联合学习（FL）是一种新兴的范式，可实现对机器学习模型的大规模分布培训，同时仍提供隐私保证。在这项工作中，我们在将联合优化扩展到大节点计数时共同解决了两个主要的实际挑战：中央权威和单个计算节点之间紧密同步的需求以及中央服务器和客户端之间的传输成本较大。具体而言，我们提出了经典联合平均（FedAvg）算法的新变体，该算法支持异步通信和通信压缩。我们提供了一种新的分析技术，该技术表明，尽管有这些系统放松，但在合理的参数设置下，我们的算法基本上与FedAvg的最著名界限相匹配。在实验方面，我们表明我们的算法确保标准联合任务的快速实用收敛。

We propose a novel multi-task method for quantile forecasting with shared Linear layers. Our method is based on the Implicit quantile learning approach, where samples from the Uniform distribution $\mathcal{U}(0, 1)$ are reparameterized to quantile values of the target distribution. We combine the implicit quantile and input time series representations to directly forecast multiple quantile estimations for multiple horizons jointly. Prior works have adopted a Linear layer for the direct estimation of all forecasting horizons in a multi-task learning setup. We show that following similar intuition from multi-task learning to exploit correlations among forecast horizons, we can model multiple quantile estimates as auxiliary tasks for each of the forecast horizon to improve forecast accuracy across the quantile estimates compared to modeling only a single quantile estimate. We show learning auxiliary quantile tasks leads to state-of-the-art performance on deterministic forecasting benchmarks concerning the main-task of forecasting the 50$^{th}$ percentile estimate.

市场需求紧迫，以最大程度地减少迅速伽马中子激活分析（PGNAA）光谱测量机的测试时间，以便它可以充当即时材料分析仪，例如立即对废物样品进行分类，并根据测试样品的检测成分确定最佳的回收方法。本文介绍了深度学习分类的新开发，并旨在减少PGNAA机器的测试时间。我们提出随机采样方法和类激活图（CAM）以生成“缩小”样品并连续训练CNN模型。随机采样方法（RSM）旨在减少样品中的测量时间，而类激活图（CAM）用于滤除缩小样品的不太重要的能量范围。我们将总PGNAA测量时间缩短到2.5秒，同时确保我们的数据集的精度约为96.88％，该数据集使用12种不同的物质。与分类不同的材料分类相比，具有相同元素以归档良好精度的物质需要更多的测试时间（样品计数率）。例如，铜合金的分类需要将近24秒的测试时间才能达到98％的精度。

对于环境，可持续的经济和政治原因，回收过程变得越来越重要，旨在更高的二级原材料使用。目前，对于铜和铝业，没有用于非均匀材料的非破坏性在线分析的方法。PROMP GAMMA中子激活分析（PGNAA）具有克服这一挑战的潜力。由于短期测量，使用PGNAA进行实时分类时的困难是少量嘈杂的数据。在这种情况下，使用峰值分析使用详细峰的经典评估方法失败。因此，我们建议将光谱数据视为概率分布。然后，我们可以使用最大对数可能相对于内核密度估计来对材料进行分类，并使用离散抽样来优化超参数。对于纯铝合金的测量，我们将在0.25秒以下的铝合金几乎分类。

Visual Analytics社区已提出了几种用户建模算法，以捕获和分析用户的交互行为，以帮助用户进行数据探索和洞察力生成。例如，有些人可以检测勘探偏见，而另一些人可以预测用户在进行交互之前将与用户进行交互的数据点。研究人员认为，这种算法收集可以帮助创建更智能的视觉分析工具。但是，社区缺乏对这些现有技术的严格评估和比较。结果，关于使用哪种方法以及何时使用的指导有限。我们的论文旨在通过比较和对八种用户建模算法进行比较并根据其在四个用户研究数据集的多样化的性能进行比较和排名的差距来填补这一缺失的空白。我们分析了探索偏差检测，数据相互作用预测和算法复杂性等措施。根据我们的发现，我们重点介绍了分析用户互动和可视化出处的新方向。

由于对不同部门的电子芯片的需求不断增长，因此，半导体公司被授权离岸其制造流程。这一不必要的事情使他们对筹码的筹码有关，并引起了硬件攻击的创造。在这种情况下，半导体供应链中的不同实体可以恶意行事，并对从设备到系统的设计计算层进行攻击。我们的攻击是一个硬件特洛伊木马，在不受信任的铸造厂中插入了在面具的生成/制造过程中。特洛伊木马在制造，通过添加，删除或设计单元的变化中留下了脚印。为了解决这个问题，我们在这项工作中提出了可解释的视觉系统，用于硬件测试和保证（EVHA），可以检测以低成本，准确和快速的方式对设计的最小变化。该系统的输入是从正在检查的集成电路（IC）中获取的扫描电子显微镜（SEM）图像。系统输出是通过添加，删除或在单元格级的设计单元格中使用任何缺陷和/或硬件木马来确定IC状态。本文概述了我们的防御系统的设计，开发，实施和分析。

在智能辅导系统中生成提示的现有工作（ITS）主要集中在手动和非个人反馈上。在这项工作中，我们探索了ITS中的个性化反馈作为个性化反馈。我们的个性化反馈可以在学生答案中查明正确，错误或缺失的短语，并通过提出自然语言问题来指导他们正确答案。我们的方法结合了因果分析，以使用基于文本相似性的NLP变压器模型来分解学生答案，以识别正确和不正确或缺失的零件。我们培训了一些弹药的神经问题生成和问题重新排序模型，以显示解决学生答案中缺少的组件的问题，这些组件使学生朝着正确的答案迈进。在基于真实对话的ITS测试时，我们的模型在学生学习的增长方面大大优于简单和强大的基线。最后，我们表明我们个性化的纠正反馈系统有可能改善生成的问答系统。

除了预测误差的最小化之外，回归方案的两个最期望的性质是稳定性和解释性。由这些原则驱动，我们提出了连续域配方进行一维回归问题。在我们的第一种方法中，我们使用Lipschitz常数作为规范器，这导致了解学习映射的整体稳健性的调整。在我们的第二种方法中，我们使用用户定义的上限和使用稀疏性常规程序来控制Lipschitz常数，以便更简单地支持（以及因此，更可取的可解释）的解决方案。后者制剂的理论研究部分地通过其证明的等效性，利用整流线性单元（Relu）激活和重量衰减，训练Lipschitz受约束的两层单变量神经网络。通过证明代表定理，我们表明这两个问题都承认是连续和分段线性（CPWL）功能的全局最小值。此外，我们提出了高效的算法，该算法找到了每个问题的稀疏解决方案：具有最少数量的线性区域的CPWL映射。最后，我们在数字上说明了我们的配方的结果。

监测草原的健康和活力对于告知管理决策至关优化农业应用中的旋转放牧的态度至关重要。为了利用饲料资源，提高土地生产力，我们需要了解牧场的增长模式，这在最先进的状态下即可。在本文中，我们建议部署一个机器人团队来监测一个未知的牧场环境的演变，以实现上述目标。为了监测这种环境，通常会缓慢发展，我们需要设计一种以低成本在大面积上快速评估环境的策略。因此，我们提出了一种集成管道，包括数据综合，深度神经网络训练和预测以及一个间歇地监测牧场的多机器人部署算法。具体而言，使用与ROS Gazebo的新型数据综合耦合的专家知识的农业数据，我们首先提出了一种新的神经网络架构来学习环境的时空动态。这种预测有助于我们了解大规模上的牧场增长模式，并为未来做出适当的监测决策。基于我们的预测，我们设计了一个用于低成本监控的间歇多机器人部署策略。最后，我们将提议的管道与其他方法进行比较，从数据综合到预测和规划，以证实我们的管道的性能。

在本文中，我们介绍了Hessian-Schatten总变异（HTV） - 一种小型演奏，量化了多元官能团的总“益智欲”。我们定义HTV的动机是评估监督学习计划的复杂性。我们首先指定了配备合适类的混合规范的足够矩阵值的Banach空间。然后，我们显示HTV不变于旋转，缩放和翻译。另外，对于线性映射来实现其最小值，支持线性回归是最不复杂的学习模型的常见直觉。接下来，我们呈现封闭式表达式，用于计算两种常规功能的HTV。第一个是SoboLev的类，具有一定程度的规律性，我们表明HTV与Hessian-Schatten Seminorm巧合，有时用作图像重建的常规器。第二个是连续和分段线性（CPWL）功能的类。在这种情况下，我们表明HTV反映了具有共同面的线性区域之间的斜率的总变化。因此，它可以被视为CPWL映射的线性区域（L0型）的数量的凸松弛（L1型​​）。最后，我们说明了我们提出的研讨会与一些具体例子的使用。