Active target sensing is the task of discovering and classifying an unknown number of targets in an environment and is critical in search-and-rescue missions. This paper develops a deep reinforcement learning approach to plan informative trajectories that increase the likelihood for an uncrewed aerial vehicle (UAV) to discover missing targets. Our approach efficiently (1) explores the environment to discover new targets, (2) exploits its current belief of the target states and incorporates inaccurate sensor models for high-fidelity classification, and (3) generates dynamically feasible trajectories for an agile UAV by employing a motion primitive library. Extensive simulations on randomly generated environments show that our approach is more efficient in discovering and classifying targets than several other baselines. A unique characteristic of our approach, in contrast to heuristic informative path planning approaches, is that it is robust to varying amounts of deviations of the prior belief from the true target distribution, thereby alleviating the challenge of designing heuristics specific to the application conditions.

The tropical cyclone formation process is one of the most complex natural phenomena which is governed by various atmospheric, oceanographic, and geographic factors that varies with time and space. Despite several years of research, accurately predicting tropical cyclone formation remains a challenging task. While the existing numerical models have inherent limitations, the machine learning models fail to capture the spatial and temporal dimensions of the causal factors behind TC formation. In this study, a deep learning model has been proposed that can forecast the formation of a tropical cyclone with a lead time of up to 60 hours with high accuracy. The model uses the high-resolution reanalysis data ERA5 (ECMWF reanalysis 5th generation), and best track data IBTrACS (International Best Track Archive for Climate Stewardship) to forecast tropical cyclone formation in six ocean basins of the world. For 60 hours lead time the models achieve an accuracy in the range of 86.9% - 92.9% across the six ocean basins. The model takes about 5-15 minutes of training time depending on the ocean basin, and the amount of data used and can predict within seconds, thereby making it suitable for real-life usage.

经过良好策划的数据集的可用性推动了机器学习（ML）模型的成功。尽管对农业的地球观测数据的获取增加了，但仍有少数策划的标签数据集，这限制了其在训练ML模型中用于农业中的遥控模型的潜力。为此，我们介绍了一个首先的数据集，镰刀，在3个不同卫星的不同空间分辨率下具有时间序列图像，并用多个关键的裁剪参数注释，用于帕迪种植的帕迪耕种，用于泰米尔纳德邦的Cauvery Delta地区，印度。该数据集由388个独特地块的2398个季节样品组成，分布在三角洲的4个地区。该数据集涵盖了2018年1月3月2021日的时间段之间的多光谱，热和微波数据。稻田样品用4个关键的裁剪参数注释，即播种日期，移植日期，收获日期和作物收率。这是最早将生长季节（使用播种和收获日期）视为数据集的一部分的研究之一。我们还提出了一种产量预测策略，该策略使用基于观察到的生长季节以及该地区泰米尔纳德邦农业大学获得的标准季节性信息生成的时间序列数据。随之而来的绩效提高凸显了ML技术的影响，该技术利用了与特定地区的农民紧随其后的标准实践相一致的领域知识。我们在3个单独的任务上进行基准测试数据集，即作物类型，物候日期（播种，移植，收获）和产量预测，并开发了一个端到端框架，用于预测现实世界中的关键作物参数。

离群值检测是一项具有挑战性的活动。文献中提出了几种机器学习技术，以进行异常检测。在本文中，我们为双向gan（Bigan）提出了一种新的培训方法，以检测异常值。为了验证拟议的方法，我们采用拟议的培训方法来培训一个Bigan，以检测正在操纵其纳税申报表的纳税人。对于每个纳税人，我们从他/她提交的纳税申报表中得出六个相关参数和三个比率参数。我们在这九个派生的地面数据集上采用拟议的培训方法来训练Bigan。接下来，我们使用$ encoder $（使用$ encoder $编码此数据集）生成此数据集的潜在表示，并使用$ Generator $（使用$ Generator $解码）再生此数据集，通过提供此潜在表示为输入。对于每个纳税人，计算其基地数据和再生数据之间的余弦相似性。具有较低余弦相似性措施的纳税人是潜在的回程操纵者。我们应用了我们的方法来分析印度特兰加纳政府商业税务部提供的钢铁纳税人数据集。

循环贸易是商品和服务税的逃税形式，其中一组欺诈性纳税人（交易者）的目标是通过在短期内将几项虚拟交易（在商品或服务中添加价值不高）来掩盖非法交易，以掩盖非法交易。。由于纳税人的庞大数据库，当局可以手动识别循环交易者和他们所涉及的非法交易的群体是不可行的。这项工作使用大数据分析和图形表示技术来提出一个框架来识别循环交易者社区并隔离各个社区的非法交易。我们的方法经过印度特兰加纳政府商业税部提供的现实生活数据，在那里我们发现了几个循环商人社区。

在本文中，我们为具有异质传感器的机器人团队提供了在线自适应计划策略，以使用学习的模型进行决策模型从潜在空间领域进行采样。当前的机器人抽样方法试图收集有关可观察到的空间场的信息。但是，许多应用程序，例如环境监测和精确农业，都涉及不直接观察或衡量昂贵的现象，称为潜在现象。在我们的方法中，我们试图通过使用具有异质传感器的机器人团队有效地采样可观察到的空间场来实时推理潜在现象，在这种空间场中，每个机器人都有一个独特的传感器来测量不同可观察的场。信息增益是使用从可观察到的空间场映射到潜在现象的学习模型来估计的。该模型捕获了关系中的不确定性，以允许信息理论措施。此外，我们明确考虑可观察到的空间场之间的相关性，从而捕获了观察结果并非独立的传感器类型之间的关系。我们表明，可以学习这些相关性，并研究学习相关模型对我们采样方法性能的影响。通过我们的定性和定量结果，我们说明了经验学习的相关性提高了团队的整体抽样效率。我们使用在魁北克的Lac Hertel上收集的传感器测量数据集模拟我们的方法，我们可以公开使用。

图神经网络（GNN）正在在各种应用领域中实现出色的性能。但是，GNN容易受到输入数据中的噪声和对抗性攻击。在噪音和对抗性攻击方面使GNN坚固是一个重要的问题。现有的GNN防御方法在计算上是要求的，并且不可扩展。在本文中，我们提出了一个通用框架，用于鲁棒化的GNN称为加权laplacian GNN（RWL-GNN）。该方法将加权图拉普拉斯学习与GNN实现结合在一起。所提出的方法受益于Laplacian矩阵的积极半定义特性，具有光滑度和潜在特征，通过制定统一的优化框架，从而确保丢弃对抗性/嘈杂的边缘，并适当加权图中的相关连接。为了进行演示，实验是通过图形卷积神经网络（GCNN）体系结构进行的，但是，所提出的框架很容易适合任何现有的GNN体系结构。使用基准数据集的仿真结果建立了所提出方法的疗效，无论是准确性还是计算效率。可以在https://github.com/bharat-runwal/rwl-gnn上访问代码。

多机器人自适应抽样问题旨在为机器人团队找到轨迹，以有效地对机器人的给定耐力预算中的感兴趣现象进行采样。在本文中，我们使用分散的多代理增强学习来提出一种可靠，可扩展的方法，用于准静态环境过程的合作自适应采样（MARLAS）。鉴于该领域的先验采样，该提议的方法学习了一个机器人团队的分散政策，以在固定预算范围内采样高实现区域。多机器人自适应采样问题要求机器人彼此协调，以避免重叠的采样轨迹。因此，我们编码机器人之间的邻居位置和间歇性通信在学习过程中的估计值。我们评估了Marlas对多个性能指标的评估，发现它的表现优于其他基线多机器人采样技术。我们进一步证明了与机器人团队的大小和所采样区域的大小相对于通信失败和可伸缩性的鲁棒性。实验评估既是对真实数据的模拟，又在演示环境设置的实际机器人实验中进行的。

SlockChain交易的时间方面使我们能够研究地址的行为并检测它是否参与了任何非法活动。但是，由于更改地址的概念（用于横幅重放攻击），时间方面不可直接适用于比特币区块链。在使用此类时间方面之前应该执行几个预处理步骤。我们有动力研究比特币交易网络，并使用诸如突发，吸引力和事件间时间等时间特征以及多个基于图形的属性，例如节点和聚类系数，以验证已知现有方法的应用性的适用性对于比特币区块区块的其他加密电机区块链。我们在不同的时间粒度上生成时间和非时间特征集并培训机器学习（ML）算法以验证最先进的方法。我们研究了数据集的不同时间粒度的地址的行为。我们确定在应用变更址群集之后，在比特币中，可以提取现有的时间特征，并且可以应用ML方法。结果的比较分析表明，在内部，出差和事件间的情况下，国内和比特币中的地址行为类似。此外，我们识别出3名嫌疑人，这些嫌疑人在不同的时间粒度上显示出恶意行为。这些嫌疑人并没有标记为比特币的恶意。

深度学习研究人员对提出两个可以提高网络性能的新型激活功能具有敏锐的兴趣。在提高网络性能方面，激活功能的良好选择可能具有重大影响。手工制作的激活是神经网络模型中最常见的选择。relu是深度学习社区中最常见的选择，因为它的简单性虽然Relu有一些严肃的缺点。在本文中，我们提出了一种基于已知激活功能的近似新的新型激活功能，如泄漏释放，我们称之为平滑的最大单位（SMU）。通过SMU替换Relu，我们在Cifar100数据集中有6.22％，使用Shuffleenet V2型号。