Explainable Evolutionary Computation
| Project/Area Number |
20H04254
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Single-year Grants |
|---|
| 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, 講師 (90633272)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2021)
|
| Budget Amount *help |
¥17,030,000 (Direct Cost: ¥13,100,000、Indirect Cost: ¥3,930,000)
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 / 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 |
本年度は説明モデルの設計および進化的関数同定の構築を目的とし、これを達成するとともに、申請者の進化的ルール学習への搭載から実数値報酬環境の理論整備まで構築したことを根拠として当初計画以上の進展があった。
まず説明モデルの設計では、同モデルを木構造型の区分的関数表現を採用することで、同モデルの適用可能境界（説明モデルの有効範囲）、重要変数、変数間依存関係を捕捉可能とした。次に、一般的な進化的関数同定手法を、設計した区分関数表現に対応できるように拡張した。具体的には、適用可能境界を示す区分範囲の上下限値を進化的に最適化することで、区分範囲および関数構造を同時に最適化する枠組みを構築した。
この方法を、申請者の進化的ルール学習に搭載し、各ルールが独立して区分範囲の関数同定を行うことで、非連続関数を不連続点ごとに細分化して関数モデルを同定可能な方法が構築できた。この方法を、申請者の進化的ルール学習に搭載し、各ルールが独立して区分範囲の関数同定を行うことで、非連続関数を不連続点ごとに細分化して関数モデルを同定可能な方法が構築できた。実際の目的関数は必ずしも不連続ではないが、優良な解構造の傾向が異なる場合が普通であり、構築手法を用いれば傾向ごとに説明モデルが構築できるようになる。つまり、最適化された解群が良い根拠は複数存在するが、それぞれの根拠を１試行だけで獲得できる基盤技術が完成した。また、最も正確なルール（同定関数）の識別を理論的に保障することで進化的最適化を促進するために、有限離散値報酬環境における学習最適性理論を構築した。同理論は、報酬数を限りなく大きくすることで、事実上実数値報酬環境にも（理論上は）適用できる。今後は、同理論を用いて進化的ルール学習の性能向上を達成することを目指す。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
本年度は説明モデルの設計および進化的関数同定の構築を目的としており、これらの課題を達成した。加えて、次年度の計画であった、同定手法と申請者の進化的ルール学習法への搭載が完了し、今後は性能改善に向けた細かなチューニングを行う。加えて、性能改善に有効な手法として理論整備に着手しており、最も正確なルールを識別可能な理論条件を特定した。
|
| Strategy for Future Research Activity |
構築手法の有効性は数次元の問題に限定され、次元が増えると計算時間が指数的に増加し、説明モデルが必要以上に細分化され同定精度が低下する問題を明らかにした。したがって、計算コストの削減、次元増加に対するスケーラビリティの向上に次年度取り組む。
このために理論構築を整備しており、今後は理論条件を満たすように構築手法を改良することで理論的側面から性能を改善する。加えて、計算コスト増加のボトルネックである、区分範囲と関数同定モデルの同時最適化に関しては、アプローチを見直す必要があるかもしれない。例えば、区分範囲の最適化は、高速な既存決定木構築手法などで代用できる可能性がある。この点も検討してく行く。
|
Report
(1 results)
Research Products
(16 results)
