機械学習による適応的実験計画～ベイズ最適化の基礎と応用～

セミナー講師

稲津　佑（いなつゆう）　氏名古屋工業大学大学院　工学研究科 情報工学専攻 助教（博士（理学））  ＜略歴＞　2010年4月-2012年3月　広島大学　理学部　数学科2012年4月-2014年3月　広島大学大学院　理学研究科　博士課程前期　数学専攻2014年4月-2017年3月　広島大学大学院　理学研究科　博士課程後期　数学専攻2017年4月-2020年10月 理化学研究所　革新知能統合研究センター　データ駆動型生物医科学チーム　特別研究員2020年11月- 現職  ＜所属学会＞日本統計学会

セミナー受講料

お1人様受講の場合　53,900円[税込]／1名1口でお申込の場合　66,000円[税込]／1口（3名まで受講可能）受講申込ページで2～3名を同時に申し込んだ場合、自動的に1口申し込みと致します。

受講について

• 本セミナーの受講にあたっての推奨環境は「Zoom」に依存しますので、ご自分の環境が対応しているか、お申込み前にZoomのテストミーティング（http://zoom.us/test）にアクセスできることをご確認下さい。
• インターネット経由でのライブ中継ため、回線状態などにより、画像や音声が乱れる場合があります。講義の中断、さらには、再接続後の再開もありますが、予めご了承ください。
• 受講中の録音・撮影等は固くお断りいたします。

セミナー趣旨

製造業をはじめとする様々な実応用の場において，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 技術を用いることによる実験工程の効率化に関する研究が多数行われている．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．本セミナーでは，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アルゴリズムの基礎と応用について解説します．また，ベイズ最適化を行う際は適切な予測モデルおよび獲得関数と呼ばれる評価関数を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モデル，獲得関数を設計すべきかについても概説する．　　

セミナープログラム

　1　はじめに 　　1.1　ブラックボックス関数について　　1.2　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 　　2.1　ガウス過程モデル　　2.2　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 　　3.1　最大化問題　　3.2　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 　　4.1　スカラー化　　4.2　制約付き最適化　　4.3　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 　　5.1　期待値尺度最大化問題　　5.2　期待値尺度に対する領域推定問題　　5.3　分布ロバストな期待値尺度最大化問題　　5.4　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 　　6.1　期待値尺度と分散尺度に対する多目的最適化　　6.2　機会制約付き最適化問題　　6.3　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　　6.4　その他の多目的ロバストベイズ最適化　7　関連する話題 　　　7.1　マルチフィデリティベイズ最適化　　7.2　バッチベイズ最適化　　7.3　高次元ベイズ最適化　　7.4　実応用例　8　おわりに