ベイズ最適化による材料探索、実験工程の効率化 〜最大化問題／分類問題／獲得関数の決め方〜

★様々な問題設定に対して、どのように獲得関数を設計するか！！★最適な実験条件を効率的に探索する方法とは！

～最大化問題／分類問題／獲得関数の決め方～

セミナー講師

名古屋工業大学　情報工学教育類　知能情報分野　助教　稲津 佑 氏

セミナー受講料

1名につき55，000円（消費税込、資料付）　〔1社2名以上同時申込の場合1名につき49，500円（税込）〕

セミナー趣旨

製造業をはじめとする様々な実応用において，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を用いた実験工程の効率化に関する研究が盛んに行われている．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．本講演では，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のアルゴリズムについて解説いたします．また，ベイズ最適化を行う際は獲得関数と呼ばれる評価関数を適切に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　7.5. 理論解析8. おわりに【質疑応答】