JP7212231B2 - 情報処理装置、方法及びプログラム - Google Patents
情報処理装置、方法及びプログラム Download PDFInfo
- Publication number
- JP7212231B2 JP7212231B2 JP2018149457A JP2018149457A JP7212231B2 JP 7212231 B2 JP7212231 B2 JP 7212231B2 JP 2018149457 A JP2018149457 A JP 2018149457A JP 2018149457 A JP2018149457 A JP 2018149457A JP 7212231 B2 JP7212231 B2 JP 7212231B2
- Authority
- JP
- Japan
- Prior art keywords
- elements
- optimization model
- interpretability
- information processing
- robust
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Description
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定部と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出するロバスト最適化部と、
を備える。
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定し、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する。
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定処理と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する算出処理と、
をコンピュータに実行させる。
Xは目的変数のドメインであり、m次元ベクトル空間の部分集合であるとする。また、Xの要素をxと表わす。このとき、パラメータの実現値θに対する最適化モデルは、以下に例示する式1のように定義される。
続いて、以下に、本実施の形態1について説明する。
図1は、本実施の形態1にかかる情報処理装置1の構成を示す機能ブロック図である。情報処理装置1は、解釈性とロバスト最適解の質のトレードオフを自動的に調整してロバスト最適化モデルを解いて最適解を求めるコンピュータである。尚、情報処理装置1は、2台以上のコンピュータにより構成されていてもよい。
ここで、ロバスト最適化モデルについて補足する。まず、予測最適化(PO(Predictive Optimization))は、機械学習による高精度な予測のもとで、最適な戦略(最適化ドメイン候補)を推定する問題である。POは、以下の2つのステップから構成される。
(ステップC1)パラメータθ^を推定する。
(ステップC2)θ^及びpεからのブートストラップサンプルから適切な正則化パラメータr^を決める。
(ステップC3)式5により最適戦略x^を求める。
(ステップD1)パラメータθ^を推定する。
(ステップD2)θ^及びpεからのブートストラップサンプルから適切な正則化パラメータr^を決める。
(ステップD3)式7のr=r^とした式8について最適化を行い、kの最適解(最適要素数)k^を求める。
(1)平均からのk-スパースな差分
ある「平均的な戦略」xがあるときに、集合Xkをxからの差分がk-スパースな戦略の集合とする。つまり、以下の式10の関係となる。
本実施の形態3は、上述した実施の形態2を改良したものである。すなわち、本実施の形態3にかかる前記ロバスト最適化部は、2以上の前記集合の候補を算出し、出力部は、前記最適要素数と前記2以上の前記集合の候補を出力するものである。これにより、ユーザに対して複数の最適解ドメイン候補を提示することができる。その際、最適要素数も出力されるため、ユーザは、解釈性を担保しつつ、複数の候補の中からより直感に即したドメイン候補を選択できる。
尚、上述の実施の形態では、ハードウェアの構成として説明したが、これに限定されるものではない。本開示は、任意の処理を、CPUにコンピュータプログラムを実行させることにより実現することも可能である。
(付記1)
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定部と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出するロバスト最適化部と、
を備える情報処理装置。
(付記2)
前記ロバスト最適化部は、2以上の前記集合の候補を算出し、
前記最適要素数と前記2以上の前記集合の候補を出力する出力部をさらに備える
付記1に記載の情報処理装置。
(付記3)
前記ロバスト最適化部は、前記パラメータを変更して前記ロバスト最適化モデルを解くことにより、前記2以上の前記集合の候補を算出する
付記2に記載の情報処理装置。
(付記4)
前記解釈性の度合いを調整する解釈性パラメータを入力する入力部をさらに備え、
前記決定部は、前記解釈性パラメータを前記解釈性関数に設定して、前記要素数最適化モデルを解く、
付記1乃至3のいずれか1項に記載の情報処理装置。
(付記5)
前記解釈性関数は、正則化関数であり、
前記要素数最適化モデルは、前記ロバスト最適化モデルに前記解釈性関数を加えた最適化モデルである
付記1乃至4のいずれか1項に記載の情報処理装置。
(付記6)
前記ロバスト最適化モデルは、
予測誤差を含む前記パラメータと前記目的変数との関数である目的関数と、前記目的変数に基づいて前記パラメータの不確実性の範囲を制限するためのロバスト正則化関数と、を含む最適化モデルである
付記1乃至5のいずれか1項に記載の情報処理装置。
(付記7)
前記目的変数は、商品又は役務ごとの価格であり、
前記ロバスト最適化モデルは、前記価格に基づく売上高又は利益を最適化するための最適化モデルである
付記1乃至6のいずれか1項に記載の情報処理装置。
(付記8)
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定し、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する、
情報処理方法。
(付記9)
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定処理と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する算出処理と、
をコンピュータに実行させる情報処理プログラム。
11 決定部
12 ロバスト最適化部
101 記憶装置
1011 プログラム
102 メモリ
103 プロセッサ
2 情報処理装置
2a 情報処理装置
21 入力部
22 マージン決定部
23 要素数決定部
24 ロバスト最適化部
24a ロバスト最適化部
25 出力部
25a 出力部
Claims (9)
- パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定部と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出するロバスト最適化部と、
を備える情報処理装置。 - 前記ロバスト最適化部は、2以上の前記集合の候補を算出し、
前記最適要素数と前記2以上の前記集合の候補を出力する出力部をさらに備える
請求項1に記載の情報処理装置。 - 前記ロバスト最適化部は、前記パラメータを変更して前記ロバスト最適化モデルを解くことにより、前記2以上の前記集合の候補を算出する
請求項2に記載の情報処理装置。 - 前記解釈性の度合いを調整する解釈性パラメータを入力する入力部をさらに備え、
前記決定部は、前記解釈性パラメータを前記解釈性関数に設定して、前記要素数最適化モデルを解く、
請求項1乃至3のいずれか1項に記載の情報処理装置。 - 前記解釈性関数は、正則化関数であり、
前記要素数最適化モデルは、前記ロバスト最適化モデルに前記解釈性関数を加えた最適化モデルである
請求項1乃至4のいずれか1項に記載の情報処理装置。 - 前記ロバスト最適化モデルは、
予測誤差を含む前記パラメータと前記目的変数との関数である目的関数と、前記目的変数に基づいて前記パラメータの不確実性の範囲を制限するためのロバスト正則化関数と、を含む最適化モデルである
請求項1乃至5のいずれか1項に記載の情報処理装置。 - 前記目的変数は、商品又は役務ごとの価格であり、
前記ロバスト最適化モデルは、前記価格に基づく売上高又は利益を最適化するための最適化モデルである
請求項1乃至6のいずれか1項に記載の情報処理装置。 - コンピュータが、
パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定し、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する、
情報処理方法。 - パラメータに対して設定された不確実性の範囲に基づき目的変数の最適解を求めるためのロバスト最適化モデルと、前記目的変数の最適解の集合の要素数に基づく当該最適解の解釈性の度合いを示す解釈性関数とを含む要素数最適化モデルを解いて、前記要素数の最適解である最適要素数を決定する決定処理と、
前記最適要素数を用いて前記ロバスト最適化モデルを解いて、少なくとも1以上の前記目的変数の最適解の集合の候補を算出する算出処理と、
をコンピュータに実行させる情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018149457A JP7212231B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置、方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018149457A JP7212231B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置、方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020024621A JP2020024621A (ja) | 2020-02-13 |
JP7212231B2 true JP7212231B2 (ja) | 2023-01-25 |
Family
ID=69618797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018149457A Active JP7212231B2 (ja) | 2018-08-08 | 2018-08-08 | 情報処理装置、方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7212231B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023188073A1 (ja) * | 2022-03-30 | 2023-10-05 | 日本電気株式会社 | 学習装置、提示装置、学習方法及び記憶媒体 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070129930A1 (en) | 2005-12-07 | 2007-06-07 | Utah State University | Robustness optimization system |
US20110270646A1 (en) | 2008-07-11 | 2011-11-03 | Gorur Narayana Srinivasa Prasanna | Computer implemented decision support method & system |
WO2017135322A1 (ja) | 2016-02-03 | 2017-08-10 | 日本電気株式会社 | 最適化システム、最適化方法、及び、記録媒体 |
WO2017163277A1 (ja) | 2016-03-25 | 2017-09-28 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理プログラム |
-
2018
- 2018-08-08 JP JP2018149457A patent/JP7212231B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070129930A1 (en) | 2005-12-07 | 2007-06-07 | Utah State University | Robustness optimization system |
US20110270646A1 (en) | 2008-07-11 | 2011-11-03 | Gorur Narayana Srinivasa Prasanna | Computer implemented decision support method & system |
WO2017135322A1 (ja) | 2016-02-03 | 2017-08-10 | 日本電気株式会社 | 最適化システム、最適化方法、及び、記録媒体 |
WO2017163277A1 (ja) | 2016-03-25 | 2017-09-28 | 日本電気株式会社 | 情報処理システム、情報処理方法および情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2020024621A (ja) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | Prediction of probable backorder scenarios in the supply chain using Distributed Random Forest and Gradient Boosting Machine learning techniques | |
JP7426388B2 (ja) | 在庫管理および最適化のためのシステムおよび方法 | |
Plakandaras et al. | Forecasting the US real house price index | |
Ketter et al. | Real-time tactical and strategic sales management for intelligent agents guided by economic regimes | |
Palczewski et al. | Dynamic portfolio optimization with transaction costs and state-dependent drift | |
Hassanzadeh et al. | Modeling and analysis of the causes of bullwhip effect in centralized and decentralized supply chain using response surface method | |
Yuan et al. | Using least square support vector regression with genetic algorithm to forecast beta systematic risk | |
US20130018830A1 (en) | Predictions using aggregate information | |
US10074142B1 (en) | Computational architecture and method for a time-varying control system | |
Lee et al. | Aggregate demand forecast with small data and robust capacity decision in TFT-LCD manufacturing | |
JP6435803B2 (ja) | 発注量決定装置、発注量決定方法および発注量決定プログラム | |
JP7212231B2 (ja) | 情報処理装置、方法及びプログラム | |
JP6159056B2 (ja) | 選択プログラム、選択方法及び選択装置 | |
CN105574599A (zh) | 估算订单退货率的方法及装置 | |
JP7044153B2 (ja) | 評価システム、評価方法および評価用プログラム | |
JP6828830B2 (ja) | 評価システム、評価方法および評価用プログラム | |
Jadli et al. | A Novel LSTM-GRU-Based Hybrid Approach for Electrical Products Demand Forecasting. | |
JP6947229B2 (ja) | 最適化装置、最適化方法および最適化プログラム | |
CN114282872A (zh) | 珠宝店库存管理方法、装置、设备及存储介质 | |
US20200302455A1 (en) | Industry Forecast Point of View Using Predictive Analytics | |
Pinto et al. | Setting forecasting model parameters using unconstrained direct search methods: An empirical evaluation | |
JP7063319B2 (ja) | 最適化装置、最適化方法および最適化プログラム | |
Ahmadi | Predicting e-Customer behavior in B2C relationships for CLV model | |
JP7480844B2 (ja) | 需要予測装置、需要予測方法、及び需要予測プログラム | |
JP6856967B2 (ja) | 処理装置、プログラム、及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180829 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210707 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220525 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220802 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221129 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221222 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7212231 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |