We introduce a language generation task grounded in a popular video game environment. KNUDGE (KNowledge Constrained User-NPC Dialogue GEneration) involves generating dialogue trees conditioned on an ontology captured in natural language passages providing quest and entity specifications. KNUDGE is constructed from side quest dialogues drawn directly from game data of Obsidian Entertainment's The Outer Worlds, leading to real-world complexities in generation: (1) dialogues are branching trees as opposed to linear chains of utterances; (2) utterances must remain faithful to the game lore--character personas, backstories, and entity relationships; and (3) a dialogue must accurately reveal new quest-related details to the human player. We report results for supervised and in-context learning techniques, finding there is significant room for future work on creating realistic game-quality dialogues.

即使面对分布（OOD）样本，也必须信任机器学习方法在现实世界环境中做出适当的决定。当前的许多方法只是旨在检测OOD示例并在给出未识别的输入时提醒用户。但是，当OOD样本与训练数据显着重叠时，二进制异常检测是无法解释或解释的，并且很少向用户提供信息。我们提出了一个新的OOD检测模型，随着输入变得更加模棱两可，在不同水平的粒度水平上进行预测，模型预测变得更加粗糙，更保守。考虑一个遇到未知鸟类和汽车的动物分类器。两种情况都是OOD，但是如果分类器认识到其对特定物种的不确定性太大并预测鸟类而不是将其视为OOD，则用户获得了更多信息。此外，我们在层次结构的每个级别上诊断了分类器的性能，以改善模型预测的解释性和解释性。我们证明了分层分类器对细粒和粗粒的OOD任务的有效性。

在随机子集总和问题中，给定$ n $ i.i.d.随机变量$ x_1，...，x_n $，我们希望将[-1,1] $ in [-1,1] $的任何点$ z \作为合适子集的总和$ x_ {i_1（z）}，...，x_ {i_s（z）} $的$，最多$ \ varepsilon $。尽管有简单的陈述，但这个问题还是理论计算机科学和统计力学的基本兴趣。最近，它因其在人工神经网络理论中的影响而引起了人们的重新关注。该问题的一个明显的多维概括是考虑$ n $ i.i.d. \ $ d $ - 二维随机向量，目的是近似于[-1,1]^d $的每个点$ \ Mathbf {z} \。令人惊讶的是，在Lueker的1998年证明，在一维设置中，$ n = o（\ log \ frac 1 \ varepsilon）$ samples $ samples $ samples具有很高可能性的近似属性，在实现上述概括方面几乎没有进展。在这项工作中，我们证明，在$ d $ dimensions中，$ n = o（d^3 \ log \ frac 1 \ varepsilon \ cdot（\ log \ frac 1 \ frac 1 \ varepsilon + log d d））$ samples $ sample近似属性具有很高的概率。作为强调该结果潜在兴趣的应用程序，我们证明了最近提出的神经网络模型表现出\ emph {通用}：具有很高的概率，该模型可以在参数数量中近似多项式开销中的任何神经网络。

我们重新审视块世界中的规划问题，我们为此任务实施了一个已知的启发式。重要的是，我们的实施是生物学上可言论的，因此它仅通过神经元的尖峰进行。尽管在过去五十年中，在块世界中已经在块世界中完成了很多，但我们认为这是它的第一个算法。输入是编码初始块堆栈以及目标集合的符号序列，并且输出是一系列运动命令，例如“将顶部块放在桌子上的堆栈1中”。该程序是在组装微积分中写入的，最近提出的计算框架通过弥合神经活动与认知功能之间的差距来模拟大脑中的计算。其基本对象是神经元的组件（稳定的神经元组，其同时射击表示该主题正在考虑对象，概念，单词等），其命令包括项目和合并，其执行模型基于广泛接受的原则神经科学。该框架中的一个程序基本上建立了神经元的动态系统和最终具有高概率，实现任务的神经元和突触。这项工作的目的是凭经验建立了大会微积分中的合理大计划可以正确可靠地执行;这相当现实 - 如果理想化 - 更高的认知功能，例如在块世界中规划，可以通过这些程序成功实现。

为DNNS提供超出分销（OOD）检测对于他们在开放世界中的安全可靠运行至关重要。尽管最近的进展，但目前的作品通常会考虑ood问题中的粗粒度，这不能近似许多实际粒度的任务，其中在分布（ID）数据和OOD数据之间可以预期高粒度（例如，识别野生鸟类分类系统的新型鸟类。在这项工作中，我们首先仔细构建四种大型细粒度测试环境，其中现有方法显示出困难。我们发现当前的方法，包括在DNN培训期间包含大型/多样化异常值的方法，在宽面积上具有较差的覆盖范围，其中良好的谷物样品定位。然后，我们提出了混合异常曝光（MixoE），其通过混合ID数据和培训异常值来实现覆盖的OOD区域，并通过线性衰减将预测置信度线性衰减为从ID到OOD的输入转换来规范模型行为。广泛的实验和分析证明了Mixoe改善细粒环境中的检测的有效性。