大規模言語モデル(LLM)の台頭により、人間の様々なタスクの自動化が可能になり始めている。そこで、本研究では、LLMをエージェントとして用いた人工市場シミュレーションを構築することで、現実に近い人工市場を構築することを目指す。市場状況をLLMにテキスト形式で入力し、適切な注文を出力させ、その注文を人工市場に渡すという形式をとることでLLMをベースとしたエージェントの構築を行った。実験の結果、実際の市場を模した人工市場を構築するためには、このLLMに入力するプロンプトが重要であることが明らかになった。

金融工学において､正確なｵﾌﾟｼｮﾝ価格設定は市場のﾀﾞｲﾅﾐｸｽと金融商品の複雑さのために依然として重要な課題です｡本論文では､最近提案されたｺﾙﾓｺﾞﾛﾌ･ｱｰﾉﾙﾄﾞ･ﾈｯﾄﾜｰｸ(KAN)に基づく革新的な手法を紹介します｡この手法は､ｵﾌﾟｼｮﾝ価格設定に広く使用される適応技術である最小二乗ﾓﾝﾃｶﾙﾛ(LSMC)手法を上回るだけでなく､価格ﾓﾃﾞﾙの金融的な意味についても追加の洞察を提供します｡私たちの手法は､価格だけでなくﾃﾞﾙﾀも提供し､価格設定だけでなくﾍｯｼﾞ戦略でも高い精度を実現します｡私たちは､KANが提供する基底関数の柔軟性を活用することで､私たちのｱﾌﾟﾛｰﾁがLSMCを大幅に改善することを示しています｡研究結果は､実践的な金融応用におけるこのﾓﾃﾞﾙの利点を強調し､価格設定とﾘｽｸ管理の最適化における魅力的な代替手法を提供しています｡

本研究では､金融に特化したLLMの構築に取り組んだ｡まず､ﾄﾞﾒｲﾝ特化のｺｰﾊﾟｽを構築し､そのｺｰﾊﾟｽを用いた継続事前学習を実施した｡その上で､金融に特化した金融知識の有無を確認するﾍﾞﾝﾁﾏｰｸを使用し､性能を評価した｡さらに､ﾓﾃﾞﾙﾏｰｼﾞを行い､ｲﾝｽﾄﾗｸｼｮﾝへの対応能力をﾓﾃﾞﾙに付与することで､金融のｲﾝｽﾄﾗｸｼｮﾝﾓﾃﾞﾙを構築した｡ｲﾝｽﾄﾗｸｼｮﾝﾓﾃﾞﾙの性能を評価するために､金融に特化した生成の良さを確認するﾍﾞﾝﾁﾏｰｸを使用し､その性能を比較した｡これらの取り組みを通じてLLMを金融に適合させることができることを示した｡

現代のデータサイエンスにおいて，統計モデリングと探索（または最適化）は車の両輪である．統計モデリングでは訓練データという経験知識を用いて対象を近似する確率分布としてモデリングし，探索においては，先験知識にもとづいて対象を境界条件と目的関数の組み合わせでモデリングし，そのモデルに基づいて解を探索する．いずれの手法も，知識そのものの不完全性に起因する不確実性と，手法の限界による不確実性を持つ．特に探索においては，目的関数，すなわち人々が現実世界において持つ価値観が最大の不確実性となることが多い．本稿ではデータサイエンスにおける様々な手法を「知識をどのように表現し，不確実性にどのように対応するか」という観点から捉えなおし，さらにそれらを社会の中に位置づけるというチャレンジについて議論する．その中で，人類社会の価値観の不確実性に対する手法として，アジャイル開発やTEAL型組織などの非技術的な試みについても触れる．

バイオインフォマティクスやヘルスケア分野では、テーブルとして表現されるデータを解析する場面が多く現れる。その中でも、テーブルデータ生成は、一塩基多型の補完、遺伝子発現量のノイズ除去、二次利用可能なヘルスケアデータの作成など幅広い応用分野を持つ。本稿では、深層学習技術を用いたテーブルデータ生成の手法とその応用を解説する。まず、テーブルデータ生成の応用例として、欠損値補完、ノイズ除去、合成テーブルデータの生成を挙げ、手法と適用例を紹介する。次に、深層生成モデルの1つである変分オートエンコーダを用いた欠損値補完について、2通りのアプローチ（再構成、マスクモデリング）を解説する。また、多様な項目を持つテーブルを扱えるように変分オートエンコーダを改良したモデルであるHI-VAEも紹介する。最後に、深層生成モデルを用いた欠損値補完の事例として、我々が取り組んでいる仮想人体生成モデルを解説する。

畳み込みニューラルネットワーク（CNN）は画像など特定ドメインのデータの処理に対して高い性能を発揮することが知られている．しかしながら同時に計算能力も必要とするため，CNNの軽量化は深層学習コミュニティにおいて広く行われてきた．本稿ではテンソル分解を使ったCNNの軽量化に焦点を当てる．まずCNNのコンポーネントである畳み込み層の演算が，複数テンソル間の線形演算の表現方法であるテンソルネットワークによって記述できることを示す．次に畳み込み層の軽量化がテンソル分解によって特徴づけられること，またその分解方法もテンソルネットワークによって記述できることを示す．最後に可能な分解を探索することによって，予測精度と時間／空間複雑さのトレードオフを実験的に比較する．その結果，いくつかの非線形分解は既存の分解を凌駕することがわかった．なお，本原稿は著者らの論文¹⁾を和訳しわかりやすく解説したものである．

大規模言語ﾓﾃﾞﾙ(LLM)の発展とともに､分野や言語に特化した言語ﾓﾃﾞﾙの構築の必要性が議論されてきている｡ その中で､現在の大規模言語ﾓﾃﾞﾙがどの程度の性能を発揮するかを分野に特化して評価するﾍﾞﾝﾁﾏｰｸの必要性が高まっている｡ そこで､本研究では､日本語かつ金融分野に特化した複数ﾀｽｸからなるﾍﾞﾝﾁﾏｰｸの構築を行い､主要なﾓﾃﾞﾙに対するﾍﾞﾝﾁﾏｰｸ計測を行った｡ その結果､現時点ではGPT-4が突出していることと､構築したﾍﾞﾝﾁﾏｰｸが有効に機能していることを確認できた｡一方で､それ以外のﾓﾃﾞﾙのﾊﾟﾌｫｰﾏﾝｽも向上してきており､それらのﾓﾃﾞﾙのﾊﾟﾌｫｰﾏﾝｽ動向についても報告する｡

A new control architecture for real-world-oriented robots is presented. Unlike the subsumption architecture, the upper-layer functions modulate the lower-layers rather than overriding their outputs, and utilize them to adapt the system to situations. A simlutaneous exploration and navigation (SEAN) for a biped robot is implemented based on the architecture and evaluated on a computer simulation.

ディープラーニングと価格時系列シミュレーションを使用してヘッジ行動を最適化するDeepHegdeは、 完全市場を前提とせず取引手数料などの不完全市場を考慮に入れることができるため、効率的なヘッジを可能にすることが出来る手法として注目を集めている。Deep Hedgingは通常の順伝播型ニューラルネットニューラルネットを用いた場合に訓練が難しくなることが知られているが、No-Transaction Band Network等の、学習を効率化するニューラルネット構造がいくつかの問題設定で知られている。 Deep Hedgingは強化学習の枠組みで捉えることも可能であり、actor-critcに基づいた強化学習アルゴリズムによりヘッジ戦略を学習する試みが行われているが、ニューラルネットワークの訓練が難しくなると知られている。 本研究では価値関数のモデル化に基づき、幅広い問題設定で効率的なニューラルネットの学習を可能とするアルゴリズムを提案し、通常の方策を出力するニューラルネットワークよりも効率的にヘッジ戦略を出力することを示す。