提出了一种使用天气数据实时太阳生成预测的新方法，同时提出了既有空间结构依赖性的依赖。随着时间的推移，观察到的网络被预测到较低维度的表示，在该表示的情况下，在推理阶段使用天气预报时，使用各种天气测量来训练结构化回归模型。从国家太阳辐射数据库获得的德克萨斯州圣安东尼奥地区的288个地点进行了实验。该模型预测具有良好精度的太阳辐照度（夏季R2 0.91，冬季为0.85，全球模型为0.89）。随机森林回归者获得了最佳准确性。进行了多个实验来表征缺失数据的影响和不同的时间范围的影响，这些范围提供了证据表明，新算法不仅在随机的情况下，而且在机制是空间和时间上都丢失的数据是可靠的。

在接下来的十年中，社交机器人将在许多公共场所中实施，以向人类提供服务。我们质疑这些社交机器人的特性，以提供接受和自发的情感互动。更具体地说，在本研究中，我们报告了机器人在与人类参与者面对面互动任务中情绪传染中空闲运动频率的影响。机器人系统的伙伴被编程为采用悲伤的姿势和面部表情，同时讲述了三个悲伤的故事，并以低，中和高频向上/向下移动头部。每个参与者（n = 15）被邀请坐在好友面前，听故事。使用3D运动捕获系统（质量）记录了人类参与者姿势的无意识变化。结果表明，在高频试验中，肩膀/躯干在高频试验中的倾斜度更大。当Buddy以缓慢的频率移动时，自发运动的数量也更大。当两个人从事社交互动时，这些发现与实验心理学报道的结果相呼应。在Godspeed问卷中获得的分数进一步表明，当Buddy移动缓慢时，可能会发生情绪传染，因为机器人系统被认为是更自然和知识渊博的，例如，以速度与表达的情感相干。我们的工作探讨了机器人系统概念中身体姿势和空闲运动频率的重要性。这样的补充可以提供社交机器人，这些机器人在轻松的机器人人类协作任务中提供情感传染。

在私营部门和行业中，每分钟都会创建大量数据。尽管在私人娱乐部门中掌握数据通常很容易，但在工业生产环境中，由于法律，知识产权保存和其他因素，因此更加困难。但是，大多数机器学习方法都需要数量和质量方面足够的数据源。将两个要求融合在一起的一种合适方法是在整个学习进度的情况下联合学习，但每个人仍然是他们数据的所有者。Federate学习首先是Google研究人员在2016年提出的，例如用于改进Google的键盘Gboard。与数十亿个Android用户相反，可比机械仅由少数公司使用。本文研究了哪些其他限制在生产中占上风以及可以考虑哪种联合学习方法。

解决零和游戏的算法，多目标代理目标，或更普遍的变化不平等问题（VI）问题在一般问题上是不稳定的。由于解决机器学习中这种问题的需求越来越大，近年来，这种不稳定性是一项重大的研究挑战。在本文中，我们概述了在针对广泛的VI问题类别的分析和设计中使用连续时间观点的最新进展。我们的演示文稿在单目标问题和多目标问题之间取得了相似之处，突出了后者的挑战。我们还为适用于一般VIS的算法制定了各种desiderata，我们认为实现这些Desiderata可能会从对相关的连续时间动态的理解中获利。

我们开发了一种内点方法来解决受约束的变异不平等（CVI）问题。受乘数在单目标上下文中的交替方向方法（ADMM）方法的效力的启发，我们将ADMM推广为CVIS的一阶方法，我们将其称为基于ADMM基于ADMM的内部点方法（用于受限的VIS）（ ACVI）。我们在两个通用类问题中为ACVI提供了收敛保证：（i）当操作员为$ \ xi $ - 单酮，并且（ii）当它是单调的时，限制是有效的，并且游戏不纯粹是旋转的。当操作员为后一种情况添加L-lipschitz时，我们将$ \ MATHCAL {O}的差距函数的速率匹配已知的低界限（1/\ sqrt {k}）$和$ \ MATHCAL {O}（O}（O}）（最后一个和平均迭代的1/k）$。据我们所知，这是针对具有全球收敛保证的一般CVI问题的一阶内点方法的首次介绍。此外，与以前的工作不同的是，ACVI提供了一种在限制不平的情况下解决CVI的方法。经验分析表明，ACVI比常见的一阶方法具有明显的优势。特别是，（i）当我们的方法从分析中心接近解决方案时，周期性行为显着降低，并且（ii）与基于投影的方法不同，在接近约束时振荡的方法有效地处理了约束。

几种广泛使用的一阶马鞍点优化方法将衍生天然衍生时的梯度下降成本（GDA）方法的相同连续时间常分等式（ODE）。然而，即使在简单的双线性游戏上，它们的收敛性也很差异。我们使用一种来自流体动力学的技术，称为高分辨率微分方程（HRDE）来设计几个骑马点优化方法的杂散。在双线性游戏中，派生HRDE的收敛性属性对应于起始离散方法的收敛性。使用这些技术，我们表明乐观梯度下降的HRDE具有最后迭代单调变分不等式的迭代收敛。据我们所知，这是第一个连续时间动态，用于收敛此类常规设置。此外，我们提供了ogda方法的最佳迭代收敛的速率，仅依靠单调运营商的一阶平滑度。

不确定性估计（UE）技术 - 例如高斯过程（GP），贝叶斯神经网络（BNN），蒙特卡罗辍学（MCDropout） - 旨在通过为每个分配估计的不确定性值来提高机器学习模型的可解释性他们的预测输出。然而，由于过高的不确定性估计可以在实践中具有致命的后果，因此本文分析了上述技术。首先，我们表明GP方法始终会产生高不确定性估计（OOD）数据。其次，我们在2D玩具示例中显示了BNN和MCDRopout在OOD样品上没有提供高不确定性估计。最后，我们凭经验展示了这种BNNS和MCDRopout的陷阱也在现实世界数据集中持有。我们的见解（i）提高了对深度学习中目前流行的UE方法更加谨慎使用的认识，（ii）鼓励开发UE方法，这些方法近似于基于GP的方法 - 而不是BNN和MCDROPOUT，以及我们的经验设置可用于验证任何其他UE方法的ood性能。源代码在https://github.com/epfml/unctemationsiapity-娱乐中获得。