在最新的联合学习研究（FL）的研究中，广泛采用了客户选择方案来处理沟通效率的问题。但是，从随机选择的非代表性子集汇总的模型更新的较大差异直接减慢了FL收敛性。我们提出了一种新型的基于聚类的客户选择方案，以通过降低方差加速FL收敛。简单而有效的方案旨在改善聚类效果并控制效果波动，因此，以采样的一定代表性生成客户子集。从理论上讲，我们证明了降低方差方案的改进。由于差异的差异，我们还提供了提出方法的更严格的收敛保证。实验结果证实了与替代方案相比，我们计划的效率超出了效率。

学习灵巧的操纵技巧是计算机图形和机器人技术的长期挑战，尤其是当任务涉及手，工具和物体之间的复杂而微妙的互动时。在本文中，我们专注于基于筷子的对象搬迁任务，这些任务很常见却又要求。成功的筷子技巧的关键是稳定地抓住棍棒，这也支持精致的演习。我们会自动发现贝叶斯优化（BO）和深钢筋学习（DRL）的身体有效的筷子姿势，它适用于多种握把的样式和手工形态，而无需示例数据。作为输入，我们要移动发现的抓紧姿势和所需的对象，我们构建了基于物理的手部控制器，以在两个阶段完成重定位任务。首先，运动轨迹是为筷子合成的，并处于运动计划阶段。我们运动策划者的关键组件包括一个握把模型，以选择用于抓住对象的合适筷子配置，以及一个轨迹优化模块，以生成无碰撞的筷子轨迹。然后，我们再次通过DRL训练基于物理的手部控制器，以跟踪运动计划者产生的所需运动轨迹。我们通过重新定位各种形状和尺寸的对象，以多种诱人的样式和多种手工形态的位置来展示框架的功能。与试图学习基于筷子的技能的香草系统相比，我们的系统实现了更快的学习速度和更好的控制鲁棒性，而无需抓紧姿势优化模块和/或没有运动学运动计划者。

张张量强大的主成分分析（TRPCA）旨在恢复因稀疏噪声破坏的低排名张量，在许多真实应用中引起了很多关注。本文开发了一种新的全球加权TRPCA方法（GWTRPCA），该方法是第一种同时考虑额外域内切片和额叶间切片奇异值的重要性。利用这些全球信息，GWTRPCA惩罚了较大的单数值，并为其分配了较小的权重。因此，我们的方法可以更准确地恢复低管级组件。此外，我们提出了通过改良的考奇估计量（MCE）的有效自适应学习策略，因为重量设置在GWTRPCA的成功中起着至关重要的作用。为了实现GWTRPCA方法，我们使用乘数的交替方向方法（ADMM）方法设计了一种优化算法。对现实世界数据集的实验验证了我们提出的方法的有效性。

我们提出了一种新方法，以从多个人的一组稀疏的多视图图像中学习通用的动画神经人类表示。学到的表示形式可用于合成一组稀疏相机的任意人的新型视图图像，并通过用户的姿势控制进一步对它们进行动画。尽管现有方法可以推广到新人，也可以通过用户控制合成动画，但它们都不能同时实现。我们将这一成就归因于用于共享多人人类模型的3D代理，并将不同姿势的空间的扭曲延伸到共享的规范姿势空间，在该空间中，我们在其中学习神经领域并预测个人和人物 - 姿势依赖性变形以及从输入图像中提取的特征的外观。为了应对身体形状，姿势和衣服变形的较大变化的复杂性，我们以分离的几何形状和外观设计神经人类模型。此外，我们在空间点和3D代理的表面点上都利用图像特征来预测人和姿势依赖性特性。实验表明，我们的方法在这两个任务上的最先进都大大优于最先进的方法。该视频和代码可在https://talegqz.github.io/neural_novel_actor上获得。

在基于检索的聊天机器人中，对候选人检索的语义搜索是一个重要但被忽视的问题，该聊天机器人的目的是从大型池中有效地选择一堆候选反应。现有的瓶颈是确保模型体系结构具有两个点：1）查询和响应之间的丰富交互作用，以产生与查询相关的响应； 2）将查询和响应分别投影到潜在空间中的能力，可以在线推断期间有效地应用语义搜索。为了解决这个问题，我们提出了一种新颖的方法，称为候选检索，称为基于多任务的语义搜索神经网络（MSSNN），该方法通过多任务完成了查询 - 响应相互作用。该方法采用SEQ2SEQ建模任务来学习一个良好的查询编码器，然后执行单词预测任务以构建响应嵌入，最后执行一个简单的匹配模型来形成点产品得分手。实验研究表明了所提出的方法的潜力。

对具有无限宽度的神经网络的研究对于更好地理解实际应用中的神经网络很重要。在这项工作中，我们得出了深，无限宽度的Maxout网络和高斯过程（GP）的等效性，并用组成结构表征Maxout内核。此外，我们建立了深厚的Maxout网络内核与深神经网络内核之间的联系。我们还提供了有效的数值实现，可以适应任何麦克斯特等级。数值结果表明，与有限宽度的对应物和深神经网络内核相比，基于深层Maxout网络内核进行贝叶斯推论可能会导致竞争成果。这使我们启发了麦克斯的激活也可以纳入其他无限宽度神经网络结构，例如卷积神经网络（CNN）。

随着宽度的增长，随着宽度的增长，随机初始化的宽神经网络过渡到重量的线性函数，在初始化周围的半径$ o（1）$中。该结果的必要条件是，网络的所有层都足够宽，即所有宽度都倾向于无穷大。然而，当违反这种无限宽度假设时，向线性的过渡会分解。在这项工作中，我们表明具有瓶颈层的线性网络学习重量的双线性功能，在初始化周围的半径$ O（1）$中。通常，对于$ b-1 $的瓶颈层，该网络是$ b $ bug tegriinear fungiers flows flowss a。重要的是，该度仅取决于瓶颈的数量，而不取决于网络的总深度。

Dataset distillation has emerged as a prominent technique to improve data efficiency when training machine learning models. It encapsulates the knowledge from a large dataset into a smaller synthetic dataset. A model trained on this smaller distilled dataset can attain comparable performance to a model trained on the original training dataset. However, the existing dataset distillation techniques mainly aim at achieving the best trade-off between resource usage efficiency and model utility. The security risks stemming from them have not been explored. This study performs the first backdoor attack against the models trained on the data distilled by dataset distillation models in the image domain. Concretely, we inject triggers into the synthetic data during the distillation procedure rather than during the model training stage, where all previous attacks are performed. We propose two types of backdoor attacks, namely NAIVEATTACK and DOORPING. NAIVEATTACK simply adds triggers to the raw data at the initial distillation phase, while DOORPING iteratively updates the triggers during the entire distillation procedure. We conduct extensive evaluations on multiple datasets, architectures, and dataset distillation techniques. Empirical evaluation shows that NAIVEATTACK achieves decent attack success rate (ASR) scores in some cases, while DOORPING reaches higher ASR scores (close to 1.0) in all cases. Furthermore, we conduct a comprehensive ablation study to analyze the factors that may affect the attack performance. Finally, we evaluate multiple defense mechanisms against our backdoor attacks and show that our attacks can practically circumvent these defense mechanisms.

Blind image quality assessment (BIQA) remains challenging due to the diversity of distortion and image content variation, which complicate the distortion patterns crossing different scales and aggravate the difficulty of the regression problem for BIQA. However, existing BIQA methods often fail to consider multi-scale distortion patterns and image content, and little research has been done on learning strategies to make the regression model produce better performance. In this paper, we propose a simple yet effective Progressive Multi-Task Image Quality Assessment (PMT-IQA) model, which contains a multi-scale feature extraction module (MS) and a progressive multi-task learning module (PMT), to help the model learn complex distortion patterns and better optimize the regression issue to align with the law of human learning process from easy to hard. To verify the effectiveness of the proposed PMT-IQA model, we conduct experiments on four widely used public datasets, and the experimental results indicate that the performance of PMT-IQA is superior to the comparison approaches, and both MS and PMT modules improve the model's performance.

The development of social media user stance detection and bot detection methods rely heavily on large-scale and high-quality benchmarks. However, in addition to low annotation quality, existing benchmarks generally have incomplete user relationships, suppressing graph-based account detection research. To address these issues, we propose a Multi-Relational Graph-Based Twitter Account Detection Benchmark (MGTAB), the first standardized graph-based benchmark for account detection. To our knowledge, MGTAB was built based on the largest original data in the field, with over 1.55 million users and 130 million tweets. MGTAB contains 10,199 expert-annotated users and 7 types of relationships, ensuring high-quality annotation and diversified relations. In MGTAB, we extracted the 20 user property features with the greatest information gain and user tweet features as the user features. In addition, we performed a thorough evaluation of MGTAB and other public datasets. Our experiments found that graph-based approaches are generally more effective than feature-based approaches and perform better when introducing multiple relations. By analyzing experiment results, we identify effective approaches for account detection and provide potential future research directions in this field. Our benchmark and standardized evaluation procedures are freely available at: https://github.com/GraphDetec/MGTAB.