現在，世界的にゲーム市場が拡大し必要なシナリオも増加している．シナリオライターの負担軽減と物語多様性の担保という観点から，シナリオ自動生成システムの開発が必要であると考えられる．そこで本研究では，シナリオの8割以上が当てはまるシナリオ構造である13フェイズ構造を活用し，それによるシナリオ作成一連の工程をすべて自動化，シナリオを生成するシステムASBS(Automatic Scenario Building System)の開発を行う．今回は，シナリオ作成に必要な，プロットの生成自動化をASBSによって行った．

競輪の1日当たりのレース数を考えると予想記事の作成にかかるコストは大きい．よって本研究では，競輪の予想記事を自動生成することを目的とする．また，新規ユーザーの獲得という競輪業界の課題や既存記事が新規ユーザーには理解が困難であることを踏まえ，本研究では，新規ユーザー向けの予想記事の自動生成を行う．本研究では，機械学習による着順予測の生成と，生成された着順予測を解説する予想記事の生成を行った．着順予測については，予測のための入出力設定の比較，機械学習手法の比較，入力特徴量の比較を実施し，本研究での最良の着順予測を生成した．記事生成については，既存記事を参考に，生成する記事の満たすべき条件を設定し，その条件を満たす記事生成手法としてテンプレートによる記事生成を提案した．

近年, 深層学習を使用した芸術の作成に注目が集まっている. また, 日本で古くから親しまれている芸術として俳句がある. そこで, 俳句を作成する方法として一般的な「モチーフから俳句を作る」ということを深層学習を使用して行うことで, 芸術作成としての深層学習の有用性を示す.そのための方法として, 小林一茶をはじめとする俳人たちの俳句を大量に用意してLSTMに入力して学習し, 文字列を生成する. その後, 得られた文字列から俳句としての条件を満たすものをとりだし, モチーフ画像に適合するかどうかの評価値を算出する. 評価が高ければそのモチーフ画像にあった俳句として生成できたものとしている. その過程で,LSTMが俳句としてのルールを学習できているかを確認するための実験を行った.

近年、漁業の乱獲などによって水産資源の枯渇が問題となっており、魚種ごとの資源管理が課題とされている。しかし、受動的漁法である定置網漁法において、漁獲量を調整することが難しい。そこで、本研究は定置網漁場に設置された魚群探知機によって得られる音響画像を用いて、Deep Learningによる定置網内の魚種・漁獲量推定のアプローチを行い、推定モデルの有効性を検証する。

Recognition of daily living activities is important to realize advanced services that increase QoL (Quality of Life) of residents by providing context-aware appliance control, health monitoring and so on. Our previous work already achieved recognition of nine types of daily living activities with an accuracy of 68% by applying Random Forest machine learning algorithm to the data collected with ECHONET Lite appliances and motion sensors in a home. ECHONET Lite is a communication protocol for the control and the sensor network of networked appliances used in a home and has been standardized as ISO/IEC-4-3. Many appliance manufacturers are developing ECHONET Lite appliances and introducing them into the market. In addition, motion sensors are already widespread and attached to some appliances such as lighting devices and IH cooking heaters so that they are automatically turned off when no one exists nearby. In this paper, we propose a new method of daily living activity recognition by introducing time series data analysis with LSTM of Deep Learning. We collected data with ECHONET Lite appliances and motion sensors attached to the appliances over 12 days in our smart home facility where four participants spent usual daily life for three days each. As a result of time series analysis of the collected data with LSTM, we achieved the recognition accuracy of 85% for 9 different activities.

In recent years, the number of people using online recipe services for cooking has increased with the spread of the smartphone. In a recent survey, more than 60% of housewives answered that they use the opportunity to use online recipe sites more often. It is difficult to match food taste to user 's preference as each online recipe page shows a recipe to realize just one taste even though there are countless numbers of recipes in an online recipe service. As a preliminary experiment, we investigated the degree of individual difference in taste preference. As a result, one-third of the subjects preferred to adjust the amount of hot water used for a Miso Soup by -20% or + 20% of the specied amount of the original recipe. The results of the two conducted experiments lead to the decision, that there is a need for a system that can help to adjust the optimal amount of seasoning to personal taste and to support the addition of the exact amount of seasoning. The purpose of this research is, therefore, to increase daily meal satisfaction through the realization of a system, that improves the taste of food based on an online recipe closer to the user's preferable taste without burdening the user. To realize this system, the following three problems are approached: (1) building an individual preference model for food taste, (2) determining the seasoning quantity based on the individual preference model. Existing Research focuses on recommending recipes according to personal taste. However, there is no research on the usage of a system which supports the adjustment of the recipe based on personal preference. Therefore, we develop a system that extracts the user's preference by assessing the individual taste through a questionnaire in a learning model and adjusting the amount of seasoning in the base recipe accordingly, which solves the problem (1) and (2). As a validating experiment, we analyzed the user preference models based on feedback before and after adjusting the seasonings. The results showed that the preference model estimation using a two-week timeframe whose results show that the longer timeframe also increased the accuracy of the preference model, to a point, that the individual preference model can be built correctly.