本文考虑了跟踪大量小组目标的问题。通常，在大多数跟踪方案中，多目标都被认为具有独立的运动，并且分离良好。但是，对于小组目标跟踪（GTT），组内的目标是紧密间隔并以协调方式移动，组可以分裂或合并，并且组中的目标数可能很大，这会导致更具挑战性的数据关联，过滤和计算问题。在信仰传播（BP）框架内，我们通过共同推断目标存在变量，组结构，数据关联和目标状态提出了可扩展的群体目标信念传播（GTBP）方法。该方法可以通过在设计因子图上进行信仰传播来有效计算这些变量边际后验分布的近似值。结果，GTBP能够捕获组结构的变化，例如组拆分和合并。此外，我们将目标的演变建模为可能的组结构和相应概率指定的组或单目标运动的合作。这种灵活的建模可实现多个组目标和未组目标的无缝和同时跟踪。特别是，GTBP具有出色的可扩展性和低计算复杂性。它不仅保持与BP相同的可伸缩性，即在传感器测量的数量中线性缩放，并在目标数量中二次缩放，而且仅在保留的组分区数量中线性缩放。最后，提出了数值实验，以证明所提出的GTBP方法的有效性和可伸缩性。

产生相同解剖结构的多对比度/模态MRI丰富了诊断信息，但由于数据获取时间过多而在实践中受到限制。在本文中，我们提出了一种新的深入学习模型，用于使用几种源模态的不完整的k空间数据作为输入，用于联合重建和合成多模式MRI。我们模型的输出包括源模式的重建图像和目标模式中合成的高质量图像。我们提出的模型被公式化为一个变异问题，该问题利用了几个可学习的特定特征提取器和多模式合成模块。我们提出了一种可学习的优化算法来求解该模型，该算法可以使用多模式MRI数据训练其参数的多相网络。此外，采用了一个二线优化框架进行鲁棒参数训练。我们使用广泛的数值实验证明了方法的有效性。

在当前的突出物体检测网络中，最流行的方法是使用U形结构。然而，大量的参数导致更多的计算和存储资源的消耗，无法在有限的存储器设备上部署在有限的存储器设备上不可行。其他一些浅层网络与U形结构相比不会保持相同的精度，并且具有更多参数的深网络结构不会收敛到全球最小损耗，速度很大。为了克服所有这些缺点，我们提出了一种具有三种贡献的新的深度卷积网络架构：（1）使用较小的卷积神经网络（CNN）在我们改进的凸起物体中压缩模型，包括压缩和强化提取模块（ISFCREM）以减少模型的参数。 （2）在ISFCREM中引入信道注意机制，以称量不同的通道，以提高特征表示的能力。 （3）应用新优化器在培训期间累积长期梯度信息，以便自适应地调整学习率。结果表明，该方法几乎可以将模型压缩到原始尺寸的1/3，而不会在与其他模型相比的六个广泛使用的突出物体检测的六个广泛使用的数据集中更快地播放。我们的代码在https://gitee.com/binzhangbinzhangbin/code-a-novel-tentent-based-network-for-fast-salient-object-detection.git

我们开发了一种多功能的深神经网络体系结构，称为Lyapunov-net，以近似高维动力学系统的Lyapunov函数。Lyapunov-net保证了积极的确定性，因此可以轻松地训练它以满足负轨道衍生物条件，这仅在实践中的经验风险功能中呈现单个术语。与现有方法相比，这显着减少了超参数的数量。我们还提供了关于Lyapunov-NET及其复杂性界限的近似能力的理论理由。我们证明了所提出的方法在涉及多达30维状态空间的非线性动力系统上的效率，并表明所提出的方法显着优于最新方法。

我们提出了一个基于一般学习的框架，用于解决非平滑和非凸图像重建问题。我们将正则函数建模为$ l_ {2,1} $ norm的组成，并将平滑但非convex功能映射参数化为深卷积神经网络。我们通过利用Nesterov的平滑技术和残留学习的概念来开发一种可证明的趋同的下降型算法来解决非平滑非概念最小化问题，并学习网络参数，以使算法的输出与培训数据中的参考匹配。我们的方法用途广泛，因为人们可以将各种现代网络结构用于正规化，而所得网络继承了算法的保证收敛性。我们还表明，所提出的网络是参数有效的，其性能与实践中各种图像重建问题中的最新方法相比有利。

Medical image segmentation (MIS) is essential for supporting disease diagnosis and treatment effect assessment. Despite considerable advances in artificial intelligence (AI) for MIS, clinicians remain skeptical of its utility, maintaining low confidence in such black box systems, with this problem being exacerbated by low generalization for out-of-distribution (OOD) data. To move towards effective clinical utilization, we propose a foundation model named EvidenceCap, which makes the box transparent in a quantifiable way by uncertainty estimation. EvidenceCap not only makes AI visible in regions of uncertainty and OOD data, but also enhances the reliability, robustness, and computational efficiency of MIS. Uncertainty is modeled explicitly through subjective logic theory to gather strong evidence from features. We show the effectiveness of EvidenceCap in three segmentation datasets and apply it to the clinic. Our work sheds light on clinical safe applications and explainable AI, and can contribute towards trustworthiness in the medical domain.

网络安全漏洞信息通常由多个渠道记录，包括政府漏洞存储库，个人维护的漏洞收集平台或漏洞披露的电子邮件列表和论坛。从不同渠道整合脆弱性信息可以使全面的威胁评估和快速部署到各种安全机制。但是，当今实体一致性技术的局限性阻碍了自动收集此类信息的努力。在我们的研究中，我们注释了第一个网络安全域实体对齐数据集并揭示安全实体的独特特征。基于这些观察结果，我们提出了第一个网络安全实体对准模型CEAM，该模型CAM，该模型为基于GNN的实体比对配备了两种机制：不对称的掩盖聚集和分区的注意力。网络安全域实体比对数据集的实验结果表明，CEAM明显优于最先进的实体比对方法。

尽管脑肿瘤分割的准确性最近有所提高，但结果仍然表现出较低的置信度和稳健性。不确定性估计是改变这种情况的一种有效方法，因为它提供了对分割结果的信心。在本文中，我们提出了一个可信赖的脑肿瘤分割网络，该网络可以产生可靠的分割结果和可靠的不确定性估计，而不会过多的计算负担和骨干网络的修改。在我们的方法中，不确定性是使用主观逻辑理论明确建模的，该理论将主干神经网络的预测视为主观观点，通过将分割的类概率参数视为差异分布。同时，可信赖的分割框架学习了从功能中收集可靠证据的功能，从而导致最终分割结果。总体而言，我们统一的可信赖分割框架使该模型具有可靠性和鲁棒性，对分布式样本。为了评估我们的模型在鲁棒性和可靠性方面的有效性，在Brats 2019数据集中进行了定性和定量实验。

嵌入现实世界网络提出挑战，因为它不清楚如何识别其潜在的几何形状。嵌入了诸如无尺度网络的辅音网络，以欧几里德空间显示出造成的扭曲。将无缝的网络嵌入到双曲线空间提供令人兴奋的替代方案，但在将各种网络与潜在几何图中嵌入不同的几何形状时，扭曲的障碍。我们提出了一种归纳模型，可以利用GCNS和琐碎束的表现力来学习有或没有节点特征的网络的归纳节点表示。琐碎的束是一种简单的纤维束的情况，这是全球的空间，其基础空间和光纤的产品空间。基础空间和纤维的坐标可用于表达产生边缘的分类和抵消因子。因此，该模型能够学习可以表达这些因素的嵌入物。在实践中，与Euclidean和双曲线GCN相比，它会减少链路预测和节点分类的错误。

差异隐私（DP）是保留隐私的基本技术。有发现，用于隐私保留的大型模型比较较小的模型更糟糕（例如，RESET50比RENET18更糟糕）。为了更好地理解这种现象，我们从泛化的观点来看高维DP学习。从理论上讲，对于简单的高斯模型具有甚至小的DP噪声，如果维度足够大，则分类错误可以像随机猜测一样糟糕。然后，我们提出了一个特征选择方法，以减少模型的大小，基于新的指标，它交易分类准确性和隐私保留。实验对真实数据支持我们的理论结果，并证明了所提出的方法的优势。