ML社区认识到预期和减轻基准研究的潜在负面影响的重要性。在该立场论文中，我们认为，需要更多的关注，这需要对ML基准的技术和科学核心的道德风险领域。我们确定了人类智商和ML基准之间被忽视的结构相似性。人类智能和ML基准在设定标准以描述，评估和比较与智能相关的任务的标准方面具有相似之处。这使我们能够从ML基准社区考虑需要考虑的女权主义哲学哲学哲学中解开课程。最后，我们概述了基准研究伦理和伦理评论的实用建议。

Although massive pre-trained vision-language models like CLIP show impressive generalization capabilities for many tasks, still it often remains necessary to fine-tune them for improved performance on specific datasets. When doing so, it is desirable that updating the model is fast and that the model does not lose its capabilities on data outside of the dataset, as is often the case with classical fine-tuning approaches. In this work we suggest a lightweight adapter, that only updates the models predictions close to seen datapoints. We demonstrate the effectiveness and speed of this relatively simple approach in the context of few-shot learning, where our results both on classes seen and unseen during training are comparable with or improve on the state of the art.

计算机视觉技术可以帮助自动化或部分自动化口面损伤的临床检查，以提供准确和客观的评估。为了开发此类自动化系统，我们评估了两种在口面评估视频中检测和时间分段（分析）重复的方法。从多伦多神经曲面数据集获得了患有肌萎缩性侧索硬化症（ALS）和健康对照（HC）个体的参与者的录制视频。检查了两种重复检测和解析方法：一种基于轨迹地标的工程特征和上嘴唇和下唇的朱红色 - 二连交界之间的距离（基线分析）的峰值检测（基线分析），另一种是使用预训练的变压器 - 基于repnet的基于深度学习模型（Dwibedi等，2020），该模型自动检测周期性，并在视频数据中解析周期性和半周期重复。在对两项口面评估任务的实验评估中 - 重复最大的口腔张开（打开）并重复“购买Bobby a Puppy”（BBP）（BBP） - repnet提供了比基于具有里程碑意义的方法更好的解析，并通过较高的平均相交量化的方法来量化。联合（IOU）关于地面真理手动解析。使用Repnet自动解析还根据BBP重复的持续时间清楚地分离了HC和ALS参与者，而基于里程碑的方法则不能。

我们从参数化复杂性理论的角度研究了本体论介导的查询（OMQ）的评估。作为本体语言，我们考虑描述逻辑$ \ MATHCAL {ALC} $和$ \ MATHCAL {ALCI} $以及一阶逻辑的受保护的两种可变性片段GF $ _2 $。查询是原子查询（AQS），结合查询（CQS）和CQ的工会。当参数是OMQ和cliquewidth的大小时，所有研究的OMQ问题都是固定参数线性（FPL）。我们的主要贡献是对运行时间对参数的依赖性的详细分析，表现出几种有趣的效果。

用于形状生成和编辑的AutoEncoders的使用遭受了可能导致输出形状不可预测的变化的潜在空间中的操纵。我们介绍了一种基于AutoEncoder的方法，通过解开潜在的子空间来获得潜在空间的直观形状，以获得可以独立操纵的表面和样式变量的控制点。关键思想是向损耗函数添加一个LipsChitz型约束，即将输出形状的变化与潜在空间的变化相结合，导致可解释的潜在空间表示。然后可以自由地移动表面上的控制点，允许直接在潜空间中直接编辑。我们通过将其与最先进的数据驱动的形状编辑方法进行比较来评估我们的方法。除了形状操纵外，我们通过利用他们为无监督的部分分割来展示我们的控制点的表现力。

自回归模型已被证明在NLP文本生成任务中非常强大，并且最近也获得了图像生成的普及。然而，到目前为止，它们已经有限地用于合成3D形状。这主要是由于在描述复杂形状时缺乏线性化3D数据的直接方法以及缩放所得序列的长度的问题。在这项工作中，我们解决了这两个问题。我们使用Octrees作为紧凑的层级表示，可以通过遍历排序顺序顺序。此外，我们引入了一种自适应压缩方案，显着降低了序列长度，从而使其具有变压器的有效发电，同时仍然允许完全自回归采样和并行训练。我们通过与现有形状的形式进行比较来展示我们模型的性能。

我们根据描述逻辑ALC和ALCI介绍并研究了本体论介导的查询的几个近似概念。我们的近似值有两种：我们可以（1）用一种以易访问的本体语言为例，例如ELI或某些TGD，以及（2）用可拖动类的一个替换数据库，例如其treewidth的数据库，由常数界定。我们确定所得近似值的计算复杂性和相对完整性。（几乎）所有这些都将数据复杂性从Conp-Complete降低到Ptime，在某些情况下甚至是固定参数可拖动和线性时间。虽然种类（1）的近似也降低了综合复杂性，但这种近似（2）往往并非如此。在某些情况下，联合复杂性甚至会增加。