ベイズ最適化または同様の「一度に1つの実験を行う」手法JMP 18で利用できる「ベイズ最適化」や、同様の「一度に1つの実験を行う」手法についてもっと詳しく知りたいです。
また、ベイズ最適化機能は、JMPのPro版以外のプラットフォームでも利用できるようになる予定はありますか？
ありがとう！
データ探索と可視化実験計画法Re: ベイズ最適化または同様の「一度に1つの実験」手法Bayes Opプラットフォームは、処理の大部分をJMP Proの他の機能に依存しています。今後もPro版の機能として維持される可能性が高いでしょう。
目的にもよりますが、最小限の実験回数で主効果の小規模な実験計画法（DOE）から始めるのが有効な方法かもしれません。その後、拡張設計（Augment Design）を使用して、有効因子の高次項を追加し、応答曲面をより詳細に埋めていきます。
Re: ベイズ最適化または同様の「一度に1つの実験」手法こんにちは、 @JaromW さん。
コミュニティへようこそ！
ベイズ最適化は現在、JMP Proプラットフォームで利用可能です。JMP Proにおけるベイズ最適化についてさらに詳しく知りたい場合は、以下のリソースをお勧めします。
この動画「ベイズ最適化の基礎」（YouTube動画）をご覧いただくと、ベイズ最適化について手軽に理解できます。
ベイズ最適化（非常に少ない反復回数で製品やシステムを最適化できる手法）を最大限に活用するには、まず質の高い情報を含む優れた初期データセットが必要です。多くの人は過去のデータから始めますが、事前データがない場合は、実験計画法（DoE）から始めることをお勧めします。多くの要因がある場合は、小規模なスクリーニング設計を使用して（ベイズ最適化の反復において重要かつ有効な要因を除外するため）、要因が少ない場合は、小規模な空間充填設計（ラテン超立方体など）を使用して、代表的で質の高い初期データセットを取得します。
DoEとBOは相互補完的な関係にあり、 @Byron_JMPが指摘しているように、DoEの分野では小規模な設計を用いて逐次的に学習する多くの可能性も存在します。
この回答がお役に立てば幸いです。
Re: ベイズ最適化または同様の「一度に1つの実験」手法ベイズ最適化に関して、2つの質問／意見があります。
1. その解が最適解ではないかどうかを確認する方法はありますか？
2. 堅牢な最適解を検出する方法はありますか？
Re: ベイズ最適化または同様の「一度に1つの実験」手法こんにちは、 @frankderuyck さん。
ご質問に対する私の考えをいくつかご紹介します。
- 自動的にはそうはなりません。探索が完全に完了していない場合、応答のモデリングの難易度や測定/実験ノイズによっては、BOが最適ではない領域に留まってしまう可能性があります。新しい実行を追加するためだけに「自動」モードのみを使用してこの状況の例を試してみたところ、BOループは数回の実行後すぐに局所最適解に留まり、そこが到達すべき最適解だと判断しました。したがって、最適解に到達する前に、探索を強制するために、BOループの最初にMaxPro基準実行をいくつか含めるのが良いでしょう。
- 答えは同じです。予測プロファイラや設計空間プロファイラなどのプロファイラ、そのオプション（ 感度インジケーターなど）、その他のモデリング診断ツールは、最適解の堅牢性を視覚化して理解するのに役立ちます。しかし、最適解が十分に堅牢であることを本当に確認したい場合（また、最適解が堅牢であるべき基準にもよりますが）、小規模な堅牢性設計研究が有効な場合があります。Stat -Easeの堅牢設計に関するブログシリーズをご覧ください。
この回答がお役に立てば幸いです。
Re: ベイズ最適化または同様の「一度に1つの実験」手法ビクターさん、明確な回答をありがとうございました！最適解ではない丘で行き詰まって迷子になるのは、確かに問題です。最適なDOEを単純に開始した場合よりも多くの実行回数を必要とするランダムウォークに陥るリスクがある、という理解でよろしいでしょうか？行き詰まった場合、最小限の実行回数で真の最適解に到達するための方向性はあるのでしょうか？
Re: ベイズ最適化または同様の「一度に1つの実験」手法こんにちは、 @frankderuyck さん。
これは必ずしも実行回数の問題ではなく、達成したい「真の」グローバル最適解とBOで見つけた最適解との間の距離の問題でもある。
私の例では、自動モード（4回の実行と、3回の過去の実行に加えて1回のベストトレーニング実行の複製）を使用すると、最適値に素早く収束しますが、この自動モードで見つかった最適値は応答が3.5～3.6であるのに対し、「ガイド付き」モード（ループの開始時に4回のMaxPro実行を強制し、合計8回の実行を追加）で見つかった最適値は4.5（期待される最適値）でした。したがって、自動モードの方がより早く（より少ない実行回数で）解に到達できたとしても、この解は（「ガイド付き」モードとは異なり）グローバル最適値ではないようです。
私の意見では、行き詰まったときは、MaxPro基準を強制的に適用する実行を含めることで、実験空間の探索を強制的に行うのが最善の選択肢です。
Re: ベイズ最適化または同様の「一度に1つの実験」手法別の視点から考えてみましょう。n次元応答曲面を考えると、局所最大値は多数ありますが、全体最適値は1つだけです。局所最大値は、応答において望ましい値を示しますが、局所最大値は尖っています（小さく狭い）。つまり、モデル因子のわずかな変化でも、望ましい値からすぐに離れてしまう可能性があります。全体最大値は「プラトー状」（平坦）になる傾向があります。これは、モデル因子の小さな変動に対して頑健である、または鈍感であるとも言えます（これは、Victorが参照したブログのシナリオIIだと思います）。局所最大値から「抜け出す」には、レベル設定ではなく、他の因子を見つけることで行います。曲面を「見る」ための別の次元です。因子選択は、n次元空間を最も効果的に移動させます。したがって、設計空間内で「レベル設定をいじる」ことは、方法に関係なく、設計空間を拡大するよりも効果が低くなります。
さらに、私が考えるロバスト性とは、ノイズと因子の相互作用がない状態を指します。ロバスト性を実現するには、少なくとも実験期間中はノイズを特定し、操作する必要があります。ロバストな設計を最も効率的に行うには、設計因子の実験中にノイズ因子を操作する必要があります。これは逐次的な操作ではありません。つまり、設計因子の最適設定を決定してからノイズを導入することはできません。ノイズと因子の相互作用を推定できるように、同時に操作する必要があります。RCBD（ランダム化比較試験）や分割プロット設計は、この目的に最適です。
