The decarbonization of buildings presents new challenges for the reliability of the electrical grid as a result of the intermittency of renewable energy sources and increase in grid load brought about by end-use electrification. To restore reliability, grid-interactive efficient buildings can provide flexibility services to the grid through demand response. Residential demand response programs are hindered by the need for manual intervention by customers. To maximize the energy flexibility potential of residential buildings, an advanced control architecture is needed. Reinforcement learning is well-suited for the control of flexible resources as it is able to adapt to unique building characteristics compared to expert systems. Yet, factors hindering the adoption of RL in real-world applications include its large data requirements for training, control security and generalizability. Here we address these challenges by proposing the MERLIN framework and using a digital twin of a real-world 17-building grid-interactive residential community in CityLearn. We show that 1) independent RL-controllers for batteries improve building and district level KPIs compared to a reference RBC by tailoring their policies to individual buildings, 2) despite unique occupant behaviours, transferring the RL policy of any one of the buildings to other buildings provides comparable performance while reducing the cost of training, 3) training RL-controllers on limited temporal data that does not capture full seasonality in occupant behaviour has little effect on performance. Although, the zero-net-energy (ZNE) condition of the buildings could be maintained or worsened as a result of controlled batteries, KPIs that are typically improved by ZNE condition (electricity price and carbon emissions) are further improved when the batteries are managed by an advanced controller.

本文的重点是具有复杂损失的功能输出回归（用于）。尽管大多数现有的工作都考虑了正方形损失设置，但我们利用了Huber的扩展以及$ \ Epsilon $不敏感的损失（由虚拟卷积引起的），并提出了一个灵活的框架，能够处理家庭中各种形式的异常值和稀疏。我们得出了依靠二元性来解决矢量价值复制内核希尔伯特空间中所得任务的计算算法。该方法的效率与合成基准和现实基准的经典平方损耗设置相反。

背景：获得医疗服务在很大程度上取决于资源分配，例如医疗设施的地理分布。然而，这些数据通常仅限于国家官方文件，不可公开提供。尽管某些医疗设施的数据可以作为网络上的语义资源访问，但它的建模并不一致，并且尚未集成到完整，开放和专业的存储库中。这项工作着重于生成全球医疗设施的全面语义数据集，其中包含有关此类设施地理位置的广泛信息。结果：为此，我们收集，对齐并链接了可能存在医疗设施信息的各种开源数据库。这项工作使我们能够沿着各个方面评估每个数据源，例如完整性，正确性和与其他来源相互联系，当前知识表示技术的所有关键方面。结论：我们的贡献直接受益于生物医学和健康领域（患者，医疗保健专业人员，公司，监管机构和研究人员）的利益相关者，他们现在将更好地概述获得医疗设施的访问和分配。

人类可以通过最小的相互干扰连续学习几项任务，但一次接受多个任务进行培训时的表现较差。标准深神经网络相反。在这里，我们提出了针对人工神经网络的新型计算限制，灵感来自灵长类动物前额叶皮层的较​​早作品，以捕获交织训练的成本，并允许网络在不忘记的情况下按顺序学习两个任务。我们通过两个算法主题，所谓的“呆滞”任务单元和HEBBIAN训练步骤增强了标准随机梯度下降，该步骤加强了任务单元和编码与任务相关信息的隐藏单元之间的连接。我们发现，“缓慢”的单元在培训期间引入了转换成本，该单元在交错训练下偏向表示的表示，而忽略了上下文提示的联合表示，而Hebbian步骤则促进了从任务单元到隐藏层的门控方案的形成这会产生正交表示，完全防止干扰。在先前发布的人类行为数据上验证该模型表明，它与接受过封锁或交错课程训练的参与者的表现相匹配，并且这些绩效差异是由真实类别边界的误解驱动的。

农场动物成像的各种应用基于某些身体部位的重量和从动物的CT图像切割的估计。在许多情况下，由于扫描非镇静的活动物，通过CT图像中的姿势的巨大变化来增加问题的复杂性。在本文中，我们提出了一种估计来自（可能）活体动物的CT图像的切割和身体部位的重量的一般和鲁棒方法。我们通过弹性登记和联合功能和用于斗篷的回归分量的模型选择，适应基于多标准的分段以及具有大量特征和较少量的样本。通过兔育种程序中的真实应用来评估和说明所提出的技术，显示R ^ 2比以前的技术和方法高于以前的技术和方法。所提出的技术很容易适应类似的问题，因此，它在开源软件包中共享，以便为社区的利益。

我用Hunglish2语料库训练神经电脑翻译任务的模型。这项工作的主要贡献在培训NMT模型期间评估不同的数据增强方法。我提出了5种不同的增强方法，这些方法是结构感知的，这意味着而不是随机选择用于消隐或替换的单词，句子的依赖树用作增强的基础。我首先关于神经网络的详细文献综述，顺序建模，神经机翻译，依赖解析和数据增强。经过详细的探索性数据分析和Hunglish2语料库的预处理之后，我使用所提出的数据增强技术进行实验。匈牙利语的最佳型号达到了33.9的BLEU得分，而英国匈牙利最好的模型达到了28.6的BLEU得分。

形状约束，例如非负，单调性，凸度或超模型性，在机器学习和统计的各种应用中都起着关键作用。但是，将此方面的信息以艰苦的方式（例如，在间隔的所有点）纳入预测模型，这是一个众所周知的具有挑战性的问题。我们提出了一个统一和模块化的凸优化框架，依赖于二阶锥（SOC）拧紧，以编码属于矢量值重现的载体内核Hilbert Spaces（VRKHSS）的模型对函数衍生物的硬仿射SDP约束。所提出的方法的模块化性质允许同时处理多个形状约束，并将无限数量的约束限制为有限的许多。我们证明了所提出的方案的收敛及其自适应变体的收敛性，利用VRKHSS的几何特性。由于基于覆盖的拧紧构造，该方法特别适合具有小到中等输入维度的任务。该方法的效率在形状优化，机器人技术和计量经济学的背景下进行了说明。