Safety is one of the biggest concerns to applying reinforcement learning (RL) to the physical world. In its core part, it is challenging to ensure RL agents persistently satisfy a hard state constraint without white-box or black-box dynamics models. This paper presents an integrated model learning and safe control framework to safeguard any agent, where its dynamics are learned as Gaussian processes. The proposed theory provides (i) a novel method to construct an offline dataset for model learning that best achieves safety requirements; (ii) a parameterization rule for safety index to ensure the existence of safe control; (iii) a safety guarantee in terms of probabilistic forward invariance when the model is learned using the aforementioned dataset. Simulation results show that our framework guarantees almost zero safety violation on various continuous control tasks.

控制系统通常需要满足严格的安全要求。安全指数提供了一种方便的方法来评估系统的安全水平并得出所得的安全控制策略。但是，在控制范围内设计安全指数功能是困难的，需要大量的专家知识。本文提出了一个框架，用于使用方案总和编程合成通用控制系统的安全指数。我们的方法是表明，确保对安全设置边界的安全控制的非空缺等同于当地的多种积极问题。然后，我们证明了这个问题等同于通过代数几何形状的Pitivstellensatz进行编程。我们验证具有不同自由度和地面车辆的机器人臂上的拟议方法。结果表明，合成的安全指数可确保安全性，即使在高维机器人系统中，我们的方法也有效。

过去的十年见证了深度学习在各种计算成像，传感和显微镜任务中的变革性应用。由于采用了有监督的学习方案，因此大多数方法取决于大规模，多样化和标记的培训数据。此类培训图像数据集的获取和准备通常很费力且昂贵，也导致对新样本类型的估计和概括有限。在这里，我们报告了一种称为Gedankennet的自制学习模型，该模型消除了对标签或实验培训数据的需求，并证明了其对全息图重建任务的有效性和卓越的概括。如果没有关于要成像的样本类型的先验知识，则使用物理矛盾的丢失和人为的随机图像进行了培训，这些模型是合成生成的，没有任何实验或与现实世界样本的相似之处。在其自制训练之后，Gedankennet成功概括为各种看不见的生物样品的实验全息图，并使用实验获得的测试全息图重建了不同类型对象的相位和振幅图像。 Gedankennet的自我监督学习实现了与Maxwell的方程相一致的复杂图像重建，无需访问实验数据或知识的真实样本或其空间特征的知识，就意味着其输出推理和对象解决方案准确地表示波传播，这实现了复杂的图像重建。在自由空间中。对图像重建任务的自我监督学习为全息，显微镜和计算成像领域的各种反问题打开了新的机会。

暴露于霉菌孢子和花粉等生物 - 大紫胶会导致不利的健康影响。需要一种便携式且具有成本效益的设备来长期监测和量化各种生物紫胶。为了满足这一需求，我们提出了一种移动性和成本效益的无标签生物透射剂传感器，该传感器拍摄了由虚拟撞击器集中的流动颗粒物的全息图像，该图像有选择地放慢速度，并引导颗粒大于6微米，以飞过大于6微米成像窗口。流动的颗粒被脉冲激光二极管照亮，在无镜头移动成像设备中的CMOS图像传感器上施放了其内联全息图。该照明包含三个短脉冲，在一个脉冲中流动粒子可以忽略不计，同一粒子的一式三份全息图记录在单个框架上，然后才退出成像视野视野，从而揭示了每个粒子的不同视角。虚拟撞击器中的颗粒通过差异检测方案进行定位，并且深层神经网络基于获得的全息图像，以无标签的方式对气溶胶类型进行了分类。我们使用不同类型的花粉（即，百慕大，榆树，橡树，松树，小麦和小麦）使用虚拟撞击器证明了这种移动生物 - 大气探测器的成功，并实现了92.91％的盲目分类精度。这种移动性和成本效益的设备重约700 g，可用于长时间对各种生物透气体的无标记感应和量化，因为它基于无弹药的虚拟撞击器，该虚拟撞击器不会捕获或固定颗粒物。

病理诊断依赖于组织学染色的薄组织样品的目视检查，其中使用不同类型的污渍来对比并突出各种所需的组织学特征。但是，破坏性的组织化学染色程序通常是不可逆的，因此很难在同一组织段上获得多个污渍。在这里，我们通过层叠的深神经网络（C-DNN）演示了虚拟的染色转移框架，以数字化将苏木精和曙红（H＆E）染色的组织图像转化为其他类型的组织学染色。与单个神经网络结构不同，该结构仅将一种染色类型作为一种输入来输出另一种染色类型的数字输出图像，C-DNN首先使用虚拟染色将自动荧光显微镜图像转换为H＆E，然后执行从H＆E到另一个域的染色转换以级联的方式染色。在训练阶段的这种级联结构使该模型可以直接利用H＆E和目标特殊污渍的组织化学染色图像数据。该优势减轻了配对数据获取的挑战，并提高了从H＆E到另一个污渍的虚拟污渍转移的图像质量和色彩准确性。我们使用肾针芯活检组织切片验证了这种C-DNN方法的出色性能，并将H＆E染色的组织图像成功地转移到虚拟PAS（周期性酸 - 雪）染色中。该方法使用现有的，组织化学染色的幻灯片提供了特殊污渍的高质量虚拟图像，并通过执行高度准确的污渍转换来创造数字病理学的新机会。

开发了基于深度学习的虚拟染色是为了将图像与无标签的组织截面形成鲜明对比，以数字方式与组织学染色相匹配，组织学染色是耗时，劳动密集型且与组织破坏性的。标准的虚拟染色需要在无标签组织的整个幻灯片成像过程中使用高的自动对焦精度，这会消耗总成像时间的很大一部分，并可能导致组织光损伤。在这里，我们介绍了一个快速的虚拟染色框架，该框架可以染色未标记的组织的散焦自动荧光图像，从而达到与无焦标签图像的虚拟染色相同的性能，还可以通过降低显微镜的自动焦点来节省大量的成像时间。该框架结合了一个虚拟自动化的神经网络，以数字重新聚焦了散落的图像，然后使用连续的网络将重新聚焦的图像转换为几乎染色的图像。这些级联网络构成了协作推理方案：虚拟染色模型通过培训期间的样式损失使虚拟自动化网络正常。为了证明该框架的功效，我们使用人肺组织训练并盲目地测试了这些网络。使用较低的焦点精度的4倍焦点，我们成功地将专注于重点的自动荧光图像转换为高质量的虚拟H＆E图像，与使用精心注重的自动荧光输入图像的标准虚拟染色框架相匹配。在不牺牲染色质量的情况下，该框架减少了无标签的全滑动图像（WSI）虚拟染色所需的总图像获取时间〜32％，同时降低了约89％的自动对焦时间，并且具有〜89％消除病理学中费力且昂贵的组织化学染色过程的潜力。

斑块测定是量化复制能力裂解病毒体浓度的黄金标准方法。加快和自动化病毒斑块分析将显着受益于临床诊断，疫苗开发以及重组蛋白或抗病毒药的产生。在这里，我们使用无透明全息成像和深度学习提出了快速且无染色的定量病毒斑块测定法。这种具有成本效益，紧凑和自动化的设备可显着减少传统斑块测定所需的孵化时间，同时保留其优于其他病毒定量方法的优势。该设备以每次测试井的对象捕获〜0.32 Giga像素/小时的相位信息，以无标签的方式覆盖约30x30 mm^2的面积，完全消除了染色。我们使用Vero E6细胞和囊泡气孔病毒证明了这种计算方法的成功。使用神经网络，此无染色装置最早在孵育后5小时内自动检测到第一个细胞裂解事件，并以100％的形式达到了> 90％的检测率（PFU）与传统的斑块测定法相比，特异性在<20小时内，可节省大量时间，而传统的牙菌斑测定时间约为48小时或更长时间。该数据驱动的牙菌斑测定还提供了量化细胞单层感染区域的能力，比标准病毒斑块分析的病毒浓度大10倍，对PFU和病毒感染区域进行自动计数和定量。这种紧凑，低成本的自动PFU定量设备可以广泛用于病毒学研究，疫苗开发和临床应用

培训游戏强化学习代理需要与环境进行多次互动。无知的随机探索可能会导致浪费时间和资源。减轻这种浪费至关重要。正如本文所述，在非政策演员评论家算法的设置下，我们证明，评论家可以带来更多的预期折扣奖励，而不是至少与演员相等。因此，评论家预测的Q值是一个更好的信号，可以重新分发最初从演员预测的政策分布中采样的动作。本文介绍了新的评论家指导行动重新分布（CGAR）算法，并在Openai Mujoco任务上进行了测试。实验结果表明，我们的方法提高了样本效率并实现最先进的性能。我们的代码可以在https://github.com/tairanhuang/cgar上找到。

In this paper, we propose a robust 3D detector, named Cross Modal Transformer (CMT), for end-to-end 3D multi-modal detection. Without explicit view transformation, CMT takes the image and point clouds tokens as inputs and directly outputs accurate 3D bounding boxes. The spatial alignment of multi-modal tokens is performed implicitly, by encoding the 3D points into multi-modal features. The core design of CMT is quite simple while its performance is impressive. CMT obtains 73.0% NDS on nuScenes benchmark. Moreover, CMT has a strong robustness even if the LiDAR is missing. Code will be released at https://github.com/junjie18/CMT.

Dataset distillation has emerged as a prominent technique to improve data efficiency when training machine learning models. It encapsulates the knowledge from a large dataset into a smaller synthetic dataset. A model trained on this smaller distilled dataset can attain comparable performance to a model trained on the original training dataset. However, the existing dataset distillation techniques mainly aim at achieving the best trade-off between resource usage efficiency and model utility. The security risks stemming from them have not been explored. This study performs the first backdoor attack against the models trained on the data distilled by dataset distillation models in the image domain. Concretely, we inject triggers into the synthetic data during the distillation procedure rather than during the model training stage, where all previous attacks are performed. We propose two types of backdoor attacks, namely NAIVEATTACK and DOORPING. NAIVEATTACK simply adds triggers to the raw data at the initial distillation phase, while DOORPING iteratively updates the triggers during the entire distillation procedure. We conduct extensive evaluations on multiple datasets, architectures, and dataset distillation techniques. Empirical evaluation shows that NAIVEATTACK achieves decent attack success rate (ASR) scores in some cases, while DOORPING reaches higher ASR scores (close to 1.0) in all cases. Furthermore, we conduct a comprehensive ablation study to analyze the factors that may affect the attack performance. Finally, we evaluate multiple defense mechanisms against our backdoor attacks and show that our attacks can practically circumvent these defense mechanisms.