2:I[9362,["214","static/chunks/app/research/page-a27f0f6a2dbf2d80.js"],"ResearchContent"]
3:I[9275,[],""]
4:I[1343,[],""]
5:I[2500,["505","static/chunks/385cb88d-75ebdbd7164a8ff5.js","231","static/chunks/231-f35b59634dca96cb.js","180","static/chunks/180-732118c0a8d46aef.js","185","static/chunks/app/layout-2565cfa7fc589587.js"],"HeaderContainer"]
6:I[2138,["505","static/chunks/385cb88d-75ebdbd7164a8ff5.js","231","static/chunks/231-f35b59634dca96cb.js","180","static/chunks/180-732118c0a8d46aef.js","185","static/chunks/app/layout-2565cfa7fc589587.js"],"Footer"]
0:["_WlE8xTJtJM_uhRfSr_Di",[[["",{"children":["research",{"children":["__PAGE__",{}]}]},"$undefined","$undefined",true],["",{"children":["research",{"children":["__PAGE__",{},[["$L1",[["$","div",null,{"style":{"height":"500px","backgroundImage":"url(/images/research_header.JPG)"},"className":"bg-no-repeat bg-center bg-cover bg-neutral-400","children":["$","div",null,{"className":"bg-black bg-opacity-50 h-[500px]","children":["$","div",null,{"className":"bg-transparent text-white py-16","style":{"minHeight":"500px"},"children":["$","div",null,{"className":"px-4 mx-auto max-w-[960px] w-full","children":["$","div",null,{"className":"flex flex-col justify-center items-center h-[372px]","children":[["$","h2",null,{"className":"text-5xl mb-2 font-head font-semibold","children":"Research"}],["$","div",null,{"className":"text-xl font-medium","children":"本研究室の研究領域と過去の具体的な研究テーマの例を紹介します"}]]}]}]}]}]}],["$","$L2",null,{"title":"マルチエージェントシステム","imageSrc":"./images/agent_visual.jpg","body":"どのように信号機を配置し，点灯させれば，複数の車を渋滞させることなく効率的に走らせることができるでしょうか？それぞれの車（エージェント）はそれぞれの判断基準を持って走っています．マルチエージェントシステムの研究では「複数のAIエージェントで構成される環境の中で，システム全体として目標を達成する」ことを目指しています．他にも，サプライチェーンマネジメントや生態系シミュレーションのように各エージェントの利害が必ずしも一致しない場合や，清掃ロボットの配置やチームで協力してプレイするゲームのようにお互いが協力する場合が考えられます．本研究室ではこのような問題に対して，ヒューリスティック手法や機械学習を応用した深層強化学習などの手法を使って解決に挑みます．","themes":[{"title":"エージェントの行動決定順を考慮したマルチエージェント深層強化学習モデル","body":"協調的なマルチエージェント深層強化学習(MARL)という分野では，複数のAI（エージェント）が協力して目標を達成するエージェントの意思決定する頭脳を深層強化学習を用いて獲得します．例えば，サッカーゲームでプレイヤーがチームワークを学びゴールを目指すような状況です． 系列モデリングに優れた「Transformer」というモデルを応用し，エージェントの行動する順番まで学習できる新しいモデルを開発しています．このモデルは，エージェントどうしが互いの意図や位置関係，行動を考慮しながら行動を学習できるのが特徴です． この技術は，ゲームAIやロボット制御など，複数のAIが協力する必要がある様々な分野での応用が期待されています．"},{"title":"環境要因を考慮した野生動物の軌道予測","body":"機械学習を用いたアプローチにより，周囲の環境要因を考慮した上で，野生動物の未来の行動を予測する手法を提案しました．農学部から提供されたニホンジカの軌道情報と周囲の環境データを用いて，時系列Transformerなどの最先端の機械学習モデルにより，将来のニホンジカの軌道を予測することに成功しています．また，将来の軌道予測に与える環境要因を解析することで，ニホンジカの行動予測につながる新しい事象の発見を目指しています．"},{"title":"自動搬送ロボットのためのオンライン行動プランニング","body":"マルチエージェントシステムの重要な問題の1 つに，倉庫におけるピッキング作業の自動化があります．ピッキング作業とは指定された荷物を倉庫の中から探し出して指定された場所まで搬送する作業のことです．最近は，複数のロボットが協調してピッキング作業を行う問題が注目を集めており，さまざまな研究が行われています．本研究では，各ロボットが自律的に行動をプランニングする自律分散の状況を想定し，ロボットの衝突を回避しながら，効率的にピッキングするアプローチを提案します．"}],"backgroundColor":"white"}],["$","$L2",null,{"title":"自動交渉","imageSrc":"./images/negotiation_visual.jpg","body":"自動交渉とは，人間に代わってAIエージェントが行う交渉のことです．例えばサプライチェーンの中では，企業間で納期や価格，数量に関する膨大な量の交渉が行われます．交渉を自動化することにより，時間コストを軽減しながら合意を形成することができます．他にもスマートグリッドにおける需給管理など，マルチエージェントシステムにおける複数のAIエージェントの利害を調整する手法として，自動交渉が注目されています．本研究室では，自動交渉戦略の獲得に関する研究や，自然言語を用いた自動交渉に関する研究などを行っています．","themes":[{"title":"並列交渉への深層強化学習の適用","body":"複数のエージェントとの交渉を並行して進める並列交渉において有効な戦略を深層強化学習により獲得します．深層強化学習はこれまでに二者間の交渉における戦略の学習において成果を上げてきましたが，並列交渉では複数のエージェントとの交渉を扱うことによる学習の難しさから，深層強化学習を用いた戦略はあまり提案されていませんでした．本研究では，相手エージェントの戦略の違いや並列に進行する交渉間の関係性をモデリングしながら学習することで，並列交渉においても深層強化学習により有効な戦略を獲得することを可能にします．"},{"title":"交渉中の情報公開量に基づくプライバシーを考慮した自動交渉手法","body":"既存の自動交渉手法における交渉参加エージェントのプライバシーが考慮されないという問題点を解消するための，プライバシーを考慮した自動交渉手法の研究です．新しく提案する交渉中のプライバシー情報公開量に基づいて提案順の調整を実施することで，交渉参加エージェント間でプライバシー情報公開量を公平に近づけることを可能にします．"},{"title":"複数回交渉問題におけるBoostingを用いた効用関数の推定手法","body":"自動交渉における交渉相手の効用関数を適切に推定するための研究です．最小二乗法をベースとした Boosting アルゴリズムを相手の効用関数推定に適用させ，複数の既存効用関数推定手法の重み付けを行うことで，推定精度を改善を目的とします．既存手法に比べ効用関数の推定精度の改善ならびに自動交渉エージェントへの提案手法の適用を可能にします．"}],"backgroundColor":"lightGray"}],["$","$L2",null,{"title":"自然言語処理","imageSrc":"./images/nlp_visual.jpg","body":"我々人間が普段コミュニケーションで用いている日本語・英語・中国語のような言語は，自然言語と呼ばれます．自然言語処理は，その名の通り自然言語をコンピュータで扱うための技術です．今まで人間が行っていた自然言語の読解が求められるタスクを自動化させることを目的としています．例えば，皆さんは機械翻訳や予測変換というようなツールの恩恵を日々受けているのではないでしょうか？ これらの技術も自然言語処理の一種です．さらに，最近ではChatGPTやGeminiのようなAIチャットボットが登場し，各所で大きな影響を与えています．自然言語処理は今まさに注目されている分野と言えるでしょう．本研究室では，学生が興味のある内容にちなんだ自然言語処理の研究に取り組むことが可能です．また，本研究室ならではのテーマとして，自然言語を用いた交渉対話の研究を行っている学生もいます．","themes":[{"title":"ソーシャルメディアにおけるフェイクニュース検出","body":"ソーシャルメディアの普及により，人々は簡単に情報の発信や収集ができるようになりました．一方で，フェイクニュースの生成や拡散も簡単に行えるため問題となっています．悪意を持つユーザがフェイクニュースを生成し，それを信じた人々が拡散することで広く伝播します．政治や災害など多くの分野でフェイクニュースが生まれており，その影響は多岐にわたります．リツイートによる拡散が進むほどフェイクニュースの影響は大きくなるため，フェイクニュースの影響を最小限にするためには投稿後すぐに検出することが重要です．Twitterでは1分あたり約36万件の投稿が行われているため手動での検出には限界があり，大量のツイートを処理するためには，機械学習モデルを用いた自動検出が不可欠です．"},{"title":"オンライン議論掲示板における自動要約","body":"オンライン議論掲示板では参加者が多くなれば投稿される意見数も膨大になり，議論内容を把握することが困難になります．そこで，議論掲示板における投稿意見の返信先意見や投稿時刻といった非テキスト情報を考慮した自動要約の研究を行っています．最先端の機械学習モデルを用いて，オンライン議論掲示板のための要約文を自動生成します．"},{"title":"議論マイニングの性能向上","body":"議論マイニングは自然言語の対話文から議論の構造や要素を自動的に抽出するための研究です．議論に関係するテキストのスパンを特定するタスク，各スパンにおいて主張や前提などの議論構成要素を分類するタスク，構成要素間の支持や攻撃などの関係を抽出するタスクで構成されています．最先端の機械学習のアプローチや大規模言語モデルを用いて，本タスクの性能向上を目指します．"}],"backgroundColor":"white"}]],null],null],null]},[null,["$","$L3",null,{"parallelRouterKey":"children","segmentPath":["children","research","children"],"error":"$undefined","errorStyles":"$undefined","errorScripts":"$undefined","template":["$","$L4",null,{}],"templateStyles":"$undefined","templateScripts":"$undefined","notFound":"$undefined","notFoundStyles":"$undefined"}]],null]},[[[["$","link","0",{"rel":"stylesheet","href":"/_next/static/css/136505a99d4f6a3f.css","precedence":"next","crossOrigin":"$undefined"}],["$","link","1",{"rel":"stylesheet","href":"/_next/static/css/489526b836e1a8a2.css","precedence":"next","crossOrigin":"$undefined"}],["$","link","2",{"rel":"stylesheet","href":"/_next/static/css/27eb9badbd4b4c7c.css","precedence":"next","crossOrigin":"$undefined"}]],["$","html",null,{"lang":"en","className":"__variable_fb1f07 __variable_0f79d0 antialiased","children":["$","body",null,{"children":[["$","div",null,{"className":"absolute top-0 left-0 w-full mt-8","children":["$","$L5",null,{}]}],["$","$L3",null,{"parallelRouterKey":"children","segmentPath":["children"],"error":"$undefined","errorStyles":"$undefined","errorScripts":"$undefined","template":["$","$L4",null,{}],"templateStyles":"$undefined","templateScripts":"$undefined","notFound":["$","div",null,{"style":{"height":"500px","backgroundImage":"$undefined"},"className":"bg-no-repeat bg-center bg-cover bg-neutral-400","children":["$","div",null,{"className":" h-[500px]","children":["$","div",null,{"className":"bg-neutral-400 text-white py-16","style":{"minHeight":"500px"},"children":["$","div",null,{"className":"px-4 mx-auto max-w-[960px] w-full","children":["$","div",null,{"className":"flex flex-col justify-center items-center","style":{"height":"372px"},"children":[["$","h2",null,{"className":"text-5xl mb-2 font-head font-semibold","children":"404 Not Found"}],["$","div",null,{"className":"text-1xl font-medium","children":"お探しのページが見つかりませんでした"}]]}]}]}]}]}],"notFoundStyles":[]}],["$","$L6",null,{}]]}]}]],null],null],["$L7",null]]]]
7:[["$","meta","0",{"name":"viewport","content":"width=device-width, initial-scale=1"}],["$","meta","1",{"charSet":"utf-8"}],["$","title","2",{"children":"藤田桂英研究室"}],["$","link","3",{"rel":"icon","href":"/favicon.ico","type":"image/x-icon","sizes":"48x48"}],["$","meta","4",{"name":"next-size-adjust"}]]
1:null