| Project/Area Number |
21H04600
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 25:Social systems engineering, safety engineering, disaster prevention engineering, and related fields
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
後藤 正幸 早稲田大学, 理工学術院, 教授 (40287967)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
上田 雅夫 横浜市立大学, データサイエンス学部, 教授 (20755087)
守口 剛 早稲田大学, 商学学術院, 教授 (70298066)
関 庸一 群馬大学, 情報学部, 教授 (90196949)
鈴木 秀男 慶應義塾大学, 理工学部(矢上), 教授 (10282328)
生田目 崇 中央大学, 理工学部, 教授 (10318222)
小林 学 早稲田大学, データ科学センター, 教授 (80308204)
三川 健太 東京都市大学, メディア情報学部, 准教授 (40707733)
山下 遥 上智大学, 理工学部, 准教授 (90754797)
|
|---|
| Project Period (FY) |
2021-04-05 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥41,860,000 (Direct Cost: ¥32,200,000、Indirect Cost: ¥9,660,000)
Fiscal Year 2023: ¥10,010,000 (Direct Cost: ¥7,700,000、Indirect Cost: ¥2,310,000)
Fiscal Year 2022: ¥9,750,000 (Direct Cost: ¥7,500,000、Indirect Cost: ¥2,250,000)
Fiscal Year 2021: ¥11,310,000 (Direct Cost: ¥8,700,000、Indirect Cost: ¥2,610,000)
|
|---|
| Keywords | データ駆動型社会 / 機械学習 / 人工知能 / 実験計画 / 因果推論 / 施策効果 |
|---|
| Outline of Research at the Start |
本研究では，大規模データから得られる機械学習モデルを駆使し，効率的な仮説発見と共に，可能な限り少ない追加実験で最適と考えられる施策を推定可能な「データ駆動型の実験計画と評価の技術」を開発する．これにより，選択バイアスを有するデータから得られる機械学習モデルを活用し，最小限の実験コストでマーケティングなどの施策最適化に結び付けることを可能とする「統計モデリングと実験計画を統合した最適化手法」の確立を目指す．これはデータ駆動型社会の基盤をなす技術として位置づけられ，実務的にも大変重要で適用範囲が広いことに加えて，学術的にも新たな分野を切り開く可能性が高いテーマである．
|
| Outline of Annual Research Achievements |
本研究では，以下の3つの基本的課題を設定し，研究に取り組んでいる．
１．（機械学習モデルの設計） 施策の最適化を目的とした実験計画のために，「機械学習に基づく統計モデル」を「追加実験によるデータ取得」と「施策の最適化」に結び付けるプロセスの全体像，及び，効果的な実験計画を可能とする機械学習モデルを如何に設計すべきか．
２．（効率的な追加実験の計画手法構築）大規模ログデータから構築された統計モデルが与えられたもとで，最小限の回数で最適施策の探索に結び付ける，効率的な追加実験を如何に計画することが可能か．
３．（施策の最適化と因果効果の評価手法の開発） 大規模データから得られた統計モデルと実験データを統合し，どのような方法で施策を最適化するか．加えて，共変量やデータの選択バイアスを考慮し，施策の因果効果を精度よく評価することが可能であるか．
2022年度は「１．機械学習モデルの設計」と「２．効率的な追加実験の計画手法構築」を統合的に捉え，いくつかの企業との共同研究をベースとして大規模ログデータの機械学習に基づく施策実験の計画手法の開発を行った．様々な具体的事例に対して機械学習モデルを活用する技術基盤についての成果を得ており，実ビジネス上での施策実験のデザインが完了し，2023年度の施策実験の準備を進めている段階である．また，これらの課題に関連する技術として“能動学習”，“ベイズ最適化”，“バンディッドアルゴリズム”，“因果推論”などの領域で扱われてきたモデルについて，ビジネスドメインでの活用可能性について検討を行い，実問題の特性を考慮した改良モデルの提案も行った．
「３．施策の最適化と因果効果の評価手法の開発」については，ベイズ最適化と因果推論モデルの実活用と改良を行い，一定の成果を得ているが，上記で設計した実ビジネスドメイン上での施策実験の結果についての評価に結び付ける予定である．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2022年度は，本研究課題に関連する技術である“能動学習”，“ベイズ最適化”，“バンディッドアルゴリズム”，“因果推論”の領域のモデルをビジネスドメインで活用する方法について多角度から研究を行い，いくつかの国際会議や学会での成果発表に結び付けた．これらの成果は，2023年度の研究活動に向けて重要な知見やノウハウを提供しており，今後の研究への継続が期待できる．
また，本研究課題が設定している3つの基本的課題のうち，「１．機械学習モデルの設計」については，実企業が保有する大規模ログデータを用いて機械学習モデルの構築を行い，次に示す追加実験計画のための新たな仮説立案が可能であるか否かを検討した．
加えて，「２．効率的な追加実験の計画手法構築」において，先に構築した機械学習モデルを駆使して，条件付ランダム化比較試験の構成というアプローチを用いた実験計画の検討を行った．現在，提案した実験計画手法に基づく実証的な運用実験を計画しており，順次，実務における効果検証を進めていく準備が整いつつある．
「３．施策の最適化と因果効果の評価手法の開発」においては，ベイズ最適化を活用したビジネス施策の最適化，並びに文脈バンディッドアルゴリズムを導入した施策最適化について検討を行い，いくつかの改良手法の開発を行った．
以上の研究成果については，順次，国際会議や国内学会で発表すると共に論文投稿を進めている．2022年度も論文として掲載された業績は26件，国際学会を含む学会発表46件となっており，順調に研究成果を公開するに至っている．2022年度中に得られた成果についてもすでに複数のジャーナルに論文投稿を完了しており，今後の実績に向けた活動も継続中である．
また，これまでの研究の成果により，現状の課題感について明確なイメージが構築されており，2023年度の研究活動に向けた研究計画を立てることができる段階にある．
|
| Strategy for Future Research Activity |
2023年度以降も，これまでの研究活動を継続し，まずは因果推論モデルやベイズ最適化などの枠組みで発展してきた周辺技術について，ビジネスデータ分析の応用上の課題について実証的な評価を行う．加えて，3つの基本的課題である「１．機械学習モデルの設計」，「２．効率的な追加実験の計画手法構築」，「３．施策の最適化と因果効果の評価手法の開発」を研究の軸として研究を継続する．
基本課題１と２については，複数の企業事例を具体的な研究対象として研究を進める．また，施策最適化という問題設定を適切に定式化し，そのための統計モデリングについて実務的な知見と機械学習の最先端技術に関するノウハウを総動員し，徹底的な検討を行う予定である．2022年度の研究の成果から，大規模ログデータを学習した機械学習モデルの予測を駆使した条件付ランダム化比較の構成がビジネスドメインでは有効となり得る可能性が示唆されており，その有効性について継続的に検証を行う予定である．
基本課題３については，共同研究先企業とも密に連携し，計画した実験を実際のビジネスで実施することによる実証的な検証を併せて進める予定である．本研究では，演繹アプローチと帰納アプローチの双方から研究を進め，それらの知見を統合する．
研究全体の進捗統括は代表者の後藤が行い，分担者の三川と山下がサポートに入る．分担者の守口と上田はマーケティングの観点から本研究課題に取り組む．また，分担者の鈴木，関，生田目は，マネジメント技術やデータ解析技術の観点から本課題にアプローチし，山下を通じて研究代表者グループと連携する．分担者の小林と三川は，数理最適化の観点から演繹アプローチにより本研究課題に取り組み，代表者と連携して理論構築を目指す．
|
