基于似然的模型比较，迭代数据采样和无适应性分布概括。我们的结果表明，分层公式可以更好地捕获小型数据制度中集合中的内在变异性。这项工作将深层可变方法推广到几乎没有学习的方法，迈出了一步，朝着大规模的几杆生成迈出了一步。

基于机器学习的数据驱动方法具有加速原子结构的计算分析。在这种情况下，可靠的不确定性估计对于评估对预测和实现决策的信心很重要。然而，机器学习模型可以产生严重校准的不确定性估计，因此仔细检测和处理不确定性至关重要。在这项工作中，我们扩展了一种消息，该消息通过神经网络，专门用于预测分子和材料的性质，具有校准的概率预测分布。本文提出的方法与先前的工作不同，通过考虑统一框架中的炼体和认知的不确定性，并通过重新校准未经证明数据的预测分布。通过计算机实验，我们表明我们的方法导致准确的模型，用于预测两种公共分子基准数据集，QM9和PC9的训练数据分布良好的分子形成能量。该方法提供了一种用于训练和评估神经网络集合模型的一般框架，该模型能够产生具有良好校准的不确定性估计的分子性质的准确预测。

以对象表示的学习背后的想法是，自然场景可以更好地建模为对象的组成及其关系，而不是分布式表示形式。可以将这种归纳偏置注入神经网络中，以可能改善具有多个对象的场景中下游任务的系统概括和性能。在本文中，我们在五个常见的多对象数据集上训练最先进的无监督模型，并评估细分指标和下游对象属性预测。此外，我们通过调查单个对象不超出分布的设置（例如，具有看不见的颜色，质地或形状或场景的全局属性）来研究概括和鲁棒性，例如，通过闭塞来改变，裁剪或增加对象的数量。从我们的实验研究中，我们发现以对象为中心的表示对下游任务很有用，并且通常对影响对象的大多数分布转移有用。但是，当分布转移以较低结构化的方式影响输入时，在模型和分布转移的情况下，分割和下游任务性能的鲁棒性可能会有很大差异。

We present an autoencoder that leverages learned representations to better measure similarities in data space. By combining a variational autoencoder with a generative adversarial network we can use learned feature representations in the GAN discriminator as basis for the VAE reconstruction objective. Thereby, we replace element-wise errors with feature-wise errors to better capture the data distribution while offering invariance towards e.g. translation. We apply our method to images of faces and show that it outperforms VAEs with element-wise similarity measures in terms of visual fidelity. Moreover, we show that the method learns an embedding in which high-level abstract visual features (e.g. wearing glasses) can be modified using simple arithmetic.

在本文中，我们评估了域转移对训练集外部数据外的数据的培训的人类检测模型的影响领域。具体而言，我们使用Robotti平台在农业机器人应用程序的背景下收集的现场数据集中介绍了Opendr人类，从而可以定量测量此类应用程序中域移动的影响。此外，我们通过评估有关训练数据的三种不同的情况来研究手动注释的重要性：a）仅消极样本，即没有描绘的人，b）仅阳性样本，即仅包含人类的图像，而c）既负面c）。和阳性样品。我们的结果表明，即使仅使用负样本，即使对训练过程进行了额外的考虑，也可以达到良好的性能。我们还发现，阳性样品会提高性能，尤其是在更好的本地化方面。该数据集可在https://github.com/opendr-eu/datasets上公开下载。