多模式心脏成像在心血管疾病患者的治疗中起关键作用。它允许互补的解剖学，形态学和功能信息，提高诊断准确性，并提高心血管干预和临床结果的疗效。多模式心脏图像的完全自动化处理和定量分析可能会对临床研究和基于证据的患者管理产生直接影响。但是，这些需要克服重大挑战，包括模式间未对准和寻找最佳方法来整合来自不同模式的信息。本文旨在对心脏病学，计算方法，验证策略，相关临床工作流程和未来观点的多模式成像进行全面综述。对于计算方法，我们对这三个任务（即注册，融合和分割）有利，通常涉及多模式成像数据，\ textit {结合来自不同模式的信息或跨模态传输信息的信息}。该评论强调，多模式性心脏成像数据具有广泛适用性的诊所，例如跨体瓣植入指南，心肌生存能力评估和导管消融疗法及其患者选择。然而，许多挑战仍未解决，例如缺失模态，成像和非成像数据的组合以及统一的分析和不同方式的表示。定义完善的技术如何适合临床工作流程以及它们引入了多少其他相关信息，这也有工作要做。这些问题可能会继续是一个积极的研究领域，并且将来要回答的问题。

患者特异性的心脏计算模型对于使用数字双胞胎的精密医学和silico临床试验的有效实现至关重要。心脏数字双胞胎可以为个别患者提供心脏功能的非侵入性特征，因此对于患者特定的诊断和治疗分层有希望。然而，目前的解剖学和功能性孪生阶段的工作流，指的是模型解剖结构和临床数据的参数的推断，并不足够有效，稳健且准确。在这项工作中，我们提出了一个基于深度学习的特定于患者的计算模型，该模型可以融合解剖学和电生理信息，以推理心室激活特性，即传导速度和根节点。激活特性可以提供对心脏电生理功能的定量评估，以指导介入。我们采用Eikonal模型来生成具有地面真实特性的模拟心电图（ECG），以训练推理模型，在此还考虑了特定的患者信息。为了进行评估，我们在模拟数据上测试模型，并以快速的计算时间获得通常有希望的结果。

Neural Radiance Fields (NeRFs) are emerging as a ubiquitous scene representation that allows for novel view synthesis. Increasingly, NeRFs will be shareable with other people. Before sharing a NeRF, though, it might be desirable to remove personal information or unsightly objects. Such removal is not easily achieved with the current NeRF editing frameworks. We propose a framework to remove objects from a NeRF representation created from an RGB-D sequence. Our NeRF inpainting method leverages recent work in 2D image inpainting and is guided by a user-provided mask. Our algorithm is underpinned by a confidence based view selection procedure. It chooses which of the individual 2D inpainted images to use in the creation of the NeRF, so that the resulting inpainted NeRF is 3D consistent. We show that our method for NeRF editing is effective for synthesizing plausible inpaintings in a multi-view coherent manner. We validate our approach using a new and still-challenging dataset for the task of NeRF inpainting.

System identification, also known as learning forward models, transfer functions, system dynamics, etc., has a long tradition both in science and engineering in different fields. Particularly, it is a recurring theme in Reinforcement Learning research, where forward models approximate the state transition function of a Markov Decision Process by learning a mapping function from current state and action to the next state. This problem is commonly defined as a Supervised Learning problem in a direct way. This common approach faces several difficulties due to the inherent complexities of the dynamics to learn, for example, delayed effects, high non-linearity, non-stationarity, partial observability and, more important, error accumulation when using bootstrapped predictions (predictions based on past predictions), over large time horizons. Here we explore the use of Reinforcement Learning in this problem. We elaborate on why and how this problem fits naturally and sound as a Reinforcement Learning problem, and present some experimental results that demonstrate RL is a promising technique to solve these kind of problems.

自我定位是一种基本功能，移动机器人导航系统集成到使用地图从一个点转移到另一点。因此，任何提高本地化精度的增强对于执行精致的灵活性任务至关重要。本文描述了一个新的位置，该位置使用Monte Carlo定位（MCL）算法维护几个颗粒人群，始终选择最佳的粒子作为系统的输出。作为新颖性，我们的工作包括一种多尺度匹配匹配算法，以创建新的MCL群体和一个确定最可靠的指标。它还贡献了最新的实现，从错误的估计或未知的初始位置增加了恢复时间。在与NAV2完全集成的模块中评估了所提出的方法，并与当前的最新自适应ACML溶液进行了比较，从而获得了良好的精度和恢复时间。

DatalOgMTL是与公制临时运算符的DataLog扩展程序，该临时操作员在基于时间本体的数据访问和查询答案以及流推理中找到了应用程序。DatalOgMTL的实用算法依赖于基于实质化的推理，在这些推理中，在连续的规则应用程序中以前向链接方式得出时间事实。但是，基于当前的基于物质化的程序是基于幼稚的评估策略，其中主要效率的主要来源源于冗余计算。在本文中，我们提出了一个基于物质化的过程，该过程类似于数据编号中的经典半算法，旨在通过确保在执行算法期间最多一次考虑每一个时间规则实例，以最大程度地减少冗余计算。我们的实验表明，我们针对DatalOgMTL的优化半策略能够显着减少实质化时间。

在本文中，我们介绍了e-genia3代理商的扩展，以为移情剂的发展提供支持。新扩展程序修改了代理商的推理过程，以根据分析事件以及代理商的情感状态和个性选择计划。此外，我们的建议允许软件代理通过两个不同的事件评估过程模拟自我和其他代理之间的区别：移情评估过程，以使情绪作为对其他代理情绪的反应以及其他非情感评估过程的反应，并为其他非情感评估过程 - 同情情感事件。移情调节过程适应了基于人际因素（例如，代理人的人格和情感记忆）和代理人的人际特征（例如，代理人之间的情感联系），适应引起的同理心情绪。使用过去事件的记忆及其相应的引起的情绪，可以保持情感联系，以支持代理之间的长期移情互动。

我们建议对视觉模型预处理的基于利润的损失，以鼓励基于梯度的解释，这些解释与区域级注释一致。我们将该目标称为注意面罩的一致性（AMC），并证明它与依赖于区域级注释的模型相比，它产生了卓越的视觉接地性能，以显式训练对象检测器，例如更快的R-CNN。 AMC通过鼓励基于梯度的解释掩盖来工作，该掩盖的注意力分数主要集中在包含这种注释的图像的注释区域中。尤其是，在标准视觉建模目标之上接受AMC训练的模型在FlickR30K视觉接地基准中获得了86.59％的最新精度，与最佳先前模型相比，绝对改善了5.48％。我们的方法在既定的基准中都表现出表达理解，并通过设计基于梯度的解释来更好地与人类注释保持一致，从而提供了极大的表现。

图神经网络〜（GNNS）是用于图表学习的有效工具。大多数GNN依靠递归邻里聚合方案，称为消息传递，因此其理论表达力仅限于第一阶Weisfeiler-Lehman测试（1-WL）。受到基于检索的模型和现成的高性能检索系统的成功的激励，我们提出了一种称为GraphRetReval的非参数和模型 - 敏捷方案，以增强现有的GNN模型。在GraphRetRieval中，与其地面真实标签相关的类似训练图被检索为可以与输入图表示共同利用的增强功能，以完成各种图形属性预测任务。特别是，为了有效地从检索的图中“吸收”有用的信息，并“忽略”可能的噪声，我们引入了基于自我注意的适配器，以明确了解输入图与其检索到的类似图之间的相互作用。通过在12个不同的数据集上尝试三个经典的GNN模型，我们证明了GraphRetReval能够为现有GNN模型带来实质性改进，而无需包括模型大小和预测效率。我们的工作还首先验证了检索增强图神经网络的可行性和有效性。

大多数机器学习（ML）方法假设训练阶段使用的数据来自目标人群。但是，实际上，一个经常会面对数据集偏移，如果考虑到未正确考虑的话，可能会降低ML模型的预测性能。通常，如果从业人员知道正在发生哪种轮班类型（例如，协变量转移或标签转移），他们可能会采用转移学习方法来获得更好的预测。不幸的是，当前用于检测移位的方法仅设计用于检测特定类型的偏移或无法正式测试其存在。我们介绍了一个一般和统一的框架，该框架通过检测不同类型的变化和量化它们的强度来提供有关如何改善预测方法的见解。我们的方法可用于任何数据类型（表格/图像/文本）以及分类和回归任务。此外，它使用正式的假设测试来控制虚假警报。我们说明了我们的框架在实践中使用人工和真实数据集的实践有用，包括一个示例，说明了我们的框架如何导致洞察力确实可以提高监督模型的预测能力。我们用于数据集偏移检测的软件包可以在https://github.com/felipemaiapolo/detectshift中找到。