Many dialogue systems (DSs) lack characteristics humans have, such as emotion perception, factuality, and informativeness. Enhancing DSs with knowledge alleviates this problem, but, as many ways of doing so exist, keeping track of all proposed methods is difficult. Here, we present the first survey of knowledge-enhanced DSs. We define three categories of systems - internal, external, and hybrid - based on the knowledge they use. We survey the motivation for enhancing DSs with knowledge, used datasets, and methods for knowledge search, knowledge encoding, and knowledge incorporation. Finally, we propose how to improve existing systems based on theories from linguistics and cognitive science.

在这项工作中，我们提出了一种称为疾病知识神经网络（Dinns）的方法，可以使用能够有效地预测传染病的传播。这种方法在成功的物理学上建立了已经应用于可以通过线性和非线性普通和部分微分方程建模的各种应用的知识神经网络方法。具体而言，我们建立了Pinns向SIR隔间模型的应用，并扩展了描述各种传染病的脚手架数学模型。我们展示神经网络如何能够学习疾病如何传播，预测其进展，并找到其独特参数（例如死亡率）。为了证明Dinns的稳健性和疗效，我们将这种方法应用于11种高度传染病，这些疾病在增加的复杂程度上进行了建模。我们的计算实验表明，Dinns是有效了解传播动态的可靠候选者，并预测其在可用现实世界数据中的进展中的进展。

We present MatSim: a synthetic dataset, a benchmark, and a method for computer vision based recognition of similarities and transitions between materials and textures, focusing on identifying any material under any conditions using one or a few examples (one-shot learning). The visual recognition of materials is essential to everything from examining food while cooking to inspecting agriculture, chemistry, and industrial products. In this work, we utilize giant repositories used by computer graphics artists to generate a new CGI dataset for material similarity. We use physics-based rendering (PBR) repositories for visual material simulation, assign these materials random 3D objects, and render images with a vast range of backgrounds and illumination conditions (HDRI). We add a gradual transition between materials to support applications with a smooth transition between states (like gradually cooked food). We also render materials inside transparent containers to support beverage and chemistry lab use cases. We then train a contrastive learning network to generate a descriptor that identifies unfamiliar materials using a single image. We also present a new benchmark for a few-shot material recognition that contains a wide range of real-world examples, including the state of a chemical reaction, rotten/fresh fruits, states of food, different types of construction materials, types of ground, and many other use cases involving material states, transitions and subclasses. We show that a network trained on the MatSim synthetic dataset outperforms state-of-the-art models like Clip on the benchmark, despite being tested on material classes that were not seen during training. The dataset, benchmark, code and trained models are available online.

Vizier是Google的DeCACTO BlackBox和Hyper参数优化服务，它优化了Google一些最大的产品和研究工作。为了按照调整数千个用户的关键系统的规模运行，Google Vizier在提供多个不同的功能方面解决了关键的设计挑战，同时保持完全容忍。在本文中，我们介绍了基于Google内部Vizier基础架构和框架的基于Python的独立界面开源（OSS）Vizier。 OSS Vizier提供了一个能够定义和解决各种优化问题的API，包括多样性，早期停止，转移学习和条件搜索。此外，它被设计为可确保可靠性的分布式系统，并允许对用户的目标函数进行多次平行评估。基于RPC的灵活基础架构使用户可以从任何语言编写的二进制文件中访问OSS Vizier。 OSS Vizier还提供了一个后端（“ Pythia”）API，该API为算法作者提供了一种与Core OSS Vizier系统接口新算法的方法。 OSS Vizier可从https://github.com/google/vizier获得。

Open Arms是一个新型的开源平台，该平台具有现实的人类机器人手和手臂硬件，并具有28个自由度（DOF），旨在扩展人形机器人抓握和操纵的能力和可访问性。敞开的武器框架包括开放的SDK和开发环境，仿真工具和应用程序开发工具，以构建和操作敞开的武器。本文描述了这些手控制，感应，机制，美学设计以及制造业及其现实世界的应用，并使用远程手工护理机器人进行了现实应用。从2015年到2022年，作者设计并确定了敞开的武器的制造作为低成本，高功能机器人手臂硬件和软件框架，以服务类人机器人的机器人应用以及对低成本假肢的紧急需求，作为一部分汉森机器人索菲亚机器人平台。使用消费产品制造的技术，我们着手定义模块化的低成本技术，以近似人类手的灵敏性和灵敏度。为了证明我们的手的敏捷性和控制，我们提出了一种生成握把残留的CNN（GGR-CNN）模型，该模型可以从实时速度（22ms）的各种对象的输入图像中生成强大的抗抑制剂。我们使用在标准的康奈尔（Cornell）握把数据集上使用模型体系结构实现了92.4％的最新准确性，该数据集包含各种各样的家庭对象。

战略分类研究在环境中学习的学习，自身利益用户可以战略性地修改其功能以获得有利的预测结果。但是，关键的工作假设是“有利”总是意味着“积极”。在某些应用程序（例如贷款批准）中，这可能是适当的，但可以减少对用户利益的相当狭窄的看法。在这项工作中，我们提出了更广泛的观点，即说明什么是战略用户行为，并提出并研究了广义战略分类的灵活模型。我们的广义模型包括大多数当前模型，但包括其他新颖的设置；其中，我们确定并针对一个有趣的子类问题，其中用户和系统的利益是对齐的。这种设置揭示了一个令人惊讶的事实：标准最大利润损失不适合战略投入。回到我们完全概括的模型，我们提出了一个新颖的最大利润框架，用于实用和有效，并从理论上分析。我们以一系列实验证明了我们方法的实用性。

我们存在从单个图像预测材料，液体和物体的3D结构，掩模和物体的3D结构，掩模和物体的方法，而无需先验地了解图像源和相机参数。透明容器中的操纵材料在许多领域是必不可少的，并且依赖视力。这项工作提供了一种新的程序生成的数据集，由透明容器内的液体和固体物体的50k图像组成。图像注释包括3D模型，材料属性（颜色/透明度/粗糙度......）以及船舶的分段掩模及其内容。使用13K不同的物体，500种不同的环境（HDRI）和1450种材料纹理（PBR）与模拟液体和程序生成的容器组合的合成（CGI）部分。此外，我们还提供104个现实世界的物体图像，内部透明船只与船舶的深度图及其内容。我们提出了一种相机不可知论方法，其从图像中预测3D模型作为XYZ地图。这允许训练的网络将3D模型预测为每个像素的XYZ坐标的地图，而无需先验到图像源。为了计算训练损失，我们使用3D模型内的点对之间的距离而不是绝对XYZ坐标。这使得损失函数翻译不变。我们使用它来预测从单个图像预测血管的3D模型及其内容。最后，我们展示了一种使用单个图像来预测血管含量和表面的材料特性的网络。