ロバスト性および制約・リスク回避を考慮したベイズ最適化とモノづくりへの適用

★ベイズ最適化の基礎および、実験変数に制御できない変数が含まれている下で,ロバスト性の観点から見たベイズ最適化に関する方法論を説明!

★ロバスト性やリスク回避を達成するための,目的変数の分布を考慮したモデルの提案を行い,平均分散最適化やCVaR最適化のためのベイズ最適化手法とその理論的・実験的評価について紹介!

★製造業でのベイズ最適化の適用における課題と、その課題を解決するベイズ最適化の拡張手法について説明!

セミナープログラム

【第1講】 ロバスト尺度に対するベイズ最適化
【時間】 13:00-14:15

【講師】名古屋工業大学大学院 工学研究科 情報工学専攻 助教 稲津 佑 氏

【講演主旨】
 製造業や創薬などの様々な実応用において,実験工程 (計画) を効率化することは重要な課題である.近年,機械学習・AIを用いたベイズ最適化と呼ばれる実験工程の効率化に関する研究が盛んに行われている.一方で,実応用上は一部の実験変数が制御できないもとで制御可能変数を最適化しなければならないケースも多く,この場合は通常のベイズ最適化を直接適用することができない.本講演では,はじめにベイズ最適化の基礎を紹介する.次いで,制御できない変数が存在するもとでの制御可能変数の良さをロバスト尺度により定量化し,このロバスト尺度に対するベイズ最適化手法について紹介する.

【プログラム】
1: ブラックボックス関数とベイズ最適化
2: ガウス過程回帰の基礎
3: ガウス過程回帰モデルを用いたベイズ最適化
 3.1: 最大化問題に関するベイズ最適化
 3.2: 領域推定に関するベイズ最適化
4: 制御可能変数に対するロバストベイズ最適化
 4.1: 期待値尺度に対する最適化
 4.2: 分布ロバストな期待値尺度に対する最適化
 4.3: ロバスト尺度に対する多目的最適化
 4.4: その他のロバスト尺度に対する最適化手法の紹介
【質疑応答】

【キーワード】
ベイズ最適化、ガウス過程回帰、ロバスト最適化、レベルセット推定、多目的最適化

【講演のポイント】
実験変数に制御できない変数が含まれている下で,ロバスト性の観点から見た最適な制御可能変数を効率的に得るためのベイズ最適化に関する方法論を習得できる.

【習得できる知識】
・ベイズ最適化の基礎知識
・制御できない変数が存在する下で,どのようにして制御可能変数の良さを定量化するか(様々なロバスト尺度の習得)
・ロバスト尺度に対するベイズ最適化手法


【第2講】 ロバスト性やリスク回避を考慮したベイズ最適化
【時間】 14:25-15:40

【講師】富士通株式会社 研究本部 人工知能研究所 博士(理学) 竹森 翔 氏

【講演主旨】
 ベイズ最適化とは,目的変数のノイズあり観測値から最適な入力変数をなるべく少ない観測回数で探索することを目指す技術分野である.通常のベイズ最適化手法は目的変数の平均値を最適化(最大化)するが,適用事例によっては,例えば目的変数の分散を小さくしつつ平均を最大化するなど,ロバスト性やリスク回避を考慮する必要がある.本講演では,このようなロバスト性やリスク回避を達成するための,目的変数の分布を考慮したモデルの提案を行い,平均分散(Mean-Variance)最適化やCVaR最適化のためのベイズ最適化手法とその理論的・実験的評価について紹介する.特に,提案手法の一つは理論上ほぼ最適であることを紹介する.

【プログラム】
● ロバスト性やリスク回避を考慮したベイズ最適化への導入
  → 一般的なベイズ最適化への導入
  →    ロバスト性やリスク回避とは
●    既存手法の紹介とその課題
  →    CVaRや平均分散最適化のための既存ベイズ最適化手法
  →    分布ロバストベイズ最適化手法
●    目的変数の分布を考慮したベイズ最適化手法
  →    再生核ヒルベルト空間とカーネル平均埋め込み
  →    分布を考慮したベイズ最適化のためのモデル
  →    CVaRや平均分散最適化のための手法
●    提案手法の理論または実験的な評価
  →    リグレット解析
  →    実験結果
●    まとめ
【質疑応答】

【キーワード】
ベイズ最適化、ロバスト性、リスク回避、カーネル平均埋め込み、平均分散、CVaR

【講演ポイント】
ロバスト性やリスク回避を考慮したベイズ最適化手法についてその原理から習得することができる.

【習得できる知識】
ロバスト性やリスク回避を考慮した既存のベイズ最適化手法とその課題、それらを改善した最新の手法とその原理.


【第3講】 ロバスト性や制約を考慮したベイズ最適化によるモノづくりにおける試行回数削減の取組み
【時間】 15:50-16:50

【講師】株式会社東芝 研究開発センター 知能化システム研究所 システムAIラボラトリ- 研究主務 桐淵 大貴 氏

【講演主旨】
 製造業でのベイズ最適化の適用における課題と、その課題を解決するベイズ最適化の拡張手法について紹介する。課題は大きく分けて2つ存在する。1つ目は試行回数を削減したいという課題であり、低次元化やドメイン知識を用いたベイズ最適化手法を紹介する。2つ目の課題は適用範囲を拡大したいというもので、ロバストなパラメータや制約を満たすパラメータを求めたい場面は多い。課題解決策として、ロバスト性や制約に対応するベイズ最適化手法を紹介する。特に、2つ目の課題に関して、製造時に設計パラメータが変動しても制約を常に満たすロバストなパラメータを求めるロバスト制約付きベイズ最適化の技術紹介を行う。

【プログラム】
・製造業でのベイズ最適化の適用事例(材料の組成設計、風車配置設計等)
・適用におけるベイズ最適化の課題と、課題を解決するベイズ最適化の拡張手法
 ・課題1:試行回数削減に向けた低次元化とドメイン知識活用
 ・課題2:適用範囲拡大に向けたロバスト性への対応と制約への対応
・技術紹介:ロバスト制約付きベイズ最適化
(問題設定、提案手法、数値実験)
【質疑応答】

【キーワード】
ベイズ最適化、ロバスト最適化、制約付き最適化、シミュレーション、ガウス過程回帰

【講演ポイント】
ベイズ最適化を実際に適用する際の課題に対応する解決策のポイントを知ることができる。

【習得できる知識】
・適用におけるベイズ最適化の課題と、課題を解決するベイズ最適化の拡張手法
・製造業でのベイズ最適化の適用事例

セミナー講師

  • 第1部  名古屋工業大学大学院  工学研究科 情報工学専攻 助教  稲津 佑 氏
  • 第2部  富士通株式会社  研究本部 人工知能研究所 博士(理学)  竹森 翔 氏
  • 第3部  株式会社東芝  研究開発センター 知能化システム研究所 システムAIラボラトリ- 研究主務  桐淵 大貴 氏

セミナー受講料

【1名の場合】44,000円(税込、テキスト費用を含む)
2名以上は一人につき、11,000円が加算されます。


※セミナーに申し込むにはものづくりドットコム会員登録が必要です

開催日時


13:00

受講料

44,000円(税込)/人

※本文中に提示された主催者の割引は申込後に適用されます

※銀行振込

開催場所

全国

主催者

キーワード

ベイズ統計学   実験計画法一般   機械学習・ディープラーニング

※セミナーに申し込むにはものづくりドットコム会員登録が必要です

開催日時


13:00

受講料

44,000円(税込)/人

※本文中に提示された主催者の割引は申込後に適用されます

※銀行振込

開催場所

全国

主催者

キーワード

ベイズ統計学   実験計画法一般   機械学習・ディープラーニング

関連記事

もっと見る