機械学習システムでは，ノイズ外れ値を含む観測データから学習しているため既知の法則性を無視した出力を得る可能性がある．また，ニューラルネットワークに基づく深層学習では，予測・分類は高精度で行える一方で，学習モデルが複雑になり人間がモデルを解釈することが困難になるという欠点があった．特に原理を探求する自然科学分野では，予測や分類において高い精度が得られたとしても，モデルに説明性がなければ有用なモデルを獲得できたとは言えない．本研究では，自然科学分野で使用される物理モデルを機械学習モデルに統合することにより，このような問題点を解決する手法に着目した．本稿では，予測したい変数のみを教師データとして与え，機械学習モデルからの予測値の中で物理モデルで表すことのできる支配的な要素と，物理モデルのモデル残差を表すことのできるアルゴリズムを提案する．例として，対流圏上層の風を温度風方程式から予測する例に着目した．実験の結果，対流圏上層の風ベクトルのみを教師データとして与え，温度風方程式に基づく地衡風成分とそれ以外の非地衡風成分の特徴を捉え，かつ予測も高精度に行えることが示された．

ECサイトを利用するユーザの嗜好が多様化している．そのため，過去の購買履歴と購買したアイテムに対する評価履歴から各ユーザの嗜好を把握し，嗜好にあったアイテムを推薦するシステムの重要性が高まっている．従来の推薦手法の1つでは，各アイテムをユーザが高く評価したか否かによってアイテムを2つに分割し，同一の評価傾向のアイテム集合を1つの購買系列として，単一のモデルによって学習する．しかし，単一のモデルによって異なる評価傾向のアイテムを学習すると，アイテムに対する評価傾向を適切に表現できない．そこで本研究では，評価傾向の異なるアイテムを別々のモデルで表現することによって，ユーザの嗜好より反映した推薦手法を提案する．また提案手法を映画評価履歴データに適用し提案手法の有効性を検証する．映画評価履歴データを用いた実験を行い，MAEによる評価を行った結果，従来手法と比べて予測精度の向上が見られた．提案手法では，評価値の高低を考慮した分散表現が得られ，よりユーザの嗜好に沿ったアイテムの推薦を行うことが可能となった．

本研究では個別のデータに応じて最適なモデルを探索する手法の設計を試みる.既存の構造探索アルゴリズムでは適用可能なデータの種類が限られている.そこで本研究では畳み込み層の受容野を入力に対して適切に対応付けることで,様々な種類のデータを畳み込みニューラルネットワークに適用することを可能とした.具体的には畳み込み層において 入力と重みを対応付けするインデックスとして受容野を解釈することで受容野を行列で表現する新たな層を設計した.またその行列を連続値に緩和することで勾配による受容野の学習を可能とした.実験の結果データ構造が未知のデータに対して提案手法が有効であることを示した. 本稿で提案した手法を用いることで,今後IoT の普及やセンサー技術の向上で増加することが予想されるビッグデータに対して,ニューラルネットワークが効果的に適用されることが期待される.

Neural Architecture Searchが深層学習のアーキテクチャを自動的に設計するためのアプローチとして注目を集めている. 本研究では, アーキテクチャと重みを同時に最適化するone-shotアーキテクチャ探索の高速化を目的とし, 貢献度分配を導入した方策勾配による探索法を提案する. 提案手法では, 貢献度と呼ばれるアーキテクチャを構成する複数の部分それぞれに対しての報酬を定義し, これをアーキテクチャパラメータの勾配の計算に用いる. 実験で, 最近提案された勾配法によるone-shotアーキテクチャ探索の先行研究と比較し, 提案手法では同程度の精度のアーキテクチャをより高速に発見できることを示す.

近年，ディープニューラルネットワークは様々なタスクにおいて大きな成功を収めている．こうした成功の多くは，学習データの大規模化とネットワークの複雑化によってもたらされている．しかし，こうしたネットワーク構造と学習データの複雑化によって，ニューラルネットワークの学習が不安定になってしまうケースが多く存在する． 我々は，ネットワークの重みの初期値問題に着目することでこうした問題を解決することを目指す．本論文における提案手法は，学習データ全体の小規模な部分データ集合を用いて，ネットワークの重みをタスクやドメインにとって適切に初期化を行うことで，学習の安定化を達成する．実験結果から，提案手法がニューラルネットワークにとって望ましい重みの初期値を導出できることを示す．

我々は過去に，ファイルの断片から実行コードを99%以上の精度で認識できる手法（o-glasses）を提案した．この手法は，入力データを実行コードとみなし，これを固定長命令に変換したものを1d-CNNに入力している．この分類問題は，容易に大規模なデータセットを準備できた．しかしながら，容易に大規模なデータセットを準備できない問題も数多く存在する． 　そこで我々は，転移学習を活用することにより効率的に学習する手法を提案する．本論文では，データセットの大規模化が困難な分類問題として，パッカー推定を例に実験を行った．その結果，各クラスで10サンプルしか準備できない場合においても，30クラス分類で92.0%のAccuracyで分類できた．これは，転移学習を用いない場合と比較して1.7%の精度向上であった． 　提案手法は，既存手法と同程度のデータセットを準備できる場合は同程度の性能が得られる．加えて，十分にデータセットを準備できない場合は既存手法より良い性能が得られる可能性がある．そのため，提案手法は既存手法より多様な領域に適用可能であると考えられる．

本稿ではWasserstein Autoencoderを用いた画像スタイル変換を提案する。画像スタイル変換とは、コンテント画像に対してスタイル画像から抽出したスタイルを適用することで、任意のコンテントを任意のスタイルで描画する技術である。スタイル変換はこれまでも広く研究されてきたが、その多くにはスタイルに対して学習が必要なため実行に時間がかかるという問題がある。 本稿で提案する手法は、スタイルとコンテントが分離した形で隠れ変数として表現されるようにネットワークを構成することで、スタイル変換を実現する。特定のスタイルに対してネットワークを訓練する必要がないため、任意の画像に対して任意のスタイルを即座に適用できる。CerebAの画像に対していくつかのスタイルを適用したところ、良好な画像が得られることを確認できた。

試料表面の測定位置を変えて物理量の空間分布を求めるマッピング測定は、材料評価の基本的な方法である。通常、マッピングは等間隔な座標に沿って実行される。しかしながら、その場合、測定の目的に対して非効率的な測定点も含まれる。そこで、より少ない計測点からより確からしい物理量分布を得ることを目指した。本研究では、太陽電池用シリコンのキャリアライフタイムマッピングに境界位置を効率的に推定する手法であるLSEを適用し、低品質領域の推定を行った。

機械設計の目的は，所望の性能を持つ形状を短時間で設計することであるが，実際は設計者の知識に基づいた試行錯誤の繰り返しに依存しており，設計者の熟練度によって設計に必要な時間が異なる．一方で，これまでの試行錯誤の結果として大量の形状と性能値のデータが蓄積されている．仕様から所望の性能が定まった場合に，なるべく短時間で形状の候補を得られれば，設計時間の短縮につながる．そこで本研究では，短時間で所望の性能を持つ形状を創出する手法を構築することを目的とし，形状データをCVAEを用いて生成する手法を提案する．一般的なGANやCVAEでは形状を画像のピクセル情報として扱うことが多いが，その方法では形状があいまいで，機械設計に適用することが困難である。そこで形状を点列として扱うことで，機械設計にそのまま使用可能な形状が得られ，指定した性能値に対して2.3%以内の誤差で新規形状を創出できた．

近年環境問題とともに再生可能エネルギーに注目が集まる中，国内では太陽光発電（Photovoltaic：以下PV）の導入が最も進んでいる．大規模発電施設以外にも各家庭や事業所単位での導入は現在一般的となっている．ただ太陽光発電には発電量が天候に大きく左右されてしまうといった不安定性があり，大規模導入時には火力発電機の稼働台数にも影響を及ぼす．導入が増えるにつれ系統安定化を図るためにはより精度の高い発電量予測が必要となってくる．PVの出力は日射量に大きく依存するため日射量予測が不可欠となってくる． また，近年ではスマートコミュニティなどの小規模エリアにおける電力の地産地消なども実施されている．そのため需給運用に関する計画や制御を的確に行うためにはコミュニティ単位での予測も重要となってくる．さらに経済的な観点からも効率的な需給運用が必要となる．そこで本稿では小規模エリアとして明治大学駿河台キャンパスを例に挙げ，太陽光発電システムの日射量の実測データを使用して，RBFネットワークを用いた予測手法の有効性を確認したので報告する．

昨今，世界情勢は大きく変動している．世界各国の政策や国家間の関係などが複雑に絡み合い，世界規模での不安定な経済状況となっている．このような情勢の中では，規模の大きさに関わらず企業の中長期的な経営戦略の決定や，強いては個人単位でもリスクマネジメントが必要となってくる．そのためにも，経済状況を把握し，予測を立て，経済の動向を追っていくことが必要である．そこで本稿では，経済動向の分析のための経済指標予測に対して精度の向上，及び，リスク低減を目指す．筆者等は先行研究において，重回帰モデルとANNを組み合わせて新たな予測値を算出するHybrid予測モデルを構築し，リスク低減を目的として，翌日最大電力需要予測に適用してきた．そこで本稿では，経済指標予測におけるテクニカル分析に役立てるため，これまで構築してきたHybrid予測モデルを適用し，リスク低減を考慮した経済指標予測モデルを提案する．シミュレーションより，予測対象を日経225先物価格としたHybrid予測モデルでは，予測精度を確保しつつ，最大予測誤差率と標準偏差を抑制し，リスク回避を可能とする結果を得たので報告する．

この研究は，まずどの生活習慣，体質，気質がうつ状態に関連しているとみなされているか調べ，関連しているとみなされた生活習慣，体質，気質を除いた残りでうつ傾向を予測できるか調べた． うつ傾向が高い人が少なく含まれている不均衡データで3つの分類器を用いて，うつ傾向予測を行った．その際に，不均衡データにおいて予測精度を高めると言われているアンダーサンプリングとバギングの組み合わせも行なった． 結果，一番高い再現率を得たのは，L2正則化付きのロジスティック回帰で，0.65であった．また，予測に重要な質問の中にはDSM-5やQIDS-SRに含まれていたものもあり，全てのうつの主症状が広く知られているわけではないことが分かった．

本稿では、医療記録分析において正規分布により適合するようにデータを変換する方法を提案する。 様々な機械学習法を用いて医療記録を総合的に分析する方法を提案した。 ある種の機械学習法はデータが正規分布に従うと仮定しているので、正規分布に合うようにデータを変換する必要がある。 通常の方法では、べき乗変換であるBox-Cox変換を使用しましたが、負の値を変換することはできません。 本稿では、Box-Cox変換の代わりにYeo-Johnson変換を使用することを提案します。負の値に対しても適応できるからである。 また、1つのクラスからのみ変換パラメータを推定する1クラスのべき乗変換も提案します。 我々が提案した方法は、いくつかの値が負であり、変換されたデータが両方のクラスを使用するYeo-Johnson変換よりもよく正規分布に適合する場合でもデータを変換できることを確認しました。

本研究では、ディープロジスティックGMDH-typeニューラルネットワークとコンボリューショナルニューラルネットワーク(CNN)を用いたハイブリッド型ニューラルネットワークを用いて、頭部MRI画像の医用画像認識を行う。ディープGMDH-typeニューラルネットワークのアルゴリズムは、著者らのグループにより、各種のアルゴリズムが提案されている. ディープロジスティックGMDH-typeニューラルネットワークは、進化論的計算法の一種である改良形発見的自己組織化法を用いて、多層構造をしたディープニューラルネットワークを自動的に構成することができる。中間層の個数、最適なニューロン構造、有益な入力変数の選択などのネットワークの構造パラメータを、予測誤差評価基準（情報量基準AICや予測誤差平方和（PSS））を最小にするように、自動的に決定している。本研究では、ディープロジスティックGMDH-typeニューラルネットワークスを、文献[2，3]と同じ頭部MRI画像の医用画像認識問題に応用して、その画像認識結果を比較検討する。そして、そのアルゴリズムの有効性を確認する。

機械学習ベースの精神診断疾患には，バイオマーカーの発見や内部メカニズムの理解に役立つことが期待されている． 最近の研究では，時間的に変化する脳活動のため，動的な生成モデルが採用された． だが，単純なモデルのため，複雑な特徴を抽出するのが困難だった． 本論文では，動的な深層生成モデルを使ってfMRIデータをモデル化する． 提案する深層生成モデル(deep state-space model)は，柔軟かつ動的な生成モデルである． それゆえ，複雑な特徴を抽出でき，時間的に変化する脳活動を捉え，疾患に関連する脳領域を特定できる．

ある特定の分子の働きを阻害することにより病気の進行を抑制する治療法は分子標的治療と呼ばれ、主にがん治療の分野で用いられている。分子標的治療において新薬の開発を行うためには新たな標的遺伝子を発見することが必要となるが、標的となり得る遺伝子の候補を人間の手で網羅的に検証するには、多くのコストと時間を要する。そのため本研究では、遺伝子の発現量に関するデータに特徴選択を適用し、治療において重要だと考えられる遺伝子の特定を試みる。さらに、選択された遺伝子をケミカルスクリーニングなどによって人手で評価し、得られたデータを再び解析することで新たな標的遺伝子を発見することを目標とする。本研究における実験では、3つのデータセットを用いて新たな標的遺伝子の予測精度について検証を行った。この実験においては、特徴選択によって得られた特徴量がすべて真の標的遺伝子であることを仮定し、これらの特徴量を半教師あり学習を用いて識別できるかを評価した。その結果、いずれのデータセットを用いた場合も、訓練データの数の大小に関わらず、提案手法がベースラインの性能を上回ることが示された。

生存時間分析はイベントが発生するまでの時間を分析するための手法であり、多くの分野で使用されている。 この生存時間分析の中で最も良く用いられるモデルとして、Cox比例ハザードモデルがある。Cox比例ハザードモデルはイベントの詳細な分布が分からない場合でも利用でき、また線形式の係数により特徴の重要性を解釈することができる。しかし一方で特徴の線形な関係性しか利用できないという問題がある。非線形なCoxモデルも研究されているが、それらのモデルでは解釈ができない欠点がある。本研究では、CoxハザードモデルにFactorization Machines (FM)を導入したモデルを提案する。このモデルでは共変量間の相互作用を利用でき、また解釈も可能である。提案手法の性能を評価するため、実際の遺伝子データから特徴選択を行い、それによって選択された特徴を用いて実験を行った。その結果、提案手法が既存手法に比べ良い性能を示すことを確認した。

顧客生涯価値（LTV）は顧客評価の重要な指標であり，LTVを正確に予測することができれば，適切なマーケティング活動を通して優良顧客と長期的な関係を築くことが可能となる．非契約型サービスにおけるLTV予測では，Recency, Frequency, Monetaryで構成されるRFM指標が広く用いられている．RFM指標は顧客の購買特性を集約した指標として有用であるが，性別や年代といった顧客自体の特性は考慮していない．本稿では，RFM指標に加えて顧客特性も加味した予測モデルを提案し，RFM指標のみを用いた従来法よりも高い精度でLTV予測が可能なことを示す．

我々は上流側と下流側の流況データの相関関係を使って，ダム流入量の予測精度向上を目指している．上流側と下流側の水位・流量のデータ関係を扱う場合，その非線形性に着目し，非線形性の程度に応じてモデリングの方法を変えていかなければならない．本稿では，分布型流出解析モデルによって生成した時系列データに偏差を与え，非線形性のデータを作成した．その後，深層学習ネットワークの一種であるLSTMを使って，その非線形性データを学習し，ダム流入量予測モデルを作成した．結果として，通常の観測値が持つ偏差は深層学習モデルの複雑さに影響しないことが分かった．

時系列データの将来予測は産業上重要であるため、様々な予測モデルが提案され、深層学習によるモデルが従来モデルに比べ高い精度が出る事例も報告されている。しかし、深層学習を用いた予測モデルは、学習に要する時間がかかることや、長期にわたる周期性を保持することが難しくそのような時系列の予測には不向きであることも知られている。この問題を踏まえ、これまで自己回帰モデルの発想を取り入れることで周期性の保持や計算量の削減を実現する深層モデルの研究が進められ、複数種類の手法が提案されてきた。しかし、これらのモデルは同じデータや設定での比較した研究はなされていないため、データごとの各タスクに対しどのモデルが有効であるかは不明な点も残されている。そこで、本研究ではこれらの手法を複数種の時系列データに対し異なる設定下で適用し、過程や結果を比較検討することで各モデルの特徴を捉えることを目的とする。複数のモデルで実験を行った結果、ARモデルが有効であると考えられる時系列予測には線形回帰モデルを活用した深層モデルが有効であるが、そうとは言えない時系列予測はより単純な深層モデルが有効であることが示唆された。

海産養殖は現在、世界的に重要となっている。国内外共に養殖業需要は急激に増加しており、今後更に重要となることが予想されている。養殖の場合、海産物は養殖場内の一定の位置で育成されるため、水温など環境の変化に応じて従業者が事前に対応する必要がある。そのため安定して供給を行うには養殖場内の環境管理が適切に行われる必要があり、海水温変化の正確な予測が重要となる。本研究では養殖場内の海水温予測の精度向上を目的とし、予測モデル構築時の要素と入力長が精度に及ぼす影響について明らかにする。実験として要素と入力長の異なるモデルを複数用意し、これらの精度を比較することで影響を明らかにする。実験結果から予測精度に影響のある要素と入力長が示され、これらを反映することにより予測モデルの更なる精度向上が期待される。

Convolutional Neural Network(CNN)は, 画像認識をはじめとする多くの研究に使われているが, その解釈可能性に関しては問題視されている.そのため多くの既往研究により, 入力画像のヒートマップを作成することで, この解釈可能性を補うような研究が進められてきた.そして,それらの手法は全て学習済みのモデルのみで評価をされており,学習過程に注目したものはない.これは,Early Stoppingなどの指標に基づき学習を止めたものを最適なモデルとして選択しているためである.しかし,既往研究により分類問題に関しては学習を続けるほど(過剰学習),精度が上昇することが報告されており,Early Stoppingでは精度の面からは,最適なモデルを選択できない可能性が示唆された.そこで本研究では,学習過程でのヒートマップの変化に着目することで,過剰学習が及ぼす影響を検討した.結果として,ヒートマップはEarly Stoppingにより選択したものとは異なる画像として出力されるようになり,出力層のエントロピーと正解クラスの予測確率が不安定になる傾向が見られた.

深層ニューラルネットは様々なタスクにおいて高い性能を達成しており，その予測のメカニズムを理解するための手法を構築することは重要な研究課題である．近年，データから学習されたニューラルネットをより単純で解釈性の高いモジュール構造に分解するための手法が提案されている．本論文では，深層ニューラルネットの学習経過についての知識を獲得するために，学習におけるモジュール構造の推移を可視化する手法を提案する．提案法では，まず学習の各段階におけるニューラルネットを階層的クラスタリングに基づきモジュール構造に分解し，次に異なる学習段階におけるモジュール同士の関係を共通するユニットの割合に基づいて解析する．実験により，提案法を用いることで学習経過におけるモジュールの分割と統合の様子と，各モジュールが持つ入出力マッピングの意味での役割について知識を獲得できることを示した．

深層学習は物体認識だけでなく，脳波を入力とした識別でも高い識別性能を有する．この識別器を医療診断支援に応用する場合，その診断根拠を示すことが重要となる．そのため，誤差逆伝播を用いて各入力特徴が識別に貢献した度合いを求める手法が提案されているが，これらの手法は入力空間での貢献のハイライトを求めるものである．医学・神経科学での知見の蓄積のある周波数空間は識別器の入力空間ではない．本研究では誤差逆伝播に基づく説明法である勾配積分法を用いて，周波数ごとの振幅成分と位相成分の貢献を，少ない計算量で正確に計算することを目指す．識別器入力の空間を人が理解しやすい空間へと変換し，その変換が微分可能であれば，勾配積分法により変換後の空間での貢献の計算が可能になる．脳波の場合，高速フーリエ変換(FFT) が微分可能であることを利用して，周波数空間での貢献を計算する．今回，三つのデータセットを用いて提案法の有効性を実験的に示す．

近年，深層学習をはじめとする高い識別性能をもつ機械学習モデルが様々な分野に応用されている．それらのモデルの多くはブラックボックスであり，ユーザがモデルの挙動や予測の原因について知ることが困難になっており，モデルや予測結果に解釈性に関する研究が活発に行われている．予測の原因となる特徴を特定する手法としてLocal Interpretable Model-agnostic Explanations (LIME) がある．しかしながらLIMEでは，個々の特徴の重要性を測ることはできるが，重要な特徴の組み合わせを特定することはできない．そこで，本研究では予測に影響を与えた特徴の組み合わせに着目した，新たなモデル依存性のない説明手法を提案する．提案手法では，特徴の組み合わせの中から，対象となる予測結果を得るために必要な特徴の組み合わせを探索アルゴリズムによって発見する．計算機実験によって従来のLIMEよりも高い予測能力を持つことが示された．また，画像分類への応用を行い，提案手法の有用性を検証した．

Convolutional Neural Network（CNN）は、ディープニューラルネットワークを用いた画像分類器である．しかし，CNNは分類したクラスに対する判断根拠を提示することができないという欠点をもつ．この問題を解決するため，判断根拠となる画像の一部を提示する可視化手法が提案されている． 分類に対する判断根拠の可視化と同様に，学習過程の視覚化も重要だと考えている． CNNのクラス判別性能はパラメータの影響が大きい事が知られている．そのため，学習過程の視覚化が可能となる事によりパラメータ調整を効率的に行うことができる． そこで我々は学習過程を視覚化する方法を提案する．提案手法はCNNの学習過程におけるエポック毎に，任意のクラスの分類判断根拠画像を生成する． 提案手法の有効性を検証するため，MNISTデータセットを用いた。その結果、提案手法が，従来手法では不可能であった任意のクラスに対する学習過程を視覚化できることを示した．

近年，ビッグデータ解析が注目される中，高精度な確率推論を可能とするベイジアンネットワークの重要性が高まっている．しかし，ベイジアンネットワーク構造学習は膨大な計算時間を要するため，大規模変数に対して構造学習は難しい．近年の研究で，制約ベース手法であるRAIアルゴリズムの条件付き独立性検定(CI テスト)にBayes factorを用いることで漸近一致性を有しつつ1000変数程度の構造学習が可能になった．制約ベース手法は学習のできる限り早期にエッジを削除することで学習に要するCI テスト数を削減できる．そこで，本論文はベイジアンネットワークのある二変数の条件付き独立性からその各変数と他変数との条件付き独立性の少なくとも一つを保証できる推移性が成り立つことを明らかにする．さらにRAIアルゴリズムにおいて推移性により少なくとも一つの条件付き独立が保証される二組のエッジのCI テストを優先して行い，CI テスト数を大幅に削減できる手法を提案する．シミュレーション実験により，提案手法がこれまで実現できなかった大規模なベイジアンネットワークを学習できることを示した.

ベイジアンネットワーク分類器（Bayesian Network Classifier: BNC）は高精度な分類器として注目されている．Sugaharaら（2018）は構造にAugmented Naive Bayes（ANB）を仮定して生成モデルとして厳密学習することで，データ数が少ない場合も分類精度の高いベイジアンネットワーク分類器を学習できることを示した．しかし，従来手法である厳密解探索アプローチによる構造学習では計算量が膨大であるため数十変数の構造学習が限界である．一方で，制約ベースアプローチと呼ばれる因果モデル分野の構造学習法が提案されている．名取ら（2018）は，CIテストにBayes factorを用いることで漸近一致性を有しつつ1000ノード以上の構造学習を実現し，本田ら（2019）はその手法に推移性を組み込むことで2000ノード程度の構造学習を実現した．そこで本論文では，本田らの手法を用いて従来より大規模なANBを学習出来る手法を提案する．比較実験により，提案手法が従来手法よりも分類精度が高いことを示す．

ベイジアンネットワーク分類器（Bayesian Network Classifier: BNC）は離散変数を扱う高精度の分類器として知られている． BNCは生成モデルよりも識別モデルの方が分類精度が高いことが先行研究で報告されてきた． しかし，なぜ識別モデルの方が分類精度が高いかという理由については未だ明らかにされていない． 本論では，まず識別モデルとしてのBNCと厳密に学習した生成モデルとしてのBNCの分類精度の比較実験を行なった． その結果，生成モデルはサンプルサイズが大きい時は識別モデルより分類精度が高かった． 一方で，サンプルサイズが小さい場合は，生成モデルでは目的変数の親変数が増加してしまい，パラメータ数の指数的増加によって分類精度が識別モデルよりも著しく低下していた． そこで，本論では，目的変数が親変数を持たないANB構造を制約とした，生成モデルとしてのBNCの厳密学習手法を提案する． リポジトリデータセットを用いた実験により，提案手法が従来の識別モデルのBNCよりも分類精度が有意に高いことを示す．

強化学習は深層学習の導入によって多くの成果を挙げているが，タスクの目的を適切に反映した報酬の設計を必要とする．この報酬設計を回避する方法に，エキスパートの軌跡から報酬を推定する逆強化学習がある．既存の逆強化学習法の多くは、ある単一の環境で得られた軌跡からエキスパートの報酬を推定する．しかし，複数の環境におけるエキスパートの軌跡が入手可能な場合もある．例えば，自動車の運転の目的を報酬として表現することは困難だが，運転手は特定の目的の下での運転データを複数の状況で生成できる．本研究では，エキスパートが複数の環境で生成した軌跡を用いて報酬を推定する逆強化学習手法を，ベイジアン逆強化学習に基づいて定式化し，その解法を示す．Expected Value Differenceと呼ばれる指標で，提案法と既存のベイジアン逆強化学習を比較した結果，提案法が既存手法と比較して，よりエキスパートに近い報酬を推定したことを確認した．

推薦システムを構築する際には、行動ログからユーザおよびアイテムの潜在的な特徴を推測する(協調フィルタリング)と同時に、それらの既知の属性を考慮に入れることが不可欠である。2つの両極端なアプローチ間を自然に補間するため、特に行列分解を拡張する形で、多数のモデルが提案されてきた。本研究では、深層学習技術と高確率的プログラミングソフトウェアの近年の発展に基づいて、非常にシンプルかつ簡潔な実装でありながら、柔軟かつ過学習に対して頑健な(非行列分解型の)モデルを提案し、実サービスのデータに対して性能を評価する。また、提案モデルの予測値と組み合わせ最適化問題を用いて作成された配信計画を実サービスに対して適用し、特定の指標に有意な改善が見られることを示す。

Generative Query Network(GQN)は未知の視点からの観測画像のレンダリングを可能にする革新的な深層生成モデルであり，新たな3次元モデリング手法として注目を集めた．しかし，GQNには，莫大な学習コストがかかる点，ハイパーパラメータに敏感で学習が安定しない点などの課題があることがわかっている．また，確率モデルとしての検証が不十分であるために，モデルアーキテクチャの解釈性が低く，発展研究の妨げとなっている．本研究では，これらの課題を解決するため，GQN の確率モデルをメタ学習のフレームワークを用いて定式化し，それに基づいて，学習のコストと不安定性を改善する手法の提案を行う．評価実験ではShepard Metzlerデータセットを用いてその有効性を検証する．

本稿ではVAEのフレームワークをStiefel空間と呼ばれる非ユークリッド空間に適用する方法について提案した。潜在空間を Stiefel 空間にすることで、獲得される潜在表現に正規直交性を課すことができる。Stiefel空間上のVAE学習の目的関数と勾配降下法について導出を行った。

深層学習の技術が成熟するに従い，既存の機械学習アルゴリズムを柔軟に組み合わせた複合システムを開発することで，より高度な知的システムを構築することが期待されている．複合システムをリアルタイムかつ分散的に動作させる場合，アルゴリズム間の時間的整合性を考慮する必要があり，それが改変や大規模化の際に弊害となりうる．本研究では，各アルゴリズムの出力をあらかじめ予測して転送することによって複合システム内の遅延を補償する仕組みを検討した．通常の誤差逆伝播法では情報の伝播に遅延を含んだ人工ニューラルネットワークの学習は機能しないが，Followdictive Codingと呼ばれる提案手法を用いて遅延を補償することで学習が収束することを示した．

顧客第一主義を標榜し、品質第一主義を掲げて世界を席巻してきた日本企業で今、品質詐称事件が後を絶たない。これは、これまで各企業が日本独特の高コンテクスト社会ならではの概念である「空気」を用いて絶対化していた品質第一といういわば信念が組織内の現実の問題により相対化し崩れたために詐称に至るものと考えられる。 本研究で、Giddensの構造化の理論の枠組みを基に、山本七平の言う日本独特の精神文化とも呼べる「空気」により形成された顧客への「忖度」が相対化され破れに至る様を、ビジネスゲームを用いて再現させる事を目的としている。

半導体は人工知能社会に置いて基礎的な役割を果たしている。近年、半導体産業における大規模な経営資源の統合と組織再編が行われている。そのため、本稿では半導体産業の技術動向や変化に着眼する。具体的には、米国と日本の半導体分野の特許データに関して分析を行い、特許の引用ネットワークを構築した。Louvain法を用いて、最大連結成分に対しクラスタリングし、代表的なクラスターについて考察した。両国間の技術ポートフォリオは異なるということが検出でき、tf-idfを用いて異なる技術分野のキーワードや特徴を抽出した。今後特許データベースの出願人情報と企業データベースの企業統合・買収(M&A)情報を紐付け、投資、M&A、技術特性や産業政策分析などの結果と連携して考察を深めていきたい。

本研究は社是と企業パフォーマンスの関係について解析を試みたものである．社是は，経営上重要視する事項，創業の想い，経営方針，などが記された，企業が掲げる企業行動の最高目標と捉えることができるメッセージであり，我々は社是が企業パフォーマンスに影響を与えている可能性について興味を持っている．本研究において社是と企業パフォーマンス (ROA) は有価証券報告書から収集を行い解析を行った．社是はテキストデータであるため，解析データは複雑になることが想定される．そこで複雑なデータ解析に定評のあるニューラルネットワークを解析手法として採用した．しかし一般的にニューラルネットワークは内部表現の解釈が困難であるため，これの解釈が可能な「潜在学習」と呼ばれるニューラルネットワークを用いて、解析と共に重要変数の解釈も試みた．解析の結果，正解率で0.6125となるモデルが作成でき，また，複数のメッセージから成る社是が企業パフォーマンスに影響を与えている可能性を得た．

少子高齢化が進む日本では労働力の確保は必須であり、働き方、働く人の多様化は必然である。そのため、多様化した組織を適切にマネジメントすることは今後の重要な課題である。本研究では、フォールトライン（グループを１つ以上の属性によってサブグループに分ける仮想の分割線）の考えを用いて多様性をフォールトライン（以下、FL）の強さとサブグループ数（以下、SG数）によって定量的・構造的に捉えた上で、エージェントベースモデル（以下、ABM）を用いて、多様化した組織の適切なマネジメント方法の1つを明らかにすることが目的である。FL理論に基づいた多様性とコミュニケーションの関係性をABMでモデル化し、日本の組織の調査結果をもとに、組織内のコミュニケーションの方法が組織の成果に及ぼす影響を検証した。その結果、組織内の交流が阻害なく平等に行われれば組織のパフォーマンスは最大化するが、組織内にコンフリクトが発生して似た者同士の交流が増えるとパフォーマンスが下がり多様性の構造の影響を強く受ける。そのために多様性の構造と組織内の交流の傾向を把握することが多様化した組織をマネジメントする際には重要である。

本論文では，世帯情報に基づく電力需要量推定モデルを提案した．今日議論されている再生可能エネルギーや蓄電池等の普及による電力システムの転換は，家庭の電力需要の変化により一層大きな影響を与えると考えられている．本研究の目的は，世帯別電力需要の合計から地域別電力需要曲線を出力できるモデルを開発することである．提案した方法はマルチエージェントベースの世帯推移モデルと世帯のエネルギー消費データベースに基づいている．シミュレーション結果は，毎月の電力需要の測定値と大体一致した。

現在，世界的な電力不足や，発電による環境負荷などの問題によりスマートグリッドという次世代型電力網が注目を集めている．現在の使用されている電力の問題としては，送電経路が長いことから送電損失となる電力が多いという点が挙げられる．よって，送電損失を削減させることで電力不足の改善や発電量の削減が可能であると考えられる．このような理由から，送電経路の最適化させることが求められる．そこで本論文では，電力の送電経路をプログラムのように扱うことでコンパイラで利用されるコード最適化の手法を用いて送電経路の最適化することで送電損失を削減することを提案した．そして，マルチエージェントシステムを用いたシミュレーションにより送電損失量の比較を行い，提案手法によって送電損失量が削減可能であることを示した．また，提案手法の実行処理時間を計測することによって使用可能であることを示した．

入札方式により世帯間で電力を売買する電力分け合いサービスを検討している．本サービスの実現性検証のため，電力分け合いMASを新たに設計した．基礎評価を通して電力分け合いMASモデルの妥当性を評価した．具体的には，売電入札量と買電入札量の需給バランスに応じて市場価格が安定的に推移している点を確認した．また，利益追求や再エネ由来の電力を使いたいエコ志向などの世帯の考え方をモデル化した入札戦略について，利益追求戦略の利益が高く，エコ志向戦略の約定率が高くなるなど，設計通りの結果が得られる点を確認した．

Instead of generating image inbetween directly from adjacent frames, we propose a method based on inbetweening in latent space. We design a simple loss function which generates a latent space that represent the spatial configu- ration of image inbetween. Contrary to the frame based methods, this model can make plausible assumption about the moving objects in the image and can capture what is not seen in the images. Our model has three networks, all based on variational autoencoder, sharing same weights. We validate this model on different synthetic datasets. We show the details of our network architecture and the evaluation results.

本稿では、Triplet NetworkとK近傍クラス分類器を用いたワンショット学習技術を提案する。ワンショット学習では、クラスごとに正例を1つだけあたえて訓練した学習機で対象画像のクラス分類を行う。この手法では、Tripletネットワークを用いて画像をユークリッド空間にマップし、その空間でK近傍クラス分類を行う。この際に、正例画像をデータ拡張することでワンショット学習を可能にする。MNISTデータセットを用いて実験を行い、提案手法の有効性を確認した。

ピクセルレベルの画像生成とは異なり、スケッチモデルは筆順情報を生成する。本論文では、ソース領域のスケッチをターゲット領域のスケッチに変換する教師なし学習モデル「Cycle Sketch GAN」を提案する。本モデルはCycle GANアルゴリズムに基づくが、GeneratorにはTransformer Encoder構造を採用する。Transformer Encoderはソース領域の筆順情報を読み込み、出力分布のパラメータを生成するが、その分布からのreparametrization trickによるサンプリングをターゲット領域の筆順情報とみなす。また、この分布の負の対数尤度をcycle consistency lossとして利用する。本モデルをQuickdrawデータセットで学習させ評価を行った。定性評価では、スケッチが実際にソース領域からターゲット領域に変換されることを確認した。定量評価では、ユーザ調査により、人間が描いたスケッチが71％の精度で認識可能であることに対し、モデルによって変換されたスケッチが42％の精度で認識可能であることを確認した。

新たな手法や技術により発展している深層学習には、人々の仕事効率を助けたり、とある現象をみて予測を立てたり、デザイナーとなって画像を生成するなど様々な可能性に満ちている。本研究では深層学習を用いて"条件付き"の手書き文字を生成を行った。単なる画像生成ではなく、入力者側が生成したい手書き文字を指定する(生成の条件をつける)ことでその文字を生成することを目的とする。目的達成のために、実験では深層学習モデルとしてDCGANとConditional GANを組み合わせたConditional DCGANを構築、ラベル情報の付加で生成条件がつけられた画像生成のトレーニングを行った。141,319のサンプル訓練データにある数字やアルファベット、カタカナなどの総計96種類の手書き文字の書き分けトレーニングを通じて、インプットの要素として含まれるランダムノイズの次元数がその種類数を上回るようにした学習済みのGeneratorは各種類に対応付けたラベルを指定するだけで、その該当文字を生成できたことを紹介する。

Efficient inspection and accurate prognosis are required for civil infrastructures with more than 30 years since completion. If we can detect damaged photos automatically per-pixels from the record of the inspection record and countermeasure classification of drone inspection vision, then it is possible that countermeasure information can be provided more flexibly, whether we need to repair and how large the expose of damage interest. A piece of damage photo is often sparse as long as it is not zoomed around damage, exactly the range where the detection target is photographed, is at most only one percent. In this paper, we propose three damage detection methods of transfer learning which enables semantic segmentation in an image with low pixels using damaged photos of drone inspection. Furthermore, we propose prognosis indices to make a decision repair-priority such as the counts index of pop-outs region and the per-pixel area counts index of each pop-out based on morphology image processing. In fact, we show the results applied this method using the 40 drone inspection images whose size is 6,000 x 4,000 on an infrastructure, where each image is partitioned into 400 crops, so the total number of input images is 16,000 for training deep neural network. Finally, future tasks of damage detection modeling are mentioned (211words).

Learning social influence between users on social networks has been extensively studied in a decade. Many models were proposed to model the microscopic diffusion process or to directly predict the final diffusion results. However, most of them need expensive Monte Carlo simulations to estimate diffusion results and some of them just predict the size of the spread via regression techniques, where people who will adopt the information becomes unknown. In this work, we regard the prediction of final influence diffusion results in a social network as a classification problem to avoid expensive simulations with knowing the final adopters. We first address the problem on a deep neural network and utilize the diffusion traces to train the network. Furthermore, we propose a community-based convolutional neural network to capture the information of local structure with the aforementioned network. The proposed model is referred to as the Social Influence Learning on Community-based Convolutional Neural Network, SIL-CCNN. In the experiment, SIL-CCNN shows the promising results in both synthetic and real-world datasets.

User Identity Linkage aims to detect the same individual or entity across different Online Social Networks, which is a crucial step for information diffusion among isolated networks. While many pair-wise user linking methods have been proposed on this important topic, the community information naturally exists in the network is often discarded. In this paper, we proposed a novel embedding-based approach that considers both individual similarity and community similarity by jointly optimize them in a single loss function. Experiments on real dataset obtained from Foursquare and Twitter illustrate that proposed method outperforms other commonly used baselines that only consider the individual similarity.

A more precise recommendation plays an essential role in e-commerce. Representation learning has attracted many attentions in recommendation field for describing local item relationships. In this paper, we utilize the item embedding method to learn item representations and user representations. Our methods compute cosine similarity of user vector and recommended item vectors to achieve the goal of personalized ranking. Experiment on real-world dataset shows that our model outperforms baseline model especially when the number of the recommended item is relatively small.

Neural machine translation (NMT) often suffers in low-resource scenarios where sufficiently large-scale parallel corpora cannot be obtained. Therefore, a recent line of unsupervised NMT models based on monolingual corpus is emerging. In this work, we perform three sets of experiments that analyze the application of unsupervised NMT model in Japanese--Chinese machine translation. We report 30.13 BLEU points for ZH--JA and 23.42 BLEU points for JA--ZH.