这项研究提出了新的策略，以研究信任和群体动态在儿童机器人相互作用中的相互影响。我们使用类人机器人ICUB实施了类似游戏的实验活动，并设计了一份问卷来评估孩子如何看待这种相互作用。我们还旨在验证传感器，设置和任务是否适合研究此类方面。问卷的结果表明，年轻人将ICUB视为朋友，通常以积极的方式将ICUB视为朋友。其他初步结果表明，通常，孩子在活动期间信任ICUB，并且在其错误后，他们试图用诸如：“不用担心ICUB，我们原谅您”之类的句子来放心。此外，对机器人在小组认知活动中的信任似乎会根据性别而发生变化：在机器人连续两个错误之后，女孩倾向于比男孩更信任ICUB。最后，跨游戏计算的点和自我报告的量表之间的不同年龄组之间没有明显的差异。我们提出的工具适合研究不同年龄段的人类机器人相互作用（HRI）的信任，并且似乎适合理解小组相互作用的信任机制。

与社会推动者的强化学习的最新进展使此类模型能够在特定的互动任务上实现人级的绩效。但是，大多数交互式场景并不是单独的版本作为最终目标。取而代之的是，与人类互动时，这些代理人的社会影响是重要的，并且在很大程度上没有探索。在这方面，这项工作提出了一种基于竞争行为的社会影响的新颖强化学习机制。我们提出的模型汇总了客观和社会感知机制，以得出用于调节人造药物学习的竞争得分。为了调查我们提出的模型，我们使用厨师的帽子卡游戏设计了一个互动游戏场景，并研究竞争调制如何改变代理商的比赛风格，以及这如何影响游戏中人类玩家的体验。我们的结果表明，与普通代理人相比，与竞争对手的代理人相比，人类可以检测到特定的社会特征，这直接影响了后续游戏中人类玩家的表现。我们通过讨论构成人工竞争得分的不同社会和客观特征如何有助于我们的结果来结束我们的工作。

当前的面部表情识别系统需要与受过培训不同的情况下部署到不同的情况时进行昂贵的重新训练。将它们偏向学习特定的面部特征，而不是执行典型的转移学习方法，可能会帮助这些系统在不同任务中保持高性能，但要减少培训工作。在本文中，我们提出了对比度的抑制作用（CIAO），该机制适应了最后一层面部编码器以描述不同数据集中的特定情感特征。 CIAO在六个具​​有非常独特的情感表示形式的不同数据集上提高了面部表达识别性能的改善，特别是与最先进的模型相比。在我们的讨论中，我们深入分析了如何代表学习的高级面部特征，以及它们如何为每个数据集的特征做出贡献。我们通过讨论CIAO如何在非普遍面部表情感知的最新发现范围内定位自己来最终完成研究，及其对面部表达识别研究的影响。

人类具有非凡的能力来传达和阅读对象的属性，只需看到它们被别人带走即可。人类可用的这种沟通技巧和解释水平对于协作机器人可以自然和有效的互动对于协作机器人至关重要。例如，假设机器人正在移交一个脆弱的对象。在这种情况下，应通过直接和隐性的信息，即通过直接调节机器人的行动来告知其脆弱性的人。这项工作调查了两个具有不同实施方案的机器人（一个ICUB类人体机器人和Baxter机器人）进行交流意图执行的对象操作的感知。我们设计了机器人的动作，以传达对象运输过程中的谨慎性。我们发现，人类观察者不仅可以正确地感知此功能，而且可以在随后的人类物体操纵中引起运动适应的一种形式。此外，我们可以深入了解哪些运动功能可能会或多或少地谨慎地操纵物体。

人类的感知基于无意识的推论，其中感觉输入与先前的信息集成在一起。这种现象被称为上下文依赖性，有助于面对外部世界的不确定性，并在先前的经验上构建了预测。另一方面，人类的感知过程固有地是由社会互动塑造的。但是，上下文依赖性的机制如何影响到迄今为止未知。如果使用以前的经验 - 先验 - 在单个环境中是有益的，那么它可能代表了其他代理商可能没有相同先验的社会场景中的问题，从而在共享环境上造成了感知的错误。本研究解决了这个问题。我们研究了与人形机器人ICUB的互动环境中的上下文依赖性，该机器人是刺激示威者。参与者在两个条件下重现了机器人所示的长度：一个具有社交性的ICUB，另一个与ICUB充当机械臂。机器人的不同行为显着影响了感知的先验使用。此外，社会机器人通过提高准确性并减少参与者的总体感知错误，从而对感知性能产生积极影响。最后，观察到的现象是按照贝叶斯的方法加深和探索共同感知的新概念进行了建模的。

最先进的人工智能（AI）技术达到了令人印象深刻的复杂性。因此，研究人员正在发现越来越多的方法来在现实世界中使用它们。然而，这种系统的复杂性需要引入使那些对人类用户透明的方法。 AI社区正试图通过引入可解释的AI（XAI）字段来克服这个问题，这暂时使AI算法不那么不透明。但是，近年来，Xai更清楚地，Xai远远超过计算机科学问题：由于它是关于沟通，Xai也是一种人类代理互动问题。此外，AI从实验室中出来的实验室。这意味着需要对非专家用户量身定制的XAI解决方案。因此，我们向XAI提出了一个用户以用户为中心的框架，专注于其社会互动的方面，从认知和社会科学的理论和调查中获取灵感。该框架旨在为非专家用户提供互动XAI解决方案的结构。

当操纵对象时，人类将它们的动作精细调整到他们正在处理的特征。因此，细心观察者可以预见被操纵物体的隐藏性质，例如其重量，温度，甚至它是否需要特别注意操纵。这项研究是朝着赋予人类机器人的一步，这是一个最后的能力。具体而言，我们研究机器人如何从单独推断出在线推断，无论是人类伴侣在移动物体时都是小心的。我们表明，即使使用低分辨率摄像头，人形机器人也可以高精度地执行此推理（高达81.3％）。只有短暂的运动没有障碍，仔细识别不足。迅速识别出现谨慎观察合作伙伴的行动将使机器人能够适应对象的行为，以显示与人工合作伙伴相同程度的照顾。

人类不断受到他人的行为和观点的影响。至关重要的是，人类之间的社会影响是由互惠构成的：我们更多地遵循一直在考虑我们意见的人的建议。在当前的工作中，我们研究了与社会类人机器人互动时相互影响的影响是否可以出现。在一项联合任务中，人类参与者和人形机器人进行了感知估计，然后在观察伴侣的判断后可以公开修改它们。结果表明，赋予机器人表达和调节其对人类判断的易感水平的能力代表了双刃剑。一方面，当机器人遵循他们的建议时，参与者对机器人的能力失去了信心。另一方面，参与者不愿透露他们对易感机器人缺乏信心，这表明出现了支持人类机器人合作的社会影响力的相互机制。

Taking advice from others requires confidence in their competence. This is important for interaction with peers, but also for collaboration with social robots and artificial agents. Nonetheless, we do not always have access to information about others' competence or performance. In these uncertain environments, do our prior beliefs about the nature and the competence of our interacting partners modulate our willingness to rely on their judgments? In a joint perceptual decision making task, participants made perceptual judgments and observed the simulated estimates of either a human participant, a social humanoid robot or a computer. Then they could modify their estimates based on this feedback. Results show participants' belief about the nature of their partner biased their compliance with its judgments: participants were more influenced by the social robot than human and computer partners. This difference emerged strongly at the very beginning of the task and decreased with repeated exposure to empirical feedback on the partner's responses, disclosing the role of prior beliefs in social influence under uncertainty. Furthermore, the results of our functional task suggest an important difference between human-human and human-robot interaction in the absence of overt socially relevant signal from the partner: the former is modulated by social normative mechanisms, whereas the latter is guided by purely informational mechanisms linked to the perceived competence of the partner.

Building a quantum analog of classical deep neural networks represents a fundamental challenge in quantum computing. A key issue is how to address the inherent non-linearity of classical deep learning, a problem in the quantum domain due to the fact that the composition of an arbitrary number of quantum gates, consisting of a series of sequential unitary transformations, is intrinsically linear. This problem has been variously approached in the literature, principally via the introduction of measurements between layers of unitary transformations. In this paper, we introduce the Quantum Path Kernel, a formulation of quantum machine learning capable of replicating those aspects of deep machine learning typically associated with superior generalization performance in the classical domain, specifically, hierarchical feature learning. Our approach generalizes the notion of Quantum Neural Tangent Kernel, which has been used to study the dynamics of classical and quantum machine learning models. The Quantum Path Kernel exploits the parameter trajectory, i.e. the curve delineated by model parameters as they evolve during training, enabling the representation of differential layer-wise convergence behaviors, or the formation of hierarchical parametric dependencies, in terms of their manifestation in the gradient space of the predictor function. We evaluate our approach with respect to variants of the classification of Gaussian XOR mixtures - an artificial but emblematic problem that intrinsically requires multilevel learning in order to achieve optimal class separation.