午前の部　※◎は学生優秀発表賞・支部大会奨励賞対象発表、◆はジュニア会員特別賞対象発表、†は推薦論文対象発表、○は登壇者、★はキャリアエクスプローラー

• G-59

  Transformer Neural NetworkのMulti-Head Attention構築への機械学習の適用

  〇山名 正哲（理化学研究所）

  大規模言語モデルLLMを構成するTransformer型NNのMulti-Head-Attention機構の構築に機械学習であるベイズ最適化手法を適用で可能なことを提案し，簡単な例題を設けて，計算機上にMulti-Head-Attentionを実装しシミュレーションにより重要語句の抽出結果を調べたところ，かなり人間の感性に近い重要語句を抽出していることが明らかとなった．

• G-60

  Explainable Anomaly Detection for Industrial Predictive Maintenance using Autoencoders

  〇Adhikari Dinesh、Abar Sameera（University of Informatics）

  Subject research project deals with the development of an explainable anomaly detection framework for industrial predictive maintenance based on Long Short-Term Memory (LSTM) autoencoders. For experimental purposes, our proposed model is evaluated using the NASA Commercial Modular Aero-Propulsion System Simulation (C-MAPSS) dataset where multivariate sensor readings from airplane engines under different degradation states were observed. The LSTM autoencoder is trained to reconstruct the normal working states of machinery and it’s intended to work based on reconstruction error to identify inconsistencies when significant deviation is observed in relation to normal system states. To enable explainability for industrial engineers and foster trust, SHapley Additive exPlanations (SHAP) is integrated into the designed scheme where input variables are aptly analyzed to report roles in detecting anomalies.

• G-61

  Explainability of Machine Learning Models in Telecom Domain

  〇Hennedi Gamage Omesha Piyumanthi、Abar Sameera（University of Informatics）

  Telecom sector collects unprecedented amount of customer related information via billing processes, network usage, services purchase, and digital interactions. The sheer volume of data presents ample opportunities for actualizing diverse machine learning technologies to enhance the efficiency of operations and predict the risks of customer attrition. Proposed research strategy, utilizing Customer Churn Analytics Tabular Dataset, deals with fair and transparent explainable AI based approaches for clients’ behavior forecasts in making actionable informed decisions. In this context, in-depth comparative evaluation of Local Interpretable Model Agnostic Explanations (LIME) and Shapley Additive Explanations (SHAP) is undertaken in terms of some benchmarking criteria such as consistency (measured using Kendall Tau), attribution accuracy (compared with model feature importance) and computation time. Experimental findings indicate that SHAP, based on its apt mathematical features, has outperformed LIME in global interpretability, consistency and attribution accuracy; whereas LIME generated explanations faster in resource-constrained settings.

• G-63

  公園利用実態把握に向けたモデル規模の異なるVLM生成説明文のクラウドソーシング評価 ◎ †

  〇寺岡 莉玖、細川 蓮（奈良先端科学技術大学院大学）、松田 裕貴（岡山大学）、安本 慶一、諏訪 博彦（奈良先端科学技術大学院大学）

  公園動画を入力とし生成されたVLM説明文が，人間にどのように評価されるかを調査した．small VLMを含む3種類のVLMが生成した説明文をクラウドソーシングで比較した結果，選好されるモデルは動画内容によって異なる傾向が見られた．

• GP-15

  SMPCを利用した秘匿分散型連合学習の実装と評価 ◎

  〇ボドナル ソフィア、水谷 后宏（近畿大学）

  連合学習における中央サーバーへの依存と情報漏えいリスクを解消するため，SMPCを活用した秘匿分散型連合学習を実装し，参加者間で学習モデルを安全に集約・統合する手法を提案するとともに，その有効性を検証した．

◎

学生優秀発表賞・支部大会奨励賞対象発表

◆

ジュニア会員特別賞対象発表

†

推薦論文対象発表（情報処理学会論文誌ジャーナルへの推薦対象）

○

登壇者

★

キャリアエクスプローラー（求職中の学生・ポスドク）