Symmetry arises in many optimization and decision-making problems, and has attracted considerable attention from the optimization community: By utilizing the existence of such symmetries, the process of searching for optimal solutions can be improved significantly. Despite its success in (offline) optimization, the utilization of symmetries has not been well examined within the online optimization settings, especially in the bandit literature. As such, in this paper we study the invariant Lipschitz bandit setting, a subclass of the Lipschitz bandits where the reward function and the set of arms are preserved under a group of transformations. We introduce an algorithm named \texttt{UniformMesh-N}, which naturally integrates side observations using group orbits into the \texttt{UniformMesh} algorithm (\cite{Kleinberg2005_UniformMesh}), which uniformly discretizes the set of arms. Using the side-observation approach, we prove an improved regret upper bound, which depends on the cardinality of the group, given that the group is finite. We also prove a matching regret's lower bound for the invariant Lipschitz bandit class (up to logarithmic factors). We hope that our work will ignite further investigation of symmetry in bandit theory and sequential decision-making theory in general.

由于免费的在线百科全书具有大量内容，因此Wikipedia和Wikidata是许多自然语言处理（NLP）任务的关键，例如信息检索，知识基础构建，机器翻译，文本分类和文本摘要。在本文中，我们介绍了Wikides，这是一个新颖的数据集，用于为文本摘要问题提供Wikipedia文章的简短描述。该数据集由6987个主题上的80K英语样本组成。我们设置了一种两阶段的摘要方法 - 描述生成（I阶段）和候选排名（II阶段）作为一种依赖于转移和对比学习的强大方法。对于描述生成，与其他小规模的预训练模型相比，T5和BART表现出了优越性。通过将对比度学习与Beam Search的不同输入一起应用，基于度量的排名模型优于直接描述生成模型，在主题独立拆分和独立于主题的独立拆分中，最高可达22个胭脂。此外，第II期中的结果描述得到了人类评估的支持，其中45.33％以上，而I阶段的23.66％则支持针对黄金描述。在情感分析方面，生成的描述无法有效地从段落中捕获所有情感极性，同时从黄金描述中更好地完成此任务。自动产生的新描述减少了人类为创建它们的努力，并丰富了基于Wikidata的知识图。我们的论文对Wikipedia和Wikidata产生了实际影响，因为有成千上万的描述。最后，我们预计Wikides将成为从短段落中捕获显着信息的相关作品的有用数据集。策划的数据集可公开可用：https：//github.com/declare-lab/wikides。

我们在理论和实践之间的差距中介绍了我们的发现，即使用条件能量的模型（EBM）作为行为联系政策的隐式表示。我们还阐明了以前的工作中的几个微妙的，可能令人困惑的细节，以帮助未来的研究。我们指出无条件和有条件的EBM之间的关键差异，并警告说，盲目地将培训方法应用于另一个，可能会导致不良结果，这些结果并不能很好地概括。最后，我们强调了最大相互信息原理作为在条件EBM中获得良好概括作为回归任务模型的必要条件的重要性。

尽管在自动语音识别（ASR）中最近的表现方法增加了，但这种方法并不能确保其输出的适当套管和标点符号。这个问题对自然语言处理（NLP）算法和人类的理解都有重大影响。对于原始文本输入的预处理管道，必须进行资本化和标点符号恢复。对于越南人等低资源语言，此任务的公共数据集很少。在本文中，我们为越南人的资本化和标点符号恢复贡献了一个公共数据集；并提出了两个名为intercappunc的任务的联合模型。越南数据集的实验结果显示了我们联合模型的有效性与单个模型和先前的联合学习模型相比。我们在https://github.com/anhtunguyen98/jointcappund上公开发布数据集和模型的实现

尽管学术和公司的努力很大，但在不利视觉条件下的自动驾驶仍然证明具有挑战性。随着神经形态技术的成熟，其应用于机器人技术，自动驾驶汽车系统已成为积极研究的领域。低光和潜伏期的情况可以受益。为了使事件摄像机能够在感知任务中与LiDAR这样的主食传感器一起操作，我们提出了事件摄像机和激光镜头之间的直接，时间耦合的校准方法。利用事件摄像机的高动态范围和低光操作直接注册LIDAR激光返回，从而允许基于信息的相关方法优化两个传感器之间的6DOF外部校准。本文介绍了事件摄像机和激光镜头之间的第一种直接校准方法，从而消除了对基于框架的相机中介机构和/或高度准确的手部测量的依赖性。代码将公开可用。

我们已经调查了对抗性示例的新应用，即对地标识别系统的位置隐私保护。我们介绍了掩模引导的多模式投影梯度下降（MM-PGD），其中对抗示例在不同的深层模型上进行了培训。图像内容受到分析区域的特性，以识别最适合在对抗示例中混合的区域的性质。我们研究了两种区域识别策略：基于类激活图的MM-PGD，其中训练有素的深层模型的内部行为是针对的；和基于人视觉的MM-PGD，其中吸引人类注意力较少的地区的目标是针对的。Ploce365数据集的实验表明，这些策略在不需要大量图像操作的情况下可能有效地防御Black-Box Landmark识别系统。

图像增强方法通常假定噪声是无关的，并且将降解模型近似为零均值的加性高斯。但是，这种假设不适合生物医学成像系统，在生物医学成像系统中，基于传感器的噪声源与信号强度成正比，并且噪声更好地表示为泊松过程。在这项工作中，我们探讨了一种基于词典学习的方法，并提出了一种新颖的自我监督学习方法，用于单像denoising，其中噪声近似为泊松过程，不需要干净的地面真实数据。具体而言，我们近似于通过反复的神经网络进行图像降级的传统迭代优化算法，该神经网络可实现相对于网络的权重的稀疏性。由于稀疏表示形式基于基础图像，因此它能够抑制图像贴片中的虚假组件（噪声），从而引入隐式正则化，以通过网络结构来降级任务。在两个生物成像数据集上的实验表明，我们的方法在PSNR和SSIM方面优于最先进的方法。我们的定性结果表明，除了在标准定量指标上进行更高的性能外，我们还能够比其他比较方法恢复更多的细节。我们的代码可在https://github.com/tacalvin/poisson2sparse上公开提供。