データ駆動型社会の基盤をなす次世代実験計画技術の開発と実証的評価

本研究では，以下の3つの基本的課題を設定し，研究に取り組んでいる．１．（機械学習モデルの設計） 施策の最適化を目的とした実験計画のために，「機械学習に基づく統計モデル」を「追加実験によるデータ取得」と「施策の最適化」に結び付けるプロセスの全体像，及び，効果的な実験計画を可能とする機械学習モデルを如何に設計すべきか．２．（効率的な追加実験の計画手法構築）大規模ログデータから構築された統計モデルが与えられたもとで，最小限の回数で最適施策の探索に結び付ける，効率的な追加実験を如何に計画することが可能か．３．（施策の最適化と因果効果の評価手法の開発） 大規模データから得られた統計モデルと実験データを統合し，どのような方法で施策を最適化するか．加えて，共変量やデータの選択バイアスを考慮し，施策の因果効果を精度よく評価することが可能であるか．2022年度は「１．機械学習モデルの設計」と「２．効率的な追加実験の計画手法構築」を統合的に捉え，いくつかの企業との共同研究をベースとして大規模ログデータの機械学習に基づく施策実験の計画手法の開発を行った．様々な具体的事例に対して機械学習モデルを活用する技術基盤についての成果を得ており，実ビジネス上での施策実験のデザインが完了し，2023年度の施策実験の準備を進めている段階である．また，これらの課題に関連する技術として“能動学習”，“ベイズ最適化”，“バンディッドアルゴリズム”，“因果推論”などの領域で扱われてきたモデルについて，ビジネスドメインでの活用可能性について検討を行い，実問題の特性を考慮した改良モデルの提案も行った．「３．施策の最適化と因果効果の評価手法の開発」については，ベイズ最適化と因果推論モデルの実活用と改良を行い，一定の成果を得ているが，上記で設計した実ビジネスドメイン上での施策実験の結果についての評価に結び付ける予定である．

本研究では，以下の3つの基本的課題を設定し，研究に取り組んでいる．１．（機械学習モデルの設計） 施策の最適化を目的とした実験計画のために，「機械学習に基づく統計モデル」を「追加実験によるデータ取得」と「施策の最適化」に結び付けるプロセスの全体像，及び，効果的な実験計画を可能とする機械学習モデルを如何に設計すべきか．２．（効率的な追加実験の計画手法構築）大規模ログデータから構築された統計モデルが与えられたもとで，最小限の回数で最適施策の探索に結び付ける，効率的な追加実験を如何に計画することが可能か．３．（施策の最適化と因果効果の評価手法の開発） 大規模データから得られた統計モデルと実験データを統合し，どのような方法で施策を最適化するか．加えて，共変量やデータの選択バイアスを考慮し，施策の因果効果を精度よく評価することが可能であるか．2022年度は「１．機械学習モデルの設計」と「２．効率的な追加実験の計画手法構築」を統合的に捉え，いくつかの企業との共同研究をベースとして大規模ログデータの機械学習に基づく施策実験の計画手法の開発を行った．様々な具体的事例に対して機械学習モデルを活用する技術基盤についての成果を得ており，実ビジネス上での施策実験のデザインが完了し，2023年度の施策実験の準備を進めている段階である．また，これらの課題に関連する技術として“能動学習”，“ベイズ最適化”，“バンディッドアルゴリズム”，“因果推論”などの領域で扱われてきたモデルについて，ビジネスドメインでの活用可能性について検討を行い，実問題の特性を考慮した改良モデルの提案も行った．「３．施策の最適化と因果効果の評価手法の開発」については，ベイズ最適化と因果推論モデルの実活用と改良を行い，一定の成果を得ているが，上記で設計した実ビジネスドメイン上での施策実験の結果についての評価に結び付ける予定である．