联邦学习（FL）是一种分散的方法，使医院能够在不共享私人患者数据进行培训的情况下协作学习模型。在FL中，参与者医院定期交换培训结果，而不是使用中央服务器培训样品。但是，访问模型参数或梯度可以暴露私人培训数据样本。为了应对这一挑战，我们采用安全的多方计算（SMC）来建立一个保护隐私的联合学习框架。在我们提出的方法中，医院分为集群。在当地培训之后，每家医院在同一集群中分解了其他医院的模型权重，因此没有一家医院可以自己检索其他医院的体重。然后，所有医院总结了收到的权重，将结果发送到中央服务器。最后，中央服务器汇总了结果，检索模型的平均权重并更新模型，而无需访问各个医院的权重。我们在公开可用的存储库《癌症基因组图集》（TCGA）上进行实验。我们将提议框架的性能与差异隐私进行比较，并将平均为基准。结果表明，与差异隐私相比，我们的框架可以实现更高的准确性，而没有隐私泄漏风险，而较高的通信开销则可以实现。

Differentiable Architecture Search (DARTS) has attracted considerable attention as a gradient-based Neural Architecture Search (NAS) method. Since the introduction of DARTS, there has been little work done on adapting the action space based on state-of-art architecture design principles for CNNs. In this work, we aim to address this gap by incrementally augmenting the DARTS search space with micro-design changes inspired by ConvNeXt and studying the trade-off between accuracy, evaluation layer count, and computational cost. To this end, we introduce the Pseudo-Inverted Bottleneck conv block intending to reduce the computational footprint of the inverted bottleneck block proposed in ConvNeXt. Our proposed architecture is much less sensitive to evaluation layer count and outperforms a DARTS network with similar size significantly, at layer counts as small as 2. Furthermore, with less layers, not only does it achieve higher accuracy with lower GMACs and parameter count, GradCAM comparisons show that our network is able to better detect distinctive features of target objects compared to DARTS.

在世界各地人行道的位置，状况和可访问性上缺乏数据，这不仅会影响人们旅行的何处和方式，而且从根本上限制了交互式映射工具和城市分析。在本文中，我们使用层次多尺度注意模型从卫星图像中构建半自动性的初步工作，从卫星图像中构建人行道网络拓扑模型，从而使用基于学习的基于学习的语义细分从街道级图像从街道图像中推断出表面材料，并评估人行道条件和可访问性。使用人群+AI的功能。我们呼吁创建一个标有卫星和街景场景的数据库，以供人行道和人行道可及性问题以及标准化的基准测试。

在设计可持续和弹性的城市建造环境的同时，越来越多地促进了世界各地的，重大的数据差距对压迫可持续性问题挑战开展的研究。已知人行道具有强大的经济和环境影响;然而，由于数据收集的成本持久和耗时的性质，大多数城市缺乏它们的表面的空间目录。计算机愿景的最新进展与街道级别图像的可用性一起为城市提供了新的机会，以利用较低的实施成本和更高的准确性提取大规模建筑环境数据。在本文中，我们提出了一个基于主动学习的框架，利用计算机视觉技术来使用广泛可用的街道图像进行分类的计算机视觉技术。我们培训了来自纽约市和波士顿的图像的框架，评价结果显示了90.5％的Miou评分。此外，我们使用六个不同城市的图像评估框架，表明它可以应用于具有不同城市面料的区域，即使在培训数据的领域之外。 Citysurfaces可以为研究人员和城市代理商提供低成本，准确，可扩展的方法来收集人行道材料数据，在寻求主要可持续性问题方面发挥着关键作用，包括气候变化和地表水管理。

对行人基础设施，特别是人行道的大规模分析对人类以人为本的城市规划和设计至关重要。受益于通过纽约市开放数据门户提供的Procepetric特征和高分辨率OrthoImages的丰富数据集，我们培养计算机视觉模型来检测遥感图像的人行道，道路和建筑物，达到83％的Miou持有-out测试集。我们应用形状分析技术来研究提取的人行道的不同属性。更具体地，我们对人行道的宽度，角度和曲率进行了瓷砖明智的分析，除了它们对城市地区的可行性和可达性的一般影响，众所周知，在轮椅用户的移动性中具有重要作用。初步结果是有前途的，瞥见了不同城市采用的拟议方法的潜力，使研究人员和从业者可以获得更生动的行人领域的画面。

我们展示了MapReader，一个在Python中编写的免费开源软件库，用于分析大地图集合（扫描或出生）。此库转换历史人员可以通过转动广泛的均匀地图设置到可搜索的主要源来使用映射的方式。 MapReader允许使用很少或没有计算机视觉专业知识的用户来通过Web服务器检索地图; ii）预处理并将它们分成补丁; iii）涂布补丁; iv）火车，微调和评估深度神经网络模型; v）创建有关地图内容的结构化数据。我们展示了MAPREADER如何使历史学家解释$ \ \左右16千世纪的军械调查地图表（$ \大约30.5M补丁），将视觉标记转化为机器可读数据的挑战。我们展示了一个案例研究，重点是英国铁路基础设施和建筑物，如这些地图所示。我们还展示了MapReader管道的输出如何链接到我们用于评估的其他外部数据集以及丰富和解释结果。我们释放$ \大约62万美元手动注释的补丁，用于培训和评估模型。

计算机愿景领域正在快速发展，特别是在神经结构设计的新方法的背景下。这些模型有助于（1）气候危机 - 增加二氧化碳排放量和（2）隐私危机 - 数据泄漏问题。为了解决经常忽视的影响计算机愿景（CV）社区对这些危机，我们概述了一个新颖的道德框架，\ Textit {P4ai}：AI的原则，是AI内伦理困境的增强原则看法。然后，我们建议使用P4AI向社区制定具体的建议，以减轻气候和隐私危机。

气候变化仍然是一个迫在眉睫的问题，目前影响社会大。重要的是，我们作为一个社会，包括计算机愿景（CV）社区采取措施限制对环境的影响。在本文中，我们（a）分析了CV方法递减递减的效果，（b）提出了一种\ entyit {'nofade''}：一种基于新的基于熵的度量来量化模型 - 数据集 - 复杂性关系。我们表明一些简历的任务正在达到饱和度，而其他CV任务几乎完全饱和。在这种光中，Nofade允许CV社区在类似的基础上比较模型和数据集，建立不良平台。

超参数优化（HPO）的任务是由于同时优化了模型的权重及其超参数的诡计而负担了重大计算成本。在这项工作中，我们介绍了一类新的HPO方法，并探讨了卷积神经网络的中间层的卷积重量的低级分解权，可用于定义用于优化超参数的分析响应表面，仅使用培训数据。我们量化了这种表面如何表现为模型性能的代理，并且可以使用我们呼叫AutoOlep的信任区域搜索算法来解决。该算法优于诸如贝叶斯优化的最先进，横跨模型，优化器和数据集选择。可以在\ url {https://github.com/mathieutuli/autohoyper}中找到pytorch代码。

Designing experiments often requires balancing between learning about the true treatment effects and earning from allocating more samples to the superior treatment. While optimal algorithms for the Multi-Armed Bandit Problem (MABP) provide allocation policies that optimally balance learning and earning, they tend to be computationally expensive. The Gittins Index (GI) is a solution to the MABP that can simultaneously attain optimality and computationally efficiency goals, and it has been recently used in experiments with Bernoulli and Gaussian rewards. For the first time, we present a modification of the GI rule that can be used in experiments with exponentially-distributed rewards. We report its performance in simulated 2- armed and 3-armed experiments. Compared to traditional non-adaptive designs, our novel GI modified design shows operating characteristics comparable in learning (e.g. statistical power) but substantially better in earning (e.g. direct benefits). This illustrates the potential that designs using a GI approach to allocate participants have to improve participant benefits, increase efficiencies, and reduce experimental costs in adaptive multi-armed experiments with exponential rewards.