Over the past decade, neural networks have been successful at making predictions from biological sequences, especially in the context of regulatory genomics. As in other fields of deep learning, tools have been devised to extract features such as sequence motifs that can explain the predictions made by a trained network. Here we intend to go beyond explainable machine learning and introduce SEISM, a selective inference procedure to test the association between these extracted features and the predicted phenotype. In particular, we discuss how training a one-layer convolutional network is formally equivalent to selecting motifs maximizing some association score. We adapt existing sampling-based selective inference procedures by quantizing this selection over an infinite set to a large but finite grid. Finally, we show that sampling under a specific choice of parameters is sufficient to characterize the composite null hypothesis typically used for selective inference-a result that goes well beyond our particular framework. We illustrate the behavior of our method in terms of calibration, power and speed and discuss its power/speed trade-off with a simpler data-split strategy. SEISM paves the way to an easier analysis of neural networks used in regulatory genomics, and to more powerful methods for genome wide association studies (GWAS).

尽管U统计量在现代概率和统计学中存在着无处不在的，但其在依赖框架中的非反应分析可能被忽略了。在最近的一项工作中，已经证明了对统一的马尔可夫链的U级统计数据的新浓度不平等。在本文中，我们通过在三个不同的研究领域中进一步推动了当前知识状态，将这一理论突破付诸实践。首先，我们为使用MCMC方法估算痕量类积分运算符光谱的新指数不平等。新颖的是，这种结果适用于具有正征和负征值的内核，据我们所知，这是新的。此外，我们研究了使用成对损失函数和马尔可夫链样品的在线算法的概括性能。我们通过展示如何从任何在线学习者产生的假设序列中提取低风险假设来提供在线到批量转换结果。我们最终对马尔可夫链的不变度度量的密度进行了拟合优度测试的非反应分析。我们确定了一些类别的替代方案，基于$ L_2 $距离的测试具有规定的功率。

许多微体系式优化为深度神经网络解锁了巨大的处理能力，从而促进了AI革命。随着这种优化的精疲力尽，现代AI的增长现在是通过培训系统的性能，尤其是其数据流动的。我们没有专注于单个加速器，而是研究了全系统规模的大规模培训的数据移动特征。基于我们的工作量分析，我们设计了HammingMesh，这是一种新颖的网络拓扑，以低成本提供高的带宽，并具有很高的工作计划灵活性。具体而言，HammingMesh可以支持具有两个并行性的两个维度的深度学习培训工作的完整带宽和隔离。此外，它还为通用流量的高全球带宽提供支持。因此，HammingMesh将为未来的大规模深度学习系统供电，并具有极端的带宽要求。

分区方法允许人们通过重复现有的单组分代码来构建耦合问题的仿真能力。这样做，分区方法可以缩短多物理和多尺度应用程序的代码开发和验证时间。在这项工作中，我们考虑了一种场景，其中一个或多个“代码”耦合为基于投影的减少订单模型（ROM），以降低与特定组件相关的计算成本。我们通过考虑在两个非重叠子域中独立离散化的模型接口问题来模拟这种情况。然后，我们为此问题制定了一个分区方案，该方案允许使用有限元模型（FEM）或ROM“代码”的一个子域中的ROM“代码”耦合。 ROM“代码”是通过在快照集合上执行正确的正交分解（POD）来构建的，以获得低维的降低订单基础，然后在此基础上进行Galerkin投影。然后，使用代表接口通量的Lagrange乘法器耦合每个子域上的ROM和/或FEM“代码”。为了划分所得的整体问题，我们首先通过双重schur补体消除了通量。将显式时间集成方案应用于转换的单片问题，将子域方程解散，从而在下一步步骤中独立解决方案。我们显示了数值结果，这些结果证明了所提出的方法在实现ROM-FEM和ROM-ROM耦合方面的功效。

在本文中，我们首先解决了Minemoto和合作者提出的优雅多价Quationnion Hopfield神经网络（MV-QHNN）的动态。与预期的相反，我们表明MV-QHNN以及其变化之一并不总是在通常的条件下在均衡状态下休息。实际上，我们提供简单的示例，其中网络产生了周期性状态向量的周期性序列。之后，我们注意我们的注意力对连续值的四端荷树群神经网络（CV-QHNN），其可以通过限制过程从MV-QHNN衍生自MV-QHNN。CV-QHNN可以比MV-QHNN模型更容易实现。此外，异步CV-QHNN在通常的条件下总是在平衡状态下落入均衡状态。本文中的例子均说明了理论问题。

Panoptic semonation组合实例和语义预测，允许同时检测“事物”和“东西”。在许多具有挑战性的问题中有效地接近远程感测的数据中的Panoptic分段可能是吉祥的，因为它允许连续映射和特定的目标计数。有几个困难阻止了遥感中这项任务的增长：（a）大多数算法都设计用于传统图像，（b）图像标签必须包含“事物”和“填写”类，并且（c）注释格式复杂。因此，旨在解决和提高遥感中Panoptic分割的可操作性，这项研究有五个目标：（1）创建一个新的Panoptic分段数据准备管道，（2）提出注释转换软件以产生Panoptic注释; （3）在城市地区提出一个小说数据集，（4）修改任务的Detectron2，（5）评估城市环境中这项任务的困难。我们使用的空中图像，考虑14级，使用0,24米的空间分辨率。我们的管道考虑了三个图像输入，所提出的软件使用点Shapefile来创建Coco格式的样本。我们的研究生成了3,400个样本，具有512x512像素尺寸。我们使用了带有两个骨干板（Reset-50和Reset-101）的Panoptic-FPN，以及模型评估被视为语义实例和Panoptic指标。我们获得了93.9,47.7和64.9的平均iou，box ap和pq。我们的研究提出了一个用于Panoptic Seation的第一个有效管道，以及用于其他研究人员的广泛数据库使用和处理需要彻底了解的其他数据或相关问题。

车辆分类是一台热电电脑视觉主题，研究从地面查看到顶视图。在遥感中，顶视图的使用允许了解城市模式，车辆集中，交通管理等。但是，在瞄准像素方面的分类时存在一些困难：（a）大多数车辆分类研究使用对象检测方法，并且最公开的数据集设计用于此任务，（b）创建实例分段数据集是费力的，并且（C ）传统的实例分段方法由于对象很小，因此在此任务上执行此任务。因此，本研究目标是：（1）提出使用GIS软件的新型半监督迭代学习方法，（2）提出一种自由盒实例分割方法，（3）提供城市规模的车辆数据集。考虑的迭代学习程序：（1）标记少数车辆，（2）在这些样本上列车，（3）使用模型对整个图像进行分类，（4）将图像预测转换为多边形shapefile，（5 ）纠正有错误的一些区域，并将其包含在培训数据中，（6）重复，直到结果令人满意。为了单独的情况，我们考虑了车辆内部和车辆边界，DL模型是U-Net，具有高效网络B7骨架。当移除边框时，车辆内部变为隔离，允许唯一的对象识别。要恢复已删除的1像素边框，我们提出了一种扩展每个预测的简单方法。结果显示与掩模-RCNN（IOU中67％的82％）相比的更好的像素 - 明智的指标。关于每个对象分析，整体准确性，精度和召回大于90％。该管道适用于任何遥感目标，对分段和生成数据集非常有效。

在2015年和2019年之间，地平线的成员2020年资助的创新培训网络名为“Amva4newphysics”，研究了高能量物理问题的先进多变量分析方法和统计学习工具的定制和应用，并开发了完全新的。其中许多方法已成功地用于提高Cern大型Hadron撞机的地图集和CMS实验所执行的数据分析的敏感性;其他几个人，仍然在测试阶段，承诺进一步提高基本物理参数测量的精确度以及新现象的搜索范围。在本文中，在研究和开发的那些中，最相关的新工具以及对其性能的评估。

在人工智能区域中已经在人工智能区域进行了自主交易机器人。已经测试了许多AI技术，用于建立能够交易金融资产的自主代理。这些举措包括传统的神经网络，模糊逻辑，加固学习，而且还有更新的方法，如深神经网络和深度加强学习。许多开发人员声称在使用历史价格系列执行时，在模拟执行时，可以成功创建具有良好性能的机器人。然而，当这些机器人在真正的市场中使用时，通常它们在风险方面存在糟糕的表现并返回。在本文中，我们提出了一个名为MT5SE的开源框架，有助于开发，重新击退，实时测试和自主交易者的实际运作。我们使用MT5SE构建并测试了几个交易者。结果表明它可能有助于开发更好的交易者。此外，我们讨论了许多研究中使用的简单架构，并提出了一种替代的多层架构。这种架构将投资组合经理（PM）分开了两个主要问题：价格预测和资本分配。超过达到高精度，PM应该在正确的时候增加利润并减少损失。此外，价格预测高度依赖于资产的性质和历史，而资本分配仅依赖于分析师的预测性能和资产的相关性。最后，我们讨论了该地区的一些有前途的技术。

在本文中，我们提出了一种评估为策略的长期绩效提供了现实预期的自主交易策略的方法。此方法解决此方法解决了许多陷阱，目前甚至经历过多种软件开发人员和研究人员，更不用说购买这些产品的客户。我们展示了将我们的方法应用于几种着名的自主交易策略的结果，用于管理各种金融资产选择。结果表明，许多这些公布的策略远远不可靠的金融投资车辆。我们的方法暴露了建立可靠，长期策略的困难，并提供了一种通过建立最小期间和测试执行要求来选择最有前途的潜在策略的手段。有许多开发人员可以创建软件，以自主购买和销售金融资产，其中一些人在使用历史价格系列（通常称为Resolties）时仿真时具有很大的性能。尽管如此，当这些策略用于实际市场（或在培训或评估中使用的数据）时，它们通常会非常糟糕。该方法可用于评估潜在的策略。通过这种方式，该方法有助于判断您是否真的有一个很好的交易策略，或者您只是愚弄自己。