如果它适合其预期用途，则数据具有高质量。数据质量受底层数据模型的影响及其质量。一个主要质量问题是数据的异质性，因为诸如可理解性和互操作性的质量方面受到损害。这种异质性可能是由数据模型中的质量问题引起的。当给出的信息不够结构并且刚刚在数据值中捕获时，尤其可以发生数据异质性，这些信息通常是由于底层数据模型中的缺失或非合适的结构。我们提出了一种自下而上的方法来检测在异构数据值中显示的数据模型中的质量问题。它支持对现有数据的探索性分析，可以根据域名专家根据其域知识进行配置。所选数据字段的所有值都是通过语法相似群集的。从而提供了数据值在语法中的分集的概述。它应该帮助域专家了解如何在实践中使用数据模型并导出数据模型的潜在质量问题。我们概述了概念验证实施，并使用文化遗产数据进行评估。

Early on during a pandemic, vaccine availability is limited, requiring prioritisation of different population groups. Evaluating vaccine allocation is therefore a crucial element of pandemics response. In the present work, we develop a model to retrospectively evaluate age-dependent counterfactual vaccine allocation strategies against the COVID-19 pandemic. To estimate the effect of allocation on the expected severe-case incidence, we employ a simulation-assisted causal modelling approach which combines a compartmental infection-dynamics simulation, a coarse-grained, data-driven causal model and literature estimates for immunity waning. We compare Israel's implemented vaccine allocation strategy in 2021 to counterfactual strategies such as no prioritisation, prioritisation of younger age groups or a strict risk-ranked approach; we find that Israel's implemented strategy was indeed highly effective. We also study the marginal impact of increasing vaccine uptake for a given age group and find that increasing vaccinations in the elderly is most effective at preventing severe cases, whereas additional vaccinations for middle-aged groups reduce infections most effectively. Due to its modular structure, our model can easily be adapted to study future pandemics. We demonstrate this flexibility by investigating vaccine allocation strategies for a pandemic with characteristics of the Spanish Flu. Our approach thus helps evaluate vaccination strategies under the complex interplay of core epidemic factors, including age-dependent risk profiles, immunity waning, vaccine availability and spreading rates.

在神经网络中，与任务相关的信息由神经元组共同表示。但是，对信息分布在单个神经元之间的特定方式尚不清楚：虽然部分只能从特定的单个神经元中获得，但其他部分是由多个神经元冗余或协同携带的。我们展示了部分信息分解（PID）是信息理论的最新扩展，可以解散这些贡献。由此，我们介绍了“代表性复杂性”的度量，该量度量化了访问跨多个神经元信息的难度。我们展示了这种复杂性如何直接适用于较小的层。对于较大的层，我们提出了子采样和粗粒程序，并证明了后者的相应边界。从经验上讲，为了量化解决MNIST任务的深度神经网络，我们观察到，代表性复杂性通过连续的隐藏层和过度训练都会降低。总体而言，我们建议代表性复杂性作为分析神经表示结构的原则且可解释的摘要统计量。

车载传感器的车载系统正在增强连接。这使信息共享能够实现对环境的更全面的理解。但是，通过公共蜂窝网络的同行通信带来了多个网络障碍以解决，需要网络系统来中继通信并连接无法直接连接的各方。 Web实时通信（WEBRTC）是跨车辆流媒体流媒体的良好候选者，因为它可以使延迟通信较低，同时将标准协议带到安全握手中，发现公共IP和横向网络地址转换（NAT）系统。但是，在基础架构中的端到端服务质量（QOS）适应，在该基础架构中，传输和接收是通过继电器解耦的，需要一种机制来有效地使视频流适应网络容量。为此，本文通过利用实时运输控制协议（RTCP）指标（例如带宽和往返时间）来调查解决分辨率，帧和比特率更改的机制。该解决方案旨在确保接收机上系统及时获得相关信息。在实际的5G测试台中分析了应用不同方法适应方法时对端到端吞吐量效率和反应时间的影响。

两区图像分割是将图像分为两个感兴趣的区域，即前景和背景的过程。为此，Chan等人。[Chan，Esedo \ = Glu，Nikolova，Siam on Applied Mathematics 66（5），1632-1648，2006]设计了一个非常适合平滑图像的模型。该模型的一个缺点是，当图像包含振荡组件时，它可能会产生不良的分割。基于要分割的图像的卡通文本分解，我们提出了一个新模型，该模型能够对图像进行准确的分割，其中还包含噪声或振荡信息（例如纹理）。新型模型导致了一个非平滑约束优化问题，我们通过ADMM方法解决了该问题。还证明了数值方案的收敛性。关于平滑，嘈杂和纹理图像的几项实验显示了所提出的模型的有效性。

强化学习中的信用作业是衡量行动对未来奖励的影响的问题。特别是，这需要从运气中分离技能，即解除外部因素和随后的行动对奖励行动的影响。为实现这一目标，我们将来自因果关系的反事件的概念调整为无模型RL设置。关键思想是通过学习从轨迹中提取相关信息来应对未来事件的价值函数。我们制定了一系列政策梯度算法，这些算法使用这些未来条件的价值函数作为基准或批评，并表明它们是可怕的差异。为避免对未来信息的调理潜在偏见，我们将后视信息限制为不包含有关代理程序行为的信息。我们展示了我们对许多说明性和具有挑战性问题的算法的功效和有效性。