本文详细概述了将连续学习（CL）应用于单课的人类机器人互动（HRI）会议（AVG。31 +-10分钟）的案例研究，其中机器人的心理健康教练是积极的（n = 20）参与者的心理学（PP）练习。我们介绍了互动会议后与参与者进行的简短半结构访谈记录的数据的主题分析（TA）的结果，以及对统计结果的分析，证明了参与者的个性如何影响他们如何看待机器人的方式及其互动。
translated by 谷歌翻译
维持现实世界中的人类机器人相互作用需要机器人对人类行为特质敏感，并适应其感知和行为模型以满足这些个人偏好。对于情感机器人，这需要学习适应个人情感行为，以为每个人提供个性化的互动体验。持续学习（CL）已被证明可以在代理中实时适应，从而使他们能够通过逐步获得的数据学习，同时保留过去的知识。在这项工作中，我们提出了一个新颖的框架，用于使用基于CL的感知机制对个性化的人类机器人相互作用进行现实应用，以建模个性化的人类机器人相互作用。为了评估所提出的框架，我们使用三种相互作用行为的变体与20名参与者进行概念证明的用户研究：静态和脚本化，使用基于情感的适应性而无需个性化，并将基于情感的适应性与基于情感的适应持续个性化。我们的结果表明，参与者对基于CL的持续个性化的明显偏好，在机器人的拟人化，动画和可爱性等级以及相互作用中观察到的显着改善，以及与机器人在机器人中的评分显着更高的相互作用，因为机器人的评价明显更好。了解参与者的感受。
translated by 谷歌翻译
联合学习使多个数据中心能够协作培训中心模型，而无需公开任何机密数据。尽管确定性模型能够执行高预测准确性，但它们缺乏校准和量化不确定性的能力对于安全至关重要的应用是有问题的。与确定性模型不同，诸如贝叶斯神经网络之类的概率模型相对良好，能够量化不确定性以及其竞争性预测准确性。两种方法都出现在联邦学习框架中。但是，确定性模型的聚合方案不能直接应用于概率模型，因为权重对应于分布而不是点估计。在这项工作中，我们研究了各种聚合方案对变异贝叶斯神经网络的影响。通过三个图像分类数据集的经验结果，我们观察到，汇总分布的传播程度是学习过程中的重要因素。因此，我们提出了有关如何在联合学习中结合变异贝叶斯网络的问题的调查，同时为不同的聚合设置提供了基准。
translated by 谷歌翻译