Applications such as employees sharing office spaces over a workweek can be modeled as problems where agents are matched to resources over multiple rounds. Agents' requirements limit the set of compatible resources and the rounds in which they want to be matched. Viewing such an application as a multi-round matching problem on a bipartite compatibility graph between agents and resources, we show that a solution (i.e., a set of matchings, with one matching per round) can be found efficiently if one exists. To cope with situations where a solution does not exist, we consider two extensions. In the first extension, a benefit function is defined for each agent and the objective is to find a multi-round matching to maximize the total benefit. For a general class of benefit functions satisfying certain properties (including diminishing returns), we show that this multi-round matching problem is efficiently solvable. This class includes utilitarian and Rawlsian welfare functions. For another benefit function, we show that the maximization problem is NP-hard. In the second extension, the objective is to generate advice to each agent (i.e., a subset of requirements to be relaxed) subject to a budget constraint so that the agent can be matched. We show that this budget-constrained advice generation problem is NP-hard. For this problem, we develop an integer linear programming formulation as well as a heuristic based on local search. We experimentally evaluate our algorithms on synthetic networks and apply them to two real-world situations: shared office spaces and matching courses to classrooms.

许多情况下，具有限制代理商竞争资源的代理商可以作为两分图上的最大匹配问题施放。我们的重点是资源分配问题，在这些问题上，代理可能会限制与某些资源不兼容的限制。我们假设一个原理可以随机选择最大匹配，以便每个代理都具有一定概率的资源。代理商希望通过在一定范围内修改限制来提高他们的匹配机会。原则的目标是建议一个不满意的代理商放松其限制，以便放松的总成本在预算范围内（代理商选择），并最大程度地提高了分配资源的可能性。我们为这种预算受限的最大化问题的某些变体建立硬度结果，并为其他变体提供算法结果。我们通过实验评估合成数据集以及两个新颖的现实数据集：度假活动数据集和一个教室数据集的方法。

To effectively train accurate Relation Extraction models, sufficient and properly labeled data is required. Adequately labeled data is difficult to obtain and annotating such data is a tricky undertaking. Previous works have shown that either accuracy has to be sacrificed or the task is extremely time-consuming, if done accurately. We are proposing an approach in order to produce high-quality datasets for the task of Relation Extraction quickly. Neural models, trained to do Relation Extraction on the created datasets, achieve very good results and generalize well to other datasets. In our study, we were able to annotate 10,022 sentences for 19 relations in a reasonable amount of time, and trained a commonly used baseline model for each relation.

对比学习导致学习嵌入式嵌入式的质量的大量改进，以获得图像分类等任务。然而，现有对比增强方法的关键缺陷是它们可能导致图像内容的修改，其可以产生不希望的其语义的改变。这可能会影响模型对下游任务的性能。因此，在本文中，我们询问我们是否可以在对比学学习中增强图像数据，使得保留图像的任务相关的语义内容。为此目的，我们建议利用基于显着性的解释方法来创建用于对比学习的内容保留掩蔽增强。我们的小说解释驱动的监督对比学习（Excon）方法批判性地满足了鼓励附近图像嵌入的双重目标，以具有类似的内容和解释。为了量化Excon的影响，我们对CiFar-100和微小的想象特数据集进行实验。我们证明，在分类转移的背景下，Excon优于对分类，解释质量，对抗性的鲁棒性以及模型的概率预测的校准来监督对比学习。

自主驾驶包括多个交互模块，其中每个模块必须与其他模块相反。通常，运动预测模块取决于稳健的跟踪系统以捕获每个代理的过去的移动。在这项工作中，我们系统地探讨了运动预测任务的跟踪模块的重要性，并且最终得出结论，整体运动预测性能对跟踪模块的缺陷非常敏感。我们明确比较了使用跟踪信息的模型，该模型不会跨越多种方案和条件。我们发现跟踪信息发挥着重要作用，并在无噪声条件下提高运动预测性能。然而，在跟踪噪声的情况下，如果没有彻底研究，它可能会影响整体性能。因此，我们应该在开发和测试运动/跟踪模块时注意到噪音，或者他们应该考虑跟踪自由替代品。

排名模型是信息检索系统的主要组成部分。排名的几种方法是基于传统的机器学习算法，使用一组手工制作的功能。最近，研究人员在信息检索中利用了深度学习模型。这些模型的培训结束于结束，以提取来自RAW数据的特征来排序任务，因此它们克服了手工制作功能的局限性。已经提出了各种深度学习模型，每个模型都呈现了一组神经网络组件，以提取用于排名的特征。在本文中，我们在不同方面比较文献中提出的模型，以了解每个模型的主要贡献和限制。在我们对文献的讨论中，我们分析了有前途的神经元件，并提出了未来的研究方向。我们还显示文档检索和其他检索任务之间的类比，其中排名的项目是结构化文档，答案，图像和视频。