域泛化旨在通过来自有限数量的培训环境的数据表现良好。尽管这项任务提出了提案算法，但理论上和经验仍然非常具有挑战性的评估其表现。分类匹配算法，如（条件）域对抗网络[Ganin等，2016，Long等人，2018]是流行的，享受经验的成功，但缺乏正式的保证。其他诸如不变风险最小化（IRM）的方法需要一定大量的大量培训环境 - 在虚假的特征空间的维度中，即使在[Rosenfeld等人是否提出的简单数据模型， 2021]。在该模型的变种下，我们表明，ERM和IRM都不能以$ O（d_s）$环境概括。然后，我们提出了一种迭代特征匹配算法，其保证具有高概率，以产生推广在仅看到$ O（\ log d_s）$环境之后推广的预测器。我们的结果为在具体的非竞争数据模型下，广泛使用的分销匹配算法系列提供了第一理论理由。

对分发外概括的流行假设是训练数据包括子数据集，每个数据集每种分布从不同的分布中汲取;然后，目标是“插入”这些分布和“推断”超越它们 - 这一目标广泛称为域泛化。常见的信念是，ERM可以插入但不推断，后者更困难，但这些索赔含糊不清，缺乏正式的理由。在这项工作中，我们通过在球员之间重新推广子组作为在线游戏，从而最大限度地减少风险和对手呈现新的测试分布。在基于副组可能性的重量和外推的现有概念下，我们严格证明外推比插值更难地更难，尽管它们的统计复杂性没有显着差异。此外，我们表明ERM - 或嘈杂的变体 - 对于两个任务来说都是最佳的最佳状态。我们的框架为域泛化算法的正式分析提供了一个新的途径，这可能具有独立兴趣。

We show how to turn any classifier that classifies well under Gaussian noise into a new classifier that is certifiably robust to adversarial perturbations under the 2 norm. This "randomized smoothing" technique has been proposed recently in the literature, but existing guarantees are loose. We prove a tight robustness guarantee in 2 norm for smoothing with Gaussian noise. We use randomized smoothing to obtain an ImageNet classifier with e.g. a certified top-1 accuracy of 49% under adversarial perturbations with 2 norm less than 0.5 (=127/255). No certified defense has been shown feasible on ImageNet except for smoothing. On smaller-scale datasets where competing approaches to certified 2 robustness are viable, smoothing delivers higher certified accuracies. Our strong empirical results suggest that randomized smoothing is a promising direction for future research into adversarially robust classification. Code and models are available at http: //github.com/locuslab/smoothing.

This paper considers a combination of actuation tendons and measurement strings to achieve accurate shape sensing and direct kinematics of continuum robots. Assuming general string routing, a methodical Lie group formulation for the shape sensing of these robots is presented. The shape kinematics is expressed using arc-length-dependent curvature distributions parameterized by modal functions, and the Magnus expansion for Lie group integration is used to express the shape as a product of exponentials. The tendon and string length kinematic constraints are solved for the modal coefficients and the configuration space and body Jacobian are derived. The noise amplification index for the shape reconstruction problem is defined and used for optimizing the string/tendon routing paths, and a planar simulation study shows the minimal number of strings/tendons needed for accurate shape reconstruction. A torsionally stiff continuum segment is used for experimental evaluation, demonstrating mean (maximal) end-effector absolute position error of less than 2% (5%) of total length. Finally, a simulation study of a torsionally compliant segment demonstrates the approach for general deflections and string routings. We believe that the methods of this paper can benefit the design process, sensing and control of continuum and soft robots.

人类已经依靠机器将过多的信息减少到可管理的表示形式。但是可以滥用这种依赖 - 战略机器可能会制定操纵用户的表示。用户如何根据战略表示做出很好的选择？我们将其正式化为学习问题，并追求算法来进行操纵。在我们关注的主要环境中，系统将项目的属性表示给用户，后者决定是否消耗。我们通过战略分类的镜头（Hardt等人，2016年）对这种相互作用进行建模，逆转：学习，首先播放的用户；响应的系统排名第二。该系统必须以揭示“除了真理”但不必揭示整个真理的表示形式做出响应。因此，用户在战略子集选择下面临学习设置功能的问题，该选项提出了不同的算法和统计挑战。我们的主要结果是一种学习算法，尽管具有战略代表性，该算法可以最大程度地减少错误，而我们的理论分析阐明了学习工作和操纵易感性之间的权衡。

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。

分布预测对于各种应用都很重要，包括预测流行病。通常，预测在为未来事件分配不确定性时，预测是错误的，或不可靠。我们提出了一种可重新校准方法，可以应用于给予回顾性预测和观察的黑盒预测，以及使该方法在重新校准流行病预测方面更有效的扩展。保证此方法可在培训和测量的样本中提高校准和日志评分性能。我们还证明了重新脉置预测的预期日志评分的增加等于坑分布的熵。我们将此重新校准方法应用于Flusight网络中的27个流感预报员，并显示重新校准可靠地提高预测精度和校准。这种方法是有效的，坚固且易于用作改善流行病预测的后处理工具。

参与式预算（PB）是选民决定如何分配共同预算的过程;最常见的是普通人所做的 - 特别是一些市政府的居民 - 决定市政预算的一小部分。从社交选择的角度来看，PB的现有研究几乎专注于设计了满足研究界认为“可望”的某些公理性质的计算上有效的聚集方法。我们的工作通过用户学习（n = 215）补充了这一研究，涉及若干实验，旨在识别在简单的PB设置中认为是公平或可取的潜在选民（即非专家）。我们的研究结果表明，一些现代PB聚合技术与用户的期望大大不同，而其他更多的标准方法，则提供更多的对齐结果。我们还确定了非专家考虑的一些可能的差异\说{可取的}以及如何在PB背景下认为“公平”的概念。我们共同采取，我们的结果可用于帮助研究界确定适当的PB聚集方法以便在实践中使用。

神经形态数据携带由尖峰编码的时空模式的信息。因此，神经形态计算中的核心问题是训练尖峰神经网络（SNNS）以再现时加速时空尖峰图案响应于给定的尖刺刺激。通过将每个输入分配给特定期望的输出尖刺序列，大多数现有方法通过分配每个输入来模拟SNN的输入输出行为。相比之下，为了充分利用尖峰的时间编码能力，这项工作建议训练SNN，以匹配尖刺信号的分布而不是单独的尖峰信号。为此，本文介绍了一种新颖的混合架构，包括通过SNN实现的条件发生器，以及由传统人工神经网络（ANN）实现的鉴别器。 ANN的作用是在遵循生成的对抗网络（GANS）原则的对抗迭代学习策略中对SNN的培训期间提供反馈。为了更好地捕获多模态的时空分布，所提出的方法被称为Spikegan - 进一步扩展到支持发电机重量的贝叶斯学习。最后，通过提出Spikegan的在线元学习变量来解决具有时变统计数据的设置。实验与基于（静态）信念网络的现有解决方案相比，对所提出的方法的优点带来了洞察的洞察力，以及最大可能性（或经验风险最小化）。