近年, 異なる組織間でのデータ共有・活用を実現できるプラットホーム (クラウドやブロックチェーンなど) の構築や運用が進んでいる. こうした動きに伴い, 様々な分野において当該プラットホームを利用したデータ共有・活用による社内業務の効率化や新たな価値創出に関する検討が進められている. 特に, 当該業務／サービスにおいて機械学習を利用している組織などでは, こうしたデータ共有・活用により機械学習の性能向上が期待される連合学習 (Federated Learning) と呼ばれる技術が注目されている. 連合学習は, 学習対象のデータセットが複数の組織などで分散管理されている状況において, データセットそのものを当該組織間で共有することなく, 全てのデータセットの特性を反映させた機械学習のモデルを生成できる技術である. 最近では, マーケティングや社内業務の効率などを向上させることを目的とした当該技術の利用に関する検討も活発化している. そこで, 本稿では, 連合学習について概説するとともに, 当該技術に対する攻撃手法とその対策, および実装プラットホームに関する最近の動向について紹介する.

Catastrophic disaster might cause long-term damage to company’s sales due to several reasons such as the outflow of market share and the decrease investment for growth. Therefore, this paper analyzed sales trends of listed companies over the 10 years since the Great East Japan Earthquake. As a result of survey, the average sales of the damaged companies began to decline compared to undamaged companies from four years after the earthquake, the gap with undamaged companies gradually increases even after 10 years.

本稿では監査データからの異常検知と原因箇所推定のタスクについて論じる．会計監査では，多くの場面で異常検知が必要であり，また異常検知のプロセスを自動化する手法も強く求められている．しかし，(1) 大量のデータに教師ラベルを手作業で付与することは難しいために教師なしでなければならないこと，(2) 異常検知と原因箇所推定を同時に行う必要があること，(3) 監査データにはカテゴリ変数と数値変数の両方が含まれていると共に，それらは密接に結び付いていること，の3つの難点から，会計監査において異常検知の手法を構築するのは容易ではない． そこで我々は，上記の難点を解決するような会計監査における異常検出の手法を提案する．本手法の主要な考え方は以下の通りである．(1)異常検知問題を，少数の変数からなる複数のシナリオに分解し，各シナリオを原因箇所推定と対応させる．(2)ここで提案する教師なしアンサンブル学習により，原因箇所推定と対応したシナリオを1つに統合させる． 我々はここで提案する手法の有効性を，匿名化された監査データを用いた実験により実証する．

PICO (Population, Intervention, Comparison, Outcome) は、臨床試験や臨床研究のデザインを定義するための一般的なフレームワークである。したがって、論文からのPICO情報の抽出は各試験・研究の詳細を把握するうえで重要であり、近年、機械学習手法による自動化が試みられている。PICO情報抽出モデルは、各文章中に含まれるPICO情報をトークンレベルで抽出するタスクによって訓練されることが多く、これまでに、BERTをベースにしたモデルが最も高精度であると報告されている。 他方、PICO情報は、例えばP情報を表すトークン列中にI情報が含まれる等、互いにオーバーラップするケースがあるものの、オーバーラップしたPICO情報を同時に抽出するためのモデルはこれまで報告されていない。そこで本研究では、nested entity抽出モデルの一種である多層LSTMモデル（Pyramid）をPICO情報抽出へ適用する。本稿では、当該モデルがBERTモデルと同程度の精度でPICO情報を抽出できることを確認する。

本稿では線形回帰における変数選択問題を扱う．その簡便さから，線形回帰モデルは予測に用いられることが多い．線形回帰を用いる際には，モデルに使用する変数の組とそれらに対応する回帰係数を同時に最適化するという変数選択を実行することが重要となる．本稿では，我々が以前に提案したSICM(Sequential Information Criterion Minimization)アルゴリズムを用いて線形回帰の変数選択問題を解くことを考える．SICMは(L0ノルムを含む目的関数である)情報量基準を連続的に最小化してモデルの自由度を自動的に決定するアルゴリズムであり，これまでにロジスティック回帰及びその混合に対して適用された．本稿の目的は以下の二つである: (1) 線形回帰モデルの情報量基準を連続的に最小化することで変数選択を実行する手法を提案する; (2) その手法を用いて実験を実行し，Lasso(スパース推定による変数選択)と同等以上の精度で且つよりスパースな解が得られることを示す．

特許情報は企業の事業戦略の策定や提携先の模索等に有用であり、膨大な特許情報に基づいて技術動向把握を行なううえで、特許技術の俯瞰マップは不可欠なツールである。俯瞰マップ上では、各発明がベクトルとして、発明間の類似度がベクトル間の距離として、それぞれ表現される。従来、発明のベクトル表現化には、単語の出現頻度をベースとするTF-IDF法が広く用いられてきた。しかし、TF-IDF法は、単語間類似度を考慮することが難しく、比較的少数（1000件程度）の特許文献からなる分析対象母集団について、特許請求項を用いてマップ上でクラスタが形成されにくいという課題があった。 本研究では、特許請求項に基づく新規の類似発明判別タスクによってLSTMモデルを訓練し、訓練済みモデルから得られる発明のベクトル表現を俯瞰マップ作成に用いる。請求項中の単語は、類義語等の情報を考慮するため、明細書データなどから獲得した単語分散表現に変換したうえでモデルへのインプットとする。本稿では、上記手法により、1000件未満の比較的少数の特許文献からなる母集団について作成した俯瞰マップにおいても、技術クラスタが明確となることを確認する。

機械学習手法の活用の一つとして、事象の要因ないしは特徴の分析が挙げられる。例えばマーケティング分析の場合、商品を購入する利用者か否かについて決定木を学習し、学習した決定木の条件分岐を解読することで、商品を購入する利用者の特徴を分析することが出来る。このような方法では、商品購入の有無にどのような変数が影響しているかはわかるものの、どうしたら購入してもらえるようになるかまでは分からない。また、深層学習等の可読性の低いモデルは活用しにくく、決定木などの可読性の高いモデルでは大まかな傾向しかわからないことが多い。本稿では、深層生成モデルの一つであるConditional Variational Autoencoder （CVAE）を用いて、商品を購入していない利用者がどういう状態の場合に購入する可能性が高いかを推定（理想状態を推定）することで、前述の課題への対処を試みる。各利用者の理想状態と現状の差を求めることで、どうしたら良いかを明らかにし、かつ、深層生成モデルを用いることでより詳細な分析を実現する。金融機関のマーケティング分析を題材に決定木との比較実験を行い、深層生成モデルの有効性を示す。

近年、高い注目を集める強化学習は、seq2seqモデルと組み合わせることによって、組合せ最適化問題に対するメタな解法としても応用が可能となる。組合せ最適化問題は、様々な制約の下で、多くの組合せの中から、ある評価指標を最も良くする解（組合せ）を求める問題であり、これまで、巡回セールスマン問題をはじめ様々な問題に対して強化学習手法の有効性が示されてきた。 本稿の目的は、強化学習手法の実社会問題における応用可能性を深耕することであり、時間依存巡回セールスマン問題（Time-Dependent Traveling Salesman Problem: TDTSP）を題材として扱う。TDTSPは、時間に応じて、地点間の移動コストが変化する巡回セールスマン問題であり、より実社会における問題に近く、ルーティング問題やスケジューリング問題などのモデル化に用いられている。 本稿では、seq2seqモデルの入力を、TDTSPを表現した形で定義し、計算機シミュレーションによる評価実験を行う。本実験の結果より、強化学習手法が、評価指標の計算が時間変化する組合せ最適化問題にも適用可能であることを確認する。

We consider the task of simultaneous anomaly detection in a system and its elements by comparing a pair of multivariate data sets. This task corresponds to simultaneously conducting anomaly detection and localization. For solving this task, we estimate scores which represent anomalousness of a whole system and its elements. This scoring is difficult for the following reasons. First, it is not trivial how to estimate the scores by taking into account changes of relationships between the elements, which strongly correlate with each other. Second, it is required that scores of the system and its elements are estimated from a single framework. Otherwise, the relation between the scores is not clear and thus localization becomes difficult. We propose a solution, which is a single framework to simultaneously estimate anomalousness of a system and its elements. The key ideas of the method are the following two. First, we introduce doubly kernelized scores. We construct a score by using difference between kernel matrices defined between elements. Then we represent the difference by using a kernel defined between matrices. Second, we construct matrix kernels, which are defined between different dimensional matrices. This method has the following properties: (1) the method can be applied to any data sets where a kernel can be defined between the elements, (2)can estimate scores of element group of any number, and (3)can be applied to a pair of data sets whose numbers of elements are different. Especially, the second and the third properties are realized by introducing matrix kernels. We demonstrate the effectiveness of the proposed method through the experimental results using three data sets.

AIサービスの社会実装が拡大する一方で、AIの信頼性に係る問題が発生しており、信頼できるAIの開発・利活用を目的としたガイドラインの策定が国内外の各機関で定められている。しかし、下記の課題により、AIサービス提供者及びユーザーが適切なリスク対応を検討することが難しい。 －ビジネス環境・ユーザー・法制度等の環境変化がAIの性能に影響を与える。 －倫理に係るリスクへの配慮が必要とされる。 －どのガイドラインを参考にするべきかの判断が難しい。 －データやAIモデルだけではリスクを充分に低減することが難しい。 －ユーザーにもリテラシーが求められる。またユーザーの誤用・悪用によるリスクの検討も必要とされる。 本研究では、文献の解読・ケーススタディ・有識者とのディスカッションを経て、リスクアセスメント及びリスク対応コントロールの識別を可能とするモデルを検討する。リスクシナリオに関連する要素を識別して関係性を可視化（プロセスチェーン）し、リスク対応コントロールを識別する。