尽管在自然语言处理（NLP）中经常发生的经常性神经网络（RNN），但由于RNN中的本质上复杂计算，RNN的理论理解仍然有限。我们在普遍存在的NLP任务中对RNNS的行为进行了系统分析，通过映射到一种称为经常性算术电路（RAC）和矩阵产品状态（MPS）之间的映射来对电影评论的情感分析。使用von-neumann纠缠熵（EE）作为信息传播的代理，我们表明单层RACS具有最大信息传播能力，由EE的饱和反映。放大超出EE饱和阈值的MP的键尺寸不会增加预测精度，因此可以构建最佳估计数据统计数据的最小模型。虽然饱和EE小于MPS的面积法可实现的最大EE，但我们的模型在现实情绪分析数据集中实现了〜99％的训练准确性。因此，单独的低EE不是针对NLP采用单层RAC的权证。与常见的信念相反，远程信息传播是RNNS表达的主要来源，我们表明单层RACS也从有意义的单词矢量嵌入中利用高表现力。我们的工作揭示了在RAC的现象学中，更一般地用于NLP的RNNS的解释性方面，使用来自许多身体量子物理学的工具。

In recent years, various service robots have been introduced in stores as recommendation systems. Previous studies attempted to increase the influence of these robots by improving their social acceptance and trust. However, when such service robots recommend a product to customers in real environments, the effect on the customers is influenced not only by the robot itself, but also by the social influence of the surrounding people such as store clerks. Therefore, leveraging the social influence of the clerks may increase the influence of the robots on the customers. Hence, we compared the influence of robots with and without collaborative customer service between the robots and clerks in two bakery stores. The experimental results showed that collaborative customer service increased the purchase rate of the recommended bread and improved the impression regarding the robot and store experience of the customers. Because the results also showed that the workload required for the clerks to collaborate with the robot was not high, this study suggests that all stores with service robots may show high effectiveness in introducing collaborative customer service.

This paper proposes embedded Gaussian Process Barrier States (GP-BaS), a methodology to safely control unmodeled dynamics of nonlinear system using Bayesian learning. Gaussian Processes (GPs) are used to model the dynamics of the safety-critical system, which is subsequently used in the GP-BaS model. We derive the barrier state dynamics utilizing the GP posterior, which is used to construct a safety embedded Gaussian process dynamical model (GPDM). We show that the safety-critical system can be controlled to remain inside the safe region as long as we can design a controller that renders the BaS-GPDM's trajectories bounded (or asymptotically stable). The proposed approach overcomes various limitations in early attempts at combining GPs with barrier functions due to the abstention of restrictive assumptions such as linearity of the system with respect to control, relative degree of the constraints and number or nature of constraints. This work is implemented on various examples for trajectory optimization and control including optimal stabilization of unstable linear system and safe trajectory optimization of a Dubins vehicle navigating through an obstacle course and on a quadrotor in an obstacle avoidance task using GP differentiable dynamic programming (GP-DDP). The proposed framework is capable of maintaining safe optimization and control of unmodeled dynamics and is purely data driven.

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.

在本文中，我们报告了一项现场研究，在该研究中，我们在面包店使用了两个服务机器人作为促销活动。先前的研究探索了公共公共公众公共应用，例如购物中心。但是，需要更多的证据表明，服务机器人可以为真实商店的销售做出贡献。此外，在促销促销的背景下，客户和服务机器人的行为尚未得到很好的检查。因此，可以认为有效的机器人行为类型，并且客户对这些机器人的反应尚不清楚。为了解决这些问题，我们在面包店安装了两个远程操作的服务机器人将近2周，一个在入口处作为招待员，另一个在商店里推荐产品。结果表明，在应用机器人时，销售额急剧增加。此外，我们注释了机器人和客户行为的视频录制。我们发现，尽管放置在入口处的机器人成功吸引了路人的兴趣，但没有观察到访问商店的客户数量明显增加。但是，我们确认商店内部运行的机器人的建议确实产生了积极影响。我们详细讨论我们的发现，并为未来的研究和应用提供理论和实用建议。

鉴于音乐源分离和自动混合的最新进展，在音乐曲目中删除音频效果是开发自动混合系统的有意义的一步。本文着重于消除对音乐制作中吉他曲目应用的失真音频效果。我们探索是否可以通过设计用于源分离和音频效应建模的神经网络来解决效果的去除。我们的方法证明对混合处理和清洁信号的效果特别有效。与基于稀疏优化的最新解决方案相比，这些模型获得了更好的质量和更快的推断。我们证明这些模型不仅适合倾斜，而且适用于其他类型的失真效应。通过讨论结果，我们强调了多个评估指标的有用性，以评估重建的不同方面的变形效果去除。

本文提出了来自Covid-19患者CT体积的肺部感染区的分段方法。 Covid-19在全球范围内传播，造成许多受感染的患者和死亡。 CT图像的Covid-19诊断可以提供快速准确的诊断结果。肺中感染区的自动分割方法提供了诊断的定量标准。以前的方法采用整个2D图像或基于3D卷的过程。感染区域的尺寸具有相当大的变化。这种过程容易错过小型感染区域。基于补丁的过程对于分割小目标是有效的。然而，在感染区分割中选择适当的贴片尺寸难以。我们利用分段FCN的各种接受场大小之间的规模不确定性以获得感染区域。接收场尺寸可以定义为贴片尺寸和块从斑块的卷的分辨率。本文提出了一种执行基于补丁的分割的感染分段网络（ISNet）和尺度的不确定性感知预测聚合方法，其改进分割结果。我们设计ISNET到具有各种强度值的分段感染区域。 ISNet具有多个编码路径来处理由多个强度范围归一化的修补程序卷。我们收集具有各种接收场尺寸的ISNet产生的预测结果。预测聚合方法提取预测结果之间的规模不确定性。我们使用聚合FCN来在预测之间的规模不确定性来生成精确的分段结果。在我们的实验中，使用199例Covid-19案例，预测聚集方法将骰子相似度评分从47.6％提高到62.1％。

本文提出了COVID-19患者肺部肺部感染和正常区域的自动分割方法。从2019年12月起，2019年新型冠状病毒疾病（Covid-19）遍布世界，对我们的经济活动和日常生活产生重大影响。为了诊断大量感染的患者，需要计算机诊断辅助。胸部CT对于诊断病毒性肺炎，包括Covid-19是有效的。 Covid-19的诊断辅助需要从计算机的CT卷的肺部条件的定量分析方法。本文用Covid-19分割完全卷积网络（FCN）提出了来自CT卷中的CT卷中肺部感染和正常区域的自动分割方法。在诊断包括Covid-19的肺部疾病中，肺部正常和感染区域的条件分析很重要。我们的方法识别CT卷中的肺正态和感染区。对于具有各种形状和尺寸的细分感染区域，我们引入了密集的汇集连接并扩张了我们的FCN中的互联网。我们将该方法应用于Covid-19案例的CT卷。从轻度到Covid-19的严重病例，所提出的方法在肺部正确分段正常和感染区域。正常和感染区域的骰子评分分别为0.911和0.753。