我们解决产品生成任务。对于给定的产品描述，我们的目标是生成反映潜在用户信息需求的问题，这些需求要么缺少或不涵盖描述中的问题。此外，我们希望涵盖可能涵盖多种产品类型的各种用户信息需求。为此，我们首先展示了如何对任务进行微调的T5预训练的变压器编码器模型。然而，尽管与最先进的任务方法相比，T5产生的问题具有合理的质量（KPCNET），但许多此类问题仍然太笼统，导致了次优最佳的全球问题多样性。作为替代方案，我们提出了一种新颖的学习对多样化（LTD）微调方法，该方法可以丰富基础变压器模型所学的语言。我们的经验评估表明，使用我们的方法可显着提高基础变压器模型的全球多样性，同时尽可能多地保持其一代相关性。

时间图神经网络（时间GNN）已被广泛研究，在多个预测任务上达到了最新的结果。大多数先前作品采用的一种常见方法是应用一个层，该图层汇总了节点历史邻居的信息。朝着不同的研究方向迈进，在这项工作中，我们提出了TBDFS - 一种新颖的时间GNN架构。 TBDF应用一个层，该图层有效地将信息从时间路径聚集到图中的给定（目标）节点。对于每个给定的节点，将聚集分为两个阶段：（1）在该节点中结束的每个时间路径的单个表示，并且（2）所有路径表示都汇总为最终节点表示。总体而言，我们的目标不是在节点中添加新信息，而是从新角度观察相同的确切信息。这使我们的模型可以直接观察到面向路径的模式，而不是面向邻里的模式。与以前的作品中应用的流行呼吸优先搜索（BFS）遍历相比，这可以认为是时间图上的深度优先搜索（DFS）遍历。我们通过多个链接预测任务评估了TBDF，并显示出与最先进的基线相比的表现。据我们所知，我们是第一个应用Perimal-DFS神经网络的人。

在以前的工作中，提出了一种新型的Edge轻巧可搜索的基于属性的加密（ELSA）方法，以支持行业4.0，特别是工业互联网应用程序。在本文中，我们旨在通过整合适合在边缘执行的机器学习（ML）方法来最大程度地降低查找表的大小并汇总数据记录来改善ELSA。该集成将通过评估进一步处理的附加值来消除不必要数据的记录。因此，导致查找表大小，云存储和网络流量的最小化充分利用了边缘体系结构优势。我们在著名的发电厂数据集上展示了我们的Mini-Elsa扩展方法。我们的结果表明，将存储要求减少了21％，同时将执行时间提高了1.27倍。

我们提出了一种快速且数值准确的方法，用于扩展数字化的$ l \ times l $图像，代表$ [-1,1]^2 $在磁盘$ \ {x \ in \ in \ mathbb {r}^2：| |磁盘上的谐波（dirichlet laplacian eigenfunctions）中的x | <1 \} $。我们的方法以$ \ Mathcal {O}（l^2 \ log L）$操作运行。此基础也称为傅立叶贝塞尔基础，它具有多个计算优势：它是正交的，按频率订购，并且可以通过将对角线变换应用于系数来旋转，从而可以旋转图像。此外，我们表明，具有径向函数的卷积也可以通过将对角变换应用于系数进行有效计算。

资源受限的分类任务在实际应用中很常见，例如为疾病诊断分配测试，填补有限数量的职位时雇用决策以及在有限检查预算下制造环境中的缺陷检测。典型的分类算法将学习过程和资源约束视为两个单独的顺序任务。在这里，我们设计了一种自适应学习方法，该方法通过迭代微调错误分类成本来考虑资源限制和共同学习。通过使用公开可用数据集的结构化实验研究，我们评估了采用建议方法的决策树分类器。自适应学习方法的表现要比替代方法要好得多，尤其是对于困难的分类问题，在这种问题上，普通方法的表现可能不令人满意。我们将适应性学习方法设想为处理资源受限分类问题的技术曲目的重要补充。

背景和客观：冷冻EM图像的对比度因冰层的厚度不均匀而变化。这种对比变化会影响2-D类平均，3-D AB-Initio建模和3-D异质性分析的质量。当前在3次迭代精炼期间进行对比度估计。结果，在类平均和AB-Initio建模的早期计算阶段无法获得估计值。本文旨在直接从AB-Initio阶段的采摘粒子图像解决对比度估计问题，而无需估计3-D体积，图像旋转或类平均值。方法：我们的分析基础的关键观察是，原始图像的2-D协方差矩阵与基础干净图像的协方差有关，噪声方差以及图像之间的对比度可变性。我们表明，对比度可变性可以从2-D协方差矩阵得出，并应用现有的协方差Wiener滤波（CWF）框架来估计它。我们还展示了CWF的修改，以估计单个图像的对比度。结果：与先前的CWF方法相比，我们的方法将对比度估计提高了很大。它的估计准确性通常与知道干净图像的地面真相协方差的甲骨文相提并论。更准确的对比度估计还提高了合成数据集和实验数据集所示的图像恢复质量。结论：本文提出了一种有效的方法，即不使用任何3-D体积信息，直接从嘈杂图像中进行对比度估计。它可以在单个粒子分析的早期阶段进行对比校正，并可以提高下游处理的准确性。

我们设计了一种新的自适应学习算法，以进行错误分类成本问题，试图降低源于各种误差后果的错误分类实例的成本。我们的算法（自适应成本敏感学习 - ADACSL）自适应地调整损耗功能，使得分类器桥接训练中样本子组之间的类分布的差异，以及具有类似预测概率的测试数据集（即本地训练测试类分布不匹配）。我们在所提出的算法上提供一些理论性能保证，并提出了与所提出的ADACSL算法一起使用的深度神经网络的经验证据，并在与其他替代方法相比具有类别不平衡和类平衡分布的几个二进制分类数据集上产生更好的成本结果。

我们考虑从大型噪声测量图像中估算二维目标图像的多目标检测问题，该图像包含许多随机旋转和转换目标图像的副本。由单粒子冷冻电子显微镜进行的，我们专注于低信号到噪声状态，在该状态下，很难在测量中估算目标图像的位置和方向。我们的方法使用自相关分析来估计目标图像的旋转和翻译不变特征。我们证明，无论噪声水平如何，我们的技术都可以在测量足够大的情况下恢复目标图像。

We show that parametric models trained by a stochastic gradient method (SGM) with few iterations have vanishing generalization error. We prove our results by arguing that SGM is algorithmically stable in the sense of Bousquet and Elisseeff. Our analysis only employs elementary tools from convex and continuous optimization. We derive stability bounds for both convex and non-convex optimization under standard Lipschitz and smoothness assumptions.Applying our results to the convex case, we provide new insights for why multiple epochs of stochastic gradient methods generalize well in practice. In the non-convex case, we give a new interpretation of common practices in neural networks, and formally show that popular techniques for training large deep models are indeed stability-promoting. Our findings conceptually underscore the importance of reducing training time beyond its obvious benefit.