【研究領域課題番号】22K12175 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 最適化 / 最適輸送

【研究種目】基盤研究(C)

【研究期間】2022-04-01 - 2025-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】21K18711 (KAKENデータベースで見る）

【研究キーワード】

電力変換器 / 電磁妨害 / パワーデバイス / ゲート駆動 / スイッチング損失 / EMI / 最適化 / 機械学習

【研究成果の概要】

電力変換器の開発において、電磁妨害（Electro Magnetic Interference: EMI）は長年の深刻な課題である。我々は、これまでにパワーデバイスのスイッチング損失とスイッチングノイズのトレードオフを打破するために、独自のデジタルゲート駆動ICチップを用いた自動ゲート波形最適化システムを実証した。
本研究では、デジタルゲート駆動ICがソフトウエアで任意の最適化目標を設定可能である点に着目し、EMI規格合格とスイッチング損失最小化を同時に実現する世界初の「全自動EMI規格対応デジタルゲート駆動システム」の実現を目指す。
電力変換器の負荷電流や温度などの動作条件と最適駆動パラメータの関係を記述するモデルを実測と機械学習を用いて作成することにより、動作条件の変動にロバストな「全自動EMI規格対応デジタルゲート駆動システム」を実現することができる。本研究により、電力変換器におけるEMI問題を簡単・迅速・低コストに解決するだけでなく、電力変換器の損失を低減することができる。
2021年度は、負荷電流や温度が異なる複数の動作条件下において、デジタルゲート駆動ICを用いてパワーデバイスのゲート駆動波形をデジタル制御で変化させながら、パワーデバイスのスイッチング試験を行い、パワーデバイスから発生するEMIとパワーデバイスのスイッチング損失を実測した。その結果、ゲート駆動用のデジタル制御値に応じて、EMIとスイッチング損失がどのように変化するかの4万点の実測データを取得することに成功した。

【研究種目】挑戦的研究(萌芽)

【研究期間】2021-07-09 - 2023-03-31

【配分額】6,500千円 (直接経費: 5,000千円、間接経費: 1,500千円)

【研究領域課題番号】20H02385 (KAKENデータベースで見る）

【研究キーワード】

最適化 / 機械学習 / モデリング

【研究成果の概要】

最適化モデリングのための機械学習法として、季節変動を考慮した予測と方策の最適化手法の提案、階層ベイズを用いた隠れた関係性の発見とその関係性を利用した最適化のフレームワークの提案、機械学習法による自動モデリングから生じる誤差に対するノイズに頑強な学習法の提案、データの不均衡性と解釈性を考慮したモデリング法の提案を行った。そして、それらを鉄鋼業界の実データ、包括的なアンケートデータなどに適用して、提案手法の有効性の検証を行った。
また、多レベル最適化問題の下位問題を有限反復の勾配法で解く近似を再帰的に行なうことで多レベル最適化問題を1 レベルの最適化問題に近似的に帰着し、この近似や近似後の問題の勾配の計算を連鎖律と自動微分によって計算機上で自動的に行うアルゴリズムを提案した。また、最適化問題の構造や性質（微分、劣勾配、凸性、疎性など）を利用して効率よく最適解の計算が可能となるアルゴリズムとして、位置推定問題に対するブロック座標降下法と基数制約を含んだポートフォリオ選択問題に対して２段階の切除平面法を提案し、その理論的な収束性を導いた。また、特殊なジョブショップスケジューリング問題に対する近似アルゴリズムを提案した。
また、社会で実際に機械学習と最適化が利用されているシチュエーションについて理解するため、dualチャネルにおけるサプライチェンマネジメントに対する価格や在庫管理について研究を行い、現実問題を解決することに成功した。
これらの成果を６本の査読付き論文と２８回の研究発表（内１２回は国際会議）として公表した。

【研究種目】基盤研究(B)

【研究期間】2020-04-01 - 2025-03-31

【配分額】14,560千円 (直接経費: 11,200千円、間接経費: 3,360千円)

【研究領域課題番号】20H00609 (KAKENデータベースで見る）

【研究キーワード】

ゲーム理論 / 人工知能 / 最適化 / 機械学習 / 実験経済学

【研究成果の概要】

2020年度には，10件の論文出版と，19件の学会発表（うち，招待講演5件）を行った．
マッチンググループでは，従来は部分問題に分割して考察されてきた３者間（例．学生ープロジェクトー研究予算）のマッチングを，一つの問題として解くことに取り組んだ．公平性と割当効率性が一般的には両立不可能であることを示したほか，弱められた公平性・割当効率性を満足する耐戦略的なメカニズムを設計し，その性能を実験によって評価した．本成果は，国際会議 AAMAS-20 にて報告した．
オークショングループでは，研究代表者による既存研究である，情報伝播を伴うオークションから着想を得て，金銭による効用譲渡を用いない資源配分メカニズムにおける情報伝播の動機付けに取り組んだ．詳細には，既存の資源配分メカニズムであるトップトレーディングサイクルアルゴリズムを修正し，ある種の安定な資源配分を出力するメカニズムを設計した．本成果は，AAMAS-21 にて報告した．
人工知能／最適化グループでは，研究代表者が90年代に提唱した分散制約最適化問題(Distributed Constraint Optimization Problems, DCOPs）のフレームワークに，変数の連続性を許す修正を施した， Continuous DCOP (C-DCOP) を提案した．一部の C-DCOP 問題に対する厳密アルゴリズムを提案したほか，一般の C-DCOP 問題に対しては保証付き近似アルゴリズムを提案した．本成果は，国際会議 AAMAS-20 にて報告した．
行動／実験経済学グループでは，課徴金減免制度（リニエンシー制度）の改正に関する講演を行った．また，不確実性下での意思決定に関する一般向け書籍を出版した．

【研究種目】基盤研究(A)

【研究期間】2020-04-01 - 2023-03-31

【配分額】45,110千円 (直接経費: 34,700千円、間接経費: 10,410千円)

【研究領域課題番号】19H00808 (KAKENデータベースで見る）

【研究キーワード】

社会システム工学 / 経営工学 / オペレーションズリサーチ / 最適化 / 機械学習 / 社会実装 / アルゴリズム

【研究成果の概要】

機械学習システムの社会実装を促すために，機械学習システムの計算基盤を支える最適化アルゴリズムに着目し，錐最適化を中心的な技術として現実的な時間で高精度に解ける問題範囲を拡大，ならびに，離散構造を持つ問題を主な対象に計算効率の改善と理論性能保証の証明を行なった．一方で，機械学習モデルが出力する結果への利用者の安心感を高めるためのモデリング技法を開発した．特に，利用者の事前知識を学習モデルに反映させ，高性能性を保持しつつも，利用者の直観に反しない結果を導出する方法，ならびに，それを実現するためのアルゴリズムを多角的に開発した.

【研究の社会的意義】

Society 5.0の実現に向けては機械学習システムをより安心・安全に利用するための方法論の確立が重要であり，本研究では，その方法論の計算基盤である最適化アルゴリズムを刷新した．成果の一部はライブラリ等で公開され，比較的容易に利用できる形となっており，社会のさまざまな場面での活躍が期待できる．また，純粋数学の未解決問題に貢献する成果も得られた．事前知識の活用に基づく機械学習におけるモデリング技術は，汎用性が高く，また，高度な数学を用いずともその有効性や妥当性を議論できるものであり，一部の専門家による利用にとどまらず，こちらについても，社会のさまざまな場面での活躍が期待できる．

【研究種目】基盤研究(A)

【研究期間】2019-04-01 - 2022-03-31

【配分額】30,420千円 (直接経費: 23,400千円、間接経費: 7,020千円)

【研究領域課題番号】19H04071 (KAKENデータベースで見る）

【研究キーワード】

機械学修 / 数理統計学 / 最適化 / 機械学習 / 最適輸送 / 多ドメインデータ / 転移学習 / 情報転送

【研究成果の概要】

本年度は，多ドメイン学習において不変性に着目した新しい学習パラダイムの端緒となる研究を開始し，数値的にそのアイデアの有用性を確認した．まず，ドメイン間の違いをデータ分布の違いとして定式化し，ドメイン間の乖離度を適切に計測するための理論的基礎を構築することを目指し，共同研究者らと議論を行った．データの標本空間がドメイン間で共有されている場合には，標準的な方法を用いることが可能である．例えば，高度に発展している統計的ダイバージェンスによる方法などがある．ダイバージェンスについては生成モデルに対する深層ニューラルネットワークによる推定法の進展があり，そのアイデアを用いてさらに複雑なデータドメインを扱うための統計的方法を構築するなどの方向性について集中的に考察した．また，単ドメインにおいて深層ニューラルネットワークでデータ解析を行う学習アルゴリズムをに対して，不確実性を評価するための実践的方法について研究を進めた．深層ニューラルネットワークの学習では，過学習を避けるためにドロップアウトと呼ばれる学習が用いられることがよくあるが，そこではアルゴリズムにランダムネスが導入される．そのランダムネスを事前分布として解釈することでベイズ事後分布を近似的に計算することが可能になる．既存研究のこれらの発展を受け，我々の研究グループでは深層ニューラルネットワークの各層を信号が伝播するときの不確実性を逐次的に計算する手法を開発した．これにより，データを能動的に取得して学習することで必要なデータ数を大幅に削減する能動学習を高い信頼性で実行することが可能になる．通常用いられるフィードフォワード型だけでなく，レカレント型のニューラルネットワークに対しても同様の不確実性評価の方法を確率した．

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2024-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】19K12115 (KAKENデータベースで見る）

【研究キーワード】

最適化 / 多様体 / 確率的勾配法 / 最適輸送問題 / Wasserstein距離 / リーマン多様体 / 深層学習 / 機械学習 / 多様体最適化 / ビッグデータ / 非線形非凸

【研究成果の概要】

本研究では，ビッグデータを用いた実応用における品質精度と処理量効率性の大幅な向上を達成することを目指してリーマン多様体最適化手法に着目し，スケーラブルな非線形非凸多様体最適化手法について研究した．幾何的（多様体）制約付き深層学習のための深層学習確率的勾配法，二次最適性を実現する非厳密信頼領域，またそれらの応用について研究した．さらに，最適輸送問題の最適化手法とその応用について研究した．

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2022-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】19H04121 (KAKENデータベースで見る）

【研究キーワード】

データセンター / 運用 / 人工知能 / スケジューラ / ログ収集 / 強化学習 / ジョブスケジューリング / 最適化 / オーバーコミット / システムモデル / スーパーコンピュータ / 深層学習 / AI / 計算機運用 / 機械学習 / センサーデータ / スケジューリング / サイバーフィジカルシステム

【研究成果の概要】

データセンターの運用の自動化のため、データセンターからのデータを取得して仮想空間上に再現する方法と、その仮想空間上で運用ポリシーを最適化する方法を研究した。
前者のデータ取得については、機器によるデータフォーマットの違いやデータの用途に依存することなく、様々な運用に役立つ汎用的なデータを多くのデータセンターから収集できる一般的なデータフォーマットと保存形式を定義することに成功した。後者の運用最適化については、制御方法を自動的に学習する強化学習を用いてジョブスケジューリングを最適化することに成功すると共に、その学習の場としてスケジューリングや冷却設備のシミュレータを実装した。

【研究の社会的意義】

データセンターの運用はより少ない資源で多くの計算需要を満たすための高度な技術であり、スケジューリングポリシーの設定、計算機のメンテナンス、さらには電力空調設備の運用やメンテナンスを含む専門的に高度な業務である。近年の労働人口減少に伴い、このような運用業務に携わる人材の確保は容易でなく、今後、益々増大する計算需要を安定的に満たすためには運用の省力化、少人化は必須の課題である。本研究の成果はこの要請に応じるものであり、設備運用やジョブスケジューリングをシミュレーションで再現する方法、さらにそれを用いて人工知能に最適な運用を試行錯誤させる方法を開発したものである。

【研究種目】基盤研究(B)

【研究期間】2019-04-01 - 2022-03-31

【配分額】17,290千円 (直接経費: 13,300千円、間接経費: 3,990千円)

【研究領域課題番号】18H03201 (KAKENデータベースで見る）

【研究キーワード】

深層学習 / カーネル法 / 汎化誤差解析 / ノンパラメトリック統計 / モデル圧縮 / 機械学習 / 確率的最適化 / 統計的学習理論 / 汎化誤差 / 数理統計 / 高次元統計 / 学習理論 / 構造解析 / 最適化

【研究成果の概要】

深層学習は現在機械学習でも中心的な役割を果たしており，多くのタスクで高い性能を示している．一方で，その原理への理論的理解は進んでおらず，ブラックボックス化しているのが研究開始当初の状況であった．その状況を改善するために，本研究では深層学習の原理解明に関して以下の研究成果を得た．(1) カーネル法的視点による深層学習の圧縮型汎化誤差解析，(2) 統計自由度による最適なモデル構造の探索とモデル圧縮への応用，(3) 新しい確率的最適化手法の提案，(4) 深層学習のカーネル法への優位性の理論的証明．これらの研究を通して深層学習が他の方法に比べてなぜ良いのかという問いへ多くの知見を得ることができた．

【研究の社会的意義】

深層学習は機械学習の社会実装が進む中，社会的重要な技術となっている．一方でその原理が解明されずに応用だけ進むことは，制御可能性や説明可能性という観点からも望ましくない．本研究では，種々の数学的道具を用いて深層学習の原理解明に貢献し，また理論の応用として最適なモデルの探索やモデル圧縮法を提案した．研究成果により研究開始時期と比べて非常に多くの理論的知見が得られた．これは，深層学習をホワイトボックス化するという意味で社会的意義が大きい成果である，

【研究種目】基盤研究(B)

【研究期間】2018-04-01 - 2022-03-31

【配分額】17,160千円 (直接経費: 13,200千円、間接経費: 3,960千円)

【研究領域課題番号】18K18898 (KAKENデータベースで見る）

【研究キーワード】

構造最適化 / 機械学習 / 強化学習 / 鋼構造骨組 / 建築骨組 / 構造設計 / 最適化

【研究成果の概要】

建築の鋼構造骨組を対象として，優れた構造性能を有する設計の特徴を，機械学習によって抽出する手法を開発した。その手法を用いて得られた部材の配置や断面性能の関係などのメタレベルの知識を用いることにより，優れた設計を少ない計算量で得ることができる手法を提案した。さらに，構造設計における逐次設計変更のプロセスをマルコフ決定過程としてモデル化し，強化学習を用いて学習することにより，さまざまな設計条件を満たす設計を求めることができるエージェントを開発した。また，機械学習の分野で有用とされている最適化手法が，ある種の最適設計に対して既存の手法よりも有用であることを明らかにした。

【研究の社会的意義】

大規模建築鋼構造骨組の優れた力学的性能につながる部材配置や部材断面の特徴量を，機械学習の手法であるサポートベクターマシンで求める手法を提案し，その手法を用いて，静的地震荷重に対する応答を最小化する問題に対する近似最適解を，少ない計算量で得られることを示した。また，構造設計において部材断面を逐次変更するプロセスをマルコフ決定過程としてモデル化し，強化学習を用いて最適方策を求めることにより，さまざまな実際的条件を考慮した構造設計を行うエージェントを開発した。さらに，交互方向乗数法や次元削減などの機械学習で用いられる手法に基づいて，扱いにくい最適設計問題に対して優れた近似解を得る手法を提案した。

【研究種目】挑戦的研究(萌芽)

【研究期間】2018-06-29 - 2020-03-31

【配分額】5,980千円 (直接経費: 4,600千円、間接経費: 1,380千円)

【研究分野】デザイン学

【研究領域課題番号】16H03014 (KAKENデータベースで見る）

【研究キーワード】

デザイン科学 / 構成的方法論 / 図式 / 数理 / 論理 / 記号操作 / 人工知能 / 知性 / モデル / 最適化 / 計算 / 建築設計 / 意味論 / 使用の定式化 / 列挙問題 / 形態創生 / トポロジー・形状同時最適化 / 教導方法 / 建築 / 設計支援 / 機械学習 / 生成文法 / 証明論 / 意味 / 実践

【研究成果の概要】

「デザインとはいかなる行為か?」という問いに対し，デザイン行為の本質的構造を表現するモデルを構築すべく，デザインの思考過程における記号操作の意味的構造と実践的役割の関係を，設計案の構成を支援する計算システムの生成，計算システムとデザイナーとのインタラクションの分析，デザインの思考過程における記号操作を連係するモデルの構想を繰り返すことによって明らかにし，デザイン知の一翼を担う言語的知性と論理的知性を磨く方法論の基盤を構築した.
上記成果を展開するシンポジウムや国際セミナーを企画・運営するとともに，国内外の研究者・実務者たちとの議論を通し，研究の意義と方向性の確認を行った.

【研究の社会的意義】

デザイン科学の方法論の構築とザインを支援する計算システムの構想と実装の礎となる，デザインに関わる代表的な記号操作の観点である図式，数理，論理を柱とするモデルは，「デザインとはいかなる行為か?」という素朴な問いに対し，学術的な見地からの答えのひとつを提供するための基盤となる．デザイン科学教育のひとつの重要な鍵となる記号表現や記号操作を設計対象やデザイン行為という実体とを記号化と復号化の双方向において関連づける知性を磨くための方法論の理論的基礎となる．

【研究種目】基盤研究(B)

【研究期間】2016-04-01 - 2019-03-31

【配分額】18,200千円 (直接経費: 14,000千円、間接経費: 4,200千円)

【研究分野】統計科学

【研究領域課題番号】16K00044 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 数理統計学 / 最適化 / 変数選択 / ロバスト統計 / ロバスト

【研究成果の概要】

本研究の目的は，ロバスト推定やスパース・モデリングなどの統計的学習の問題に対して，非凸損失関数の最適化という統一的観点から研究を推進することである．研究成果としては，実用的に優れた学習アルゴリズムの構成，さらにその数理的基盤の構築などがある．まず判別分析の代表的なアルゴリズムであるサポートベクトルマシンに対し，損失関数を非凸化した学習法の局所解の性質を数理的に解析し，局所最適解であっても外れ値に強く安定した予測精度を達成することが明らかになった．さらに，離散的なデータに対する統計的解析法を提案し，局所的な計算を用いることで，効率的に推定量を計算することができることを示した．

【研究の社会的意義】

非凸損失を用いる統計的学習は一般に，統計的性質は優れているが，最適化のための計算が非常に困難であることが知られている．最適化の困難を解決することができれば，，データに大きなノイズが含まれる場合でも，非常にロバストな統計的推論を高い計算効率で実行することが可能になる．本研究では，判別分析や離散確率分布の推定という重要な問題クラスに対して，非凸損失による効率的な学習アルゴリズムを提案し，その数理的性質を詳しく研究した．その結果，理論，実装の両面から提案法の有効性を確認することができた．

【研究種目】基盤研究(C)

【研究期間】2016-04-01 - 2020-03-31

【配分額】4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)

【研究分野】数理情報学

【研究領域課題番号】16K00031 (KAKENデータベースで見る）

【研究キーワード】

最適化 / リーマン多様体 / 確率的勾配法 / テンソル / 大規模データ / 最適化理論 / 機械学習 / ビッグデータ / 多次元データ解析 / テンソル解析 / 行列解析 / 確率的学習 / オンライン学習 / 高次元大規模信号 / リーマン多様体最適化 / スケーラブル最適化 / オンライン最適化

【研究成果の概要】

微分多様体において，高次元テンソルを分解表現する行列に対する直交性などの制約と，目的関数の二乗誤差特性及び要素行列による対称性等に着目し，新たなリーマン計量を提案した．この新しい幾何空間を用いた最適化アルゴリズムを提案し，再現誤差と収束速度の観点で，従来手法に対する優位性を示した．また，微分多様体上の確率的勾配法に着目し，フル勾配と確率的勾配をハイブリッドした手法を用いることで収束性を向上する手法について複数検討し，これら手法の収束性についても理論的証明を与えた．

【研究種目】基盤研究(C)

【研究期間】2016-04-01 - 2020-03-31

【配分額】4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)

【研究分野】ソフトコンピューティング

【研究領域課題番号】16K00326 (KAKENデータベースで見る）

【研究キーワード】

レザバーコンピューティング / 数理解析 / 非線形システム / 省エネルギー / 力学系 / 機械学習 / 時系列データ / 画像処理 / 時系列予測 / 高速機械学習 / 非線形力学系 / ニューラルネットワーク / メモリスタ / スピン波 / デバイス / ハードウェア / 数理モデル / エコーステートネットワーク / ばらつき / 時系列情報処理 / 非線形 / 最適化

【研究成果の概要】

レザバーコンピューティングは、高速学習を可能とする機械学習の枠組みの一つである。本研究では、レザバーコンピューティングの数理的解析とレザバーの最適設計を行い、従来の問題点を解決するとともに、新たなモデルを提案して学習の高速化や計算性能向上を実現した。また、物理的レザバーの可能性を広く探究して数理モデリングを行い、その基本特性や基礎的タスクにおける計算性能を明らかにした。

【研究の社会的意義】

本研究では、レザバーコンピューティング技術の向上を目指して、数理的研究に取り組んだ。レザバーコンピューティングと他の機械学習との融合や、時系列データ予測のための新しい学習モデルは、本手法の発展に寄与するという学術的意義をもつ。物理的レザバーコンピューティングの研究成果は、低消費電力で動作するオンライン機械学習デバイスの開発につながるものであり、人工知能の発展をさらに促すという社会的意義をもつと考えられる。

【研究種目】基盤研究(C)

【研究期間】2016-04-01 - 2019-03-31

【配分額】4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)

【研究分野】ウェブ情報学・サービス情報学

【研究領域課題番号】16H02907 (KAKENデータベースで見る）

【研究キーワード】

逆強化学習 / 強化学習 / 多目的最適化 / 社会シミュレーション / 行動規範 / マルチエージェントシミュレーション / 行動科学 / 最適化 / 敵対的生成ネットワーク / マルチエージェント / メカニズムデザイン / マルチエージェント強化学習 / 多目的強化学習 / 深層強化学習 / ソフトコンピューティング / 機械学習 / 都市計画 / 土木環境システム / 避難行動の規範抽出 / 鉄道運行整理 / 分散深層強化学習 / データ同化 / 対話 / 自然災害 / 認知科学 / エージェント / 人工知能

【研究成果の概要】

本課題では，都市交通が頑健かつ柔軟に機能する状況を「レジリエンス」と定義し，これを実現する上で，情報インフラや人の状況判断，法制度の３つのソフトインフラの連携が必要との立場から研究を進めてきた．特に緊急時の二次被害減災は人の行動が鍵であるとし，人の挙動特性を考慮した都市交通システム設計法を提案した．災害における人の行動の規範は，過去の似た状況の記憶に影響を受けるため，正しい情報を直接提供するよりも，最適な行動選択を促す方が効果的であることを確かめた．また，人流の軌跡から行動規範の推定法として，遺伝的アルゴリズムと逆強化学習を導入した２つの方法を提案した．

【研究の社会的意義】

災害時，都市交通機能の停止は，人々の移動手段を奪うが，その後の情報提供や運転再開についての意思決定が重要である．SNSなどによる不確かな情報の錯綜による混乱はもちろん，運営側の運転再開に関する誤った意思決定や避難誘導はさらなる二次災害を引き起こす．本研究の学術的貢献として，災害時の人の意思決定傾向や，情報の局所性，曖昧性を考慮した運営側，あるいは政府による最適な避難誘導案の生成支援が挙げられる．また，社会的意義として，人の意思決定傾向を踏まえた混乱や混雑が生じる状況や場所を予測可能にしたこと，および，本結果に基づいた法の見直しの根拠を与えることを可能にした点を挙げる．

【研究種目】基盤研究(B)

【研究期間】2016-04-01 - 2019-03-31

【配分額】15,210千円 (直接経費: 11,700千円、間接経費: 3,510千円)

【研究分野】高性能計算

【研究領域課題番号】15K12033 (KAKENデータベースで見る）

【研究キーワード】

自動チューニング / 高性能計算 / コード変換 / 最適化 / 機械学習 / 動的負荷分散 / プログラミング言語 / 事後機能付加 / 疎行列計算 / 可変性の発見

【研究成果の概要】

自動チューニングは、ソフトウェアにあらかじめ可変性を仕込み、この可変性をソフトウェア自身に調整させて、様々な計算環境で良好な実行性能を目指す。本研究では、既存のプログラムに対して、事後的に可変性と調整機能を組み込むことにより、新しい計算環境や新しい高性能手法が登場しても、それを既存のプログラムに組込み自動チューニングができる仕組みを目指して研究した。
我々はチームメンバーが開発してきた Xevolverというコード変換システムを活用することで、自動チューニングを想定していないプログラムに可変性と自動チューニング機構を組み込む手法を明らかにした。ただし原プログラムの分析の必要性が明らかになった。

【研究種目】挑戦的萌芽研究

【研究期間】2015-04-01 - 2018-03-31

【配分額】3,510千円 (直接経費: 2,700千円、間接経費: 810千円)

【研究分野】社会システム工学・安全システム

【研究領域課題番号】26350417 (KAKENデータベースで見る）

【研究キーワード】

物流 / オペレーションズ・リサーチ / 最適化 / 機械学習 / メタヒューリスティック / 数理計画法 / ロジスティクス

【研究成果の概要】

激変する社会環境の中で効率的な物流を行うためには、不確定な要因に対処する必要がある。このため、過去のデータから近い未来をできるだけ精度良く予測する手法について、機械学習の手法を援用して研究を行った。また、現実的な時間内で満足する解決策を導くため、安定的に近似解を求める実用的な最適化アルゴリズムを開発した。それらの研究成果を用いて、様々なタイプの現実問題に対し効率的なモデル化と最適化アルゴリズムの開発を行う事例研究を行った。
これらの成果を１５本の査読付き論文と９本の査読なし論文として発表した。また、３８件の国内学会・国際学会での発表（うち招待講演６件）を行った。

【研究の社会的意義】

物流の最適化において、これまでは学術的側面からの研究が主流であり、実用性には程遠い研究が多かった。本研究では実務家との協働によって現実の複雑な状況を十分に考慮し、さらに最適化と機械学習の最新技術を融合させることで、輸送ルートの決定など１週間から数ヶ月のスパンを想定するタクティカルレベル、並びに日々の輸送計画について検討するオペレーションレベルのおいて、現代の目まぐるしく変化する消費者の嗜好、予測の難しい突発的な大規模災害などに対して、効率的・合理的な物流計画が立案可能となっており実用性は高い。

【研究種目】基盤研究(C)

【研究期間】2014-04-01 - 2019-03-31

【配分額】4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)

【研究分野】知能情報学

【研究領域課題番号】26280086 (KAKENデータベースで見る）

【研究キーワード】

機械学習 / 組合せ最適化 / 最適化

【研究成果の概要】

多くの機械学習における問題では，問題構造を有効に利用することで組合せ最適化等で扱われる構造依存な計算体系に帰着することが可能になり，飛躍的に高速・正確な計算が可能となることが期待できる．更にこのようなアプローチをとることにより，データやタスクが持つ構造的な事前情報の利用が可能となるため，解釈性のある結果／モデル獲得へつながる．このような考えの下，本研究では，離散凸性（特に劣モジュラ性）に関連する組合せ論的方法を利用した機械学習のための基礎理論・アルゴリズム開発を行った．また，これらを複数ドメインにおいて適用・検証し，応用的知見獲得や有用性実証までを含めた研究を進めた．

【研究種目】基盤研究(B)

【研究期間】2014-04-01 - 2018-03-31

【配分額】15,990千円 (直接経費: 12,300千円、間接経費: 3,690千円)

【研究分野】ソフトコンピューティング

【研究領域課題番号】25870915 (KAKENデータベースで見る）

【研究キーワード】

知能情報学 / 確率過程 / ソフトコンピューティング / シミュレーション / ベイズ統計学 / 探索アルゴリズム / 最適化 / ベイズ統計 / 機械学習

【研究成果の概要】

昆虫は時々やってくるフェロモンを頼りにフェロモン源に到達できる．特にカイコガのオスは，視力が弱いにもかかわらずフェロモンを頼りにしてメスの場所を効率的に探索する．本研究では，フェロモン源を探索する過程を模倣したアルゴリズムを開発した．フェロモンについての探索者の観測を確率過程 (点過程) としてモデル化し，ベイズ統計を用いることによりフェロモン源の位置を推定するアルゴリズムを開発した．そして，フェロモン飛散のシミュレーションを行うことで探索アルゴリズムの性能を評価した．また，点過程モデリング技術を用いてWebコンテンツの将来のアクセス数を予測する手法を開発した．

【研究種目】若手研究(B)

【研究期間】2013-04-01 - 2017-03-31

【配分額】4,160千円 (直接経費: 3,200千円、間接経費: 960千円)

【研究分野】機械材料・材料力学

【研究領域課題番号】19760062 (KAKENデータベースで見る）

【研究キーワード】

最適化 / システム工学 / 最適設計 / 大域的最適化 / 機械学習 / 機械材料・材料力学 / 逐次近似最適化

【研究成果の概要】

本研究では, RBFネットワークを用いた応答曲面法と大域的最適化法を組み合わせた最適設計支援システムに関する研究を行った. 応答曲面近似に用いるRBFネットワークでは, 近似精度に大きな影響を与えるパラメータについて, 十分条件を導きだし, パラメータを決定する指針を与えた. RBFネットワークによる応答曲面近似と多点同時探索型手法の一つであるParticle Swarm Optimization(PSO)による応答曲面の最適解探索を組み合わせた統合的最適設計支援システムを開発した.

【研究種目】若手研究(B)

【研究期間】2007 - 2008

【配分額】3,290千円 (直接経費: 2,900千円、間接経費: 390千円)

【研究分野】知能情報学

【研究領域課題番号】12680387 (KAKENデータベースで見る）

【研究キーワード】

マルチエージェントシステム / マルチエージェント強化学習 / 強化学習 / 機械学習 / 進化計算 / ニューラルネットワーク / 実数値GA / 最適化 / 共進化 / 世代交代モデル / 自律エージェント / 進化的計算 / ニューラルネット / 人工知能 / 分散人工知能 / 実数値遺伝的アルゴリズム

【研究成果の概要】

近年,強化学習手法を応用して,マルチエージェント環境におかれたエージェント群そのものに,試行錯誤な相互作用を行わせ,それらが採用すべき協調行動をボトムアップ的に組織化させ,それによってマルチエージェントシステムの設計者を支援しようとする試み("マルチエージェント強化学習"と呼ぶ)が数多くなされている.しかし,マルチエージェント環境におかれたエージェント群に,従来の強化学習を適用して適切な協調行動を獲得させようとすると,各エージェントの状態空間は組合せ的に爆発してしまう.
本研究の代表者らは,適度に圧縮表現された状態空間上で各エージェントが学習可能なマルチエージェント強化学習手法を提案し,それにより上記の状態空間の爆発が回避し得ることを実験的に示してきた.平成12年度は,この手法と進化計算を併用することによって,エージェント群に,状態空間の爆発を回避するための適切な状態空間表現を自動的に獲得させながら,それらが採用すべき協調行動を効果的に組織化させるための手法を提案した.提案手法は,マルチエージェントシステムを構成するエージェントの状態表現およびその行動政策を人手に頼ることなく自動的に設計するための要素技術を提供する.
平成13年度は,状態空間の爆発を回避可能な新しいマルチエージェント強化学習手法として,エージェントの行動政策を予め構造が決定されたニューラルネットにより表現すると共に,その重みベクトルを実数値GAにより最適化することに基礎をおく"進化型ニューラルネット手法"に基づく手法を提案した.提案手法は,連続値/離散値が混在する入出力への対応,連続/離散時間による意思決定への対応,大規模な問題への対応,大域的に良好な行動政策の獲得への対応など,従来手法にはない優れた特色を有しており,マルチエージェントシステムの自動設計のための汎用的な要素技術を提供する.

【研究種目】基盤研究(C)

【研究期間】2000 - 2001

【配分額】3,600千円 (直接経費: 3,600千円)