时间序列无处不在，因此本质上很难分析，最终以标记或群集。随着物联网（IoT）及其智能设备的兴起，数据将大量收集。收集到的数据丰富的信息，因为人们可以实时检测事故（例如汽车），或者在给定的时间段内评估伤害/疾病（例如，健康设备）。由于其混乱的性质和大量数据点，时间剧本很难手动标记。此外，数据中的新类可能会随着时间的流逝而出现（与手写数字相反），这将需要重新标记数据。在本文中，我们提出了SUSL4TS，这是一种用于半无调学习的深层生成高斯混合模型，以对时间序列数据进行分类。通过我们的方法，我们可以减轻手动标记步骤，因为我们可以检测到稀疏标记的类（半监督）并识别隐藏在数据中的新兴类（无监督）。我们通过来自不同领域的既定时间序列分类数据集证明了方法的功效。

Supervised machine learning-based medical image computing applications necessitate expert label curation, while unlabelled image data might be relatively abundant. Active learning methods aim to prioritise a subset of available image data for expert annotation, for label-efficient model training. We develop a controller neural network that measures priority of images in a sequence of batches, as in batch-mode active learning, for multi-class segmentation tasks. The controller is optimised by rewarding positive task-specific performance gain, within a Markov decision process (MDP) environment that also optimises the task predictor. In this work, the task predictor is a segmentation network. A meta-reinforcement learning algorithm is proposed with multiple MDPs, such that the pre-trained controller can be adapted to a new MDP that contains data from different institutes and/or requires segmentation of different organs or structures within the abdomen. We present experimental results using multiple CT datasets from more than one thousand patients, with segmentation tasks of nine different abdominal organs, to demonstrate the efficacy of the learnt prioritisation controller function and its cross-institute and cross-organ adaptability. We show that the proposed adaptable prioritisation metric yields converging segmentation accuracy for the novel class of kidney, unseen in training, using between approximately 40\% to 60\% of labels otherwise required with other heuristic or random prioritisation metrics. For clinical datasets of limited size, the proposed adaptable prioritisation offers a performance improvement of 22.6\% and 10.2\% in Dice score, for tasks of kidney and liver vessel segmentation, respectively, compared to random prioritisation and alternative active sampling strategies.

There are synergies of research interests and industrial efforts in modeling fairness and correcting algorithmic bias in machine learning. In this paper, we present a scalable algorithm for spectral clustering (SC) with group fairness constraints. Group fairness is also known as statistical parity where in each cluster, each protected group is represented with the same proportion as in the entirety. While FairSC algorithm (Kleindessner et al., 2019) is able to find the fairer clustering, it is compromised by high costs due to the kernels of computing nullspaces and the square roots of dense matrices explicitly. We present a new formulation of underlying spectral computation by incorporating nullspace projection and Hotelling's deflation such that the resulting algorithm, called s-FairSC, only involves the sparse matrix-vector products and is able to fully exploit the sparsity of the fair SC model. The experimental results on the modified stochastic block model demonstrate that s-FairSC is comparable with FairSC in recovering fair clustering. Meanwhile, it is sped up by a factor of 12 for moderate model sizes. s-FairSC is further demonstrated to be scalable in the sense that the computational costs of s-FairSC only increase marginally compared to the SC without fairness constraints.

全球粮食需求和严峻的工作条件的上升使水果收获成为自动化的重要领域。对于任何自动化的水果收获系统来说，花梗定位是重要的步骤，因为水果分离技术对花梗位置高度敏感。大多数关于花梗本地化的工作都集中在计算机视觉上，但是由于农业环境的混乱性，花梗很难在视觉上访问。我们的工作提出了一种替代机械（而不是视觉）感知来定位花梗的替代方法。为了估算这一重要植物特征的位置，我们将扳手测量从腕部力/扭矩传感器到水果植物系统的物理模型，将水果的附着点视为要调整的参数。该方法是作为水果采摘程序的一部分进行内联执行的。使用我们的果园代理进行评估，我们证明了该技术能够将花梗定位在3.8 cm的中间距离内，中位方向误差为16.8度。

在过去几年中，水下车辆操纵器系统（UVMS）变得越来越小，越来越小，在计划和控制系统时，考虑操纵器和车辆之间的耦合力变得越来越重要。但是，处理这些力的典型方法需要媒介物的精确流体动力模型，并在操纵器上使用低级扭矩控制，这两者在现场都很少见。因此，许多UVMS控制方法都是基于运动学的，无法固有地解释这些效果。我们的工作通过训练模拟UVMS数据上的复发性神经网络来弥合运动学控制与动态之间的差距，以根据系统以前的状态预测将来车辆的音高。运动学计划者和控制者可以使用此指标来合并动态知识，而无需计算昂贵的模型，从而提高了他们执行水下操纵任务的能力。

可解释的AI（XAI）是一个重要的发展领域，但仍相对研究用于聚类。我们提出了一种可解释的划分聚类方法，不仅可以找到集群，而且还可以解释每个群集。基于典范的心理学概念学院的使用支持了示例示例的理解。我们表明，找到一小部分示例来解释即使是一个群集也是计算上的棘手。因此，总体问题具有挑战性。我们开发了一种近似算法，该算法可为聚类质量以及所使用的示例数量提供可证明的性能保证。该基本算法解释了每个集群中的所有实例，而另一种近似算法则使用有界数的示例来允许更简单的解释，并证明涵盖了所有实例的大部分。实验结果表明，我们的工作在涉及很难理解图像和文本深层嵌入的领域中很有用。

本文介绍了Tyche，这是一个Python库Tyche，可通过构建，查询和学习信念模型来促进不确定世界中的概率推理。Tyche使用Aleatoric Description Logic（ADL），该逻辑（ADL）在其评估中比其他描述逻辑提供了计算优势。可以通过定义个人类别，关于他们的概率信念（概念）以及它们之间的概率关系（角色）来简洁地创建Tyche信仰模型。我们还引入了一种观察传播方法，以促进从复杂的ADL观察中学习。提供了Tyche的演示，以预测匿名消息的作者，并从匿名消息中提取作者写作倾向。Tyche有可能协助开发专家系统，知识提取系统和代理商，以使用不完整和概率信息玩游戏。

本文报告了建立在线语言学习工具的进步，以通过使用对话系统作为对话实践伙伴为学习者提供对话体验。我们的系统可以随时适应用户的语言水平。我们还提供自动语法错误反馈，以帮助用户从错误中学习。根据我们的第一个采用者，我们的系统娱乐和有用。此外，我们将为学习技术社区提供有关语言学习和语法校正的大规模对话数据集。我们的下一步是通过使用强化学习算法使我们的系统更适应用户配置文件。

果树的休眠修剪是维持树木健康和确保高质量果实的重要任务。由于劳动力的可用性降低，修剪是机器人自动化的主要候选者。但是，修剪也代表了机器人的独特困难问题，需要在可变照明条件下以及在复杂的，高度非结构化的环境中进行感知，修剪点的确定和操纵。在本文中，我们介绍了一种用于修剪甜樱桃树的系统（在平面树建筑中，称为直立的果实分支配置），该系统整合了我们先前关于感知和操纵的工作的各种子系统。最终的系统能够完全自主运行，并且需要对环境的最低控制。我们通过在甜蜜的樱桃果园中进行现场试验来验证系统的性能，最终取得了58％的削减速度。尽管不完全稳健，并且需要改善吞吐量，但我们的系统是第一个在果树上运行的系统，并代表了将来可以改进的有用的基础平台。

计算文本表型是从临床注释中鉴定出患有某些疾病和特征的患者的实践。由于很少有用于机器学习的案例和域专家的数据注释需求，因此难以识别的罕见疾病要确定。我们提出了一种使用本体论和弱监督的方法，并具有来自双向变压器（例如BERT）的最新预训练的上下文表示。基于本体的框架包括两个步骤：（i）文本到umls，通过上下文将提及与统一医学语言系统（UMLS）中的概念链接到命名的实体识别和链接（NER+L）工具，SemeHR中提取表型。 ，以及具有自定义规则和上下文提及表示的弱监督； （ii）UMLS-to-to-ordo，将UMLS概念与孤子罕见疾病本体论（ORDO）中的罕见疾病相匹配。提出了弱监督的方法来学习一个表型确认模型，以改善链接的文本对umls，而没有域专家的注释数据。我们评估了来自美国和英国两个机构的三个出院摘要和放射学报告的临床数据集的方法。我们最好的弱监督方法获得了81.4％的精度和91.4％的召回，从模仿III出院摘要中提取罕见疾病UMLS表型。总体管道处理临床笔记可以表面罕见疾病病例，其中大部分在结构化数据（手动分配的ICD代码）中没有受到平衡。关于模仿III和NHS Tayside的放射学报告的结果与放电摘要一致。我们讨论了弱监督方法的有用性，并提出了未来研究的方向。