機械学習による適応的実験計画

製造業をはじめとする様々な実応用において、実験工程を効率化することは重要な課題である。 近年、機械学習・AIを用いた実験工程の効率化に関する研究が盛んに行われている。特に、ベイズ最適化と呼ばれる機械学習アルゴリズムを用いることにより、最適な実験条件を効率的に探索することが期待できる。 　本講演では、実応用上特に重要となる単目的最適化問題、多目的最適化問題およびロバスト最適化問題をベースにベイズ最適化のアルゴリズムについて解説いたします。また、ベイズ最適化を行う際は獲得関数と呼ばれる評価関数を適切に設計する必要があるが、どのような問題に対してどのような獲得関数を設計すべきかについても概説する。

1. はじめに
   1. ブラックボックス関数について
   2. ベイズ最適化について
2. ガウス過程と獲得関数について
   1. ガウス過程モデル
   2. 獲得関数の基礎
3. 単目的最適化問題に対するベイズ最適化手法
   1. 最大化問題
   2. 領域推定問題
4. 多目的最適化問題に対するベイズ最適化手法
   1. スカラー化
   2. 制約付き最適化
   3. パレート最適化
5. ロバスト最適化問題に対するベイズ最適化
   1. 期待値尺度最大化問題
   2. 期待値尺度に対する領域推定問題
   3. 分布ロバストな期待値尺度最大化問題
   4. その他のロバスト尺度例
6. 多目的ロバスト最適化問題に対するベイズ最適化手法
   1. 期待値尺度と分散尺度に対する多目的最適化
   2. 機会制約付き最適化問題
   3. 分布ロバストな期待値尺度に対するパレート最適化問題
   4. その他の多目的ロバストベイズ最適化
7. 関連する話題
   1. マルチフィデリティベイズ最適化
   2. バッチベイズ最適化
   3. 高次元ベイズ最適化
   4. 実応用例
   5. 理論解析
8. おわりに