随着面部识别系统的广泛应用，人们担心原始的面部图像可能会暴露于恶意意图并因此导致个人隐私漏洞。本文介绍了Duetface，这是一种新型的隐私面部识别方法，该方法采用了频域中的协作推断。从违反直觉的发现开始，即面部识别只能通过视觉上无法区分的高频通道就可以实现出人意料的良好性能，此方法通过其可视化的关键性设计了可信的频道划分，并在非重要通道上操作服务器端模型。但是，由于缺少的视觉信息，该模型在注意力特征上的注意力降低了。为了补偿，该方法引入了插件交互式块，以通过产生功能掩码来从客户端转移注意力。通过得出和覆盖感兴趣的面部区域（ROI），进一步完善了面具。在多个数据集上进行的广泛实验验证了所提出的方法在保护面部图像免受不希望的视觉检查，重建和识别的同时保持高任务可用性和性能的有效性。结果表明，所提出的方法实现了对未受保护的弧形的可比识别精度和计算成本，并优于最先进的隐私保护方法。源代码可在https://github.com/tencent/tcace/tree/master/recognition/tasks/duetface上获得。

短期负载预测（STLF）在电力交易市场的运营中起着重要作用。考虑到对数据隐私的日益关注，在最近的研究中，越来越多地采用了联合学习（FL）来培训公用事业公司（UCS）的STLF模型。令人鼓舞的是，在批发市场中，由于发电厂（PPS）直接访问UCS数据并不现实，因此FL绝对是可行的解决方案，可以为PPS获得准确的STLF模型。但是，由于FL的分布性质和UC之间的激烈竞争，缺陷越来越多，导致STLF模型的性能差，表明仅采用FL是不够的。在本文中，我们提出了一种DRL辅助方法，缺陷感知的联合软性参与者 - 批评者（DearFSAC），以稳健地训练PPS的准确的STLF模型，以预测精确的短期公用事业需求。首先。我们仅使用历史负载数据和时间数据设计了基于长期短期内存（LSTM）的STLF模型。此外，考虑到缺陷发生的不确定性，采用了深入的增强学习（DRL）算法来通过减轻缺陷引起的模型退化来协助FL。此外，为了更快的FL训练融合，自动编码器设计用于缩小尺寸和上载模型的质量评估。在模拟中，我们在2019年验证了赫尔辛基UCS的真实数据的方法。结果表明，无论是否发生缺陷，DearFSAC都比所有其他方法都胜过所有其他方法。

败血症是ICU死亡的主要原因。这是一种需要在短时间内进行复杂干预措施的疾病，但其最佳治疗策略仍然不确定。证据表明，当前使用的治疗策略的实践是有问题的，可能对患者造成伤害。为了解决这个决策问题，我们提出了一个基于历史数据的新医疗决策模型，以帮助临床医生建议实时治疗的最佳参考选项。我们的模型将离线强化学习与深入的强化学习结合在一起，以解决医疗保健中传统的强化学习无法与环境互动的问题，从而使我们的模型能够在连续的国家行动空间中做出决策。我们证明，平均而言，模型推荐的治疗方法比临床医生建议的治疗更有价值和可靠。在大型验证数据集中，我们发现临床医生实际剂量与AI的决定相匹配的患者的死亡率最低。我们的模型为败血症提供了个性化的，可解释的治疗决策，可以改善患者护理。

Self-training (ST) has prospered again in language understanding by augmenting the fine-tuning of pre-trained language models when labeled data is insufficient. However, it remains challenging to incorporate ST into attribute-controllable language generation. Augmented by only self-generated pseudo text, generation models over-emphasize exploitation of the previously learned space, suffering from a constrained generalization boundary. We revisit ST and propose a novel method, DuNST to alleviate this problem. DuNST jointly models text generation and classification with a shared Variational AutoEncoder and corrupts the generated pseudo text by two kinds of flexible noise to disturb the space. In this way, our model could construct and utilize both pseudo text from given labels and pseudo labels from available unlabeled text, which are gradually refined during the ST process. We theoretically demonstrate that DuNST can be regarded as enhancing exploration towards the potential real text space, providing a guarantee of improved performance. Experiments on three controllable generation tasks show that DuNST could significantly boost control accuracy while maintaining comparable generation fluency and diversity against several strong baselines.

Predicting the health risks of patients using Electronic Health Records (EHR) has attracted considerable attention in recent years, especially with the development of deep learning techniques. Health risk refers to the probability of the occurrence of a specific health outcome for a specific patient. The predicted risks can be used to support decision-making by healthcare professionals. EHRs are structured patient journey data. Each patient journey contains a chronological set of clinical events, and within each clinical event, there is a set of clinical/medical activities. Due to variations of patient conditions and treatment needs, EHR patient journey data has an inherently high degree of missingness that contains important information affecting relationships among variables, including time. Existing deep learning-based models generate imputed values for missing values when learning the relationships. However, imputed data in EHR patient journey data may distort the clinical meaning of the original EHR patient journey data, resulting in classification bias. This paper proposes a novel end-to-end approach to modeling EHR patient journey data with Integrated Convolutional and Recurrent Neural Networks. Our model can capture both long- and short-term temporal patterns within each patient journey and effectively handle the high degree of missingness in EHR data without any imputation data generation. Extensive experimental results using the proposed model on two real-world datasets demonstrate robust performance as well as superior prediction accuracy compared to existing state-of-the-art imputation-based prediction methods.

从深度学习的迅速发展中受益，许多基于CNN的图像超分辨率方法已经出现并取得了更好的结果。但是，大多数算法很难同时适应空间区域和通道特征，更不用说它们之间的信息交换了。此外，注意力模块之间的信息交换对于研究人员而言甚至不太明显。为了解决这些问题，我们提出了一个轻量级的空间通道自适应协调，对多级改进增强网络（MREN）。具体而言，我们构建了一个空间通道自适应协调块，该块使网络能够在不同的接受场下学习空间区域和渠道特征感兴趣的信息。此外，在空间部分和通道部分之间的相应特征处理级别的信息在跳跃连接的帮助下交换，以实现两者之间的协调。我们通过简单的线性组合操作在注意模块之间建立了通信桥梁，以便更准确，连续地指导网络注意感兴趣的信息。在几个标准测试集上进行的广泛实验表明，我们的MREN在具有很少数量的参数和非常低的计算复杂性的其他高级算法上实现了优越的性能。

带有嘈杂标签的训练深神经网络（DNN）实际上是具有挑战性的，因为不准确的标签严重降低了DNN的概括能力。以前的努力倾向于通过识别带有粗糙的小损失标准来减轻嘈杂标签的干扰的嘈杂数据来处理统一的denoising流中的零件或完整数据，而忽略了嘈杂样本的困难是不同的，因此是刚性和统一的。数据选择管道无法很好地解决此问题。在本文中，我们首先提出了一种称为CREMA的粗到精细的稳健学习方法，以分裂和串扰的方式处理嘈杂的数据。在粗糙水平中，干净和嘈杂的集合首先从统计意义上就可信度分开。由于实际上不可能正确对所有嘈杂样本进行分类，因此我们通过对每个样本的可信度进行建模来进一步处理它们。具体而言，对于清洁集，我们故意设计了一种基于内存的调制方案，以动态调整每个样本在训练过程中的历史可信度顺序方面的贡献，从而减轻了错误地分组为清洁集中的嘈杂样本的效果。同时，对于分类为嘈杂集的样品，提出了选择性标签更新策略，以纠正嘈杂的标签，同时减轻校正错误的问题。广泛的实验是基于不同方式的基准，包括图像分类（CIFAR，Clothing1M等）和文本识别（IMDB），具有合成或自然语义噪声，表明CREMA的优势和普遍性。

收集和注释面向任务的对话框数据很困难，尤其是对于需要专家知识的高度特定领域。同时，非正式的沟通渠道（例如即时使者）在工作中越来越多地使用。这导致了许多与工作相关的信息，这些信息通过这些渠道传播，需要由员工进行后处理。为了减轻这个问题，我们提出了TexPrax，这是一种消息传递系统，以收集和注释与工作有关的聊天中发生的问题，原因和解决方案。 TexPrax使用聊天机器人直接吸引员工，以提供对话的轻量级注释并简化文档工作。为了遵守数据隐私和安全法规，我们使用端到端消息加密，并使用户完全控制其数据，该数据比常规注释工具具有各种优势。我们与德国工厂员工一起在用户研究中评估TexPrax，他们要求同事提供有关日常工作中出现的问题的解决方案。总体而言，我们收集201个面向任务的德语对话，其中包含1,027个句子，并带有句子级专家注释。我们的数据分析还表明，现实世界对话经常包含具有代码转换，对同一实体的缩写的实例，以及NLP系统应该能够处理的方言。

由于患者状况和治疗需求的变化，电子健康记录（EHR）表现出大量缺失数据。缺失价值的插补被认为是应对这一挑战的有效方法。现有的工作将插补方法和预测模型分为基于EHR的机器学习系统的两个独立部分。我们通过利用复合密度网络（CDNET）提出了一种集成的端对端方法，该方法允许插入方法和预测模型在单个框架中调整在一起。 CDNET由一个封闭式复发单元（GRU），混合物密度网络（MDN）和正则注意网络（RAN）组成。 GRU用作对EHR数据进行建模的潜在变量模型。 MDN旨在采样GRU生成的潜在变量。该运行是适用于较不可靠的估算值的正规器。 CDNET的结构使GRU和MDN迭代地利用彼此的输出来估算缺失值，从而导致更准确，更健壮的预测。我们验证cdnet关于模拟III数据集的死亡率预测任务。我们的模型以大幅度的利润率优于最先进的模型。我们还从经验上表明，正规化值是出色预测性能的关键因素。对预测不确定性的分析表明，我们的模型可以同时捕获核心和认知不确定性，从而使模型用户更好地了解模型结果。

最近的研究利用稀疏的分类来预测高维大脑活动信号的分类变量，以暴露人类的意图和精神状态，从而自动选择模型训练过程中的相关特征。但是，现有的稀疏分类模型可能会容易出现由大脑记录固有的噪声引起的性能降解。为了解决这个问题，我们旨在在本研究中提出一种新的健壮和稀疏分类算法。为此，我们将CorrentRopy学习框架引入基于自动相关性的稀疏分类模型，并提出了一种新的基于Correntropy的鲁棒稀疏逻辑回归算法。为了证明所提出算法的上等大脑活性解码性能，我们在合成数据集，脑电图（EEG）数据集和功能磁共振成像（FMRI）数据集上对其进行了评估。广泛的实验结果证实，不仅提出的方法可以在嘈杂和高维分类任务中实现更高的分类精度，而且还将为解码方案选择那些更有信息的功能。将Correntropy学习方法与自动相关性测定技术相结合，将显着提高噪声的鲁棒性，从而导致更足够的稳健稀疏脑解码算法。它在现实世界中的大脑活动解码和脑部计算机界面中提供了一种更强大的方法。