现代神经网络使用构建块，例如与任意2D翻译一样的卷积。但是，这些香草块并不等于投影歧管中的任意3D翻译。即便如此，所有单眼3D检测器都使用香草块来获得3D坐标，这是为此而不是为香草块设计的任务。本文迈出了朝着探索综合的第一步，以在投影歧管中进行任意3D翻译。由于该深度是最难估计的单眼检测，因此本文提出了深度模棱两可的网络（deviant），该网络（deviant）构建了现有的量表等效性的可检测块。结果，偏差与投影歧管中的深度翻译相等，而香草网络却没有。额外的深度竞争力迫使这种偏差学习一致的深度估计，因此，越来越多的人在纯图像类别中的Kitti和Waymo数据集上实现了最新的单眼3D检测结果，并使用额外信息竞争地对方法进行了竞争性执行。此外，在跨数据库评估中，异常比香草网络更好。 https://github.com/abhi1kumar/deviant的代码和模型

从单个图像中识别3D中的场景和对象是计算机视觉的长期目标，该目标具有机器人技术和AR/VR的应用。对于2D识别，大型数据集和可扩展解决方案已导致前所未有的进步。在3D中，现有的基准尺寸很小，并且方法专门研究几个对象类别和特定域，例如城市驾驶场景。在2D识别的成功中，我们通过引入一个称为Omni3d的大型基准来重新审视3D对象检测的任务。 OMNI3D重新排列并结合了现有的数据集，导致234K图像与超过300万个实例和97个类别相结合。由于相机内在的差异以及场景和对象类型的丰富多样性，因此3d检测到了这种规模的检测具有挑战性。我们提出了一个称为Cube R-CNN的模型，旨在以统一的方法跨相机和场景类型概括。我们表明，Cube R-CNN在较大的Omni3D和现有基准测试方面都优于先前的作品。最后，我们证明OMNI3D是一个用于3D对象识别的功能强大的数据集，表明它可以改善单数据库性能，并可以通过预训练在新的较小数据集上加速学习。

There is an increasing need in our society to achieve faster advances in Science to tackle urgent problems, such as climate changes, environmental hazards, sustainable energy systems, pandemics, among others. In certain domains like chemistry, scientific discovery carries the extra burden of assessing risks of the proposed novel solutions before moving to the experimental stage. Despite several recent advances in Machine Learning and AI to address some of these challenges, there is still a gap in technologies to support end-to-end discovery applications, integrating the myriad of available technologies into a coherent, orchestrated, yet flexible discovery process. Such applications need to handle complex knowledge management at scale, enabling knowledge consumption and production in a timely and efficient way for subject matter experts (SMEs). Furthermore, the discovery of novel functional materials strongly relies on the development of exploration strategies in the chemical space. For instance, generative models have gained attention within the scientific community due to their ability to generate enormous volumes of novel molecules across material domains. These models exhibit extreme creativity that often translates in low viability of the generated candidates. In this work, we propose a workbench framework that aims at enabling the human-AI co-creation to reduce the time until the first discovery and the opportunity costs involved. This framework relies on a knowledge base with domain and process knowledge, and user-interaction components to acquire knowledge and advise the SMEs. Currently,the framework supports four main activities: generative modeling, dataset triage, molecule adjudication, and risk assessment.

信息操作的目标是要更改整体信息环境VIS-\'A-VIS特定行为者。例如，“拖钓活动”寻求破坏特定公众人物的可信度，导致其他人不信任他们并将这些数字融为一体。为了完成这些目标，信息操作经常利用“巨魔” - 在这些数字上瞄准言语滥用的恶意在线演员。特别是在巴西，巴西现任总统的盟友被指控经营“仇恨内阁” - 这是一个拖钓的行动，这些行动是针对这位政治家和他政权的其他成员所称腐败的记者。检测有害言论的主要方法，例如Google的透视API，寻求识别具有有害内容的特定消息。虽然这种方法有助于将内容识别到下降，标志或删除，但是已知是脆弱的，并且可能会错过尝试将更加微妙的偏见引入话语。在这里，我们的目标是制定可能用于评估有针对性信息如何如何寻求改变特定行为者的整体价值或评估的措施。初步结果表明，众所周知的竞选活动比男性记者更多地是女性记者，而且这些运动可以在整体推特话语中留下可检测的痕迹。

用于神经形态计算的生物学启发的尖峰神经元是具有动态状态变量的非线性滤波器 - 与深度学习中使用的无状态神经元模型非常不同。 Notel Intel的神经形态研究处理器Loihi 2的下一个版本支持各种具有完全可编程动态的最有状态尖峰神经元模型。在这里，我们展示了先进的尖峰神经元模型，可用于有效地处理仿真Loihi 2硬件的仿真实验中的流数据。在一个示例中，共振和火（RF）神经元用于计算短时间傅里叶变换（STFT），其具有类似的计算复杂度，但是输出带宽的47倍而不是传统的STFT。在另一个例子中，我们描述了一种使用时间率RF神经元的光学流量估计算法，其需要比传统的基于DNN的解决方案超过90倍。我们还展示了有前途的初步结果，使用BackPropagation培训RF神经元进行音频分类任务。最后，我们表明，跳跃的血管谐振器 - RF神经元的变体 - 重复耳蜗的新特性，并激励一种有效的基于尖峰的谱图编码器。

中国城乡地区建模差分应力表达可以更好地了解城市化对心理福祉的影响，在过去二十年中迅速发展的国家。本文研究了使用等级混合效应模型从329个县中超过65,000名用户在中国城乡压力的经验和表达的语言差异。我们分析了微博职位中的短语，题目主题和心理语言学的选择，提及压力，以更好地了解中国城乡社区心理压力的评价差异;然后我们将它们与盖子的大规模民意调查进行了比较。在控制社会经济和性别差异之后，我们发现农村社区倾向于表达情感和个人主题，如关系，健康和机会，而在城市地区的用户使用相对，时间和外部主题，如工作，政治和经济学。这些差异存在于对GDP和城市化的控制之外，表明在非常具体的环境中农村和城市居民之间的基本不同的生活方式，可以说是具有不同的压力来源。我们在盖洛普民意调查中找到了与城市化的身体，金融和社会健康的腐败趋势。

我们解剖了使用真实数据开发的实验信用评分模型，并演示 - 无需访问受保护的属性 - 使用位置信息的使用方式引入种族偏见。我们借助于游戏理论启发的机器学习解释技术，反事实实验和巴西人口普查数据来分析树梯度升压模型。通过曝光算法种族偏置解释训练有素的机器学习模型内部机制，该实验包括一个有趣的伪像，以帮助努力了解机器学习系统中种族偏置的出现的理论理解。如果没有访问个人的种族类别，我们就会显示使用地理定义的组的分类奇偶校验措施如何携带有关模型种族偏见的信息。该实验证明了在审计ML模型时，不需要预先预设对受保护属性的方法和语言的方法，在解决种族问题时考虑区域细节的重要性以及人口普查数据在AI研究界中的核心作用。据我们所知，这是第一个在巴西的ML基于ML的算法种族偏见的算法偏差，是世界上第二大黑人群的基于ML的信用评分。