前列腺癌是全球诊断出的最危险的癌症。前列腺诊断受到许多因素的影响，例如病变复杂性，观察者可见性和可变性。在过去的几十年中，许多基于磁共振成像（MRI）的技术已用于前列腺癌的鉴定和分类。开发这些技术至关重要，并且具有很大的医学效果，因为它们可以提高治疗益处和患者生存的机会。已经提出了一种取决于MRI的新技术来改善诊断。该技术包括两个阶段。首先，已经对MRI图像进行了预处理，以使医疗图像更适合于检测步骤。其次，已经基于预先训练的深度学习模型InceptionResnetv2进行了前列腺癌的识别，该模型具有许多优势并取得了有效的结果。在本文中，用于此目的的InceptionResnETV2深度学习模型的平均精度为89.20％，曲线下的面积（AUC）等于93.6％。与其他先前技术相比，该提出的新深度学习技术的实验结果代表了有希望的和有效的结果。

在任何翻译工作流程中，从源到目标的域知识保存至关重要。在翻译行业中，接收高度专业化的项目是很常见的，那里几乎没有任何平行的内域数据。在这种情况下，没有足够的内域数据来微调机器翻译（MT）模型，生成与相关上下文一致的翻译很具有挑战性。在这项工作中，我们提出了一种新颖的方法，用于域适应性，以利用最新的审计语言模型（LMS）来用于特定于域的MT的域数据增强，并模拟（a）的（a）小型双语数据集的域特征，或（b）要翻译的单语源文本。将这个想法与反翻译相结合，我们可以为两种用例生成大量的合成双语内域数据。为了进行调查，我们使用最先进的变压器体系结构。我们采用混合的微调来训练模型，从而显着改善了内域文本的翻译。更具体地说，在这两种情况下，我们提出的方法分别在阿拉伯语到英语对阿拉伯语言对上分别提高了大约5-6个BLEU和2-3 BLEU。此外，人类评估的结果证实了自动评估结果。

正确捕获图像引导的神经外科手术中的术中大脑转移是将术前数据与术中几何形状对齐的关键任务，以确保准确的手术导航。虽然有限元方法（FEM）是一种经过验证的技术，可以通过生物力学制剂有效地近似软组织变形，但其成功程度归结为准确性和速度之间的权衡。为了解决这个问题，该领域的最新作品提出了通过训练各种机器学习算法获得的数据驱动模型，例如随机森林，人工神经网络（ANN），以及有限元分析（FEA）的结果，以通过预测加快组织变形近似。但是，这些方法在训练过程中不考虑有限元（Fe）网格的结构，该培训提供了有关节点连接性以及它们之间的距离的信息，这可以帮助基于力量负载点的近距离组织近似组织变形带有其余的网状节点。因此，这项工作提出了一个新颖的框架Physgnn，一种数据驱动的模型，该模型通过利用图形神经网络（GNN）近似于FEM的解决方案，该模型能够考虑到网格结构信息和对非结构性网格的网格结构信息和归纳学习结构。从经验上讲，我们证明了所提出的体系结构有望准确且快速的软组织变形近似值，并且与最新的（SOTA）算法具有竞争力，同时有望增强的计算可行性，因此适用于神经外科手术环境。

We develop the theory and algorithmic toolbox for networked federated learning in decentralized collections of local datasets with an intrinsic network structure. This network structure arises from domain-specific notions of similarity between local datasets. Different notions of similarity are induced by spatio-temporal proximity, statistical dependencies or functional relations. Our main conceptual contribution is to formulate networked federated learning using a generalized total variation minimization. This formulation unifies and considerably extends existing federated multi-task learning methods. It is highly flexible and can be combined with a broad range of parametric models including Lasso or deep neural networks. Our main algorithmic contribution is a novel networked federated learning algorithm which is well suited for distributed computing environments such as edge computing over wireless networks. This algorithm is robust against inexact computations arising from limited computational resources including processing time or bandwidth. For local models resulting in convex problems, we derive precise conditions on the local models and their network structure such that our algorithm learns nearly optimal local models. Our analysis reveals an interesting interplay between the convex geometry of local models and the (cluster-) geometry of their network structure.

随着下一代GPS III星座的诞生和即将推出的导航技术卫星-3（NTS-3）测试平台来探索GPS的未来技术，我们确实进入了卫星导航的新时代。相应地，是时候重新审视GPS扩散代码系列的设计方法了。在这项工作中，我们开发了一种具有高斯建议分布的自然演化策略（NES）机器学习算法，构建了扩展码序列的高质量家庭。我们最小化平均平衡自相关和平均平均互相关之间的最大值，并展示了我们算法实现更好的性能，而不是所选择的相等长度金代码和Weil代码的良好性能，适用于UP的序列长度-1023和长度-1031位和多达31个代码的系列尺寸。此外，我们将算法与类似的遗传算法实现进行了比较，分配了相同的代码评估度量。据作者所知，这是第一个使用机器学习方法来设计导航扩展码序列的第一项工作。

在灯号路口闯红灯是一个成长的道路安全问题全球，导致先进的智能交通技术和对策的快速发展。然而，现有的研究还没有总结并提出改进安全技术，这些基于创新的效果。本文代表的闯红灯行为的预测方法和技术为基础的对策进行全面审查。具体来说，本研究的重点是提供有关文献的两个流进行全面审查靶向闯红灯，并在灯号控制路口停时走的行为（1）研究专注于模拟和预测闯红灯和停止-and-go相关驾驶员的行为，（2）侧重于不同的技术为基础的措施，其打击这种不安全行为的有效性研究。这项研究提供了系统的指导，以帮助研究人员和利益相关者了解如何最好地识别闯红灯和停止和去相关的驾驶行为，并随后采取对策，以制止这种危险行为，提高相关的安全。