飞行时间磁共振血管造影（TOF-MRA）的脑动脉瘤检测经历了剧烈的改善，深入学习（DL）。然而，监督DL模型的性能严重依赖于标记样品的数量。为了减轻Voxel-Wise标签创建的反复瓶颈，我们调查了弱标签的使用：这些是超大的注释，这些注释是更快的创造。我们为在训练期间利用弱标签的动脉瘤检测提供了深入的学习算法。此外，我们的模型通过仅关注动脉瘤发生的合理地点来利用先前的解剖知识。我们创建了284个TOF-MRA受试者（170名女性）的回顾性数据集，其中157例是患者（带198个动脉瘤），127个是对照。我们开放的TOF-MRA DataSet，社区中最大的数据集在Openneuro上发布。为了评估型号的概括性，我们参与了具有TOF-MRA数据的动脉瘤检测的挑战（93例，20例，125例，125个动脉瘤）。弱标签比其voxel-Wise对应物速度快4倍。使用先前解剖知识时，我们的网络在内部数据上实现了80％的灵敏度，每位患者的假阳性（FP）率为1.2。在公共挑战上，敏感度为68％（FP率= 2.5），排名第4/18位开放排行榜。我们发现动脉瘤破裂群（P = 0.75），位置（P = 0.72）或大小（P = 0.15）之间没有显着差异。我们的代码可用于可重复性。

Solar activity is usually caused by the evolution of solar magnetic fields. Magnetic field parameters derived from photospheric vector magnetograms of solar active regions have been used to analyze and forecast eruptive events such as solar flares and coronal mass ejections. Unfortunately, the most recent solar cycle 24 was relatively weak with few large flares, though it is the only solar cycle in which consistent time-sequence vector magnetograms have been available through the Helioseismic and Magnetic Imager (HMI) on board the Solar Dynamics Observatory (SDO) since its launch in 2010. In this paper, we look into another major instrument, namely the Michelson Doppler Imager (MDI) on board the Solar and Heliospheric Observatory (SOHO) from 1996 to 2010. The data archive of SOHO/MDI covers more active solar cycle 23 with many large flares. However, SOHO/MDI data only has line-of-sight (LOS) magnetograms. We propose a new deep learning method, named MagNet, to learn from combined LOS magnetograms, Bx and By taken by SDO/HMI along with H-alpha observations collected by the Big Bear Solar Observatory (BBSO), and to generate vector components Bx' and By', which would form vector magnetograms with observed LOS data. In this way, we can expand the availability of vector magnetograms to the period from 1996 to present. Experimental results demonstrate the good performance of the proposed method. To our knowledge, this is the first time that deep learning has been used to generate photospheric vector magnetograms of solar active regions for SOHO/MDI using SDO/HMI and H-alpha data.

在本文中，我们考虑了由整流的线性单元（RELU）两级晶格（TLL）神经网络（NN）控制器控制的线性时间不变（LTI）系统的可触时集合的计算复杂性。特别是，我们表明，对于这样的系统和控制器，可以按照TLL NN控制器的大小（神经元数）的大小计算多项式时间的确切一步设置。此外，我们表明可以通过两种多项式时间方法获得可触及设置的紧密边界框：一个在TLL的大小中具有多项式复杂性，另一个具有控制器和其他的Lipschitz常数中的多项式复杂性问题参数。至关重要的是，可以在多项式时间内确定两者中的较小，对于非脱位tll nns。最后，我们提出了一种务实的算法，该算法将（半）确切可及性和近似可达性的好处（我们称为L-tllbox）结合在一起。我们通过经验比较与最先进的NN控制器可及性工具一起评估L-Tllbox。在这些实验中，L-TLLBox能够在同一网络/系统上的该工具快5000倍，同时生产到区域面积的0.08至1.42倍的范围。

尽管现在使用自我监督方法构建的计算机视觉模型现在很普遍，但仍然存在一些重要问题。自我监督的模型是否学习高度冗余的频道功能？如果一个自我监督的网络可以动态选择重要的渠道并摆脱不必要的渠道怎么办？目前，与计算机视觉中的有监督的对手相比，通过自我训练预先训练的Convnet在下游任务上获得了可比的性能。但是，有一些自我监督模型的缺点，包括大量参数，计算昂贵的培训策略以及对下游任务更快推断的明确需求。在这项工作中，我们的目标是通过研究如何将用于监督学习的标准渠道选择方法应用于经过自学训练的网络。我们验证我们在一系列目标预算上验证我们的发现$ t_ {d} $，用于跨不同数据集的图像分类任务的频道计算，特别是CIFAR-10，CIFAR-100和IMAGENET-100，获得了与原始网络的可比性性能when selecting all channels but at a significant reduction in computation reported in terms of FLOPs.

在本文中，我们介绍了两级晶格神经网络（FAST BATLLLNN）的刀具快速箱分析，作为两级格子（TLL）神经网络（NNS）的盒状输出约束的快速验证器。特别地，快速Batllnn可以验证给定TLL NN的输出是否始终在指定的超矩形内呈现，只要其输入约束到指定的凸多特级（不一定是超矩形）。 FAST BATLLNN使用TLL架构的唯一语义和盒状输出约束的解耦性质，从而显着提高具有通用多粒输出约束的TLL的已知多项式验证算法的验证性能。在本文中，我们评估了快速Batllnn的性能和可扩展性，无论是自身的权利，也与应用于TLL NNS的最先进的NN Verifers相比。快速的Batllnn比较最快的NN Verifiers非常有利地比较，完成我们的合成TLL测试台超过400倍，而不是最近的竞争对手。

人们使用移动消息传递服务的增加导致了像网络钓鱼一样的社会工程攻击的传播，考虑到垃圾邮件文本是传播网络钓鱼攻击的主要因素之一，以窃取信用卡和密码等敏感数据。此外，关于Covid-19大流行的谣言和不正确的医疗信息在社交媒体上广泛分享，导致人们的恐惧和混乱。因此，过滤垃圾邮件内容对于降低风险和威胁至关重要。以前的研究依赖于机器学习和深入学习的垃圾邮件分类方法，但这些方法有两个限制。机器学习模型需要手动功能工程，而深度神经网络需要高计算成本。本文介绍了一种动态的深度集合模型，用于垃圾邮件检测，调整其复杂性并自动提取功能。所提出的模型利用卷积和汇集层进行特征提取以及基础分类器，如随机森林和极其随机的树木，用于将文本分类为垃圾邮件或合法的树。此外，该模型采用了Boosting和Bagging等集合学习程序。结果，该模型达到了高精度，召回，F1分数和精度为98.38％。