| Project/Area Number |
23K20388
|
|---|
| Project/Area Number (Other) |
20H04254 (2020-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2020-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61040:Soft computing-related
|
|---|
| Research Institution | Yokohama National University |
|---|
Principal Investigator |
中田 雅也 横浜国立大学, 大学院工学研究院, 准教授 (00781072)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
白川 真一 横浜国立大学, 大学院環境情報研究院, 准教授 (90633272)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,030,000 (Direct Cost: ¥13,100,000、Indirect Cost: ¥3,930,000)
Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2023: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2022: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2021: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2020: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | 進化計算 / 機械学習 / 最適化 / 関数同定 / 進化的ルール学習 / 説明可能性 |
|---|
| Outline of Research at the Start |
本研究では、説明可能なAI技術(XAI)として位置付けられる進化的ルール学習を最適化分野へ展開することで、「最適解に対する根拠の説明」が求められる実現場の最適化ニーズを満たす説明可能な進化計算(XEC)を実現する。申請者が構築してきた進化的ルール学習の高信頼・高性能化技術を駆使することで、最適解の導出と最適解の性能根拠を示す説明モデルの獲得を同時に達成する。本研究は、Black Boxとして閉じられた最適化対象物に対する挙動の理解や最適化戦略の抽出といった、ヒトの知能増幅にも波及可能な進化計算の新たな適用価値を創出することで、新しい最適化のパラダイムの開拓を目指す。
|
| Outline of Annual Research Achievements |
今年度は提案したモデルベース進化計算の高信頼化と高性能化技術の構築を課題としていた。これらの成果は昨年度に一定の成果を挙げていたため、本年度は実社会の最適化で頻繁に定式化され、かつ、本研究課題でも扱う高次元問題への対処について重点的に取り組んだ。
まず、高次元入力空間において、高信頼な説明モデルを獲得するために、進化的ルール学習手法が最適なルール構造（説明モデル）を進化的に獲得するために、ルール構造の精度を有限回の学習回数で正しく識別できることを証明した。また、特に学習初期において適合度の不確定性が増大し最適化が困難となることを示し、更なる性能改善のために収束性に優れた適合度の学習メカニズムの必要性を明らかにした。また、同学習手法を用いた区分的関数同定手法として拡張し、不連続関数に対して説明モデルを高精度に抽出できる技術を構築した。特に簡単な数学的構造を持つ関数では、その構造を正しく捕捉した説明モデルを区分毎に獲得可能であり、また、高次元問題において、モデルベース進化計算の最適化性能を向上させるために、分類モデルと近似モデルを用いたハイブリッド手法によって、多目的最適化問題において、既存手法の性能を超える最適化性能導出に成功した。加えて、局所領域に特化した近似モデルを構築し探索する方法、オートエンコーダを用いて次元圧縮を行う方法を構築し、それぞれ50から150次元の高次元問題において既存手法の性能を大幅に超える成果を挙げた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
要素技術として用いる進化的ルール学習手法は、高次元入力空間を扱う問題において学習性能が低下する問題がある。この問題は同手法で用いる進化計算の適合度に不確定性が存在し、ルール構造（説明モデル）の最適化に失敗することが原因である。そこで、最適なルール構造を進化的に獲得するために、ルール構造の適合度計算に関する理論解析を実施し、有限の学習回数で正しい適合度を学習可能であることを示した。この成果は論文誌1件で公表した。また、説明モデルを獲得する際に、不連続目的関数を扱えるようにした進化的ルール学習も構築し、論文誌1件（採択決定済）で公表した。
モデルベース進化計算は、主に20次元以下程度の低次元問題を対象としており、50次元以上の問題において最適化性能が著しく低下する。今問題に対処するために、次の3つの手法を構築した。まず、次元増加に比較的頑健な分類モデルを近似モデルベース進化計算に組み込むことで、50、100次元の多目的最適化問題で性能改善を達成し、論文誌1件（採択決定済）で公表した。次に、オートエンコーダをモデルベース進化計算に組み込み、圧縮された低次元潜在空間で近似モデルを構築することで、50, 100, 150次元で性能改善を達成した。この成果は、国内会議1件で公表している。最後に、局所領域に特化した近似モデルを構築し探索する方法を構築し、既存手法の性能を大幅に超える成果を挙げた。この成果は、プレプリントとして先行公開している。
以上より、本年度の課題であった、モデル進化計算とその要素技術に関する高信頼化と高性能化を達成しており、順調に進展している。
|
| Strategy for Future Research Activity |
構築したモデルベース進化計算は、最適化に用いる参照ベクトルを適切に設定しなければ性能が低下することを示している。今後は、参照ベクトルをパレート形状に合わせて適応的に選択する方法を構築し、更なる性能改善を目指す。
また、進化的ルール学習手法に関する理論解析より、特に学習初期において適合度の不確定性が増大し最適化が困難となることを示した。したがって、適合度の算出式の再設計を行い、更なる高性能化技術を構築する。
|
