主 催

計測自動制御学会中部支部

協 賛

日本機械学会東海支部,自動車技術会中部支部
現象を理解し,最適に設計・制御するためにはモデリングが不可欠です.モデリングのためのサンプル点を決定する手法は実験計画法と呼ばれ,現在に至るまで広く利用されています.しかしながら,パラメータを自由に設定できない,実験ができない,サンプル評価に時間がかかる,少ないサンプルで特性を把握したい,モデルの精度も合わせて評価したい,などの制約や要求がある場合にはどうすれば良いでしょうか?機械学習による実験計画法とモデリングがそのひとつの答えになるかもしれません.本講習会では事例を交えて分かりやすく紹介していただきます.参加をご希望の方は申込み先までご連絡ください.多くの方のご参加をお待ちしております.

内 容

内容機械学習による実験計画法:能動学習(Active Learning)とベイズ最適化(Bayesian Optimization)

講 師

竹内 一郎 教授(名古屋工業大学)

日 時

平成27年12月17日(木) 13:00～15:00

会 場

名古屋工業大学3号館2階大会議室
〔〒466-8555 名古屋市昭和区御器所町〕

参加費

無 料(ただし,主催,協賛学会の会員,賛助会員の方に限る)

定 員

30名

申込期限

平成27年12月13日(日)

問合わせ・申込み先

お申込みの際には,下記まで,ご所属とご氏名をお知らせください.
豊田中央研究所 神保 智彦/FAX(0561)63-6407,
E-mail:t-jmb@mosk.tytlabs.co.jp

要 旨

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す.機械学習アルゴリズムの多くは,すで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る.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)と呼ばれている.
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る.たとえば,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る.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)」と呼ばれる.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する.
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する.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,実例を交えて紹介する.

キーワード

実験計画法(Design of Experiment),機械学習(Machine Learning),能動学習(Active Learning),ベイズ最適化(Bayesian Optimization)