到2035年，美国电力部门的转型正在进行中，以实现100％无碳污染的电力，以实现这一目标，同时保持安全可靠的电网，需要新的操作范式，以快速准确的决策来制定新的操作范式在动态和不确定的环境中。我们为动态网格重新配置（PHML-DYR）的决策提出了一个新颖的物理知识的机器学习框架，这是电源系统中的关键任务。动态重新配置（DYR）是一个动态设置开关状态的过程，从而导致最佳网格拓扑，从而最大程度地减少线路损耗。为了解决由于决策变量的混合性质而导致的NP硬度的潜在计算复杂性，我们建议使用物理信息信息的ML（PHML），该物理信息（PHML）将操作约束以及拓扑结构和连接性约束集成到神经网络框架中。我们的PHML方法学会同时优化网格拓扑和发电机调度，以满足负载，提高效率并保持在安全的操作范围内。我们证明了PHML-DYR在规范网格上的有效性，显示电力损耗的减少23％，并改善了电压曲线。我们还显示了使用PHML-DYR的数量级以及训练时间的约束违规行为的减少。

Automated text analysis has become a widely used tool in political science. In this research, we use a BERT model trained on German party manifestos to identify the individual parties' contribution to the coalition agreement of 2021.

Energy management systems (EMS) are becoming increasingly important in order to utilize the continuously growing curtailed renewable energy. Promising energy storage systems (ESS), such as batteries and green hydrogen should be employed to maximize the efficiency of energy stakeholders. However, optimal decision-making, i.e., planning the leveraging between different strategies, is confronted with the complexity and uncertainties of large-scale problems. Here, we propose a sophisticated deep reinforcement learning (DRL) methodology with a policy-based algorithm to realize the real-time optimal ESS planning under the curtailed renewable energy uncertainty. A quantitative performance comparison proved that the DRL agent outperforms the scenario-based stochastic optimization (SO) algorithm, even with a wide action and observation space. Owing to the uncertainty rejection capability of the DRL, we could confirm a robust performance, under a large uncertainty of the curtailed renewable energy, with a maximizing net profit and stable system. Action-mapping was performed for visually assessing the action taken by the DRL agent according to the state. The corresponding results confirmed that the DRL agent learns the way like what a human expert would do, suggesting reliable application of the proposed methodology.

形状受限的符号回归（SCSR）允许将先验知识包括在基于数据的建模中。此包含允许确保所得模型更好地反映某些预期行为。预期行为是通过约束来定义的，该约束是指函数形式，例如单调性，凹度，凸度或模型图像边界。除了由于定义了对功能形状的约束而获得更健壮和可靠的模型的优势外，SCSR的使用还可以找到对噪声更强大并具有更好外推行为的模型。本文提出了一种最小化近似误差以及约束违规的方法。明确实施了两种算法NSGA-II和NSGA-III，并在模型质量和运行时相互比较。两种算法都能够处理多个目标，而NSGA-II是一种良好的多目标方法，在具有最新目标的实例上表现良好。 NSGA-III是NSGA-II算法的扩展，并开发出来处理“许多”目标（超过3个目标）的问题。两种算法均在物理教科书中选定的基准实例集上执行。结果表明，两种算法都能够找到很大的解决方案，并且NSGA-III在模型质量方面提供了略有改进。此外，可以使用多目标方法观察到运行时的改进。

现代自动驾驶汽车在很大程度上依赖机械激光雷达。当前的感知方法通常需要360 {\ deg}点云，随着激光雷达扫描方位角并获得连续的楔形切片，依次收集。全面扫描（〜100ms）的采集潜伏期可能导致过时的感知，这不利于安全操作。最近提出的流媒体感知作品直接处理LiDAR切片并通过以前的切片重复使用特征来补偿切片的狭窄视野（FOV）。但是，这些作品都是基于单一模式的，并且需要过去的信息可能过时。同时，高频摄像头的图像可以支持流型模型，因为它们提供了更大的FOV与LiDAR片相比。但是，FOV中的这种差异使传感器融合复杂化。为了解决这一研究差距，我们提出了一个创新的摄像头流媒体3D对象检测框架，该框架使用摄像头图像而不是过去的LiDAR切片来提供最新，密集和广泛的上下文，以进行流媒体感知。所提出的方法在挑战性的Nuscenes基准测试上优于先前的流媒体模型。它还胜过强大的全扫描探测器，同时更快。我们的方法证明对缺少相机图像，狭窄的雷达切片和小型摄像机劳动错误校准具有强大的功能。

多标签图像分类旨在预测图像中的所有可能标签。考虑到在每个培训图像中注释所有标签可能是昂贵的，通常将其作为部分标签的学习问题。关于部分标签学习的现有作品集中在每个训练图像只有其标签的子集注释的情况下。一种特殊情况是在每个训练图像中仅注释一个正标签。为了进一步减轻注释负担并增强了分类器的性能，本文提出了一个新的部分标签设置，其中仅标记了训练图像的一个子集，每个图像只有一个正面标签，而其余的培训图像仍保留未标记。为了处理这个新设置，我们建议一个端到端的深层网络PLMCL（部分标签动量课程学习），可以学会为部分标记和未标记的培训图像生成自信的伪标签。基于动量的新法律通过考虑更新伪标签的速度，更新每个训练图像上的软伪标签，这些标签的更新有助于避免捕获到低信心的本地最低限度，尤其是在培训的早期阶段，由于缺乏观察到的标签和培训的早期阶段对伪标签的信心。此外，我们还提出了一个信心的调度程序，以适应性地对不同标签进行易于锻炼的学习。广泛的实验表明，我们提出的PLMCL在三个不同数据集上的各个部分标签设置下优于许多最先进的多标签分类方法。

本文说明了我们对第四个情感行为分析（ABAW）竞争的提交方法。该方法用于多任务学习挑战。我们不使用面部信息，而是使用所提供的包含面部和面部上下文的数据集中的完整信息。我们利用InceptionNet V3模型提取深度特征，然后应用了注意机制来完善特征。之后，我们将这些功能放入变压器块和多层感知器网络中，以获得最终的多种情感。我们的模型预测唤醒和价，对情绪表达进行分类，并同时估算动作单元。提出的系统在MTL挑战验证数据集上实现了0.917的性能。

社交媒体和数字技术的广泛使用促进了有关事件和活动的各种新闻和信息。尽管分享了积极的信息误导和虚假信息，但社交媒体也正在传播。在确定人类专家和自动工具手动的这种误导性信息方面，已经做出了努力。由于包含事实主张的大量信息正在网上出现，手动努力并不能很好地扩展。因此，自动确定值得支票的主张对于人类专家来说非常有用。在这项研究中，我们描述了我们参与子任务-1a：checkthat的推文（英语，荷兰语和西班牙语）的值得检查！在CLEF 2022的实验室。我们执行了标准的预处理步骤，并应用了不同的模型来确定给定文本是否值得事实检查。我们使用过度采样技术来平衡数据集和应用SVM和随机森林（RF）和TF-IDF表示。我们还将BERT多语言（BERT-M）和XLM-ROBERTA-BASE预培训模型用于实验。我们将BERT-M用于官方提交，我们的系统分别在西班牙语，荷兰语和英语中分别排名第三，第五和第十二。在进一步的实验中，我们的评估表明，变压器模型（Bert-M和XLM-Roberta-bas）在荷兰语和英语语言中优于SVM和RF，在荷兰语和英语中，对于西班牙来说，观察到不同的情况。

实例优化系统的新兴类别通过专门研究特定的数据和查询工作负载来显示出高性能的潜力。特别是，机器学习（ML）技术已成功地应用于构建各种实例优化的组件（例如，学习的索引）。本文研究以利用ML技术来增强给定数据和查询工作负载的空间索引，尤其是R-Tree的性能。当R-Tree索引节点覆盖的区域在空间中重叠，在搜索空间中的特定点时，可能会探索从根到叶子的多个路径。在最坏的情况下，可以搜索整个R-Tree。在本文中，我们定义并使用重叠比来量化范围查询所需的外叶节点访问的程度。目的是提高传统的R-Tree对高度重叠范围查询的查询性能，因为它们往往会产生长时间的跑步时间。我们介绍了一个新的AI-Tree，将R-Tree的搜索操作转换为多标签分类任务，以排除外部叶子节点访问。然后，我们将传统的R-Tree扩大到Ai-Tree，形成混合“ AI+R” -tree。 “ AI+R” -tree可以使用学习模型自动区分高和低封闭的查询。因此，“ AI+R” -Tree使用AI-Tree处理高重叠的查询，并使用R-Tree处理低重叠的查询。实际数据集上的实验表明，“ AI+R” -Tree可以在传统的R-Tree上提高查询性能高达500％。

在文本分类模型由于数据变化而随着时间的变化而下降的情况下，其持续时间持续时间的模型的开发很重要。预测模型随着时间的推移能力的能力可以帮助设计模型，这些模型可以在更长的时间内有效使用。在本文中，我们通过评估各种语言模型和分类算法随着时间的推移持续存在的能力，以及数据集特性如何帮助预测不同模型的时间稳定性，从而研究了这个问题。我们在跨越6到19年的三个数据集上执行纵向分类实验，并涉及各种任务和类型的数据。我们发现，人们可以根据（i）模型在限制时间段内的性能及其外推到更长的时间段，以及（ii）数据集的语言特征，以及（ii）数据集的语言特征，如何估算模型如何在时间上保持其性能。例如不同年份的子集之间的熟悉程度。这些实验的发现对文本分类模型的设计具有重要意义，目的是保留随着时间的推移性能。