従来のAgent AIは，タスクリストを生成する際に，単純な ID 順の直線（リニア）構造になっているため複雑なタスクの依存関係を処理できない．しかし，現実の複雑なプロジェクトにおけるタスクリストでは，「条件分岐（A が成功したら B，失敗したら C）」や「並列実行」が必要となるため，現在の ID 順ソートでは非線形なワークフローには対応できない．ゆえに本研究では，DAG (Directed Acyclic Graph，有向非巡回グラフ) 及びState-Machine を導入することで，タスクを単なるリストではなく，依存関係を持つグラフ（DAG）として管理し，実行結果（Success/Failure）に応じて次に進むべきパスを動的に決定するロジックをAgent AIに実装した．

本研究は，属人化した技術継承を対象に，人の思考を細分化して AI エージェントへ割り付ける思考分解型 AI マルチエージェントプラットフォーム構築手法を提案する．受付・質問解釈・資料参照・回答生成・品質検証・配信・学習の7工程に分解し，対話担当・召集担当・専門実行の3階層エージェント構造に割り付ける．半導体技術 Q&A 支援システム HULL Technical QA Service として実装・運用し，HBAE 方式で OCR の100倍以上の高速化を確認した．Veracity 確保のため5項目の検証機構を組み込んだ．本手法は任意の技術継承分野への展開可能性を有する．

LLMによる文書レビューにおいて、複数の役割や視点を持つエージェントが協調する多角的レビューは、単一視点では見落とされがちな指摘の網羅性を高めることが報告されている。しかし既存研究の多くでは、レビューに用いる役割・視点があらかじめ固定されており、レビュー対象文書の性質に応じてあらかじめ用意
しておく必要がある。本研究では、入力文書の内容を解析し、その文書をレビューするうえで必要となる視点をLLM自身に動的に生成させ、生成された複数視点による多角的レビューを行う手法を提案する。この手法を複数のドメインの文書に対して適用し、固定的な視点からのレビュー結果を比較し、提案手法の効果を報告する。

本稿では，AIエージェントの業務適用において課題となる検索拡張生成（RAG）を中心とした応答品質調整の負担軽減を目的に，過去案件で得られた知見を新規案件へ再利用する枠組みを検討する。保守業務文書を対象とした評価を通じて，案件横断で知見を活用することにより，導入初期の立上げ効率と応答品質の改善可能性を示す。あわせて，異なる業務間での適用可能性と今後の発展方向について考察する。

危機管理業務におけるマニュアル検索・質問応答（RAG）システムにおいて、クラウド型LLMの利用はセキュリティや災害時可用性に課題がある。本研究では、閉域網で稼働する小規模言語モデル（SLM）に着目し、実務適用に向けた最適化と性能評価を行った。具体的には、VLMによる図表構造化やHybrid検索でRAG構成を最適化し、SLMに対しCPT、SFT、OPDの各ファインチューニングを適用して推論能力の変化を比較した。結果として、推論能力を最大限保持するOPDを適用することで、SLM単独環境においても最上位のクラウド型LLMと同等の高精度な質問応答タスクを実現可能であることを実証した。

研究室に配属された初学者は，自身の興味や問題意識を研究テーマとして具体化し，既存研究との関係を把握しながら研究方針を検討することに困難を感じやすい。本研究では，初学者の研究プロセスを継続的に支援するため，知識グラフを用いた研究コーチング対話システムを試作する。提案システムは，対話から研究目的・対象・課題・手法・評価方法を抽出し，研究室内外の既存研究と関連付けて可視化する。これにより，類似研究や参考可能な観点を提示し，研究テーマの具体化や方向修正を支援する。

LLMにアンケート調査を代替させるシリコンサンプリングには、LLMの回答が社会的に望ましい方向に偏るという課題がある。本研究は 大学生246名と3モデル （ChatGPT・Claude・Gemini）に対して、女性がモテる要因に関するアンケートを実施し、モデル間での社会的望ましさバイアスの差異と、プロンプトによるバイアス制御効果を検討した。その結果、人間が「顔」を圧倒的に重視したのに対し、ChatGPTは「顔」を全く選ばず分布乖離が最大だった。GeminiとClaudeは人間と同程度「顔」を選択した。また、バイアス軽減プロンプトの効果もChatGPTに限られた。対人魅力調査における社会的望ましさバイアスはモデル間で差が大きく、シリコンサンプリングにおけるモデル選択の重要性が示された。

近年、生成AIが日常的な相談相手として利用される機会が増加している。一方で、相談に対して過剰な共感や肯定をする応答傾向も見られており、ユーザーへの心理的影響が懸念されている。
本研究では、AIとの対話が人間関係や心理状態へ与える影響を分析するため、複数の生徒エージェントとそれぞれが利用するAIチャットボットから構成される教室シミュレーションを構築した。生徒エージェントは日常会話やイベントを通して心理状態が変化し、一定条件でAIチャットボットに相談する。AIチャットボットの応答傾向の違いが、人間関係や心理状態へどのような影響を与えているかを比較し、適切な距離感をもつAIについて分析する。

LLMを用いた対話システムは柔軟な質問応答を可能とする一方，制度間の関係性や利用者の状況変化を踏まえた継続的な意思決定支援には課題がある．本稿では，制度知識，行動間の依存関係，心理状態遷移を統合し，実行可能な行動をノードとして表現する知識グラフを用いた対話システムを提案する．対象課題として，近年の空き家対策制度の変化により，管理責任，利活用，補助制度などを踏まえた意思決定が求められる一方，利用者の状況や心理状態に応じた継続的支援が困難となっている課題を取り上げる．提案手法により，制度間の関係性と利用者状態の変化を統合的に扱い，状況に応じた行動選択および継続的な意思決定支援の実現を目指す．

Actor-critic reinforcement learning algorithms, including TD3 and SAC, often need many environment interactions to learn reliable continuous-control policies. Prior knowledge can improve sample efficiency, but heuristic priors may be imperfect, task-dependent, and biased when applied too strongly. This study proposes a critic-side prior knowledge injection method that adds heuristic information to critic targets without directly changing policy updates. For each next state, target critics evaluate both policy and heuristic actions, then mix their Q-values with a decaying prior weight. Experiments show improved early learning efficiency and indicate that LLM-generated priors can provide useful heuristic guidance.

意思決定においては，議題について検討すべき観点を多面的に列挙することが必要である．これまで筆者らは，実際の議論に先立って，国会審議を対象として議員や答弁者の役割を与えたLLMエージェントに議論を生成させ，そこから検討観点を抽出する枠組みを構築してきた．しかし，検討観点の抽出は人手に依存しており，作業負担や再現性に課題がある．本研究では，国会審議を対象とした議論テキストから検討観点を自動抽出する手法を提案する．評価では，提案手法による抽出結果を人手による抽出結果と比較し，自動抽出された検討観点の妥当性を検証する．

非タスク指向対話の満足度は，正誤のような単一基準ではなく，複数の品質軸に依存するため，直接的な推定が難しい．
一方で，近年，大規模言語モデルによる自動評価（LLM評価）は，応答品質の測定に加え，応答改善にも用いられる．
非タスク指向対話の応答改善にLLM評価を用いるには，満足度を直接推定せず，関連する複数の品質軸を評価し，総合して推定する必要がある．
我々は，11の品質軸候補について満足度との関連性を分析し，品質軸を選定した．
さらに，選定した品質軸を目的関数として対話用プロンプトを自動最適化し，効果を選好評価で測定した．
本研究は，品質軸設計の妥当性を検討し，LLM評価を用いて応答を改善する際の有効性と限界を示した．

マニュアル作成支援において，複数素材から品質の高いマニュアルを生成するには，素材の情報過不足を事前に判定することが重要である．本研究では，複数素材から仮トピックを生成・クラスタリングし，公開マニュアルから構築したカテゴリ別トピックテンプレートとユーザ要望との照合により，マニュアルとして不要な過剰トピックを判定する手法を提案する．テンプレートは出現頻度による重要度の自動算出と専門家修正を経て確定する．評価実験では，既存の公開マニュアルのトピック群に意図的に過剰トピックを混入した素材を用い，提案手法による検出精度を測定することで有効性を示す．

意見の対立が生じる場面では、結論の相違だけでなく、当事者間で客観的・科学的な前提条件が共有されていないことが議論のすれ違いを引き起こす。本研究では、LLMを用いて「双方が合意できる共有前提」を自動抽出するエージェントを提案する。Toulminモデルを参考に設計したプロンプトにより、各話者の立場を分離して暗黙の前提を抽出し、共通する事実命題を特定する2ステップの手法を採用する。検証には複数の日常的な相談場面を題材とし、LLMで生成した会話文に手動アノテーションを施して正解データを構築し、LLM-as-a-Judgeで抽出精度を評価する。

本研究では、未知のパラメータを学習する経済主体が環境に対してバイアスを持つとき、バイアスが経済主体の学習と意思決定にどう影響するかについて扱う。ここで扱うバイアスとは、経済主体が環境をパラメタライズしたモデルが真のモデルを含んでいないことをいう。これまでの伝統的な経済理論のモデルでは経済主体が環境を正しく理解していることが仮定されているが、現実では環境の重要な情報を誤って認識することによる経済現象が多く存在するため、バイアス下を考察することは有意義である。本研究では経済主体が一次元のパラメータで環境を説明し、貪欲的意思決定を行ったときにおける、学習と意思決定の収束性について解析を行う。

近年、オーバーツーリズムにより京都や鎌倉などの観光地では、観光客の集中に伴うタクシー需要の偏在が発生している。特に、需要を探索する空車タクシーのうろつき走行は道路混雑を助長し、公共交通の遅延、緊急車両の通行妨害、住民の生活環境悪化などの要因となっている。本研究では，観光地におけるタクシー配車を最適化し、都市全体の交通渋滞を緩和することを目的とする。具体的には、時系列的に変動する観光需要を考慮するため、深層強化学習アルゴリズムであるDeep Recurrent Q-Network（DRQN）を用いた配車エージェントを設計する。実験では，提案手法が需要への対応力を向上させるとともに，空車走行距離を削減できることを示した。

近年、気候変動に伴う災害の激甚化・頻発化が問題視されている。本研究では動的な環境に対応したマップを作成し、避難経路を作成するシステムを作成する。気象データなどの動的データやランダムな環境変化を作成し、動的な災害環境の擬似的な再現を行う。動的あるいは静的な環境変化要因を重み付きSOMに入力し、その危険度を表したメッシュマップを作成する。メッシュマップ上でアントコロニー最適化を使用し、安全度の高い経路の探索を行う手法を提案する。

観光施設において過度な混雑が発生すると，施設来訪者の満足度が低下する．そこで本研究では，マルチエージェントシステムを活用し，博物館などの展示場を想定したシミュレーションを行う．エージェントが鑑賞と混雑回避を両立させた行動を効率的に学習できるように，Q-Learningでの評価値更新において独自のパラメータを追加した．展示品を配置した場内で複数パターンの学習を行い，独自パラメータの有無がエージェントの行動結果にどのような変化をもたらすかを検証する．

車載カメラの検証では，多様なシーンでの誤検出・見逃しパターンを事前に検証できる仮想空間シミュレーションが進んでいる。一方，仮想と現実で検証対象物のサイズのズレによって，カメラの認識の精度が低下する要因となる。車両・歩行者を検出するＬｉＤＡＲやステレオカメラでは高所の標識のサイズ測定には不向きで，画像からのサイズの推定が必要になる。そこで設計情報と統計情報をナレッジ化し，寸法の確信度が高いパーツを選定し，対象物全体のサイズを推定する新技術を提案し，５％以内の誤差でのサイズを推定し，３Ｄオブジェクトの自動生成を実現した。これにより，車載カメラ認識の検証の精度向上し，製品開発の改善に貢献する。

This study proposes an edge AI-based gas leakage monitoring system using acoustic anomaly detection for gas pipelines. Acoustic signals generated from gas pipelines were collected using a microphone and processed on a low-power edge AI device. Frequency spectrum features obtained by FFT were analyzed using an autoencoder-based anomaly detection model. The proposed system detects leakage conditions based on reconstruction error without requiring large amounts of abnormal data. Experimental results confirmed that the reconstruction error significantly increased during gas leakage, demonstrating the effectiveness of the proposed method for real-time gas leakage monitoring.

本研究プロジェクトを通して，岡山県井原市の中でも小田川沿いに位置する旧井原・後月地域を中心とした地域に伝わる口承や昔話などの説話の調査を行う。この説話の調査によりテキストマイニングを行い，分析をすることで記録を残す。この作業により昔話の語り手の高齢化による伝承の消滅を防ぎ，補完することを目的とする。次にテキストマイニングを行なった説話を基とし，情報（地理的ではないデータ：本研究プロジェクトでは民話）を場所（地理的なデータ）に関連付けることため生成AIを利用し空間データを作成し減災に役立つことを目的としている。

時空間予測における転移学習では，MAE型再構成と対照学習が主要な事前学習手法だが，前者は再構成精度の向上が転移先の予測精度向上に直結せず，後者は離散的対比設計が時空間データの連続的変化に適合しづらい．そこで本論文では，潜在空間予測を制約とした事前学習枠組み（ATLAS）を提案する．本手法は事前学習段階において，MAE型再構成に潜在空間予測を制約として課し，対比設計なしにドメイン間で共有される特徴の把握を促すことで，転移先の予測精度向上につなげる．微調整段階では，事前学習エンコーダーの埋め込みを活用し，機能的類似性の補足を強化する．実験の結果，ATLASは最大16.7%の予測精度向上を達成した．

エッジデバイスへの展開を前提とした呼吸音解析では，複数タスクに対して独立したモデルを構築することは計算資源上の制約から現実的ではない．本研究では，合成呼吸音を用いた教師なし変分オートエンコーダの事前学習により汎用呼吸音特徴抽出器を構築し，タスクごとの軽量ヘッドを並列接続するマルチタスクアーキテクチャを提案する．4種類の仮想タスクを設定し，単一特徴抽出器からの分岐推論が多様なタスクに有効であることを示す．合成データによる教師なし事前学習はラベル妥当性への依存を回避し，データ希少な医療音響領域における汎用表現獲得の実現可能性を示す．

本研究では、保持データを用いずに学習済みモデルから指定データの影響を除去する手法（Retain-Free Machine Unlearning）に着目する。GDPR等のプライバシー規制では削除要求への即時対応が求められ、学習後に保持データが存在しない状況での忘却処理が実用上の課題となっている。この制約を前提に、忘却対象が少数サンプルに限られる現実的な設定において既存手法を評価する。モデル有用性の維持、学習データに含まれるかを推定する攻撃への耐性等の観点から複数の手法を比較し、少数サンプル忘却で顕在化する課題を整理する。また、得られた知見に基づき改良手法を検討し、実験によりその有効性を検証する。

慣性計測ユニットを用いた行動認識では，訓練被験者に依存しない汎化性能の確保が重要な課題である．本稿では，クラス条件付き拡散モデルの速度場を知識蒸留の教師信号として分類器学習に組み込むVelocity Field Knowledge Transfer（VFKT）を提案する．速度場整合損失を分類損失に加えることで，生成モデルが捉えたデータ多様体の構造を分類器へ転移させる．4種のIMUデータセットに対してLeave-One-Subject-Out評価を行った結果，VFKTは標準的な交差エントロピー学習および合成データ拡張手法と比較して，多くのデータセットで高いMacro-F1を達成した．

ベクトル検索に基づく一般的なRAGにおいて、外部知識の選択・統合はベクトル類似度に基づくが、どの知識がなぜ選ばれ回答に使われたかを人間が把握することは難しく、知識の利用根拠は不透明となる。生成AIの業務適用が進む中、知識の正確性保証やガバナンスの観点からこの問題は重要性を増している。近年注目されるGraphRAGは知識グラフを活用したRAGの一形態であり、エンティティと関係を明示的に構造化することで、知識の透明化や推論根拠の追跡を支援する可能性を持つ。本稿では、既存研究の整理と考察を通じて、知識の透明性および制御可能性の観点からのGraphRAGの活用方法を検討する。

近年、社内文書検索の効率化を目的としたRAGシステムの活用が進んでいる。しかし、ユーザ入力に含まれる整形指示や出力形式指定などが検索処理に影響し、関連性の低い文書が抽出され、回答精度が低下する課題がある。本研究では、ユーザ入力に含まれる情報の役割に着目し、検索処理および回答生成処理においてそれぞれ適切な情報のみを活用する枠組みを提案する。本手法により、検索時のノイズ低減とユーザ意図の反映を両立する。多様な社内文書を対象とした評価実験により、検索精度および回答品質の向上を示す。

LLMの発達に伴い，社内文書検索にRAGを適用する事例が増えているが、一問一答型の手法では曖昧な質問への対応や段階的な情報探索が難しい。本研究では、LLM-as-a-Judgeを用いた継続質問機能を、規程・技術文書・問い合わせ履歴など多様な文書を扱う大規模社内検索システムに適用した事例を報告する。実運用にあたっては、対話履歴の圧縮保持や文書特性に応じたプロンプト設計を行った。6名による評価の結果、従来手法と比較して対話を通じた情報の絞り込みが可能であることを確認した。一方で、応答ループの発生など運用上の課題も明らかとなり、改善指針を得た。

RAG回答精度を自動的かつ定量的に評価するフレームワーク「Ragas」が提案されている。Ragasはテキストベースのデータセットにおいて、人手評価との高い一致度が報告されており、従来型RAGの回答精度評価への有効性が示されている。
一方、図・表などを含むマルチモーダルデータへの有効性は十分に検討されていない。そこで本研究では、図や表を含む製造業の実業務データを対象に、Ragas評価結果と人手評価結果の相関を分析することで、Ragasの有効性を評価した。結果として「Answer Correctness」と「Faithfulness」の2指標において、人手評価との高い相関(r≒0.7)が確認できたことから、マルチモーダルRAGへのRagas活用の見込みを得た。

大規模言語モデルを利用した質問応答では，回答に必要な情報が十分でない場合，外部文書の検索・参照と推論を情報の収集が完了するまで逐次的に進める必要がある．しかし，この過程では，検索継続か回答生成の判断がモデルに委ねられるため，その判断根拠を観測することが難しく，回答過程の説明性が低くなる．本研究では，回答に必要な事実をスロットとして定義し，モデルによる検索継続か回答生成かの判断をその充足状態と対応付けることで，回答過程を根拠付きで追跡可能にする手法を提案する．評価実験では，スロットの充足状態から回答根拠を確認できること，未充足スロットの残存状況から推論停滞の要因を把握できることを確認した．

保険商品に関する問合せ対応に対して、生成AIを活用する方式を検討する。ここで、確率モデルを用いたRAGに基づく質問応答方式では、ハルシネーションと呼ばれる誤回答が生じる可能性がある。本研究では、圏論の考え方を用いることで、決定論的に回答を行う方式を整理した上で、実データを用いた検証を行い、本アプローチの可能性や今後の展望を考察する。

音声を用いた機械学習では、録音環境や収録機関の違いに起因するドメインギャップが性能低下の要因となる。
本研究では、音声特徴量に含まれるドメイン情報の解析と、その除去手法について検討した。
統計的仮説検定に基づく特徴量選択を用いてドメイン差の低減を試み、eGeMAPSおよび事前学習モデル由来特徴量に対して比較を行った。その結果、単一次元ごとの検定による特徴量削除では、高次元特徴量に含まれるドメイン情報を十分に除去できない可能性が示唆された。

二層加法リスクモデルは，ドメイン知識を活用した形状制約付きの二層のニューラルネットワークであり，各変数の寄与を可視化でき解釈性に優れている．一方で，形状制約が数値変数の単調性に限られ，その決定にドメイン知識を要する点に課題がある．そこで本研究では，予測精度と解釈性を両立するデータ駆動型の改良モデルを提案する．提案手法は，(1)最適ビニングによる数値変数の離散化，(2)交差検証を用いた多様な形状制約の自動同定，(3)過学習を抑制する多値カテゴリ変数の自動集約から成る．数値検証の結果，事前のドメイン知識を要さず高い解釈性を維持し，従来と同等以上の予測精度を達成した．

本研究では、単体ホップフィールドネットワーク上の2-単体に対して、パターンの想起に対する貢献度を定義し、記憶に必要な単体を自律的に取捨選択する学習則を提案する。2-単体を構成する3つのニューロン間に拡張したHebb則を用いて単体の重要度を収束させることで使われない単体が除去され、重要な単体だけが残る疎な構造が得られる。
合成データ実験では、同程度のスパース率までランダムに単体を刈り込んだ場合と比較して、統計的な精度優位性を得られた。また、静的に単体を決定するネットワークと比較して、非定常パターンにおける適応-忘却のバランスを高く保つことができることを示した。

小説には多数のジャンルが存在し、読者は特定のジャンルに偏った読書を行う傾向がある。従来の購入履歴等に基づく小説の推薦システムでは、異なるジャンルの推薦が難しい。本研究では、あらすじの類似度に基づくグラフに対し、GATを用いて本同士の潜在的関連性を学習した、異ジャンル小説推薦システムを提案する。さらに、あらすじ内のジャンル特有の表現による推薦結果のジャンル依存を抑制するため、深層距離学習を用いて埋め込み空間上の本同士の相対距離の最適化を行う。擬似的に構築したデータセットを用いた予備実験の結果、推薦精度に課題はあるものの、異ジャンル推薦における本研究の有効性を確認した。

競馬に対して機械学習を行う研究が，近年盛んに行われているが，先行研究においてはレースに出走する各馬が勝利するかどうかを予測するものが非常に多く，また専ら馬券の券種は単勝を対象にしている．それに対して本研究では，1戦ごとの戦績および1頭ごとの出走馬を1トークンとして扱ったAttentionを利用して，全出走馬の戦績および出馬表を元にした予測モデルを提案する．提案手法においては回収率を最大化することを目的としており，オッズと正解ラベルを用いた損失関数を学習に用いている．本手法を実際の日本中央競馬のレース結果に適用した結果，回収率が他の手法より向上することを確認した．

医用画像分類で高精度なVision Transformer系MedViTV2に対し，活性化関数を学習可能とするKolmogorov-Arnold NetworkはMLP置換による軽量化と精度向上で注目される．しかしB-スプライン基底は学習が不安定で，医用画像への適用例も少ない．本研究では有理関数を基底とするRational KANに着目し，MedViTV2内のMLPを置換して精度と安定性の両立を図る．BreastMNISTでは，ベースラインの正解率83.3%・AUC86.8%に対しRational KAN導入で89.1%・92.5%へ向上した．有理関数基底により軽量性と精度を両立できることを示した．

LLMが単独で生成した回答は、その正誤をLLM自身が判断することが難しい。一方、ツール呼び出しでは、実行結果やエラーメッセージなどのレスポンスが得られるため、その情報を以後の判断へのフィードバックとして活用できる可能性がある。本研究では、ツール利用時に得られる失敗情報を負例として蓄積し、検索可能な知識として管理することで、後続のツール利用時に同種の判断誤りを抑制する方法を提案する。

通常の不動産取引では大家が借り手を選ぶが、「逆さま不動産」はこの構図をあえて逆転させた仕組みである。借り手が自身の活動目的や想いを記事として公開し、大家が「この人に貸したい」と思う相手を選ぶ。このモデルでは、借り手の熱意がいかに大家に届くかが重要となる。本研究では、借り手の記事やプロファイルをもとに、借り手の目的や想いを代弁しながら大家と交渉対話を行うAIエージェントを試作した。借り手の熱意を代弁するエージェントによって、大家が「貸したい」と感じる対話の実現を目指す。

ChatGPT等のLLM観光推薦は有名地への集中バイアスを持ち、観光客分散を目指す
政策と構造的に衝突する。本研究は、観光客が推薦を受け入れて初めて分散が
成立する点に着目し、「分散性」と「受容性」を分けて測る評価シミュレー
ション環境を提案する。TAMに基づく効用ベース受容モデルとLLM推薦を結合
し、関心・動線・混雑・説明を統合した推薦戦略S2、および分散と効用の関係
を要約する独自指標Mを導入した。Claude LLMによる予備実験（福岡都心20地点・
27実行）の結果、S2は標準推薦より分散性が高く満足度を維持し、Mは中間追従率
で最大となる非単調パターンを示した。

本稿は，人とAIの協働における問題点抽出を目的に，意思決定の際のアドバイスという行為に着目し，意思決定者に対して人およびAIが行うアドバイスの効果比較を行うため，各々のアドバイス行為の枠組みを記述する．意思決定者を模倣するAIエージェントは，アドバイスを受ける対象としてAI活用有無の2種類を用意する．アドバイスを受ける各段階に対して，意思決定に影響を及ぼす要因や変数を抽出し，各エージェントが保持すべき状態変数やエージェントとアドバイザ間の動作関係を枠組みとして記述する．本枠組みにより，感情という人間らしい特性を持つ人間／AIアドバイザの効果を独立して比較し，人とAIの協働に関する問題点を考察する.

LLMにペルソナを付与する仮想アンケートでは，回答が典型的傾向に収束しやすく，実社会データの複雑な分布を十分に再現できないという課題がある．本研究では，口調指定下におけるLLMの回答分布を公的統計と比較し，実社会データとの整合性を検証する．特に，口調指定による個々の回答変化が，集団レベルの分布再現にどの程度結び付くのかを分析し，LLMに基づく仮想アンケートにおける口調指定の有効性と限界を考察する．

大規模言語モデル（LLM）は，本来制限されるべき不適切な応答を誘発する敵対的プロンプトの一種であるジェイルブレイク攻撃に脆弱であることが報告されている．敵対的プロンプトに対する頑健性向上を目的とした防御手法が研究されているが，これらの研究の多くは，英語モデルや多言語モデルを対象としており，日本語特化モデルや日本語で追加学習されたモデルに対する検証は十分でない．本研究では，日本語LLMの敵対的プロンプトに対する防御性能向上を目的として，日本語特有の表記体系である字種を活用した再攻撃による防御手法を提案する．

本研究の最終目標は、マスク有無混在状況下で、人種公平性をもつ、高精度顔年齢推定回帰モデルの獲得である。その目標に至る研究ステップ概要としては、以下の5つが考えられる。1)偏りを排除したデータセット構築と機械学習。2)公平性評価のための手法提案およびモデル評価。3)不公平要因となりうるモデルの基本構造の特定。4)不公平性を排除したモデルの構築。5)推定精度を高める構成要素の導入および評価。本発表の目的は、2)の「公平性評価のための手法提案」を行うことである。

敵対的生成模倣学習（GAIL）では、識別器の学習が不安定になりやすく、最適な方策の獲得に影響を与える。本研究では、カメラ画像から鳥瞰図表現に変換し、それを基に運転制御を行う階層型GAIL（hGAIL）の識別器に対し、スペクトル正規化を適用する手法を提案する。スペクトル正規化はニューラルネットワークの重み行列を正規化する大域的な手法であり、リプシッツ制約を直接的に満たすことで識別器の学習安定化を図る。CARLAシミュレータの静的環境での学習では、少ない更新数で事故を抑制し、より安定した学習を実現した。未知マップでの走行実験では、従来手法と同等以上のルート完了率を達成し、提案手法の有効性を示した。

インターネットのアルゴリズムは、過去の表示バイアスを学習・増幅する課題があり、その補正にIPS（傾向スコア逆数）推定量を用いた多クラス分類の最適方策学習が使われる。しかし、この手法はCV（成約）等の報酬が未観測のデータを活用できない。特に広告領域など、表示数に対してCVが極めて稀なケースでは、大部分のデータが無駄になる。

そこで本論文は、クリックログに報酬予測値を導入し、未観測データも活用できる手法を提案した。実データによる実験の結果、従来手法と比べてIPS推定量を5.3%改善させることに成功した。

サポートベクトルマシン（SVM）は，高次元データに有効な二値分類手法であるが，不要・冗長な特徴量は分類性能や解釈性を低下させる．本研究では，特徴量部分集合を直接最適化する枠組みとして，交差確認規準に基づく最良特徴量選択の混合整数最適化モデルをSVMへ拡張する．具体的には，訓練標本で最小二乗SVMを学習し，確認標本の分類誤差を最小化する特徴量集合を選択する二段階最適化問題を定式化する．さらに，最適性条件を用いて一段階の混合整数線形最適化問題へ帰着させ，汎用ソルバーで求解可能な手法を構築する．数値実験により，高い分類精度と重要特徴量の選択精度を確認した．

ポートフォリオ最適化問題とは，⾦融資産の最適な投資配分を決定する問題である．実務上，取引・管理コストの観点から投資資産数を制限することが求められ，これは基数制約付き問題として定式化される．しかし，この問題はNP困難であるため，⼤規模な問題では⼤域的最適解の計算が困難となる．本研究では，基数制約付きポートフォリオ最適化問題に対し，最適性を保証しながら決定変数を事前に固定するスクリーニング規則を提案する．具体的には，パースペクティブ緩和問題のFenchel双対からスクリーニングスコアを導出し，変数の固定条件を与える．数値実験により，本⼿法が⼤域的最適性を損なわず求解を⾼速化できることを確認した．

画像認識の分野において Vision Transformer (ViT) は高い性能を発揮している反面, 計算コストの増大が実用上の課題となっている. 既存の ViT 向けの知識蒸留では Self-Attention 機構の詳細な内部情報や, 教師・生徒モデル間における層の特徴レベル (意味的レベル) の対応関係が十分に考慮されていなかった. そこで, 本研究では Attention Map と Valueベクトル間の関係性を転移する手法と, 特徴の抽象度に基づき, 教師と生徒の層を相対的な層の深さが一致するように対応付ける手法を提案する. 評価実験の結果, 提案手法は知識蒸留を行わない場合と比較して画像認識精度の向上を達成した.

本報告では、日本IPOの上場初日における価格形成を予測するため、目論見書、財務表、リスク記述、画像資料などの上場前に観測可能な情報を統合するシステムを提案する。本研究では2015年～2026年のIPO関連PDFを対象に、財務指標、発行構造、リスク分類、テキスト感情、視覚的開示情報を抽出し、機械学習モデルにより初日始値の成否を分類する。さらに、SHAPや企業別ダッシュボードを用いて、予測結果の根拠を可視化し、各モダリティの寄与を説明可能にする。現在の基線モデルにより一定の予測性能を確認できた一方で、財務抽出精度やChart-VQAの改善が今後の課題である。

LLMの追加学習(Fine-Tuning; FT)はGPUの計算コストが大きい。自前のデータをFTする開発者は，実験効率向上のために学習時間の特性を理解することが重要である。従来研究は訓練誤差と設定条件の関係を調査しており，学習時間の特性の報告は少ない。本研究では，軽量なFT手法であるLow-Rank Adaptation (LoRA)を対象に，学習データ量・モデルサイズ・バッチサイズと学習時間の関係を調査した。その結果，GPUを十分使い切るバッチサイズの条件では，GPU上での訓練時間は学習データ量とモデルサイズに対しほぼ線形で増加するなどの特性が得られた。

LLM の推論時に外部介入を行う「ハーネス」と呼ばれる手法は、近年さまざまな形で実装されている。しかしその効果はモデルとタスクに依存し、複数の介入を組み合わせた際の挙動、および軽量モデルでの精度・コストのトレードオフを体系的に比較した報告は限られていた。本研究では、Ollamaで動かす6つのオープンソースLLMに対して、7種類の単独構成とFull 構成に組み込まれる4種類の補助要素を、易・難・単位変換・GSM8K形式の追加検証計60問の算数文章題で評価した。

近年、大規模言語モデル（LLM）を用いて自然言語からシーケンス図を自動生成する試みが進む一方、循環参照や厳密な制約を持つドメインでは、LLMが構造を誤認し論理破綻やハルシネーションを起こす課題がある。本研究では、対象ドメインをグラフ理論に基づく数学的構造として明示的に定義し、コンテキストへ段階的に注入することでLLMの推論性能を向上させる手法を提案する。具体的には、「円環構造と動的な勝ち抜けプロセス」を持つ場面をサイクルグラフとしてモデル化し、隣接関係や手番移動等の操作を厳密に定義した。ChatGPTとGeminiを用いた実験の結果、(1)最小骨格の提示、(2)構造定義の追加、(3)操作定義の追加という段階的な注入を行うことで、循環操作の見落としや解釈の揺らぎが減少し、生成図の論理的一貫性と出力の安定性の向上を確認した。

近年，大規模言語モデルの推論能力を向上させる議論型マルチエージェント（Multi-Agent Debate;MAD）が注目を集めている．しかし従来のMADは全エージェントが同一の推論手法を用いるため，思考の硬直化（mental set）を招きやすい．これを解決する手法として，エージェントごとに異なる推論手法を割り当てるDiverse MAD（DMAD）があり，英語のタスクで有効性が報告されている．しかし言語的特性が異なる日本語タスクの有効性は明らかになっていない．本研究では日本語ベンチマーク上でDMADと既存手法を比較し，日本語環境における多様な推論手法を用いた議論アプローチの有効性を検証する．

科学的仮説生成は、大規模言語モデル（LLM）の有望な応用領域である一方、高度な推論能力と多面的な品質要件が必要であり最適化は容易ではない。本研究では、LLMによる科学的仮説生成の品質向上を目指して、国際会議の査読採否ラベルを教師信号として訓練した報酬モデルを用いてLLM の強化学習最適化を行った。学習の結果、報酬スコアは向上した一方で、生成内容の本質的改善よりも報酬モデルが高く評価しやすい構成、語彙、フォーマットに過剰適応している可能性が示唆された。本報告では、この結果を報酬ハッキングの一形態として分析し、査読採否ラベルに基づく報酬モデルを単独報酬として用いる際の限界と、科学的仮説生成に適した報酬設計の改善方向を論じる。

本研究では、過去プロジェクトのタスクの担当者データから人材スキルセットを自動生成し、LLMによる人材検索・割当・スキルミスマッチの進捗に対する影響分析を行う手法を検討した。提案手法による複数シナリオでの出力を、別のLLMによるllm-as-a-judgeで評価を行った結果、人材検索・割当は高い精度を示したが、影響分析では実用水準には達しなかった。主な要因として(1)プロンプトにおけるスキルマッチの定義不足による「スキルの過大・過小評価」、(2)スキルセット内の記述頻度が高い要素に偏る「頻度優先の評価バイアス」の2点を特定した。これらを踏まえ、熟練度を適切に表現するスキルセット構造の導入、それに基づくプロンプト設計の改善方針を提案する。

本研究では，LLM生成ニュースコメントの語調が閲覧者に与える印象を調査した．社会問題を扱うオンラインニュースのコメント欄は，語調や語彙の難解さから閲覧者に心理的ハードルを生じさせることがある．そこで本研究では，文章の要旨を維持したまま表現を調整できるというLLMの特性を活用し，生成したコメントが閲覧者の印象に与える影響について調査した．調査では，口調を3段階に変更した生成コメントリストを用意して閲覧者に提示し，それらの差異を印象に関する指標（e.g.,建設性）に照らして検証した．その結果，口調の変更によってコメントの印象評価に一定の影響を与える傾向が観察された．

世界モデルは，状態遷移を学習し，将来状態の予測や行動選択に利用する枠組みである．本研究では，世界モデルの基本特性を小規模環境で可視化・検証するため，CartPole環境を対象に，現在状態と行動から次状態の変化量を予測するモデルを構築した．1ステップ予測と複数ステップ予測を比較し，予測ステップ数の増加に伴う誤差累積を確認した．また，学習データ数の増加により複数ステップ予測の誤差が減少する傾向を示した．さらに，学習した世界モデルを用いた簡易的な行動選択を試行した．これらの結果から，世界モデルによる状態遷移予測の有効性と，複数ステップ予測における誤差累積の課題が確認された．

オフライン強化学習向けデータ拡張手法DiffStitchに対し，生成軌道の品質を高める2段階サンプリングを提案する。第1段階は従来手法で部分軌道を生成した後，第2段階で左セグメントと部分軌道と右セグメントを単純に連結した粗い軌道を入力とし，実データを目標としたFlow Matchingで再生成することで，実データ分布に沿った自然な長軌道を出力する。DiffStitchの整合性フィルタは近似ダイナミクスモデルに依存し誤差が残るが，第2段階で実データ分布を直接学習することでその不整合を低減する。

近年，自動運転やロボット制御などの3D 空間における自律システムの需要が急速に高まっており，その中核技術として深層強化学習（DRL）が注目されている．しかし，広大な3D 環境での学習には，状態・行動空間の増大に伴う「次元の呪い」や，行動と報酬の因果関係の特定が困難になる「信用割り当て問題」という二つの大きな課題が存在する．これらは学習のサンプル非効率性や早期のプラトー（停滞）を招き，実用的なエージェント構築の障壁となっている．本研究では，タスクの難易度を段階的に制御する「カリキュラム学習」に着目し，複雑な3D 環境下でも効率的かつ確実にタスクを習得可能な新しい学習フレームワークを提案することを目的とする.

画像処理AIの学習には大量のラベル付きデータが必要であり、その作成には高い人的・時間的コストがかかる。そこで本研究では、ラベル不要でデータそのものから画像の特徴を学習できる自己教師あり学習DINOに着目した。DINOでは教師ネットワークへの入力画像数を増やすことでモデルの性能向上が期待できるが、学習中のメモリ使用量と計算量が大幅に増大する課題がある。そこで本研究では、単一の教師出力に微小ノイズを加えて特徴分布を変動させ、生徒モデルの予測対象を拡張する手法を提案した。ImageNet-100を用いた実験では、本手法が計算コストの増加を抑えつつ、モデルの画像分類精度を向上できることを確認した。

本研究は、衛星画像・データを用いた土壌有機炭素（SOC）の高精度な広域推定手法の確立を目的とする。雲や植生の影響を除去するため、Google Earth Engineを用いて3年分の衛星画像を合成し、「裸地コンポジット」を生成した。さらに衛星データ単独の推定限界を克服すべく、土壌化学性（pH、リン、カリウム）を統合したハイブリッドモデルを構築した。検証の結果、カリウムデータの統合が予測精度を劇的に向上させることを確認した。これはカリウムがSOCを保護する粘土鉱物の代理指標として機能したためと考えられ、低コストで実用的な広域モニタリングの実現が期待される。

メタ生成モデルは、複数の関連タスクから得られたデータを統合的に学習し、新規タスクの生成モデルを推論のみで構築することを目指す、新たな学習パラダイムである。本稿では、この問題設定と学習における本質的な困難を明らかにする。具体的には、最尤推定を素朴に適用すると、すべてのタスクが単一の多様体に縮退するという破綻が生じることを示す。これは、最尤推定がタスクごとの個別性を保存する動機を持たないことに起因する原理的な問題である。この観察に基づき、最尤推定とは異なる学習原理として、データ分布とモデル分布の双方向 KL ダイバージェンスを交互に最小化する手法を提案する。予備実験により、提案手法がこの破綻を回避することを確認した。

本講演では凝集沈澱後の濁度を回帰予測するモデルの精度改善に向けた試みを述べる．
従来手法では，低濁度域において予測が困難なデータがあるという課題があった．
その原因として，沈み方が異なるフロックが含まれている可能性に着目し，データセットに新しい情報を追加した．
具体的には，フロック画像からSuperPointで特徴点を抽出し，そして，SuperGlueを用いて1秒前の画像と現在の画像間における特徴点の動きを追跡した移動ベクトル情報を追加する．
これにより，従来のフロック画像だけでは捉えにくいフロックの動きをモデルに学習させ，予測精度の向上を目指す．

製造業における機械学習を用いた製造条件の逆解析では、データが乏しい外挿領域において、非現実的な条件を出力する予測暴走が実運用上の課題である。本研究ではこの外挿リスクを抑制するため、実績データの信頼度に応じたグリッド制約と、特性予測モデルを組み合わせたハイブリッド型の探索手法を提案する。アルミニウム圧延材の実績データを用いた検証において、実績範囲外の厳しい目標特性を設定した結果、予測の暴走を抑制しつつ、現場の制約を逸脱しない範囲で目標に接近する現実的な最適条件の候補を算出できることを確認した。本手法により無駄な試作を削減し、実運用に耐えうる安全かつ効率的な条件探索に寄与することが期待される。

本研究では、複数の意思決定者が線形最適化問題に基づいて意思決定を行う状況を対象に、意思決定者間の公平性を考慮した反実仮想説明法を提案する。既存研究では主に単一の意思決定者を対象としており、条件変更による影響が特定の意思決定者に偏る可能性があった。そこで本研究では、説明に伴う影響のばらつきを抑えるため、反実仮想説明法に意思決定者間の公平性の概念を導入する。さらに、反実仮想説明を求める問題に対して、双線形項の線形化技法を取り入れた解法を構築する。そして、数値実験を通じて、提案説明法の妥当性と提案解法の有効性を検証する。

売上予測では，店舗や地域などの階層構造内の整合した予測に加え，販促による影響を考慮する必要がある．代表的な整合化手法であるMinimum Trace法は，予測誤差の分散共分散行列に基づいて予測値を調整するが，全期間に対して単一の整合化行列を用いるため，各系列の販促有無の組合せ（販促パターン）に応じた誤差特性を予測に適切に反映することは難しい．そこで本研究では，全期間共通のスケーリング係数と販促パターンごとの整合化行列を交互に学習し，販促パターンごとの誤差特性を予測結果に反映する手法を提案する．評価実験では，データ数の多い非販促期において提案手法が従来手法の予測精度を上回ることを確認した．

本研究では、生化学自動分析装置に搭載された反応ディスクモータの残パルスに着目し、正常データのみを用いた高感度な状態推定手法を提案する。微小かつ装置間ばらつきの大きい残パルス変動に対し、統計特徴量と周波数特徴量を入力とする時系列拡張VAE（RNN-VAE）を構築し、潜在分布間のJeffreys Divergenceを異常度指標として用いた。保守作業前後のデータを用いた評価により、従来VAEと比較して保守検出率の向上を確認し、微小な状態変化の検出が可能であることを示した。

本研究では、大規模言語モデル（LLM）を用いて、各特徴量が予測対象に与える影響の向き、すなわち正または負の符号のみを自動的に抽出し、非線形予測器の学習に導入するための学習方法を導入する。LLM に詳細なベイズ事前分布を推定させると、不確実性を過小評価した過度に確信的な分布が得られることがある。一方で、ある特徴量の増減が予測対象に影響を及ぼす方向に関する知識は、比較的安定して抽出できる。本研究では、この点に着目し、LLM から比較的信頼できる方向情報のみを取り出して学習に利用する方法を導入し、評価実験を行った。本発表では、その実験結果を報告する。

本研究では，位相的なニューラルネットワーク，rRBFの内部表現を用いてその出力の信頼度の計算方法を提案した．従来，rRBFは次元圧縮機構を備えた予測器として用いることが多い．本研究でそれに信頼度を導入することで，責任を持つ（responsible）AIにも貢献ができると考える．実験では，手書き文字認識，MNISTと医療画像からアルツハイマー型認知症の識別を問題として扱う．また，従来の2次元の中間層を持つrRBFに加え，本研究では3次元のrRBFに関しても考察を行い，その結果を本論文で説明する．

グラフデータは実世界の様々な対象をモデル化できる有用なデータ構造であり，その解析にはGraph Neural Network（GNN）が広く用いられている．特にノード分類問題においてGNNは高い性能を示す．一方，グラフデータには特定のクラスのノード数が極端に少ないクラス不均衡が存在する．この不均衡を考慮しないGNNでは少数クラスの表現が十分に学習されず分類性能が低下する．GraphSMOTEは，少数クラスノードの埋め込み表現を補間し，新たなノードを生成することでグラフを拡張し，不均衡の影響を緩和する手法である．しかし，生成ノードの接続先はノード表現の類似性のみに基づくため，分類容易なノードに偏る．その結果，生成ノードによる分類困難なノードの学習改善は限定的である．本研究では，ラベル非一様性を考慮したGraphSMOTEを提案する．これにより，生成ノードと分類困難なノードとの接続を促進し，分類性能向上を図る．複数のデータセットを用いた評価実験により，本手法の有効性を示す．

近年，GNN は分子・医療などのグラフ構造データに広く用いられており，その予測根拠を説明する手法の重要性が高まっている．グローバル反実仮想説明手法はその一つであり，予測を変化させる変更箇所をデータ全体から集約し，モデル全体の判断傾向として提示する．しかし，従来手法は頂点や辺を変更単位とするため，説明が断片的となり，人間にとって理解しにくい．そこで本研究では，閉頻出サブグラフを変更単位として包含関係に基づき極小反実仮想を探索し，カバー率に基づいて削除ルールとして要約する手法を提案する．分子グラフを用いた評価実験により，意味的まとまりを持つサブグラフを説明として抽出できることを確認した．

因果分析において介入効果を比較するためには、条件の近い 2 集団を構成することが重要である。従来の傾向スコア法やCEMでは、多数の共変量をまとめて扱うため個々の対応の根拠が説明しにくいという課題があった。本研究では，個人ごとに統計的に特徴的な属性ルール群の発見を行い，個人 A のルール集合 R(A) に対し、R(A)を個人B が満たす割合としてAB間の類似度を定義する。これを用いて一対一マッチングおよび類似度連鎖型クラスタリングによる二集団構成手法を提案する．提案手法による二集団構成の各対応の根拠の個別性、再現性、説明性を評価した。

Explainable Artificial Intelligence (XAI) methods such as SHAP are widely used to identify features influencing machine learning predictions, while Large Language Models (LLMs) are increasingly employed to generate human-readable explanations. However, it remains unclear whether LLM reasoning reflects the factors identified by model-based attribution methods. This study compares SHAP-derived reasoning and LLM-generated reasoning using elderly care and healthcare record datasets. Given patient records and prediction outputs, LLMs were tasked with identifying influential features and generating explanations. The resulting outputs were compared with SHAP-based attributions and explanations to evaluate their similarities and differences. The findings provide insights into the relationship between model-derived and LLM-generated reasoning in healthcare data analysis.

AIの社会浸透が進む中、医療機関向けAI製品は多様化しているが、院内運用規定の未整備により導入検討が進まない、または整理不十分のまま利用される状況が課題となっている。医療機関では機微情報のクラウド利用に対する法令遵守や情報漏えいの懸念から慎重な対応が求められる一方、情報システム担当者の人員不足により規定整備に必要な比較検討は困難な場合が多い。本研究では利用場面を三類型に整理し、診療行為に直接関与しない領域を対象に、データ管理、責任分担などの重点項目に基づき評価軸を簡素化した運用規定の枠組みを提案する。これにより、医療機関におけるAI製品の適切かつ効率的な導入判断と運用を支援することを目指す。

インバウンド需要が急速に拡大する一方で、訪日外国人や国内観光客の訪問先が一部の有名スポットに過度に集中し、地方や知名度の低いスポットへの誘客が十分に進んでいないというオーバーツーリズムの課題が顕在化している。インターネット上に膨大なレビューが蓄積される中、旅行者が Web で観光地を検索すると人気スポットばかりが上位に表示され、個人の潜在的な嗜好に合致する観光地を発見することが難しくなっていることが要因の一つである。そこで本研究では、単なる類似度ではなく、「景観」「食」などの観点ごとの多次元的な類似度スコアを算出し、ユーザに推薦理由と共に提示できる推薦アルゴリズムを構築することを目的とする。

近年、生成AIや大規模機械学習の普及により、GPUサーバ群を備えたAI DCの電力需要が増加しており、運用最適化に向けたサーバ消費電力予測の高度化が求められている。従来のようにGPU単位の電力を個別に予測して合算する方式や、高次元のITメトリクスをそのまま用いる回帰モデルには、誤差の累積やモデル不安定化といった課題がある。本研究では、ITメトリクスから負荷状態をクラスタリングにより6種類に抽象化し、そのクラスタ構成比から1時間先のサーバ総電力を直接予測するマクロ型電力予測方式を提案した。ベースライン方式との比較評価の結果、提案方式は入力次元を大幅に削減しつつ、同等以上の予測精度を達成できることを確認した。

本研究では，異種グラフにおけるエッジの性質に着目し，量的辺と関係的辺を分離して学習する二段階異種グラフニューラルネットワークHQRANを提案する．数値的な特徴量を持つエッジを「量的辺」，時系列変化やドメイン遷移など，頂点間の構造的な接続を表すエッジを「関係的辺」として定義し，それぞれに適した学習機構を適用する．評価実験では，メジャーリーグ選手の成績予測タスクに本手法を適用し，既存のGNNを用いた手法や統計的予測手法と比較して高い精度を達成した．この結果から，エッジの性質に応じて学習過程を分離する二段階構造が，異種グラフ上の予測タスクにおいて有効であることを示した．

本研究は，野球における投手の配球を学習および予測することを目的とする．予測対象は，投球のコースと球種の2種類である．投球のコースを予測することは，投手のコントロールの影響を受けるため困難であるが，野球の配球において，同じ球種でも投球させるコースが異なればその配球の意図や目的は異なるため，本研究では投球のコースと球種の2種類を予測する．また，先述の通り本研究では投手のコントロールの良さが求められるため，比較的コントロールの良い投手の投球データを用いて学習および予測を行う．時系列予測のモデルとしては，Transformerを用い，ランダムフォレストをベースラインとして予測精度の比較を行う．

電子基板のはんだ付け不良検出は素子集積度の増加に伴い困難となっており，自動検査の必要性が高まっている．スリーブ型はんだ付け装置では，はんだ溶融に伴うスリーブ内圧の変化が生じる．先行研究では，圧力変化に基づく特徴量とSVMを用いてはんだの良否を分類している．しかし，先行研究で用いた特徴量は主にはんだ溶融後の圧力変化に着目しており，溶融前の初期状態は考慮されていなかった．本稿では，溶融前の圧力変化から抽出した新たな特徴量を追加することで，はんだ良否の分類精度が向上するか検証する．溶融前の圧力変化には基板を熱するスリーブとの密着の度合いが反映されると考えられ，はんだ片の溶融結果を判別するための有効な特徴が含まれていると考えられる．また，SVMのパラメータについても最適な値を探索し，予測精度への影響を調査する．実験の結果，パラメータの探索と新特徴量の追加それぞれによって予測精度の改善が確認された．

強い宝くじ仮説（SLTH）は，ランダム初期重みを固定したニューラルネットワークから，高性能な疎サブネットワークを二値マスクにより選択できる可能性を示す．これにより離散最適化の応用で勾配を用いない学習が可能となるが，マスク候補は組合せ的に爆発するため，探索性能と挙動を理解することが重要となる．本研究では，SLTHに基づくマスク探索を組合せ最適化問題として定式化し，山登り法により探索空間の制限と初期マスク設計の影響を分析する．MNISTと小型MLPの実験により，探索空間が制限されるほど初期解依存性が強まり，良い初期マスクにより限られた探索回数でも精度が向上し得ることを示す．

本研究では，介護現場をはじめとする人材不足が深刻な現場における課題の解消および作業負担の軽減を目的として，人とロボットが同一の作業空間内で協調して作業を行うことが可能な，片付けロボットの適応制御システムの開発を目指す．片付け作業を人とロボットが役割を分担して遂行する状況を想定し，ロボットが人物の作業空間内で，物体の受け渡し，運搬，配置を協調して行う作業を行う．移動可能な多関節ロボットハンドを持つ片付けロボットを製作し，三次元LiDARセンサによる取得した距離情報で自律移動を実現する．物体認識には，YOLACTを採用し，得られたマスク情報とDepth画像を融合することで，物体の三次元位置および把持点の推定を行う．さらに，物体の大きさに応じて片手または両手による把持方法を自動的に判断する手法を導入し，多様な物体に対して柔軟な把持を可能とする．

近年，登山人口が減少する一方で，登山中の遭難件数は増加しており，特に都市近郊の低山では道迷い遭難が多発している。本研究では，移動軌跡データと地形データを用いて，低山登山道における道迷いが発生しやすい地点を推定する手法を提案する。提案手法では，GPS移動軌跡から登山道ネットワークを構築し，DEMにGeomorphonを適用して地形分類を行う。さらに，分岐点ごとの戻り行動の発生割合と地形パターンの通過比率を分析し，これらの乖離が大きい地点を迷いやすい地点として抽出する。低山を対象とした実験の結果，実際の登山道と整合した地点では有効に迷いやすい地点を検出できることを確認した。

医療面接は患者との対話により症状などを把握する重要な技能であり，模擬患者を相手に練習する必要がある．しかし，近年は模擬患者の確保が難しいため，クラウド型LLMによる対話システムやVR技術を用いた医療面接演習が研究されている．しかし，クラウド型LLMは個人情報保護や運用コストなどに問題がある．
そこで，本研究ではローカルLLMを用いた対話機能をVRアバターである仮想患者に適用した医療面接演習システムを検討する．また，ローカルLLMによる対話に表情，動作などのノンバーバル表現を加えることで，仮想患者の表現力を向上させる．

本研究では，複数スキルを有するエージェントが，タスクごとに定められたスキル間の依存関係を満たすことでタスクを完了できる状況を対象に，社会的余剰を最大化する提携構造形成問題の定式化を行う．従来のスキルゲームでは，必要なスキルが提携内に存在するか否かに基づいてタスクの達成度を評価する．しかし現実には，スキル間の依存関係が成果に影響する場合も多い．また，同じタスクを担うエージェント間の協力関係も提携価値に影響する．そこで本研究では，スキル間の依存関係とエージェント間の協力関係を統合的にモデル化し，計算機実験により有効性を検証する．

災害、事故、暴力行為などの異常事態では、群衆の混乱や不安を早期に把握することが、避難誘導や公共安全に有用である。群衆映像からの感情推定はその手段として期待されるが、学習には大量のラベル付き実写データが必要となる。しかしながら、収集やアノテーションには高いコストがかかり、暴力場面など倫理的に収集困難な映像もある。本研究では、生成AIで作成した合成動画のみで学習し、実写群衆映像の感情推定手法を提案する。外観差を抑えるため、速度分布や移動方向のばらつきなど、ドメインに依存しにくい動きパターン特徴量を設計した。比較評価の結果、合成データのみを用いた実写群衆映像の感情推定の実現可能性を示した。

近年、対戦型ゲームの競技人口は増加し、戦術や勝利法に関する動画は多く投稿されている。しかし、その勝敗はプレイヤーの技量やキャラクター性能だけでなく、試合中の状況変化や連携など複数の要因が複雑に関係しており、勝利要因を定量的に分析することは容易ではない。そこで本研究では、対称型対戦ゲームにおける定量分析のために、勝利要因と思われる変量を取り上げ、対応があるデータの母平均の差の検定を行う。そして、有意な変量について定量分析を行う。本研究で対象とするゲームは、スマートフォン向け対戦ゲーム「#コンパス 戦闘摂理解析システム」とし、公式大会「STARバトル」の試合動画からデータを抽出する。

対戦ゲームには、対称型と非対称型がある。既存研究の多くはFPSやMOBAのような対称型対戦ゲームを対象としている。非対称型対戦ゲームでは，人数差や役割差が存在し，試合途中の盤面状況が複雑に変化するため，対称型対戦ゲームとは異なる特徴量を設計することが必要である。
そこで本研究では、非対称型対戦ゲームとして「第五人格」を取り上げ、目的変量や説明変量として適切だと思われる特徴量を取り上げ、分散分析を行う。さらに、有意と判定された特徴量について回帰分析を行う。

人と協働するAIは，人の行動意図の理解や状況に応じた適切な支援が求められる．そのようなAIの開発において，目標やルールなどが明確であるためゲームが評価環境として広く用いられ，特に分散協調ゲームOvercookedを用いた研究が注目されている．しかし，従来は抽象化されたシミュレーション環境が多く，実際のゲーム画面を認識し，相手プレイヤの音声指示を受けて協調行動を実現する研究は少ない．そこで本研究では，実際のOvercookedの画面，音声指示や行動系列などをTransformerによって処理して，次の支援行動を予測・生成するシステムを提案する．発表では，実際のゲーム環境上に提案システムを構築して，その有効性を検証した結果について報告する．

本研究では，大学ネットワークにおけるトラフィック急増の事前検知を目的として，UTMログを用いた深層学習モデルの検討を行った．高次元かつ疎なログデータに対し，通信頻度と通信量の分離，送受信IPアドレスの次元圧縮などの特徴設計を適用した．実験の結果，IPアドレス情報は通信量予測においては汎化性能を低下させることが判明し，通信量の移動平均，基本統計量，時間情報，変化率の4種類に特徴量を厳選した軽量LSTMモデルが，計算コストを抑制しつつ，ピーク検知率66.7%，平均遅延約10%短縮を達成した．本成果は、事前対処に不可欠なリードタイムの確保における有効性を示し、さらなる課題を明らかにした．

工場の聴音点検は経験が必要で技術継承が困難なため、AI による異常検知技術の活用が期待されている。本研究では、Transformer アーキテクチャを応用した自己教師あり学習モデル SSAST を機械音の異常検知に適用し、特徴抽出過程における Pooling 手法と異常検知アルゴリズムの最適な組み合わせを検討した。結果として、最適な組み合わせは機械の音響特性によって異なり、実運用を想定した低誤検知率領域では平均 AUC が 0.675 に留まった。

近年、沿岸海域の海藻が減少する「磯焼け」が問題視されている。主要因として大量発生したウニの食害が指摘され、このウニはボランティアダイバーが手作業で駆除している。これらの背景から、ウニ検出システムを開発し水中ドローンに搭載して海洋環境の事前調査をすることで、駆除作業の効率化やダイバーの安全性向上に寄与できると考える。本研究では，ウニ検出システムを実現するための物体検出手法として、検出アルゴリズムであるYOLOやRF-DETRを使用する。単体モデルでは誤検出や未検出が発生したことから、複数モデルをアンサンブルすることで、システムの改善を行う。

アメリカンフットボールの戦術分析は，試合動画を人手で確認して行われており，専門的知識と多大な労力を要する．本研究では，戦術分析の自動化に向けた評価基盤として，プレー種別の自動分類を目的とした実試合動画を用いた新たなデータセットを構築した．各プレーについて，フィールド全体を捉えるWide視点とボール周辺を捉えるTight視点を対応付け，Run/Passの2値分類用ラベルおよび詳細なプレー種別のラベルを階層的に付与した．さらに，マルチモーダル大規模言語モデルおよび動画基盤モデルを用いた評価実験を行い，基本的なプレー構造の識別可能性と詳細な戦術理解の難しさを分析した．

本研究では，ブルドーザの自己位置推定において問題となるクローラのスリップに着目し，スリップの影響を低減する速度推定手法を提案する．提案手法では，内界センサ情報を入力とした速度推定モデルとスリップ率推定モデルを構築し，推定されたスリップ率に基づき推定される速度と速度推定モデルの出力を統合することで適応的な速度補正を行う．さらに，推定された速度を拡張カルマンフィルタに入力することで自己位置推定を実現する．評価実験では，実際のブルドーザを用いて収集した整地，掘削，埋戻し作業データを対象に検証を行い，特にスリップが多く発生する走行条件下で速度推定誤差および位置推定誤差が低減することを確認した．

初等教育の図画工作における評価の主観性と児童の苦手意識を解消し、創造性を拡張するシステムを提案する。BLIP-2で児童の曖昧な描画から対象・形容詞・スタイル等の多次元的属性を抽出してプロンプト群を生成し、Stable DiffusionとControlNet Scribbleで形状を保持した多様な画像を生成する。CLIP-IQAで品質、LPIPSで多様性を評価し、統合的に上位候補を提示する。花の線画から15枚を生成する実験で平均LPIPS0.77となり、知覚的に区別可能な多様な解釈を確認した。一つの入力から複数の正解候補を可視化することで、AIと人間の共創による感性教育の新たな枠組みを示した。

拡散モデルやフローマッチングは，多数の逐次的な推論ステップを必要とするため，推論の計算コストが高い一方で，生成品質と推論効率の両立は容易ではない．そこで本研究では，様々な時間間隔の生成過程を扱えるShortcut Modelに着目する．Shortcut Modelでは異なる時間間隔を組み合わせた生成過程を柔軟に構成できるため，均等な生成ステップ列が必ずしも最適とは限らない．そこで，生成品質を示すFIDと推論ステップ数の観点から生成ステップ列の多目的最適化手法を提案する．実験の結果，CelebA-HQおよびImageNetにおいて，推論条件に応じた多様な生成ステップ列を獲得できることを確認した．

本研究では，発電ボイラー配管の超音波探傷作業を対象に，熟練技術者の暗黙知の抽出と構造化を行った．超音波探傷では探触子の姿勢維持や走査速度の調整，画面情報の読み取りなど経験に基づく判断が重要で，OJTのみでは技能伝承が困難である．熟練者・非熟練者の作業実演とワークショップを通じて知識を抽出し，CHARMに基づく手法で構造化した結果，身体の使い方や指先感覚，色味による状態判断など手順書では表現しにくい知識を明らかにした．これらを目的・行為・判断の関係として階層的に整理し，技能伝承や学習支援への活用可能性を示した．

AIによる業務変革に期待が高まる一方，ミッションクリティカル領域への応用は致命的な失敗を招く「幻覚」のリスクにより阻まれている。また，多くの実務データにはAIが模範とすべき｢どのように回答に至るべきか｣という専門家の思考過程が残っていないことがAIの専門性獲得を阻む障壁となっている。本報告では，一般的な質問と回答のみの実務データから模範的な推論を遡及的に再構築し，AIが遵守すべき思考原則として抽出する手法を提案する。実際の保守業務データでの検証にて，抽出した思考原則の約9割に対して有識者から有効との判定を得た。本技術により，高信頼なAIエージェントの迅速な構築に寄与できる見込みを得た。

労働力不足が深刻化するインフラ維持管理においてAIエージェントの活用が期待される一方、AIエージェント開発では数カ月の全工程のうち業務知識を組み込むチューニング工数が全体の8割を占めることが課題である。
本研究はチューニング工数の削減を目的に、モンテカルロ木探索ベースの探索の枠組みを取り入れた自己改善プロセスにより、AIエージェントが自律的にタスク知識を獲得・改善する手法を提案する。
MultiHop-RAGをエージェント評価向けに変更したデータセットによる評価の結果、正解率は初期の41.3%から76.7%へ向上し、人手ワークフロー（73.3%）と同等以上の精度を達成した。
本結果より、チューニング工数を削減可能な見込みを得た。

労働人口減少と業務知識の消失により，生成AIエージェントによる業務支援が期待される。しかし，専門業務を担うエージェントの作成には指示文設計，外部連携設定，動作確認の工数を要する。また，複雑な業務を代行させるには、必要十分なエージェントの組合せを人手で選定する必要がある。これらの課題に対処するため，本稿では，課題に基づき指示文等を生成し，必要なMCPツールと連携するエージェントメーカーと，依頼をサブタスクに分割し，適切なエージェント群を選定・実行するマルチエージェントルーターを開発した。その結果，迅速な作成と協調利用による業務支援の拡大可能性を示した。

LLMエージェントは高い推論能力を持つが，不確実性に直面すると自身の知識の限界を認識できず，暗黙の前提に基づく誤った推論を行う傾向がある．これはエージェントが信念の不確実性を把握するメタ認知機能を欠くことに起因する．本研究では人間の予測符号化機構に着想を得て，エージェントの信念における不確実性を構造化し，能動的な情報探索行動を促進する内部モデルツールを提案する．不確実性を含むタスクのベンチマーク実験により提案ツールがタスク完了率を大幅に向上させることを確認した．さらに設計のアブレーションから，認知プロセスによる不確実性の明示化と行動決定の自律性の両立が性能向上に本質的であることを示した．

LLMエージェントを用いたマルチエージェントシミュレーションでは、欲求に基づく行動生成や個性・コミュニティの創発が研究されている。本研究では、ユーザーのペルソナを想定した行動・提案方針の事前検証への応用を目指し、環境情報や介入条件が個々のエージェントの観察、判断理由、行動選択、記憶更新に与える影響の比較手法を提案する。人格プロファイルと記憶を持つLLMエージェントの意思決定過程を構造化し、条件差による行動分岐、再現性、説明可能性を評価する。

不完全情報ゲーム「コヨーテ」を対象に，自己対戦型強化学習環境を構築し，本ゲーム特有の勝敗条件に応じた報酬設計により多様なエージェントを作成した．シミュレーションによる行動分析の結果，報酬設計に応じて安全志向やリスク行動などの戦略形成が確認された．

系列予測を行うTransformerが，目に見えない世界モデルをいかに内部保持するかを解析することは，世界モデルの構築メカニズムを解明する上で重要な課題である．本研究では，将棋の「持ち駒」に着目し，その内部表現を線形プローブ法により系統的に分析した．24万局の棋譜で訓練したモデルの計8層から隠れ状態を抽出し，駒種別のカウント予測器を評価した．結果，入力埋め込み層には情報がなく，層の深化に伴い予測精度が段階的に向上し，ベースラインを上回る線形表現（最終層の歩で+13.7ポイント等）を確認した．本成果は，盤面外の持ち駒情報が，ネットワークの深層においてより線形に抽出しやすい形で保持されていることを定量的に示す結果である．

本研究では2人で行う神経衰弱を対象とする。プレイヤーの記憶は完全であり、一度めくられたカードの数字はすべて把握していると仮定する。著者らは先行研究において、考えられるすべての局面の網羅的な探索により、この条件下での神経衰弱における最適戦略を解明した。しかし、列挙された局面の数は36万以上であり、人間による最適戦略の使用は現実的でない。そこで本研究では、人間による最適戦略の使用を目的とし、神経衰弱における最適戦略を単純なルールの集まりとして体系化するための解析を行った。

ガイスターは, 相手駒の色が不完全情報となる二人零和ボードゲームである. ガイスターでは, 相手の赤駒を4つすべて取ると即座に敗北となるため, 相手駒の色を推定することが重要である. 本研究室では, ルールベースによる赤駒推定を行うガイスターAI「RedSearch」を開発している. RedSearchは特定の対戦相手に対して高い勝率を示す一方で, 赤駒推定ルールの重みは経験的に設定されており, その妥当性は十分に検証されていない. そこで本研究では, RedSearchにおける赤駒推定ルールの重みをグリッドサーチにより最適化し, 推定精度および対戦性能への影響を評価する.

本研究では、原始モンテカルロ法におけるランダムなプレイアウトの質を向上させるため、ゲームの戦略的方針を反映した評価値に基づく確率分布を導入した手法を提案する。2人対戦型ボードゲーム「ブロックスデュオ」を対象に、「ピースサイズ」と「角数」の2要素を用いた評価式を設計し、その有効性を検証した。

本研究では，強化学習の適用を困難にする部分観測性に対し，履歴情報から直接観測できない内部状態を推定し，その情報を強化学習の入力として用いる手法を検討する。物理プロセスでは，制御に重要な内部状態を直接観測できない場合が多く，観測値のみでは適切な行動選択が困難となる。そこで本研究では，再帰型ニューラルネットワークにより過去の操作量や観測値を要約し，内部状態を反映した隠れ状態表現を学習する。この隠れ状態表現を用いて，内部状態を考慮した制御が可能であるかを検証する。さらに，隠れ状態表現が学習の収束性や制御性能に与える影響を分析し，部分観測環境下での強化学習の適用可能性を示す。

強化学習において、状態と行動の相互作用を捉えた表現学習は、意思決定に有用な特徴の獲得を可能にする手段として注目されている。このような表現学習は、低消費電力での推論が期待されるスパイキングニューラルネットワーク（SNN）を用いた深層強化学習にも適用可能であるが、方策ネットワークの演算数が増加し、消費電力が増大してしまう。SNNの省電力化には発火活動の抑制が有効である一方、過度な抑制は情報伝達を制限し、学習性能の低下を招く。そこで本研究では、適応閾値LIFニューロンを導入し、発火活動の抑制を強めた条件下においても学習性能の維持が可能なSNNベース深層強化学習手法を提案する。

マルチエージェント強化学習において，エージェント間の信用割当は重要な課題である．先行研究では，マルチレベルアドバンテージ信用割当（MACA）が協調タスクで有効であることが示されているが，協調と競争が混在する混合動機環境での有効性は十分に検証されていない．本研究では，Melting Potの複数タスクを用いて混合動機環境におけるMACAの有効性を検証し，さらに一般化アドバンテージ推定（GAE）へのMACAの組み込みを検討する．実験の結果，混合動機環境においてもMACAの有効性が確認され，一部のタスクではMACAを組み込んだGAEの有効性も示された．

複数エージェント経路探索(MAPF)問題は，移動ロボット群のナビゲーションを伴う系の基礎的な問題として検討されている．
MAPF問題の解空間は一般に巨大であり，探索空間の重要な領域を適切に走査することが重要になると考えられる．
本研究では，エージェント群の結合行動列を最適化する解法に，状況に応じた複合的な探索を導入する効果について実験的に検討する．

近年，AI技術の発展に伴い，大量データへの依存やタスク特化による汎用性の欠如が課題とされている．本研究では，地球環境を模した進化シミュレーション上で，AIエージェントが自らの神経回路構造を発明する機構と，生存に有用な空間知識を個体間で共有する機構を実装し，人間による設計や報酬なしに知性と社会性が創発するかを検証した．実験の結果，世代交代を重ねる中で全個体の99%以上が自律発明した構造を保有し，空間知識を持つ個体は非保有個体の14倍長く生存した．さらに協調報酬がないにもかかわらず協調行動と知識共有が自発的に出現・維持された．今後は上位個体の汎用的推論能力の定量評価および環境多様化による検証を行う.

Modern AI lacks true autonomy, acting as mere puppets driven by human-designed rewards. To overcome this "grounded agency gap," we propose a new evaluation metric: "autonomy maintenance efficiency". Based on the free energy principle and active inference, we define a "digital Markov blanket" using Jacobian matrix sparsity. By redefining power consumption as the metabolic cost of maintaining internal order, this framework elevates AI into an autonomous entity.
Furthermore, preliminary computational simulations validate that agents can effectively regulate internal states to maintain autonomy under dynamic environmental changes.

複数モデルが互いの予測を蒸留し合う相互蒸留は，事前学習済み教師を必要とせず，単体モデルを上回る性能を実現する有効な学習手法である．しかし，DMLをはじめとする既存手法では，全モデルに一様な強度で蒸留損失を適用するため，学習進度に差のあるモデルが混在する場合，学習の遅れたモデルの最適化が阻害される問題がある．本研究では，各モデルの損失と全モデルの平均損失との比に基づいて蒸留損失の重みを動的に決定する適応的損失バランス機構ALB-KDを提案する．画像分類データセットを用いた同種構造および異種構造モデルによる実験を通じて，提案手法が既存手法と比較して単体精度を向上させることを示す．

画像分類におけるsoftmax温度パラメータTは汎化性能に影響するが，その訓練ダイナミクスは十分に解明されていない．本研究では，Tの役割を正解クラスと競合クラスのlogit差をTで割った有効マージンの制御として捉える．さらに，ミニバッチ内のマージン分布に基づきTを動的に決定するemaQと，raw logitの過大化を抑えるlogit penaltyを組み合わせた手法を検討する．CIFAR-100/ResNet18を用いた実験により，提案手法は有効マージンq90をsoftmaxの非飽和領域である約5付近に保ち，標準CE，T ramp，logit penalty単独より良好な精度を示した．

災害時のサイレントタイムにおける救助活動に向け，騒音を伴わない係留気球を用いた音声録音システムが期待されている．しかし，上空・遠距離環境に起因するドメイン不一致と，正解データが存在しないという2つの課題が，従来の教師あり音声強調手法の適用を困難にしていた．本研究では，正解データを要さない教師なし学習フレームワークであるMixITを導入した音声強調手法を提案する．約2,000個の実録音データにデータ拡張を施して約20,000個に増量することで，過学習および外部データとのドメイン不一致を解消した．DNSMOSによる評価の結果，提案手法は従来手法を全評価指標において上回り，本環境における有効性を確認した．

グラフニューラルネットワーク（GNN）の自動設計手法Graph NASは，同質性に偏った探索空間や層の固定化により，異質性グラフへの適応やブラックボックスな探索過程が課題である．本論文では，先行研究の適応的重み付けとモンテカルロ木探索（MCTS）を活用し，「適応的チャネル混合」と「深さの柔軟性」を備えた探索空間に基づくGraph NASを提案する．具体的には，5つの演算子と直前層の出力を組み合わせた2チャネル可変長探索空間を独自に設計し，探索木の事後解析による説明可能性も備える．複数のベンチマーク評価により，高い汎化性能と安定性を示し，既存手法に匹敵または上回る性能を確認した．

浄水場において運転管理の自動化が課題となっており，深層学習などのAI技術を用いた自動化が研究されているが，実導入には障壁が多い．そこで，我々は凝集沈澱処理における凝集剤の注入に着目し，入手性の高いスマートフォンと3Dプリンタによって作成した水中ハウジングを用いることで，深層学習モデルにより注入異常などを平易に検出可能か検討した．具体的には水中のフロックを撮影することでデータセットを収集し，さらに，そのデータセットから作成した凝集沈澱後の濁度を予測する深層学習モデルを搭載したアプリケーションを開発した．本講演では開発したアプリケーションおよび深層学習モデルについて述べる．