在本文中，我们在不确定的沟通和对抗性攻击者的影响下解决了多机器人信息路径计划（MIPP）任务。目的是创建一个多机器人系统，尽管存在损坏的机器人共享恶意信息，但仍可以学习并统一对未知环境的知识。我们使用高斯工艺（GP）来对未知环境进行建模，并使用相互信息的指标来定义信息。我们MIPP任务的目标是最大化团队收集的信息量，同时最大程度地提高弹性弹性的可能性。不幸的是，这些目标是矛盾的，尤其是在探索需要机器人之间断开连接的大环境时。结果，我们强加了一个概率的通信约束，该概率可以使机器人间歇性地满足和弹性地共享信息，然后在所有其他时间内采取行动以最大程度地提高收集的信息。为了解决我们的问题，我们选择具有最高弹性概率的会议位置，并使用顺序贪婪算法来优化机器人探索的路径。最后，我们通过比较应用弹性和非弹性MIPP算法的良好行为机器人的学习能力来展示结果的有效性。

在新兴应用中，自主机器人对日常生活的潜在影响是明显的，如精密农业，搜救，救援和基础设施检查。然而，这种应用需要在不明和复杂的一组目标中具有广泛而非结构化的环境，所有这些应用都在严格的计算和功率限制下。因此，我们认为必须安排和优化支持机器人自主权的计算内核，以保证及时和正确的行为，同时允许在运行时重新配置调度参数。在本文中，我们考虑了一个必要的第一步，迈出了自主机器人的计算意识的目标：从资源管理角度来看，基础计算内核的实证研究。具体地，我们对三个嵌入式计算平台进行了用于定位和映射，路径规划，任务分配，深度估计和光流的核的定时，电源和内存性能的数据驱动的研究。我们配置文件并分析这些内核，为计算感知自治机器人提供了解调度和动态资源管理的洞察。值得注意的是，我们的结果表明，内核性能与机器人的运营环境有关，证明了计算感知机器人的概念以及为什么我们的作品对这一目标的关键步骤。

在本文中，我们考虑了分布式多机器人系统（MRSS）的两个耦合问题，与有限的视野（FOV）传感器协调：交互的自适应调整和传感器攻击的拒绝。首先，分布式控制框架（例如，潜在字段）的典型缺点是整体系统行为对分配给相对交互的增益非常敏感。其次，有限的FOV传感器MRSS可以更容易受到针对他们的FOV的传感器攻击，因此必须适应这种攻击。基于这些缺点，我们提出了一个全面的解决方案，将自适应增益调整和攻击恢复能力结合在拓扑控制中，为有限的FOVS拓扑控制问题。具体地，我们首先基于满足标称成对相互作用来得出自适应增益调谐方案，这产生了机器人邻域中的相互作用强度的动态平衡。然后，我们通过采用静态输出反馈技术来模拟附加传感器和执行器攻击（或故障）并导出H无限控制协议，保证受攻击（故障）信号引起的误差的界限L2增益。最后，提供了使用ROS Gazebo的仿真结果来支持我们的理论发现。

监测草原的健康和活力对于告知管理决策至关优化农业应用中的旋转放牧的态度至关重要。为了利用饲料资源，提高土地生产力，我们需要了解牧场的增长模式，这在最先进的状态下即可。在本文中，我们建议部署一个机器人团队来监测一个未知的牧场环境的演变，以实现上述目标。为了监测这种环境，通常会缓慢发展，我们需要设计一种以低成本在大面积上快速评估环境的策略。因此，我们提出了一种集成管道，包括数据综合，深度神经网络训练和预测以及一个间歇地监测牧场的多机器人部署算法。具体而言，使用与ROS Gazebo的新型数据综合耦合的专家知识的农业数据，我们首先提出了一种新的神经网络架构来学习环境的时空动态。这种预测有助于我们了解大规模上的牧场增长模式，并为未来做出适当的监测决策。基于我们的预测，我们设计了一个用于低成本监控的间歇多机器人部署策略。最后，我们将提议的管道与其他方法进行比较，从数据综合到预测和规划，以证实我们的管道的性能。

在本文中，我们证明了一种用于优化耦合子模块的最大化问题的制定，具有可提供的次优先界限。在机器人应用中，很常见的是优化问题彼此耦合，因此不能独立解决。具体地，如果第一问题的结果影响第二问题的解决方案，我们考虑两个问题耦合的两个问题，该第二问题在更长的时间尺度上运行。例如，在环境监测的激励问题中，我们对多机器人任务分配有可能影响环境动态，从而影响未来监测的质量，在这里建模为多机器人间歇部署问题。通过该激励例证明了解决这种类型耦合问题的一般理论方法。具体地，我们提出了一种求解由Matroid约束模拟的子模具集功能建模的耦合问题的方法。提出了一种解决这类问题的贪婪算法，以及子最优的保证。最后，通过蒙特卡罗模拟示出了实用的最优比率，以证明所提出的算法可以高效率产生近最佳解决方案。

在本文中，我们制定和解决间歇部署问题，从而产生了夫妇\ emph {当异质机器人应该感知环境过程的策略，其中一支部署的团队应该在环境中感知。作为一种动机，假设不必要的多机器人团队，例如无人驾驶飞行器监测牧场在精确农业背景下监控牧场的慢慢发展。在这种情况下，作为缓慢不断发展的过程，持久部署或监视是必要的间歇部署策略是必要的。与此同时，在部署一旦部署的地方的问题必须解决，因为过程观察产生了确定有效未来部署和监测决策的有用反馈。在这种情况下，我们将环境进程建模为作为一种时空高斯过程，以互信作为衡量我们对环境理解的标准。为了使传感资源有效，我们展示了如何使用Matroid约束来强加多样化的均匀和异构的约束。此外，为了反映现实世界应用的成本敏感性质，我们申请预算为部署的异构机器人团队的成本。为了解决所产生的问题，我们利用子模具优化和麦芽瘤的理论，并提出了一种贪婪算法，借助次级最优性。最后，蒙特卡罗模拟证明了所提出的方法的正确性。

Learning fair graph representations for downstream applications is becoming increasingly important, but existing work has mostly focused on improving fairness at the global level by either modifying the graph structure or objective function without taking into account the local neighborhood of a node. In this work, we formally introduce the notion of neighborhood fairness and develop a computational framework for learning such locally fair embeddings. We argue that the notion of neighborhood fairness is more appropriate since GNN-based models operate at the local neighborhood level of a node. Our neighborhood fairness framework has two main components that are flexible for learning fair graph representations from arbitrary data: the first aims to construct fair neighborhoods for any arbitrary node in a graph and the second enables adaption of these fair neighborhoods to better capture certain application or data-dependent constraints, such as allowing neighborhoods to be more biased towards certain attributes or neighbors in the graph.Furthermore, while link prediction has been extensively studied, we are the first to investigate the graph representation learning task of fair link classification. We demonstrate the effectiveness of the proposed neighborhood fairness framework for a variety of graph machine learning tasks including fair link prediction, link classification, and learning fair graph embeddings. Notably, our approach achieves not only better fairness but also increases the accuracy in the majority of cases across a wide variety of graphs, problem settings, and metrics.

通用数据模型解决了标准化电子健康记录（EHR）数据的许多挑战，但无法将其集成深度表型所需的资源。开放的生物学和生物医学本体论（OBO）铸造本体论提供了可用于生物学知识的语义计算表示，并能够整合多种生物医学数据。但是，将EHR数据映射到OBO Foundry本体论需要大量的手动策展和域专业知识。我们介绍了一个框架，用于将观察性医学成果合作伙伴关系（OMOP）标准词汇介绍给OBO铸造本体。使用此框架，我们制作了92,367条条件，8,615种药物成分和10,673个测量结果的映射。域专家验证了映射准确性，并且在24家医院进行检查时，映射覆盖了99％的条件和药物成分和68％的测量结果。最后，我们证明OMOP2OBO映射可以帮助系统地识别可能受益于基因检测的未诊断罕见病患者。

胶囊网络（参见例如Hinton等，2018）旨在编码有关对象及其部分之间关系的知识和理由。在本文中，我们为此类数据指定了一个生成模型，并得出了一种用于推断场景中每个模型对象转换的变异算法以及观察到的部分对对象的分配。我们基于变异期望最大化来得出对象模型的学习算法（Jordan等，1999）。我们还根据Fischler和Bolles（1981）的RANSAC方法研究了一种替代推理算法。我们将这些推理方法应用于（i）从正方形和三角形（“星座”）等多个几何对象生成的数据，以及（ii）基于零件的面部模型的数据。 Kosiorek等人的最新工作。 （2019年）通过堆叠的胶囊自动编码器（SCAE）使用摊销推理来解决此问题 - 我们的结果表明，我们在可以进行比较的地方（在星座数据上）大大优于它们。

ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。