ゼロ過剰ガウス分布による推定分布アルゴリズムにおけるパラメータ空間のスパース性の実現

AIの世界では、最適な答えを見つけ出す「最適化」という作業がとても重要です。例えば、自動運転のAIが最も安全で効率的なルートを探したり、新薬開発で最高の効果を持つ分子構造を見つけたりするのも最適化の一種です。

今回ご紹介する論文は、この最適化をより賢く行うための新しいアプローチ、「推定分布アルゴリズム（EDA）」の進化についてです。EDAは、まるで生き物が進化するように、良い解決策を少しずつ改良していく「進化計算」という考え方に基づいています。従来の進化アルゴリズムは、突然変異や交配といった操作を人間が細かく設計する必要がありました。しかし、問題の構造が複雑でよくわからない場合、この設計が非常に難しく、かえって偏った結果を生んでしまうことがありました。

そこでEDAは、この「人間による設計」をできるだけ減らそうとします。具体的には、これまでの世代で最も良い結果を出したグループ（個体群）のデータを分析し、そこから「次にどんな解決策を試せば良さそうか」という確率的な傾向（分布）を導き出します。そして、その傾向に基づいて次の世代の候補を生み出すのです。これにより、人間が細かく指示しなくても、AI自身が最適な探索方法を学習していくことができるわけです。

これまでのEDAは、連続的な数値（例えば、0.1、0.2、0.3…といった小数点以下の値）を扱う問題には強かったのですが、世の中には「ほとんどの要素がゼロである」という特殊な問題がたくさんあります。例えば、数千種類の部品の中から、ごく一部の重要な部品だけを選び出すようなケースです。このような「スパースな空間」と呼ばれる問題では、ほとんどの要素がゼロであることが重要で、従来のEDAではうまく対応できませんでした。

なぜなら、既存のスパース問題を解くAIの多くは、結局のところ「ゼロにするための特別なルール」や「ゼロではない部分とゼロの部分を交互に処理する仕組み」など、人間が手作業で設計したルールを再び持ち込んでいたからです。これは、EDAが避けたかった「人間による手作業の設計」を再び導入していることになります。

今回の研究では、「多変量ゼロ過剰ガウス（ZIG）分布」という新しい数学的な道具をEDAに組み込むことで、この問題を解決しようとしています。ZIG分布は、たくさんのデータの中に「ゼロの値が特に多い」という特徴を持つ場合に、そのゼロの多さもきちんと考慮してデータを分析できる優れものです。これをEDAの「次に何を試すか」を決めるサンプリングのルールとして使うことで、EDAはスパースな問題でも、人間が細かく指示することなく、自動的に最適な解決策を探せるようになった、というわけです。

これは、AIがより複雑で現実的な問題に対応できるようになるための、重要な一歩と言えるでしょう。特に、データの大部分が意味を持たないが、ごく一部に重要な情報が隠されているような分野（例えば、遺伝子解析や大規模なネットワーク最適化など）で、その応用が期待されます。