我们提出了一种通用公式，用于具有临床生存数据的设置中连续治疗建议问题，我们称之为深层生存剂量反应函数（DEEPSDRF）。也就是说，我们认为学习条件平均剂量反应（CADR）的问题仅来自历史数据，在历史数据中，观察到的因素（混杂因素）都会影响观察到的治疗和事件时间结果。DEEPSDRF的估计治疗效果使我们能够开发出针对选择偏差的校正的推荐算法。我们比较了基于随机搜索和强化学习的两种推荐方法，并在患者结局方面发现了相似的表现。我们在广泛的仿真研究和EICU研究所（ERI）数据库中测试了DeepSDRF和相应的推荐剂。据我们所知，这是首次使用因果模型来解决医疗环境中观察数据的连续治疗效果。

深度神经网络越来越多地用于计算机辅助诊断，但对于患者来说，错误的诊断可能是非常昂贵的。我们提出了一种学习推迟不确定性（LDU）算法，该算法识别诊断不确定度的患者，并持续到人类专家评估。 LDU评估了对心肌梗死的诊断（使用放电摘要），诊断任何合并症（使用结构化数据），以及胸腔积液和气胸（使用胸部X射线）的诊断，并与学习推迟而没有不确定性信息'（LD）和“通过不确定性”（DT）方法的直接分类。 LDU达到与LD相同的F1得分，但延迟了较少的患者（例如，36％对69％的延长率，用于诊断胸腔积液的F1分数为0.96）。此外，即使在许多患者被分配错误的诊断时，高信心（例如，对于任何可用性的诊断），LDU达到F1得分增加17％，而DT不适用。重要的是，可以容易地调整LDU中推迟损耗的重量，以获得诊断精度和延迟率之间的所需权衡。总之，LDU可以容易地增加任何现有的诊断网络，以降低临床实践中错误诊断的风险。

Event cameras are novel bio-inspired sensors that offer advantages over traditional cameras (low latency, high dynamic range, low power, etc.). Optical flow estimation methods that work on packets of events trade off speed for accuracy, while event-by-event (incremental) methods have strong assumptions and have not been tested on common benchmarks that quantify progress in the field. Towards applications on resource-constrained devices, it is important to develop optical flow algorithms that are fast, light-weight and accurate. This work leverages insights from neuroscience, and proposes a novel optical flow estimation scheme based on triplet matching. The experiments on publicly available benchmarks demonstrate its capability to handle complex scenes with comparable results as prior packet-based algorithms. In addition, the proposed method achieves the fastest execution time (> 10 kHz) on standard CPUs as it requires only three events in estimation. We hope that our research opens the door to real-time, incremental motion estimation methods and applications in real-world scenarios.

Event cameras are emerging vision sensors and their advantages are suitable for various applications such as autonomous robots. Contrast maximization (CMax), which provides state-of-the-art accuracy on motion estimation using events, may suffer from an overfitting problem called event collapse. Prior works are computationally expensive or cannot alleviate the overfitting, which undermines the benefits of the CMax framework. We propose a novel, computationally efficient regularizer based on geometric principles to mitigate event collapse. The experiments show that the proposed regularizer achieves state-of-the-art accuracy results, while its reduced computational complexity makes it two to four times faster than previous approaches. To the best of our knowledge, our regularizer is the only effective solution for event collapse without trading off runtime. We hope our work opens the door for future applications that unlocks the advantages of event cameras.

这项工作提出了美学梯度，这是一种通过指导用户从一组图像定义的自定义美学的生成过程来个性化剪辑条件扩散模型的方法。使用最新的稳定扩散模型和几个美学过滤数据集，通过定性和定量实验对该方法进行验证。代码在https://github.com/vicgalle/stable-diffusion-aesthethetic-Gradients上发布

最近在自动手语理解中的具有挑战性的任务（例如手语识别，翻译和生产）方面取得了重大进展。但是，这些作品集中在相对较少的样本，简短录音以及有限的词汇和签名空间的数据集上。在这项工作中，我们介绍了手语主题检测的新颖任务。我们基于跨越多个语义域的大规模视频数据集的2sign的实验。我们为主题检测的任务提供了强大的基础，并在手语领域常用的不同视觉特征之间进行了比较。

患者特异性的心脏计算模型对于使用数字双胞胎的精密医学和silico临床试验的有效实现至关重要。心脏数字双胞胎可以为个别患者提供心脏功能的非侵入性特征，因此对于患者特定的诊断和治疗分层有希望。然而，目前的解剖学和功能性孪生阶段的工作流，指的是模型解剖结构和临床数据的参数的推断，并不足够有效，稳健且准确。在这项工作中，我们提出了一个基于深度学习的特定于患者的计算模型，该模型可以融合解剖学和电生理信息，以推理心室激活特性，即传导速度和根节点。激活特性可以提供对心脏电生理功能的定量评估，以指导介入。我们采用Eikonal模型来生成具有地面真实特性的模拟心电图（ECG），以训练推理模型，在此还考虑了特定的患者信息。为了进行评估，我们在模拟数据上测试模型，并以快速的计算时间获得通常有希望的结果。

核密度估计（KDE）是使用最广泛的非参数密度估计方法之一。它是一种基于内存的方法，即它将整个培训数据集用于预测，这使其不适合大多数当前的大数据应用程序。已经提出了几种策略，例如基于树或基于哈希的估计器，以提高内核密度估计方法的效率。新型密度内核密度估计方法（DMKDE）使用密度矩阵，量子机械形式主义和随机傅立叶特征（显式内核近似）来产生密度估计。该方法的根源在KDE中，可以被视为近似方法，而无需基于内存的限制。在本文中，我们系统地评估了新型DMKDE算法，并将其与其他最新的快速程序进行比较，以近似于不同合成数据集的内核密度估计方法。我们的实验结果表明，在高维数据上执行时，显示了DMKDE与其竞争对手的计算密度估计和优势相提并论。我们将所有代码作为开源软件存储库提供。

密度估计是统计和机器学习应用中的基本任务。内核密度估计是低维度非参数密度估计的强大工具；但是，其性能在更高的维度上很差。此外，其预测复杂性量表与更多的培训数据点线性线性。本文提出了一种神经密度估计的方法，可以看作是一种核密度估计的一种，但没有高预测计算复杂性。该方法基于密度矩阵，一种用于量子力学的形式主义和自适应傅立叶特征。可以在没有优化的情况下对该方法进行培训，但也可以与深度学习体系结构集成并使用梯度下降进行训练。因此，它可以看作是神经密度估计方法的一种形式。该方法在不同的合成和实际数据集中进行了评估，其性能与最新的神经密度估计方法进行了比较，从而获得了竞争结果。

通常考虑使用原型生成（PG）方法来提高$ k $ neart nearbor（$ k $ nn）分类器的效率。与初始集合相比，这种方法旨在生成降低的语料库版本，而不会降低分类性能。尽管它们在多类方案中进行了庞大的应用，但很少有作品解决了多标签空间的PG方法的建议。在这方面，这项工作介绍了四种多类PG策略对多标签案例的新颖调整。这些建议通过三个基于$ k $ nn的分类器进行评估，其中12个Corpora包括各种域和语料库大小，以及数据中人为诱导的不同噪声场景。获得的结果表明，所提出的适应能够显着改善（在效率和分类性能方面），唯一的参考文献多标记PG在文献中以及没有应用PG方法的情况，也呈现A在嘈杂的场景中，统计上较高的鲁棒性。此外，这些新颖的PG策略允许通过其配置来优先考虑效率或功效标准，具体取决于目标情况，因此涵盖了以前未被其他作品所填写的解决方案空间中的广泛区域。