本文介绍了一种名为“ Hand of Hands”的新颖协作教育游戏的设计，实施和评估，涉及我们设计的儿童和定制的社交机器人（\ Emph {hakshe}）。通过这个游戏平台，我们旨在向儿童讲授适当的手卫生实践，并探索在这种环境中亲社会机器人与儿童之间发生的互动程度。我们将游戏化与计算机作为社会演员（CASA）范式融合在一起，以将机器人作为社会演员或游戏中的其他玩家建模。该游戏是使用Godot的2D引擎和Alice 3开发的。在这项研究中，32名参与者通过视频电视节目平台\ Emph {Zoom}在线玩游戏。为了理解亲社会机器人对儿童互动的影响，我们将研究分为两个条件：裸露和没有裸露。对儿童互动的标题和视频分析的详细分析表明，我们的平台帮助孩子学习了良好的手工卫生实践。我们还发现，尽管学习本身并没有受到机器人的亲社会性影响，但使用亲社会机器人会创造出令人愉悦的互动和更大的社交互动。

In this era of pandemic, the future of healthcare industry has never been more exciting. Artificial intelligence and machine learning (AI & ML) present opportunities to develop solutions that cater for very specific needs within the industry. Deep learning in healthcare had become incredibly powerful for supporting clinics and in transforming patient care in general. Deep learning is increasingly being applied for the detection of clinically important features in the images beyond what can be perceived by the naked human eye. Chest X-ray images are one of the most common clinical method for diagnosing a number of diseases such as pneumonia, lung cancer and many other abnormalities like lesions and fractures. Proper diagnosis of a disease from X-ray images is often challenging task for even expert radiologists and there is a growing need for computerized support systems due to the large amount of information encoded in X-Ray images. The goal of this paper is to develop a lightweight solution to detect 14 different chest conditions from an X ray image. Given an X-ray image as input, our classifier outputs a label vector indicating which of 14 disease classes does the image fall into. Along with the image features, we are also going to use non-image features available in the data such as X-ray view type, age, gender etc. The original study conducted Stanford ML Group is our base line. Original study focuses on predicting 5 diseases. Our aim is to improve upon previous work, expand prediction to 14 diseases and provide insight for future chest radiography research.

本文提出了秤，这是一个一般框架，将公平原则转化为基于约束马尔可夫决策过程（CMDP）的共同表示。借助因果语言，我们的框架可以在决策过程（程序公平）以及决策（结果公平）产生的结果上构成限制。具体而言，我们表明可以将众所周知的公平原理编码为实用程序组件，非毒性组件或鳞片中心中的因果分量。我们使用涉及模拟医疗方案和现实世界中Compas数据集的一组案例研究来说明量表。实验表明，我们的框架产生了公平的政策，这些政策在单步和顺序决策方案中体现了替代公平原则。

在本文中，使用聚类和阈值算法实现了DIBA数据集细菌属和物种的半自动注释。深度学习模型经过训练，以实现细菌物种的语义分割和分类。分类精度达到95％。深度学习模型在生物医学图像处理中发现了巨大的应用。从革兰氏阴性微观图像中自动分割细菌对于诊断呼吸道和尿路感染，检测癌症等至关重要。深度学习将有助于生物学家在更少的时间内获得可靠的结果。此外，可以减少许多人类干预措施。这项工作可能有助于检测尿液涂片图像，痰液涂片图像等的细菌，以诊断尿路感染，结核病，肺炎等。

量化概率分布之间的异化的统计分歧（SDS）是统计推理和机器学习的基本组成部分。用于估计这些分歧的现代方法依赖于通过神经网络（NN）进行参数化经验变化形式并优化参数空间。这种神经估算器在实践中大量使用，但相应的性能保证是部分的，并呼吁进一步探索。特别是，涉及的两个错误源之间存在基本的权衡：近似和经验估计。虽然前者需要NN课程富有富有表现力，但后者依赖于控制复杂性。我们通过非渐近误差界限基于浅NN的基于浅NN的估计的估算权，重点关注四个流行的$ \ mathsf {f} $ - 分离 - kullback-leibler，chi squared，squared hellinger，以及总变异。我们分析依赖于实证过程理论的非渐近功能近似定理和工具。界限揭示了NN尺寸和样品数量之间的张力，并使能够表征其缩放速率，以确保一致性。对于紧凑型支持的分布，我们进一步表明，上述上三次分歧的神经估算器以适当的NN生长速率接近Minimax率 - 最佳，实现了对数因子的参数速率。