Cellular automata (CA) captivate researchers due to teh emergent, complex individualized behavior that simple global rules of interaction enact. Recent advances in the field have combined CA with convolutional neural networks to achieve self-regenerating images. This new branch of CA is called neural cellular automata [1]. The goal of this project is to use the idea of idea of neural cellular automata to grow prediction machines. We place many different convolutional neural networks in a grid. Each conv net cell outputs a prediction of what the next state will be, and minimizes predictive error. Cells received their neighbors' colors and fitnesses as input. Each cell's fitness score described how accurate its predictions were. Cells could also move to explore their environment and some stochasticity was applied to movement.

陆地植物的多样性在维持稳定，健康和生产的生态系统方面起着关键作用。尽管遥感被认为是估计植物多样性的有前途且具有成本效益的代理，但缺乏关于如何从Spaceborne Hyperfectral数据中推断出植物多样性的定量研究。在这项研究中，我们评估了通过DLR接地传感成像光谱仪（DESIS）捕获的高光谱数据的能力，以估计澳大利亚东南部南部梯田和雪山地区的植物物种丰富度。首先通过主成分分析，规范相关分析和部分最小二乘分析从Desis光谱中提取光谱特征。然后在提取的特征和植物物种丰富度之间进行了回归，并具有普通的最小二乘回归，内核脊回归和高斯工艺回归。根据两倍的交叉验证方案，使用相关系数（$ r $）和根平方错误（RMSE）评估结果。凭借最佳性能的模型，$ r $为0.71，而南部塔林群岛地区的RMSE为5.99，而$ R $为0.62，而雪山地区的RMSE为6.20。这项研究中报道的评估结果为未来的研究提供了支持，了解太空传播高光谱测量与陆地植物生物多样性之间的关系。

我们描述了一种针对零售电子商务（电子商务）的需求而开发的新型决策问题。在使用物流和零售业商业合作者的同时，我们发现，从供应链中最适合的产品（称为成本为服务或CTS）的产品提供的产品成本是一个关键挑战。电子商务供应链的大规模，高性计，大大地理传播，使这一设置成为精心设计的数据驱动决策算法。在这项初步工作中，我们专注于在每次仓库中从任何仓库到多个客户提供多个产品的特定子问题。我们比较几个基线的相对性能和计算效率，包括启发式和混合整数线性规划。我们表明，基于加强学习的算法与这些政策具有竞争力，具有现实世界中有效扩大的潜力。

我们研究了一类最能列举\ emph {银行贷款}问题的分类问题，贷方决定是否签发贷款。贷款人只会观察客户是否会偿还贷款，如果贷款开始，因此建模的决定会影响贷方可供未来决定提供的数据。因此，贷方的算法可以通过自我实现模型来“陷入困境”。此模型永远不会纠正其假底片，因为它永远不会看到拒绝数据的真实标签，从而累积无限遗憾。在线性模型的情况下，可以通过将乐观直接添加到模型预测中来解决这个问题。但是，几乎没有使用深神经网络延伸到函数近似情况的方法。我们呈现伪标签乐观（PLOT），概念上和计算的简单方法，适用于DNN的此设置。 \ plot {}为当前模型决定的决策点的乐观标签添加了乐观的标签，迄今为止列出了所有数据的模型（包括这些点以及它们的乐观标签），最后使用\ emph {乐观}决策模型。 \ plot {}在一组三个具有挑战性的基准问题上实现了竞争性能，需要最小的HyperParameter调整。我们还显示\绘图{}满足LipsChitz和Logistic均值标签模型的对数遗憾保证，并在数据的可分离状态下。

互联网公司越来越多地使用机器学习模型来创建分配每个人的个性化政策，为每个人提供最佳预测的待遇。它们通常来自黑盒异质处理效果（HTE）模型，预测单个治疗效果。在本文中，我们专注于（1）HTE模型的学习解释;（2）学习规定待遇任务的可解释政策。我们还提出了指导树木，这一方法可以在没有解释性丧失的情况下集合多种可意识到的政策。这些基于规则的可解释策略很容易部署，避免需要在生产环境中维护HTE模型。

幻想运动让粉丝管理他们最喜欢的运动员团队并与朋友竞争。幻想平台对抗运动员的真实统计表现，幻想得分，稳步上升，估计每月有44亿球员的估计为910万名球员，2018 - 2019年的ESPN幻想足球平台。同时，体育媒体社区并行产生新闻报道，博客，论坛帖子，推文，视频，播客和幻想运动内外的曲目。然而，人类幻想足球运动员只能分析3.9个信息来源。我们的工作讨论了机器学习管道的结果来管理ESPN幻想足球队。每天使用训练有素的统计实体探测器和文档2Vector模型应用于超过100,000个新闻源和230万件文章，视频和播客使系统能够理解自然语言，这些自然语言具有100％和关键字测试精度为80％的类别。深度学习前馈神经网络提供了播放器分类，例如，如果玩家将是一个胸围，繁荣，用隐藏的伤害玩或玩有意义的触摸，累计72％的准确性。最后，多元回归集合使用深度学习输出和ESPN投影数据，为2018年为前500多个幻想足球运动员提供了一个点投影。点投影保持了6.78点的RMSE。选择来自一组24的最佳拟合概率密度函数以可视化分数扩展。在产品发布的前6周内，用户总数花了46年来观看我们的AI洞察力。我们模型的培训数据由2015年到2016年的Web档案提供，来自Webhose，ESPN统计和Rootowire损伤报告。我们使用2017年幻想足球数据作为测试集。

现代软件系统和产品越来越依赖机器学习模型，以基于与用户和系统的交互进行数据驱动的决策，例如计算基础架构。对于更广泛的采用，这种做法必须（i）容纳没有ML背景的软件工程师，并提供（ii）提供优化产品目标的机制。在这项工作中，我们描述了一般原则和特定的端到端毫升平台，为决策和反馈集合提供易于使用的API。循环仪支持从在线数据收集到模拟培训，部署，推理的完整端到端ML生命周期，并扩展支持和调整产品目标的评估和调整。我们概述了平台架构和生产部署的整体影响 - 循环仪当前托管700毫升型号，每秒达到600万决定。我们还描述了学习曲线并总结了平台采用者的经验。

The 3D-aware image synthesis focuses on conserving spatial consistency besides generating high-resolution images with fine details. Recently, Neural Radiance Field (NeRF) has been introduced for synthesizing novel views with low computational cost and superior performance. While several works investigate a generative NeRF and show remarkable achievement, they cannot handle conditional and continuous feature manipulation in the generation procedure. In this work, we introduce a novel model, called Class-Continuous Conditional Generative NeRF ($\text{C}^{3}$G-NeRF), which can synthesize conditionally manipulated photorealistic 3D-consistent images by projecting conditional features to the generator and the discriminator. The proposed $\text{C}^{3}$G-NeRF is evaluated with three image datasets, AFHQ, CelebA, and Cars. As a result, our model shows strong 3D-consistency with fine details and smooth interpolation in conditional feature manipulation. For instance, $\text{C}^{3}$G-NeRF exhibits a Fr\'echet Inception Distance (FID) of 7.64 in 3D-aware face image synthesis with a $\text{128}^{2}$ resolution. Additionally, we provide FIDs of generated 3D-aware images of each class of the datasets as it is possible to synthesize class-conditional images with $\text{C}^{3}$G-NeRF.

There is a dramatic shortage of skilled labor for modern vineyards. The Vinum project is developing a mobile robotic solution to autonomously navigate through vineyards for winter grapevine pruning. This necessitates an autonomous navigation stack for the robot pruning a vineyard. The Vinum project is using the quadruped robot HyQReal. This paper introduces an architecture for a quadruped robot to autonomously move through a vineyard by identifying and approaching grapevines for pruning. The higher level control is a state machine switching between searching for destination positions, autonomously navigating towards those locations, and stopping for the robot to complete a task. The destination points are determined by identifying grapevine trunks using instance segmentation from a Mask Region-Based Convolutional Neural Network (Mask-RCNN). These detections are sent through a filter to avoid redundancy and remove noisy detections. The combination of these features is the basis for the proposed architecture.