这项工作使用来自建设性模拟的可靠数据比较了监督的机器学习方法，以估算空袭期间发射导弹的最有效时刻。我们采用了重采样技术来改善预测模型，分析准确性，精度，召回和F1得分。的确，我们可以根据决策树以及其他算法对重采样技术的显着敏感性来确定模型的显着性能。最佳F1分数的模型的值分别为0.379和0.465，而没有重新采样技术，这一值分别增加了22.69％。因此，如果理想，重新采样技术可以改善模型的召回率和F1得分，而准确性和精确度略有下降。因此，通过通过建设性模拟获得的数据，可以根据机器学习模型开发决策支持工具，从而可以提高BVR空中战斗的飞行质量，从而提高进攻任务的有效性以达到特定目标。

这项工作调查了使用深神经网络（DNN）来执行武器接触区域（WEZ）最大发射范围的估计。韦茨允许飞行员识别空域，其中可用导弹具有更大的成功参与特定目标的概率，即围绕着对手易受射击群体的飞机的假设区域。我们提出了一种方法来确定使用50,000个变化条件下的模拟发射的给定导弹的韦茨。这些模拟用于训练当飞机在不同的烧制条件下发现自身时，可以预测韦茨的DNN，其测定系数为0.99。它提供了另一种关于前面研究的程序，因为它采用了非离散化模型，即，它立即考虑了WEZ的所有方向，以前尚未完成。此外，所提出的方法使用实验设计，允许较少的模拟运行，提供更快的模型训练。

这项工作旨在在防御柜台（DCA）任务的背景下提供超出视觉范围（BVR）空战的参与决策支持工具。在BVR AIR作战中，接合判决是指通过假设令人反感的姿态和执行相应的演示来选择导频的时刻。为了模拟这一决定，我们使用巴西空军航空航天仿真环境（\ {Ambiente de Simula \ C {C} \〜a \〜a \〜ao ao aeroispacial - Asa}在葡萄牙语中，它产生了3,729个建设性模拟，每个建设性模拟持续12分钟，总共10,316场比赛。我们通过称为DCA指数的操作性标准分析了所有样本，这些标准基于主题专家的经验，这类使命的成功程度代表。该公制考虑了同一团队和对方团队的飞机的距离，对抗空气巡逻的点以及所使用的导弹数。通过在整个参与过程中开始和DCA指数的平均值之前定义参与状态，我们创建了一个监督的学习模型，以确定新的参与的质量。一种基于决策树的算法，与XGBoost库一起使用，提供了一种回归模型，以预测具有接近0.8的确定系数的DCA索引和0.05的根均方误差，可以为BVR飞行员提供参数以决定是否或不要搞。因此，使用通过仿真获得的数据，这项工作通过基于BVR Air战斗的机器学习构建决策支持系统而有贡献。

The task of out-of-distribution (OOD) detection is vital to realize safe and reliable operation for real-world applications. After the failure of likelihood-based detection in high dimensions had been shown, approaches based on the \emph{typical set} have been attracting attention; however, they still have not achieved satisfactory performance. Beginning by presenting the failure case of the typicality-based approach, we propose a new reconstruction error-based approach that employs normalizing flow (NF). We further introduce a typicality-based penalty, and by incorporating it into the reconstruction error in NF, we propose a new OOD detection method, penalized reconstruction error (PRE). Because the PRE detects test inputs that lie off the in-distribution manifold, it effectively detects adversarial examples as well as OOD examples. We show the effectiveness of our method through the evaluation using natural image datasets, CIFAR-10, TinyImageNet, and ILSVRC2012.

In recent years, the performance of novel view synthesis using perspective images has dramatically improved with the advent of neural radiance fields (NeRF). This study proposes two novel techniques that effectively build NeRF for 360{\textdegree} omnidirectional images. Due to the characteristics of a 360{\textdegree} image of ERP format that has spatial distortion in their high latitude regions and a 360{\textdegree} wide viewing angle, NeRF's general ray sampling strategy is ineffective. Hence, the view synthesis accuracy of NeRF is limited and learning is not efficient. We propose two non-uniform ray sampling schemes for NeRF to suit 360{\textdegree} images - distortion-aware ray sampling and content-aware ray sampling. We created an evaluation dataset Synth360 using Replica and SceneCity models of indoor and outdoor scenes, respectively. In experiments, we show that our proposal successfully builds 360{\textdegree} image NeRF in terms of both accuracy and efficiency. The proposal is widely applicable to advanced variants of NeRF. DietNeRF, AugNeRF, and NeRF++ combined with the proposed techniques further improve the performance. Moreover, we show that our proposed method enhances the quality of real-world scenes in 360{\textdegree} images. Synth360: https://drive.google.com/drive/folders/1suL9B7DO2no21ggiIHkH3JF3OecasQLb.

Telework "avatar work," in which people with disabilities can engage in physical work such as customer service, is being implemented in society. In order to enable avatar work in a variety of occupations, we propose a mobile sales system using a mobile frozen drink machine and an avatar robot "OriHime", focusing on mobile customer service like peddling. The effect of the peddling by the system on the customers are examined based on the results of video annotation.

Our team, Hibikino-Musashi@Home (the shortened name is HMA), was founded in 2010. It is based in the Kitakyushu Science and Research Park, Japan. We have participated in the RoboCup@Home Japan open competition open platform league every year since 2010. Moreover, we participated in the RoboCup 2017 Nagoya as open platform league and domestic standard platform league teams. Currently, the Hibikino-Musashi@Home team has 20 members from seven different laboratories based in the Kyushu Institute of Technology. In this paper, we introduce the activities of our team and the technologies.

临床文本的自动汇总可以减轻医疗专业人员的负担。 “放电摘要”是摘要的一种有希望的应用，因为它们可以从每日住院记录中产生。我们的初步实验表明，放电摘要中有20-31％的描述与住院记录的内容重叠。但是，目前尚不清楚如何从非结构化来源生成摘要。为了分解医师的摘要过程，本研究旨在确定摘要中的最佳粒度。我们首先定义了具有不同粒度的三种摘要单元，以比较放电摘要生成的性能：整个句子，临床段和条款。我们在这项研究中定义了临床细分，旨在表达最小的医学意义概念。为了获得临床细分，有必要在管道的第一阶段自动拆分文本。因此，我们比较了基于规则的方法和一种机器学习方法，而后者在分裂任务中以0.846的F1得分优于构造者。接下来，我们在日本的多机构国家健康记录上，使用三种类型的单元（基于Rouge-1指标）测量了提取性摘要的准确性。使用整个句子，临床段和条款分别为31.91、36.15和25.18的提取性摘要的测量精度分别为31.91、36.15和25.18。我们发现，临床细分的准确性比句子和条款更高。该结果表明，住院记录的汇总需要比面向句子的处理更精细的粒度。尽管我们仅使用日本健康记录，但可以解释如下：医生从患者记录中提取“具有医学意义的概念”并重新组合它们...

我们提出了一种使用预训练的语言模型的新的无监督方法，用于词汇替换。与以前使用语言模型的生成能力预测替代品的方法相比，我们的方法基于上下文化和脱皮的单词嵌入的相似性检索替代品，即单词在多个上下文中的平均上下文表示。我们以英语和意大利语进行实验，并表明我们的方法基本上要优于强大的基准，并在没有任何明确的监督或微调的情况下建立了新的最新技术。我们进一步表明，我们的方法在预测低频替代品方面的表现特别出色，还产生了多种替代候选者列表，从而减少了根据文章 - 名称协议引起的形态寄电或形态句法偏见。

在本文中，我们考虑在对每个群集建模时，即基于模型的时间序列群集时，将一组单个时间序列集群的任务。该任务需要一个具有足够灵活性的参数模型来描述各个时间序列中的动力学。为了解决这个问题，我们提出了一种基于模型的时间序列聚类方法，该方法具有线性高斯状态空间模型的混合物，具有很高的灵活性。提出的方法对混合模型使用一种新的期望最大化算法来估计模型参数，并使用贝叶斯信息标准确定簇数。模拟数据集上的实验证明了该方法在聚类，参数估计和模型选择中的有效性。该方法应用于真实的数据集，该数据集以前提出的时间序列聚类方法表现出低精度。结果表明，与使用先前方法获得的方法相比，我们的方法产生的聚类结果更准确。