| 研究課題/領域番号 |
23K21696
|
|---|
| 補助金の研究課題番号 |
21H03498 (2021-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2021-2023) |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61030:知能情報学関連
|
|---|
| 研究機関 | 名古屋工業大学 |
|---|
研究代表者 |
烏山 昌幸 名古屋工業大学, 工学(系)研究科(研究院), 准教授 (40628640)
|
|---|
| 研究分担者 |
田村 友幸 名古屋工業大学, 工学(系)研究科(研究院), 准教授 (90415711)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
17,420千円 (直接経費: 13,400千円、間接経費: 4,020千円)
2024年度: 2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2023年度: 4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2022年度: 4,940千円 (直接経費: 3,800千円、間接経費: 1,140千円)
2021年度: 5,330千円 (直接経費: 4,100千円、間接経費: 1,230千円)
|
|---|
| キーワード | 機械学習 / ベイズ最適化 / 材料情報学 / マルチフィデリティ最適化 / 制約付き最適化 / 多目的最適化 / BiLevel最適化 / マルチタスク最適化 |
|---|
| 研究開始時の研究の概要 |
ブラックボックス最適化問題に対する代表的な手法にベイズ最適化があり、確率モデルで未知関数を推定しながら探索を行う。ただし、実践的な状況では単純な単一関数の最適化ではなく、より複雑な状況に対し効率の良い探索アルゴリズムが求められる。本研究では特に重要な課題として、信頼性の異なる情報源にアクセスできるマルチフィデリティ最適化、異なる目的関数を同時最適化する多目的最適化、複数の探索問題間で情報を共有する複数タスク最適化に着目し情報理論による統一的な枠組みを構築する。また、提案した方法論の材料科学データへの適用を行い、実践的な有用性を実証する。
|
| 研究実績の概要 |
2023年度はベイズ最適化の情報論的なアプローチによる獲得関数の設計や，理論解析，材料や自動機械学習への応用を行なった．主要なものについて，以下で述べる．R. Ozaki, et al., AAAI2024では使用者の好みに応じた多目的最適化を行う方法を提案した．多目的最適化では必ずしも解が一意に定まらないため，パレート最適な解を列挙することが一般に行われるが，観測コストの高いブラックボックス最適化ではこの方法は現実的でないケースも多い．ここでは，使用者に対する問い合わせから好みを推定し，ベイズ最適化と組み合わせる枠組みを提案した．このとき当然，なるべく少ない回数での使用者への問い合わせで最適化を達成する必要があるが，問い合わせによって得られる情報量を評価し，最適な問い合わせを行うための指標を提案した．人間の選好を導入する最適化は近年の機械学習分野では注目度が高く，重要な成果だと考えている．S. Takeno, et al., ICML2024はサンプリングに基づくベイズ最適化のリグレット理論解析であり，情報論に基づく手法も特殊ケースとして含まれる．情報論的ベイズ最適化に対する理論解析は非常に数が少なく，独自性のある結果だと言える．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
当初計画から多目的最適化は含まれていたが，好みに応じて適応的に探索する枠組みは研究の進展に応じて生じた新たな発展であり，AIの最高峰学会であるAAAIでの発表まで進めることができたことは大きな進展だと考えられる．理論解析に関する貢献が生まれたことも当初予定を超える成果だと考える．材料科学への応用に加えて，自動機械学習でのベイズ最適化応用に関する研究が生まれ始めており(石川他IBIS2023など)，これらは応用面での当初予定を超える進展であった．一方で，情報量の計算量改善，近似精度の評価などは今後の課題として残っている．
|
| 今後の研究の推進方策 |
最終年度であるため，論文発表を目指す．基礎方法論では，選好に基づく最適化の一般化，情報論に基づくBiLevel最適化，複数設定の統合など，応用では材料解析や自動機械学習などを学会・論文誌への投稿を目指す．選好に基づく最適化の一般化では，使用者の好みの表現方法を一般化することでより多様な状況に対応する枠組みを構築できる．このとき，それぞれの表現に対して情報論的に利得を評価し，適応的な問い合わせの枠組みを構築する．BiLevel最適化は材料探索での適用を念頭に実験評価を行い，また，BiLevel最適化を構成するlower levelの最適化問題とhigher levelの最適化問題に対して同時に計測が得られる状況，別々に計測が得られる状況など実践的な状況に応じた一般化を行うことで適用可能性を拡張する．複数設定の統合には下限に基づく情報量評価を用いて，複雑な問題設定でも簡便に評価できる指標を構築する．材料応用では物性最適化，自動機械学習応用ではハイパーパラメータ最適化に提案した枠組みを適用する．
|
