Evolutionary Search of Structured Data by Using Deep Graph Kernels

点击翻译按钮获取中文摘要

本研究課題では、グラフの探索を進化計算にて行うものである。先行研究のEDA-GKでは、特徴空間で問題を捉えることにより，遺伝子型から表現型への写像の凸 凹さを解消できていると考えられる.ところが，研究を押し進めていく上で，先行研究のEDA-GKでは，カーネル関数が対象としている特徴空間によって，問題に よっては機能しないことが判ってきた.例えば，前ページの最小パス距離カーネルの場合，解が全結合に近いグラフであった場合，任意のノード間の距離がほと んど1となり，最適解付近のグラフのヒストグラムに違いがなくなる.結果，ランダムなエッジの追加・削除によるランダム探索に近い挙動を示すことになる. そこで，本研究課題では，Deep Graph Kernelの利用を検討する.Deep Graph Kernelはグラフカーネルが対象とする特徴に対して，それらの関係性も学習する も のである.word2vecにあるような単語の埋め込みをグラフに拡張したものである.特徴空間を構成するときに，特徴間の関係を埋め込むことより，カーネル関 数 の特性に左右されない安定した探索を実現する.事前学習が必要となるが，領域知識が提供できる問題クラスなら 適用可能であると考え、特に、提案手法を有機 薄膜太陽光電池で評価することを考える。 有機薄膜太陽電池は、比較的大きめの分子構造となるため、スクラッチで原子を組み合わせても適切な解表現を探索 することができない。そこで、既存の有機薄膜太陽光電池に用いられている分子構造の部分構造をモジュールとして、モジュールの組み合わせを探索するように した。また、モンテカルロツリーサーチを用いてモジュールの設計について考察した。いずれも，QDFという深層学習の一種を用いることにより，より大規模な分子構造をもつ解に対して系統的な探索が適用できるようになった