我们研究了测试有序域上的离散概率分布是否是指定数量的垃圾箱的直方图。$ k $的简洁近似值的最常见工具之一是$ k $ [n] $，是概率分布，在一组$ k $间隔上是分段常数的。直方图测试问题如下：从$ [n] $上的未知分布中给定样品$ \ mathbf {p} $，我们想区分$ \ mathbf {p} $的情况从任何$ k $ - 组织图中，总变化距离的$ \ varepsilon $ -far。我们的主要结果是针对此测试问题的样本接近最佳和计算有效的算法，以及几乎匹配的（在对数因素内）样品复杂性下限。具体而言，我们表明直方图测试问题具有样品复杂性$ \ widetilde \ theta（\ sqrt {nk} / \ varepsilon + k / \ varepsilon^2 + \ sqrt {n} / \ varepsilon^2）$。

用功能近似的增强学习最近在具有较大状态空间的应用中取得了巨大的结果。这一经验成功促使人们越来越多的理论工作提出了必要和充分的条件，在这些条件下，有效的强化学习是可能的。从这项工作中，已经出现了一种非常简单的最小条件，以进行样品有效的增强学习：具有最佳价值函数的MDP $ v^*$和$ q^*$线性在某些已知的低维功能中。在这种情况下，最近的作品设计了样品有效算法，这些算法需要在特征维度中多个样本，并且独立于状态空间的大小。但是，他们将发现计算高效的算法作为未来的工作，这被认为是社区中的主要开放问题。在这项工作中，我们通过呈现线性函数近似的RL的第一个计算下限来取得进展：除非NP = RP，否则对于确定性的过渡MDP，不存在任何随机多项式时间算法，具有恒定的动作和线性最佳值功能。为了证明这一点，我们显示了唯一SAT的减少，在该SAT中，我们将CNF公式转换为具有确定性转换，恒定动作数量和低维线性最佳值函数的MDP。该结果还表现出具有线性函数近似的增强学习中的第一个计算统计差距，因为潜在的统计问题在理论上是可以通过多项式查询的信息来解决的，但是除非NP = rp，否则不存在任何计算有效算法。最后，我们还证明了在随机指数时间假设下的准多项式时间下限。

心肌活力的评估对于患有心肌梗塞的患者的诊断和治疗管理是必不可少的，并且心肌病理学的分类是本评估的关键。这项工作定义了医学图像分析的新任务，即进行心肌病理分割（MYOPS）结合三个序列的心脏磁共振（CMR）图像，该图像首次与Mycai 2020一起在Myops挑战中提出的。挑战提供了45个配对和预对准的CMR图像，允许算法将互补信息与三个CMR序列组合到病理分割。在本文中，我们提供了挑战的详细信息，从十五个参与者的作品调查，并根据五个方面解释他们的方法，即预处理，数据增强，学习策略，模型架构和后处理。此外，我们对不同因素的结果分析了结果，以检查关键障碍和探索解决方案的潜力，以及为未来的研究提供基准。我们得出结论，虽然报告了有前途的结果，但研究仍处于早期阶段，在成功应用于诊所之前需要更深入的探索。请注意，MyOPS数据和评估工具继续通过其主页（www.sdspeople.fudan.edu.cn/zhuangxiahai/0/myops20 /）注册注册。

Myocardial pathology segmentation (MyoPS) can be a prerequisite for the accurate diagnosis and treatment planning of myocardial infarction. However, achieving this segmentation is challenging, mainly due to the inadequate and indistinct information from an image. In this work, we develop an end-to-end deep neural network, referred to as MyoPS-Net, to flexibly combine five-sequence cardiac magnetic resonance (CMR) images for MyoPS. To extract precise and adequate information, we design an effective yet flexible architecture to extract and fuse cross-modal features. This architecture can tackle different numbers of CMR images and complex combinations of modalities, with output branches targeting specific pathologies. To impose anatomical knowledge on the segmentation results, we first propose a module to regularize myocardium consistency and localize the pathologies, and then introduce an inclusiveness loss to utilize relations between myocardial scars and edema. We evaluated the proposed MyoPS-Net on two datasets, i.e., a private one consisting of 50 paired multi-sequence CMR images and a public one from MICCAI2020 MyoPS Challenge. Experimental results showed that MyoPS-Net could achieve state-of-the-art performance in various scenarios. Note that in practical clinics, the subjects may not have full sequences, such as missing LGE CMR or mapping CMR scans. We therefore conducted extensive experiments to investigate the performance of the proposed method in dealing with such complex combinations of different CMR sequences. Results proved the superiority and generalizability of MyoPS-Net, and more importantly, indicated a practical clinical application.

分布式学习在医学图像分析中表现出了巨大的潜力。它允许使用具有隐私保护的多中心培训数据。但是，由于不同的成像供应商和注释协议，本地中心的数据分布可能会彼此不同。这种变化降低了基于学习的方法的性能。为了减轻影响，已经提出了两组方法针对不同的目标，即全球方法和个性化方法。前者的目的是改善来自看不见的中心（称为通用数据）的所有测试数据的单个全局模型的性能；而后者则针对每个中心的多个模型（称为本地数据）。但是，几乎没有研究以同时实现这两个目标。在这项工作中，我们提出了一个新的分布式学习框架，该框架弥合了两组之间的差距，并提高了通用和本地数据的性能。具体而言，我们的方法通过分布条件的适应矩阵将通用数据和局部数据的预测分解。多中心左心房（LA）MRI分割的结果表明，我们的方法表明，在通用和局部数据上的现有方法比现有方法表现出色。我们的代码可从https://github.com/key1589745/decouple_predict获得

我们研究了在两人零和马尔可夫游戏中找到NASH平衡的问题。由于其作为最小值优化程序的表述，解决该问题的自然方法是以交替的方式对每个玩家进行梯度下降/上升。但是，由于基本目标函数的非跨性别/非障碍性，该方法的理论理解是有限的。在我们的论文中，我们考虑解决马尔可夫游戏的熵登记变体。正则化将结构引入了优化景观中，从而使解决方案更加可识别，并允许更有效地解决问题。我们的主要贡献是表明，在正则化参数的正确选择下，梯度下降算法会收敛到原始未注册问题的NASH平衡。我们明确表征了我们算法的最后一个迭代的有限时间性能，该算法的梯度下降上升算法的现有收敛界限大大改善了而没有正则化。最后，我们通过数值模拟来补充分析，以说明算法的加速收敛性。

下一代高分辨率汽车雷达（4D雷达）可以提供额外的高程测量和较密集的点云，从而在自动驾驶中具有3D传感的巨大潜力。在本文中，我们介绍了一个名为TJ4Dradset的数据集，其中包括4D雷达点用于自动驾驶研究。该数据集是在各种驾驶场景中收集的，连续44个序列中总共有7757个同步帧，这些序列用3D边界框和轨道ID很好地注释。我们为数据集提供了基于4D雷达的3D对象检测基线，以证明4D雷达点云的深度学习方法的有效性。可以通过以下链接访问数据集：https：//github.com/tjradarlab/tj4dradset。

尽管他们取得了巨大的成功，但由于缺乏解释性，神经网络仍然是黑盒。在这里，我们提出了一种新的分析方法，即重量途径分析（WPA），以使其透明。我们将重量从输入神经元纵向连接到输出神经元或简单的权重途径的途径中，是理解神经网络的基本单元，并将神经网络分解为此类权重途径的一系列子网络。提出了子网的可视化方案，该方案给出了网络的纵向观点，例如X光片，使网络的内部结构可见。参数调整或网络的结构变化的影响可以通过此类X光片可视化。为子网络建立了特征图，以表征输入样品对每个输出神经元的影响的增强或抑制。使用WPA，我们发现神经网络存储并以全息方式使用信息，也就是说，子网编码在连贯结构中的所有训练样本，因此只有通过研究重量途径才能探索存储在网络中的样品。此外，使用WPA，我们揭示了神经网络的基本学习模式：线性学习模式和非线性学习模式。前者提取了线性可分离的特征，而后者提取了线性不可分割的特征。隐藏的层神经元自组织分为不同的类，以建立学习模式并实现培训目标。学习模式的发现为我们提供了理解机器学习的一些基本问题的理论基础，例如学习过程的动态，线性和非线性神经元的作用以及网络宽度和深度的作用。

我们考虑了折现成本约束的马尔可夫决策过程（CMDP）策略优化问题，其中代理商试图最大化折扣累计奖励，但受到折扣累积公用事业的许多限制。为了解决这个受约束的优化程序，我们研究了经典原始偶性方法的在线参与者 - 批判性变体，其中使用来自基本时间变化的马尔可夫过程产生的单个轨迹的样品估算了原始功能和双重函数的梯度。这种在线原始双重自然参与者批评算法维护并迭代更新三个变量：双变量（或拉格朗日乘数），一个原始变量（或actor）以及用于估算原始变量和偶变量的梯度的评论变量。这些变量同时更新，但在不同的时间尺度上（使用不同的步骤尺寸），它们都相互交织在一起。我们的主要贡献是得出该算法与CMDP问题全局最佳收敛的有限时间分析。具体而言，我们表明，在适当的步骤中，最佳差距和约束违规的情况下，以$ \ mathcal {o}（1/k^{1/6}）$的价格收敛到零，其中k是数字。迭代。据我们所知，本文是第一个研究用于解决CMDP问题的在线原始偶发参与者方法的有限时间复杂性。我们还通过数值模拟来验证该算法的有效性。

我们研究了随机近似的分散变体，这是一种数据驱动的方法，用于在嘈杂的测量中找到操作员的根。一个具有自己的操作员和数据观察的代理网络，合作地通过分散的通信图找到了聚合操作员的固定点。我们的主要贡献是在从马尔可夫过程中采样时在每个代理下观察到的数据时，对这种分散的随机近似方法提供有限的时间分析；这种缺乏独立性使迭代率偏向和（可能）无限。在相当标准的假设下，我们表明所提出方法的收敛速率与样本是独立的基本相同，仅由对数因子的差异而不同，该对数因素是说明了马尔可夫过程的混合时间。我们的分析中的关键思想是引入一种新型的Razumikhin-Lyapunov函数，该功能是由用于分析延迟普通微分方程的稳定性的一种动机。我们还讨论了拟议方法在多代理系统中许多有趣的学习问题上的应用。