機械学習は高い予測精度が得られる一方で、モデルがブラックボックスとなる場合があり、入力と出力の関係の解釈性に問題を抱えている。モデルの入出力を可視化する手法として、PDP、ICE Plot、Forest Floorなどが提案されてる。本研究では、モデルに依存しない感度解析について検討することを目的とする。モデルに依存することなく、モデルの学習を効率化するメタ学習は、モデルの学習方法を学習するプロセスであり、MAML、OpenAI Reptileなどの手法が提案されている。OpenAI reptileを用いてニューラルネットワークの感度解析の実験を行い、その結果について考察した。

近年，Deep Neural Network（以下，DNN）と呼ばれる手法が注目を浴びている．この手法において，学習の初期値は得られる結果の精度に影響を与える．そのため，Pre-trainingにより初期値を求めFine-tuningを行う手法が提案されている．この手法の1つにDeep ECOCがある．これは，多値分類のために，Support Vector Machine（以下，SVM）による学習をPre-trainingとしたものである．この手法では，あるカテゴリとその他のカテゴリを分けるSVMの学習結果をDNNの初期値として用いている．つまり，このSVMは各カテゴリの特徴を捉える形と捉えることができる．本研究では，この考え方を援用し，カテゴリ毎にその特徴を表現するDNNに分岐させることにより，精度向上を目指す．そこで，各カテゴリの特徴を表現するPre-training としてAuto Encoderを用いることを提案する．そして，この結果を用いてDNNを再学習する．これらの提案手法の有効性を検証するために，新聞記事データを用い，評価実験を行う．

本研究は、暗黙的フィードバックを元にする推薦アルゴリズムとして、シンプルでありながら高い精度を誇るSLIM (Sparse Linear Method) や EASE (Embarassingly Shallow Auto-Encoder) を自然に拡張した手法である、「ハイブリッドな線形手法」 HyLIM (Hybrid Linear Method) を提案する。そのため、まずはHyLIMを最適化問題として定式化したのち、その解を閉じた形で求める。また、提案手法が実際にユーザーに関する補助情報を用いて精度を向上させることを確かめるため、(ユーザー・アイテム双方の補助情報が入手可能な)実世界データを用いて、その評価を行う。

操作変量を説明変数に含む機械学習の予測モデルに対して，モデルの重みや偏微分などの解釈から貢献度の高い操作変量を特定し，実際の操作へ繋げるという実応用がなされている．一方で予測モデルは予測対象の裏にあるデータの因果関係を考慮していないため，予測精度が高い場合でもモデルへの介入効果は実際のシステムと異なる可能性がある．Blobaumらの研究では回帰モデルと因果グラフを組み合わせることで，予測モデルの予測値を目標値に近づける介入値を因果グラフを通じて得るフレームワークが提案している．本研究ではこのフレームワークを用いて，時系列モデルと時系列因果グラフに対する介入効果を得る手法を提案する．時系列データに対して回帰モデルのみと提案手法で得られる介入による回帰モデルの予測値と目標値の誤差を人工データ及びシミュレーションデータに対して比較した．

Shapeletと呼ばれる部分時系列に関する研究が注目を集めている．近年Shapeletに基づく研究では，特徴量変換として用いることで，Shapelet特有の解釈性を持ちながら分類精度の大幅な向上を示された．しかしながら，これらの手法を大きなデータセットに適用した際，数百以上のShapeletを要求する．そうした場合，Shapeletの利点の1つであった分類根拠の透明性が大きく損なわれてしまう．分類結果を解釈するときに我々が知りたいのは，せいぜい数個のShapeletのはずである．本研究ではShapeletに基づくルールと深層学習手法を組み合わせることで，Shapeletの数を少数に制限可能な新しい分類手法を提案する．実験により，従来のShapeletに基づく分類手法と同等以上の精度を発揮することを確認した．

近年, 複素数や四元数などの多元数を基とする高次元ニューラルネットワークの研究が進められている. 一方で, 高次元ニューラルネットワークをGPUで扱うことのできる深層学習フレームワークは未だに少なく, 実験の障壁となっている. そこで本研究では，複素数，四元数，3次元ベクトルを基とする深層学習フレームワークを開発した．このフレームワークでは, 高次元ニューラルネットワークを実装する際に課題となる一時計算領域の肥大を解消するため専用のCUDAカーネルを実装し, さらに丸め誤差の蓄積を避けるためFP32-FP32演算を採用した．これらにより，既存のフレームワークに比べ空間計算量と計算誤差の低減について優位であることを示す.

ある入力に対して条件付き確率分布を推定する問題は様々な場面で現れ、特に入力に対してラベルの確率分布を推定する問題はLabel Distribution Learningとして研究されている。 Wasserstein距離は確率分布のサポートに付随する距離構造を考慮しながら分布間距離を測る方法で、ラベル空間に距離構造が入っている分布推定での有用性が確認されている。 本研究では、ラベル空間に単純な距離構造ではなくグラフや階層構造が入っている分布推定に対してWasserstein距離を用いること考える。一般に計算量の点からWasserstein距離をサポート点が多い場合に適用することは困難である。一方で、サポートが木構造持っている場合は距離行列を必要せずに木構造のみから高速に計算できる。この事実を利用して効率的にWasserstein距離を計算し、損失関数として利用することを提案する。 実験では、提案法をラベルがグラフや階層構造を持つ分布推定問題に適用し、提案法が対象の持つ構造を正しく考慮できていること、また既存のWasserstein損失よりも計算効率が高いことを示す。

分布外検知はテスト時に訓練データの分布以外の入力サンプルを検知するタスクである．入力が低次元データであれば，訓練データを密度推定することで，密度の小さい部分を分布外であると容易に推定することができる．一方，入力が高次元データのとき次元の呪いがおこるため，密度推定は困難になり分布外検知をすることが難しい．そのため，深層生成モデルを利用して，高次元データを低次元の潜在空間上に写像し，その空間上で分布外検知をする方法を考える．しかし，モデルは訓練データ以外での学習はできないため，テスト時の訓練分布外のデータが潜在空間上においても訓練分布から離れた場所に写像される保証はない．そこで，訓練分布外のデータでも再構成できるモデルを利用すれば，そのデータが潜在空間上でも訓練分布から離れた場所に適切に写像されるという仮説をたてる．我々はそのモデルとしてVQVAEを用いることを提案する．実験では，VQVAEが訓練分布外のデータを入力として利用したとしても，もとの画像を大きく損なわずに再構成できることを確かめる．さらに，VQVAEで得られる低次元の潜在変数を利用して，分布外検知が可能であることを確かめる．

本論文では，CMA-ESを用いた高次元ブラックボックス最適化において，目的関数の推定された曲率に基づく座標選択法を提案する． ブラックボックス最適化においては，目的関数の変数間の依存関係や悪条件性に適応可能なアルゴリズムが求められる． CMA-ESは，分散共分散行列を用いることで，変数間の依存関係に適応可能であるが，高次元空間では悪条件性に適応できないことが報告されている． 本手法では，最適化の過程で推定された曲率が近い変数毎にパラメータの更新を行うことで，変数間の依存関係と悪条件性の双方を考慮した最適化を目指す． 実験では，ベンチマーク関数を用いて，目的関数の性質毎に，既存のCMA-ESとの比較を行い，提案手法の性質を確認した．

We proposed a method to detect a change in causal relations over a multi-dimensional sequence of events. The method makes use of the proposed modified cluster sequence mining algorithm to extract causal relations in the form of cluster sequence patterns: a pair of clusters of event that has their occurrence time determined significant by Granger causality. We proposed a pattern time signature, a cumulative incidence function of the cluster sequence occurring at any given time. The pattern time signature allows us to infer the appearance and disappearance time of each cluster sequence pattern. We validated our method using synthetic data. The result shows that our algorithm can correctly identify the change in causal relation even under noisy data.

Early detection of rising talents is of paramount importance in the field of advertising. In this paper, we define a concept of talent breakout and propose a method to detect Japanese talents before their rise to stardom. The main focus of the study is to determine the effectiveness of combining Twitter and TV data on predicting time-dependent changes in social data. Although traditional time-series models are known to be robust in many applications, the success of neural network models in various fields (e.g Natural Language Processing, Computer Vision, Reinforcement Learning), continues to spark an interest in the time-series community to apply new techniques in practice. Therefore, in order to find the best modeling approach, we have experimented with traditional, neural network and ensemble learning methods. We observe that ensemble learning methods outperform traditional and neural network models based on standard regression metrics. However, by utilizing the concept of talent breakout, we are able to assess the true forecasting ability of the models, where neural networks outperform traditional and ensemble learning methods in terms of precision and recall.

This paper investigates the characteristics of decision trees for discharge summaries classifier, focusing on (1) selection of features in text mining and (2) splitting measures. The results shows that decision tree induction methods select attributes independently of the importance obtained by morphological analysis, which have small changes in the choice of splitting meatures. Thus, decision tree methods are found to be the simplest and powerful methods for mining classification knowledge from discharge summaries.

Given the growing popularity of online games and eSports, the young generation is increasingly enjoying its video live streaming service. Streaming channels are usually combined with chat rooms, where offensive conversations often appear against the streamer or audience. Such offensive languages may cause many serious impacts on a victim’s life and even lead to teen suicide. One method of detecting offensive language is to use deep learning techniques. This research aims to detect offensive language appearing in video live streaming chats. Focusing on Twitch, the most popular live streaming platform, we created a dataset for the task of detecting offensive language. We collected 2000 chat posts across four popular game titles with genre diversity (i.e., competitive, violent, peaceful). Making use of the similarity in offensive languages among social media, we adopt the state-of-the-art models trained over the offensive language on Twitter to our Twitch data (i.e., transfer learning). Our results show that transfer from social media to live streaming is possible. However, the similarity of chat posts or target contents does not help to predict the tranferability with limited data.

This paper proposes an approach that aims to detect and classify the daily actions of workers in a factory using monocular cameras. In this context, the set of actions to be detected is limited to drilling works. Towards this end, we propose an object detection method using YOLOv3 and a motion detection and classification method using the sound information included in the videos. As a result, it becomes possible to calculate the actual work time more accurately. In specific, the proposed approach is able to detect and classify various actions of work, including the detection of drilling work in industrial workspaces, such as factories, by only using one general monocular camera, with an improved efficiency.

This paper proposes an approach for classifying the actions of workers in office environments. The ultimate goal is to automatically calculate the working hours of workers and their other activities. Knowing what the workers are doing from each frame of the video during desk work makes them possible. In order to achieve this goal, we use You Only Look Once(YOLO) as an object detection method and Brute-Force Matcher as a prediction method. Using the proposed approach, videos are classified into six categories: "PC work", "calling", "writing", "stretching", "sleeping", and "others". In order to evaluate the proposed approach, we measure the accuracy by taking videos that assume desk work. The experimental results show that the proposed approach is more accurate than prediction using YOLO only.

Value-at-Risk models (VaR) are widely used in bank risk management practice. VaR models come from the field of “worst statistics” and help to understand the worst loss with a certain probability. After the last major financial crisis of 2007-2008, the regulators tried to modify existing models for risk assessment. VaR models were criticized by many researchers and new modified models, such as conditional VaR, Expected Shortfalls (ES), were proposed. One of the major drawbacks of VaR models is low sensitivity to the tails of the returns’ distribution. In this work, we propose Gibbs sampling for efficient sampling from the joint distribution of returns. Gibbs sampling belongs to the family of Markov Chain Monte Carlo (MCMC) methods which use Markov chains to create random walks while sampling from the target distribution. We considered multivariate distribution of returns for a portfolio consisting of several instruments. For this purpose, we simulated a situation of 3 instruments-portfolio with known Covariance matrix under the normality assumption of the marginal distributions. After calculating the conditional probabilities, we ran Gibbs sampler and succeeded to achieve marginal distributions allowing further VaR calculation.

In this study, we propose a stochastic model for predicting the behavior of financial market traders. First, using real ordering data that includes masked traders' IDs, we cluster the traders and select a recognizable cluster that appears to employ a high-frequency traders' market-making (HFT-MM) strategy. Then, we use an LSTM-based stochastic prediction model to predict the traders' behavior. This model takes the market order book state and a trader's ordering state as input and probabilistically predicts the trader's actions over the next one minute. The results show that our model can outperform both a model that randomly takes action and a conventional deterministic model. Herein, we only analyze limited trader type but, if our model is implemented to all trader types, this will increase the accuracy of predictions for the entire market.

There have been many studies seeking to predict excess returns in financial time series data. Nevertheless, not many studies have focused on applying machine learning approaches among factors in different asset classes. The main objective of this paper is to analyze whether a predictability of return in financial products could be improved by considering factors obtained from other asset classes, and to indicate the effectiveness of machine learning in financial time series prediction. We targeted 10-year Japanese Government Bond(10-year JGB), and Nikkei Stock Average Index, implementing non-linear machine learning approaches as well as conventional multiple linear regression models to predict returns in both assets. The results suggest that considering factors from other asset classes could improve return prediction both in 10-year JGB and Nikkei Stock Average, especially when using non-linear approaches.

This study analyses the NBA regular season result from 2015-19. Traditional statistical data are used as explanatory variables to establish linear regression models. We use the two team's score intervals predicted by ourmodels as the win rate indicator. By using stepwise regression methods to organize the data can eectively improve model accuracy. Experiment results show a 49% of correctness for predict a match with multiple games, and a 92% correctness with at most one game dierence. The main factor of causing incorrect prediction is also recognized as the imbalance competition system.

オンライン広告のオーディエンスセグメントは, 一般的にwebの行動履歴やcookieなどの識別子から生成される. これらのセグメントは, 広告ターゲティングだけでなく, その他の配信の最適化にも使用される. しかし, これらのセグメントは大規模かつデータの種類が異なるため, 特徴量として使う際に統合が困難である. 一般的に高い精度を実現するためには, 手動の特徴量エンジニアリングが必要である. また, 従来の分類モデルでは, webの行動履歴やテキストなどといった, 異なる種類の特徴量の学習が困難である. そこで, 私達は統合学習モデルを提案する. このモデルは, Radical Basis Function Network ( RBFN ), Deep Network ( DN ), Recurrent Network ( RN )によって, それぞれ別々の特徴量を用いて学習し, 統合するモデルである. 本稿では, オンライン広告の2つのデータセットを用いた実験で, 疎な特徴量に対して一般的なアンサンブル木モデルより提案した統合学習モデルの有効性があることを検証した.

Background: The issue of asking for and provisioning of FCGS is essentially a matter of individual patient and physician decision-making. Advancement of blockchain and artificial intelligence (AI) capabilities in cosmetic medicine can now help address many pressing problems and the algorithm will further improve with user engagement. Methods: A deep convolutional neural network (DCNN) was trained using a dataset of 2010 clinical images obtained from 350 female patients for assessment of genital rejuvenation from May 2018 to Jun 2019. The proposed system consists of an intelligent recognition device, an app running either on an iPhone or Android-based mobile device, a deep learning training server, and a cloud-based management platform encrypted with blockchain-secured communication channel. Results: The Artificial Intelligence recognized the classification of a patient with an accuracy of 0.94 and a correlation between manual and automatized evaluation of r = 0.95 (P less than .001). Conclusion: Here the new concept makes machine-to-beauty readability possible by linking AI and blockchain technology. Humans and machines working together are always much more powerful than either alone. Further technical work is needed to add additional functions.

実社会の現象が様々なITシステムやテキストデータによって記述され、こうした実社会ビッグデータから確率モデルを構築する、確率モデリング技術の応用が進んできている。本発表では、こうした確率モデルを活用したアプローチによって、実社会問題を解決しようとする取り組みを解説し、実社会データの収集、データからのモデリング、確率モデルを応用したサービスシステム開発、サービスシステムの持続的進化、といったプロセスについて議論する。事例と開発されたシステムや実際のプロジェクトに基づいて、実社会問題解決を実現するAI応用システム開発の方法論を明らかにする。

科学技術の普及のためのサイエンスコミュニケーションイベントやアウトリーチイベント、商業見本市や大規模展示会、商業施設内のイベントなどの複数の展示ブースが出展し来場者が自由に回遊するイベントや、地域の観光地や商店街の周遊など、大規模集客サービスにおいて、それらに関わるステークホルダー（主催者等、出展者等、来場者）の価値（ベネフィット向上、リスク・コスト低減）のやりとりをサービスと位置づけ、その価値構造をイベントの実施や来場者の回遊が行われる度、各ステークホルダーのデータとして収集し、サービスシステムをモデル化する事で、目的に応じたステークホルダー全体の価値向上を継続的に可能とすることを目指す。本発表ではその目的の為に各イベントで実施したAIタッチラリーを用いたデータ収集と価値構造の進化を実例で示す。

本研究では、募集されている賃貸住宅に対して入居希望者からの問い合わせがあるかどうかを物件属性等からどの程度の精度で予測できるのか、複数の統計手法を用いて推定を行い、その結果を比較した。これらの結果をケーススタディとして提示することが本研究の目的である。 古典的なLogistic回帰と近年よく用いられているRandom Forest，XGBoostの3手法から推定された結果からConfusion Matrixを計算し、予測精度の検証を行ったところ、XGBoost に次いでLogistic回帰の精度高いという結果が得られた。 一方で、ビジネスへの適用という観点では、統計手法による精度の差は大きなものとは言えず、解釈のしやすいLogistic回帰を用いることが望ましい場合もある。このように、ビジネスでは、精度、解釈のしやすさ、研究体制等を考慮して適切な統計手法を選択することが重要である。

近年、系統安定化を目的とし、発電事業者は発電量予測に基づいた発電計画と実績の差にペナルティとしてインバランス料金が課されている。特に、風力発電は天候依存で発電電力量の予測が難しく、将来インバランス料金単価が高くなった場合、ペナルティが増加して収益が下がる可能性がある。そこで、この発電量の予測誤差を下げる方法の一つとして、風力発電設置時から予測のしやすい地点に設置する方法に着目し、設置時から、運用時における収益性を評価するのに必要となるモデルを開発した。このモデルは、気象及び土地特性に関するオープンデータを用いており、任意地点における地表面の風速推定モデルと、発電機の運転特性及び風速の高さ補正を考慮した発電電力量変換モデルと、電力量変換後の真値と推定値の残差であるインバランス発生量の大小を分類するモデルで構成した。これら開発したモデルを用いて、収益性の観点から風力発電を設置すべき地点を検討した。

【目的】精神科医療において患者の自殺行動は重要課題の一つである。医療スタッフには患者の状態を鋭敏に察知し素早く共有することが求められるが，現実にはたやすいことではない。一つの解決法として，カルテの記載内容から患者のリスクを自動的に評価し，迅速に共有できるシステムを考案した。 【結果】当院の過去のアクシデントレポートから入院中に自殺行動のあった患者約170名を選別し，そのカルテから自殺リスクの高さを示唆する記載を「高リスクテキスト」，リスクの低さを示唆する記載を「低リスクテキスト」として，各々人為的に抽出してラベル付けをした。「高リスク」約500件，「低リスク」約800件のテキストが得られた。単語レベルでのナイーブベイズ法による分類を試みたところ，交差検証法とホールドアウト法のいずれにおいても80%以上の正答率が得られた。 【考察】得られたアルゴリズムを電子カルテに実装すれば，スタッフ間の情報共有を支援するシステムが比較的容易に構築可能であると考えられた。テキスト以外のデータと組み合わせてより高精度な評価を試みたり，自殺以外の様々なリスクを予測したりすることも今後可能になるであろう。

本研究では2019年4月7日に行われた大阪ダブル選挙期間中に投稿されたtwitterからトピック分析と社会ネットワーク分析を行い、アナウンスメント効果とコミュニティ構造を分析する。第1にLDAでツイートをトピックに分け、各トピックの投稿内容から維新支持と反維新に分別し、投稿数を調べた。その結果、序盤では維新支持と反維新が拮抗しているが、選挙終盤戦では、圧倒的に支持が多くなっていた。これは4月1日の世論調査の結果、維新優勢という報道があった影響の可能性が考えられる。この結果、維新支持に対してはバンドワゴン効果、反維新に対してはアンダードッグ効果の可能性が考えられる。第2にリツイートの社会ネットワーク分析を行った。次数中心性および媒介中心性ともにごく少数の中心性の高いアカウントとそれ以外の多数アカウントが存在することが分かった。Louvain法を用いたコミュニティ抽出により、選挙終盤では5つの大規模コミュニティが抽出された。このコミュニティで中心性の高いアカウントでは、維新支持と反維新が混在していなかった。この結果、Twitter内ではユーザは選択的接触をしていた可能性が考えられる。

学術論文のオープンアクセスが普及し，研究者以外も論文にアクセスする機会が増えている．人工知能や機械学習の分野では，論文の著者版をarXivで公開する場合もあり，それらのarXiv論文に関するツイートも数多くなされている．本研究では，arXiv論文の言及者を4つの行動タイプに分け，言及の特徴を分析する．分析の結果，それぞれのユーザは，statuses，retweeters，favoriters，repliersのいずれかの行動タイプのユーザとして振る舞い，複数の行動を行わない傾向にあることが分かった．また，botを含む一部ユーザのみが積極的に論文ツイートをしており，多くのユーザは受動的に論文の情報を得ていることが分かった．

近年，ウェブ・SNSの普及による情報発信・拡散の変化に伴い，デマやフェイクニュースの拡散，エコーチェンバーの発生等，情報拡散にまつわる様々な問題のある現象が顕在化している．このような状況において，情報拡散の質を評価する技術の必要性が高まっている．本研究では，「ソーシャルポルノ（脊髄反射的に拡散・共有してしまいたくなる情報）」の存在を仮定し，それに基づいて，情報発信元（以下，メディア）の質を評価する定量的な指標を提案することを目指す．各メディアの情報を拡散するユーザの反応時間に着目し，メディアごとのユーザの反応時間を集計した指標を扇動性を表す一つの指標として提案した．結果として，提案指標は，記事や記事の拡散度合いによらず，メディアによって固有の値を持つ傾向が示唆された．今後は，大規模にユーザ評価実験を行い，提案指標の妥当性についてさらに検証していく．

宿泊予約サイトにおいてユーザのレビュー，評価とそれに対するホテル側の返答は極めて重要な情報であり，ユーザはこれらを参考にしてホテルの予約を行う． しかし全てのレビューに返信を行うことはホテルの従業員の負担になっていることがあり，そのサポートが求められている． そこで本研究ではレビューの自動返信例作成に向けたレビューの自動分類の手法を提案する． 畳み込みニューラルネットワークを用いたテキスト分類モデルにより，単語の時系列性を考慮したレビューの評価分類のモデルを構築し，単語の時系列性を考慮しないBag of Wordsを用いた分類手法に比べ高い精度を達成した．加えて評価の推定において結果に影響を与えた単語群の抽出を可能とした．

多様な情報と人々をつなぐはずのソーシャルメディアが、社会的分断や情報のタコツボ化を助長しているという問題が顕在化している。その典型例が「エコーチェンバー」である。本研究では、多様なつながりを促進することで、エコーチェンバー化を緩和するソーシャルネットワーク原理を提案する。提案する原理とは、「社会的影響を抑制しつつ、多様な属性に基づく意外な社会的つながりの生成が促進されるように、ユーザーをナッジ（nudge）する」というものである。これによって、多様な弱い紐帯が自生し、社会的ネットワーク全体としての情報多様性が動的に維持されることが期待できる。この原理をPolyphonyというSNSに実装して、行動実験を開始した。本発表では、提案原理の着想や内容、Polyphonyを用いた行動実験の経過について紹介する。

電子媒体で発信される情報量が増加し，推薦サービスの導入も進んでいる．その中で，過度な推薦により，ユーザに偏った情報のみを提供するフィルターバブルやエコーチェンバーなどの問題が存在するとの指摘もある． 我々はこれらのユーザ行動をログデータから定量的に評価することを目指している．これまでに，記事のカテゴリの多様性に基づきユーザの行動変容を議論してきた．本稿では，記事のカテゴリ情報に加え，記事の人気や記者に関する情報を用いることで，ユーザ行動の変化をより詳細に捉えられることを示した．

争点は選挙における有権者の意思決定において重要な役割を果たすが，有権者の関心との間にズレが生じることが指摘されている．有権者の関心を探るこれまでの研究では，アンケートやSNSによって明示的に表明された意見を用いており，彼らの関心を正確に反映していない可能性がある．そこで本研究では，選挙における争点という切り口でユーザーの関心を明らかにすることを目的として，ニュースキュレーションサービスにおけるユーザーのニュース閲覧行動を用いて争点を分析する．分析の結果，争点記事と非争点記事への関心の集まり方に違いがあること，メディアとユーザー間の関心の分布は異なること，争点のランキングはユーザーの行動に基づいて部分的に表現できることを示唆する結果を得た。

スマートフォンやソーシャルメデイアの普及に伴い，インターネットやe-mailのような電子通信を介したいじめ，いわゆるネットいじめが増加しており，サイバーいじめのリスクを軽減することが重要な社会課題となっている．既存研究では，会話コーパスを用いてサイバーいじめ行為を検知することが盛んに行われてきたが，実際のアプリ利用ログを用いてサイバーいじめの被害者の分析に焦点を当てた研究はまだ少ない．本研究では，実世界のソーシャルメディア利用ログを用いて，２つの分析課題に取り組む: (1)ネットいじめに顕著にみられる行動傾向は存在するか．(2)会話コーパス以外の行動ログを使用して，ネットいじめ被害者を検知することは可能か．約1,000ユーザを対象とした実験の結果，最初の分析では、夜間にネットいじめが行われる可能性が高く、被害者が深夜までアプリを使用する可能性が高いなど、ネットいじめ行動に関する興味深い結果が得られた．さらに、2番目の分析の結果は、0.760のMacro-F1値を持つ意味のあるモデルの開発に成功し，行動データから取得した特徴が被害者の検出に役立つことを示した。

スマートフォンの普及に伴いインターネット経由でのニュース視聴・閲読が増加している。そのため新聞・テレビといったマスメディア以外のニュース利用形態とその影響の分析の重要度はより増加していくはずである。本研究ではユーザ体験とニュースの質という点で地上波テレビと類似しているインターネットテレビ局 "AbemaTV" が視聴者の政治への関心・ニュース知識に与える影響を分析した。着目するユーザ体験は "ザッピングによる短時間の偶発的ニュース視聴" である。分析の結果、短時間の偶発的ニュース接触は大手メディアを併用する場合には「政治への関心」を、ソーシャルメディアを併用する場合には「ハードニュース知識」をそれぞれ増加させることがわかった。

医療画像において，ランドマークは臨床的，科学的に重要な役割を担っている．超音波画像では関心領域の計測（腫瘍のサイズ計測など）のために2点で1組となるランドマークが付与される．現状ではランドマークを置く作業は手動で行われているため，検査技師や医師の負担になっている．また，ランドマークの置き方には決められたルールがないため個人差が出てしまう問題もあり，プロセスの自動化が必要である．本研究では，深層学習を用いた超音波画像におけるランドマーク位置予測システムの開発を目的とした．医師が1組のランドマークを付与した超音波画像のデータセットを使用して，画像とともに始点ランドマーク位置情報を入力すると終点のランドマーク位置を予測するようにニューラルネットワークを訓練した．さまざまなドメインを含む5万枚のビッグデータを用いて学習を行い，終点のランドマーク位置座標の予測精度を評価して有用性を確認した．

消費者がある商品を購入するかどうか，あるいはその商品を気に入るかどうかは，商品自体の性質に加えてそのパッケージデザインも大きな影響を及ぼす．デザインを決定する際には通常デザイナーが複数の原案を作成し，その中で良いものを選択するというプロセスを踏むことになり，多くの労力を要する．そこでパッケージデザインの好意度を予測する手法を提案する．事前に好意度を予測することでデザイン案の絞り込みのサポートやより良いデザインの作成につながる．実際の商品のパッケージデザインの好意度をアンケートから求め，近年著しい発展を遂げている深層学習の技術を用いて好意度の予測を行った．実験の結果，アンケート結果である実測値と予測値の相関係数は0.619となり，予測結果と正解に相関が見られた．また，デザインのどの部分が好意度に寄与しているのかを明確にするため，CAMを用いてヒートマップを表示し，定性的な分析を可能にした．

本研究で対象とするファッションECサイトでは，売れ残りのリスクを避けるために出品から一定期間が経過したアイテムを対象に，値下げを行う仕組みを導入している．従来，値下げは経験的な方法によって実施されているが，利益への影響が強いこともあり，適切な初期価格の保持期間の設定が一つの課題となっている．また，多様性の高いファッションアイテムをすべて常に同じ期間，同じタイミングで値下げすることは合理的ではない．一方，アイテムの購入は顧客の意思決定によるため，価格保持期間の設定にはアイテムが販売されるまでの日数を考慮する必要があり，これは購入する顧客が現れたときに確定するため，その予測は一般に難しい．そこで本研究では，アイテム属性などの特徴量から出品から販売までの日数の確率分布を推定する機械学習モデルを構築することで，出品月に基づいた適切な初期価格の保持期間を決定する方法を提案する．提案手法では，アイテムごとに販売までの日数の販売確率を推定後，アイテムの出品月を変化させて推定を繰り返すことで初期価格の保持期間を決定する．また，本サイトの販売履歴データを用いて，提案手法の有効性を示す．

製造業やプラント業界を中心に, 温度や圧力といったセンサデータから機械学習を用いて未来のセンサデータを予測する技術が注目されている. しかし予測に関わる特徴量の分布が動的に大きく変動する場合, 機械学習モデルの学習データとテストデータの選択の仕方次第で予測精度が不安定になりやすいという課題がある. 本研究ではごみ焼却施設における蒸気量予測を対象に, これらの問題を解決する手法として PLS 回帰モデルの成分数の推定と直近データの学習を adaptive に行うオンライン予測手法を提案する. 既存手法と二乗平均平方根誤差や相関係数で比較し, 本手法の優位性を検証した.

近年多発する豪雨災害を軽減するため，既設ダムの有効利用が議論されている．ダムの有効利用手段の一つとして，ダム管理者の経験に頼らない定量的なPDCAによる運用最適化が考えられる．そこで，レーダー雨量を用いてダム流入量予測の精度向上を試みる．レーダー雨量には，大きくリアルタイム雨量と予測雨量が存在するが，予測雨量は気象庁の不断の努力にて予測精度が年々更新され，データ特性が断続的に変わるため一つのデータベースとして利用しにくい．このため，本稿では，リアルタイムレーダー雨量の代表格であるレーダー・アメダス解析雨量を用いて，ダム流入量予測の精度向上の可能性を検討する．ダム流入量予測の原理としては，レーダー・アメダス解析雨量とダム流入量の非線形の関係をLSTMによって捉え，雨量とダム流入量のタイムラグを活用してレーダ・アメダス解析雨量から数時間先のダム流入量を予測する．本稿では，主にLSTMへの入力条件となるレーダー・アメダス解析雨量の範囲・データ代表性・累積性等がダム流入量予測に与える影響を論じる．

睡眠紡錘波（スピンドル）は，睡眠医学における重要な脳波（EEG）波形であるが，目視でスピンドルを検出することは専門技師でも労力を要するため，自動化が求められている．これまでスピンドル波形との類似度によるテンプレートマッチングや，機械学習を用いた手法が提案されている．前者は個人ごとに類似度の閾値を調整する必要があり，後者はEEGデータ全体と比較しスピンドルが少ないため，学習データが不均衡となる．そこで本研究では，ウェーブレットシンクロスクイズド変換（SST）とRUSBoostを組み合わせたスピンドル検出方法を提案する．SSTはスピンドル波形の特徴を抽出するのに適した時間周波数解析手法で，RUSBoostは不均衡データに対処するための機械学習手法である．提案するSST-RUSは，RUSBoostによって不均衡データの問題に対応でき，識別に弱分類器の多数決を使用するため閾値調整が必要ない．提案法をオーブンデータを用いて検証したところ，感度77.8%，陽性的中率73.5%を達成した．提案するSST-RUSは技師の目視によるスピンドル検出の負担を軽減できる可能性がある．

近年，省エネルギー化の観点から，室内の人の在・不在を検知し，照明や空調機器を管理する技術が注目されている．従来，室内の人の在・不在の検知は，人感センサやカメラのような特定のセンサを用いていた．したがって，人感センサが設置されなかった部屋で人の在・不在を検知するためには，新たに人感センサを設置する必要があった．本研究では，特定のセンサを用いない室内の人の在・不在検知手法を提案する．提案手法では，センサの種類によらず無線通信をする端末であれば計測可能な受信電波強度（RSSI）だけを用いる．RSSIは複数の無線通信端末の電波同士の干渉や，人体が電波を遮蔽・吸収することで変化する．RSSIの変化だけを用いることで，既に無線通信端末が設置されている室内では，人の在・不在を検知するために，新たに特定のセンサを設置する必要がない．実験では，複数の無線通信端末を用いて，室内に人がいる場合と，いない場合のRSSIを測定した．サポートベクターマシンを用いて，人の在・不在によるRSSIの変化を学習し，室内の人の在・不在を推定した．ある条件下では，室内の人の在・不在の推定が，99%可能であることを確認した．

近年，日本の農業においては，農業就業人口の減少と高齢化により，新規就農者が熟練営農者から直接指導を受ける機会が減少している．それに伴い，農作業マニュアルの整備がより一層重要となっている．しかし，従来の農作業マニュアルは，文章や画像のみで構成されるものが多く，経験の少ない新規就農者に取って直感的に理解することが難しかった．そこで本研究グループではこれまで，アイカメラを用いたWEBベースの農作業技術継承マニュアルを提案してきたが，それには作成の負担が大きいという問題点があった．そこで本研究ではこれら問題点を解決するために，Mask R-CNN(Mask Region-with Convolution Neural Network)とアイカメラを用いて，アイカメラで撮影した映像に対してその人が何を見ているかという注釈情報を付加した動画を作成するシステムの作成を行った．被験者実験を行い評価を行った結果，このシステムを使用することにより，熟練就農者に農作業の意図のヒアリングするというレトロスペクティブ法の問題点である，質問者の負担を解決することができると考える．

近年，顔画像や静脈など様々な生体情報を用いて個人を照合する研究開発が進められている．照合する方法として，例えば顔画像の場合，対象者が顔をカメラの正面に向けるなど，特定の条件を満たすため意識的な行動が必要である．そのため，防犯カメラの映像など人が照合を意識していない状況では照合が困難となる．これに対し，人の歩き方に着目した歩容照合では，遠隔から撮影した歩行映像からでも照合できるため，犯罪捜査等で活用されている．本論文では，2次元姿勢推定情報を活用し，異なる映像の歩行者から同一人物を照合する手法を提案する．また，撮影日の異なる歩行映像を用いて，従来の照合手法と提案手法との比較結果を報告する．

ベビーカーのエスカレーター乗入れ事故の対策として，乗り場付近の監視カメラでベビーカーの検出を行い，利用者に警告する仕組みが有効だと考えられる．しかしベビーカーは一般に入手可能な学習データが少ない上に，監視カメラの設置場所によって検出すべきベビーカーの形状やオクルージョンの性質も異なるため，十分な検出性能が得られないことが課題であった．本研究ではベビーカーのCGを用い，監視カメラの撮像条件を考慮したデータ拡張による，ベビーカーの検出性能を評価する．その結果，異なる撮像条件によって，異なる大きさや向きのCGを用いた合成画像を用いたデータ拡張が，検出性能を向上させることを確認した．

高解像度画像内には、個人情報や場所情報等の撮影者が意図しない情報が写り込んでしまっている可能性がある。このような情報は自動で削除できることが望ましい。しかし、既存の削除手法では画像内に違和感、画像の劣化、色調の変化を伴ってしまうことが多い。本稿では、画像をダウンサンプリングして不要情報を欠落させた後に、超解像ネットワークを用いて画像を元の解像度まで復元する手法を提案する。提案手法によって、画像の自然さを保ちながら情報の選択的なフィルタリングを行うことが可能となる。CelebAMask-HQとUrban100のデータセットを用いて実験を行い、定量的な評価(PSNR)と、目視による定性的な評価によって、提案手法のフィルタリング性能を実験的に示した。

近年、GANやVAEのような深層学習を用いた画像生成手法により、実際には存在しない高精細な画像を生成することができるようになっている。またそのような画像の生成手法を応用することで、任意の画像の変換を行うこともできるようになっている。こうした技術を応用し，動画内の顔画像を変換することで、現実と区別がつかないFAKE動画を生成する事ができる。顔画像の操作によって生成されたFAKE動画はニュースサイトやソーシャルネットワークで広がり、政治的に利用されたりポルノとして利用されることが社会的な問題となっている。そのため、ある動画が生成されたものかどうかを検知する手法の開発は非常に重要である。検知手法の多くが、FAKE動画内の各フレーム単位での顔画像の特徴に着目しているが、生成手法の高度化によって単体の顔画像での識別は困難になっている。そこで本提案手法はFAKE動画内の各フレーム間の顔の関係性に着目し、顔の時間発展情報を元に識別を行う。既存手法では識別が困難であったデータに対して検証を行い、本提案手法の妥当性を示す。

地中レーダ画像に対するGANを用いた画像補間することによる，地中情報の密な3次元可視化法を提案する．地中レーダは地中の情報を把握するために重要な機器であるが，走査線の直下しか測定できない．従って，密な3D情報を得るには，走査線の間隔を狭める必要があるが，その場合，測定に多大な時間が掛かる．本研究では，粗な走査線から得られた地中レーダの画像から，中間の走査線に対する画像をGANにより推定することで求める．これにより，計測時間の大幅な短縮だけでなく，木目細かな地中の3次元的可視化を行うことができる．学習データとしてシミュレーションデータおよび実際の地中レーダ画像を用いた実験により，提案法の有効性を示す．

本研究は，コンクリートを対象としたレーダ画像から，条件付き敵対的生成ネットワークの一種であるpix2pixを利用して，内部の欠陥の位置，配置角度，寸法情報を推定することを試みたものである．具体的には，薄板状の欠陥を，位置，角度，寸法（長さ，幅）を変化させて埋め込んだコンクリート供試体を対象に，地中レーダ試験を行い，学習データセットとなる欠陥情報を含むコンクリート断面画像およびそれに対応するレーダ画像のペアを取得した．取得した学習データセットをpix2pixに学習させ，学習済みのネットワークモデルを用いて，欠陥識別精度の検証を行った．検証の結果，同モデルは，欠陥の位置，角度，寸法情報をある程度推定できるものの，欠陥位置が深くなるほど，反射波の応答が小さくなり，結果，コンクリート内部に分布する骨材等の非均質性に起因する不要な散乱波と見分けがつかなくなり，精度が低下することが分かった。

近年、クラウドや5Gといった情報通信技術の急速な発展に伴い、自動車向けコンピュータビジョン分野においても、従来のスタンドアロンからクラウドへ計算資源を移すことによるサービス品質の向上が期待されている。しかしながら、車載カメラ動画像を5G通信網経由でクラウド側へ送信する際には、通信時間や通信コストの関係上、高いレートで圧縮する必要があり、圧縮による画質の低下が懸念されている。そこで、本研究では敵対的学習に基づき圧縮動画像を復元する一手法を検討し、その有用性について、クラウドを想定した物体検出アルゴリズムを用い評価する。