现代电力系统正在经历由可再生能源驱动的各种挑战，该挑战要求开发新颖的调度方法，例如增强学习（RL）。对这些方法以及RL药物的评估很大程度上受到探索。在本文中，我们提出了一种评估方法，以分析RL代理的性能在审查的经济调度方案中。这种方法是通过扫描多个操作方案来进行的。特别是，开发了一种方案生成方法来生成网络方案和需求方案进行评估，并且根据电力流的变化率汇总了网络结构。然后，定义了几个指标来从经济和安全的角度评估代理商的绩效。在案例研究中，我们使用经过改进的IEEE 30总线系统来说明拟议的评估方法的有效性，模拟结果揭示了对不同情况的良好和快速适应。不同的RL代理之间的比较也很有帮助，可以为更好地设计学习策略提供建议。

车道检测是许多实际自治系统的重要组成部分。尽管已经提出了各种各样的车道检测方法，但随着时间的推移报告了基准的稳定改善，但车道检测仍然是一个未解决的问题。这是因为大多数现有的车道检测方法要么将车道检测视为密集的预测或检测任务，因此很少有人考虑泳道标记的独特拓扑（Y形，叉形，几乎是水平的车道），该拓扑标记物是该标记的。导致亚最佳溶液。在本文中，我们提出了一种基于继电器链预测的新方法检测。具体而言，我们的模型预测了分割图以对前景和背景区域进行分类。对于前景区域中的每个像素点，我们穿过前向分支和后向分支以恢复整个车道。每个分支都会解码传输图和距离图，以产生移动到下一个点的方向，以及逐步预测继电器站的步骤（下一个点）。因此，我们的模型能够沿车道捕获关键点。尽管它很简单，但我们的策略使我们能够在包括Tusimple，Culane，Curvelanes和Llamas在内的四个主要基准上建立新的最先进。

我们提出了场景运动的新颖双流表示，将光流分​​解为由摄像机运动引起的静态流场和另一个由场景中对象的运动引起的动态流场。基于此表示形式，我们提出了一个动态的大满贯，称为Deflowslam，它利用图像中的静态和动态像素来求解相机的姿势，而不是像其他动态SLAM系统一样简单地使用静态背景像素。我们提出了一个动态更新模块，以一种自我监督的方式训练我们的Deflowslam，其中密集的束调节层采用估计的静态流场和由动态掩码控制的权重，并输出优化的静态流动场的残差，相机姿势的残差，和反度。静态和动态流场是通过将当前图像翘曲到相邻图像来估计的，并且可以通过将两个字段求和来获得光流。广泛的实验表明，在静态场景和动态场景中，Deflowslam可以很好地推广到静态和动态场景，因为它表现出与静态和动态较小的场景中最先进的Droid-Slam相当的性能，同时在高度动态的环境中表现出明显优于Droid-Slam。代码和数据可在项目网页上找到：\ urlstyle {tt} \ textColor {url_color} {\ url {https://zju3dv.github.io/deflowslam/}}}。

医学图像分析中使用的深度学习模型很容易由于其黑盒性质而引起的可靠性问题。为了阐明这些黑盒模型，先前的作品主要集中在识别输入特征对诊断的贡献，即功能归因。在这项工作中，我们探讨了反事实解释，以确定模型依赖于诊断的模式。具体而言，我们研究了胸部X射线内变化特征对分类器输出的影响，以了解其决策机制。我们利用一种基于样式的方法（StyleEx）来通过操纵其潜在空间中的特定潜在方向来为胸部X射线射线创建反事实解释。此外，我们建议本本芬大大减少生成解释的计算时间。我们在放射科医生的帮助下临床评估反事实解释的相关性。我们的代码公开可用。

我们提出了一个新颖的圆锥视觉探针仪框架，称为PVO，以对场景的运动，几何形状和泛型分割信息进行更全面的建模。 PVO在统一的视图中模拟视觉探光仪（VO）和视频全景分割（VPS），从而使这两个任务能够相互促进。具体来说，我们将一个泛型更新模块引入VO模块，该模块在图像泛型分段上运行。该泛型增强的VO模块可以通过调整优化的相机姿势的权重来修剪相机姿势估计中动态对象的干扰。另一方面，使用摄像头姿势，深度和光流，通过将当前帧的圆形分割结果融合到相邻框架中，从而提高了VO-增强VPS模块，从而提高了分割精度。模块。这两个模块通过反复的迭代优化互相贡献。广泛的实验表明，PVO在视觉景观和视频综合分割任务中的最先进方法均优于最先进的方法。代码和数据可在项目网页上找到：\ urlstyle {tt} \ textColor {url_color} {\ url {https://zju3dv.github.io/pvo/pvo/}}}。

To date, there are no effective treatments for most neurodegenerative diseases. Knowledge graphs can provide comprehensive and semantic representation for heterogeneous data, and have been successfully leveraged in many biomedical applications including drug repurposing. Our objective is to construct a knowledge graph from literature to study relations between Alzheimer's disease (AD) and chemicals, drugs and dietary supplements in order to identify opportunities to prevent or delay neurodegenerative progression. We collected biomedical annotations and extracted their relations using SemRep via SemMedDB. We used both a BERT-based classifier and rule-based methods during data preprocessing to exclude noise while preserving most AD-related semantic triples. The 1,672,110 filtered triples were used to train with knowledge graph completion algorithms (i.e., TransE, DistMult, and ComplEx) to predict candidates that might be helpful for AD treatment or prevention. Among three knowledge graph completion models, TransE outperformed the other two (MR = 13.45, Hits@1 = 0.306). We leveraged the time-slicing technique to further evaluate the prediction results. We found supporting evidence for most highly ranked candidates predicted by our model which indicates that our approach can inform reliable new knowledge. This paper shows that our graph mining model can predict reliable new relationships between AD and other entities (i.e., dietary supplements, chemicals, and drugs). The knowledge graph constructed can facilitate data-driven knowledge discoveries and the generation of novel hypotheses.

冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。

最近，使用批评者分配表示截断的分量批评者（TQC），显示在Mujoco连续控制基准套件的所有环境中提供最先进的渐近培训表现。此外，使用高更新到数据比和目标随机化的随机集合双Q学习（REDQ）达到了具有基于最先进的模型的方法竞争的高样本效率。在本文中，我们提出了一种新的无模型算法，具有集合（AQE）的激进Q学习，这提高了REDQ的样品效率性能和TQC的渐近性能，从而提供了整体最先进的性能在培训的所有阶段。此外，AQE非常简单，要求批评者的分布表示也不是目标随机化。

冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。

Graphons are general and powerful models for generating graphs of varying size. In this paper, we propose to directly model graphons using neural networks, obtaining Implicit Graphon Neural Representation (IGNR). Existing work in modeling and reconstructing graphons often approximates a target graphon by a fixed resolution piece-wise constant representation. Our IGNR has the benefit that it can represent graphons up to arbitrary resolutions, and enables natural and efficient generation of arbitrary sized graphs with desired structure once the model is learned. Furthermore, we allow the input graph data to be unaligned and have different sizes by leveraging the Gromov-Wasserstein distance. We first demonstrate the effectiveness of our model by showing its superior performance on a graphon learning task. We then propose an extension of IGNR that can be incorporated into an auto-encoder framework, and demonstrate its good performance under a more general setting of graphon learning. We also show that our model is suitable for graph representation learning and graph generation.