7/31 機械学習による適応的実験計画 －ベイズ最適化と能動的レベル集合推定の基礎と実践－

名古屋大学　大学院医学系研究科　総合医学専攻 生物統計学分野　講師　博士(情報科学)　松井 孝太　氏

専門：統計的機械学習、生物統計学
（兼任）東京工業大学特別研究員
個人ページ：https://sites.google.com/site/matsuikotaswebpage/

　科学的な営みを実行していく上で、「設計」や「計画」はおろそかにすることができない重要なプロセスです。設計や計画が問題の根幹となっている例は、ロボット開発・創薬・天然資源の探鉱など枚挙に暇がありません。近年、設計や計画問題に対するデータ駆動型のアプローチ、また、それを実現するための情報技術である機械学習が注目されています。
　データ駆動型のアプローチは、データ分析の方法だけでなく、データ収集の方法も考察および最適化の対象とします。特に後者の性質は、ものづくりなどデータ収集コストが非常に高い分野においては重要な意味を持っていると考えられます。
　本セミナーでは、データ駆動型のアプローチの一つである適応的実験計画に注目し、ベイズ最適化と能動的レベル集合推定という2つの手法について、統計モデリング、アルゴリズム、適用事例を解説したいと思います。

１．導入
　1.1 機械学習によるデータ駆動型アプローチ
　　（能動学習、適応的実験計画という考え方について）
　1.2 ブラックボックス関数の最適化問題とベイズ最適化・レベル集合推定
 
２．ベイズモデルによる機械学習と回帰のための適応的実験計画
　2.1 ベイズ線形回帰
　2.2 ガウス過程回帰
　2.3 ガウス過程回帰に基づく関数推定のための適応的実験計画
 
３．ベイズ最適化の方法論
　3.1 ベイズ最適化の基本アルゴリズム
　3.2 様々な獲得関数に基づくベイズ最適化
 
４．能動的レベル集合推定の方法論
　4.1 レベル集合推定問題の定式化とアルゴリズム
　4.2 能動的レベル集合推定のための獲得関数
 
５．より複雑な問題に対するベイズ最適化
　5.1 制約付き最適化のためのベイズ最適化
　5.2 コスト考慮型のベイズ最適化
　5.3 多目的最適化のためのベイズ最適化
　5.4 複数条件を同時に観測できる問題のためのベイズ最適化
　5.5 高次元な入力空間上のベイズ最適化
 
６．応用事例紹介
　6.1 機械学習モデルの超パラメータ最適化
　6.2 レベル集合推定による太陽電池用シリコンインゴットの低品質領域の推定
　6.3 イオン伝導性物質の伝導度推定
　6.4 Siエピタキシャル成長プロセス条件の最適化
　6.5 抗がん剤第I相臨床試験における最大耐用量の同定
 
７．ベイズ最適化の実行
　7.1 Pythonによるベイズ最適化の実装方法の紹介
　7.2 回帰のための能動学習、ベイズ最適化、能動的レベル集合推定のデモ紹介
（google colaboratoryにアクセス可能な方はハンズオン）

 □　質疑応答　□

※詳細・お申込みは上記

「お申し込みはこちらから」（遷移先WEBサイト）よりご確認ください。