高次元ベクトル検索は幅広い応用を支える基盤技術であり，その高速化のために近似k最近傍探索（AkNNS）が用いられている．応用では，データの追加や削除が伴う，既存のグラフベースAkNNS手法の多くは，更新時にグラフ品質を維持するコストが大きく，検索性能との両立が難しい．本論文ではこの問題に対し，検索開始点の選択を担うクラスタリング木と，局所探索を担う近接グラフという二つのインデックスに役割を分離したAkNNS手法を提案する．実世界データセットを用いた評価により，提案手法は静的設定では既存の最先端手法と同程度の検索性能を維持しつつ，動的環境では従来手法より短い時間でワークロードを処理可能であることを示す．

インターバルジョインは時間データベースにおいて最も頻繁に用いられる演算の一つである．
これまで多くのインターバルジョインアルゴリズムが提案されてきたが，それらは重複長を考慮していない．
本論文では，インターバル集合R，S および重複長制約が与えられたとき，重複長が制約以上である全てのペア(r, s)を出力する問題に取り組む．
本論文では，この問題に対する既存アルゴリズムを拡張したバッチ処理アルゴリズムを提案する．
実世界データセットを用いた実験を行い，提案アルゴリズムの性能を確認する．

マルチモーダル時系列予測では，LLMのテキスト埋め込みを統合する手法が広く用いられるが，その有効性は十分に検証されていない．検証の結果，LLM埋め込みを用いたモデルの予測精度は単語頻度表現（TF-IDF）を用いた場合と同等にとどまること，および予測に有効なシグナルが特定の単語の周期的な出現パターンに存在することを示す．この知見をもとに，本研究では，各単語の出現系列がもつ周期構造に基づいて単語を重み付けした埋め込み手法を提案する．評価実験の結果，提案手法はLLM埋め込みを用いた場合の予測精度を上回り，LLMによる埋め込みなしで予測精度を改善できることを示す．

既存の逐次推薦モデルは高性能な推薦を提供する一方，順序によらない対称な共起関係と，遷移の向きを表す反対称な方向関係という，推薦に有用な2種類のアイテム間関係を暗黙的にしか捉えられないという課題が存在する．この課題に対処するため，本研究ではこれらの関係を明示的に注入する逐次推薦モデル CoDiRec を提案する．提案モデルでは，学習データから構築した対称な共起を自己注意へ，反対称な方向を Mamba の前向きスキャンへと，関係の対称性と機構の性質を整合させて注入することで，従来は暗黙的にしか学習されなかった関係を明示的にモデルへ与える．実世界データセットを用いた実験により有効性を検証する．

購買行動や学習データは以前から大量に収集され、AIなどで分析されているが、一向に有益な知見が得られていない。その原因は、学習などのイベントが「いつ」生起したかという、時系列条件が人間の判断に大きな影響を与え、その条件が無数想定されることにある。それを解決した測定技術（マイクロステップ・テスティング）を実装したｅラーニングをわずか1年導入しただけで、大阪西成区や高松市の困難校で、全国学テの成績や府の悉皆テストの得点が有意に大きく上昇し、意欲を失っている子どもほど意欲が大きく上がる明確な成果が得られ始めた他、大学や高校では、英検やGTECの得点が有意に上昇することがトップジャーナルに掲載されはじめた。

人物検索はWeb検索において重要な課題の一つである。Web上の人物検索においては、同姓同名人物の混在などにより目的の人物にたどりつけないことや、人物を識別できないことがある。人物の検索や識別のために、人物を特徴付けるラベル付けが重要である。本研究では、生成AIを用いて、国立国会図書館の件名標目であるNDLSHをWikipedia上の人物に付与する。NDLSHを付与することにより、上位語，下位語，関連語を用いた探索的な検索が可能となる。

研究者の専門分野や研究テーマを整理，共有することは，共同研究を促進し，学術研究を活性化するために重要であり，研究者を一定の基準で分類し，一覧化・検索可能な形で提示する「研究者ディレクトリ」が有効である．研究者ディレクトリを構築するには，研究者ごとに専門分野を表すラベルを付与し，分野別の索引やカテゴリ構造を与える必要がある．本研究では，研究者ディレクトリの構築のため，LLMを用いて研究者にNDCを付与する方法を提案する．提案手法は，大学の研究者データベースから抽出したテキストとNDCの相関索引を照合し，索引語に紐付く分類記号を付与の候補としてリストアップした後，LLMに提示し，関連度順に並び替える．評価実験を行い，提案手法の一定の有効性を確認した．

検索システムにおいて，ユーザが入力する単一クエリのみでは検索意図を十分に表現できない場合が多く，検索サジェストやクエリ拡張による意図補完が重要である．しかし，サジェスト機能は大規模検索ログを前提に構築されるため，十分なログが存在しない環境への適用は困難である．そこで本研究では，大規模ログを必要とせず，語の類似度と出現頻度の適切パラメータ選択に基づく統計的スコアリング手法を提案する．本稿では，提案手法の有効性を確認するため，3種類のプロンプトを用いた大規模言語モデルベースのクエリ拡張手法と性能を比較する．評価の結果，最適なパラメータ設定において，提案手法はMRRおよびMAPの両指標で大規模言語モデルを上回る性能を示した．

近年、大規模言語モデルを活用したRAGシステムが普及しているが、現在の主流手法は文書が本来持つ階層構造を破壊し、文脈の断片化や類似したノイズによる検索精度の低下を招く課題がある 。本研究では、階層的凝集クラスタリング（HAC）を用いて文書群の意味構造を構築し、その構造情報を検索プロセスに統合する手法を提案する 。提案手法は、LLMによる探索空間の特定、局所空間でのハイブリッド検索、および構造的メタデータを活用したLLMによるリランキングの3段階で構成される 。大学の規定を模したデータによる評価実験の結果、類似ノイズ混入環境でもノイズを遮断し、複数文書検索において網羅率（Recall@5）86.5%を達成するなど、従来手法を大きく上回る高精度と堅牢性を実証した。

ECサイトにおける顧客レビューはサービス品質改善の重要な情報源であるが、テキストが定性的かつ大量であるため、問題の発生時期や品質変化の傾向を定量的に捉えることができず、統計的手法による事前検知もできないという課題がある。そこで、レビューを時間軸で継続的に捉え定量化することが解決策として求められる。本研究では「商品品質・配送品質・価格コスパ・スタッフ対応・総合満足度」の5項目を事前定義し、BERT感情分析により定量スコア化して四半期単位で時系列化する。得られたスコアに管理図を適用して異常を自動検出し、LLMが顧客指摘を根拠とした改善施策を提示する仕組みを構築する。

日本の不動産市場には、都市部での価格高騰や地方の空き家増加など、地域ごとに異なる課題が存在しており、適正な住宅価格を予測する手法は、住宅購入検討者や事業者の意思決定を支える重要な基盤である。また、住宅価格の予測には、周辺環境や地域の価格水準といった多様な要因との関係性も考慮する必要がある。そこで本研究では、地域の地価水準を表す路線価情報に着目し、住宅・周辺施設・路線価情報を統合した異種グラフを構築し、R-GCN を用いた住宅価格推定手法を検討している。LIFULL HOME'S及びREX地価コンテンツデータセットを用い、本手法の有効性を評価するとともに、住宅価格形成要因の分析を行う。

訪日外国人観光客数が過去最大の伸びを見せている。観光客が情報収集する時、Webページ等を利用することが多いが、膨大な情報の中から異文化に属する観光客の嗜好に合った情報を得ることは難しく、情報推薦システムの有用性が高まっている。既存システムは、初期データ不足によるコールドスタートや、文化背景の軽視といった課題を抱えている。そこで、本研究では大規模な観光レビューを活用した「文化プロファイル」の構築手法を提案する。本手法は、LLMを用いてレビューデータを分析し、多次元特徴ベクトルとして特定の文化圏の嗜好をモデル化する。今後は提案モデルを実装し、推薦精度の向上に関する有効性を検証していく。

自然災害のリスクの増加に伴い防災商品の需要が高まっている。ECサイトでは防災カテゴリに応じた商品検索が可能であるが、ユーザー自身の制約に基づいた購入支援が十分ではない。特に、防災商品においては住環境や家族構成などのユーザーの制約が商品選択に影響を与えるため、適切な要件抽出が求められる。　本研究ではチャットボット形式を用いて防災に関する要件をユーザーから抽出し、ハイブリッド検索における推薦候補の抽出および商品レビューを用いた要件への適合性判断によって、ユーザーの制約を考慮した防災商品の推薦手法を提案する。楽天市場データセットを用い、提案手法の有効性を確認した。

本研究では、家族写真に写る人物や場所などの視覚情報だけでなく、その写真に結びついた出来事や感情、家族内で共有される記憶を「ナラティブ」として扱い、写真とナラティブを対応付けて管理・提示するAIエージェントを提案する。スマートフォンの普及により家族写真は大量に保存されているが、既存の写真管理システムでは、その写真がなぜ家族にとって大切なのかという文脈までは十分に扱えない。そこで本研究では、AIによる写真解析と家族による語りの差異を「ナラティブギャップ」として捉え、その検証を通して、会話文脈に応じて写真を提示するシステムの可能性を考察する。

NHKでは「NHK ONE」を通して最新のニュース記事を日々ネット展開している．閲覧中の記事に対し関連記事を推薦する欄として「あわせて読みたい」が存在し，直近の話題を中心に関連記事を掲示している．本研究では，閲覧中の記事に対する理解促進に資する「あわせて読みたい」の形式に関して検討する．閲覧中に生じる疑問を起点として，過去および未来に記事を掘り下げ，時系列で関連記事を提示する手法を提案する．記事から生じ得る疑問をLLMにより生成し，その疑問をもとに関連記事を取得する．取得した記事に対しても同様の処理を行い，最終的に得た記事群を時系列に並べて関連記事として提示する．

バイオ実験の成功率、再現性の向上はライフサイエンスの研究・開発・事業化サイクルの加速において喫緊の課題である。実験の熟練者と初心者には大きな差があり、マルチモーダルな計測機器を用いて両者の実験履歴データを収集し、その差を明確化する試みが進んでいる。しかし、各機器は計測サイクル等の特性やデータフォーマットが異なるため、同一の仕組みで保存・蓄積しにくい。また、取得後のデータを手順に対応付ける作業も困難である。本研究では、予め実験プロトコルを定義し、各機器の性能を損なわずにデータを収集し、収集時点で詳細な手順ラベルを付与する仕組みSETWorksを開発している。本報告では、その構成と有用性を示す。

研究データ分析では、既存データに対して列追加、変換、可視化、アノテーションなどを試行錯誤的に繰り返す探索的分析が重要であるが、既存のデータベースを直接変更しながら分析を進める方法では、元データの保全、スキーマ変更の管理、分析途中の派生データの蓄積が課題となる。本論文では、既存データベースを直接変更せず、IndexedDB上に探索的な作業コピーを構築し、列追加、データ変換、可視化を動的・対話的に実行できるブラウザ内スキーマレス分析基盤を提案する。また、LLMをレコード単位の変換器とし出力を新たな分析列として蓄積する。本分析基盤を複数の研究領域に適用し汎用的な分析基盤としての有効性を確認した。

k-近傍グラフは機械学習やパターン認識、情報推薦などに利用される重要なデータ構造である。しかし、データ量は増加の一途を辿っており、k-近傍グラフの構築時間は長大化している。そこで、複数の高速なGPU処理系によって複数のk-近傍グラフを高速に構築し、それらをCPU上でマージすることにより、高速に大規模なk-近傍グラフを構築することを目指す。本研究では被マージサブグラフを階層化した上で、既存の近傍情報を効率的に活用することで、高速なグラフマージの実現を目指す。

Web サービスの発展に伴い, データストリームをリアルタイム解析する技術の重要性が高まっている．本研究では複数のデータストリームをオンラインクラスタリングする問題を考える. これは1ストリームをSNSの1ユーザの投稿に対応させて，投稿内容の類似性によりユーザをグループ分けする状況をモデル化している．データの追加/削除によりストリームが変化するのでクラスタリング結果の更新が必要になる．提案アルゴリズムはk-medoid法でストリームをクラスタリングするが，毎時刻 k-medoid法を呼び出すのはコストが大きい．そこで, k-medoids法を一定周期で呼び出し，周期間ではmedoidは更新せずにクラスタメンバだけを更新する. その際， 類似度の下限値・上限値を利用し類似度計算回数を減らすことで, 約 5.2 倍の高速化を実現した.

毎時刻グラフが到着するグラフストリームにおいて新たに到着したグラフをクラス分類する状況を考える．最近傍法で分類する場合，グラフ編集距離(GED)の計算量が大きいためクラス毎に代表グラフを用意し，代表グラフとの距離のみからクラス分類するのが妥当である．そこで本研究は代表グラフをオンラインで高速更新するアルゴリズムを探求する．とくに，他グラフとの編集距離の合計が最小となるmedoidを代表グラフとする．medoidは全グラフペアに対してGEDを計算すれば自明に求まるが，これでは計算時間が膨大になる．そこで編集距離の計算回数を枝刈りによって削減するアルゴリズムを提案する．提案手法では各グラフに対し編集距離の合計値の下限値を保持して，medoidにならないことが確定したグラフに関する編集距離の計算を回避する．

本研究では、Echo State Network（ESN）の時系列表現能力と、Sparse Autoencoder（SAE）による潜在特徴の可視化能力を組み合わせることで、リザバー空間における内部表現の解釈と特徴理解を試みる。

ESNは、固定されたランダム重みを持つリザバー層により、時系列センサーデータを低計算コストで高次元空間へ写像できる。一方で、内部状態の物理的意味や動作特徴を直接解釈することは難しい。

そこで本研究では、リザバー出力ベクトルに対してSAEを適用し、複雑な時系列ダイナミクスを疎な潜在表現へ分解する。さらに、得られた潜在ベクトルおよび再構成ベクトルを用いて被験者分類や動作工程分類を行うことで、リザバー空間に内在する特徴表現の理解を深める。

本研究では、Pix2Pixを拡張した段階的画像変換モデルを用い、手描き風スケッチからフォトリアルな風景画像を生成する手法を提案する。入力画像から構図情報と色味情報を分離し、それぞれを独立した生成器で学習・変換した後に統合することで、高品質な画像生成を実現する。さらに、U-Net構造に着目し、スキップ接続や各層の特徴量を解析することで、輪郭や質感、高周波成分などが生成画像へ与える影響を調査する。また、層ごとの特徴表現の違いを比較し、画像生成における特徴量の役割について分析を行う。そして、生成画像の品質や表現特性との関係について考察を行う。