我们考虑使用个性化的联合学习，除了全球目标外，每个客户还对最大化个性化的本地目标感兴趣。我们认为，在一般连续的动作空间设置下，目标函数属于繁殖的内核希尔伯特空间。我们提出了基于替代高斯工艺（GP）模型的算法，该算法达到了最佳的遗憾顺序（要归结为各种因素）。此外，我们表明，GP模型的稀疏近似显着降低了客户之间的沟通成本。

基于内核的模型，例如内核脊回归和高斯工艺在机器学习应用程序中无处不在，用于回归和优化。众所周知，基于内核的模型的主要缺点是高计算成本。给定$ n $样本的数据集，成本增长为$ \ Mathcal {o}（n^3）$。在某些情况下，现有的稀疏近似方法可以大大降低计算成本，从而有效地将实际成本降低到$ \ natercal {o}（n）$。尽管取得了显着的经验成功，但由于近似值而导致的误差的分析范围的现有结果仍然存在显着差距。在这项工作中，我们为NyStr \“ Om方法和稀疏变分高斯过程近似方法提供新颖的置信区间，我们使用模型的近似（代理）后差解释来建立这些方法。我们的置信区间可改善性能。回归和优化问题的界限。

来自高斯过程（GP）模型的汤普森采样（TS）是一个强大的工具，用于优化黑盒功能。虽然TS享有强烈的理论担保和令人信服的实证性能，但它会引发大量的计算开销，可通过优化预算进行多项式。最近，已经提出了基于稀疏GP模型的可扩展TS方法来增加TS的范围，使其应用​​于足够多模态，嘈杂或组合需要的问题，以便要求解决超过几百个评估。但是，稀疏GPS引入的近似误差使所有现有的后悔界限无效。在这项工作中，我们对可扩展Ts进行了理论和实证分析。我们提供理论担保，并表明可以在标准TS上遗憾地享受可扩展TS的计算复杂性的急剧下降。这些概念索赔是针对合成基准测试的可扩展TS的实际实施，作为现实世界的高通量分子设计任务的一部分。

基于内核的强盗是一个广泛研究的黑盒优化问题，其中假定目标函数生活在已知的繁殖核Hilbert空间中。尽管在嘈杂的环境中建立了几乎最佳的遗憾界限（达到对数因素），但令人惊讶的是，对于无噪声设置（如果可以在没有观察噪声的情况下可以访问基础函数的确切值）时，却少了。我们遗憾地讨论了几个上限。这些似乎都没有最佳秩序，并在最佳遗憾界的顺序上提供了猜想。

In this paper, we present the Diver Interest via Pointing (DIP) algorithm, a highly modular method for conveying a diver's area of interest to an autonomous underwater vehicle (AUV) using pointing gestures for underwater human-robot collaborative tasks. DIP uses a single monocular camera and exploits human body pose, even with complete dive gear, to extract underwater human pointing gesture poses and their directions. By extracting 2D scene geometry based on the human body pose and density of salient feature points along the direction of pointing, using a low-level feature detector, the DIP algorithm is able to locate objects of interest as indicated by the diver.

We present the design, development, and evaluation of HREyes: biomimetic communication devices which use light to communicate information and, for the first time, gaze direction from AUVs to humans. First, we introduce two types of information displays using the HREye devices: active lucemes and ocular lucemes. Active lucemes communicate information explicitly through animations, while ocular lucemes communicate gaze direction implicitly by mimicking human eyes. We present a human study in which our system is compared to the use of an embedded digital display that explicitly communicates information to a diver by displaying text. Our results demonstrate accurate recognition of active lucemes for trained interactants, limited intuitive understanding of these lucemes for untrained interactants, and relatively accurate perception of gaze direction for all interactants. The results on active luceme recognition demonstrate more accurate recognition than previous light-based communication systems for AUVs (albeit with different phrase sets). Additionally, the ocular lucemes we introduce in this work represent the first method for communicating gaze direction from an AUV, a critical aspect of nonverbal communication used in collaborative work. With readily available hardware as well as open-source and easily re-configurable programming, HREyes can be easily integrated into any AUV with the physical space for the devices and used to communicate effectively with divers in any underwater environment with appropriate visibility.

许多水下任务，例如电缆和折磨检查，搜索和救援，受益于强大的人类机器人互动（HRI）功能。随着基于视觉的水下HRI方法的最新进展，即使在任务期间，自动驾驶水下车辆（AUV）也可以与他们的人类伴侣进行交流。但是，这些相互作用通常需要积极参与，尤其是人类（例如，在互动过程中必须继续看机器人）。因此，AUV必须知道何时开始与人类伴侣互动，即人是否关注AUV。在本文中，我们为AUV提供了一个潜水员的注意估计框架，以自主检测潜水员的注意力，然后（如果需要）在潜水员方面进行导航和重新定位以启动交互。该框架的核心要素是一个深神经网络（称为datt-net），它利用潜水员的10个面部关键点之间的几何关系来确定其头部方向。我们的基础实验评估（使用看不见的数据）表明，所提出的Datt-Net架构可以以有希望的准确性来确定人类潜水员的注意力。我们的现实世界实验还确认了Datt-NET的功效，该实验可以实时推理，并使AUV可以将自己定位为AUV-Diver相互作用。

在逻辑中使用元规则，即其内容包含其他规则的规则，最近在非单调推理的情况下引起了人们的关注：第一个逻辑形式化和有效算法来计算此类理论的（元）扩展在Olivieri等人（2021年）中提出的这项工作通过考虑悬浮方面扩展了这种逻辑框架。由此产生的逻辑不仅能够建模政策，还可以解决许多法律系统中发生的知名方面。已经研究了我们刚才提到的应用区域中使用不良逻辑（DL）对元符号建模的使用。在这一研究中，上述研究并不关注元符号的一般计算特性。这项研究以两个主要贡献填补了这一空白。首先，我们介绍并形式化了两种具有元符号的可性义能逻辑的变体，以代表（1）具有能态模态的可d不平式元理论，（2）规则之间的两种不同类型的冲突：简单的冲突可不诚实的无义冲突和谨慎的冲突，谨慎的冲突和谨慎的冲突可义的义逻辑。其次，我们推进有效算法以计算两个变体的扩展。

双线性动力系统在许多不同的域中无处不在，也可以用于近似更通用的控制型系统。这激发了从系统状态和输入的单个轨迹中学习双线性系统的问题。在温和的边际均方稳定性假设下，我们确定需要多少数据来估算未知的双线性系统，直至具有高概率的所需精度。就轨迹长度，系统的维度和输入大小而言，我们的样本复杂性和统计错误率是最佳的。我们的证明技术依赖于Martingale小球条件的应用。这使我们能够正确捕获问题的属性，特别是我们的错误率不会随着不稳定性的增加而恶化。最后，我们表明数值实验与我们的理论结果良好。

在本文中，我们提出了一个基于运动的机器人通信框架，该框架能够在自动水下车辆（AUV）和人类潜水员之间进行非语言交流。我们为AUV到AUV通信设计一种手势语言，可以通过观察对话的潜水员轻松理解与典型的射频，光或基于音频的AUV通信来理解。为了让AUV在视觉上从另一个AUV中理解一个手势，我们提出了一个深层网络（RRCommnet），该网络利用了自我发挥的机制来学会通过提取最大歧视性时空特征来学会识别每个消息。我们将该网络培训在不同的模拟和现实世界中。在模拟和闭水机器人试验中，我们的实验评估表明，所提出的RRCommnet体系结构能够在模拟数据上平均准确性为88-94％，在真实数据上平均准确性为88-94％（真实数据的平均精度为88-94％）取决于所使用的模型的版本）。此外，通过与人类参与者进行消息转录研究，我们还表明，人类可以理解所提出的语言，总体转录精度为88％。最后，我们讨论了嵌入式GPU硬件上rrCommnet的推理运行时，以便在现场的AUV上实时使用。