機械学習による実験計画法

ビッグデータ時代においては大量のデータから有用な知識を抽出するための機械学習アルゴリズムが重要な役割を果たします。機械学習アルゴリズムの多くは、既にデータが与えられている状況を想定しているものが多く、受動学習と呼ばれています。一方、どのようにデータを取得すれば有用な知識を得ることができるかを考えるアプローチは能動学習 (Active Learning) と呼ばれています。能動学習はデータの取得プロセスの最適化を目的としているため、実験計画法 (Design of Experiment) の一種とみなすことができます。 　例えば、未知のシステムにおいて応答が最大となる実験条件をみつけたい場合、応答が高いと予測される条件で実験を行うだけでなく、応答が未知で不確実性の高い条件で実験を行うことも必要となります。前者は最適化を目的とする「搾取 (exploitation) 」と呼ばれ、後者はシステムの推定を目的とする「探索 (exploration) 」と呼ばれます。能動学習では、確率モデルによって未知のシステムをモデル化しつつ、搾取と探索のバランスを適切に制御する枠組を提供します。 　本講演では、まず、実験計画法の観点から実験パラメータ空間の境界探索のための能動学習を説明します。続いて、未知のシステムの最大化問題を効率的に解くためのベイズ最適化 (Bayesian Optimization) と呼ばれる方法を、実例を交えて紹介します。

1. はじめに
   1. 人工知能と機械学習の概要
   2. データ駆動型科学
   3. 機械学習の基礎
   4. 受動学習と能動学習
2. 線形モデルとガウス過程モデル
   1. 線形モデルと最小二乗法
   2. 最小二乗線形モデルの実験計画法
   3. 線形モデルのベイズ化と非線形化
   4. ガウス過程モデル
3. ガウス過程モデルにおける能動学習
   1. 関数推定問題のための能動学習
   2. ベイズ最適化:最適値探索問題のための能動学習
   3. 獲得関数
4. ベイズ最適化の応用・拡張
   1. 制約付ベイズ最適化
   2. 多目的ベイズ最適化
   3. 高次元ベイズ最適化
   4. 安全設計ベイズ最適化
   5. 材料科学への応用例
• 質疑応答・名刺交換