利益病理区域的自动分割艾滋病医学图像诊断和随访。但是，准确的病理分割需要高质量的注释数据，这可能是成本和时间的要生成。在这项工作中，我们提出了一种自动化的两步方法，通过使用U-Net ++模型评估来自3D图像堆栈的医学图像的质量来检测训练分段模型所需的最小图像子集。然后可以将这些代表缺乏质量培训的图像被注释并用于完全培训基于U-Net的分段模型。所提出的qu-net ++模型基于从最终两个输出层产生的分割中的分类中缺乏质量培训。所提出的模型分离在每3D堆叠的10％左右的图像中，并且可以跨成像模态扩展到OCT图像中的囊囊肿和肺CT图像中的碎片玻璃不透明度，其中骰子得分在0.56-0.72的范围内。因此，可以应用所提出的方法用于成本有效的多模态病理分割任务。

We present the interpretable meta neural ordinary differential equation (iMODE) method to rapidly learn generalizable (i.e., not parameter-specific) dynamics from trajectories of multiple dynamical systems that vary in their physical parameters. The iMODE method learns meta-knowledge, the functional variations of the force field of dynamical system instances without knowing the physical parameters, by adopting a bi-level optimization framework: an outer level capturing the common force field form among studied dynamical system instances and an inner level adapting to individual system instances. A priori physical knowledge can be conveniently embedded in the neural network architecture as inductive bias, such as conservative force field and Euclidean symmetry. With the learned meta-knowledge, iMODE can model an unseen system within seconds, and inversely reveal knowledge on the physical parameters of a system, or as a Neural Gauge to "measure" the physical parameters of an unseen system with observed trajectories. We test the validity of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion systems.

Metric Elicitation (ME) is a framework for eliciting classification metrics that better align with implicit user preferences based on the task and context. The existing ME strategy so far is based on the assumption that users can most easily provide preference feedback over classifier statistics such as confusion matrices. This work examines ME, by providing a first ever implementation of the ME strategy. Specifically, we create a web-based ME interface and conduct a user study that elicits users' preferred metrics in a binary classification setting. We discuss the study findings and present guidelines for future research in this direction.

我们提出了一个新颖的框架，按需运动产生（ODMO），用于生成现实和多样化的长期3D人体运动序列，该序列仅以具有额外的自定义能力的动作类型为条件。 ODMO在三个公共数据集（HumanAct12，UESTC和MOCAP）上进行评估时，对所有传统运动评估指标的SOTA方法显示了改进。此外，我们提供定性评估和定量指标，这些指标证明了我们框架提供的几种首要的自定义功能，包括模式发现，插值和轨迹自定义。这些功能大大扩大了此类运动产生模型的潜在应用的范围。编码器和解码器体系结构中的创新启用了新颖的按需生成能力：（i）编码器：在低维的潜在空间中利用对比度学习来创建运动序列的层次结构嵌入，不仅是不同动作的代码，类型形成不同的组，但在动作类型中，类似的固有模式（运动样式）聚集在一起的代码，使它们容易发现； （ii）解码器：使用层次解码策略，该策略首先重建运动轨迹，然后用于重建整个运动序列。这样的架构可以有效地控制轨迹控制。我们的代码发布在GitHub页面：https：//github.com/roychowdhuryresearch/odmo

变异贝叶斯（VB）推理算法被广泛用于估计生成统计模型中的参数和未观察到的隐藏变量。该算法是受计算物理学中使用的变异方法的启发的 - 即使使用经典技术（例如确定性退火（DA）），也可以轻松地卡在本地最小值中。我们研究了基于非传统量子退火方法的变异贝叶斯（VB）推理算法 - 称为量子退火变异贝叶斯（QAVB）推断 - 并表明QAVB比其经典对应物具有量子优势。特别是，我们表明这种更好的性能源于量子力学的关键概念：（i）量子系统的哈密顿量的基态 - 定义从给定的变分贝叶斯（VB）问题定义 - 对应于最佳解决方案对于在非常低的温度下的变异自由能的最小化问题； （ii）通过与量子退火过程平行的技术可以实现这种基态； （iii）从这种基态开始，可以通过将热浴温度提高到统一性来实现VB问题的最佳解决方案，从而避免在基于古典物理学的VB算法中观察到的自发对称性破坏引入的局部最小值。我们还显示，可以使用$ \ lceil \ log k \ rceil $ Qubits和$ \ Mathcal {O}（k）$操作每个步骤来实现QAVB的更新方程。因此，QAVB可以匹配现有VB算法的时间复杂性，同时提供更高的性能。

已广泛研究了确定量子状态（例如保真度度量）相似性的有效度量。在本文中，我们解决了可以定义可以\ textit {有效估计}的量子操作的相似性度量的问题。给定了两个量子操作，$ u_1 $和$ u_2 $，以其电路表格表示，我们首先开发一个量子采样电路，以估算其差异的归一化schatten 2-norm（$ \ | | | | | | U_1-U_2 \ | _ {s_2} $）使用精确$ \ epsilon $，仅使用一个干净的量子和一个经典的随机变量。我们证明了一个poly $（\ frac {1} {\ epsilon}）$ umper bound在样品复杂性上，该界限与量子系统的大小无关。然后，我们证明这种相似性度量与使用量子状态的常规保真度度量（$ f $）直接相关。 u_1-u_2 \ | _ {s_2} $足够小（例如$ \ leq \ frac {\ epsilon} {1+ \ sqrt {2（1/\ delta -1）} $）处理相同的随机和均匀选择的纯状态，$ | \ psi \ rangle $，如有需要（$ f（{{u} _1 | \ psi \ rangle，{u} _2 | \ psi \ wangle）\ geq 1 - \ epsilon $），概率超过$ 1- \ delta $。我们为量子电路学习任务提供了这种有效的相似性度量估计框架的示例应用，例如找到给定统一操作的平方根。

由于事后解释方法越来越多地被利用以在高风险环境中解释复杂的模型，因此确保在包括少数群体在内的各个种群亚组中，所得解释的质量始终高。例如，与与其他性别相关的实例（例如，女性）相关的实例（例如，女性）的说明不应该是与其他性别相关的解释。但是，几乎没有研究能够评估通过最先进的解释方法在输出的解释质量上是否存在这种基于群体的差异。在这项工作中，我们通过启动确定基于群体的解释质量差异的研究来解决上述差距。为此，我们首先概述了构成解释质量以及差异尤其有问题的关键属性。然后，我们利用这些属性提出了一个新的评估框架，该框架可以通过最新方法定量测量解释质量的差异。使用此框架，我们进行了严格的经验分析，以了解是否出现了解释质量的基于小组的差异。我们的结果表明，当所解释的模型复杂且高度非线性时，这种差异更可能发生。此外，我们还观察到某些事后解释方法（例如，综合梯度，外形）更有可能表现出上述差异。据我们所知，这项工作是第一个强调和研究解释质量差异的问题。通过这样做，我们的工作阐明了以前未开发的方式，其中解释方法可能在现实世界决策中引入不公平。

我们呈现FURTIT，这是一种简单的3D形状分割网络的高效学习方法。FURTIT基于自我监督的任务，可以将3D形状的表面分解成几何基元。可以很容易地应用于用于3D形状分割的现有网络架构，并提高了几张拍摄设置中的性能，因为我们在广泛使用的ShapEnet和Partnet基准中展示。FISHIT在这种环境中优于现有的现有技术，表明对基元的分解是在学习对语义部分预测的陈述之前的有用。我们提出了许多实验，改变了几何基元和下游任务的选择，以证明该方法的有效性。

质量控制和质量保证是直接金属激光熔化（DMLM）的挑战。在发生过度成本的情况下，在发生缺陷的部件后，间歇机器诊断和下游部分检查捕获问题。在本文中，我们展示了两种用于过程故障检测的方法和部分质量预测，可以在具有最小硬件修改的现有商业DMLM系统上易于部署。新颖的特征是从公共光电二极管传感器的时间序列和标准机器控制信号导出的。贝叶斯方法将测量值属于多个过程状态之一，最小二乘回归模型预测某些材料缺陷的严重程度。

自动机（自动化机器学习）已在过去几年中广泛开发，以便以模型为中心的方法。对于以数据为中心的方法，改进数据集的进程，例如修复不正确的标签，添加表示边缘案例的示例以及应用数据增强的示例仍然是非常简单的和昂贵的。在这里，我们开发了一个自动数据为中心的工具（Autodc），类似于Automl的目的，旨在加快数据集改进过程。在我们对3个开源图像分类数据集的初步测试中，Autodc估计为减少数据改进任务的手动时间的大约80％，同时通过固定的ML代码提高模型精度10-15％。