In this paper, we formalise order-robust optimisation as an instance of online learning minimising simple regret, and propose Vroom, a zero'th order optimisation algorithm capable of achieving vanishing regret in non-stationary environments, while recovering favorable rates under stochastic reward-generating processes. Our results are the first to target simple regret definitions in adversarial scenarios unveiling a challenge that has been rarely considered in prior work.
Mirror Descent Policy Optimisation for Robust Constrained Markov Decision Processes
Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR)（前沿人工智能研究中心，科技研究局（A*STAR））；Singapore Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR)（新加坡高性能计算研究所，科技研究局（A*STAR））；College of Computing and Data Science, Nanyang Technological University, Singapore（计算与数据科学学院，南洋理工大学，新加坡）
Neural Network-enabled Domain-consistent Robust Optimisation for Global CO$_2$ Reduction Potential of Gas Power Plants
University College London（伦敦大学学院）；University of Engineering King Saud University（工程大学 King Saud 大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Cambridge（剑桥大学）
Decision Making under the Exponential Family: Distributionally Robust Optimisation with Bayesian Ambiguity Sets
Department of Statistics, University of Warwick, Coventry, UK（威斯敏斯特大学统计学系）；Department of Computer Science, University of Warwick, Coventry, UK（威斯敏斯特大学计算机科学系）；Department of Statistics, University College London, UK（伦敦大学学院统计学系）；The Alan Turing Institute, London, UK（艾伦·图灵研究所）
Towards Backdoor Attacks and Defense in Robust Machine Learning Models
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学跨学科安全、可靠性与信任中心（SnT））；Singapore University of Technology and Design（新加坡科技设计大学）
How Robust is your Fair Model? Exploring the Robustness of Diverse Fairness Strategies
RMIT University（皇家墨尔本理工大学）；University of Michigan（密歇根大学）；ETH Zurich（苏黎世联邦理工学院）；UNSW Sydney（新南威尔士大学悉尼分校）；ARC Centre of Excellence for Automated Decision-Making and Society（自动化决策与社会卓越研究中心）；School of Computing Technologies, RMIT University（皇家墨尔本理工大学计算技术学院）；Department of Mathematics, University of Michigan（密歇根大学数学系）；Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系）；School of Computer Science and Engineering, UNSW Sydney（新南威尔士大学悉尼分校计算机科学与工程学院）
Differential Evolution and Bayesian Optimisation for Hyper-Parameter Selection in Mixed-Signal Neuromorphic Circuits Applied to UAV Obstacle Avoidance
University of Queensland（昆士兰大学）；CSIRO（联邦科学与工业研究组织）；University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Institute of Neuroinformatics（神经信息学研究所）
Lobula Giant Movement Detector（LGMD）是蝗虫的一个识别神经元，它可以检测到隐约可见的物体并触发其逃跑反应。理解导致这些快速和鲁棒响应的神经原理和网络可以导致在机器人应用中设计高效的避障策略。在这里，我们提出了一个神经形态的脉冲神经网络模型的LGMD驱动的神经形态的动态视觉传感器（DVS），它已被优化，以产生强大的和可靠的响应，在面对的限制和可变性的混合信号模拟-数字电路的输出。由于该LGMD模型参数较多，我们采用差分进化算法对其参数空间进行优化。我们还研究了使用自适应差分进化（SADE）已被证明，以改善困难，找到合适的输入参数DE。我们探讨使用两种生物学机制：突触可塑性和膜适应性的LGMD。我们应用DE和SADE找到最适合无人机（UAV）避障系统的参数，并显示它如何优于用于比较的最先进的贝叶斯优化。
