在大型3D场景中的3D对象检测不仅是由于稀疏和不规则的3D点云而挑战，而且还因为场景和阶级不平衡的极端前景不平衡所致。一种常见的方法是从其他场景中添加基地真实对象。不同的是，我们建议通过删除元素（体素）而不是添加元素来修改场景。我们的方法以解决这两种类型数据集不平衡的方式选择“有意义的”体素。该方法是一般的，可以应用于任何基于体素的检测器，但体素的有意义依赖于网络。我们的体素选择显示可提高几种突出的3D检测方法的性能。

点云正在获得突出的突出，作为代表3D形状的方法，但其不规则结构对深度学习方法构成了挑战。在本文中，我们提出了一种使用随机散步学习3D形状的新方法。以前的作品试图调整卷积神经网络（CNNS）或将网格或网格结构强加到3D点云。这项工作提出了一种不同的方法来表示和学习特定点集的形状。关键的想法是在多个随机散步通过云设置的点上施加结构，用于探索3D对象的不同区域。然后我们学习每次和每次步行代表，并在推理时聚合多个步行预测。我们的方法实现了两个3D形状分析任务的最先进结果：分类和检索。此外，我们提出了一种形状复杂性指示器功能，该函数使用交叉步道和步行间方差措施来细分形状空间。

随着神经网络作为任务至关重要系统中组成部分的越来越多的整合，越来越需要确保它们满足各种安全性和livesice要求。近年来，已经提出了许多声音和完整的验证方法，但这些方法通常受到严重的可伸缩性限制。最近的工作提出了通过抽象 - 再填充功能增强这种验证技术的增强，这些功能已被证明可以提高可伸缩性：而不是验证大型且复杂的网络，而是验证者构造，然后验证一个较小的网络，其正确性意味着原始的正确性网络。这种方案的缺点是，如果验证较小的网络失败，则验证者需要执行改进步骤，以增加验证网络的大小，然后开始从SCRATCH验证新网络 - 有效地``'浪费''它的早期工作在验证较小的网络方面。在本文中，我们通过使用\ emph {残留推理}来提高基于抽象的神经网络验证的增强：在验证抽象网络时使用信息的过程，以加快对精制网络的验证。本质上，该方法允许验证者存储有关确保正确行为的搜索空间部分的信息，并允许其专注于可能发现错误的区域。我们实施了我们的方法，以扩展到Marabou验证者，并获得了有希望的结果。

Truth discovery is a general name for a broad range of statistical methods aimed to extract the correct answers to questions, based on multiple answers coming from noisy sources. For example, workers in a crowdsourcing platform. In this paper, we consider an extremely simple heuristic for estimating workers' competence using average proximity to other workers. We prove that this estimates well the actual competence level and enables separating high and low quality workers in a wide spectrum of domains and statistical models. Under Gaussian noise, this simple estimate is the unique solution to the MLE with a constant regularization factor. Finally, weighing workers according to their average proximity in a crowdsourcing setting, results in substantial improvement over unweighted aggregation and other truth discovery algorithms in practice.