複雑なシステムの挙動を予測するためには、現実世界の物理現象、社会現象をシミュレーションモデルとしてモデル化します。定性的なモデリングを通じた対象システムの理解から始めるため、モデルの構築には多くの時間が必要となり、また、シミュレーション手法には基本的なものを利用します。一方で、対象システムや注目している意思決定項目に影響を与える感度の高い要素や、下のキーワードのようなシミュレーションモデルの型等の選定には配慮が必要です。
離散イベントシミュレーション、連続型シミュレーション、マルチエージェントシミュレーション
イベント指向、プロセス指向、オブジェクト指向
時間駆動、イベント駆動
システムの挙動予測への機械学習の利用では、多くの場合分類や回帰を用います。実社会や産業界のシステムについて十分な教師データが得られることは少ないため、多くの場合、学習したモデルの評価方法に工夫が必要になります。
社会システムの課題解決のためにモデリングを行う場合、先端的なアルゴリズムに関する知識量よりも、対象とする問題の複雑さや特徴を、データとして扱うための課題定義や問題に適したアルゴリズムの選定が重要になります。扱うデータが連続量なのから離散量なのか、分布はパラメトリックとすべきかノンパラメトリックとすべきか、ドメイン知識と機械学習やデータサイエンス系の知識の両方が必要になります。この観点で機械学習を学ぶため、研究室では識別器の設計というコンテクストで機械学習系の知識を説明しているDuda らの教科書を採用しています。
シミュレーションと機械学習による挙動予測や、さらに定性的な分析結果から得られる知見をルールベースを用いたハイブリッド手法では、個別の対象システムへの特化が必要になるものの再現性の高い挙動推定が可能になりえます。
To predict the behavior of complex systems, we model real-world physical and social phenomena as simulation models. Since we start with an understanding of the target system through qualitative modeling, a lot of time is required to build the model, and we use basic simulation methods. On the other hand, consideration must be given to the selection of sensitive factors that affect the target system and the decision items of interest, as well as the type of simulation model, such as the keywords below.
Discrete event simulation, continuous simulation, multi-agent simulation
Event-oriented, process-oriented, object-oriented
Time-driven, event-driven
The use of machine learning to predict system behavior often involves classification and regression. Since sufficient teacher data on real-world or industrial systems is rarely available, in many cases, ingenuity is required in how to evaluate the learned models.
When modeling to solve social system problems, it is more important to frame the problems and select the appropriate algorithm for the problem than to have a large amount of knowledge about advanced algorithms. Whether the data to be handled is a continuous or discrete, whether the distribution should be parametric or nonparametric, and whether both domain knowledge and knowledge of machine learning and data science are required. To learn machine learning from this perspective, we have adopted a textbook by Duda et al. that explains machine learning-related knowledge in the context of desiging classification systems.
Hybrid methods that use simulation and machine learning to predict the behavior of a system, or that use a rule base of findings from more qualitative analysis, can provide highly reproducible behavior estimation, although they require specialization to the individual system of interest.