在打击气候变化时，用于加热或冷却的地区能量系统（DES）的有效需求的能源供应运行是必不可少的。因此，消费者侧的热量消耗预测朝向最佳能源供应构成了重要的第一步。然而，由于散热数据的非线性和非公平性，所以对DES的热能需求的预测仍然具有挑战性。在这项工作中，我们向基于内核支持向量回归（KSVR）的地区供热系统（DHS）内提出了一种预测的热能消耗框架，使用现实世界智能仪表数据。粒子群优化（PSO）用于找到KSVR模型的最佳超参数，这导致与最先进的Arima模型相比的所提出的方法的优越性。对于个人仪表特异性预测和对社会消费预测，平均MAPE分别降至2.07％和2.64％。

We introduce PRISM, a method for real-time filtering in a probabilistic generative model of agent motion and visual perception. Previous approaches either lack uncertainty estimates for the map and agent state, do not run in real-time, do not have a dense scene representation or do not model agent dynamics. Our solution reconciles all of these aspects. We start from a predefined state-space model which combines differentiable rendering and 6-DoF dynamics. Probabilistic inference in this model amounts to simultaneous localisation and mapping (SLAM) and is intractable. We use a series of approximations to Bayesian inference to arrive at probabilistic map and state estimates. We take advantage of well-established methods and closed-form updates, preserving accuracy and enabling real-time capability. The proposed solution runs at 10Hz real-time and is similarly accurate to state-of-the-art SLAM in small to medium-sized indoor environments, with high-speed UAV and handheld camera agents (Blackbird, EuRoC and TUM-RGBD).

The field of cybersecurity is evolving fast. Experts need to be informed about past, current and - in the best case - upcoming threats, because attacks are becoming more advanced, targets bigger and systems more complex. As this cannot be addressed manually, cybersecurity experts need to rely on machine learning techniques. In the texutual domain, pre-trained language models like BERT have shown to be helpful, by providing a good baseline for further fine-tuning. However, due to the domain-knowledge and many technical terms in cybersecurity general language models might miss the gist of textual information, hence doing more harm than good. For this reason, we create a high-quality dataset and present a language model specifically tailored to the cybersecurity domain, which can serve as a basic building block for cybersecurity systems that deal with natural language. The model is compared with other models based on 15 different domain-dependent extrinsic and intrinsic tasks as well as general tasks from the SuperGLUE benchmark. On the one hand, the results of the intrinsic tasks show that our model improves the internal representation space of words compared to the other models. On the other hand, the extrinsic, domain-dependent tasks, consisting of sequence tagging and classification, show that the model is best in specific application scenarios, in contrast to the others. Furthermore, we show that our approach against catastrophic forgetting works, as the model is able to retrieve the previously trained domain-independent knowledge. The used dataset and trained model are made publicly available

长尾学习旨在应对在现实情况下严重的阶级失衡下统治训练程序的关键挑战。但是，很少有人注意如何量化表示空间中头等的优势严重性。在此激励的情况下，我们将基于余弦的分类器推广到von mises-fisher（VMF）混合模型，该模型被称为VMF分类器，该模型可以通过计算分布重叠系数来定量地测量超晶体空间上的表示质量。据我们所知，这是从分布重叠系数的角度来衡量分类器和特征的表示质量的第一项工作。最重要的是，我们制定了类间差异和类功能的一致性损失项，以减轻分类器的重量之间的干扰，并与分类器的权重相结合。此外，一种新型的训练后校准算法设计为零成本通过类间重叠系数来提高性能。我们的方法的表现优于先前的工作，并具有很大的利润，并在长尾图像分类，语义细分和实例分段任务上实现了最先进的性能（例如，我们在Imagenet-50中实现了55.0 \％的总体准确性LT）。我们的代码可在https://github.com/vipailab/vmf \_op上找到。

最近提出了瑞利回归模型，用于建模合成孔径雷达（SAR）图像像素的振幅值。但是，此类模型的推论基于最大似然估计器，这可能会对较小的信号长度产生偏差。SAR图像的瑞利回归模型通常会考虑到小像素窗口，这可能导致结果不准确。在这封信中，我们介绍了基于以下方面的瑞利回归模型量身定制的偏置调整的估计器；（i）Cox和Snell的方法；（ii）FIRTH的计划；（iii）参数引导法。我们提出了考虑合成和实际SAR数据集的数值实验。偏置调整后的估计器产生几乎公正的估计和准确的建模结果。

合成孔径雷达（SAR）数据中的异常值（异常值）的存在以及统计图像模型中的错误指定可能导致推断不准确。为了避免此类问题，提出了基于强大的估计过程的瑞利回归模型，作为模拟此类数据的更现实的方法。本文旨在获得瑞利回归模型参数估计量与异常值的存在。提出的方法考虑了加权最大似然法，并使用模拟和测量的SAR图像提交了数值实验。使用蒙特卡洛模拟来评估有限信号长度中提出的可靠估计器性能，对离群值的敏感性和分解点。例如，非稳定估计器显示相对偏置值$ 65 $ - 折叠比损坏信号中强大方法提供的结果大。在灵敏度分析和分解点方面，强大的方案在两种措施的平均绝对值中分别降低了约96美元\％$和$ 10 \％$，以同情非稳定估计器。此外，使用两个SAR数据集比较了所提出的强稳定方案的地面类型和异常检测结果与文献中的竞争方法。

本文基于Loeffler离散余弦变换（DCT）算法引入了矩阵参数化方法。结果，提出了一类新的八点DCT近似值，能够统一文献中几个八点DCT近似的数学形式主义。帕累托效率的DCT近似是通过多准则优化获得的，其中考虑了计算复杂性，接近性和编码性能。有效的近似及其缩放的16和32点版本嵌入了图像和视频编码器中，包括类似JPEG的编解码器以及H.264/AVC和H.265/HEVC标准。将结果与未修饰的标准编解码器进行比较。在Xilinx VLX240T FPGA上映射并实现了有效的近似值，并评估了面积，速度和功耗。

在本文中，提出了基于陈的分解的两个8点无乘法DCT近似值，并得出了它们的快速算法。通过计算成本，误差能量和编码增益来评估这两种转换。进行具有JPEG样图像压缩方案的实验，并将结果与竞争方法进行比较。根据JRIDI-Alfalou-Meher算法将提出的低复杂性变换缩放，以实现16分和32分的近似值。新的转换集嵌入了HEVC参考软件中，以提供完全符合HEVC的视频编码方案。我们表明，近似转换可以以非常低的复杂性成本胜过传统变换和最先进的方法。

在本文中，我们提出了Beta自回归移动平均模型的五个预测间隔。该模型适用于在间隔$（0,1）$中假设值的建模和预测变量。提出的两个预测间隔是基于近似值，考虑到β分布的正态分布和分位功能。我们还考虑基于自举的预测间隔，即：（i）自举预测错误（BPE）间隔； （ii）偏置校正和加速度（BCA）预测间隔； （iii）基于两种不同的自举计划的引导程序预测值的分位数的百分位预测间隔。根据蒙特卡洛模拟评估了提出的预测间隔。 BCA预测间隔在评估的间隔中提供了最佳性能，显示出较低的覆盖率失真和较小的平均长度。我们应用了我们的方法来预测巴西S \ ao Paulo的Cantareira供水系统的水位。

随着系统变得更大，更复杂，从开源的收集网络威胁智能对于维持和实现高水平的安全性变得越来越重要。但是，这些开源通常会受到信息过载的约束。因此，应用机器学习模型将信息量凝结到必要的内容很有用。然而，以前的研究和应用表明，由于其概括能力低，现有的分类器无法提取有关新兴网络安全事件的特定信息。因此，我们建议通过为每个新事件培训新的分类器来克服这个问题的系统。由于这需要使用标准培训方法进行大量标记的数据，因此我们结合了三种不同的低数据制度技术 - 转移学习，数据增强和很少的学习学习 - 从很少的标记实例中培训高质量的分类器。我们使用从2021年的Microsoft Exchange Server数据泄露中得出的新型数据集评估了我们的方法，该数据集由三名专家标记。与标准训练方法相比，与标准训练方法相比，与标准训练方法相比，F1得分的增加超过21分，与几次学习中的最新方法相比，F1得分的增加超过18分。此外，经过此方法培训的分类器和32个实例的分类器仅比接受1800个实例的分类器少于5 F1分数。