Predictive coding is a message-passing framework initially developed to model information processing in the brain, and now also topic of research in machine learning due to some interesting properties. One of such properties is the natural ability of generative models to learn robust representations thanks to their peculiar credit assignment rule, that allows neural activities to converge to a solution before updating the synaptic weights. Graph neural networks are also message-passing models, which have recently shown outstanding results in diverse types of tasks in machine learning, providing interdisciplinary state-of-the-art performance on structured data. However, they are vulnerable to imperceptible adversarial attacks, and unfit for out-of-distribution generalization. In this work, we address this by building models that have the same structure of popular graph neural network architectures, but rely on the message-passing rule of predictive coding. Through an extensive set of experiments, we show that the proposed models are (i) comparable to standard ones in terms of performance in both inductive and transductive tasks, (ii) better calibrated, and (iii) robust against multiple kinds of adversarial attacks.

The proliferation of smartphones has accelerated mobility studies by largely increasing the type and volume of mobility data available. One such source of mobility data is from GPS technology, which is becoming increasingly common and helps the research community understand mobility patterns of people. However, there lacks a standardized framework for studying the different mobility patterns created by the non-Work, non-Home locations of Working and Nonworking users on Workdays and Offdays using machine learning methods. We propose a new mobility metric, Daily Characteristic Distance, and use it to generate features for each user together with Origin-Destination matrix features. We then use those features with an unsupervised machine learning method, $k$-means clustering, and obtain three clusters of users for each type of day (Workday and Offday). Finally, we propose two new metrics for the analysis of the clustering results, namely User Commonality and Average Frequency. By using the proposed metrics, interesting user behaviors can be discerned and it helps us to better understand the mobility patterns of the users.

随着在充满挑战的环境中越来越需要多机器人探索未知区域的需求，需要有效的协作探索策略来实现此类壮举。可以部署基于边界的快速探索随机树（RRT）探索来探索未知的环境。然而，它的贪婪行为导致多个机器人探索收入最高的地区，从而导致勘探过程中大规模重叠。为了解决这个问题，我们提出了基于时间内存的RRT（TM-RRT）探索策略，用于多机器人在未知环境中执行强大的探索。它根据每个机器人的相对位置计算分配的每个边界的自适应持续时间，并计算边界的收入。此外，每个机器人都配备了由分配的边界和舰队共享的内存，以防止重复对同一边界的分配。通过模拟和实际部署，我们通过在25.0m x 540m（1350.0m2）区域完成勘探，展示了TM-RRT勘探策略的鲁棒性，而常规的RRT勘探策略则不足。

为了在多个机器人系统中有效完成任务，必须解决的问题是同时定位和映射（SLAM）。激光雷达（光检测和范围）由于其出色的精度而用于许多SLAM解决方案，但其性能在无特征环境（如隧道或长走廊）中降低。集中式大满贯解决了云服务器的问题，云服务器需要大量的计算资源，并且缺乏针对中央节点故障的鲁棒性。为了解决这些问题，我们提出了一个分布式的SLAM解决方案，以使用超宽带（UWB）范围和探测测量值估算一组机器人的轨迹。所提出的方法在机器人团队之间分配了处理，并显着减轻了从集中式大满贯出现的计算问题。我们的解决方案通过最大程度地减少在机器人处于近距离接近时在不同位置进行的UWB范围测量方法来确定两个机器人之间的相对姿势（也称为环闭合）。 UWB在视线条件下提供了良好的距离度量，但是由于机器人的噪声和不可预测的路径，检索精确的姿势估计仍然是一个挑战。为了处理可疑的循环封闭，我们使用成对的一致性最大化（PCM）来检查循环封闭质量并执行异常拒绝。然后，在分布式姿势图优化（DPGO）模块中将过滤的环闭合与探光仪融合，以恢复机器人团队的完整轨迹。进行了广泛的实验以验证所提出的方法的有效性。

在室内运行的自主机器人和GPS拒绝的环境可以使用LIDAR进行大满贯。但是，由于循环闭合检测和计算负载以执行扫描匹配的挑战，在几何衰减的环境中，LIDAR的表现不佳。现有的WiFi基础架构可以用低硬件和计算成本来进行本地化和映射。然而，使用WiFi进行准确的姿势估计是具有挑战性的，因为由于信号传播的不可预测性，可以在同一位置测量不同的信号值。因此，我们介绍了WiFi指纹序列的使用量估计（即循环闭合）。这种方法利用移动机器人移动时获得的位置指纹的空间连贯性。这具有更好的校正探针流漂移的能力。该方法还结合了激光扫描，从而提高了大型和几何衰减环境的计算效率，同时保持LIDAR SLAM的准确性。我们在室内环境中进行了实验，以说明该方法的有效性。基于根平方误差（RMSE）评估结果，并在测试环境中达到了88m的精度。

消息传递神经网络（MPNN）具有可提供的限制，可以通过Universal Networks克服。然而，通用网络通常是不切实际的。唯一的例外是随机节点初始化（RNI），一个数据增强方法导致可释放的通用网络。不幸的是，RNI遭受了严重的缺点，例如缓慢的收敛性和对近似参数的变化的敏感度。我们将强大的技术从图形同构测试的实际世界转移到MPNNS，解决这些缺点。这在个性化 - 细化节点初始化（IRNI）中达到了最终。我们通过在良好选择的节点上仅通过手术切口替换RNI中使用的不分度和随机性随机性。我们的新型非侵入式数据增强方案在解决训练性问题时维持网络的普遍性。我们正式证明了索赔的普遍性和实验证实 - 在以前明确为此目的设计的合成基准组 - IRNI克服了MPNN的局限性。我们还验证了我们对标准基准数据集蛋白和NCI1上的方法的实际功效。

火星是1991年弗里德曼引入的非参数回归的流行方法。火星适合回归数据的简单非线性和非添加功能。我们提出并研究了火星方法的自然套索变体。我们的方法基于通过考虑MARS中的功能的无限维线性组合而获得的凸类功能的最小二乘估计，并施加基于变化的复杂性约束。我们表明我们的估计器可以通过有限维凸优化来计算，并且基于平滑度约束自然地连接到非参数函数估计技术。在一个简单的设计假设下，我们证明了我们的估算仪实现了一定程度上仅依赖于对数的收敛速度，从而在一定程度上避免了通常的维度诅咒。我们使用交叉验证方案实现了用于选择所涉及的调谐参数的方法，并显示与仿真和实际数据设置中的通常的MARS方法相比具有良好的性能。