Generative models has been widely applied in many computer vision scenarios. Two series of models, GenerativeAdversarial Network(GAN) and Variational Autoencoder(VAE), are getting more and more popular in represen-tation learning. Training these model on discrete sequence data generation is still challenging. We want to takeadvantage of both kind of models. In this work, we first improved a CycleGAN based model to transfer MIDI musicgenre. Then we want to find to combine the CycleGAN model together with a disentangled latent representationfrom VAE to have better understanding of music style.

This paper introduces the way of generating data with some sets of classes by Latent Conditional Generative Adversarial Networks (LCGAN). LCGAN is conditional GAN which uses the latent code of Variational Autoencoder (VAE) as labels. The aim of this paper is generating the representation of continuous labels by not only continuous classes such as “age” but also discrete classes like “expressions” or “characteristics”. CelebA dataset which has also discrete annotation was used in this experiment. We could generate properly with 2 sets of classes by using the CelebA dataset. Further, since the LCGAN does not depend on the model structure, it can be easily extended to other GANs or VAEs.

Voice conversion (VC) is a technique that allows a person to speak with the voice of another person. It's one of applications of voice processing that depends on both signal processing and machine learning to achieve it. In this paper we propose a many-to-many voice conversion method based on a CycleGan which we call the Radial CycleGan. In this method, generators consist of a general encoder(ENC-0) and general decoder(DEC-0 for a standard voice sample (TTS voice) and a pair of an encoder and decoder for any new voice sample. We define radial loss between encoders and decoders in addition to commonly used cycle and identity losses to train generators and discriminators. The process of training for each new user aims to train a new pair of (encoder, decoder) on the standard pair of TTS which makes it possible to convert voices directly on the trained pair of encoder and decoder of the training. This method will contribute in creating real-time systems that are able to convert among pretrained speaker’s voices in a robust way and easy to add new users through collecting small datasets from them.

For inspection and diagnosis of social infrastructure, primary damage region are recognized for repair targets. But, the degradation at worse level has rarely occurred, and the damage regions of interest are often narrow. The both scarcity and imbalance property on the damage region of interest influences limited performance to detect damage. If additional dataset of damaged images can be generated, it may enable to improve accuracy in damage region segmentation algorithm. We propose a synthetic augmentation procedure to generate damaged images using the image-to-image translation mapping from the tricategorical label that consists the both semantic label and structure edge to the real damage image. Actually, in case of bridge inspection, we apply the RC concrete structure. We applied popular per-pixel segmentation algorithms such as the FCN-8s, SegNet, and DeepLabv3+Xception-v2. We demonstrates that re-training a dataset added with synthetic augmentation procedure make higher accuracy based on indices the mean IoU, damage region of interest IoU, precision, recall, BF score.

CycleGANによるphoto-to-artistic image変換では、現実世界の画像らというドメインに対し、とある画家の作品を集めたスタイルドメインという1対1のドメイン変換が行われている。複数のスタイルに変換したい場合、それぞれのスタイルを学習した複数のCycleGANが必要になる。 本研究では1つのGeneratorで複数種類のスタイル変換を目標に、CycleGANを拡張したConditional CycleGAN をベースとした1対Nのドメイン変換学習アーキテクチャを提案する。1つのコンテンツ画像と変換先スタイルベクトルも加えたインプットで、モネ風やゴッホ風など7種類のスタイル変換画像を取得できるようにした。実験ではスタイルドメインでの敵対ロスとしてPatchGANを用いた場合とPatchGAN + Auxiliary Classifier Lossを用いた場合で学習を実施した。 スタイル変換の結果では、PatchGANでのアーキテクチャでもPatchGAN + Auxiliary Classifier Lossと同程度に、筆のタッチや色合いに違いをつけての変換を行うことができた。

本研究の目的は装着型アイトラッキングデバイスを使って記録した動画から、その消費者がいつどこを見ていたのか自動的に推定することである。つまり、アイトラッキング装置を使って顧客動線データを収集することを試みる。アイトラッキングで記録した動画において、消費者が見ていたオブジェクトやシーンは人によって同定されていた。しかしながら、フィールド実験で収集するデータは様々な場面を含むため、多大な労力を必要とする。そのため、消費者の動線はRFIDなどの他のセンサーを用いて収集されていた。本研究は深層学習を用いて、消費者が見た場面から存在する売場を推定することを試みる。本稿では、公開されている一般物体認識モデルを用いて、消費者が見た売場を同定する。この技術は、アイトラッキングを用いた研究の障壁であるデータの前処理の負担を軽減することができる。また、本提案は消費者の動線と眼球運動のデータ融合に利用できるデータの収集を容易にすることが期待される。本稿では、顧客動線データによって売り場を同定されたアイトラッキングデータを用いて、本提案の推定精度を検証する。

Facial detection and recognition are traditional research topics in the field of Computer Vision. Recent facial recognition work mostly focus on precision improvement of facial detection and facial alignment. In this paper we present a research work, which detects facial expression changes in conversational interactions based on deep learning. Our system first extract the timing of user’s facial expression changes in a video or continuous image sequence, by using a robust CNN network to segment the region of eyes, eyebrows, and lips. Then, by comparing the difference of the segmentation result, user’s emotional transitions are analyzed. Finally, keywords or phrases that stimulates the user are extracted and associated with the related emotional transition. The experiment result shows this research has great potential whether for psychology or human machine interface applications.

Convolutional recurrent neural networks (ConvRNNs) are widely used for spatiotemporal modelling tasks including video frame prediction. A major drawback of existing ConvRNNs is the amounts of computing and memory resources, which can hinder practical applications on embedded devices. Thus, to reduce them, we propose 1) a new gated architecture of the recurrent unit with temporal memory and 2) the replacement of computationally demanding convolution with more light-weight Hadamard product. Adopting such constraints can degrade the performance, but we show that the proposed model produces better results with reduced computation and memory. Quantitative evaluation with the Moving MNIST dataset shows that the overall performance of video frame prediction is improved by 13% in terms of MSE and by 3% in terms of SSIM without increasing the number of parameters and their multiplications, compared with the conventional ConvLSTM baseline. Further, applying the Hadamard product replacement outperforms the baseline MSE by 5%, while reducing the number of parameters by 14% and the number of multiplications by 25%.

Most recently Streaming Networks (STnets) have been introduced as a mechanism of robust noise-corrupted images classification. STnets is a family of convolutional neural networks, which consists of multiple neural networks (streams), which have different inputs and their outputs are concatenated and fed into a single joint classifier. The original paper has illustrated how STnets can successfully classify images from Cifar10, EuroSat and UCmerced datasets, when images were corrupted with various levels of random zero noise. In this paper, we demonstrate that STnets are capable of high accuracy classification of images corrupted with Gaussian noise, fog, snow, etc. (Cifar10 corrupted dataset) and low light images (subset of Carvana dataset). We also introduce a new type of STnets called Hybrid STnets. Thus, we illustrate that STnets is a universal tool of image classification when original training dataset is corrupted with noise or other transformations, which lead to information loss from original images.

With an increase in usage of social network and various online services, Digital Marketing is getting popular for businesses to reach customers. One of the challenge to reach as many as potential customers, and turn them to use their services or let them buy their product. VTR or View Through Rate is an indicator that shows how efficient the strategy was for a creative. This work is to find what features of video result to higher VTR. It is said that first few seconds of a video are important for VTR result. Data is based on Facebook creative videos and VTR value.

A deep echo state network (DeepESN), a type of recurrent neural network with an adaptable readout layer and fixed layers, effectively extracts hidden states from temporal sequences. However, it is computationally complex to identify appropriate neurons and layer depths of DeepESNs as the readout layer from many candidates. To address this problem, we propose applying generalized-ensemble algorithms for selecting neurons of DeepESNs based on the information criteria. We show that our approach can identify suitable neurons and layer depths of DeepESNs efficiently. We also show that the forecast accuracy is better than other neural network architectures.

We address the problem of unsupervised latent factorization and reconstruction accuracy. The related work on unsupervised representations focuses on constraining the second term of Variational Autoencoders loss function: The Kullback-Leibler component (Beta-VAE, FactorVAE Beta-TCVAE). Despite promising results, this comes with a trade-off between disentanglement and reconstruction. Besides, it is not clear why minimizing the KL divergence leads to disentanglement. In this paper, we propose to achieve disentangled representations by sampling from a sparse distribution. To give a visual appealing reconstruction for humans, we replace the conventional pixel-wise quadratic by perceptual loss. We demonstrate the reconstruction quality and disentangled on synthetic datasets.

線形方程式の大規模システムを解くことは、多くの人工知能アプリケーション、特に強化学習分野で頻繁に使用される動的プログラミングにとって重要な部分です。ノイズの多い中間規模の量子コンピューターの登場により、より大規模な線形システムを解く新たな機会が提供されます。 Ulam-von Neumann法を使用したハイブリッド量子古典線形ソルバーは、以前に実証されました。この作業では、状態値関数またはアクション状態値関数V（またはQ）=（1-γP）-1 R（ここで、γはである動的プログラミングにハイブリッド量子古典Ulam-von Neumann線形ソルバーを適用します割引率、Pは状態遷移行列、Rは報酬）を解決します。ユニスタライズと量子ランダムウォークの線形結合のアイデアに基づいて、非確率的マトリックスを超える体系的な回路拡張が開発されています。マトリックス構築のための生成的敵対ネットワーク訓練法も開発されています。いくつかのベンチマーク強化学習タスクの数値例を示します。

強化学習は、環境との相互作用を通じて収益の最適化を目的としている。一方で、実際に複雑な環境で生活をしている人間は、満足化と呼ばれる最適化とは異なるルールで意思決定を行なっている。人間は意思決定において、ある基準値を定め,、満足できる行動が見つかるまで探索を続け, 発見したら探索を止めてその行動に満足するという傾向を持つ。これにより、価値関数に満足化を実装した(Risk-sensitive Satisficing: RS)が考案された。さらに、状態が複数の一般的な強化学習での大局的な基準値を設定する大局基準値変換法(Global Reference Conversion: GRC)により、各状態での基準値を設定できた。しかし、現在のGRCにはいくつかの課題が残されている。そこで本研究では、Suboptima Worldを用いてGRCの課題をあらわにし、そのうちの一つの課題を強化学習の手法である適格度トレースを用いて解決できるのかどうかの検証を行い、結果として、適格度トレースを用いたRSは満足度合いの正しい評価を行えていることが示された。

Reinforcement learning methods rely on well-designed rewards provided by the environment. However, rewards are often sparse in the real world, which entails that exploration remains one of the key challenges of reinforcement learning. While prior work on intrinsic motivation hold promise of better local exploration, discovering global exploration strategies is beyond the reach of current methods. We propose a novel end-to-end intrinsic reward formulation that introduces high-level exploration in reinforcement learning. Our technique decomposes the exploration bonus into a fast reward that deals with local exploration and a slow reward that incentivizes long-time horizon exploration. We formulate curiosity as the error in an agent’s ability to reconstruct the observations given their contexts. We further propose to balance local and high-level strategies by estimating state diversity. Experimental results show that this long-time horizon exploration bonus enables our agents to outperform prior work in most tasks, including Minigrid, and Atari games.

本研究では為替のロールオーバー戦略についての分析を行う．一般に実務においては流動性の観点より，受渡し日が短いトゥモローネクストでロールオーバーするのが一般的である．しかし理論的には，1週間や3週間などより長期のフォワード取引の方が高いスワップポイントを受け取ることが期待できる．そこで我々は機械学習によって長期のフォワード取引を選ぶべきタイミングを検出し，長期と短期を組み合わせた混合戦略を提案する．このタイミングは，対象通貨の為替相場や株式，債券，商品先物など様々な要因が影響すると考えられる．またフォワードレートは一般的にカバー付き金利平価説によって定式化できるが，突発的な通貨の需給によって，実際のフォワードレートは理論値から乖離することがある．本研究ではこのような状況を踏まえフォワードレートに影響を与えうる要因を説明変数とし，過去にどのようなフォワード取引を選択すべきであったか機械学習により分析した．結果として6割程度の正答率を実現し，提案されたロールオーバー戦略がベンチマークよりも高い収益性を確認した．

財務データベースにある全ての項目を用いて財務シグナルを自動生成するデータマイニング法を用いて、既存の資産価格モデルでは説明できない新しいシグナルの発見を試みる。現在のファイナンス研究ではマーケット、サイズ、バリューの３つのファクターを用いるFama-French３ファクターモデル、もしくはさらに収益性と低投資ファクターを加えた同５ファクターモデルが標準モデルとされている。これらのモデルが、２つの財務シグナルを組み合わせることで生成した約36万のポートフォリオ・リターンを説明できるかをブートストラップ法を用いて検定したところ、偶然（偽発見）の可能性を勘案した後で現行のモデルでは十分に説明できないシグナルが多数あることがわかった。特に、負債に関連する項目や収益性、株主還元を強く反映すると解釈できる財務シグナルが複数見つかった。

近年,テクニカル分析を用いた株式売買や外国為替取引に関する研究が精力的に行われている. テクニカル分析を用いた投資戦略に関する研究では, 相場のトレンドや転換点を判断するテクニカル指標を組み合わせることにより売買戦略を構築している.しかし, テクニカル指標のシグナルのみを信頼して取引を行っても利益を大きく上げることは難しい.そこで本研究では, テクニカル指標による売買シグナルの強さを定義し, 売買シグナルの強弱を判断基準とすることで安定して利益を生み出す, Genetic Network Programmingによる外国為替取引における売買戦略の構築を目的とする.

高度な複雑系として知られる金融市場は，影響を与える要素の膨大さ，内部構造の非定常性，マーケットインパクトの存在といった要因により，予測が非常に難しい．これは近年目覚ましい発展を遂げた機械学習・深層学習手法を用いた場合でも同様で，金融市場予測は必ず不確かさを含んでしまい，不確かな予測に基づく投資判断は大きな損失や市場の不安定化の原因となる．本研究では，人工市場シミュレーションと深層強化学習の組み合わせにより，学習データの不足を補うとともにマーケットインパクトを考慮した学習を可能とし，上記の問題の解決を図った．基本的な単一市場のシミュレーション環境において実験を行い，提案手法の有効性が確認された．

本研究では新しいアセットクラスである暗号資産に着眼し，共和分ペアトレード戦略の有用性を検証した．暗号資産は通貨間の相関関係が強く，互いに共和分関係にある可能性が高い．もし通貨ペアが共和分の関係にあれば，ペアの価格差は定常過程となり平均回帰性を有する．そこで価格差が均衡水準から乖離した時，相対的に割高な通貨を売り，割安な通貨を買う．そして乖離が元の水準に回帰した後に反対売買により収益を得る．この共和分ペアトレードが暗号資産市場においてどの程度機能するか検証すべく，実際の暗号資産データを用いて投資シミュレーションを実施した．さらに共和分関係が壊れるリスクを考慮し，分散投資によって収益を安定化できることを確認した.

本論文では、株価時系列データを対象として、企業をクラスタリングする方法を提案する。企業の中には、事業を多面的に展開し、単一の業種には留まらないものもあるが、従来の業種分類ではいずれか1つの業種に分類されており、業種分類が実態とは乖離しているものが存在している。また、業種分類の中には本来は異なる複数の業種が１つの業種としてまとめられている業種もある。これまでに、投資信託のリターンを対象として同一ベンチマークのインデックス型投資信託をクラスタリングする手法が提案されている。そこで本論文では、業種ごとに企業をクラスタリングできるようにこの手法を拡張し、株価時系列データを対象として企業をクラスタリングする。また、提案手法を実際の株価データに適用し、その有効性を確認する。

銀行など多数の金融機関が相互に複雑なネットワーク構造を形成している今日の金融システムは，局所的な変化がシステム全体の連鎖破綻を引き起こすといったシステミックリスクをはらんでいる． 本研究では，銀行による株式の運用方針や，系列企業との株式持ち合いによる制約が，銀行間ネットワークにおける連鎖破綻に与える影響を分析した． 具体的には，銀行間ネットワークを形成する銀行エージェントと，それ以外の投資家エージェントが参加する株式市場を模したマルチエージェントモデルを用いてシミュレーション実験を行った． 実験では，(1)株式の運用方針と(2)株式持ち合いについてパラメータを設定し，それらによる最終的な銀行の破綻数を分析した． 実験結果から，(1)株式の運用方針に関しては，各銀行の保有株式の数が多い場合や，保有株式についてリスクの大きい運用方針をとる場合には，連鎖破綻のリスクが大きくなることが確認できた． (2)また株式持ち合いについて，ほとんどの銀行が持ち合い株を保有している場合では，保有する株式に占める持ち合い株の割合が大きいと連鎖破綻のリスクが高まることが示唆された．

本研究ではビットコインのDifficultyと価格の関係を分析する。ビットコインはProof of Work（POW）というコンセンサスアルゴリズムを採用して、ネットワーク全体の信用が担保される仕組みとなっている。そしてその仕組みを維持するためマイニングを行うマイナーに報酬を設定している。この報酬はマイニングの難易度を示すDifficultyに依存し、マイナーが増えたり、マイニングの技術革新が起きるとDifficultyは上昇する。中長期的にはビットコインの価格とDifficultyは正の相関関係があるといわれているが、短期的な関係についての分析は行われていない。この関係を明らかにするために、本研究では2010年～2019年のデータを用いてビットコインの価格、Difficulty、ビットコインの取引高、他の金融資産の価格の相互依存関係をモデル化し、統計的な分析を行った。分析の結果、ビットコインのDifficultyの変化はビットコイン価格に大きな影響を与えることが分かった。一方、他の金融資産の価格がビットコイン価格に与える影響は見られなかった。

現在，米国を中心に市場構成の見直しの一環として，メイカー・テイカー制をめぐる議論が活発化している．メイカー・テイカー制は，市場に注文を供給するメイカーにリベート（負の手数料）を支払い，その注文を消費するテイカーから手数料を取る手数料体系である． メイカー・テイカー制は，リベートによってメイカーから多くの指値注文を得て取引所のシェアが高まると言われているが，市場にどのように影響を与えるのか良くわかっていない． そこで本研究では，リベートの金額を変化させ，メイカー・テイカー制が市場とテイカーの平均購入価格に与える影響を分析し，メイカー・テイカー制の利点と欠点のトレードオフを検証した． その結果，メイカー・テイカー制は効率的な市場を形成するが，その弊害としてテイカーの平均購入価格が上昇することがわかった．

人工知能が相場操縦を行った場合の責任の所在が議論されている．そこで本研究では，遺伝的アルゴリズムを用いた人工知能が人工市場シミュレーションを用いて学習するモデルを構築し，人工知能の作成者が相場操縦という取引戦略を全く意図していなかったにも関わらず，人工知能が学習を通じて相場操縦という取引戦略を発見するのか調べた．その結果，人工知能は相場操縦に他ならない取引を最適な取引として見つけ出した．この結果は，株式取引を行う人工知能の作成者には，人工知能が相場操縦を行わないようにする義務を負わせるなどの規制の必要性を示唆している．

近年、国内では地方の過疎化が急激に進み、住民へのサービスが行き届かなくなり、それによってさらに過疎化が加速するという悪循環が発生している。この悪循環に歯止めをかけ、地方を再び活気のある魅力的な地域にするために、地方インフラの整備は喫緊の課題である。特に交通システムの改善は必要不可欠であり、新型モビリティを用いた適した新しい交通システムが模索されている。 本研究では、複数種類の新型モビリティを用いたライドシェアサービスのモデルを提案し、交通流シミュレータに実装してシミュレーションを行う。具体的には、小型自動運転車両と特定のバス停を巡回する中型車両の乗り継ぎによって、ユーザーが目的地まで移動するモデルである。小型自動運転車両はユーザーを出発地点から近くのバス停へ送る役割、及び目的地近くのバス停に到着したユーザーを目的地まで送る役割を担っている。

本論文では，フリーフロート型カーシェアリングの利用効率改善のために，柔軟な契約形態に基づく車両の割当法を検討する．フリーフロート型カーシェアリングでは，ユーザは指定エリア内の任意の場所で利用を開始・終了できる．一方向移動が可能という点で利便性は向上するが，一方で車両配置に不均衡が生じ，ユーザの利用を妨げることになる．この問題を解決するために，我々はユーザ同士で車両の乗り継ぎ位置に関して交渉する分散制御手法を提案している．しかし，ユーザの交渉要求が動的に発生する状況では，どの時点で交渉に参加するかが問題となり，ユーザが慎重な参加態度を取れば，交渉成功率の低下を招く．この問題を解決するため，マルチエージェントシステム研究で提案されているレベル付コミットメント契約を参考に，柔軟な契約形態を導入する．これは違約金を支払うことで契約の一方的破棄を認めるものである．カーシェアリングの文脈において違約金によってユーザの行動・効用がどのように変化するのかシミュレーションを用いて調査する．

自動搬送ロボットによる物資の運搬では道幅や距離，ロボットや運搬物資の大きさ・形状によっては進行方向に対する向きを考慮する必要がある．しかしその場合，走行動作ごとの時間コストの差により経路長最短な経路と動作時間最小な経路が異なる可能性がある．更に，経路・動作の変更によるロボット同士の競合回避も考慮しなければならない．そこで本研究では，MAPD 問題においてロボットや運搬資材の形状を考慮した効率的な資材運搬を実現するため，進行方向に対する向きを考慮したエージェントモデルとエージェントの状態を考慮した経路・動作計画及び競合回避アルゴリズムを提案する．シミュレーションを用いて評価実験を行い，提案手法が資材の運搬効率を改善できることを示す．

ネットワークオークションは，SNS 等でみられるエージェント同士の繋がり（ネットワーク）を利用して，オークションに関する情報をネットワーク上の他の買手に拡散するオークションモデルの一種である．買手が情報を拡散するインセンティブを持つメカニズムを設計することで，売手はネットワークを通じて情報を広く伝播させることができる．結果として，より評価値が高い買手に財を販売できる可能性が高まる．本論文では，複数の同質の財をネットワークオークションで販売する新たなメカニズムを提案する．さらに，提案メカニズムは戦略的操作不可能性と予算非負性を満たし，全ての財を買手に割り当て可能であることを保証する．また，提案メカニズムに留保価格を導入することで，新たに導入した効率性の指標において効率性が改善されることを示す．

マインドフルネスは人間の認知傾向と関係が存在し，マインドフルネス訓練(MT)を介した感情制御効果が，現在注目されている．本研究は脳機能モデルにより，人間の脳内の構造的結合を反映したネットワーク構造内の情報伝播のシミュレーションから，効果のメカニズムを解明することを目的とする．マインドフルネス時の感情制御メカニズムの解明は，人間の現実世界に対する認知メカニズムの解明に寄与すると考えられる．ここでMTには「一つの対象に注意を集中する(FA)訓練」と「ありのままの観察(OM)訓練」の二つの段階が存在する．先行研究から，FA訓練の上達に伴う段階的なOM 訓練への移行の重要性が指摘されている．そのためメカニズムの解明には，訓練の段階を考慮する必要がある．本研究ではFA訓練とOM訓練の違いに着目し，訓練の段階を考慮したシミュレーションを試みた．結果として，脳内ネットワーク構造内の各脳部位の活動状態の挙動は， FA訓練後にOM訓練を行うことによる活動状態の変化により3パターンに分類された．特にFA訓練後のOM訓練によりAIの活動上昇やmPFCの活動減少など，先行知見と整合性の取れる結果が確認された．

人間の日常生活を支援するサービスロボットは，使用される環境に特有の単語とその意味をセンサ情報から適応的に学習できることが望ましい．特に前後左右など，参照点に依存した相対的な位置の概念（相対位置概念）は人間の日常生活において重要な役割を果たしているため，これをサービスロボットが理解できることは重要である． 筆者らはこれまでに，発話音声から相対位置概念を学習する手法を提案した．この手法は発話音声の教師なし単語分割・相対位置概念学習を組み合わせた手法であり，相対位置概念及びそれらを表す単語を事前の知識なしで学習することが可能である．ただしこの手法では，相対位置概念を単峰性分布で表現しているため，獲得できる相対位置概念が限定される．例えば，相対位置概念「横」は，概念「右」と概念「左」を合わせた多峰性の分布で表現される相対位置概念であるため，この手法では学習できない． そこで我々はこの手法を改良し，混合分布を用いて相対位置概念を表現することでこの問題を解決する．実験により，提案手法を用いることで従来手法では学習できなかった相対位置概念が学習可能であることが確かめられた．

総合的な認知システムの基礎となる（その実現を目的とする）記憶システムの全体像と，proof-of-concept的な実装について発表する．この記憶システムは，ストーリー・事象，概念，スキーマからなる．各記憶要素は自動的に作動する内部エージェントであり，それらの並列分散的な結合形成や活性伝播を通して，ネットワーク状の記憶組織を形成する．一方，記憶システムとは別に，ストーリーを外から観るNarrator-Selfという機構があり，ストーリーに注目や抑制の信号を送る形で記憶の動きに関与する．これらの全体的な作動により，事象の連なりをストーリーとして取り込むことを通して，概念間の結合とスキーマ的な限定枠，そしてそれらを媒介とするストーリー間の結び付きが生じる．結論として，システムの予備的な動作分析を行い，記憶要素が増加しても，その時々に注目している事象に関連する記憶要素が限定的に活性化する（関連付けられる）ことを確認する．また，この記憶システムが認知システムにおいてどのような意味を持つのかについても論じる．

本論文では、遺伝子個体が進化的オペレーションを自己管理する遺伝的アルゴリズム（Self-Administrated Genetic Algorithm: SA-GA）を提案した。さらに、自律エージェントに対する有効性を検証した。SA-GAにおける遺伝的個体は、ブロックチェーン・ネットワーク上のノード（マイナーとも呼ばれる）でスマートコントラクトとして実行される。遺伝的アルゴリズムは、実行結果に応じて評価され、仮想通貨を得る。遺伝子個体は、子個体の作成のためにノードに仮想通貨を支払う必要がある。このため、仮想通貨を多く持つ遺伝子個体は、子孫となる子個体を作成でき、仮想通貨を持たない遺伝子個体は実行されず、消滅する。実験結果から、SA-GAでは、中央管理者が存在しない環境下であっても、高く評価される遺伝子個体が反映し、適切な解が得られることを示した。

人間の生活環境で動作するロボットは，周囲の環境や人とのインタラクションを通して環境に存在する様々な場所のカテゴリや名前を自律的・能動的に学習することが求められる．本研究では，移動ロボットによる自律的な能動探索により学習の効率化を実現することを目指す．そこで，我々は場所概念形成のための確率的生成モデルにおいて，パーティクルフィルタによる逐次ベイズ推論と情報理論的尺度に基づく探索位置決定を組み合わせた能動学習アルゴリズムを提案する．実験では，シミュレータ上での家庭環境において，提案手法による能動的な探索がより正確な場所概念の形成を実現できることを示す．

一般に、我々生物を含めた自律的なエージェントが対面する環境は、その特性を直接知ることはできず、不確実性を含んでいる。Fristonらが提案した自由エネルギー原理における能動的推論は、そうした不確実な環境に対して行動を起こし介入することで、予測しやすい状態に変化させ環境を知ろうとする枠組みである。しかしPearlの統計的因果推論の考え方によれば、変化の結果を観察するだけでは、自身の介入によって変化したのか、別の要因があってたまたまそう変化しただけなのか、それらの違いを正しく把握することができない。介入しなかったときこうなっただろうという反事実と比較することで、自身の行動の因果効果を定量化できる。本研究では自由エネルギー原理に基づく能動的推論を基に、世界モデルを用いた反事実の近似、および因果効果を用いた学習と意思決定の枠組みを提案する。実験では、シミュレーションを用いて不確実な環境における行動選択の振る舞いを検証した。結果から、他の要因によって突然不確実性が変化するような環境において、因果効果によってその要因の影響を考えて行動選択するような振る舞いが見られた。

Swarm Robotics(SR)は多数の比較的単純なロボットを用いてロボット間，あるいはロボットと環境間の局所的な相互作用から所望の群れ行動の創発を目指す研究分野である． これまでSRでは車輪による移動ロボットを用いた研究が主流であった． 移動ロボットは速度などの制御が比較的簡単である反面，三次元空間における立体的かつ複雑な群れ行動を生成することが難しい． 本研究では多脚自律ロボットを用いた群れ行動の生成を行う． 多脚自律ロボットの集団では各ロボットの立体的な挙動により，アリが作る橋に見られるような複雑な群れ行動の生成が期待される． しかし，一般的に移動ロボットと比較して多脚自律ロボットを任意の方向へ移動させるためには，より複雑な制御則が必要となる． さらに群れ行動を生成するための制御則を移動のための制御則に組み込んでロボットの制御器を設計する必要がある， 本研究ではNeuroevolutionを用いたアプローチにより多脚自律ロボットの制御器を自動的に設計する． 計算機シミュレーションにより，多脚自律ロボットの群れ行動の生成が可能であることを示した．

本研究では、交通信号機を適切に制御することで交通流を円滑化することを目指す。交差点をエージェントと捉え、マルチエージェントモデルを応用し、動的な交通流に対応した自律分散型信号制御システムを提案する。本研究において提案する制御手法は二つ。一つ目はばねモデルを用い、各エージェントが自身と隣接エージェントから得た交通情報をもとにスプリットとオフセットの制御を行う局所制御手法。二つ目は隣接エージェント同士が局所的交通情報をもとに協調することで組織を構成し、現示が車両の走行に合わせて青信号に切り替わるグリーンウェーブ形成を行う大域オフセット制御手法。これら二つの信号制御手法を提案し、シミュレーションを用いて有用性検討を行った。また、これらの手法は各交差点へのセンサ等の設置が必要不可欠であるが、必ずしもそのような恵まれた環境ばかりではない。そこで、群知能アルゴリズムの一つであるACO(Ant Colony Optimization)を用いた交通情報の補間システムについても新たに提案し、有効性の検討を行った。

人間の生活する環境で動作するロボットが人間とのコミュニケーションを通してタスクを遂行するためには，ロボットが環境の地図に意味情報を割り当てるSemantic Mappingのタスクを解いて場所の意味情報を理解することが重要である．本稿ではGANsの枠組みで大量の既知環境のSemantic Mapによって訓練された全セルのクラスの同時分布を近似したネットワークを用い，未知環境でSemantic Mappingを行う手法を提案する．提案手法は部屋ごとの関係性など既知環境のSemantic mapに含まれる特徴を未知環境に転移することが可能である．また全セルのクラスの同時分布を用いることで観測した範囲の情報から観測していない範囲を推定する場合においても精度を向上させた．実験ではシミュレーション空間で作成されたデータセットを用いて訓練した提案手法の精度を評価した．また実環境においても実際にSemantic Mappingを行い，提案手法がロボットに場所の意味情報を獲得させる手法として有効であることを示す．

近年，人間の日常生活を支援するサービスロボットの需要が増加している．このようなロボットは，家庭やオフィスといった様々な環境に適応した動作をその場で学習できることが求められる．また，日常生活における人間の動作は複数の基本動作の組み合わせからなる連続動作であるため，教示された連続動作をロボットが分節化し，基本動作単位で学習できることが望ましい．谷口らはノンパラメトリック二重分節解析器を提案し，自動車を運転する一連の動作を分節化，基本動作単位で学習することに成功している．しかし，「台の上に乗せる」のような物体の位置によって軌道が異なる動作は学習できない．なぜなら，先行研究では動作が物体の位置に依存した座標系で教示されることを考慮していないためである． そこで本研究では，谷口らが提案したモデルを拡張することで，参照点に依存した連続動作を分節化し，学習する手法を提案する．入力として，各参照点候補からの相対座標に基づく連続動作の時系列データを与え，参照点推定と連続動作の分節化を同時に行う．実験では，絶対座標を用いた場合と相対座標を用いた場合の分割精度を比較し，提案手法の有効性を示した．

不気味の谷効果（Uncanny Valley Effect）と呼ばれるヒト型エージェントに対する否定的感情形成は，人間の対人認知メカニズムを理解する上で極めて重要な現象である．認知神経科学分野における既往研究では，不気味の谷効果は「予測誤差」，すなわち，人間に酷似した外見に基づいて予測される生物学的動作と，実際に観測される人工的動作の間に生じる齟齬が原因となって誘発されるという枠組みが提案されている．ところが，この予測誤差に至るまでのプロセスがどのような情報処理によって実現されるかを説明する，神経科学的に妥当なモデルは明らかではない．そこで，本研究ではデバイスオントロジーの観点から予測誤差に至る過程を説明する定性的脳機能モデルの提案を行う．本手法では，予測誤差検出を達成するために必要な部分機能，およびその部分機能群の達成系列を記述し，各部分機能を担う神経細胞群を割り当てる．

マルチエージェント経路発見とは，複数のエージェントに対して，それぞれの初期位置から目標位置まで互いに衝突することなく移動できる最適な経路を求める問題である．様々な定式化がある中で，最近，一定の移動回数制限の下で目標位置に到達できるエージェントの数を最大化する問題の定式化とそのアルゴリズムが提案された．しかしながら，その定式化には到達できないエージェントの扱いに関して現実的ではない仮定が存在している．本研究では，この点を修正した新しい定式化を与え，0-1整数計画ソルバーに基づく解法およびラグランジュ分解調整法に基づく解法を提案し、ベンチマーク問題例を用いてそれぞれの性能を評価する．

推移関係は、様々な場面で現れる重要な関係である。推移関係を含む節をSATソルバーを利用して解く場合、推移関係もSAT節に符号化する必要がある。通常の符号化では、問題の規模が大きくなるにつれて、その数は膨大になる。本論文は、このSAT節の削減を目標とする。グラフの頂点間の到達可能性を例に、この推移関係に通常とは異なる解釈を与える。そして、その解釈に基づく節の削減手法を提案する。そして、MC-netsによる提携構造形成問題に提案手法を適用し、削減効果を確認する。

昨今のデータマイニング分野において，データに内在する潜在因子間の関係を抽出する技術の開発は重要なものとなっている．本研究は，その潜在因子間の関係を表現する負の相関ルールの抽出に関する研究を支えるものである．負の相関ルールはデータ中に非常に多く存在するため，負の相関ルールを圧縮して抽出することが重要となる．この技術において重要となる情報が，データ中に存在する，等しい出現トランザクション集合を持つ極小生成子とその閉包アイテム集合のペアである．本研究は，このペアを高速に列挙するアルゴリズムを提案し，既存手法との比較評価及び現時点での課題とその解決の方向性について示す．

本研究では，非常に大規模なSAT問題を圧縮したまま解くSATソルバーの開発と評価を行う．制約充足問題(CSP)の有効な解法の1つに，CSPをSAT変換して解くSAT型CSPソルバーがある．大規模なCSPをSATに変換すると節数が数億にも及ぶ非常に巨大な問題となることがある．そのような巨大な問題はメモリに格納することが難しく，また読み込むことができたとしても処理が重たく現実的に解くことが困難である．本研究では，SAT型CSPソルバーが生成する巨大なSAT問題が規則的な構造を持つことに着目し，その規則性に基づく単純な圧縮手法を提案する．2019年のXCSP競技会の問題群に対して圧縮率を評価したところ，1億節以上の問題は平均24.9%まで圧縮が可能であった．また，圧縮された節群において二項節および三項節を圧縮したまま展開せずに直接解くため， 圧縮表現から元の節における変数の真偽値割り当てを適切に再現するアルゴリズムを考案し，実装した．評価実験の結果，既存のソルバーよりもメモリ使用量が削減でき，また巨大な問題に対する求解数が向上することを確認した．

本研究では，水準の大きい被覆配列を計算機で求める方法を提案する．被覆配列は組み合わせデザインの一種であり，ソフトウェアテスト等の応用を有す．すべてのt個の因子間におけるすべての水準の組み合わせがいずれかの行に出現するとき，その配列を強度tの被覆配列と呼ぶ．このような組み合わせはtに従って指数的に増加するため，強度の大きい被覆配列を現実的な時間で求めることは困難であった．本研究では，データ構造としてZDDを用いて組み合わせを管理，操作することで，この問題の解決を図る．実験の結果，提案手法によって強度7以上の被覆配列を求めることができることが分かった．

与えられたグラフの点カットとして，どのような頂点集合が存在しているかを考えることは基本的である。本稿では，入力として無向グラフが与えられたとき，その全ての点対間の点カット全てを，後に利用しやすい形で索引化するためのアルゴリズムを提案する。提案アルゴリズムは，まず点カットの索引化を動的計画法の問題として定式化する。そして，その索引化に BDD と呼ばれるデータ構造を用いることで，効率的なアルゴリズムを目指す。実験では提案アルゴリズムを，規則的な構造を持つグラフである正方格子グラフ，およびランダムに生成したグラフに対して適用した。その結果，提案アルゴリズムは特に，規則的な構造を持つグラフや辺が密なグラフにおいて高速に動作することが分かった。また提案アルゴリズムの細部を少し変えることで，ベイジアンネットワークにおける d-分離を引き起こす頂点集合などの，点カットに類似した頂点集合を索引化できることを示す。

ハイブリッドシステムは時間の経過に伴って変数が連続変化と離散変化を起こす動的システムである。ハイブリッドシステムのモデリング手法としてはハイブリッドオートマトンによるものが最もよく知られている。一方でハイブリッドシステムの宣言的でより簡潔な記述方法は未だにチャレンジングな問題である。 HydLaは制約ベースのハイブリッドシステムモデリング言語である。HydLaプログラムではシステムを宣言的に記述し、宣言的意味論によって得られる解集合でモデルを表現する。既存の意味論は簡潔かつ直感的であり、行儀の良いHydLaプログラムを考えるための十分な表現力を持っている。一方で、プログラム変換や操作的意味論との比較などのHydLaの意味論の応用を考える上ではより強力な意味論が必要となる。本論文では連続性に関するフレーム公理の表現について、既存の宣言的意味論を厳密化・拡張し、各改良点が必要であることを具体例を通して説明する。

様相命題論理の体系Kについて，与えられた論理式の充足可能性を判定する新しい手法を提案する．提案する手法はタブロー法に基づいており，解集合プログラミングを用いて実装されている．タブロー法に基づいた既存手法では，可能世界を最初にすべて生成してから充足可能性判定を行う方法か，可能世界を幅優先的に順次拡大しながら充足可能性判定を繰り返し行う方法が取られている．提案するシステムでは，これらの方法に加え，ヒューリスティック関数を用いて可能世界を順次拡大する手法を導入している．ヒューリスティック関数を用いることで，充足不能になりそうな可能世界から先に探索することが可能になり，判定手続きの高速化につながることが期待できる．本手法を標準的なベンチマーク問題を用いて評価したところ，論理式の長さをヒューリスティック関数に用いた場合に，既存手法よりも良い結果が得られる場合があることがわかった．また，既存手法ではSATソルバーが利用されているが，本手法では解集合プログラミングを利用することで，非常に簡潔に証明系を記述できている点にも特徴がある．

モデル検査においてモデルのサイズに対して状態数が爆発的に増加する問題は重要な課題である． Symmetry Reductionとは状態の対称性に着目した探索空間削減手法である． グラフ書き換えに基づくモデル検査器SLIMは，グラフ構造の対称性を用いてSymmetry Reductionを行うことで探索空間を削減しているが，その際に頻発するグラフ同型生判定が実行時間性能のボトルネックになっている． 本研究では探索中にグラフの自己同型性を用いてグラフ同型性判定の回数を削減することで，効率的なSymmetry Reductionを実現する手法を提案する．本手法はグラフ中の自己同型な部分に対する書き換え結果は状態空間中で必ず対称な状態になることに注目し，グラフ同型性判定の回数を削減する．本手法をモデル検査器SLIMに実装し，対称性の高いモデルに対してグラフ同型性判定回数のオーダーが減少したことを確認した．

スポーツ・スケジューリング問題とは，チーム，対戦日，開催場所等の集合に対して，与えられた制約条件を満たすように対戦表を作成する組合せ最適化問題であり，人工知能及びオペレーションズ・リサーチ分野における応用問題として広く研究されている．日本バスケットボール協会は，(i) 拮抗したゲームを多くすることで選手及び指導者の成長を促し，(ii) JBA登録チームに対して，一定公式試合数の確保を目的とし，都道府県内でのリーグ戦の実施を2018年度より開始した．本論文では，小学生を対象としたU12バスケットボールリーグ戦におけるブレーク数最小化問題を定式化し，最適化ソルバーCPLEXを用いて求解する．実験では，兵庫県下で実施されたU12バスケットボールリーグ戦の実データを用いて比較評価する．