气候，化学或天体物理学中的数值模拟在计算上对于高分辨率下的不确定性定量或参数探索而言太昂贵。减少或替代模型的多个数量级更快，但是传统的替代物是僵化或不准确和纯机器学习（ML）基于基于数据的替代物。我们提出了一个混合，灵活的替代模型，该模型利用已知的物理学来模拟大规模动力学，并将学习到难以模拟的项，该术语称为参数化或闭合，并捕获了细界面对大型动力学的影响。利用神经操作员，我们是第一个学习独立于网格的，非本地和灵活的参数化的人。我们的\ textit {多尺度神经操作员}是由多尺度建模的丰富文献进行的，具有准线性运行时复杂性，比最先进的参数化更准确或更灵活，并且在混乱方程的多尺度lorenz96上证明。

机器学习（ML）系统的开发和部署可以用现代工具轻松执行，但该过程通常是匆忙和意思是结束的。缺乏勤奋会导致技术债务，范围蠕变和未对准的目标，模型滥用和失败，以及昂贵的后果。另一方面，工程系统遵循明确定义的流程和测试标准，以简化高质量，可靠的结果的开发。极端是航天器系统，其中关键任务措施和鲁棒性在开发过程中根深蒂固。借鉴航天器工程和ML的经验（通过域名通过产品的研究），我们开发了一种经过验证的机器学习开发和部署的系统工程方法。我们的“机器学习技术准备水平”（MLTRL）框架定义了一个原则的过程，以确保强大，可靠和负责的系统，同时为ML工作流程流线型，包括来自传统软件工程的关键区别。 MLTRL甚至更多，MLTRL为跨团队和组织的人们定义了一个人工智能和机器学习技术的人员。在这里，我们描述了通过生产化和部署在医学诊断，消费者计算机视觉，卫星图像和粒子物理学等领域，以通过生产和部署在基本研究中开发ML方法的几个现实世界使用情况的框架和阐明。

People living with dementia often exhibit behavioural and psychological symptoms of dementia that can put their and others' safety at risk. Existing video surveillance systems in long-term care facilities can be used to monitor such behaviours of risk to alert the staff to prevent potential injuries or death in some cases. However, these behaviours of risk events are heterogeneous and infrequent in comparison to normal events. Moreover, analyzing raw videos can also raise privacy concerns. In this paper, we present two novel privacy-protecting video-based anomaly detection approaches to detect behaviours of risks in people with dementia. We either extracted body pose information as skeletons and use semantic segmentation masks to replace multiple humans in the scene with their semantic boundaries. Our work differs from most existing approaches for video anomaly detection that focus on appearance-based features, which can put the privacy of a person at risk and is also susceptible to pixel-based noise, including illumination and viewing direction. We used anonymized videos of normal activities to train customized spatio-temporal convolutional autoencoders and identify behaviours of risk as anomalies. We show our results on a real-world study conducted in a dementia care unit with patients with dementia, containing approximately 21 hours of normal activities data for training and 9 hours of data containing normal and behaviours of risk events for testing. We compared our approaches with the original RGB videos and obtained an equivalent area under the receiver operating characteristic curve performance of 0.807 for the skeleton-based approach and 0.823 for the segmentation mask-based approach. This is one of the first studies to incorporate privacy for the detection of behaviours of risks in people with dementia.

网络数据分析中的基本技术挑战是社区的自动发现 - 紧密连接或具有相似功能或角色的节点组。在本评论中，我们回顾了过去20年的该领域的进度。

我们根据使用Bradley-Terry模型的成对比较来研究个体，团队或对象的排名。该模型中排名的最大样本估计通常是使用大约一个世纪前首次引入的简单迭代算法制成的。在这里，我们描述了一种替代性和类似简单的迭代，该迭代可以更快地解决相同的问题 - 在某些情况下，超过一百倍。我们在应用程序集合的应用程序中使用应用程序来证明该算法，并得出有关其收敛性的一些结果。

本文使用基于实例分割和图形匹配的LIDAR点云进行了极强和轻量级的定位。我们将3D点云建模为在语义上识别的组件的完全连接图，每个顶点对应于对象实例并编码其形状。跨图的最佳顶点关联允许通过测量相似性进行完整的6度自由（DOF）姿势估计和放置识别。这种表示非常简洁，将地图的大小缩合为25倍，而最先进的图像仅需要3KB代表1.4MB激光扫描。我们验证了系统在Semantickitti数据集中的功效，在该数据集中，我们获得了新的最新识别，平均召回了88.4％的召回，而下一个最接近的竞争对手则为64.9％。我们还显示了准确的度量姿势估计性能 - 估计中位误差为10 cm和0.33度的6 -DOF姿势。

基于对成对之间的一系列比较，对个人或团队进行排名的任务是在各种情况下出现的，包括体育比赛和对动物和人类之间的优势层次结构的分析。鉴于竞争对手击败其他人的数据，挑战是将竞争对手从最佳到最糟糕进行排名。在这里，我们研究计算排名的问题时，当存在多种相互冲突的比较模式，例如动物之间多种类型的优势行为。我们假设我们不知道每种行为传达有关排名的信息，或者它们是否完全传达任何信息。尽管如此，我们表明，在这种情况下可以根据期望最大化算法和修改后的Bradley-Terry模型的组合来计算在这种情况下的排名，并提出一种快速的方法。我们为动物和人类竞争提供了一些示例申请。

我们提出了高度可行的帕累托优化（HIPPO） - 批处理采集功能，可实现多目标贝叶斯优化方法有效利用并行处理资源。多目标贝叶斯优化（MOBO）是解决昂贵的黑盒问题的非常有效的工具。但是，大多数主板算法被设计为纯粹的顺序策略，而现有的批次方法对于除最小的批量尺寸以外的所有人都非常昂贵。我们表明，通过通过以相似的预测目标值进行惩罚评估来鼓励批处理多样性，Hippo可以便宜地建立大量的信息观点。我们广泛的实验验证表明，河马至少与现有替代方案一样有效，同时产生的计算开销较低，并易于扩展到比文献中目前支持的批次大小要高得多。此外，我们证明了河马在充满挑战的热交换器设计问题上的应用，这强调了我们高度可行的MOBO方法的现实效用。

本文提出了一种利用车辆运动限制来完善基于点的雷达辐射系统中的数据关联的方法。通过对非整体机器人如何限制在环境中平稳移动的强大先验，我们开发了必要的框架，以估算单个地标关联的自我运动，而不是一次考虑所有这些对应关系。这允许对差异不佳的匹配的明智异常检测，这是姿势估计误差的主要来源。通过完善匹配地标的子集，我们看到翻译误差的绝对降低2.15％（从4.68％到2.53％），大约比使用完整的对应关系时的探空仪（降低45.94％）的误差（减少45.94％）。该贡献与依赖范围传感器的其他基于点的探针计实现有关，并提供了一种轻巧且可解释的方法，用于将车辆动力学纳入自我动态估计。

人工智能（AI）系统可以提供许多有益的功能，也可以提供不良事件的风险。一些AI系统可能会出现在社会规模上具有很高或灾难性后果的事件的风险。美国国家标准技术研究所（NIST）正在开发NIST人工智能风险管理框架（AI RMF），作为对AI开发人员和其他人的AI风险评估和管理的自愿指导。 NIST为了解决带有灾难性后果的事件的风险，表示有必要将高级原则转化为可操作的风险管理指导。在本文档中，我们提供了详细的可操作指示建议，旨在识别和管理具有很高或灾难性后果的事件的风险，旨在作为AI RMF版本1.0的NIST的风险管理实践资源（计划于2023年初发布），或适用于AI RMF用户或其他AI风险管理指南和标准。我们还为建议提供方法。我们为AI RMF 1.0提供了可行的指导建议：确定来自AI系统的潜在意外用途和滥用的风险；在风险评估和影响评估范围内包括灾难性风险因素；确定和减轻人权危害；并报告有关AI风险因素在内的信息，包括灾难性风险因素。此外，我们还为后来版本的AI RMF或补充出版物提供有关路线图的其他问题的建议。其中包括：提供AI RMF配置文件，并具有额外的多功能或通用AI的辅助指南。我们的目标是使这项工作成为具体的风险管理实践的贡献，并激发有关如何解决AI标准中灾难性风险和相关问题的建设性对话。