■anond:20251013025527

むしろ逆だ。「不思議に思わなくなったこと」こそが、知の腐敗、つまり自己放尿の始まりである。

子供の頃に抱いた「なぜ？」は、世界を構造的に捉えようとする知性の原型だ。

それを「無知だから」と片づける態度は、思考停止を正当化するための自己放尿にすぎない。

自分が理解できない現象に対して、「性欲がすべてを説明する」と短絡的に断じることこそ、最も原始的な無知な自己放尿行為である。

「性欲」で説明できると信じた瞬間、お前は思考の排泄を終えた気になって便座から立ち上がった。しかし、そこに残っているのは知的探究の成果ではなく、自己放尿の尿跡だ。

人間の結びつきを「性欲」という単一変数で閉じることは、複雑系を線形近似で片づけるような暴挙である。

進化心理学、社会的文脈、愛着理論、自己同一性の相互補完性、それらすべてを棚上げして「分かった気」になる。この「分かった気」が、まさに無知の証拠だ。

知っていると思う者は、知らない。不思議に思い続ける者だけが、自己放尿を克服して、知へと踏み出す。

Permalink |記事への反応(0) | 03:00

ツイートシェア

■

AIにコード書いてもらってもこれfor文で線形探索してるだけだから効率悪くない？とか疑問に思うことが増えたのは多少上達したってことなのかな

Permalink |記事への反応(0) | 14:47

ツイートシェア

■5年後までの目標なんて立てられない

1ヶ月後の目標すら達成できないのに・・・？

成長だの技術習得だのうるせいよ。

給与や環境を変えずに個人の心持ちを変えようとするのが気に食わないよ。

線形だと途端にバカっぽく見える。

1日の目標「無事に仕事を終える」

5年後の目標「1825日間無事に仕事を終える」

でもいいじゃない、無事にでいいじゃない。

というか5年後まで辞めずにいると思っているのか・・・？

Permalink |記事への反応(1) | 11:52

ツイートシェア

■anond:20250910162425

楽観とかじゃなくて、線形近似は理屈に合わないって話だろ

分からないなら分からないなりに、理屈にあった近似のやり方で推定すべきという話で、めちゃくちゃな推論をしても良いという話にはならない

Permalink |記事への反応(1) | 16:28

ツイートシェア

■anond:20250910161932

下げ止まる、じゃなくて下がり方は割合で減るはずだろ、という話では？

ある区間で切ったら線形のように見えたとしても

Permalink |記事への反応(2) | 16:21

ツイートシェア

■anond:20250829120101

そくどとじかん増田は鍵長が短い場合に使われるハッシュアルゴリズムとかの選定基準についての話をしているんだろな。

AESみたいな暗号は鍵長十分で試行数が天文学的だから選定基準に処理の重さは含まれない。指数的に伸びる基準に対して線形的な増加は些末な問題。

選定基準の関心事は脆弱性への耐性や一度の実行速度とかそのあたり

Permalink |記事への反応(0) | 13:48

ツイートシェア

■木を植えた男

本研究は、霊長類における協力的な社会的交流中に、**相手の行動を神経学的に予測する能力**に焦点を当てたものです [1, 2]。具体的には、サルが反復囚人のジレンマ（iPD）ゲームに参加する際の背側前帯状皮質（dACC）の神経活動を調査し、他者の未知の意図を予測する特定のニューロンの存在、およびこれらの信号が協力行動にどのように影響するかを探りました [2-4]。

###研究の背景と目的

成功する社会交流の基盤は、互いの意図や行動を予測する能力にあります [2, 5]。このような内的予測は建設的な社会行動に不可欠ですが、その単一ニューロンの基盤や因果関係はこれまで不明でした [2]。先行研究では、他者の既知の観察可能な行動（ミラーニューロンなど）や観察された報酬の受領を符号化するニューロンが示されていますが、**根本的に観察不可能で未知である他者の差し迫った意思決定や意図を表現する細胞の存在は、これまで証明されていませんでした** [6]。また、自己と他者の決定に関連する神経信号が、相互目標の達成にどのように影響するのか、特に相互に利益のある相互作用における単一ニューロンの基盤は探索されていませんでした [7]。

本研究は、これらの未解決の疑問に対処するため、iPDゲームを形式的な枠組みとして用いました [3]。このゲームは、結果が両個体の相互同時決定に依存し、いずれの決定も個体の結果を保証しないという2つの重要な特性を含んでいます [3]。したがって、ゲームで成功するための鍵は、**相手の同時的かつ未知の意図を予測する能力**にあります [3]。

研究チームは、前頭葉および側頭頭頂葉領域との広範な結合が対話行動に関与していること、および機能的イメージングや切除研究に基づき社会的関心や行動における役割が示唆されていることから、dACCに焦点を当てました [4]。

###研究方法

本研究では、4組のオスのアカゲザル（*Macaca mulatta*）が繰り返し囚人のジレンマ（iPD）ゲームを行いました [8, 9]。

**タスク設計**

*サルは向かい合って座り、画面に表示される2つの選択肢（協力：オレンジの六角形、裏切り：青い三角形）のいずれかをジョイスティックで選択しました [9,10]。

* それぞれのサルの選択の結果は、図1Bのペイオフ行列に従って、両者の同時選択に依存しました [8-10]。

* **相互協力は最高の相互報酬**をもたらし、**一方的な裏切りは最高の個人的報酬**をもたらしました [8, 9]。しかし、両者が裏切ると、両者が協力した場合よりも低い報酬を受け取ることになります [8, 9]。

*サルは他者の選択を、自分自身の選択が終わってさらに画面が空白になる遅延期間が経過するまで知ることはできませんでした [11]。

*潜在的な聴覚的キューを排除するため、サルが選択する順序は各試行でランダムに交互に行われました [11,12]。

* 「協力」と「裏切り」の用語は、相互利益または損失の可能性を示すために操作的に定義されました [8, 9]。

**神経記録と刺激**

* 2匹のサルからdACCの**363個のニューロンが記録**されました [13]。

* 電極アレイは、頭蓋切開術によりdACCに外科的に埋め込まれました [14]。

* 神経信号は増幅、バンドパスフィルタリングされ、単一ユニットとして分離されました [15]。

* **電気刺激プロトコル**：dACCへの電気刺激は、3,026回のランダムに選択された試行の半分で、ブロック形式で実施されました [16,17]。刺激パラメータは100 µA、200 Hzの二相パルスで、1,000ms持続し、選択前の期間を含みました [17]。

**行動統制実験**

* **コンピューター相手との対戦**：サルとコンピューター相手との対戦を行い、社会的文脈が選択に与える影響を評価しました [18]。

* **別室での対戦**：サルを別々の部屋に配置し、視覚や聴覚のキューを排除した状態でタスクを行わせました [19]。

* **相手の選択が既知の条件**：サルが応答する前に相手の選択を見ることができた追加の統制バージョンも実施されました [20]。

**統計分析**

*ニューロン活動を異なるタスクパラメータがどのように変調させるかを決定するために、ステップワイズ線形回帰分析が主要な手法として用いられました [13, 21, 22]。

* この分析を補完するために、選択確率（CP）指標分析、赤池情報量基準（AIC）分析、および混合線形回帰モデルの非教師あり集団分析も実施されました [23]。

### 主要な研究結果

本研究は、行動観察、単一ニューロン記録、集団レベルの予測、および神経回路の摂動を通じて、霊長類における社会的意思決定の神経基盤に関する重要な知見を提供しました。

#### 1. 行動の観察と社会的文脈の重要性

サルは協力よりも裏切りを選択する傾向が強い（裏切り：65.3%、協力：34.7%）ものの、**同時に協力する割合は偶然レベルよりも有意に高かった**（17.1%） [24]。

サルは相手が以前に裏切った場合、協力を選択する可能性が低かった（26%）が、**両者が先行する試行で協力した場合、最も協力する可能性が高かった**（62.1%） [24]。これは、サルが相互協力を返報し、継続的な相互利益を追求したことを示唆しています [24]。

**行動統制実験により、社会的文脈がサルの選択に影響を与えることが確認されました** [18, 19]。

*コンピューター相手との対戦や別室での対戦では、全体の協力の可能性が大幅に低下し、相互協力後の協力の増加は観察されませんでした [18, 19]。これは、サルが他のサルと対戦している場合にのみ、相互利益のある相互作用が増加したことを示しています [19]。

*相手の選択が既知の条件では、サルは報酬を最大化するために裏切りを選択する傾向がありました [20]。

#### 2. dACCにおける単一ニューロンの符号化

記録されたdACCニューロンのうち185個がタスクに応答しました [13]。

**自己決定を符号化するニューロン**：ニューロンの24.3%が、サル自身の現在の協力または裏切りの選択を符号化していました [13]。

**他者の未知の決定を符号化するニューロン**：**ニューロンの32.4%が、相手のまだ未知の選択（協力か裏切りか）によって活動が変調されることを示しました** [25]。これらのニューロンのほとんど（27.6%）は、サルが相手の反応を知る前の「選択後」期間に相手の未知の選択を符号化していました [25]。

**自己と他者予測ニューロンの機能的分離**：自己の決定を符号化するニューロンと、相手の未知の決定を符号化するニューロンの間には**ほとんど重複がありませんでした**（わずか4.3%） [26]。これは、自己および他者関連の計算が**大部分は異なる神経集団によって行われている**ことを示唆しています [26]。

これらの結果は、CP分析、AIC分析、および混合線形回帰モデルによる非教師あり集団分析によっても裏付けられました [23]。

#### 3.他者予測ニューロンの社会的文脈への感度

別室での統制実験では、タスクに応答する細胞のうち相手の選択を予測した割合はわずか14.3%であり、主たる実験で観察された27.6%と比較して**有意に少なかった** [27]。

対照的に、自己決定を符号化するニューロンの割合は別室統制実験で有意に増加しました [27]。

この他者予測ニューロンの割合の著しい減少は、**他者予測ニューロンが社会的文脈に有意かつ選択的に敏感である**ことを示しています [27,28]。

#### 4.他者予測ニューロンと期待報酬の分離

本研究は、**他者予測ニューロンの応答特性が、サルの自己の期待報酬の単純な符号化によっては説明されない**ことを示しました [28, 29]。

他者予測ニューロンは、ペイオフ行列によって決定される4つの報酬条件すべてにおいて、自己報酬によって有意に変調されませんでした [30]。

他者予測ニューロンの発火率変調は、相手の選択（協力か裏切りか）の違いを考慮すると強く有意でしたが、サルの自己の期待報酬の違いに合わせても、全集団と比較して有意な差は見られませんでした [30-32]。

他者予測ニューロンは、結果が確実になった報酬フィードバック期間中にも報酬によって強く変調されることはありませんでした [30, 32]。

これらの結果は、**他者予測ニューロンが自己決定に関する有意な情報を符号化せず、他の集団細胞と比較して社会的文脈に非常に敏感である**という知見によってさらに裏付けられています [28]。

#### 5. dACC集団による相手の試行ごとの予測精度

dACCの活動は、集団全体で考慮すると、サル自身の選択と相手の選択を試行ごとに有意に予測しました [33]。

線形デコーダを用いて集団活動から予測を行った結果、dACC集団は記録されたサル自身の現在の選択を最大66.1%の精度で予測しました [33]。

驚くべきことに、集団活動は**相手のまだ未知の選択を最大79.4%の精度で正しく予測しました** [33]。

相手の未知の選択の予測は、自己の現在の選択の予測よりも**有意に正確でした** [33]。

他者予測ニューロンのサブセットのみにデコーダを限定しても、相手の決定の予測精度は78.1%と高いままでしたが、自己の決定のデコード精度は大幅に低下しました（54.7%） [34]。これは、他者予測ニューロンの機能的役割と自己選択を符号化する細胞との機能的分離をさらに支持します [34]。

サルが先に選択した試行のみを考慮しても、相手の未知の選択の予測精度は70.7%と高く維持されました [12]。これは、予測が相手の選択を明らかにする潜在的な暗黙の信号のアーティファクトである可能性を排除します [12]。

#### 6. 行動デコーダと過去の相互作用の追跡

行動履歴に基づくデコーダは、相手の未知の同時選択を最大79.8%の精度で予測でき、**神経デコードの精度と類似していました** [35]。

神経予測と行動予測の間の試行ごとの相関は、両者の過去の選択に基づいて有意であり、**神経予測が単一の個体の過去の応答や報酬ではなく、両者の過去の相互作用に基づいている**ことを示唆しています [35]。

dACC内の多くのニューロンが、サルの以前の選択の動的な記録を保持していました [36]。

#### 7. dACCの破壊が相互利益のある相互作用に選択的に影響

dACCへの電気刺激は、サルの協力的選択の可能性を減少させました（決定比が0.53から0.43に低下） [16]。

この効果は、相手が以前に協力した場合に最も顕著でした [16]。相手が以前に協力し、刺激が与えられなかった場合、決定比は0.74でしたが、刺激中は0.43に有意に低下しました [16]。

対照的に、相手が以前に裏切った場合、刺激はサルの現在の決定に影響を与えませんでした [16]。

さらに、相互に正の成果が不可能なゼロサムゲームでは、刺激はサルの選択に影響を与えませんでした [37-39]。

これらの結果から、dACCへの刺激は、**最近の肯定的な相互作用の組み込みを特異的に抑制し、その結果、相互に利益のある相互作用が減少した**と結論付けられます [37, 39]。

###考察と意義

本研究は、神経科学における長年の目標であった「他者の隠された意図や『心の状態』を反映するニューロン」を発見しました [40]。これらの「**他者予測ニューロン**」は、dACCのタスク応答性集団の3分の1以上を占め、自己の現在の選択を符号化する細胞よりも優位に存在していました [40]。注目すべきは、これらのニューロンが**社会的文脈に強く敏感であり、自己決定や期待報酬によって変調されない**ことです [40]。

この予測信号は、既知の観察可能な行動（ミラーニューロン）や観察された報酬を反映する既存の報告とは根本的に異なります [41]。本研究で報告された予測ニューロンは、**本質的に観察不可能で未知である他者の差し迫った決定や意図を表現します** [41]。iPDゲームを用いることで、自己と他者の決定に関する神経信号を報酬結果から分離し、相互に利益のある相互作用に特に関連する計算を調べることが可能になりました [42]。

生理学的所見と一致して、dACCの活動を混乱させる刺激は、サルの協力の可能性を減少させ、特に相手が以前に協力した場合に顕著でした [39]。これは、dACCが**相互作用の最近の履歴に基づいた相互利益のある決定を特異的に仲介する**ことを示しています [39]。

本研究の知見は、dACCが環境の動的モデルを符号化するという既存の役割を支持しつつ、**他者の未知の行動の明示的な表現を必要とする相互作用にまで拡張する**ものです [43]。dACCに見られる自己を符号化するニューロンと他者を予測するニューロンの2つの異なるグループは、デルタ学習やアクター・クリティックの枠組みに類似した方法で、相手の実際の決定と行動中のサルの既知の決定に基づいて、共同決定の内部モデルを更新するのに適している可能性があります [43]。

dACCは、社会的に誘導された相互作用の側面を符号化する領域との広範な解剖学的結合を持つ「社会脳」の一部であると考えられます [43]。その活動の破壊が協力行動を著しく低下させたことは、dACCの活動が個体間の建設的な相互作用や社会学習に必要である可能性を示唆しています [43]。この発見は、**他者の意図や心の状態を予測し、それを自身の行動に組み込むことが著しく影響を受ける自閉症スペクトラム障害や反社会的行動を持つ個人の治療への道を開くかもしれません** [43]。

Permalink |記事への反応(0) | 16:15

ツイートシェア

■anond:20250730090505

どちらにしてもラグランジュの未定乗数法は基本かと思うが、君が例に挙げたような「無限次元の数列空間上で、局所的な線形制約を持つ対象に対して、関数を最大化・最適化する問題」を取り扱っている可能性のある論文を探したよ。

Semi‑infinite programming, duality, discretization and optimality conditions

https://optimization-online.org/wp-content/uploads/2008/07/2028.pdf

Infinite‑dimensional optimization

https://en.wikipedia.org/wiki/Infinite-dimensional_optimization

Banach空間上のラグランジュ乗数法

https://en.wikipedia.org/wiki/Lagrange_multipliers_on_Banach_spaces

Infinite‑horizon problems under periodicity constraint

https://arxiv.org/abs/1602.00855

Ekeland & Temam の凸解析・変分法

https://en.wikipedia.org/wiki/Ivar_Ekeland

Permalink |記事への反応(1) | 09:18

ツイートシェア

■軽い気持ちで東京選挙区の参政党得票率を線形回帰分析してみた

東京23区と周辺のいくつかの市で、東京選挙区での参政党の得票率がどんな要因と関係しているのか、軽い気持ちで回帰分析してみた。

変数の多重共線性とか処理はガバガバなので軽い気持ちで見てほしいんだが、ざっくりまとめると、「大学院卒業者の割合」が高い地域では得票率が低く、「役員の割合」が高い地域では逆に得票率が高い、という傾向がありそう。

使ったデータはNHKが出している投票所別の得票率。手入力なので誤りがあるかもしれない。

それに、東京都の人口統計と国勢調査（令和2年の）などから市区町村ごとの属性データをくっつけて、変数を一律で標準化したうえで回帰分析を行った。

都内の市区町村のうち、データが揃ってる27地域を対象にした（23区＋町田・八王子・調布・西東京）。

20万人以上の市しか一部のデータが見つけられなくて、そこはごめんって感じ。

ざっくり結果

まず、説明変数を11個使って線形回帰分析をしたところ、決定係数は0.83（調整済み決定係数は0.71）だった。何を使ったかは後で。

そこから影響が特に大きそうな4変数（平均年齢、大学院卒業者割合、役員の割合、情報通信業の割合）に絞って分析し直すと、決定係数は0.73（調整済み決定係数は0.68）になった。

詳しくはこれ

• 平均年齢：令和7年1月次の平均年齢
• 大学院卒業者割合：令和2年国勢調査での、全卒業者数に占める大学院卒業者の割合
• 役員の割合：令和2年国勢調査での、15歳以上の就業者に占める、従業上の地位が役員の割合
• 情報通信業の割合：令和2年国勢調査での、15歳以上の就業者に占める、産業区分が情報通信業である割合

国勢調査は5年に1回しかなくて、最新の結果が令和2年のだった。

でこの4変数を回帰係数の絶対値が大きい順に並べる。

1. 大学院卒業者の割合（-1.30）
2. 役員の割合（+0.87）
3. 平均年齢（-0.57）
4. 情報通信業の割合（-0.54）

4つの変数の関係を見てみると、平均年齢は他の3つの変数（大学院卒、役員、情報通信業）と負の相関を持っていた（相関係数 < -0.69）。一方、大学院卒業者の割合・役員の割合・情報通信業の割合は互いに中程度以上の正の相関（相関係数> 0.5）を持っており、特に大学院卒と役員の間の相関係数は0.75と大きかった（いずれもピアソン相関）。

ただし、回帰係数を見ると、興味深い違いがある。大学院卒業者の割合、平均年齢、情報通信業の割合はいずれも負の係数を持っていて、これらが高いと参政党の得票率は下がる傾向がある。一方で、役員の割合は正の係数を持っていた。

得票率と予測値の表

感想

雑なモデルなので話半分でね。

データの中身とか、もうちょい詳しく書いとく

出典

分析に使ったデータの出典はこんな感じ。

• 人口や世帯数、平均年齢、男女別の人口割合などは、東京都の公開している人口統計（令和7年1月・令和2年1月）
  • https://www.toukei.metro.tokyo.lg.jp/juukiy/2025/jy25qf0001.pdf　表形式でも統計データが提供されてるんじゃないかな
  • https://www.toukei.metro.tokyo.lg.jp/juukiy/2020/jy20qf0001.pdf
  • https://www.toukei.metro.tokyo.lg.jp/juukiy/2025/jy25qv0500.csv

• 就業状況（大学院卒や役員、自営業主など）は、令和2年国勢調査のデータ
  • https://www.e-stat.go.jp/stat-search/files?page=1&toukei=00200521&tstat=000001136464&tclass1=000001136467

• 犯罪に関する指標は「令和6年　区市町村の町丁別、罪種別及び手口別認知件数」を使用
  • https://www.keishicho.metro.tokyo.lg.jp/about_mpd/jokyo_tokei/jokyo/ninchikensu.html

• 得票率
  • https://www.nhk.or.jp/senkyo/database/sangiin/2025/kaihyomap/

変数

使用した11個の変数はこんな感じ。

• 平均年齢（令和7年1月）：令和7年1月次の平均年齢
• 1世帯あたり人口（令和7年1月）：人口を世帯数で割った
• 男性率（令和7年1月）：男性人口を総人口で割った
• 外国人比率（令和7年1月）：外国人人口を総人口で割った
• 5年間外国人割合変化（令和2年から7年）：令和2年の外国人比率で、令和7年の外国人比率を割った
• 犯罪認知割合（令和6年件数/令和7年人口）：令和6年の犯罪認知件数を令和7年の人口で割った。もうちょいきちんとやるなら、令和6年と令和7年の人口の平均で割るみたいにしたほうがいいと思う。
• 大学院卒業者/全卒業者（令和2年国勢調査）：令和2年国勢調査での、全卒業者数に占める大学院卒業者の割合
• 不詳者/全卒業者（令和2年国勢調査）：令和2年国勢調査での、全卒業者数に占める不詳者の割合
• 従業上の地位：役員の割合（令和2年国勢調査）：令和2年国勢調査での、15歳以上の就業者に占める、従業上の地位が役員の割合
• 従業上の地位：自営業主の割合（令和2年国勢調査）：令和2年国勢調査での、15歳以上の就業者に占める、従業上の地位が自営業主の割合
• 産業区分：情報通信業の割合（令和2年国勢調査）情報通信業の割合：令和2年国勢調査での、15歳以上の就業者に占める、産業区分が情報通信業である割合

結果についてももうちょい詳しく

statsmodels.api.OLSの結果

OLS Regression Results                            ==============================================================================Dep. Variable:                      y   R-squared:                       0.730Model:OLS   Adj. R-squared:                  0.680Method:                 Least Squares   F-statistic:                     14.84Date:                Mon, 21 Jul2025   Prob (F-statistic):           5.09e-06Time:                        07:21:02Log-Likelihood:                -20.653No. Observations:                  27AIC:                             51.31Df Residuals:                      22BIC:                             57.78DfModel:                           4                                         Covariance Type:            nonrobust                                         ==============================================================================                 coefstd err          tP>|t|      [0.025      0.975]------------------------------------------------------------------------------const       1.277e-15      0.111   1.15e-14      1.000      -0.230       0.230x1            -0.5743      0.230     -2.493      0.021      -1.052      -0.096x2            -1.3278      0.204     -6.512      0.000      -1.751      -0.905x3             0.8670      0.174      4.973      0.000       0.505       1.229x4            -0.5382      0.169     -3.184      0.004      -0.889      -0.188==============================================================================Omnibus:                        2.233   Durbin-Watson:                   2.170Prob(Omnibus):                  0.327   Jarque-Bera (JB):                1.169Skew:                          -0.035   Prob(JB):                        0.557Kurtosis:                       1.983   Cond. No.                         4.48==============================================================================

説明変数11個でのデータと結果

OLS Regression Results                          ==============================================================================Dep. Variable:                      y   R-squared:                       0.833Model:OLS   Adj. R-squared:                  0.711Method:                 Least Squares   F-statistic:                     6.803Date:                Mon, 21 Jul2025   Prob (F-statistic):           0.000472Time:                        06:53:14Log-Likelihood:                -14.148No. Observations:                  27AIC:                             52.30Df Residuals:                      15BIC:                             67.85DfModel:11                                      Covariance Type:            nonrobust                                      ==============================================================================                 coefstd err          tP>|t|      [0.025      0.975]------------------------------------------------------------------------------const      -5.405e-15      0.106  -5.12e-14      1.000      -0.225       0.225x1            -0.7820      0.361     -2.165      0.047      -1.552      -0.012x2            -0.3056      0.355     -0.860      0.403      -1.063       0.452x3             0.0671      0.270      0.248      0.807      -0.509       0.643x4            -0.0737      0.213     -0.346      0.734      -0.527       0.379x5             0.2652      0.168      1.579      0.135      -0.093       0.623x6            -0.0534      0.246     -0.217      0.831      -0.578       0.472x7            -1.7650      0.293     -6.018      0.000      -2.390      -1.140x8            -0.5147      0.379     -1.358      0.195      -1.322       0.293x9             1.3916      0.348      3.994      0.001       0.649

Permalink |記事への反応(1) | 19:19

ツイートシェア

■anond:20250705091126

厳密な数学の定義に従えば、この値段表は「線形」とは言えません。

数学における「線形関数」や「線形性（linear）」という言葉は、以下のように定義されます：

線形関数（一次関数）：

• 実数全体（あるいはある連続的な範囲）を定義域とし、
• 関数の形がf(x) =ax + b となる（特に「線形写像」の場合は b = 0）

この場合、たとえばf(x) = 1000x という関数は線形です（線形写像でもある）。

しかし、今回提示された値段表は以下のような 有限個の対応表 にすぎません：

これは単なる 有限個の離散点の列 であり、「関数」として定義されたものではありません。

ましてや連続な実数全体に定義された関数 でもなければ、線形写像 の条件も満たしていません。

したがって、結論：

数学における厳密な意味で「線形である」とは、実数全体などの連続な定義域において、加法とスカラー倍に関して閉じている写像（あるいは一次関数）であることが必要です。

よって、この値段表は、厳密な数学の定義では「線形」とは言えません。

Permalink |記事への反応(0) | 14:13

ツイートシェア

■線形の値段表が嫌い

って表を見るとイライラする。

複数個買うと安くなるのかと期待させておいて裏切られるがっかり感もあるし、お前は掛け算すらできないだろうと言われている気にもなる。

意味がわからないので値段が線形の場合は1個だけ書くようにしてください。

Permalink |記事への反応(5) | 09:11

ツイートシェア

■anond:20250630122010

深層学習は違うだろ

線形・非線形の関数を重み付きで連続させて勾配法で重み更新するという一連の数学手法の名前だから汎用性がある

Permalink |記事への反応(0) | 12:23

ツイートシェア

■anond:20250628221233

統計検定準1級ってどのくらいすごいの？

ChatGPT:

いい質問です！

「統計検定準1級」のレベル感を、内容や評価、他の資格と比較してわかりやすくお伝えしますね。

✅統計検定とは？

日本統計学会が実施する統計リテラシーの公式資格。

4級（高校基礎）～1級（高度専門家レベル）まであり、準1級はその間。

学術界やデータサイエンス職でも一目置かれる検定の1つ。

✅ 準1級はどのくらいのレベル？

「高度な統計活用力」**があることを証明するレベル。

大学学部の統計学をしっかり理解し、実際のデータ解析に応用できる力が求められます。

実際には「回帰分析」「分散分析」「多変量解析」「一般化線形モデル」「ベイズ推定」などを理論と計算の両面で問われます。

✅難易度感

合格率は20〜30%程度と低め（年度や分野により多少変動）。

計算問題も多く、公式を覚えているだけでは解けない応用力が必要。

データサイエンス系修士課程の基礎としても十分通用する知識レベル。

✅社会的な評価

統計関連資格としては日本で最もポピュラーで信用度が高い。

データサイエンティスト、マーケティングアナリスト、品質管理などの職種で有利になることもある。

研究職の大学院生がスキル証明に取得するケースも多い。

✅ 他の資格と比べると？

資格レベル感

統計検定2級大学基礎（文系学部レベル）

統計検定準1級大学上級＋応用（理系学部〜修士基礎）

統計検定1級専門家・研究者レベル

✅ どんな人が持ってると強い？

大学院でデータ解析をする人。

データサイエンティスト志望の人（実務と理論の両方を強調できる）。

社内で統計解析を担う人。

🎓総評

「単に知識を暗記している」ではなく、

理論を理解してデータに応用できる証明になる点が価値！

必要なら、勉強法のアドバイスやおすすめ教材もまとめてお伝えします！

Claude:

統計検定準1級は、日本の統計学の資格試験の中でもかなり高いレベルの資格です。

統計検定は4級から1級まであり、準1級は上から2番目の難易度にあたります。この資格は統計学の理論的な知識だけでなく、実際のデータ分析における応用力も問われるため、取得するには相当な勉強が必要です。

具体的な難しさとしては：

必要な知識範囲**

• 確率論、推測統計学の高度な理論
• 多変量解析、時系列解析
• ベイズ統計学
• 実験計画法
• データマイニングの手法

実用性の高さ**

データサイエンティストや統計解析を専門とする研究者、品質管理の専門家などが持っていると評価される資格です。大学院レベルの統計学の知識が求められるため、文系出身者にとっては特にハードルが高いとされています。

就職・転職での評価**

製薬会社の臨床統計、金融機関のリスク管理、マーケティングリサーチ会社、コンサルティングファームなどで重宝される資格です。

合格率も比較的低く、しっかりとした統計学の基礎から応用まで身についていることの証明になるので、統計・データ分析分野では「かなりすごい」資格と言えるでしょう。

ライン工にしてはやるじゃん。

Permalink |記事への反応(2) | 11:18

ツイートシェア

■あなたは適材か、それとも非適材か

適材が適所で働けるのが理想だが雇用流動性の著しく低い日本では適材が非適所でパフォーマンスを発揮できずに働いていたり、非適材が適所で働いて現場のパフォーマンスを下げていたりと大きな問題がある。もちろん非適材が非適所で働き、適材が適所で働けるような線形関係が実現するのが望ましいのだが、これは雇用環境の改善のみならず雇用流動性を上げることで非適材をひとところに長くとどまらせない工夫が必要である。

なぜなら適材は常に適材とは限らず、適所もまたいつまでも適所ではいられない。雇用流動性を高めるということは組織の流動性もまた高まる圧力がかかる。組織が常にトップを走り続けるためには適材の確保ももちろん、労働者にとって適所たらんという自己投資が求められるのである。これができない適材はいずれ陳腐化して非適材となり、旧来の工法にこだわり続け投資判断を見誤る組織もまた陳腐化して非適所となるのである。これは言ってしまえば我が国経済の新陳代謝であるから誰でも何処でも避けられないものだが、これを遅らせる事はできる。ましてや組織とは人の命に比べて長命であることもできる。適切な投資行動によりより長く適所として適材の集まる組織となれるだろう。

これが妨げられている環境下で何が起こるか。例えば適所が適切な投資行動により非適所となったとして、新陳代謝が働かないためにそれがあたかも適所であるかのように振る舞い続けることができる。そしてあたかも機を熟したかのように投資行動を取ることで非適所がまた適所に容易に返り咲くことができてしまうのだ。本来新陳代謝の働きによって追い出されるべき存在が、いつまでもその座に居続けることができてしまう。これは適所非適所の理屈にあっては大事にはならないように思える。しかし中で働く労働者の場合はどうだろうか。緩やかなダイナミズムが容認されうる組織と、中で働く労働者が同じバイオリズムで働き続けることが経済や組織にとって有益だろうか？

Permalink |記事への反応(1) | 15:52

ツイートシェア

■

なんかさ、パラメータaがあるとして、aを増加させるとbがどう反応するか、みてぇのをテストするだろ？

で、線形増加とか逓減とかならわかるんだけど、ある中間地点まで増加してそっから減少する、とか起こるとバランスポイントの神秘みたいの感じるよな

Permalink |記事への反応(1) | 09:30

ツイートシェア

■Twitter「the-algorithm」における推薦システムの数学的抽象化

Twitterの「the-algorithm」リポジトリをもとに、推薦アルゴリズムを数学的に極限まで抽象化すると、以下のように表現できます。

1.問題設定

ユーザー u ∈ U に対して、一連の候補アイテム（ツイート） i ∈ I をスコア付けし、降順に並べて上位 K を表示します。

要するに、以下を最大化する推薦問題です：

argmax{i∈C(u)} S(u,i)

ここで C(u) は候補集合、S(u, i) はスコア関数。

2.パイプライン構造：4段階モデル

(1)候補生成（Retrieval）

数千万から億単位のツイート全体 Iから、まず候補集合 C(u) ⊂ I を生成。

グラフ構造（フォロー関係）や「SimClusters」「TwHIN」など埋め込みから近似。

検索インデックス（Lucene/Earlybird）による検索スコアによる絞り込み 。

数理的には、潜在空間中でユーザーとアイテムの距離または類似度sim(u, i) が上位のものを選ぶ操作。

(2) 軽量ランク付け（Light Ranker）

候補数をさらに削減。特徴量 xᵤ,ᵢ を簡易学習モデル（線形モデルなど）に入力し出力スコア：

Slight(u,i) = wᵀxᵤ,ᵢ

重み w やバイアスは学習済み。

(3) 重量ランク付け（Heavy Ranker）

多層ニューラルネット＋マルチタスク学習で、複数のユーザー行動（いいね、リプライ、リツイートなど）確率 Pₖ(u, i) を予測。

スコア関数は以下の形：

S(u,i) = Σₖ αₖPₖ(u,i)

例：リプライ Pᵣₑₚₗᵧ に重み 27、著者返信あり Pᵣₑₚₗᵧ_ₐᵤₜₕₒᵣ に 75 など。

ここで係数 αₖ は A/Bテストなどで最適化されます。

(4)可視性フィルタ／スコア調整（Filtering & Boosting）

ランキング後、フィルタやスコア修正を施す：

ブロック・ミュート・NSFW・スパムなどで除外。

投稿者がBlue Verifiedなどでスコアを×4または×2倍。

同一投稿者続出の抑制、逆風バイアス（negativefeedback）などが入る。

これは以下のような修正：

S̃(u,i) =mS(u,i)

ただし m はフィルタとブーストによる乗数。

3.数学的抽象表現

以上を統合すると、推薦問題は以下のように整理できます：

• 候補生成：C(u) = {i ∣sim(u,i) ≥ τ}
• 軽ランク：Slight(u,i) = wᵀxᵤ,ᵢ
• 重ランク：P = fᶿ(u,i) ∈ [0,1]ᴷ，重み α によるスコア合成
• 調整後最終スコア：S̃(u,i) = m(u,i) Σₖ αₖPₖ(u,i)
• 推薦：argmaxₖ S̃ を選定し表示。

この構成は一般的なレコメンダシステムの「Retrieval → Ranking → Filtering」の標準パイプラインと整合。

4.抽象化の限界と詳細（モデル・信号・推定）

学習モデル fᶿ は特徴量集合・ニューラル構造・訓練データによって依存し、ブラックボックス的。

特徴量 xᵤ,ᵢ は埋め込み、行動履歴、文脈、信頼性指標（tweepcred）等多次元で複雑。

スコア重み αₖ は明示されるが、最適化は A/Bテスト・実システムでの評価に基づく。

信頼性・安全性のルール はフィルタとして明示されるが、その詳細（具体的しきい値など）は省略・秘匿されている。

数学的に本質を抽象すると

S̃(u,i) = m(u,i) Σₖ αₖ fᶿₖ(u,i)

ここで、

• C(u)：ユーザー u にとって意味ある候補集合
• fᶿ：深層モデルからの行動確率推定
• αₖ：行動重み
• m(u,i)：フィルタやブーストによるスコア調整

という、レコメンドパイプラインの抽象テンプレートに帰着します。

5.結論

Twitterの「the-algorithm」は、コード構造の多くを公開しているものの、モデルパラメータ・学習データ・設定ファイルは秘匿されており、上述パイプラインの数学的な枠組みは把握できても、実際の挙動はまだブラックボックスです。

とはいえ、レコメンデーション理論の観点からは、上記の抽象モデルで十分に説明可能であり、汎用の数学モデルとして整合しています。

Permalink |記事への反応(0) | 11:25

ツイートシェア

■推薦系スコア統合問題

• ユーザー集合：U
• アイテム集合：I
• 各 u ∈ U は属性 α(u) と履歴 Cᵤ ⊆ I を持つ
• 各 i ∈ I は属性 β(i) を持つ
• スコアリング関数 f₁,...,fₙ：U × I → ℝ
• 上位関数 g：ℝⁿ → ℝ
• 推薦集合 R ⊆ I を g(f₁(u, i), ..., fₙ(u, i)) により最適化する

この構造はすべて、（集合と関数の）圏論的構造を持ちうるデータ空間です。

ステップ 1：圏と関手による基本抽象化

まず、構造を圏的に捉えます。

• ユーザー圏 Cᵤ：対象：ユーザー u ∈ U、射：属性写像 α：U → A（ユーザー属性空間 A）
• アイテム圏 Cᵢ：対象：アイテム i ∈ I、射：属性写像 β：I → B（アイテム属性空間 B）

これらの直積圏 C = Cᵤ × Cᵢ 上で、fⱼ：C → ℝ を射とする関手列が定義されているとみなせます。

ステップ 2：エンリッチド圏による意味付け（V-Category）

推薦問題の核心は、スコアや意味的な関係を定量的または論理的に評価することにあります。これを抽象的に捉えるには、エンリッチド圏の理論が適しています。

2.1定義：V-エンリッチド圏 (V-category)

• V をモノイド圏とする（例：(ℝ≥0, +, 0) または ([0,1],max, 0)）
• 任意の2対象 x, y に対して、「射」ではなく「xから y への距離」または「評価値」v(x, y) ∈ V が与えられる

推薦システムにおいて：

• V = (ℝ≥0, +, 0) とすれば「コスト空間」
• V = (\[0,1], ×, 1) とすれば「信頼度空間」

2.2 本問題への適用

ユーザー u ∈ U、アイテム i ∈ I に対して、評価： v(u, i) ≔ g(f₁(u, i), ..., fₙ(u, i)) ∈ ℝ

これは、ユーザーとアイテムのペア空間 U × I を対象とする ℝ-エンリッチド圏と見なせる。

ステップ 3：トポス理論への接続

3.1トポスとは？

トポスとは、直感的には「集合のような性質を持つ圏」です。ただしそれは集合よりはるかに柔軟で、論理と空間の一般化的枠組みです。

本問題では、推薦空間自体を内部論理と意味を持つトポスと見なします。

3.2 推薦空間をトポスとして構築

• 基本的なトポス：Set（集合の圏）
• 推薦空間は： 𝔼 =Sh(C, J) ここで： C は情報構造（ユーザー×アイテムの圏）、J はGrothendieck 拡大により定義された前層トポスのトポロジー（つまり、どの情報が「十分」かを定義）
• このとき、推薦集合 R ⊆ I は、𝔼 内の部分対象（subobject）として定義される。

ステップ 4：推論と最大化をトポス内部で定義

• 推薦写像 Rᵤ：U → 𝒫(I) は、内部関数：1 → Ωᴵ すなわち、トポス内の部分対象関数と見なされる
• 評価関数 h：U × I → ℝ はトポス内の射
• 推薦最適化問題は：Rᵤ(u) = { i ∈ I | h(u, i) は極大 }
• これは内部ロジックで定義された論理式：ϕ(u, i) ≡ h(u, i) ≥ h(u, j) ∀j ∈ I これを満たす対象 i の集合が、トポス内の「真理値 Ω を取る述語」ϕ で定義される部分対象となる。

ステップ 5：総合抽象構造としての構成

• 圏構造：ユーザー・アイテムの直積圏 C
• エンリッチメント： 射 Hom\_C((u₁, i₁), (u₂, i₂)) にスコア差による V-距離（例：|h(u₁, i₁) − h(u₂, i₂)|）を割り当てる
• 関手構造：評価関手 h：C → V
• トポス構造： 推薦対象 R ⊆ I を含む集合を、トポス 𝔼 =Sh(C, J) 内の部分対象として定義。決定関数は内部論理で定義された述語の真理値評価

総括

Permalink |記事への反応(0) | 04:16

ツイートシェア

■陰毛論者「AIを作ってる奴らとの知識格差が支配構造を生む！」

陰毛論者「だから僕もAIを学ぶ！」

陰毛論者「ほう、Transformerにデータを突っ込んでバックプロパゲーション回してるだけ？Transformerとは？バックプロパゲーションとは？」

陰毛論者「ほう、Transformerとは、よくわからないけどうまく行っただけのニューラルネットの構造？ほう、バックプロパゲーションは誤差を埋めるアルゴリズムと。ニューラルネットとは？誤差とは？」

陰毛論者「ほう、ニューラルネットは、いろいろな線形・非線形の関数を重み付きで結合しただけの構造、と。誤差とは、正解とニューラルネットの出力の差と。」

陰毛論者「なんだ、こんなもん、ディープでポン、じゃねーか😂」

Permalink |記事への反応(1) | 05:36

ツイートシェア

■anond:20250523163241

線形性の成り立つ条件を斜め読みした人間が設計したビルに入るのは怖い

Permalink |記事への反応(0) | 16:37

ツイートシェア

■anond:20250517225110

「VUCA（ブーカ）」という言葉が持つ説得力は、その背景にあるリアルな状況認識に由来します。

Volatility（変動性）、Uncertainty（不確実性）、Complexity（複雑性）、Ambiguity（曖昧性）

これはもともと米軍が冷戦後の世界を分析するために用いたフレームワークで、「敵が見えない・状況が変わりやすい・因果が読めない」という混沌を捉えようとしたものでした。

つまり、現実を記述するための言葉としては非常に鋭利なんですね。気候変動やパンデミック、グローバル経済、生態系の臨界点、AIによる社会変動など、「線形な予測が通じない領域」に非常によくフィットします。

一方で、それがビジネス用語として定着する過程で軽薄化してしまったのも事実です。

スーツ姿の「考えてる風」の中年が「今はVUCAの時代だからねえ」とか言って、実際は具体的な戦略もないまま右往左往してる……という構図には言葉だけが浮いていて中身が伴っていない違和感があります。

つまり、あなたが感じている「説得力あるのに、なんかビジネス用語っぽくてダサい」という矛盾は、

元々は本物のカオスに直面した軍事的・戦略的文脈で生まれたが、それを中身のないマネジメント言語として消費する人たちが出てきたという二重性のせいです。

VUCA自体は現代世界を捉える優れたレンズだけど、それを使う人間の深度次第で意味が希薄化する、という構図ですね。

補足すると、「VUCAにどう対応するか」の文脈で「Vision, Understanding, Clarity, Agility」という後付けの“ポジティブVUCA”を掲げる人もいますが、これもまたビジネス業界が「不安を処理可能なものに見せかける」手段として利用してる感が否めません。

VUCAは、人間の認知や組織の構造そのものを変えなければ対応できないレベルの変化を指していると思っておいた方が、言葉を正しく使えます。

Permalink |記事への反応(0) | 22:58

ツイートシェア

■ほら、だから言ったじゃん。抽象数学とか超弦理論とかをやらない奴は精神が荒廃してるって

この主張は感情的な誇張ではなく、認知の健全性に対する論理的帰結である。

抽象数学や理論物理は、脳に対する最も高密度で高精度な刺激の一種であり、それを回避するという選択は、自らの知的免疫系の機能停止を意味する。

無限、非可算性、共形対称性、10次元時空などの対象を真剣に扱うということは、直感という低解像度の誤認知から脱却し、抽象的な構造体を精密に操作する技能を獲得するプロセスだ。

これを通過しない脳は、言語と経験則に寄生するだけの思考様式に堕する。

精神の荒廃とは、主観の快・不快を唯一の判断基準とし、世界を構造体としてではなく連想記憶の連鎖としてしか捉えられない状態を指す。

抽象的対象と真剣に向き合うことでしか、人間は「自己を相対化する知性」を獲得できない。

たとえば、ゲーデルの不完全性定理やホモロジー論を真面目に理解しようとする過程で、人間の思考装置の限界と構造が自覚される。

逆に、それらに一切触れない精神は、自己中心的な認知モデルから一歩も出ることができず、やがて世界は「感情でしか捉えられない不安定なノイズ」と化す。

抽象性は単なる知的遊戯ではない。無意味に見える記号操作の中に、現実の物理法則を予見する構造が隠されていることを、ヒルベルト空間や量子場の理論が証明している。

つまり、抽象数学や超弦理論を理解しようとしないことは、世界を構造的に捉え直すチャンスを永久に手放すということに等しい。

精神の堕落は知的怠惰から始まる。日々の思考が、線形性と可視化可能性の範囲に閉じ込められ、非可視の構造や反直感的な対象に対して「分からないから無意味だ」という態度を取るようになったとき、その精神は既に荒廃の途上にある。

抽象思考は贅沢品ではなく、生存に必要なメタ認知機構のトレーニングである。

だから、言っただろ？ やらないという選択自体が、既に劣化の兆候なのだと。

Permalink |記事への反応(1) | 23:51

ツイートシェア

■

Gに関する自己無撞着ループが収束するとして・・（　＾ω＾）・・・

Aは求められるよな・・（　＾ω＾）・・・

EFだよねー。エンドメンバーの値から線形近似内挿で決めちゃえばいいのでは？

そうするとρまではいけるはず

みつあきAPIどの段階で駆使？串？

Permalink |記事への反応(0) | 08:20

ツイートシェア

■困難は微分せよ

困難は微分せよ。

微視的に扱えば線形＝シンプル。あとは経路を選び、積分して全体解を得るだけ。

微分できねば “測度を取り”、例外は隔離せよ。

Permalink |記事への反応(0) | 16:52

ツイートシェア

■東京の人が思ってるほど田舎は電車に依存していない

東京から来た人がたびたび口にするのだが

• 田舎の駅前が閑散としている
• もっと鉄道網が良ければこの町も発展しただろう

まあ3割くらい当たってるけど7割間違ってると思う

東京と田舎はよく鉄道と自動車で比較されるけど、そもそも東京が異常な発達をしているだけなんだよ

水道や電気のように全ての町に鉄道と駅が備わっていて便利に稼働しているべき、という東京の認識って本当は現代の日本では異端

他は1990年代のモータリゼーション普及に伴い、完全に自動車社会になっている

逆に東京が発展していることを理由にそれをならって街づくりをしようとしても全部失敗する

でもみんな東京が素晴らしい、東京に倣えっていうからその思想は東京人に本当に根強く張ってる

だから駅前が閑散としていることが東京の人には許しがたいことで、ロードサイド店舗を見下すし、都市と都市の間に田んぼが広がっていることを嘲笑する傾向がある

駅間を歩いても問題ないのって縦横のみならず立体的に鉄道網が敷設された東京や大阪みたいな大都市圏だけだからね

そこまでネットワークが構築されていればいいんだが、たかが線路と駅だけでは線形のルートしか作れないから沿線以外は何の関係もない

今はどこも便利な道路網を求めているので、高規格なバイパスとか広域農道いっぱいつくってるしさ

鉄道が本当に必要なのは学生だからそこだけは東京に倣っていいとは思うけどね

駅前がさびれていようが無人駅があろうが廃線になろうが、その土地にとってはいらかなったということだと思うよ

まあ事情はそれぞれだけど、なんか駅がないと都市が死んでるみたいなこと言われてもね

最近土浦に鉄道延伸計画がでているけど、たぶんその前に土浦は終わる気がする

しらんけど

一つだけ言えるのは、郊外や田舎という分野においては東京にいる人が何を言っても考えても全部的外れだということ

加えて、最も悪いのは少子高齢化だということ

Permalink |記事への反応(1) | 16:26

ツイートシェア

■anond:20250425162950

自分も人より多いほうだと思うけれど、ARTへの抵抗感が強かったので子供一人。

かける価値があると思うものにはお金をかけるけれど、かける価値がないと思うものにはお金をかけないかな。

お金について考えるか

人生論とか哲学とかそういうのは時間の無駄なので考えない。他人の年収も考えない。

お金のことを考えるのも年末に腰を据えて考えて、ポートフォリオを組み替えるときくらいだな。

自分の年収を一番意識するのは確定申告のときくらい。

お金の使い方

年に数回程度しか出張しなかったので、出張のたびにお土産は買ってた。これが月一くらいになるときっと買わなくなるんだろうと思う。

厳格なカトリックの学校にいて、見せびらかすのは下品という価値観で育ったので、人に見えるところにはむしろお金をかけない。親族も含めてたかりやがおおいしね。

スーパーでも普通に値段は見てるし、何なら総菜ダッチオークションにも普通に参加する。総菜ダッチオークションしていることに妻は不満のようだ。

牛肉を買うときは特別な時以外外国産で、豚も量を食べたいときは外国産だったりする。鶏肉だけ国産。

牛乳は味見をして気に入ったものを買っているのでちょっと高め。

仕事のストレス

ストレスは上司による。育成を考えている合理的な考え方をする上司と仕事をしたときは楽。日本に偏見があるインパール作戦上司と仕事をしたときは地獄。

楽というのは上司対策のための無駄な労力を割かないで全部本来の仕事に向けられるって話で、合理的な大変さは仕事の何度とストレスが線形増加のイメージ。

旅行

旅行は年収低かったときは若くて田舎に住んでいたというのもあったけれど、遊びに行くのは近所に日帰りだったな。

確かに年収が上がってから泊りがけで旅行に行くようになったと思うので、旅行による出費は増えたと思う。

最上級ではないけれど、ケチって変なところに泊まるみたいなのはない。

子育て

子供の教育費はかけているほうだと思う。興味を持ったものをやらせることと辛抱強くやらせることのバランスが難しい。入るときにおおよそのマイルストーンを設定して、達成したらいつでもやめていいよスタイルかなとは思う。

正月、節分のような季節の行事はケチらず実施。

子供の金銭感覚が壊れないように、子供へのそれなりの額をかけるプレゼントは誕生日とクリスマスだけ。

子供が友達とどこかに遊びに行くというと援助はするけれど、基本的には家事を手伝ったときの報酬として渡すお小遣いでまわす感じ。

家事

元増田の子育てと言いながら家事代行で何とかするという話がよくわからなかった。子供何歳くらいなんだろう...

純粋に家事なら家電やお料理キット・総菜で解決できるものもある程度あるとは思うけど。

Permalink |記事への反応(0) | 08:45

ツイートシェア