自动化车辆功能最佳接受和舒适性的关键因素是驾驶方式。自动化和驱动程序偏爱的驾驶方式之间的不匹配可以使用户更频繁地接管甚至禁用自动化功能。这项工作建议用多模式信号识别用户驾驶样式偏好，因此该车辆可以以连续自动的方式匹配用户偏好。我们对36名参与者进行了驾驶模拟器研究，并收集了广泛的多模式数据，包括行为，生理和情境数据。这包括眼目光，转向抓地力，驾驶演习，制动和节气门踏板输入以及距踏板的脚距离，瞳孔直径，电流皮肤反应，心率和情境驱动驱动环境。然后，我们建立了机器学习模型来识别首选的驾驶方式，并确认所有模式对于识别用户偏好都很重要。这项工作为自动车辆的隐性自适应驾驶风格铺平了道路。

Autonomous mobile agents such as unmanned aerial vehicles (UAVs) and mobile robots have shown huge potential for improving human productivity. These mobile agents require low power/energy consumption to have a long lifespan since they are usually powered by batteries. These agents also need to adapt to changing/dynamic environments, especially when deployed in far or dangerous locations, thus requiring efficient online learning capabilities. These requirements can be fulfilled by employing Spiking Neural Networks (SNNs) since SNNs offer low power/energy consumption due to sparse computations and efficient online learning due to bio-inspired learning mechanisms. However, a methodology is still required to employ appropriate SNN models on autonomous mobile agents. Towards this, we propose a Mantis methodology to systematically employ SNNs on autonomous mobile agents to enable energy-efficient processing and adaptive capabilities in dynamic environments. The key ideas of our Mantis include the optimization of SNN operations, the employment of a bio-plausible online learning mechanism, and the SNN model selection. The experimental results demonstrate that our methodology maintains high accuracy with a significantly smaller memory footprint and energy consumption (i.e., 3.32x memory reduction and 2.9x energy saving for an SNN model with 8-bit weights) compared to the baseline network with 32-bit weights. In this manner, our Mantis enables the employment of SNNs for resource- and energy-constrained mobile agents.

较大的尖峰神经网络（SNN）模型通常是有利的，因为它们可以提供更高的精度。但是，在资源和能源约束的嵌入式平台上采用此类模型效率低下。为此，我们提出了一个Tinysnn框架，该框架优化了在训练和推理阶段中SNN处理的记忆和能量需求，同时保持准确性很高。它是通过减少SNN操作，提高学习质量，量化SNN参数并选择适当的SNN模型来实现的。此外，我们的Tinysnn量化了不同的SNN参数（即权重和神经元参数），以最大程度地提高压缩，同时探索量化方案，精度级别和舍入方案的不同组合，以找到提供可接受准确性的模型。实验结果表明，与基线网络相比，我们的Tinysnn显着降低了不准确损失的SNN的记忆足迹和能量消耗。因此，我们的Tinysnn有效地压缩给定的SNN模型，以记忆和节能的方式获得高精度，从而使SNN能够用于资源和能源受限的嵌入式应用程序。

Wien \ \'inst，Bannach和li \'Skiewicz（AAAI 2021）最近给出了一种用于计算马尔可夫等效类中定向无环形数量数量的多项式精确算法。在本文中，我们考虑了更一般的问题当某些边缘的方向也固定时，计算马尔可夫等效类中有向无环的数量的数量（例如，在部分可用的介入数据时会出现此设置）。从理论上讲，复杂性。相比之下，我们证明了问题在有趣的一类实例中仍然可以解决，它是通过确定``固定参数tractable''。特别是，我们的计数算法在时间范围内运行。多项式在图的大小中，其中多项式的程度\ emph {not}取决于提供的附加边数作为输入的数量。

该项目首次尝试使用大数据分析方法和机器学习以及洪水风险评估和决策的推文的自然语言处理（NLP）。在洪水分析信息系统（FAIS）中开发并集成了多个Python软件包。 FAIS工作流包括IOTS-API和各种机器学习方法，用于发送，处理和加载大数据，应用程序通过其收集来自各种数据服务器的信息并将其复制到数据仓库（IBM数据库服务）。用户可以直接从美国地质调查（USGS）和运输部（DOT）中直接流和下载泛滥相关图像/视频，并将数据保存在本地存储上。河流测量，图像和表格数据的结果显示在基于Web的远程仪表板上，并且可以实时绘制信息。粮农组织被证明是区域规模的洪水数据分析的强大和用户友好的工具，可以帮助利益相关者快速评估洪水局势和损害。氟癖还提供洪水频率分析（FFA）来估计洪水定量，包括结合观察分析，随机概率分布和设计返回时期的元素的相关不确定性。粮农组织公开可用并部署在克莱姆森-IBM云服务上。

过度分化的神经网络倾向于完全符合嘈杂的训练数据，但在测试数据上概括。灵感来自这一实证观察，最近的工作试图了解在更简单的线性模型中的良性过度或无害插值的这种现象。以前的理论工作批判性地假设数据特征是统计独立的，或者输入数据是高维的;这会阻止具有结构化特征映射的一般非参数设置。在本文中，我们为再生内核希尔伯特空间中的上限回归和分类风险提供了一般和灵活的框架。关键贡献是我们的框架在数据革处矩阵上描述了精确的充分条件，在这种情况下发生无害的插值。我们的结果恢复了现有的独立功能结果（具有更简单的分析），但它们还表明，在更常规的环境中可能发生无害的插值，例如有界正常系统的功能。此外，我们的结果表明，以先前仅针对高斯特征的方式显示分类和回归性能之间的渐近分离。

上下文匪徒的模型选择是一个重要的互补问题，以便对固定式模型类进行后悔最小化。我们考虑最简单的模型选择实例：区分从线性上下文强盗问题中的简单的多武装强盗问题。即使在这种情况下，目前的最先进的方法以次优的方式探索，并且需要强烈的“特征分集”条件。在本文中，我们介绍了一种以数据适应方式探索的新算法，b）提供表单$ \ mathcal {o}的模型选择保证（d ^ {\ alpha} t ^ {1- \ alpha} ）$，没有任何功能分集条件，其中$ d $表示线性模型的尺寸，$ t $表示圆数的总轮数。第一个算法享有“最佳世界”属性，恢复两种以后的分布假设，同时恢复两种结果。第二种删除分布假设，扩展了易于模型选择的范围。我们的方法在一些额外的假设下延伸到嵌套线性上下文匪徒之间的模型选择。

支持向量机（SVM）是一种完善的分类方法，其名称指的是称为支持向量的特定训练示例，该示例确定了分离超平面的最大边缘。与培训示例相比，当支持向量的数量少时，SVM分类器享有良好的概括属性。但是，最近的研究表明，在足够高维的线性分类问题中，尽管支持向量的扩散，但在所有训练示例都是支持向量的情况下，SVM仍可以很好地概括。在本文中，我们确定了这种支持矢量增殖现象的新的确定性等效性，并使用它们来（1）实质上扩大了该现象在高维环境中发生的条件，并且（2）证明了几乎匹配的逆向结果。