本論文では，深層学習ネットワークへのHMM適用によるテキストベースの分類パターン解釈支援システムを提案し，その有効性を検証した結果について述べる．深層学習における問題点として，人間が深層学習の分類基準を理解することや動作を信頼することが難しいという問題が存在している．そこで，提案システムでは，深層学習の学習済みネットワークに対して，HMMを適用することで分類結果に寄与するパターンの表示を行い，ユーザが分類基準を解釈することを支援する．提案システムの有効性を検証する実験では，テキストベースの分類を行った深層学習の学習済みネットワークを用いて，データ分析の初心者と考えられる被験者に対して，出力に特有の分類パターンを解釈してもらう実験を行った．

粒子群最適化（Particle Swarm Optimization，PSO）は，本来連続値最適化を対象とした確率的最適化アルゴリズムであるが，離散最適化の分野でも様々な拡張がなされ多くの離散最適化問題において優れた成果を挙げている．このような離散問題への拡張では，単純な変数値の丸めにより適応度関数の形状が階段状になることを防ぐため，直接離散変数を扱う代わりに変数値（離散値）の生成モデルに関するパラメータ（連続値）を扱うことで，間接的かつ確率的に離散値を制御するアルゴリズムが存在する．このような確率分布ベースの離散PSO（DDPSO）は，各変数ごとに対応する確率分布から離散値をサンプリングすることで，候補解を生成する．しかし，この手続きでは確率的試行の反復により，PSOの位置速度更新が意図した探索点付近に解を生成できる確率が次元数に対して指数的に減少してしまう．本稿では，このサンプリング手続きにステップサイズの概念を導入し，そのステップサイズを任意の値に制御する新しいサンプリング手法を提案する．加えて，効率的な大域的ランダムウォークの一種であるLévy flight を倣いLévy分布に従ってステップサイズを設定することで，DDPSOの探索効率を向上させる．提案手法を3つの代表的なDDPSOアルゴリズムに対して適用し，関数最適化問題とNKランドスケープにおいて，それぞれの性能を元のアルゴリズムと比較した．実験結果から提案手法は全てのDDPSOの探索効率と次元数・変数の状態数・変数依存関係の強さに対する頑健性を向上させることが示された．更に，特徴量選択の最適化実験において，特徴量選択に特化して設計された4つの進化計算手法と比較して提案手法の優位性が示された．

The purpose of this paper is to observe whether if robot expressions are affecting subjects’ stress and physiological status during the exam. This project proposed two kinds of robot expressions in this experiment, robots express themselves differently when subjects answer correctly or incorrectly. Subject heart rate and brainwaves are monitored by sensors during the experiment. The experiment discovered when subjects face hard questions and answered incorrectly, there are different fluctuations in subject stress which in turn is shown by robotic expressions. This proves that robot expressions influence subject stress under different circumstances which in turn can be applied as a feedback mechanism for influencing stress with students, in the future may substitute humans as teachers.

本論文ではロボットが人に行動を促したりタスクを依頼する場面において，ジェスチャー表現が行動受諾にどの程度影響を与えるのか，アンケートと生体センサ（心拍センサと脳波センサ）の結果を分析し報告する．ロボットが人と日常生活を共にする上で，ロボットが人に行動を促したり協働でタスクを遂行しなければならない場面は今後ますます増えると考えられる．行動の促しやタスクの依頼を受け入れてもらうためには，発話内容だけでなく非言語情報も含めたマルチモーダルインタラクションが重要である．そこで本論文では非言語情報の1つであるジェスチャーに着目しその影響を調査した．ロボットが人に行動を促す時の表現を，発話内容の感情に合わせたジェスチャーと発話内容の感情と逆のジェスチャー，ジェスチャー無しの三条件で比較したところ，ジェスチャー無しよりもジェスチャー有りの方が行動を受け入れ実際に行動する可能性が高く，また行動を促された時にストレスを感じにくいということが示された．