| VALERIE MEGAN | D, 中間発表 | サイバーレジリエンス構成学 | 門林 雄基, | 笠原 正治, | 荒牧 英治, | 妙中 雄三 |
|
title: Defining AI-Generated Personas Through Social Sciences-Assisted Approach
abstract: Artificial intelligence (AI) has revolutionized industries such as marketing, entertainment, and cybersecurity, with AI-generated personas powered by advanced generative models emerging as both an opportunity and a concern. Unlike early scripted bots, modern personas seamlessly integrate advancements in natural language processing, computer graphics, and generative modeling, enabling lifelike speech, realistic animations, and convincing social interactions, as exemplified by entities such as those in the Miss AI Awards. Although initially celebrated for improving user engagement and influencing behavior in entertainment and marketing, these adaptive personas pose significant risks, including misinformation, identity theft, and social engineering, amplified by corporate indifference to prioritize profit over detection. Moreover, research focuses on improving persona realism rather than addressing their misuse, leaving critical gaps in understanding and mitigating their harmful potential. language of the presentation: English | ||||||
| 森 駿 | M, 2回目発表 | サイバーレジリエンス構成学 | 門林 雄基, | 笠原 正治, | 妙中 雄三 | |
|
title: Class-Aware Routing Control for LEO Satellite Networks Considering Time-Varying Topology
abstract: In Low Earth Orbit (LEO) satellite networks, satellites move rapidly around the Earth, causing network states such as inter-satellite links, access satellites for ground regions, and path delay to change continuously over time. Therefore, routing decisions based only on instantaneous metrics, such as delay or hop count at each time, may lead to link quality degradation during communication or frequent route switching, resulting in unstable communication quality. This research investigates a class-aware routing method for LEO satellite networks by leveraging the predictability of satellite movement and topology changes. In this study, communication flows are assumed to be assigned service classes in advance, referring to existing service categories such as eMBB, URLLC, and mMTC. For each class, the proposed approach evaluates route candidates over a future time window by considering delay, link duration, congestion, and route switching penalties. The selected time-sequenced satellite paths are assumed to be specified using Segment Routing. Future work includes evaluating the proposed method on a Starlink-like LEO satellite network model and comparing it with instantaneous shortest-path routing and class-agnostic routing methods. language of the presentation: Japanese 発表題目: 時間変化を考慮したLEO衛星ネットワーク向け通信クラス別経路制御 発表概要: 低軌道衛星（LEO: Low Earth Orbit）ネットワークでは、衛星が地球低軌道上を高速に移動するため、衛星間リンク、地上地域と接続するアクセス衛星、経路遅延などのネットワーク状態が時間とともに継続的に変化する。そのため、各時刻における遅延やホップ数などの瞬間的な指標のみに基づいて経路を選択すると、通信中のリンク品質低下や頻繁な経路切替が発生し、通信品質が不安定になる可能性がある。 本研究では、LEO衛星ネットワークにおける衛星移動とトポロジ変化が予測可能であることに着目し、通信クラスごとに異なる評価関数に基づいて経路を選択する手法を検討する。具体的には、eMBB、URLLC、mMTCなどの既存の通信サービス分類を参考に、各通信フローに要求特性が事前に与えられているものと仮定する。その上で、将来の一定時間範囲における遅延、リンク継続時間、混雑度、経路切替ペナルティなどを評価し、Segment Routingにより指定可能な衛星経路列を選択する。今後は、Starlink-likeなLEO衛星ネットワークモデルを用いて、瞬間最短経路方式やクラス非考慮方式との比較評価を行う予定である。 | ||||||
| 林 秀樹 | D, 中間発表 | 数理情報学 | 池田 和司, | 笠原 正治, | 久保 孝富, | LI YUZHE |
|
title: ***Latent Demand Recovery Using an Observation-Mechanism-Aware Point Process Model in Bike-Sharing Systems ***
abstract: ***Demand in bike-sharing systems is only partially observed through recorded pickup and return events. Previous studies have addressed this problem by using Tobit regression to estimate latent demand from observed counts and censoring indicators. However, in many practical settings, censoring indicators are unavailable or their classification is ambiguous. Furthermore, these methods do not provide sufficient theoretical insight into the conditions under which latent demand can be recovered or how reliable the resulting estimates are. In this study, we model pickup and return demand as continuous-time spatial point processes and propose an inventory-informed log-Gaussian Cox process that explicitly links event observability to station inventory. This formulation shows that bias-corrected estimation is possible in continuous-time models. Experiments using synthetic and semi-synthetic data demonstrate that the proposed model outperforms many baseline methods, particularly achieving substantial improvements during high-demand, low-inventory periods.*** language of the presentation: *** Japanese *** 発表題目: *** バイクシェアリングシステムにおける観測機構を考慮した点過程モデルによる潜在需要復元 *** 発表概要: ***バイクシェアリングの需要は、記録された貸出・返却イベントを通じて部分的にしか観測されない。先行研究では、Tobit回帰を用い、観測された件数と打ち切り指標から潜在需要を推定することで、この問題に対処してきた。しかし、打ち切り指標は利用できない場合や、その判定が曖昧な場合が多い。さらに、これらの手法は、潜在需要がどのような条件のもとで復元可能なのか、また得られた推定値がどの程度信頼できるのかについて、十分な理論的知見を与えていない。本研究では、貸出需要と返却需要を連続時間の空間点過程としてモデル化し、イベントの観測可能性をステーション在庫と明示的に結びつける、在庫情報を組み込んだ対数ガウスCox過程を提案する。この定式化は連続時間モデルにおける補正推定を可能であることを示す。合成データおよび半合成データを用いた実験では、提案モデルが多くのベースライン手法を上回り、とりわけ高需要・低在庫の期間において大きな改善を示した。 *** | ||||||
| 原田 留菜 | M, 2回目発表 | 数理情報学（計算神経科学） | 池田 和司☆, | 川鍋 一晃, | 杉本 徳和 | |
|
title: An approach for Brain-Computer Interfaces (BCI)-illiteracy problem by quantified BCI controllability and discrimination of own brain activity during motor imagery.
abstract: Brain-Computer Interfaces (BCI) have been proposed as interfaces that connect brain activity to objects for control. However, some users are not able to utilize them, and it is called “BCI illiteracy” (Vidaurre & Blankertz, 2010). To address this issue, previous researches have adopted software-based approaches that improved algorithms of machine learning and signal processing (Friedrich et al., 2013; Kim et al., 2023). While those improved accuracy for some users, others still could not achieve sufficient control. One possibility is that the ability of discriminating their own brain activity has not been poorly investigated. We hypothesized that an achievement of BCI controllability requires discrimination of own brain activity as a target. In this study, therefore, we aim to clarify factors contributing to improved BCI controllability. To do this, we will evaluate accuracy between user’s intention and output resulting from classifier of brain states. We will implement a machine learning model to distinguish right hands and feet motor imagery measured from electroencephalography (EEG). To build the model, we will apply the tangent space mapping network (TSMNet; Kobler et al., 2022), which reduces variability among subjects and observations. By solving the program, we will contribute to developing of user-friendly training and applications of BCI. language of the presentation: Japanese | ||||||
| ZHANG XINYU | M, 2回目発表 | 数理情報学（計算神経科学） | 池田 和司☆, | 川鍋 一晃, | 杉本 徳和 | |
|
title: Independent Contributions of Shape and Category Congruency to Neural Activity during Object Recognition
abstract: This study investigates how shape and category congruency independently contribute to neural processing during object recognition. Stimuli in which shape congruency and category congruency is manipulated independently will be presented in both shape-judgment and category-judgment tasks while electroencephalography (EEG) is recorded. Event-related potential (ERP) analysis will examine the N200, P300, and N400 components, and time-resolved decoding analysis will evaluate when shape- and category-related information can be decoded from multichannel EEG activity. By combining these analyses, this study aims to clarify the temporal dynamics of shape and category processing and how task demands modulate their neural representations. language of the presentation: Japanese 発表題目: 形状とカテゴリーの一致性が物体識別時の脳活動に与える独立的寄与 発表概要: 本研究では，形状とカテゴリーの一致性が物体認識過程の脳活動に与える影響を明らかにすることを目的とする.形状一致性とカテゴリー一致性を独立に操作した刺激を用い，形状判断課題およびカテゴリー判断課題を実施する.実験中に記録した脳波（EEG）に対して事象関連電位（ERP）解析および時系列デコーディング解析を行い，N200，P300，N400成分の変化と，各時点における形状情報・カテゴリー情報の識別性能を評価する.これにより，物体認識において両情報が脳内でどのような時間経過で処理されるかを明らかにする. | ||||||
| 李 玹炅 | M, 2回目発表 | 数理情報学（コミュニケーション学） | 池田 和司☆, | 岩田 具治, | 田中 佑典 | |
|
title: Support Selection Bias in Few-Shot Learning: A Within-Class Cluster Analysis and Test-Time Prototype Correction for Worst-Case Robustness
abstract: In few-shot learning, the choice of which samples to use as the support set can cause large swings in post-adaptation accuracy: even with unaltered, in-distribution images, the accuracy of a single task has been reported to vary widely depending on how the support set is drawn. However, it remains unclear what kind of samples, in terms of the data distribution, give rise to such accuracy drops. In this work, we characterize these worst cases through a factor orthogonal to the class label, namely a bias in the support set with respect to within-class visual variation such as background and pose. Building on Prototypical Networks, we currently apply within-class clustering to the features of the base classes to extract within-class sub-patterns (clusters), and analyze to what extent the atypicality of support samples and their concentration on particular clusters account for worst-case accuracy drops, using mean accuracy, worst-case accuracy, and variance as evaluation metrics. Going forward, we plan to implement a test-time method that corrects prototypes according to the diagnosed degree of support bias, and to extend our evaluation beyond mini-ImageNet, aiming toward few-shot learning that is less sensitive to how the support set is chosen. language of the presentation: Japanese 発表題目: クラス内クラスタ構造に基づくFew-shot学習におけるsupport選択バイアスの分析と、テスト時プロトタイプ補正による最悪ケース性能の改善 発表概要: Few-shot学習では、どのサンプルをsupportとして選ぶかによって適応後の精度が大きく変動し、自然な画像であっても取り方次第で同一タスクの精度が大きく振れることが報告されている。しかし、こうした精度低下を招くsupportがデータ分布上でどのようなサンプルなのかは十分に解明されていない。本研究では、この最悪ケースをクラスラベルと直交する要因、すなわち背景や姿勢など同一クラス内の見た目のばらつきに対するsupportの偏りとして捉える。現在はPrototypical Networksを基盤に、ベースクラスの特徴へクラス内クラスタリングを適用してクラス内の下位パターン（クラスタ）を抽出し、supportの非典型度やクラスタへの集中度が最悪ケースの精度低下をどの程度説明できるかを、平均精度・最悪ケース精度・分散を指標として分析している。今後は、この診断に基づきsupportの偏りに応じてプロトタイプを補正するテスト時手法を実装し、あわせてmini-ImageNet以外への適用も進め、supportの選び方に左右されにくいFew-shot学習を目指す。 | ||||||
| 上中 風花 | M, 2回目発表 | 数理情報学 | 池田 和司, | 作村 諭一, | 久保 孝富, | LI YUZHE |
|
title: Latent Structure Reconstruction with CEBRA Using PCA-Derived Auxiliary Variables
abstract: CEBRA is a contrastive self-supervised learning framework that learns embeddings using auxiliary variables such as time or other contextual information associated with the observed data. However, such variables are often unavailable in practice. We investigate PCA-derived scores as data-driven proxy auxiliary variables for CEBRA. Using synthetic data with known latent structure, we show that PCA-based auxiliary scores achieve reconstruction performance comparable to partial oracle variables, while shuffled scores fail to recover structure. language of the presentation: Japanese 発表題目: PCA 由来補助変数を用いた CEBRA による潜在構造再構成 発表概要: CEBRAは，観測データに付随する時間情報やその他の関連情報を補助変数として用い，埋め込みを学習する自己教師あり対照学習フレームワークである． しかし実際には，そのような補助変数が利用できない場合が多い． 本研究では，CEBRAにおけるデータ駆動型の代理補助変数として，PCAスコアを用いる方法を検討する． 既知の潜在構造をもつ合成データを用いた実験により，PCAスコアの補助変数は，真の構造の部分情報を用いた補助変数と同程度の再構成性能を達成する一方で，シャッフルされたPCAスコアでは構造を回復できないことを示す． | ||||||
| 奥野 智也 | D, 中間発表 | 計算システムズ生物学 | 金谷 重彦, | 松本 健一, | 小野 直亮, | MD.Altaf-Ul-Amin | |
|
title: *** Mechanism-aware Enzyme Reaction Exploration: Toward inverse design of enzyme-catalyzed reactions ***
abstract: *** This study addresses the underexplored problem of mechanism-aware enzyme reaction exploration from one-sided molecular inputs, where candidate reactions must be generated together with plausible elementary mechanism sequences. The proposed formulation represents enzyme chemistry as reusable M-CSA-derived elementary templates and controls the otherwise explosive search space through classification-scoped template catalogs and participant-aware template actions. As an initial formulation and recoverability study, EC two-level oracle-scope validation on 364 strict-state eligible M-CSA entries recovered 300 annotated final states, demonstrating that many known enzyme reactions can be reconstructed under controlled scopes while revealing search tractability and template generalization as central challenges for open-ended exploration. *** language of the presentation: *** English or Japanese (choose one) *** | |||||||
| 佐伯 晃央 | M, 2回目発表 | ソフトウェア設計学 | 飯田 元, | 松本 健一, | 柏 祐太郎, | Reid Brittany, | Ji Zhenlan |
|
title: Information Retrieval based Fault localization with LLM
abstract: abstract: Identifying the source files that must be modified to fix a bug after it occurs is a time- and effort-consuming task in the maintenance of large software projects. Conventional information retrieval (IR) based approaches depend on the surface-level lexical similarity between bug reports, which describe failures in natural language, and source code, which is written in a programming language, so their accuracy degrades when the report contains no terms that point to the faulty code. This research proposes an approach that employs a Large Language Model (LLM) as an agent that autonomously explores the project the way an experienced developer would. The agent iteratively invokes multiple retrieval tools—semantic search over method-level code, lexical search with BM25, retrieval of file outlines, and a search over previously fixed similar bugs—to gather evidence and submit candidate files. A second agent then reranks these candidates into the final ranking. In particular, the history of past fixes connects the vocabulary of symptoms to the actual fix locations, providing clues that bridge the lexical gap. In an evaluation on 9,459 bugs from 46 open-source Java projects, the proposed method ranked a faulty file first for 64% of the bugs and within the top 10 for 85%, achieving accurate fault localization at a low cost of about $0.008 per bug. language of the presentation: Japanese 発表題目: 大規模言語モデルを用いた情報検索ベース欠陥位置推定手法の提案 発表概要: 不具合発生から修正すべきソースファイルを特定することは、大規模ソフトウェアの保守において時間と労力を要する作業である。従来の情報検索ベース手法は、自然言語で不具合を記述している報告書とプログラミング言語であるソースコード間の表層的な語彙の類似度に依存するため、報告書中に欠陥箇所を示す語が現れない場合に精度が低下する。本研究では、大規模言語モデル（LLM）をエージェントとして用い、熟練開発者のようにプロジェクトを自律的に探索させる手法を提案する。エージェントは、メソッド単位のコードに対する意味的検索、BM25による語彙的検索、ファイル概要の取得、過去に修正された類似不具合の検索といった複数の検索ツールを反復的に呼び出して証拠を収集し、候補ファイルを提出する。その後、別のエージェントが候補を再順位付けし最終的なランキングを得る。特に過去の修正履歴は、症状を表す語彙と実際の修正箇所とを結び付け、語彙の隔たりを越える手がかりを与える。46のオープンソースJavaプロジェクトにおける9,459件の不具合を用いた評価では、64%の不具合で正解ファイルを1位に、85%で上位10位以内に特定でき、1件あたり約0.008ドルという低コストで高精度な欠陥位置推定を実現した。 | |||||||
| 藤本 大輔 | M, 2回目発表 | ソフトウェア設計学 | 飯田 元, | 松本 健一, | 柏 祐太郎, | Reid Brittany, | Ji Zhenlan |
|
title: Multi-Agent Reconstruction of Execution Paths from Application Logs
abstract: When system failures occur, developers examine application logs to identify root causes and trace the executed code. However, logs are generated only at locations where logging statements are inserted, leaving the execution between them untraced. As a result, developers must infer the execution paths connecting logged events, a process that relies on experience and trial-and-error and often delays failure diagnosis. This paper proposes an approach for reconstructing execution paths from application logs by combining large language model (LLM) reasoning with static program analysis at inference time. Given a pair of log statements, the approach first maps each log entry to its corresponding logging location in the source code, thereby identifying the start and end points of the execution path. It then traverses the source code step by step using reachability information derived from a statically constructed interprocedural control-flow graph (ICFG). At decision points, such as conditional branches and method invocations, the approach consults the LLM to infer the executed path based on the log information, source-code context, and static-analysis results. To evaluate the proposed approach, we conducted experiments on ten open-source Java projects and measured line-level precision, recall, and F1 score. The results demonstrate that the proposed approach accurately reconstructs execution paths of typical length and complexity. On the other hand, its performance decreases for longer paths spanning multiple files and methods or involving more complex control flow, revealing both the applicability and the remaining challenges of the proposed approach. language of the presentation: Japanese 発表題目: マルチエージェントシステムによるアプリケーションログを用いたコード実行経路予測 発表概要: システム障害が発生した際、開発者はアプリケーションログを調査し、障害の根本原因を特定するとともに、実行されたコードを追跡する。しかし、ログはロギング文が記述されている箇所でしか出力されないため、その間の実行経路は記録されない。その結果、開発者はログとして観測されたイベント同士を結ぶ実行経路を推測しなければならず、この作業は経験や試行錯誤に依存するため、障害診断を遅らせる要因となる。 本研究では、推論時に大規模言語モデル（LLM）の推論能力と静的プログラム解析を組み合わせることで、アプリケーションログから実行経路を復元する手法を提案する。与えられた一対のログ文に対して、まず各ログエントリをソースコード中の対応するロギング箇所へ対応付けることで、実行経路の始点と終点を特定する。続いて、静的に構築した手続き間制御フローグラフ（Interprocedural Control-Flow Graph: ICFG）の到達可能性情報を利用しながらソースコードを段階的に探索する。この際、条件分岐やメソッド呼び出しなどの判断点では、ログ情報、コードの文脈、および静的解析結果を基にLLMへ問い合わせることで、実際に実行された経路を推定する。 本手法を評価するため、10のオープンソースJavaプロジェクトを対象に実験を行い行単位での適合率（Precision）、再現率（Recall）、およびF1スコアを測定した。その結果、一般的な長さ・複雑さの実行経路については高い精度で復元できることが確認された。一方で、多数のファイルやメソッドにまたがる長い経路や、制御フローが複雑な経路では性能が低下し、本手法の適用可能範囲と課題が明らかとなった。 | |||||||
| 古里 祥大 | M, 2回目発表 | ソフトウェア設計学 | 飯田 元, | 松本 健一, | 柏 祐太郎, | Reid Brittany, | Ji Zhenlan |
|
title: *** replace this part with the title of your talk IN ENGLISH ***
abstract:Assigning priorities to bug reports is a critical step in software maintenance because it dictates how developer resources are allocated. However, since this task is typically performed manually by developers, it is labor-intensive and prone to inconsistency, motivating research on automated priority prediction. A representative traditional approach, DRONE (Tian et al., ICSM 2013), is a supervised method that combines surface features—TF-IDF vectors of bug text, priorities of similar past bugs, and per-component historical statistics—through linear regression and threshold tuning. Recent Large Language Models (LLMs) offer the potential to semantically understand bug text, but predictions from a single LLM prompt are often noisy at the absolute-label level, and fair comparisons with traditional methods have been limited. In this study, we propose a bug priority prediction method that coordinates multiple specialist LLM agents. A PastBugRetriever agent retrieves similar past bugs via TF-IDF, and a ContentInspector agent uses an LLM to closely inspect bug text; each independently reports a predicted priority together with its reasoning. A Coordinator LLM then integrates both reports to produce a global ranking over an entire batch, and this ranking is mapped to P1–P5 labels according to the natural priority distribution. We further extend the method by supplying the LLM prompt with class-distribution prior information, in the same spirit as the statistical priors used by DRONE. We evaluated the method on two Apache JIRA projects: Hadoop Common (imbalanced, majority class 62%) and Beam (balanced, majority class 46%), comparing it with DRONE and an LLM pairwise-insertion-sort baseline in terms of Accuracy and Quadratic Weighted Kappa (QWK), which measures ordinal validity. On the balanced Beam dataset, our method outperformed both baselines in both metrics. On the imbalanced Hadoop dataset, the QWK of the LLM pairwise baseline degraded to chance level, and counterintuitively, a purely retrieval-based configuration without any LLM achieved the highest Accuracy. These results suggest that LLM-based methods are stronger at ordinal ranking than at absolute label prediction, and that the optimal method configuration varies with data-distribution characteristics. language of the presentation:Japanese 発表題目:マルチエージェント LLM によるバグ報告優先度予測 発表概要:ソフトウェア開発におけるバグ報告への優先度付与は修正リソース配分を左右する重要な工程だが、開発者が手作業で行うため労力とばらつきが課題となっている。従来の代表的手法である DRONE (Tian ら, ICSM 2013) は、バグ本文の TF-IDF や類似過去バグの優先度、コンポーネント別の履歴統計といった表面特徴を線形回帰と閾値調整で組み合わせる教師あり手法である。近年の大規模言語モデル (LLM) はバグ本文を意味的に理解できる潜在能力を持つが、単発のプロンプトによる予測は絶対ラベルにノイズが乗りやすく、従来手法との公平な比較検証も十分ではない。 本研究では、複数の専門 LLM エージェントを協調させたバグ優先度予測手法を提案する。過去類似バグを TF-IDF で検索する PastBugRetriever と、バグ本文を LLM が精読する ContentInspector が独立に予測理由を報告し、コーディネータ LLM が両者の報告を統合してバッチ全体を順位付ける。得られた順位を自然分布に従い P1〜P5 に写像する構成であり、加えて DRONE と同種のクラス分布事前情報を LLM プロンプトへ与える改良も実装した。 Apache JIRA の Hadoop Common (多数派 62% の不均衡) と Beam (多数派 46% のバランス良好) を対象に、Accuracy と順序妥当性を測る Quadratic Weighted Kappa (QWK) で DRONE および LLM pairwise 手法と比較評価した。その結果、バランスの良い Beam では提案手法が両ベースラインを両指標で上回った一方、不均衡な Hadoop では LLM pairwise の QWK がチャンスレベルまで低下し、また LLM を使わない検索ベースの構成が単独で最高の Accuracy を示すという反直感的な結果も得られた。以上より、LLM 手法は絶対ラベル判定より順序妥当性で強みを発揮すること、およびデータ分布特性によって最適な手法構成が異なることが示された。 | |||||||