Neural Radiance Fields (NeRFs) are coordinate-based implicit representations of 3D scenes that use a differentiable rendering procedure to learn a representation of an environment from images. This paper extends NeRFs to handle dynamic scenes in an online fashion. We do so by introducing a particle-based parametric encoding, which allows the intermediate NeRF features -- now coupled to particles in space -- to be moved with the dynamic geometry. We backpropagate the NeRF's photometric reconstruction loss into the position of the particles in addition to the features they are associated with. The position gradients are interpreted as particle velocities and integrated into positions using a position-based dynamics (PBS) physics system. Introducing PBS into the NeRF formulation allows us to add collision constraints to the particle motion and creates future opportunities to add other movement priors into the system such as rigid and deformable body constraints. We show that by allowing the features to move in space, we incrementally adapt the NeRF to the changing scene.

许多高性能作品在分布外（OOD）检测方面使用真实或合成生成的异常数据来正式化模型置信度；但是，它们通常需要重新培训基本网络或专门的模型体系结构。我们的作品表明，嘈杂的嵌入式在OOD对象​​检测的挑战领域中使异常值（Nimgo）成为了很大的异常值。我们假设合成异常值只需要最小化分布（ID）数据的扰动变体即可训练一个歧视器以识别OOD样本 - 而无需昂贵的基本网络重新培训。为了检验我们的假设，我们通过在图像或边界盒级别上应用添加剂噪声扰动来生成一个合成的离群值。然后，对辅助功能监视多层感知器（MLP）进行训练，以使用扰动的ID样品作为代理来检测OOD特征表示。在测试过程中，我们证明辅助MLP将ID样品与最新水平的OOD样品区分开在OpenImages数据集中。广泛的额外消融提供了支持我们假设的经验证据。

我们引入强大的想法，从超比计算到有挑战性领域的分布外（OOD）检测。与基于单个神经网络的单层执行的大多数现有的工作相比，我们使用相似性的半正交投影矩阵来将来自多个层的特征映射投影成公共矢量空间。通过反复应用捆绑操作$ \ oplus $，我们为所有分布类创建特定于特定于特定于特定的描述符向量。在测试时间时，描述符矢量之间的简单高效的余弦相似性计算一致地识别具有比当前最先进的性能更好的ood样本。我们表明，多维网络层的超级融合对于实现最佳的普遍表现至关重要。

部署到开放世界中，对象探测器容易出现开放式错误，训练数据集中不存在的对象类的假阳性检测。我们提出了GMM-DET，一种用于从对象探测器中提取认知不确定性的实时方法，以识别和拒绝开放式错误。 GMM-DID列达探测器以产生与特定于类高斯混合模型建模的结构化的Logit空间。在测试时间时，通过所有高斯混合模型下的低对数概率识别开放式错误。我们测试了两个常见的探测器架构，更快的R-CNN和RETINANET，跨越了三种不同的数据集，跨越机器人和计算机视觉。我们的结果表明，GMM-DET始终如一地优于识别和拒绝开放式检测的现有不确定性技术，特别是在安全关键应用程序所需的低差错率操作点。 GMM-DET保持对象检测性能，并仅引入最小的计算开销。我们还介绍一种用于将现有对象检测数据集转换为特定的开放式数据集的方法，以评估对象检测中的开放式性能。

本文提出的方法是通过单个输入双语词典自动为低资源语言（尤其是资源贫乏的语言）创建大量新的双语词典。我们的算法使用可用的WordNets和Machine Translator（MT）生成了源语言的单词翻译为丰富的目标语言。由于我们的方法仅依赖于一个输入字典，可用的WordNet和MT，因此它们适用于任何双语词典，只要两种语言之一是英语，或者具有链接到Princeton WordNet的WordNet。从5个可用的双语词典开始，我们创建了48个新的双语词典。其中，流行的MTS不支持30双语言：Google和Bing。

本文研究了为濒危语言生成词汇资源的方法。我们的算法使用公共文字网和机器翻译器（MT）构建双语词典和多语言词库。由于我们的作品仅依赖于濒危语言和“中间帮手”语言之间的一个双语词典，因此它适用于缺乏许多现有资源的语言。

手动构建WordNet是一项艰巨的任务，需要多年的专家时间。作为自动构建完整WordNet的第一步，我们建议使用公开可用的WordNet，机器翻译器和/或单语言词典来生成有关资源丰富和资源贫乏语言的WordNet Synset的方法。我们的算法将现有WordNet的合成器转换为目标语言t，然后在翻译候选者上应用排名方法以查找T中的最佳翻译。我们的方法适用于任何至少有一个从英语翻译到它的现有双语字典的语言。

使用基于词典的方法将语言L1中的短语转换为语言L2的过去方法需要语法规则来重组初始翻译。本文引入了一种新颖的方法，而无需使用任何语法规则将L1中不存在的L1中的给定短语转换为L2。我们在L2中至少需要一个L1-L2双语词典和N-Gram数据。我们翻译的平均手动评估得分为4.29/5.00，这意味着非常高质量。

估计信息理论数量（例如熵和相互信息）对于统计和机器学习中的许多问题至关重要，但在高维度上具有挑战性。本文通过推理（EEVI）介绍了熵的估计器，该推理在概率生成模型中为任意变量提供了许多信息数量的上限和下限。这些估计器将重要性抽样用于提议分布家族，其中包括摊销变异推理和顺序的蒙特卡洛，可以针对目标模型量身定制，并用于以高精度挤压真实的信息值。我们介绍了EEVI的几种理论特性，并在医疗领域的两个问题上证明了可伸缩性和功效：（i）在诊断肝脏疾病的专家系统中，我们根据它们对潜伏性疾病的信息进行排名观察到的症状和患者属性； （ii）在碳水化合物代谢的微分方程模型中，我们找到了最佳时间进行血糖测量，鉴于他们的饮食和药物计划，可以最大程度地提高有关糖尿病患者胰岛素敏感性的信息。

制定和实施基于AI的解决方案有助于国家和联邦政府机构，研究机构和商业公司加强决策过程，自动化连锁业务，减少自然和人力资源的消费。与此同时，实践中使用的大多数AI方法只能表示为“黑匣子”并遭受缺乏透明度。这最终可能导致意外的结果和破坏在这种系统中的信任。因此，至关重要，不仅要开发有效和强大的AI系统，而且为了确保其内部过程可解释和公平。我们本章的目标是利用美国经济技术部门的示例，介绍具有高影响决策的AI系统的保证方法的主题。我们通过提供技术经济数据集的因果试验，我们解释了这些领域如何从数据集的关键指标之间揭示致命关系。审查了几种因果推断方法和AI保证技术，并对数据转换为图形结构数据集。