[背景]乳癌検診において、dense breastの問題として判定方法が客観性に欠けるという点が挙げられる。今回dense breastの判定を、客観性をもって自動判定する方法を検討した。[対象と方法]当センターで撮影されたマンモグラフィの内、病変が描出されていないMLO画像197枚を対象とした。脂肪組織の輝度を基準とした相対輝度を計測した。次に各画像に対し乳腺組織の範囲をマスキングした画像を作成し、U-Netに学習させた。乳腺組織の範囲内の相対輝度を集計し、乳腺濃度として機械的に算出、人間による判定と比較した。[結果]マスキング範囲の一致率は、DICE係数で87.0%であった。乳腺濃度30%をカットオフ値とし、それ以上をdense breastと定義したところ、マンモグラフィ読影A判定職員による判定結果と比較し77%の一致率であった。 [結語]semantic segmentationを用いて、dense breastの客観的評価方法を作成した。こ手法を全国で統一して利用すれば、読影医によるdense breastの評価のぶれがなくなり、検診者に安定した結果を通知することができると思われた。

現在、人間の専門家は細胞画像を手作業で分割しており、分割の基準はそれぞれの専門家によって異なる。その結果、主観的な結果が得られる。自動的にセグメンテーションする方法を開発すれば、同一の基準で客観的な結果を得ることができる。本論文では、複数の役割を持つGenerative Adversarial Network（GAN）を用いた細胞画像セグメンテーション手法を提案する。提案方法は従来のpix2pixと比較してセグメンテーション精度を改善した。

コネクトミクスと呼ばれる研究分野では，生物の脳や感覚器における神経系の構造や接続状態を3次元再構築法により詳細に調べ，その機能的意味を明らかにすることが目指されている．3次元再構築法は，電子顕微鏡の連続切片画像から，ミクロな神経構造を詳細に観察するための重要なプロセスである．先行研究では，3次元再構築のためのラベル付けにかかるコストを削減するために，これを自動化するための様々な手法が提案されている．しかし，多くの先行研究で提案されている教師あり学習ベースの手法は，トレーニングデータが少量しか手に入らない場合，適用することができない．本稿では，この問題に対応するために，疑似ラベリングを用いた学習法を提案する．これにより，少量の学習サンプルをのみを利用して，神経領域の自動セグメンテーションを行うことが可能になる．実験結果から，提案手法は精度に改善の余地がみられるものの，少数サンプルを利用する場合においては通常の教師あり学習法よりも有効であることが明らかになった．

強化学習では，収益の最大化を目指して訓練することで，様々な課題が解決できる．しかしながら，ゲームAIや自動運転などに応用する際，エージェントが強すぎてユーザを不安にさせたり，周囲の状況を考慮せずに動くことがあるため危害を加える恐れがある．一方で，模倣学習では、エキスパートのデータ上でエージェントを訓練することで，そのエキスパートを模倣することができる．ただし，振る舞いが不自然であったり性能がエキスパートの性能に限られる場合がある．本論文では，離散行動空間と連続行動空間に適用可能な強化学習と模倣学習の融合モデルを提案する．この融合モデルは，単なる模倣学習のエージェントと比較して高い性能を示し，強化学習モデルより人間らしい振る舞いを学習することができた．

オプション発見と方策の学習を同時に行う階層型強化学習には膨大な試行錯誤が必要となる．そこで，本論文では人のサブゴール知識の転移が学習スピードと学習後の方策の性能にどのような影響を与えるかを調査する．そのために階層型強化学習において人のサブゴール知識を転移する方法を提案する．インタラクティブ機械学習の問題設定を利用して人のサブゴール知識を取得し，教師あり学習でそのサブゴール知識をパラメータの初期値に変換する．参加者実験と評価実験の2段階の実験を行う．参加者実験においてインタラクティブ機械学習の問題設定において人によるサブゴール知識を取得する．評価実験で人のサブゴール知識の転移，階層型強化学習の方策の学習を行い，学習スピードと学習後の方策の性能を評価する．

ブルウィップ効果は、サプライチェーンにおける問題の1つとして知られている。需要予測と意思決定の結果として、需要が増幅しながら下流から上流へと伝播する現象である。この現象は1960年代に発明されたビールゲームによってうまく再現される。一方、ネット通販では、サイバー空間での情報の流れとフィジカル空間でのオブジェクトの流れの間にギャップがある。このギャップは、ブルウィップ効果を促進する要因となる可能性があるが、オリジナルのビールゲームで再現するのは困難である。そこで、ルールと環境を拡張した新しいゲーム「Netshop Game」を準備した。このゲームでは、深層強化学習を用いることで、ネット通販のサプライチェーンで起こり得る局所的な最適化を再現することができ、メタ視点を導入することによってグローバルな最適解を発見するのに有効であることを確認した。

近年、強化学習の研究が著しく進展し、複雑な意思決定や制御の問題において幅広く高い性能を示すようになった。しかし、適切な報酬関数を指定するのが困難でしばしば意図しない振る舞いが生じてしまい、緻密な報酬関数設計が要求されるのが問題となっている。逆強化学習はエキスパートのデモンストレーションから報酬関数を構成するが、殆どの定式化ではダイナミクスへ幾らでもアクセスできることを仮定している一方で、現実にはしばしばダイナミクスへのアクセスは限られており、不確実な知識しか持ち合わせていない。そこで本研究では、ダイナミクスに対する知識の不確実さに対処するため、逆強化学習にて最も主流の最大エントロピー法をダイナミクスの推測を含む形へ拡張することで、報酬関数とダイナミクスを同時に構成するフレームワークを提案する。この定式化によって、真のダイナミクスへアクセスせずに推定中のダイナミクスを用いて報酬を推定できる。また、逆強化学習および最大エントロピー法について簡潔にレビューを行う。

ニューラルネットワークを用いた深層強化学習は幅広い、かつ、複雑なタスクに対応でき、様々な分野で成果を出している。特にゲームAIや制御などのタスクでは素晴らしい性能を示している。しかし従来手法では探索が進まないや学習が遅くなるなどの問題がある。本研究は長期経験と短期経験の両方を活用したon/off-policyのハイブリッドエージェントと訓練アルゴリズムを提案する。これによって、従来法の問題を解決し、性能の向上を図る。比較実験の結果、提案手法は従来手法に比べて良い性能を示している。

Capsule NetworkはCNNの短所を克服するために提案された新しいニューラルネットワークである。しかしCapsule Networkは学習可能なパラメータ数が多く過学習に陥りやすい。そこで本研究ではL1正則化を利用してパラメータを削減することで汎化性能の向上を目指す。Capsule Networkに提案手法を適用した場合としない場合の正答率と再構成画像を比較して評価を行った結果、正答率の向上が確認された。

深層学習で用いられるニューラルネットワークモデルの設計は，いくつかのレイヤー（ベクトル関数）を階層的に積み上げることで行われる．ここで，「どのようにレイヤーを積み上げるか」「どのようなレイヤーを積み上げるか」が重要な研究課題である．一方で，現在の提案モデルは経験則によるものが多く，モデル設計に関する体系的な理論は存在していない． 本研究では，ニューラルネットワークモデルの設計を体系化することを目的として，表現力の観点からプーリング層やスキップ結合などの構造について考察する．結果として，広く用いられているこれらの構造は単純なニューラルネットワークモデルに結合のスキップ接続を導入することで構成できることを数学的に示した．特に，プーリング層は陽に表現力を低下させること，加算と結合のスキップ接続は全結合ニューラルネットにおいて表現力に差異を与えないこと，そして，現在有効とされているSingle Activation構造が，Multi Activation構造と比較して表現力の意味で優位性を持つことが示された．以上，表現力の観点からモデル設計における一つの指針を与えることができる．

近年，教育と情報技術の融合が進む中で，生徒の過去の学習行動を元に習熟度を推定する，知識獲得予測（knowledge tracing)の研究が活発化している．オンライン教育サービスの普及によるデータの大規模化も伴い，深層学習の活用によって従来より高い精度での予測が可能になったことが知られているが，既存の深層学習を用いた手法はでいずれも知識特有の構造を十分に考慮したモデルが設計されておらず，モデルの予測精度や予測の解釈性・妥当性が損なわれている．本研究では，知識構造をグラフ表現を用いて定式化し，近年発展が進む，深層学習を用いてグラフを扱うGraph Neural Networkを拡張したモデルによって，これらの問題の解決を図る．実験では，提案手法が既存手法に比べて，高精度かつ妥当性と解釈性の高い予測を行えることを，オープンデータを用いて実証的に検証し，またデータから学習されたグラフ構造を分析することで，効率的な知識構造の設計に関して考察する．

解決に長い時間がかかるインスタンス（難しいインスタンス）の発見は，アルゴリズムの高速化につながる重要なタスクであるが，現状は専門家が問題ごとに規則を発見することによりなされている。 本研究ではグラフ問題に焦点をあて，グラフ問題の難しいインスタンスを自動でかつ効率よく発見するアルゴリズムの開発を目指す。 自動で難しいインスタンスを発見できれば，専門家が問題ごとに難しいインスタンスの生成方法を分析する必要がなくなり，グラフアルゴリズムの研究を加速させることができる。 本研究では，グラフ問題の難しいインスタンスを生成する問題を最適化問題として定式化し，最適化問題を解くことで難しいインスタンスを生成する手法を提案する。 三彩色問題や最大クリーク問題など，理論上・応用上重要なグラフ問題を用いた実験では，提案手法が一貫してランダムベースの手法よりも数倍から数桁難しいインスタンスを生成できた。 特に，提案手法は三彩色問題において，専門家の考案した規則ベースの生成方法より優れた性能を示した。

情報技術の発展に伴い，EC サイト等では膨大な量の購買履歴データが蓄積されるようになった．このような背景から，これらの大規模データを活用した推薦システムは，アイテムを検索するための重要なツールとなっている．推薦システムでは，推薦したアイテムがどれだけユーザに購買されるかを示す精度が重要な指標である．精度以外の尺度として，近年，ユーザの満足度の観点から，多様なアイテムを推薦することの有効性が示されている．従来の研究では， LDAに基づいて抽出されたトピックが多様化されるような推薦手法を提案している．この手法は，推薦リスト全体でトピックを多様化している一方で，個々のアイテムの非類似性を保証していない．そこで本研究では，個々のアイテムの非類似性を考慮し，より多様な推薦リストを構築するためのアルゴリズムを提案する．さらに，ベンチマークデータに提案手法を適用し，精度と多様性の観点から従来手法との比較を行い，その有効性を示す．

近年の強化学習では関係構造の学習に注目が集まっているが、既存研究によって得られる「関係」は、一階述語論理に見られるような離散的な論理値ではなく、解釈性が低く、また既存の記号的自動計画ソルバや他者行動目的認識ソルバに入力できない。一方、Latplan[浅井,福永2018]は深層学習ベースの認知システムと自動計画による記号推論の組み合わせを可能にした。そのコア要素の一つに、画像入力を命題論理表現に変換する State AutoEncoder(SAE) がある。本論文はこの2つを組み合わせ、First-Order SAE (FOSAE) という、オブジェクトの連続値特徴ベクトルの列から述語記号を発見/接地して述語論理値に変換する教師なし離散表現学習機を提案する。それぞれの述語は、「引数」に相当する複数の特徴ベクトルを入力とし離散的真偽値を返す関数である。実験では、8パズルおよび3Dレンダリングされた「つみ木の世界」を用いて、FOSAEが(1)高い解釈性を持つこと、(2)SAEより小さなモデルで学習できること、(3)離散的グラフ探索が可能な離散表現を返すことを示す。

実世界のデータはノイズや誤りを含むことが多い．従来の論理プログラムの学習手法はデータが前処理で離散化されていることを前提としている．これらの手法の正確さは離散化する手法の正確さに依存し，実応用の妨げとなっている．一方，ニューラルネットワークはノイズを含むデータに対して頑健だと言われている．しかし，学習済みのニューラルネットワークはルールを出力せず，なにを学習できたか，どこまで一般化できたかが不明である．本研究では，ニューラルネットワークを用いて，遷移データ内に存在するルールを分類することで，論理プログラムを出力する．さらに，その学習したモデルはノイズを含むデータに対しても頑健であることを示す．

ドメインに対して不変な表現の学習は，ドメイン汎化，すなわちドメインシフトに対して頑健な分類器を構築するための標準的な手法である．しかし，ドメイン不変性を利用した既存手法はドメインとクラスの依存性を無視しているが，その従属性が存在する時は分類性能とドメイン不変性の間でトレードオフが生じる．本研究では，分類性能を妨げない範囲で不変性を最大化する新しい手法AFLAC（Adversarial Feature Learning with Accuracy Constraint）を提案する．この制約の理由は，ドメイン汎化の目的は未知のターゲットドメインへの分類であり不変性それ自体ではなく，不変性を優先することはドメイン汎化性能を損なう危険性があるからである．実験ではAFLACの性能がベースライン手法よりも高いことを確認し，ドメインとクラスの従属性を考慮することの重要性，およびその問題に対する提案手法の有効性を示す．

This paper discusses the utility data analysis under the different sampling rate makes variety of result. Otherwise, we use the high sampling data and much attributes, we start to think combination of the data which haven’t measured at same time of utility data has measured. To come up the idea of data combination, the method of idea creation should employ for making the innovation. This paper will show the difficulties and some of the existing method to overcome them.

This paper proposes a method for recommending music items considering listeners' context information. Recently, users can enjoy music easily regardless of time and a place due to evolution of online music services such as Spotify. However, it is difficult for us to find appropriate music items from enormous resources. On the other hand, because of listening style and characteristic of music items, music items do not usually have explicit rating. Therefore, implicit feedback such as playing count has been popular to construct recommender systems. As additional information, this paper considers listeners' context. The proposed method employs FMs (Factorization Machines), in which the context information is treated as factors. Negative sampling is applied to reduce the number of negative samples (music items a user has yet to be listened). The effectiveness of the proposed method and the effect of negative sampling are shown with an offline experiment.

This paper describes an entropy-based visualization for extracting utilization value of data in data-driven decision support. There is an increasing demand for data utilization from different domains to create new businesses or solve existing problems. Data utilization is a human-interactive field thus reusing data utilization knowledge is an important task to define data relations in the field of solving multidisciplinary problems. That is to say, knowing the application fields of data is vital in promoting data utilization for problem-solving. Thus, this paper reuses the knowledge of data utilization to re-design data relations in the visualization of knowledge space to assist data utilization recognition and decision-making processes. The Innovators’ Marketplace on Data Jackets is employed to collect data utilization knowledge, and we use data co-occurrence entropy to reflect people’s recognition process on data utilization because co-occurrence between data in utilization knowledge is an informative prior supporting for decision-making. The experimental results show the proposed entropy-based visualization method suppresses baseline methods in the data-utilization proposal numbers and qualities, which verifies proposed method assists people’s recognition and decision-making processes in data utilization.

マルチキャリアエネルギーハブは、エネルギー管理システムの柔軟性を高めました。その一方で、エネルギーハブのエネルギー管理における異なるエネルギーキャリアの相互影響により、より困難になります。エネルギー管理の目的では、数学的最適化ツールが使用されますが、リアルタイムの最適化は最適な管理に挑戦します。一方、エネルギーの需要と供給は非常に変わりやすいため、最適化の目的は異なる場合があります。リアルタイム管理のために、環境の変化と多目的オプションのAIが目的とされています。この作業では、マルチキャリアエネルギーハブ最適化の操作は、ディープ決定論的ポリシーグラジエント（DDPG）アルゴリズムを含むマルチエージェントAIアルゴリズムを実行することによって解決されています。研究マルチエージェントシミュレーション結果は、AIエージェントがエネルギーハブコストを最適化するために需要と供給の間のバランス、貯蔵剤の適切な充放電を管理できることを示した。また、AIを使用した価格決定方法についても説明します。これは、市場の需要と供給管理の目的に適しています。

ゲームおよびロボット制御において前例のない成功を示した最近のディープニューラルネットワークベースの強化学習（ＤＲＬ）方法は、組み合わせ最適化問題を解決するために徐々に注目を集めている。しかしながら、スマートグリッドシステムにおける効果的な運用は、電力需要 - 供給関係、電池電力の下限と上限、市場価格などのような様々な制約を受けなければならない。これらの制約のため、DRLアルゴリズムは最適化結果を得るのに効率的ではない。 。本稿では、この問題を解決するために、アテンションマスキング拡張したディープQネットワーク（AME-DQN）強化学習アルゴリズムを開発した。さまざまな気象条件と需要プロファイルを考慮して、訓練されたAME-DQNモデルの予測能力に特に焦点を当てました。これらの結果はさらにMILPの結果と比較され、MILPの出力結果がほとんどの場合条件を満たさなかったがAME-DQNがすべての制約を満たす最適化された行動を予測できることを実証した。

Irony detection is considered a complex task in Natural Language Processing. This paper first introduce and cover the recently state of irony detection. Then we review and summarize previous related research on text-based irony detection. Finally we compare various classifiers including the proposed CNN model on three dataset of tweets, and analysis and discuss the results. We conclude that CNN is effective for irony detection under various situation with our model outperforming all the other classifiers.

行列演算に基づく強L2正則化を用いたロジスティック回帰の2次近似解を提案します。 ロジスティック回帰モデルの学習は凸最適化であるため、研究者はそれを解決する効率的な手法（勾配降下法など）を持っています。 しかし、私たちの知る限りでは、行列演算の形での解決策は明らかにされていません。 一般的に言って、行列演算は最適化問題を解くよりも速くて便利です。 原則として、行列演算近似解は強L2正則化を持つロジスティック回帰にのみ適用できますが、L2正則化強度が実用的な範囲に設定されている場合でも、経験的分析ではかなり良い近似解として機能します。 この方法でも、優れたパラメータ初期化を効率的に生成できます。 数学的証明をこの論文に提示した。

We outline and conduct empirical study into the effectiveness of a modified version of batch normalization, for combination with quantized neural networks. The proposed method uses only the statistics of the final batch for determining the batch normalization operation at the inference stage. This contrasts with the usual implementation, where population statistics are accumulated over many batches of training. The proposed and existing methods are compared over several models and datasets, which span both classification and object detection tasks. Overall, the proposed method exceeds the value and consistency of test performance compared to the usual batch normalization, in the case of quantized networks. For float precision networks, the usual method is best.

本研究では，リアルタイムのプレイヤーの感情に応じて，自動的にコンテンツを展開するゲームベースの物語自動生成システムを開発した．プレイヤーは作成された仮想空間上である物語の導入を体験し，そこからその物語にどのようなアクションを行うかによって物語の展開が変わるといったものである．本システムのアイデアは以下の通りである．1）現実ではあり得ない不思議な道具を設定しそれをプレイヤーがハンドコントローラーを用いることにより物語を展開する．2）プレイ中のプレイヤーの感情をリアルタイムに取得し表情によりFACS (Facial Action Coding System) を用い感情を取得し，それに応じたコンテンツ側のリアクションを出力する．3）プレイヤーの動作と感情の履歴によりテキストを出力する．小学生，大学生を被験者として評価実験を行うことによりシステムの有用性を評価した．システムのアンケートより，本システムで生成された物語は面白い物語であった．また，物語に対するSD法を用いた印象評価では非没入感，非斬新性，物語性の3つの因子を抽出することができた．

商品を設計する際には競争力から部品機能への階層的な紐付けを行うModel Based Design手法が用いられることが多い。階層が複雑になると設計変数は巨大なデータ空間を持つために意思決定を短い時間で的確に行うことは豊富な経験を有していても難しい。電気自動車の設計に対して強化学習が有効となるか検証した。階層の最上位である車両性能のうちEnergy性能とPackageに対して適用した。電気自動車の場合、これらが競争力を左右する最も重要な設計となる。演算法としてはDQN、Monte Carlo決定木、A3Cを採用した。Energy性能については128の17乗の変数空間から設計理論限界が導かれ、Packageに関しては、10の77乗の変数空間から最適解が学習できた。Model Based Design手法の意思決定として有効であることが検証できたので報告する。

本研究では，近年広く普及しつつあるブレイクダンスにおいて，動作を自動的に判別してその結果を可視化するシステムを開発した．その際，加速度センサーを組み込んだ靴（スマートフットウェア Orphe）を使用し，自然な環境下での動作を深層学習によって分類し，その結果をダンサーにフィードバックするシステムの開発を目指した．本発表では，そのシステムの紹介を行うとともに，上記のシステムを応用して動作のオリジナリティーの程度を評価する事例についてもその途中経過を報告する．また，この事例がダンスカルチャーに組み込まれることによってダンサーにどのような影響を及ぼすか考察する．

In this paper, the authors will introduce our experiment to determine the influence of story creation on the appreciation of abstract artworks. From previous researches, it was known that novice viewers tend to dislike abstract artworks than representative artworks because abstract artworks lack the forms. The authors tried to relax this trend by creating a story about the artwork while appreciating. To answer our research question which is “will individual viewers create similar stories for artworks?”, the authors conducted the experiment. The participants answer the worksheet while appreciating abstract artworks and representational artworks. As results, we found out that individual viewers create a similar story to the same artwork from the corresponding analysis and bold lines on the artworks was the important factor to imagine a story. Our result can suggest the possible advantages and disadvantages of using similar activities and how to create effective captions for the artworks.

Artificial Intelligence (AI) algorithms are expected to have substantial impact on high-end white-collar jobs like lawyers, physicians, and financial advisors in a near future. A non-technical challenge of this development is that advanced Decision Support Tools (DSTs) often are rejected by practitioners or have low uptake. This paper proposes Living Lab as a design approach for developing human centered AI-tools. First, the paper exemplifies the use of AI in the current society with cases the authors are engaged in, and then show two design approaches for social implementation of AI. Based on the presented cases, the paper argues for the benefits of utilizing the Living Lab approach for societal AI.

This paper considers how consumers pay attention to and participate in sales promotions. To achieve this purpose, we conducted experiments on sampling jam at a supermarket. We did comparison experiments with four conditions using an eye-catching object to encourage shoppers to notice the samples and a voting-style gimmick to encourage them to try the samples. Experimental results show that the object and the gimmick were useful for encouraging shoppers to participate in the sampling. This tendency was noted among people of certain age groups, in pairs, and coming from the entrance.

In some workshops, the participants use sticky notes to represent their ideas and the notes are regarded as one of the outputs. When workshop analysts summarize a workshop afterwards, they compare those notes and recorded video and/or audio by hand. We hypothesize that spatial and sequential information of the notes represents how ideas are came up with and how discussions flow. Therefore, we propose a vision based system analyzes trajectories of such notes during workshops. This paper introduces our prototype system that analyzes trajectories of notes representing ideas. During the workshop, the system recognizes and tracks each note separately from camera observation. The recognition and tracking results are saved and used for further offline analysis. From preliminary experiments, we confirmed that the proposed system can potentially reduce the manual tasks.

音楽は場の雰囲気を制御するためによく使われる．しかし、お気に入りの音楽を演奏するとき，その音楽はその場所の雰囲気に必ずしも適しているとは限らない．本研究では，与えられた感性形容詞に音楽が従うように自動的に編曲するシステムを提案する．実用性のためにWAVEフォーマットの音楽ファイルを使用し，テンポとピッチのみを変更する．このシステムの出力は，16の形容詞と10のジャンルの音楽を使った被験者実験で得たデータセットから計算される．提案システムのテンポとピッチの調整が感性を誘導するために十分効果的であることが，評価実験における仮説検定により確かめられた．

本研究では，人間の行動を的確に誘導するロボットの対人コミュニケーションの性能評価に着目する．これまで，日常生活環境における人間とロボットのインタラクションを評価するためのシミュレーションプラットフォームを提案してきた．しかしながら，人間の主観に依存する対人コミュニケーションの性能評価が困難である点はVRを用いても解決には至っていない．そのような対人コミュニケーションの性能評価に向けて，VR内のアバターに没入した被験者の行動をロボットが誘導する競技タスクを設計した．本研究の目的は，競技タスクを通した実証実験により，評価方法の構築に向けた前段階として，対人コミュニケーションの評価において，従来の時間に基づく評価だけではなく，頭の向きの変化など人間の振る舞いそのものに基づく評価の必要性を明らかにすることである．また，本研究で構築した競技システムの対人コミュニケーションの性能評価における有用性を明らかにすることである．同競技システムを用いたロボット競技会において実際の人間の挙動に基づくロボットの対人コミュニケーション能力の評価を行った結果から，それらについて議論する．

近年，学習を支援する場面で活躍する教育支援ロボットに関する研究分野が注目されている．従来研究において，学習者に交互に問題を解き合う協調学習を促すために，ロボット自身が問題を解く動作と，学習者の問題を解く様子を観察する動作を交互に実行する行動モデル(以下，協調行動モデル) が提案された．大学生を対象とした実験を実施したところ，協調行動モデルを搭載したロボットは大学生と交互に問題を解き合う協調学習を実現できる可能性を示した．従来研究では，表情変化によって協調行動モデルの動作を実行するロボットのみで検討されている．一方，表情変化で感情を表出するロボットに比べて，表情変化と身体動作を用いて感情を表出するロボットは，学習者に好印象を与えることができると報告されている．協調行動モデルにおいても，表情変化だけなく，身体動作も使用して動作を実行することで，協調行動モデルを搭載したロボットは学習者により好印象を与える可能性があると考える．そこで本稿では，表情変化と身体動作によって協調行動モデルの動作を実行するロボットとの協調学習が，学習者に与える印象効果について検証する．

ロボットが人間社会に次々と参入している中、人とロボットが親和的な関係を構築することは非常に重要である。私たちはロボットによるまばたきの模倣と内受容感覚の個人差が人とロボットの親和的な関係構築に影響を与えるかどうかを検証した。その結果、どちらの要因も人とロボットの親和的な関係との間に統計的に有意な関係を見出すことはできなかった。しかしながら、本研究で得られたデータから、人がロボットのまばたきを逆模倣するような場面が観察され、人とロボットのまばたきの同期が多いほど親和的な関係構築への期待も高まる可能性が示された。この発見は今後のHRI研究のデザインに重大な示唆を与えるだろう。

本研究はドローンの新たな利用方法としてペットロボットを提案する．一般的なペットロボットはかわいらしい見た目を持つ．本研究で用いるドローンはその見た目に頼らずに，参加者とのインタラクションのみでアニマシーと愛着感，親近感を向上させる．実験では，ドローンへ躾を行う場合と躾を行わない場合との間でその感覚を比較した．その結果，躾を行うということはロボットのアニマシーと愛着感，親近感を向上させた．また，躾をした場合だと哺乳類や鳥と感じ，躾をしなかった場合では虫と感じた．そのため，ドローンに対するアニマシーの違いが示唆された．さらに，ドローンを傷つける行為を被験者が行ったとき，躾あり条件ではドローンをかわいそうに感じる被験者が多いことがわかった．

感情とは何か？この問いは，古くから我々人間を悩ませ続けてきた．古くは哲学から，近年では心理学や神経科学をはじめロボティクスなど様々な領域で，この問いに対する答えの探求が続けられてきた．その探求は形を変えながら続けられているが，いまだにこの問いに対する明確な答えは存在しない．そうした中で近年の感情研究における一つの重要な示唆は，内受容感覚と情動の関係である．内受容感覚とは，内臓など身体内部の信号の処理の結果生じる知覚であるとされる．特に，内受容感覚の予測符号化は，予測に基づく脳の基本的な動作原理によって情動や感情を説明できる可能性を秘めている．ここで重要なのは身体であり，身体からの信号を自己組織化し自身の身体に関する予測性を高めることがポイントである．そうした情報の構造化やその構造に基づく意思決定・行動といった一連の人と環境の相互作用プロセスの中で感情が創発するものと考えられる．本稿では，記号創発ロボティクスの視点で情動/感情がどのようにモデル化され得るかについて議論する．

予測不能な変化が頻繁に、広範囲に生じる現状から適応性が機能よりも重要となってきた。とくにモーションコントロールでは種々の計測機器が開発されているが、成功した制御例は分かるが、モーションコントロールではバランスなどの感覚が重要であり、成功例を見てもどのようにコントロールすべきか分からない。試行錯誤を助ける支援システムが必要である。福田は、マハラノビスー田口の方法を拡張して、試行錯誤でモーションコントロールを学べる方法を提案した。

イミテーション(模倣)ではエージェントは他のエージェント(エキスパート)の特定の状態行動対(毎ステップの意思決定)を直接参照して学習する. イミテーションの強化学習の実装としては逆強化学習が挙げられる. それに対して我々は, 社会学習の１つであるエミュレーション(対抗模倣)のための新しいフレームワークを提案する. エミュレーションとはエキスパートの到達収益のみ与えられ, その結果を再現する行動手順を自律的に探索する手法で, 社会的な模倣学習の一種と見做せる. 本研究では満足化と呼ばれる人間の探索のモデルを用いてエミュレーションを強化学習の枠組みで実装する. 我々は, エミュレーション学習アルゴリズムが, しばしば観察される最適性と柔軟性のトレードオフ的関係を破り, 非定常強化学習タスクにおいて適切に学習・行動できることを示す.

In this paper, we address the fetching task from ambiguous instructions. A typical fetching task consists of picking up a target object specified by ambiguous instructions. We specifically propose a multimodal target-source classifier model (MTCM) that grounds the instructions in the scene. More explicitly, MCTM can predict the likelihood of a target object in addition to the source of this target using linguistic and visual features. Our approach improves the accuracy of the previous state-of-the-art method for target object prediction in fetching task.

フェイクニュースや炎上，エコチェンバー現象など，近年は個人による情報発信における負の側面が注目されている．しかし，近年のソーシャルメディア上の情報拡散は大規模かつ複雑な現象となっており，人間が全体像を直観的に理解することが難しい. そこで本稿では，ソーシャルメディア上の情報拡散を直観的に理解可能な形で可視化する手法を提案する．具体的には、ソーシャルメディア上の社会ネットワークにクラスタリングを再帰的に適用し，コミュニティの階層構造を構築する．これらの階層構造を用いて，情報拡散を可視化する．階層構造を用いることで，複雑な現象をより単純な構造へ変換し，それにより人間の直観的な理解を促す．提案手法を実際のTwtiter上の大規模情報拡散事例に適用し，妥当な可視化結果が得られることを確認した．

本研究では，個人的の利益追求のための振る舞いから人間の高度な知性が生じたと主張するマキャベリ的知性仮説に従って，人間のコミュニケーションシステムの成立と変化に焦点を当てる． 設計するゲームでは実験的記号論の枠組みに基づいて，実験室実験においてどのような新規なコミュニケーションシステムが成立し、それがどのように変化するのかを探る手段として，メッセージ付きジレンマゲームを設計する．ゲームでは，二者間の相互作用によってグラフィカルシンボルが生成され，報酬の共有と独占のジレンマが生じる．このような状況は記号の曖昧さを利用した裏切りの意図を隠蔽が生起すると考えられる．本研究ではこのゲームを用いた予備的な実験を行った．分析結果からこのゲームが多義性のようなコミュニケーションシステムの曖昧さを生起させる可能性が示された．

近年、インターネットの普及により人々の知識や関心の形成に対する既存のマスメディアの影響が変化しつつある。そのため、新規のメディアの視聴者に対する効果を明らかにする必要がある。 本研究は、インターネットTVにおける視聴者のコメントとニュースの放送内容との関連性を明らかにすることを目的とする。具体的には、TF-IDFと多変量解析を用いて視聴者のコメントの分析を行った。その結果、娯楽性の高いソフトニュースに批判的な発言や差別的な発言が多くなる傾向が見られた。

Although social data can be an important source of information for studying personal attributes, it remains unclear which kinds of attributes can be inferred from social data and meaningfully used in the social sciences. In response, we analyzed the relationships between a variety of attributes, including political alignment, morality, food identity, and brand preferences, based on social data (i.e., Twitter text) and online survey data. Our results revealed a relationship between political alignment (liberal and conservative) and morality, food identity, and brand preferences. In addition, liberal people were more likely to belong to the food left-wing category. As for brand preferences, the conservative people showed a higher preference for Japanese companies than liberal people.

人間関係は人々の移動を決定する要因であるため、そのメカニズムの解明は人間の移動の理解や制御に重要である。以前の研究では位置情報ゲームなどの行動履歴の解析により特定の状況下における人間関係と移動との関連性が解明されてきた。しかし、人間関係と移動を紐付けるデータの取得は難しいため、多様な人々の人間関係やそれらの日常的な移動への影響の理解は進んでいない。本研究では、大規模・長期間の人間の移動データより人間関係を抽出し、その妥当性を議論し、人間関係と移動との関連性を明らかにする。ぶんｓ3年間で600万人の日常的な移動をカバーする鉄道の移動データを用いた。通勤客などの見知らぬ同乗者同士の抽出を防止するために同時移動を複数のパターンで行う人々の間に人間関係を推測する手法を提案し、抽出結果の妥当性は条件を変えた観察より裏付けた。抽出した人間関係の密度を年齢性別のグループ別に観察し、高齢男性の孤立などの社会構造を明らかにした。また、人間関係のある人との移動は非日常的かつ短距離であることが多く、それらは時空間的に収束することが確認された。そして、この性質を用いたイベント検知が有用であることを確認した。

豪雨による洪水や土砂災害が発生したときの損保業界の意思決定を支援することを目的として，発災直後に高い精度で被災状況を予測できる水災被害想定の手法を提案した．精度を向上させるため，母集団と降水量に変更を加えた．母集団の変更においては，土砂災害危険箇所と低位地帯のいずれかの領域に含まれる契約を対象とした．降水量の変更においては，再現期間15年の日降水量を閾値として適用し，地方整備局や各自治体による河川整備や土砂災害対策の度合いを反映させた．平成30年7月豪雨と平成29年7月九州北部豪雨を対象として，実際の支払件数と本研究の手法により予測件数を比較したところ，総支払件数，都道府県別の内訳においても，実績件数をよく再現できていることを確認した．

世界の3億社と1.4億人に関する株所有情報を含むデータセットを用いて，グローバルな株所有ネットワークにおける中国の間接支配を調べる．はしめに，ネットワーク上のパーコレーションモデルを拡張することによって，支配関係をグローバルな株所有ネットワークのサブグラフ（サブネットワーク）として抽出する．このモデルは，直接所有だけではなく，支配下企業を介した間接所有も加味して，企業が支配されるか（ノードがパーコレートするか）を定める．次に，中国株主と米国企業（投資会社とGAFA）による世界支配を，支配に必要な所有比率を変化させて観測する．中国株主が協調することで，世界支配は大きく拡大する．中国は， 1%を超える間接的な株所有によって世界の全従業員の47%を支配している．中国による支配は，タックスヘブン地域，フランス，南アフリカ，ナイジェリアで顕著である．フランスは旧植民地であるアフリカで多くの企業の株を持っている．支配関係は階層構造を持っている．すなわち，中国はフランスを介してアフリカを支配している．特に，採掘業で顕著である．中国の世界支配は強いけれども，米国企業による支配はその比ではない．

本研究は現代的/古典的レイシズムとニュース番組の関係性を知るためにインターネットテレビのニュース番組に投稿される在日コリアンに対する差別的なコメントを分析した。その結果、在日コリアンに対してネガティブ偏見を持つ持つ人は両方のレイシズムを表出することがわかった。一方でそのどちらを表出するかはニュース番組の内容に依存することがわかった。

量子ゲート型量子コンピュータは汎用性が高く、近い将来実用化されることが期待される。しかし、量子ゲート型量子計算機の量子ビットは外部干渉に対して非常に弱く、量子状態を長期間維持することは困難である。したがって、現在開発されている量子コンピュータでは、量子ビット数が限られており、大規模かつ高次元のデータを計算することは困難である。本論文では、この問題の解決策として、機械学習で用いられる手法の一つである畳み込みフィルタを量子計算に適用する計算手法を提案する。さらに、この手法を量子オートエンコーダに適用した結果、98％の自動符号化精度で数百キュビット以上のデータに数キュビット構成のたたみ込みフィルタを適用することにより有効性が得られた。

量子コンピューターと古典的コンピューターを交互に計算することによって大規模固有値問題を解く量子変分固有値ソルバー（VQE）が考案された。固有値を最適化する方法としては、主にNelder-Mead法が用いられます。しかしながら、大域的最適解を常に探索できるとは限らないという欠点がある。本論文では、二種類の最適化法、粒子群最適化（PSO）と量子挙動粒子群最適化（QPSO）を代替法として用いた。その結果、VQEアルゴリズムにおける固有値最適化法ではPSOとQPSOの性能がNelder-Mead法よりも優れていることがわかった。さらに、QPSOを使用したときの相対誤差は、3つの最適化方法の中で最小であることがわかりました。一方、量子回路のみを用いた固有値探索アルゴリズムの実現を目指し、量子ビット粒子群最適化（QBPSO）をVQEアルゴリズムの固有値最適化手法に取り入れています。