这项工作介绍了两臂的伯努利强盗问题的版本，其中武器的平均值是一个（对称的两臂伯努利强盗）。在这些均值之间的差距为零的差距和预测期的次数接近无穷大的制度中，我们通过将它们与线性抛物线偏差的解决方案相关联，获得了预期的遗憾和伪造问题的领先顺序条款方程。我们的结果改善了先前已知的结果；具体而言，我们明确计算出最佳遗憾的主要顺序项和伪造的三种不同缩放制度。此外，我们在任何给定的时间范围内获得了新的非反应界限。

Denoising diffusion models (DDMs) have led to staggering performance leaps in image generation, editing and restoration. However, existing DDMs use very large datasets for training. Here, we introduce a framework for training a DDM on a single image. Our method, which we coin SinDDM, learns the internal statistics of the training image by using a multi-scale diffusion process. To drive the reverse diffusion process, we use a fully-convolutional light-weight denoiser, which is conditioned on both the noise level and the scale. This architecture allows generating samples of arbitrary dimensions, in a coarse-to-fine manner. As we illustrate, SinDDM generates diverse high-quality samples, and is applicable in a wide array of tasks, including style transfer and harmonization. Furthermore, it can be easily guided by external supervision. Particularly, we demonstrate text-guided generation from a single image using a pre-trained CLIP model.

在从机器人控制到仿真的各种机器人应用中，碰撞检测似乎是规范操作，包括运动计划和估计。尽管该主题的开创性工作可以追溯到80年代，但直到最近，正确区分碰撞检测的问题才成为一个中心问题，尤其要归功于科学界围绕该主题所做的持续和各种努力物理。然而，到目前为止，很少有人提出过解决方案，并且只有对所涉及形状的性质的强烈假设。在这项工作中，我们引入了一种通用和高效的方法，以计算任何一对凸形的碰撞检测的导数，这是通过尤其利用随机平滑技术而显示的，这些技术特别适合于捕获非平滑问题的衍生物。这种方法是在HPP-FCL和Pinocchio生态系统中实现的，并在机器人文献的经典数据集和问题上进行了评估，显示了很少的微秒时间来计算许多真实的机器人应用程序直接利用的信息衍生物，包括许多真实的机器人应用程序，包括可不同的模拟。

一项开创性的工作[Jacot等，2018]表明，在特定参数化下训练神经网络等同于执行特定的内核方法，因为宽度延伸到无穷大。这种等效性为将有关内核方法的丰富文献结果应用于神经网的结果开辟了一个有希望的方向，而神经网络很难解决。本调查涵盖了内核融合的关键结果，因为宽度进入无穷大，有限宽度校正，应用以及对相应方法的局限性的讨论。

随着物联网，AI和ML/DL算法的出现，数据驱动的医疗应用已成为一种有前途的工具，用于从医学数据设计可靠且可扩展的诊断和预后模型。近年来，这引起了从学术界到工业的广泛关注。这无疑改善了医疗保健提供的质量。但是，由于这些基于AI的医疗应用程序在满足严格的安全性，隐私和服务标准（例如低延迟）方面的困难，因此仍然采用较差。此外，医疗数据通常是分散的和私人的，这使得在人群之间产生强大的结果具有挑战性。联邦学习（FL）的最新发展使得以分布式方式训练复杂的机器学习模型成为可能。因此，FL已成为一个积极的研究领域，尤其是以分散的方式处理网络边缘的医疗数据，以保护隐私和安全问题。为此，本次调查论文重点介绍了数据共享是重大负担的医疗应用中FL技术的当前和未来。它还审查并讨论了当前的研究趋势及其设计可靠和可扩展模型的结果。我们概述了FL将军的统计问题，设备挑战，安全性，隐私问题及其在医疗领域的潜力。此外，我们的研究还集中在医疗应用上，我们重点介绍了全球癌症的负担以及有效利用FL来开发计算机辅助诊断工具来解决这些诊断工具。我们希望这篇评论是一个检查站，以彻底的方式阐明现有的最新最新作品，并为该领域提供开放的问题和未来的研究指示。

随着机器学习（ML）更加紧密地编织到社会中，如果我们要负责任地使用它，我们必须更好地表征ML的优势和局限性。现有的ML基准环境（例如董事会和视频游戏）为进度提供了明确定义的基准测试，但是组成的任务通常很复杂，而且通常不清楚任务特征如何对机器学习者的整体难度有所贡献。同样，如果没有系统地评估任务特征如何影响难度，则在不同基准环境中的性能之间建立有意义的联系是一项挑战。我们介绍了一个新颖的基准环境，该环境提供了大量的ML挑战，并可以精确地检查任务要素如何影响实际难度。工具框架学习任务是“董事会清除游戏”，我们称之为“隐藏规则”游戏（GOHR）。环境包括一种表达性的规则语言和可以在本地安装的圈养服务器环境。我们建议一组基准的规则学习任务，并计划为有兴趣尝试学习规则的研究人员提供绩效领导者板。 GOHR通过允许对任务进行罚款，受控的修改来补充现有环境，使实验者能够更好地了解给定学习任务的每个方面如何有助于其对任意ML算法的实际困难。

新催化剂的发现是计算化学的重要主题之一，因为它有可能加速采用可再生能源。最近开发的深度学习方法，例如图形神经网络（GNNS）开放的新机会，以显着扩大新型高性能催化剂的范围。然而，由于模棱两可的连接方案和节点和边缘的众多嵌入，特定晶体结构的图表并不是一项简单的任务。在这里，我们提出了GNN的嵌入改进，该改进已通过Voronoi Tesselation修改，并能够预测开放催化剂项目数据集中催化系统的能量。通过Voronoi镶嵌计算图的富集，并将相应的触点固体角度和类型（直接或间接）视为边缘的特征，而Voronoi体积用作节点特征。辅助方法是通过内在的原子特性（电负性，周期和组位置）富集节点表示。提出的修改使我们能够改善原始模型的平均绝对误差，最终误差等于“开放催化剂项目数据集”上每个原子的651 MeV，并且在金属中数据集上的每个原子6 MeV。同样，通过考虑其他数据集，我们表明，明智的数据选择可以将误差降低到高于每个原子阈值20 MEV的值的值。

航天器微型振动的隔离对于成功依靠高精度指向的工具部署至关重要。 Hexapod平台代表了一个有前途的解决方案，但是与在可接受的质量和复杂性预算中获得理想的3D动态相关的困难导致了最小的实际采用。本文介绍了支柱边界条件（BCS）对系统级机械干扰抑制的影响。传统的全旋转关节构型的固有局限性被突出显示，并显示为链接质量和旋转惯性。提出并在分析上提出了针刺的BC替代方案，以减轻2D和3D的缓解。新BC的优势在任意平行操纵器中具有，并通过数值测试证明了几种六角形的几何形状。提出了具有良好性能的配置。最后，描述并验证了允许物理实现的新型平面关节。因此，这项工作可以开发不需要主动控制的微型启动平台。

持续的学习方法努力减轻灾难性遗忘（CF），在学习新任务时，从以前学习的任务中丢失了知识。在这些算法中，有些在训练时维护以前任务中的样本子集。这些样本称为内存。这些方法表现出出色的性能，同时在概念上简单易于实现。然而，尽管它们很受欢迎，但几乎没有做任何事情来理解要包含在记忆中的元素。当前，这种记忆通常是通过随机抽样填充的，没有指导原则可以有助于保留以前的知识。在这项工作中，我们提出了一个基于称为一致性意识采样（CAWS）的样本的学习一致性的标准。该标准优先考虑通过深网更容易学习的样本。我们对三种不同的基于内存的方法进行研究：AGEM，GDUMB和经验重播，在MNIST，CIFAR-10和CIFAR-100数据集上。我们表明，使用最一致的元素在受到计算预算的约束时会产生性能提高；如果在没有这种约束的情况下，随机抽样是一个强大的基线。但是，在经验重播上使用CAWS可以改善随机基线的性能。最后，我们表明CAWS取得了与流行的内存选择方法相似的结果，同时需要大大减少计算资源。

神经量子状态是通过人工神经网络参数化的变异波函数，这是一种数学模型，在机器学习社区中数十年。在多体物理学的背景下，诸如具有神经量子状态的变异蒙特卡洛作为变异波函数之类的方法在近似精确的近似性方面是成功的，即量子哈密顿量的基础。但是，提出神经网络体系结构的所有困难，以及探索其表现力和训练性，都渗透到其作为神经量子状态的应用。在本文中，我们考虑了Feynman-Kitaev Hamiltonian的横向场模型，该模型的基态编码在离散时间步骤下旋转链的时间演变。我们展示了该基础状态问题如何特别挑战神经量子状态的训练性，因为时间步骤的增加，因为真实的基态变得更加纠缠，并且概率分布开始遍及希尔伯特空间。我们的结果表明，所考虑的神经量子状态能够准确地近似系统的真实基态，即它们具有足够的表现。然而，广泛的超参数调整实验表明，经验事实是，在变化的蒙特卡洛设置中，训练性较差 - 可以防止对真实基态的忠实近似。