本研究では、human-in-the-loop学習を用いてNeural Networks(NN) に人間の知識を転移する新しい方法を提案する。本研究の目的は、データからのみでなく、人間の経験や好みからも学習できるNNを構築することである。ここでは、2次元の位相的な中間層を持つRestricted Radial Basis Function (rRBF) networkを用いる。人間が主観的な知識を用いて、rRBFの中間層を手動で組織化することで知識の転移が可能となる。これにより、学習過程やその後のrRBFに人間の知識の特性が反映されるため、個人モデルを構築することができる。実験では実世界問題を用いて、提案手法の評価を行った。