电机控制中的一个主要问题是了解大脑计划的计划，并在面对延迟和嘈杂的刺激面前执行适当的运动。解决这种控制问题的突出框架是最佳反馈控制（OFC）。 OFC通过将嘈杂的感官刺激和使用卡尔曼滤波器或其扩展集成内部模型的预测来生成优化行为相关标准的控制操作。然而，缺乏Kalman滤波和控制的令人满意的神经模型，因为现有的提案具有以下限制：不考虑感官反馈的延迟，交替阶段的训练，以及需要了解噪声协方差矩阵，以及系统动态。此外，这些研究中的大多数考虑了卡尔曼滤波的隔离，而不是与控制联合。为了解决这些缺点，我们介绍了一种新的在线算法，它将自适应卡尔曼滤波与模型自由控制方法相结合（即，策略梯度算法）。我们在具有局部突触塑性规则的生物合理的神经网络中实现该算法。该网络执行系统识别和卡尔曼滤波，而无需多个阶段，具有不同的更新规则或噪声协方差的知识。在内部模型的帮助下，它可以使用延迟感官反馈执行状态估计。它在不需要任何信息知识的情况下了解控制政策，从而避免需要重量运输。通过这种方式，我们的OFC实施解决了在存在刺激延迟存在下生产适当的感官电动机控制所需的信用分配问题。

System logs are a common source of monitoring data for analyzing computing systems' behavior. Due to the complexity of modern computing systems and the large size of collected monitoring data, automated analysis mechanisms are required. Numerous machine learning and deep learning methods are proposed to address this challenge. However, due to the existence of sensitive data in system logs their analysis and storage raise serious privacy concerns. Anonymization methods could be used to clean the monitoring data before analysis. However, anonymized system logs, in general, do not provide adequate usefulness for the majority of behavioral analysis. Content-aware anonymization mechanisms such as PaRS preserve the correlation of system logs even after anonymization. This work evaluates the usefulness of anonymized system logs taken from the Taurus HPC cluster anonymized using PaRS, for behavioral analysis via recurrent neural network models.

我们研究了伍德伯里（Woodbury）身份不再存在时伍德伯里（Woodbury Matrix）身份的单数配方中产生的矩阵。我们为此类矩阵提供了广义的逆和伪确定身份，这些身份直接应用于高斯过程回归，尤其是其可能性表示及其精度矩阵。我们还为提出的确定性身份提供了有效的算法和数值分析，并在某些条件下证明了它们的优势，这些条件适用于高斯过程回归的可能性函数计算对数确定术语。

我们开发了一个计算程序，以估计具有附加噪声的半摩托车高斯过程回归模型的协方差超参数。也就是说，提出的方法可用于有效估计相关误差的方差，以及基于最大化边际似然函数的噪声方差。我们的方法涉及适当地降低超参数空间的维度，以简化单变量的根发现问题的估计过程。此外，我们得出了边际似然函数及其衍生物的边界和渐近线，这对于缩小高参数搜索的初始范围很有用。使用数值示例，我们证明了与传统参数优化相比，提出方法的计算优势和鲁棒性。

我们提出了一种从单个图像中推断360 {\ deg}视野的方法，该图像允许用户控制的综合外部绘制内容。为此，我们建议改进现有的基于GAN的镶嵌体系结构，以进行底漆全景图表。我们的方法获得了最先进的结果，并且优于标准图像质量指标的先前方法。为了允许受控的外部修饰的合成，我们引入了一个新型的指导共调整框架，该框架通过常见的鉴别模型驱动图像生成过程。这样做可以保持生成的全景图的高视觉质量，同时在推断的视野中启用用户控制的语义内容。我们在定性和定量上展示了我们方法的最新方法，从而提供了对我们新颖的编辑功能的彻底分析。最后，我们证明我们的方法受益于在照片中对高光泽对象的影片虚拟插入。

最近的Covid-19爆发导致全球数百万人死亡。为了避开病毒的传播，美国的当局就业不同的策略，包括各国州长发出的面具授权命令。在当前的工作中，我们定义了一个称为平均死亡比率的参数，作为日常死亡人数的月平均每日案件的平均案件。我们利用调查数据通过面具授权命令量化人们的尊重。此外，我们隐含地解决了人们遵守可能取决于人口，收入和教育水平等一些参数的掩模授权的程度。使用不同的机器学习分类算法，我们调查了美国西海岸县死亡比率的减少或增加与输入参数相关。结果表明，对于大多数县来说，面膜授权顺序减少了反映了这一预防措施对西海岸的有效性的死亡比率。此外，死亡率的变化表现出明显的与每个县的社会经济状况有明显的相关性。此外，结果表明，高达约90％的高达约90％的有前途的分类精度得分。

我们为函数开发启发式插值方法$ t \ mapsto \ log \ det \ left（\ mathbf {a} + t \ t \ mathbf {b} \ right）$和$ t \ mapsto \ mapsto \ operatatorNAME {trace}Mathbf {a} + t \ mathbf {b}）^{p} \ right）$，其中矩阵$ \ mathbf {a} $ and $ \ mathbf {b} $是Hermitian and Hermitian and阳性（semi）和$ P $$ t $是实际变量。这些功能在统计，机器学习和计算物理学的许多应用中都有特征。提出的插值函数基于对这些函数的尖锐边界的修改。我们通过数值示例证明了所提出的方法的准确性和性能，即高斯过程回归的边际最大似然估计以及用广义交叉验证方法对脊回归的正则参数的估计。