准确的真实量子系统模型对于调查其行为很重要，但难以弥补经验。在这里，我们报告了一种算法 - 量子模型学习代理（QMLA） - 逆向工程师Hamiltonian对目标系统的描述。我们在许多模拟实验中测试QMLA的性能，展示了候选人汉密尔顿模型设计的几种机制，同时娱乐了许多关于治疗研究系统的物理相互作用的性质的许多假设。当提供有限的先验信息和控制实验设置时，显示QMLA在大多数实例中识别真实模型。我们的协议可以探索ising，Heisenberg和Hubbard系列的模型并行，可靠地识别最能描述系统动态的家庭。我们通过纳入遗传算法制定新的假设模型，展示在大型模型空间上运行的QMLA。该特征传播到下一代的模型的选择基于ELO评级方案启发的客观函数，通常用于评估竞争对手，例如国际象棋和足球。在所有情况下，我们的协议查找与真实模型相比展出$ f_1 $ -score $ \ ge 0.88 $的型号，并且精确地识别了72％的案件中的真实模型，同时探索超过250,000美元的潜在模型的空间。通过测试目标系统实际发生的相互作用，QMLA是一种可行的工具，用于探索基本物理和量子器件的表征和校准。

Learned Bloom Filters, i.e., models induced from data via machine learning techniques and solving the approximate set membership problem, have recently been introduced with the aim of enhancing the performance of standard Bloom Filters, with special focus on space occupancy. Unlike in the classical case, the "complexity" of the data used to build the filter might heavily impact on its performance. Therefore, here we propose the first in-depth analysis, to the best of our knowledge, for the performance assessment of a given Learned Bloom Filter, in conjunction with a given classifier, on a dataset of a given classification complexity. Indeed, we propose a novel methodology, supported by software, for designing, analyzing and implementing Learned Bloom Filters in function of specific constraints on their multi-criteria nature (that is, constraints involving space efficiency, false positive rate, and reject time). Our experiments show that the proposed methodology and the supporting software are valid and useful: we find out that only two classifiers have desirable properties in relation to problems with different data complexity, and, interestingly, none of them has been considered so far in the literature. We also experimentally show that the Sandwiched variant of Learned Bloom filters is the most robust to data complexity and classifier performance variability, as well as those usually having smaller reject times. The software can be readily used to test new Learned Bloom Filter proposals, which can be compared with the best ones identified here.

多对象跟踪（MOT）是一项具有挑战性的任务，涉及检测场景中的对象并通过一系列帧跟踪它们。由于时间阻塞以及一系列图像序列的变化，评估此任务很困难。 Kitti等数据集上基准MOT方法的主要评估度量已成为高阶跟踪准确性（HOTA）度量，该指标能够更好地描述MOTA，DETA和IDF1等指标的性能。点检测和跟踪是一项密切相关的任务，可以将其视为对象检测的特殊情况。但是，评估检测任务本身（点距离与边界框重叠）存在差异。当包括时间维度和多视图方案时，评估任务变得更加复杂。在这项工作中，我们提出了一个多视图高阶跟踪指标（MVHOTA），以确定多点（多企业和多级）检测的准确性，同时考虑到时间和空间关联。 MVHOTA可以解释为检测，关联和对应准确性的几何平均值，从而为每个因素提供相等的权重。我们通过以前有组织的医疗挑战中的公开内窥镜检测数据集证明了用例。此外，我们与此用例的其他调整后的MOT指标进行比较，讨论MVHOTA的属性，并展示提出的对应准确性和闭塞指数如何促进对闭塞处理方法的分析。该代码将公开可用。

搜索排序的数据（{\ BF SOSD}，简而言之）是一种高度工程化的软件平台，用于基准获得学习索引，后者是通过将机器学习技术与经典组合在一起的方式搜索分类表的新颖且相当有效的提议算法。在这样的平台和相关的基准测试实验中，在自然和直观的选择之后，通过标准（教科书）二进制搜索过程执行最终搜索阶段。然而，最近的研究，不使用机器学习预测，表明统一的二进制搜索，简化以避免主循环中的\ vir {分支}，在要搜索的表格中的标准对应物时，性能优异地是相对较小的，例如，在L1或L2缓存中拟合。 k-ary搜索的类似结果即使在大桌子上也是如此。人们期望学习索引中的类似行为。通过一组广泛的实验，与现有技术相干，我们表明，对于学习的索引，并且就{\ bf sosd}软件而言，使用标准例程（二进制或k-ary搜索）在所有内部存储器级别上优​​于均匀的一个。这一事实提供了到目前为止所制作的自然选择的定量理由。我们的实验还表明，统一的二进制和k-ary搜索可能是有利的，以便在学习索引中节省空间，同时授予良好的性能。我们的研究结果是对这种新颖和快速增长的区域的方法有关，以及有兴趣在应用领域中使用学习索引的从业者，例如数据库和搜索引擎。

绽放过滤器是一个基本和普遍的数据结构。在学习数据结构的不断增长的区域内，已经考虑了几种学习版本的绽放过滤器，从经典过滤器产生了优势。它们中的每一个都使用分类器，这是数据结构的学习部分。虽然它在那些新的过滤器中具有核心作用，但其空间占用空间以及分类时间可能会影响学习过滤器的性能，无系统的研究，可以使用哪些特定分类器使用哪种情况。我们在此报告此区域的进度，提供了在五个经典分类范例中选择的分类器的初步指南。

优化在离散变量上的高度复杂的成本/能源功能是不同科学学科和行业的许多公开问题的核心。一个主要障碍是在硬实例中的某些变量子集之间的出现，导致临界减慢或集体冻结了已知的随机本地搜索策略。通常需要指数计算工作来解冻这种变量，并探索配置空间的其他看不见的区域。在这里，我们通过开发自适应梯度的策略来介绍一个量子启发的非本球非识别蒙特卡罗（NMC）算法，可以有效地学习成本函数的关键实例的几何特征。该信息随行使用，以构造空间不均匀的热波动，用于以各种长度尺度集体未填充变量，规避昂贵的勘探与开发权衡。我们将算法应用于两个最具挑战性的组合优化问题：随机k可满足（K-SAT）附近计算阶段转换和二次分配问题（QAP）。我们在专业的确定性求解器和通用随机求解器上观察到显着的加速和鲁棒性。特别是，对于90％的随机4-SAT实例，我们发现了最佳专用确定性算法无法访问的解决方案，该算法（SP）具有最强的10％实例的解决方案质量的大小提高。我们还通过最先进的通用随机求解器（APT）显示出在最先进的通用随机求解器（APT）上的时间到溶液的两个数量级改善。

目的：二尖瓣修复是心脏瓣膜的复杂微创手术。在这种情况下，来自内窥镜图像的缝合线检测是一种高度相关的任务，该任务提供了分析缝合模式的定量信息，评估假肢配置并产生增强的现实可视化。面部或解剖标志性的检测任务通常包含固定数量的地标，并使用回归或固定的基于热线图的方法来定位标志性。然而，在内窥镜检查中，每个图像中存在不同数量的缝合线，并且缝合线可能发生在环形空中的任何位置，因为它们不是语义唯一的。方法：在这项工作中，我们将缝合检测任务制定为多实例的深热映射回归问题，以识别缝合线的进入和退出点。我们扩展了我们以前的工作，并介绍了一个新颖的使用2D高斯层，然后是可分辨率的2D空间软氩模层作为局部非最大抑制。结果：我们用多种热映射分布功能和所提出的模型的两个变体呈现广泛的实验。在术中帧内结构域中，变体1在基线上显示了+0.0422的平均f1。类似地，在模拟器域中，变体1在基线上显示了+0.0865的平均f1。结论：拟议的模型显示出在帧内和模拟器域中的基线上的改进。在Miccai Adaptor2021挑战HTTPS://Adaptor2021.github.io/的范围内公开可用，以及https://github.com/cardio-ai/suture-detection-pytorch/的代码。 DOI：10.1007 / S11548-021-02523-W。可以在此处找到与开放式接入文章的链接：https://link.springer.com/article/10.1007%2FS11548-021-02523

机器学习技术，与数据结构合并，导致学习静态索引，创新和强大的工具，用于加速二进制搜索，使用其他空间相对于被搜索到的表。这种空间致力于ML模型。虽然在他们的阶段，但由于分类表搜索程序的普遍性，它们在方法上和实际上很重要。在现代应用中，模型空间是一个关键因素，实际上，关于该领域的一个重大开放问题是评估一个人在多大程度上享受学习索引的速度，同时使用常量或几乎恒定的空间模型。我们通过（a）在此处介绍两个新模型，即表示为{\ bf ko-bfs}和{\ bf sy-rmi}; （b）通过系统地探索现有模型的层次结构的时间空间权衡，即{\ bf sosd}中的{\ bf sosd}中的时间表。我们记录了一种新颖且复杂的时空折衷图片，这对用户来说非常丰富。我们通过实验表明{\ bf ko-bfs}可以加快恒定空间中的插值搜索和统一二进制搜索。对于其他版本的二进制搜索，我们的第二种模型以及双标准{\ BF PGM}索引可以实现速度，其模型空间比表所拍摄的0.05 \％$的型号。有竞争力在时间空间与现有建议的权衡方面。 {\ bf sy-rmi}和bi-criteria {\ bf pgm}在内部内存层次结构的各个级别中相互作用。最后，我们的调查结果对设计者感兴趣，因为它们强调了对学习指标中的时空关系的进一步研究的需要。

非线性部分差分差异方程成功地用于描述自然科学，工程甚至金融中的广泛时间依赖性现象。例如，在物理系统中，Allen-Cahn方程描述了与相变相关的模式形成。相反，在金融中，黑色 - choles方程描述了衍生投资工具价格的演变。这种现代应用通常需要在经典方法无效的高维度中求解这些方程。最近，E，Han和Jentzen [1] [2]引入了一种有趣的新方法。主要思想是构建一个深网，该网络是根据科尔莫戈罗夫方程式下离散的随机微分方程样本进行训练的。该网络至少能够在数值上近似，在整个空间域中具有多项式复杂性的Kolmogorov方程的解。在这一贡献中，我们通过使用随机微分方程的不同离散方案来研究深网的变体。我们在基准的示例上比较了相关网络的性能，并表明，对于某些离散方案，可以改善准确性，而不会影响观察到的计算复杂性。