为当前的决策工具提供公平，公平性或其他以道德动机的结果的概念，是机器学习，AI和优化方面的最新研究工作的首要任务之一。在本文中，我们研究了如何以最大化相关公平性概念的方式分配有限的资源为{本地交互}社区。特别是，我们研究了在多个时期重复分配的动态环境（例如，每年），当地社区同时发展（由提供的分配驱动），并且分配受到社区本身的反馈来调节。我们采用了来自数据驱动的在线优化的最新数学工具，社区可以通过该工具来学习（可能是未知的）演变，满意度以及它们可以与决定的机构共享信息。我们设计的动态策略会收敛到长期最大化公平性的分配。我们进一步展示了我们的模型和方法论，其中包括萨哈拉邦以下国家的医疗保健和教育补贴设计的现实例子。从我们的环境中看，重要的经验收获之一是，长期的公平性是脆弱的，因为在分配策略中确定其他因素（例如，分配中的平等）时，它很容易丢失。此外，幼稚的妥协虽然没有为社区提供重大优势，但可以促进社会成果的不平等。
translated by 谷歌翻译
本文涉及一种计算代理网络，旨在以分布式方式解决在线优化问题，即通过本地计算和通信，没有任何中央协调员。我们提出了具有自适应动量估计（GTADAM）分布式算法的梯度跟踪，其将梯度跟踪机制与梯度的第一和二阶动量估计相结合。该算法在线设置中分析了具有Lipschitz连续梯度的强凸起成本函数的在线设置。我们为动态遗憾提供了一个与初始条件相关的术语的动态遗憾的上限，以及与客观函数的时间变化有关的另一个术语。此外，在静态设置中保证了线性收敛速率。在从图像分类中，在（移动）目标定位问题上和随机优化设置中的时变分类问题测试该算法。在来自多智能经验学习的这些数值实验中，GTADAM优于最先进的分布式优化方法。
translated by 谷歌翻译
Robotics software is pushing the limits of software engineering practice. The 3rd International Workshop on Robotics Software Engineering held a panel on "the best practices for robotic software engineering". This article shares the key takeaways that emerged from the discussion among the panelists and the workshop, ranging from architecting practices at the NASA/Caltech Jet Propulsion Laboratory, model-driven development at Bosch, development and testing of autonomous driving systems at Waymo, and testing of robotics software at XITASO. Researchers and practitioners can build on the contents of this paper to gain a fresh perspective on their activities and focus on the most pressing practices and challenges in developing robotics software today.
translated by 谷歌翻译