本文调查了两种基于逻辑的语言用于流的推理的相对表现力，即LARS程序 - 基于逻辑的基于逻辑的框架，用于分析推理，用于lars和LDSR的流，是最近扩展的语言用于流推理的I-DLV系统称为I-DLV-SR。尽管这两种语言在Datalog上构建，但语法和语义上确实有所不同。为了调和其表达能力的流推理能力，我们定义了一个比较框架，该框架使我们能够证明，不受任何限制，两种语言是无与伦比的，并确定可以通过另一种语言表达的每种语言的片段。

The study proposes and tests a technique for automated emotion recognition through mouth detection via Convolutional Neural Networks (CNN), meant to be applied for supporting people with health disorders with communication skills issues (e.g. muscle wasting, stroke, autism, or, more simply, pain) in order to recognize emotions and generate real-time feedback, or data feeding supporting systems. The software system starts the computation identifying if a face is present on the acquired image, then it looks for the mouth location and extracts the corresponding features. Both tasks are carried out using Haar Feature-based Classifiers, which guarantee fast execution and promising performance. If our previous works focused on visual micro-expressions for personalized training on a single user, this strategy aims to train the system also on generalized faces data sets.

In this work, a re-design of the Moodledata module functionalities is presented to share learning objects between e-learning content platforms, e.g., Moodle and G-Lorep, in a linkable object format. The e-learning courses content of the Drupal-based Content Management System G-Lorep for academic learning is exchanged designing an object incorporating metadata to support the reuse and the classification in its context. In such an Artificial Intelligence environment, the exchange of Linkable Learning Objects can be used for dialogue between Learning Systems to obtain information, especially with the use of semantic or structural similarity measures to enhance the existent Taxonomy Assistant for advanced automated classification.

Emerging applications such as Deep Learning are often data-driven, thus traditional approaches based on auto-tuners are not performance effective across the wide range of inputs used in practice. In the present paper, we start an investigation of predictive models based on machine learning techniques in order to optimize Convolution Neural Networks (CNNs). As a use-case, we focus on the ARM Compute Library which provides three different implementations of the convolution operator at different numeric precision. Starting from a collation of benchmarks, we build and validate models learned by Decision Tree and naive Bayesian classifier. Preliminary experiments on Midgard-based ARM Mali GPU show that our predictive model outperforms all the convolution operators manually selected by the library.

我们介绍了de bruijn图神经网络（DBGNNS），这是一种新颖的时间感知图神经网络体系结构，用于动态图上的时间分辨数据。我们的方法解释了动态图的因果拓扑中展开的时间流行模式，该模式由因果步行确定，即节点可以随着时间的时间影响彼此的链接序列。我们的架构建立在多层de bruijn图的多层上，这是一个迭代的线图结构，其中d de bruijn图中的节点k表示长度k-1的步行，而边缘则表示长度k的步行。我们开发了一个图形神经网络体系结构，该架构利用de bruijn图来实现遵循非马克维亚动力学的消息传递方案，该方案使我们能够在动态图的因果拓扑中学习模式。解决de bruijn图形不同订单k的问题可用于建模相同的数据集，我们进一步应用统计模型选择以确定用于消息传递的最佳图形拓扑。合成和经验数据集的评估表明，DBGNN可以利用动态图中的时间模式，从而大大改善了监督节点分类任务中的性能。

本文介绍了一个基于量子神经网络的深度学习系统，用于在平面上特定几何模式（两个摩尔分类问题）的点的二进制分类。我们认为，混合深度学习系统（经典 +量子）的使用不仅可以在计算加速度方面带来合理的好处，而且在理解基本现象和机制方面都可以带来好处。这将导致创建新的机器学习形式，以及量子计算世界中的强大发展。所选数据集基于2D二进制分类生成器，该生成器有助于测试特定算法的有效性；它是一组2D点，形成两个散布的半圆。它在二维表示空间中显示了两个分离的数据集：因此，功能是单个点的两个坐标，$ x_1 $和$ x_2 $。目的是产生一个量子深神经网络，其可识别和分类点的可训练参数数量最少。

如果不确定性量化（UQ）对于实现值得信赖的机器学习至关重要，则大多数UQ方法都遭受不同和不一致的评估协议。我们声称这种不一致的原因是社区对UQ的不明确要求。本意见论文通过通过五个下游任务指定这些要求来提供新的观点，我们期望不确定性得分具有实质性的预测能力。我们仔细设计了这些下游任务，以反映ML模型的现实用法。在7个分类数据集的示例基准上，我们没有观察到最新的内在UQ方法与简单基线的统计优势。我们认为，我们的发现质疑为什么我们量化不确定性并呼吁根据被证明与ML从业人员相关的指标进行标准化协议进行标准化协议。

无人驾驶飞机（UAV）是飞机，其飞行可以完全自主，而无需任何人为干预。自然灾害管理是可以使用无人机的最有用和最有前途的领域之一。在本文中，我们专注于紧急情况，并提出使用无人机机队，以帮助营救团队个性化受影响区域内需要帮助的人。我们将这种情况建模为原始图理论问题，称为多部门多行车路由问题，总完成时间最小化（MDMT-VRP-TCT）；我们经历了一些与之相似的文献研究中已经研究的问题，并突出了差异，提出了作为MILP作为MILP的数学表述，设计了一种数学框架来快速解决大型实例，并在实验中测试其性能。除了提出的应用程序之外，我们的解决方案在任何情况下都必须解决多部多行车路由问题的任何情况。

无监督的机器学习的目的是删除复杂的高维数据的表示形式，从而解释数据中的重要潜在因素以及操纵它们以生成具有理想功能的新数据。这些方法通常依赖于对抗方案，在该方案中，对代表进行调整以避免歧视者能够重建特定的数据信息（标签）。我们提出了一种简单，有效的方法，即在无需培训对抗歧视器的情况下解开表示形式，并将我们的方法应用于受限的玻尔兹曼机器（RBM），这是最简单的基于代表的生成模型之一。我们的方法依赖于在训练过程中引入对权重的足够约束，这使我们能够将有关标签的信息集中在一小部分潜在变量上。该方法的有效性在MNIST数据集，二维ISING模型和蛋白质家族的分类法上说明了。此外，我们还展示了我们的框架如何从数据的对数模型中计算成本，与其表示形式的删除相关。

生产中部署的ML模型通常必须面对未知的领域变化，这与培训环境根本不同。绩效预测模型执行了衡量这些变化对模型性能的影响的关键任务。我们通过学习生成的合成扰动来研究各种绩效预测模型对新领域的概括能力。对十个表格数据集的基准测试的经验验证表明，基于最先进的换档检测指标的模型不足以概括为看不见的域，而错误预测因子可以持续改善转移的性能预测。我们还提出了对预测准确性的自然和轻松的不确定性估计，以确保可靠地使用性能预测因子。我们的实现可在https：//github.com/dataiku-research/performance_prediction_under_shift上获得。