由于其效率，一声神经架构搜索（NAS）已被广泛用于发现架构。但是，先前的研究表明，由于架构之间的操作参数过度共享（即大共享范围），架构的一声绩效估计可能与他们在独立培训中的表现没有很好的相关性。因此，最近的方法构建了更高参数化的超级链，以降低共享程度。但是这些改进的方法引入了大量额外的参数，因此在培训成本和排名质量之间导致不良的权衡。为了减轻上述问题，我们建议将课程学习应用于共享范围（接近），以有效地训练超级网。具体而言，我们在一开始就以很大的共享范围（简单的课程）训练超网，并逐渐降低了超级网的共享程度（更难的课程）。为了支持这种培训策略，我们设计了一个新颖的超级网（闭合性），该超级网（CLESENET）将参数从操作中解耦，以实现灵活的共享方案和可调节的共享范围。广泛的实验表明，与其他一击的超级网络相比，Close可以在不同的计算预算限制中获得更好的排名质量，并且在与各种搜索策略结合使用时能够发现出色的体系结构。代码可从https://github.com/walkerning/aw_nas获得。

本文介绍了使用变压器解决关键点检测和实例关联的新方法。对于自下而上的多人姿势估计模型，他们需要检测关键点并在关键点之间学习关联信息。我们认为这些问题可以完全由变压器解决。具体而言，变压器中的自我关注测量任何一对位置之间的依赖性，这可以为关键点分组提供关联信息。但是，天真的注意力模式仍然没有主观控制，因此无法保证关键点始终会参加它们所属的实例。为了解决它，我们提出了一种监督多人关键点检测和实例关联的自我关注的新方法。通过使用实例掩码来监督自我关注的实例感知，我们可以基于成对引人注定分数为其对应的实例分配检测到的关键字，而无需使用预定义的偏移量字段或嵌入像基于CNN的自下而上模型。我们方法的另一个好处是可以从监督的注意矩阵直接获得任何数量的人的实例分段结果，从而简化了像素分配管道。对Coco多人关键点检测挑战和人实例分割任务的实验证明了所提出的方法的有效性和简单性，并显示出于针对特定目的控制自我关注行为的有希望的方法。

数据的多样性对于对深度学习模型的成功培训至关重要。通过经常发生的生成对抗网络杠杆，我们提出了在胸部CT扫描的小型数据集上培训时产生大规模3D合成CT-SCAN卷（$ \ GEQ224 \ Times224 $）的CT-SGAG。CT-SGAN为医学成像机器学习面临的两个主要挑战提供有吸引力的解决方案：少数给定的I.I.D。培训数据，以及对患者数据共享的限制，防止迅速获得更大和更多样化的数据集。我们使用包括FR \'电位距离和成立分数的各种度量来评估生成的图像的保真度和定量。我们进一步表明，通过在大量合成数据上预先训练分类器，CT-SGAN可以显着提高肺结核检测精度。

深度卷积神经网络的最新研究呈现了一个简单的架构设计范式，即，具有更多MAC的模型通常达到更好的准确性，例如有效网络和REGNET。这些作品试图通过采样和统计方法将模型中的所有阶段放大。然而，我们观察到一些网络架构具有类似的MAC和准确性，但它们对不同阶段计算的分配是完全不同的。在本文中，我们建议通过提高阶段水平的宽度，深度和分辨率来扩大CNN模型的容量。在假设顶部执行较小的CNN是顶部执行较大的CNN的适当子组件，我们提出了一种基于计算的重新分配的贪婪网络放大方法。通过逐步修改不同阶段的计算，放大的网络将配备最佳分配和Mac的使用。在Abseralnet上，我们的方法始终如一地优于原始缩放方法的性能。特别是，通过在Ghostnet上应用我们的方法，我们可以分别实现最先进的80.9％和84.3％的想象成的上1个高精度，分别为600m和4.4b Mac。

我们研究了在联合环境中从积极和未标记的（PU）数据中学习的问题，由于资源和时间的限制，每个客户仅标记其数据集的一小部分。与传统的PU学习中的设置不同，负面类是由单个类组成的，而由客户在联合设置中无法识别的否定样本可能来自客户未知的多个类。因此，在这种情况下，几乎无法应用现有的PU学习方法。为了解决这个问题，我们提出了一个新颖的框架，即使用正面和未标记的数据（FEDPU）联合学习，以通过利用其他客户的标记数据来最大程度地降低多个负面类别的预期风险。我们理论上分析了拟议的FedPU的概括结合。经验实验表明，FedPU比常规监督和半监督联盟的学习方法取得更好的性能。

由于现代硬件的计算能力强烈增加，在大规模数据集上学习的预训练的深度学习模型（例如，BERT，GPT-3）已经显示了它们对传统方法的有效性。巨大进展主要促进了变压器及其变体架构的代表能力。在本文中，我们研究了低级计算机视觉任务（例如，去噪，超级分辨率和派没），并开发了一个新的预先训练的模型，即图像处理变压器（IPT）。为了最大限度地挖掘变压器的能力，我们展示了利用众所周知的想象网基准，以产生大量损坏的图像对。 IPT模型在具有多头和多尾的这些图像上培训。此外，引入了对比度学习，以适应不同的图像处理任务。因此，在微调后，预先训练的模型可以有效地在所需的任务上使用。只有一个预先训练的模型，IPT优于当前的最先进方法对各种低级基准。代码可在https://github.com/huawei-noah/pretrate -ipt和https://gitee.com/mindspore/mindspore/tree/master/model_zoo/research/cv/ipt

The optimal design of experiments typically involves solving an NP-hard combinatorial optimization problem. In this paper, we aim to develop a globally convergent and practically efficient optimization algorithm. Specifically, we consider a setting where the pre-treatment outcome data is available and the synthetic control estimator is invoked. The average treatment effect is estimated via the difference between the weighted average outcomes of the treated and control units, where the weights are learned from the observed data. {Under this setting, we surprisingly observed that the optimal experimental design problem could be reduced to a so-called \textit{phase synchronization} problem.} We solve this problem via a normalized variant of the generalized power method with spectral initialization. On the theoretical side, we establish the first global optimality guarantee for experiment design when pre-treatment data is sampled from certain data-generating processes. Empirically, we conduct extensive experiments to demonstrate the effectiveness of our method on both the US Bureau of Labor Statistics and the Abadie-Diemond-Hainmueller California Smoking Data. In terms of the root mean square error, our algorithm surpasses the random design by a large margin.

无限维功能空间之间的学习映射已在机器学习的许多学科中取得了经验成功，包括生成建模，功能数据分析，因果推理和多方面的增强学习。在本文中，我们研究了在两个无限维sobolev繁殖内核希尔伯特空间之间学习希尔伯特 - 施密特操作员的统计限制。我们根据Sobolev Hilbert-Schmidt规范建立了信息理论的下限，并表明一种正规化学习了偏见轮廓以下的光谱成分，并且忽略了差异高于方差轮廓的频谱成分可以达到最佳学习率。同时，偏置和方差轮廓之间的光谱成分为我们设计计算可行的机器学习算法的灵活性。基于此观察结果，我们开发了一种多级内核操作员学习算法，该算法在无限维函数空间之间学习线性运算符时是最佳的。

尽管过度参数化的模型已经在许多机器学习任务上表现出成功，但与培训不同的测试分布的准确性可能会下降。这种准确性下降仍然限制了在野外应用机器学习的限制。同时，重要的加权是一种处理分配转移的传统技术，已被证明在经验和理论上对过度参数化模型的影响较小甚至没有影响。在本文中，我们提出了重要的回火来改善决策界限，并为过度参数化模型取得更好的结果。从理论上讲，我们证明在标签移位和虚假相关设置下，组温度的选择可能不同。同时，我们还证明正确选择的温度可以解脱出少数群体崩溃的分类不平衡。从经验上讲，我们使用重要性回火来实现最严重的小组分类任务的最新结果。

自主导航的同时本地化和映射（SLAM）框架依赖于强大的数据关联来识别循环封闭以进行后端轨迹优化。对于配备了多层回声器（MBE）的自动水下车辆（AUV），由于海床中可识别的地标的稀缺性，数据关联尤其具有挑战性MBE数据的低分辨率特征。循环封闭检测的深度学习解决方案已显示出来自更结构化环境的数据的出色性能。但是，它们转移到海底领域并不是直接的，并且由于缺乏测深的数据集而阻碍了移植它们的努力。因此，在本文中，我们提出了一种神经网络体系结构，旨在展示将这种技术适应测深数据中对应匹配的潜力。我们从AUV任务中训练我们的框架，并评估其在循环闭合检测任务和粗点云对齐任务上的性能。最后，我们在更传统的方法上展示了其潜力，并释放其实现和所使用的数据集。