为了识别具有测量开关信号的开关系统，该工作旨在分析切换策略对估计误差的影响。假定识别数据是从全球渐近或边缘稳定的开关系统中收集的开关中，该系统是任意或受到平均停留时间约束的。然后由最小二乘（LS）估计器估算开关系统。为了捕获开关策略参数对LS估计误差的影响，在这项工作中开发了有限样本误差界。获得的误差边界表明，仅有稳定模式时，估计误差是开关参数的对数。但是，当有不稳定的模式时，随着开关参数的变化，估计误差界限可能会线性增加。这表明在存在不稳定模式的情况下，应正确设计开关策略，以避免估计误差的显着增加。

恢复质量差的图像与一组混合伪影对于可靠的诊断起着至关重要的作用。现有的研究集中在特定的恢复问题上，例如图像过度，去核和暴露校正，通常对伪影类型和严重性有很强的假设。作为盲X射线恢复的先驱研究，我们提出了一个通用图像恢复和分类的联合模型：恢复分类为分类的生成对抗网络（R2C-GAN）。这种共同优化的模型使恢复后保持任何疾病完整。因此，由于X射线图像质量的提高，这自然会导致更高的诊断性能。为了实现这一关键目标，我们将恢复任务定义为图像到图像的翻译问题，从差异，模糊或暴露不足/暴露不足的图像到高质量的图像域。提出的R2C-GAN模型能够使用未配对的训练样本在两个域之间学习前进和逆变换。同时，联合分类在恢复过程中保留了疾病标签。此外，R2C-GAN配备了操作层/神经元，可降低网络深度，并进一步增强恢复和分类性能。拟议的联合模型对2019年冠状病毒病（COVID-19）分类的卡塔-COV19数据集进行了广泛的评估。拟议的恢复方法达到了90％以上的F1得分，这显着高于任何深层模型的性能。此外，在定性分析中，R2C-GAN的恢复性能得到了一群医生的批准。我们在https://github.com/meteahishali/r2c-gan上共享软件实施。

连接设备的快速增长导致了新型网络安全威胁的扩散，称为零日攻击。传统的基于行为的ID依靠DNN来检测这些攻击。用于训练DNN的数据集的质量在检测性能中起着至关重要的作用，而代表性不足的样品导致性能不佳。在本文中，我们开发和评估DBN在连接设备网络中检测网络攻击方面的性能。CICIDS2017数据集用于训练和评估我们提出的DBN方法的性能。应用和评估了几种类平衡技术。最后，我们将方法与常规的MLP模型和现有的最新方法进行比较。我们提出的DBN方法显示出竞争性和有希望的结果，并且在培训数据集中攻击不足的攻击中的检测方面有显着改善。

在机器人和人类运营商之间分享自主权可以促进机器人任务示范的数据收集，以不断改进学习模型。然而，沟通意图的手段和关于未来的原因是人类和机器人之间的差异。我们介绍了辅助Tele-Op，虚拟现实（VR）系统，用于收集展示自主轨迹预测的机器人任务演示，以传达机器人的意图。随着机器人移动，用户可以在需要时切换自主和手动控制。这允许用户通过高成功率和比手动遥操作系统更轻松地收集任务演示。我们的系统由变压器供电，可以为未来提供潜在的状态和行动的窗口 - 几乎没有添加计算时间。密钥识别是，如果用户决定模型预测的操作是不合适的，则可以在变换器序列内的任何位置注入人类意图。在每次步骤中，用户可以（1）无所作为并允许自主操作在观察机器人的未来计划序列时继续，或者（2）接管并暂时规定不同一组动作以使模型返回到轨道上。我们在https://sites.google.com/view/assistive-teleop上托管视频和其他补充材料。

已知生成对抗网络（GANS）的培训以难以收敛。本文首先确认了这一收敛问题背后的罪魁祸首之一：缺乏凸起的GANS目标功能，因此GANS模型的良好问题。然后，它提出了一种随机控制方法，用于GAN训练中的超参数调整。In particular, it presents an optimal solution for adaptive learning rate which depends on the convexity of the objective function, and builds a precise relation between improper choices of learning rate and explosion in GANs training.最后，经验研究表明，培训算法包含这种选择方法优于标准的训练算法。

越来越多的机器学习问题，例如现有算法的鲁棒或对抗性变体，需要最小化自己定义为最大值的损耗函数。在（内部）最大化问题上携带随机梯度上升（SGA）步骤的环路，然后在（外部）最小化上进行SGD步骤，称为时期随机梯度\脑短幕（ESGDA）。虽然成功在实践中，ESGDA的理论分析仍然具有挑战性，但没有明确指导内部环路尺寸的选择，也没有内部/外部步长尺寸之间的相互作用。我们提出RSGDA（随机SGDA），是ESGDA的变种，具有随机环形尺寸，具有更简单的理论分析。 RSGDA在非透露X分钟/强凹幅最大设置上使用时，rsgda附带第一个（在SGDA算法中）几乎肯定的融合速率。 RSGDA可以使用最佳环路大小进行参数化，以保证已知为SGDA的最佳收敛速率。我们在玩具和更大的尺度问题上测试RSGDA，使用作为测试用最佳运输的分布鲁棒优化和单细胞数据匹配。

联合学习允许客户在保持数据本地时协同学习统计模型。联合学习最初用于培训一个独特的全局模型来为所有客户提供服务，但是当客户的本地数据分布是异构时，这种方法可能是次优。为了解决此限制，最近的个性化联合学习方法为每个客户提供单独的模型，同时仍然利用其他客户端提供的知识。在这项工作中，我们利用深神经网络从非表格数据中提取高质量矢量表示（嵌入），例如图像和文本的能力，提出基于本地记忆的个性化机制。根据全局模型提供的共享表示，将个性化与All-Nealest邻居（KNN）模型插入预先训练的全局模型。我们为所提出的方法提供泛化界限，我们展示了一套联合数据集，这种方法比最先进的方法实现了更高的准确性和公平性。

心肌梗塞（MI）是世界上死亡率的主要原因，由于饲喂心肌的冠状动脉堵塞。通过促进早期治疗干预措施，MI及其本土化的早期诊断可以减轻心肌损伤的程度。在冠状动脉堵塞后，缺血性心肌细分的区域壁运动异常（RWMA）是最早进入的变化。超声心动图是评估任何RWMA的基本工具。仅从单个超声心动图视图评估左心室（LV）壁的运动可能导致缺少MI的诊断，因为RWMA可能在该特定视图上不可见。因此，在本研究中，我们建议熔化顶端4室（A4C）和顶端2室（A2C）视图，其中可以分析总共11个心肌段的MI检测。所提出的方法首先通过活性多项式（AP）估计LV壁的运动，其提取并跟踪心内膜边界以计算心肌段位移。从A4C和A2C视图位移中提取的特征，该位移融合并馈送到分类器中以检测MI。本研究的主要贡献是1）通过包括A4C和A2C视图的共同分享与研究界的260个超声心动图录制，2）提高了阈值前后工作的性能基于机器学习的方法基于机器的AP，3）通过融合A4C和A2C视图的信息来通过多视图超声心动图进行先驱MI检测方法。实验结果表明，该方法达到了90.91％的敏感性和86.36％的MI检测精度，对多视角超声心动图进行了多视觉检测。

The increasing size of data generated by smartphones and IoT devices motivated the development of Federated Learning (FL), a framework for on-device collaborative training of machine learning models. First efforts in FL focused on learning a single global model with good average performance across clients, but the global model may be arbitrarily bad for a given client, due to the inherent heterogeneity of local data distributions. Federated multi-task learning (MTL) approaches can learn personalized models by formulating an opportune penalized optimization problem. The penalization term can capture complex relations among personalized models, but eschews clear statistical assumptions about local data distributions. In this work, we propose to study federated MTL under the flexible assumption that each local data distribution is a mixture of unknown underlying distributions. This assumption encompasses most of the existing personalized FL approaches and leads to federated EM-like algorithms for both client-server and fully decentralized settings. Moreover, it provides a principled way to serve personalized models to clients not seen at training time. The algorithms' convergence is analyzed through a novel federated surrogate optimization framework, which can be of general interest. Experimental results on FL benchmarks show that our approach provides models with higher accuracy and fairness than state-of-the-art methods.

被称为超声心动图的心脏成像是一种非侵入性工具，用于生成包括图像和视频的数据，心脏病专家用来诊断心脏异常，尤其是心肌梗死（MI）。超声心动图机可以提供大量数据，需要由心脏病专家快速分析，以帮助他们做出诊断和治疗心脏病。但是，获得的数据质量取决于购置条件以及患者对设置说明的响应能力。这些限制对医生的挑战尤其是当患者面对MI并且他们的生命受到威胁时。在本文中，我们提出了一种基于卷积神经网络（CNN）的创新实时端到端全自动模型，以根据由左心室（LV）的区域壁运动异常（RWMA）检测到MI，该模型是由左心室（LV）的视频中的。超声心动图。我们的模型是由2D CNN组成的管道实现Mi。我们在由165个超声心动图视频组成的数据集上培训了两个CNN，每个CNN从一个独特的患者中获得。 2D CNN在数据分割方面达到了97.18％的精度，而3D CNN获得了90.9％的精度，100％的精度和95％的召回率。我们的结果表明，创建一个完全自动化的MI检测系统是可行且有利的。