| 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 |
Completed (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 / マーケティング施策 / 効果検証 |
|---|
| 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つの基本的な個別課題を設定し，並列かつ相互に連携しながら研究を遂行してきた．
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．
2023年度も前年度に引き続き「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，大規模ログデータを機械学習したモデルを効果的に援用したアプローチとして「機械学習モデルに基づく施策実験の計画手法」を開発している．さらに，共同研究先の企業と協力し，本研究で提案した施策実験手法の実証実験による評価を進めた．また，ビジネス実験計画と施策効果評価の関連技術として“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”などの手法やモデルについて，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，いくつかの成果を得ることができた．
これらの研究成果は順次，国際会議等でも発表を継続しており，学術論文の形でも公表の予定である．
|
| Research Progress Status |
令和5年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和5年度が最終年度であるため、記入しない。
|
