在人机协作中，机器人错误是不可避免的 - 损害用户信任，愿意共同努力以及任务绩效。先前的工作表明，人们自然会对机器人错误的社会响应，并且在社交互动中，可以使用人类反应来检测错误。但是，在非社交，人类机器人协作（例如组装和工具检索）的领域中，几乎没有探索。在这项工作中，我们研究了人们对机器人错误的有机社会反应如何用于及时自动检测物理人类机器人相互作用中的错误。我们进行了一项数据收集研究，以获取面部响应以培训实时检测算法和案例研究，以探索我们通过不同的任务设置和错误的方法的普遍性。我们的结果表明，自然的社会响应是即使在非社会上下文中的机器人错误及时检测和定位的有效信号，并且我们的方法在各种任务上下文，机器人错误和用户响应中都具有牢固性。这项工作有助于无需详细的任务规格检测强大的错误检测。

大多数机器学习（ML）方法假设训练阶段使用的数据来自目标人群。但是，实际上，一个经常会面对数据集偏移，如果考虑到未正确考虑的话，可能会降低ML模型的预测性能。通常，如果从业人员知道正在发生哪种轮班类型（例如，协变量转移或标签转移），他们可能会采用转移学习方法来获得更好的预测。不幸的是，当前用于检测移位的方法仅设计用于检测特定类型的偏移或无法正式测试其存在。我们介绍了一个一般和统一的框架，该框架通过检测不同类型的变化和量化它们的强度来提供有关如何改善预测方法的见解。我们的方法可用于任何数据类型（表格/图像/文本）以及分类和回归任务。此外，它使用正式的假设测试来控制虚假警报。我们说明了我们的框架在实践中使用人工和真实数据集的实践有用，包括一个示例，说明了我们的框架如何导致洞察力确实可以提高监督模型的预测能力。我们用于数据集偏移检测的软件包可以在https://github.com/felipemaiapolo/detectshift中找到。

The Bayesian additive regression trees (BART) model is an ensemble method extensively and successfully used in regression tasks due to its consistently strong predictive performance and its ability to quantify uncertainty. BART combines "weak" tree models through a set of shrinkage priors, whereby each tree explains a small portion of the variability in the data. However, the lack of smoothness and the absence of a covariance structure over the observations in standard BART can yield poor performance in cases where such assumptions would be necessary. We propose Gaussian processes Bayesian additive regression trees (GP-BART) as an extension of BART which assumes Gaussian process (GP) priors for the predictions of each terminal node among all trees. We illustrate our model on simulated and real data and compare its performance to traditional modelling approaches, outperforming them in many scenarios. An implementation of our method is available in the R package rGPBART available at: https://github.com/MateusMaiaDS/gpbart

我们解决了从培训数据中学习机器学习模型的问题，该模型源于多个数据所有者，同时提供有关保护每个所有者数据的正式隐私保证。基于差异隐私（DP）的现有解决方案以准确性下降为代价。基于安全多方计算（MPC）的解决方案不会引起这种准确性损失，而是在公开可用的训练模型时泄漏信息。我们提出了用于训练DP模型的MPC解决方案。我们的解决方案依赖于用于模型培训的MPC协议，以及以隐私保护方式以拉普拉斯噪声扰动训练有素的模型系数的MPC协议。所得的MPC+DP方法比纯DP方法获得了更高的准确性，同时提供相同的正式隐私保证。我们的工作在IDASH2021轨道III竞赛中获得了针对安全基因组分析的机密计算竞赛的第一名。

使用玩具航海导航环境，我们表明，只有已知有关部分观察到的马尔可夫决策过程（POMDP）的部分信息，可以使用动态编程。通过将不确定性纳入我们的模型，我们表明可以构建维护安全的导航策略。添加受控感测方法，我们表明这些策略同时也可以降低测量成本。

图表学习通常是处理或代表结构化数据的必要步骤，当没有明确给出底层图。图表学习通常以完全了解图形信号的全部知识，即涉及图形节点上的数据。但是，有些设置可以容易地或仅具有不可忽略的通信成本来收集数据。在这种情况下，分布式处理看作是一种自然解决方案，其中数据保持主要是本地，并且在通信图上的邻居节点中执行所有处理。我们在此提出了一种新型分布图学习算法，其允许在数据在目标图上平滑的假设下从节点上的信号观察推断图。我们通过本地投影约束解决了分布式优化问题，以推断有效图，同时限制通信成本。我们的结果表明，分布式方法的通信成本低于集中式算法，而不会影响推断图中的精度。随着网络大小的增加，它还可以在通信成本方面更好地缩放，特别是对于稀疏网络。

数字转型面临着巨大的安全挑战。特别是，越来越多的网络攻击目标互联网（物联网）系统的需要重述可靠地检测恶意网络活动的需求。本文介绍了关于IOT-23数据集的九个恶意软件捕获的监督，无监督和强化学习技术的比较分析，考虑到二进制和多级分类方案。开发的模型包括支持向量机（SVM），极端梯度升压（XGBoost），光梯度升压机（LightGBM），隔离林（IFOREST），本地异常因子（LOF）和基于的深增强学习（DRL）模型双层Q-Network（DDQN），适用于入侵检测上下文。通过LightGBM实现了最佳性能，紧随其后的SVM。尽管如此，IFOREST针对未知攻击显示出良好的结果，DRL模型展示了采用该方法不断改善检测的可能益处。总的来说，所获得的结果表明，分析的技术非常适合于物联网入侵检测。

在监督学习中，培训和测试数据集通常从不同的分布中采样。因此需要域改性技术。当域才因特征边际分布而不同时，协变速适配会产生良好的泛化性能。 Covariate换档适应通常使用重要性加权实施，这可能根据常见智慧而失败，由于较小的有效样本尺寸（ESS）。以前的研究认为，这种情况在高维设置中更常见。然而，考虑到协变转变适应的背景，在监督学习中，如何在监督学习方面与效率有效，维度和模型性能/泛化是多么难以置信。因此，主要挑战是呈现连接这些点的统一理论。因此，在本文中，我们专注于构建连接ESS，数据维度和泛化在协变速改编的背景下的统一视图。此外，我们还证明了减少量度或特征选择如何增加ESS，并认为我们的结果在协会变化适应之前支持维度减少，作为一种良好的做法。