我们建议一个基于深入强化学习的经理工作框架，以解决旅行推销员问题（TSP）的艰难而又非平凡的变体，\ ie〜有时间窗口和拒绝（MTSPTWR）的多车辆TSP（MTSPTWR），在此之前无法服务的客户截止日期将受到拒绝。特别是，在拟议的框架中，经理代理人通过基于图形同构网络（GIN）的策略网络将客户分配给每辆车，从而将MTSPTWR分为子路由任务。工人代理人通过根据每辆车的旅行长度和拒绝率来最大程度地降低成本来解决子路由任务，然后将其最多的最大值送回经理代理以学习更好的任务。实验结果表明，所提出的框架在更高的解决方案质量和较短的计算时间方面优于强基础。更重要的是，训练有素的代理商还取得了竞争性能，以解决看不见的较大实例。

联合检测（COSOD）旨在从多个图像发现重复的显着物体。两个主要挑战是组语义提取和噪声对象抑制。在本文中，我们提出了COSOD的统一两阶段的语义传播和对比度学习网络（主题网络）。主题网络可以分解为两个子结构，包括两个阶段的语义传播模块（TGSP），以应对第一个挑战和对比度学习模块（CLM），以应对第二个挑战。具体来说，对于TGSP，我们设计了一个图像到群体传播模块（IGP）来捕获组内相似特征的共识表示和小像素传播模块（GPP），以构建共识表示的相关性。对于CLM，随着阳性样品的设计，语义一致性得到了增强。通过设计负样品的设计，噪声对象被抑制。关于三个主要基准测试的实验结果表明，主题网络在各种评估指标方面都优于其他竞争对手。

近年来，随着新颖的策略和应用，神经网络一直在迅速扩展。然而，尽管不可避免地会针对关键应用程序来解决这些挑战，例如神经网络技术诸如神经网络技术中仍未解决诸如神经网络技术的挑战。已经尝试通过用符号表示来表示和嵌入域知识来克服神经网络计算中的挑战。因此，出现了神经符号学习（Nesyl）概念，其中结合了符号表示的各个方面，并将常识带入神经网络（Nesyl）。在可解释性，推理和解释性至关重要的领域中，例如视频和图像字幕，提问和推理，健康信息学和基因组学，Nesyl表现出了有希望的结果。这篇综述介绍了一项有关最先进的Nesyl方法的全面调查，其原理，机器和深度学习算法的进步，诸如Opthalmology之类的应用以及最重要的是该新兴领域的未来观点。

最近，跨模式的预训练任务一直是一个热点，因为它在各种下文研究中广泛应用，包括检索，字幕，问题答案等。然而，退出的方法采用单媒体预训练模型来探索进行跨模式检索的联合视觉表示，这很容易遭受计算爆炸的影响。此外，尽管常规的双流结构非常有效，但它们仍然缺乏重要的跨模式相互作用，导致性能低。在这些挑战的激励下，我们提出了一个对比的跨模式知识共享预训练（Cookie），以掌握联合文本图像表示。从结构上讲，Cookie由于可接受的时间消耗而采用了传统的双流结构。为了克服上述双流结构的固有缺陷，我们精心设计了两个有效的模块。具体而言，第一个模块是一个体重共享的变压器，它构建在视觉和文本编码器的头上，旨在将语义对齐文本和图像对齐。该设计使视觉和文本路径集中在相同的语义上。另一个是三个专门设计的对比学习，旨在分享不同模型之间的知识。共享的跨模式知识大大发展了单峰表示的研究，从而促进了单模式检索任务。对多模式匹配研究的广泛实验结果，包括跨模式检索，文本匹配和图像检索揭示了我们的计算效率和我们预训练模型的统计指标的上级。

最近，与传统标准（例如JPEG，JPEG2000和BPG）相比，学到的图像压缩方法已经迅速发展，并表现出出色的速率延伸性能。但是，基于学习的方法遭受了高计算成本的损失，这对在资源有限的设备上部署无济于事。为此，我们提出了换档 - 附加并行模块（SAPMS），包括用于编码器的SAPM-E和解码器的SAPM-D，以大大减少能源消耗。具体而言，可以将它们视为插入式播放组件，以升级现有的基于CNN的体系结构，与加法分支相比，Shift分支用于提取大颗粒功能。此外，我们彻底分析了潜图的概率分布，并建议使用拉普拉斯混合物的可能性以进行更准确的熵估计。实验结果表明，所提出的方法可以在PSNR和MS-SSSIM指标上与卷积对应物的相当甚至更好的性能，并减少2倍的能量。

有时将儿童的认知能力视为AI基准。在自然主义儿童的环境中，如何学习最常见的1,000个概念（每天使用的89％）？儿童的认知发展是关于质量的，可以通过简单的例子传达新概念。我们的知识脚手架方法使用简单的对象和动作来传达概念，例如如何教授孩子。我们介绍了ABCDE，这是一种以典型的儿童游戏室为基础的交互式3D环境。它带有300多个唯一的3D对象资产（主要是玩具），以及一个宽敞的动作空间，可供孩子和父代理与对象互动。ABCDE是旨在模仿儿童认知发展的自然主义环境的第一个环境。没有其他环境通过学习者的互动来研究高级概念学习。可以在https://pypi.org/project/abcdesim/1.0.0/上找到模拟器

精确预测物理交互结果是人类智能的关键组成部分，对于真实世界中的机器人安全和有效地部署是重要的。虽然存在基于视觉的直观物理模型，用于学习预测物理交互结果，而它们主要专注于根据从视觉输入或潜在空间提取的物理性质（例如质量，摩擦和速度）产生未来框架的短序列。然而，缺乏直观的物理模型，这些模型是在具有不同对象之间的多个交互的长物理相互作用序列上进行测试。我们假设在近似精神模拟期间的选择性时间关注有助于人类在物理相互作用结果预测中。通过这些动机，我们提出了一种新颖的方案：通过用跨度选择（PIP）通过精神模拟物理交互预测。它利用深度生成模型来模拟近似精神模拟，通过在采用跨度选择的形式以预测物理交互结果的形式中采用选择性的时间关注之前产生近似的物理相互作用。为了评估我们的模型，我们进一步提出了具有3D环境中的三个主要物理交互的长序列的大规模空间+数据集。我们的实验表明，PIP优于利用精神模拟的人类，基线和相关直观的物理模型。此外，PIP的跨度选择模块有效地识别指示对象之间的关键物理交互的帧，允许添加额外的解释性。

在线广告中，自动竞标已成为广告商通过简单地表达高级活动目标和约束来优化其首选广告性能指标的重要工具。以前的作品从单个代理的视图中设计了自动竞争工具，而不会在代理之间建模相互影响。在本文中，我们从分布式多功能代理人的角度来看，请考虑这个问题，并提出一个常规$ \强调{m} $ ulti - $ \强调{a} $ gent加强学习框架，以便为$ clown {a} $ uto - $ \ Underline {b} $ IDDIND，即MAAB，了解自动竞标策略。首先，我们调查自动招标代理商之间的竞争与合作关系，并提出了一个温度定期的信用分配，以建立混合合作竞争范式。通过在代理商中仔细开展竞争和合作权衡，我们可以达到均衡状态，不仅担保个人广告商的实用程序，而且保证了系统性能（即社会福利）。其次，为避免竞争低价潜在勾结行为的合作，我们进一步提交了律师代理，为每位专家设定个性化招标酒吧，然后减轻由于合作而导致的收入退化。第三，要在大型广告系统中部署MAAB，我们提出了一种平均现场方法。通过将具有与平均自动竞标代理商相同的广告商进行分组，大规模广告商之间的互动大大简化，使得培训MAAB有效地培训。在离线工业数据集和阿里巴巴广告平台上进行了广泛的实验表明，我们的方法在社会福利和收入方面优于几种基线方法。

Knowledge graph embedding (KGE), which maps entities and relations in a knowledge graph into continuous vector spaces, has achieved great success in predicting missing links in knowledge graphs. However, knowledge graphs often contain incomplete triples that are difficult to inductively infer by KGEs. To address this challenge, we resort to analogical inference and propose a novel and general self-supervised framework AnKGE to enhance KGE models with analogical inference capability. We propose an analogical object retriever that retrieves appropriate analogical objects from entity-level, relation-level, and triple-level. And in AnKGE, we train an analogy function for each level of analogical inference with the original element embedding from a well-trained KGE model as input, which outputs the analogical object embedding. In order to combine inductive inference capability from the original KGE model and analogical inference capability enhanced by AnKGE, we interpolate the analogy score with the base model score and introduce the adaptive weights in the score function for prediction. Through extensive experiments on FB15k-237 and WN18RR datasets, we show that AnKGE achieves competitive results on link prediction task and well performs analogical inference.

Although many studies have successfully applied transfer learning to medical image segmentation, very few of them have investigated the selection strategy when multiple source tasks are available for transfer. In this paper, we propose a prior knowledge guided and transferability based framework to select the best source tasks among a collection of brain image segmentation tasks, to improve the transfer learning performance on the given target task. The framework consists of modality analysis, RoI (region of interest) analysis, and transferability estimation, such that the source task selection can be refined step by step. Specifically, we adapt the state-of-the-art analytical transferability estimation metrics to medical image segmentation tasks and further show that their performance can be significantly boosted by filtering candidate source tasks based on modality and RoI characteristics. Our experiments on brain matter, brain tumor, and white matter hyperintensities segmentation datasets reveal that transferring from different tasks under the same modality is often more successful than transferring from the same task under different modalities. Furthermore, within the same modality, transferring from the source task that has stronger RoI shape similarity with the target task can significantly improve the final transfer performance. And such similarity can be captured using the Structural Similarity index in the label space.