Upgrade to Pro — share decks privately, control downloads, hide ads and more …

AHC003 2位解法

AHC003 2位解法

Atcoder Heuristic Contest 003 (https://atcoder.jp/contests/ahc003)の2位解法の解説スライドです

Keywords:ベイズ推定,多変量ガウス分布,探索と知識利用のトレードオフ,ベイズ最適化

Yuki Yoshida

August 20, 2022
Tweet

More Decks by Yuki Yoshida

Other Decks in Technology

Transcript

  1. ໰୊ͷ֓ཁ w YͷάϦουঢ়ͷಓ࿏͔ΒͳΔ͕֗͋Δ w   ͷಓ࿏͕͋Δ w ͦΕΒͷίετ͸ෆ໌ w

    ͜ͷ֗ͰಓҊ಺ΞϓϦΛఏڙ͢Δ w ࢝఺ͱऴ఺͕ೖྗ͞ΕΔͷͰɼ࢝఺͔Βऴ఺·Ͱͷܦ࿏Λग़ྗ͢Δ w ग़ྗͨ͠ܦ࿏ͷʮ࣮ࡍͷίετʯ͸൑໌͢Δ w ͨͩ͠ϊΠζ͕ೖΔʢ࣮ࡍͷίετʹҎ্ҎԼͷҰ༷ཚ਺ֻ͕͔ͬͨ஋͕؍ଌ͞ΕΔʣ w ໨తɿճͷಓҊ಺Λ௨ͯ͠ɼͰ͖ΔݶΓ࠷దʹ͍ۙܦ࿏ΛҊ಺ͤΑ w Ҋ಺ͨ͠ܦ࿏ʹ͍ͭͯಘΒΕΔίετ৘ใΛखֻ͔Γʹɼ֤ಓ࿏ͷίετ৘ใΛਪ ఆ͠ɼͦΕΛ΋ͱʹΑΓྑ͍ܦ࿏ΛҊ಺ͤΑ
  2. ໰୊ͷ֓ཁɿಓ࿏ίετͷੜ੒ํ๏ w %Λɹɹɹɹɹɹɹɹɹɹɹʹैͬͯੜ੒ʢ6͸Ұ༷෼෍Λද͢ʣ w .㱨\ ^ΛҰ༷ϥϯμϜʹੜ੒ w ֤ηάϝϯτΛਤ.ͷΑ͏ʹఆٛ w ͦΕͧΕͷηάϝϯτ͝ͱʹಠཱʹɼηάϝϯτ಺ͷίετɹɹΛ࣍ͷํ๏Ͱੜ੒

    ਤɿҰຊͣͭͷʮےʯΛηάϝϯτͱ͢Δ ʢηάϝϯτ਺͸ʣ ਤɿਤͷηάϝϯτͦΕͧΕΛ ϥϯμϜͳҐஔͰࡉ෼ͯͭ͠ͷηάϝϯτʹ ʢηάϝϯτ਺͸ʣ h = H + δ, H ∼ U(1000 + D, 9000 − D), δi ∼ U(−D, D) h D ∼ U(100, 2000)
  3. ղ๏ͷ֓ཁ w ຊͷลͷίετΛϕΠζਪఆ w ࣍ݩͷଟมྔΨ΢ε෼෍ͰϞσϦϯά w .ͷϞσϧͱ.ͷϞσϧΛผݸʹ΋ͭ w ճͷಓҊ಺͝ͱʹࣄޙ෼෍ΛΦϯϥΠϯߋ৽ w

    ಓҊ಺ɿ ճ໨ʹҊ಺͢Δܦ࿏͸ɼͭͷϞσϧͷ͏ͪ໬౓ͷߴ͍ํͷϞσϧͷࣄޙ෼ ෍ʹΑΔಓ࿏ίετͷฏۉ͔Βඪ४ภࠩͷ ഒΛࠩ͠Ҿ͍ͨ΋ͷΛ༻͍ͯ࠷୹࿏୳ࡧ ʢμΠΫετϥ๏ʣͯ͠ಘΒΕΔܦ࿏ w ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑͷόϥϯεΛͱΔ ͸ɼ ʹରͯ͠୯ௐݮগͤ͞Δ w ͦͷεέδϡʔϦϯά͸ϕΠζ࠷దԽʹΑΓ࠷దԽ t γt γt t ࣍εϥΠυ͔Βৄࡉʹղઆ
  4. ଟมྔΨ΢ε෼෍ w ଟ࣍ݩͷ࿈ଓม਺ͷ෼෍ͷ୅ද֨ w ύϥϝʔλɿฏۉ ɼڞ෼ࢄ  w ศརͳੑ࣭ɿ ͕ଟมྔΨ΢ε෼෍ʹै͏ͱ͖

    w ΋ଟมྔΨ΢ε෼෍ʹै͏ w ΋ଟมྔΨ΢ε෼෍ μ ∈ ℝN Σ ∈ ℝN×N x ∈ ℝN Ax + b p(x0:i |xi:n ) 𝒩(x|μ, Σ) ∝ exp(− (x − μ)TΣ−1(x − μ) 2 ) ฏۉ ϕΫτϧ ڞ෼ࢄ ߦྻ
  5. ଟมྔΨ΢ε෼෍Λ༻͍ͨϕΠζਪఆ p(x) = 𝒩(x|μ0 , Σ0 ) p(x|D1 ) =

    𝒩(x|μ1 , Σ1 ) p(x|D1 , D2 ) = 𝒩(x|μ2 , Σ2 ) p(x|D1 , D2 , D3 ) = 𝒩(x|μ3 , Σ3 ) ࣄલ෼෍ ࣄޙ෼෍ ࣄޙ෼෍ ࣄޙ෼෍ σʔλ Λ؍ଌ D1 ʜ ͔Β Λܭࢉ μ0 , Σ0 , D1 μ1 , Σ1 , D2 μ2 , Σ2 , D3 ͔Β Λܭࢉ ͔Β Λܭࢉ μ1 , Σ1 μ2 , Σ2 μ3 , Σ3 σʔλ Λ؍ଌ D2 σʔλ Λ؍ଌ D3
  6. ଟมྔΨ΢ε෼෍Λ༻͍ͨϕΠζਪఆɿ ࠓճͷ৔߹ p(x) = 𝒩(x|μ0 , Σ0 ) p(x|D) =

    𝒩(x|μ1 , Σ1 ) ࣄલ෼෍ ࣄޙ෼෍  ͷ஋Λ؍ଌ ͨͩ͠ (x1 + x2 + x873 + x33 + x34 ) ⋅ e e ∼ U(0.9, 1.1) ͱࠓճͷ؍ଌ಺༰͔Β Λܭࢉ μ0 , Σ0 μ1 , Σ1 T U 50%0ɿ ᶃࣄޙ෼෍ύϥϝʔλͷߋ৽ଇΛಋग़͢Δ ᶄࣄલ෼෍ͷύϥϝʔλΛద੾ʹఆΊΔ ᶃ ᶄ ʜ ʢҎԼಉ͡ํ๏ʣ      ɿಓ࿏ίετ x ∈ ℝ1740
  7. ᶃࣄޙ෼෍ύϥϝʔλͷߋ৽ x ∼ 𝒩(μ, Σ) y = wT x ⋅

    e e ∼ U(0.9, 1.1) ͕ਖ਼ن෼෍ʹैͬͯ΄͍͠ͷͰɼ ͷ෼෍Λਖ਼ن෼෍Ͱۙࣅ͢Δ [xT, y] e e ∼ 𝒩(1, σ2 e ) ฏۉɹ෼ࢄ [xT, y]T ∼ 𝒩([μT, * ]T, [[Σ, * ], [ * , * ]]) ίϝҹͷ෦෼Λؤுͬͯܭࢉ͢ΔͱҎԼͷΑ͏ʹͳΔ [xT, y]T ∼ 𝒩([μT, wT μ]T, [[Σ, Σw], [wTΣ, (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w)]]) σ2 e = 1/300 ͸ΞμϚʔϧੵʢཁૉ͝ͱͷੵʣ ⊙ X͸ϕΫτϧͰɼXJͷ࿨͸ߴʑఔ౓
  8. ʮಉ࣌෼෍ʯ ͔Βʮ৚݅෇͖෼෍ʯ ΛٻΊ͍ͨɽ13.-ʢ˞ʣͷࣜ  ɼ  p(x, y) p(x|y) Λࠓճͷ৔߹ʹద༻͢Δͱɼ͕࣍ಘΒΕɼ͜Ε͕ʮࣄޙ෼෍ύϥϝʔλͷߋ৽ଇʯͱͳΔɽ

    ˞͜ͷߋ৽ͷܭࢉྔ͸ʁ ᶃࣄޙ෼෍ύϥϝʔλͷߋ৽ Σa|b = Σaa − Σab Σ−1 bb Σba μa|b = μa + Σab Σ−1 bb (xb − μb ) Σx|y = Σ − (Σw)(Σw)T /c μx|y = μ + Σw(yobserved − wT μ)/c c = (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w) [xT, y]T ∼ 𝒩([μT, wT μ]T, [[Σ, Σw], [wTΣ, (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w)]]) (Σw)(Σw)T ͷ෦෼͚ͩ0 / ɼͦΕҎ֎͸0 / ɽɹʢ/ʣ ʢͨͩ͠X͕ϕΫτϧͰɼ͔ͭͷཱͭ৔ॴ͕ߴʑՕॴఔ౓Ͱ͋Δ͜ͱΛར༻ɽ ͜ͷ͸ఆ਺ͱΈͳ͍ͯ͠Δʣ ߋ৽ྔ ˞$.Ϗγϣοϓʰύλʔϯೝࣝͱػցֶश্ʱؙળग़൛
  9. ᶄࣄલ෼෍ͷઃఆ ࠓճ͸ಓ࿏ίετͷੜ੒ΞϧΰϦζϜ͕׬શʹ໌͔͞Ε͍ͯΔ ʢͭ·Γɼಓ࿏ίετ ͷੜ੒෼෍ ͕໌͔͞Ε͍ͯΔʣ ͜ͷ෼෍ ͸ਖ਼ن෼෍Ͱ͸ͳ͍͕ɼࠓճͷํ๏Ͱ͸ɼࣄલ෼෍͸ਖ਼ن෼෍ͱ͢Δඞཁ͕͋Δɽ ͦ͜Ͱɼฏۉͱڞ෼ࢄ͚ͩ ͱ߹ΘͤΔ͜ͱʹ͢Δɽ x

    p(x) p(x) p(x) ࠓճͷಓ࿏ίετੜ੒෼෍ ͷʮฏۉʯͱʮڞ෼ࢄʯ͸ʁ p(x) μi = 5000 Σij = 3.469 × 106 3.001 × 106 0 ʢJKͷͱ͖ʣ ʢJ㱠KͰɼಓJͱಓK͕ಉ͡ʮےʯ্ʹ͋Δͱ͖ʣ ʢJ㱠KͰɼಓJͱಓK͕ҟͳΔʮےʯ্ʹ͋Δͱ͖ʣ μi = 5000 Σij = 3.469 × 106 3.001 × 106 ⋅ (1 − δ/28) 0 ʢJKͷͱ͖ʣ ʢJ㱠KͰɼಓJͱಓK͕ಉ͡ʮےʯ্ʹ͋ͬͯ Ґஔ͕ ͚ͩ཭Ε͍ͯΔͱ͖ʣ δ ʢJ㱠KͰɼಓJͱಓK͕ҟͳΔʮےʯ্ʹ͋Δͱ͖ʣ .ͷ৔߹ .ͷ৔߹
  10. ᶄࣄલ෼෍ͷઃఆ μi = 5000 Σij = 3.469 × 106 3.001

    × 106 ⋅ (1 − δ/56) 0 ʢJKͷͱ͖ʣ ʢJ㱠KͰɼಓJͱಓK͕ಉ͡ʮےʯ্ʹ͋ͬͯ Ґஔ͕ ͚ͩ཭Ε͍ͯΔͱ͖ʣ δ ʢJ㱠KͰɼಓJͱಓK͕ҟͳΔʮےʯ্ʹ͋Δͱ͖ʣ ͳͷͰɼ ͰपลԽ͢Δͱ p(M = 1) = p(M = 2) = 1/2 M ࠓճͷಓ࿏ίετੜ੒෼෍ ͷʮฏۉʯͱʮڞ෼ࢄʯ p(x)
  11. ଟมྔΨ΢ε෼෍Λ༻͍ͨϕΠζਪఆɿ ࠓճͷ৔߹ p(x) = 𝒩(x|μ0 , Σ0 ) p(x|D) =

    𝒩(x|μ1 , Σ1 ) ࣄલ෼෍ ࣄޙ෼෍  ͷ஋Λ؍ଌ ͨͩ͠ (x1 + x2 + x873 + x33 + x34 ) ⋅ e e ∼ U(0.9, 1.1) T U ʜ ʢҎԼಉ͡ํ๏ʣ      ɿಓ࿏ίετ x ∈ ℝ1740 Σx|y = Σ − (Σw)(Σw)T /c μx|y = μ + Σw(yobserved − wT μ)/c c = (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w)
  12. ಓҊ಺ w ಓ࿏ίετͷࣄޙ෼෍Λ΋ͱʹɼద੾ͳܦ࿏ΛҊ಺͢Δ ‣ ࣄޙ෼෍ฏۉ Λ৴͡Δ͜ͱʹͯ͠ʢͦͷ··શಓ࿏ͷίετͦͷ΋ͷͩͱ ࢥͬͯʣɼ࠷୹࿏ΛٻΊͯग़ྗ͢Δ w ࠾༻ w

    ࠷୹࿏ͷܭࢉ͸μΠΫετϥ๏Λར༻  ‣ ʮࣄޙ෼෍͔ΒαϯϓϦϯάΛߦͬͨ݁ՌʯΛಓ࿏ίετͩͱ ࢥͬͯɼ࠷୹࿏ΛٻΊͯग़ྗ͢Δʁ w ଟมྔΨ΢ε෼෍͔ΒͷαϯϓϦϯάʹ͸ɼڞ෼ࢄߦྻͷର֯Խ͕ඞཁͰ͋Γɼ ͦΕʹ͸ܭࢉྔ ͔͔ΔͨΊɼෆ࠾༻ μ O(N) O(N3)
  13. ղ๏ͷ֓ཁ w ຊͷลͷίετΛϕΠζਪఆ w ࣍ݩͷଟมྔΨ΢ε෼෍ͰϞσϦϯά w .ͷϞσϧͱ.ͷϞσϧΛผݸʹ΋ͭ w ճͷಓҊ಺͝ͱʹࣄޙ෼෍ΛΦϯϥΠϯߋ৽ w

    ಓҊ಺ɿ ճ໨ʹҊ಺͢Δܦ࿏͸ɼͭͷϞσϧͷ͏ͪ໬౓ͷߴ͍ํͷϞσϧͷࣄޙ෼ ෍ʹΑΔಓ࿏ίετͷฏۉ͔Βඪ४ภࠩͷ ഒΛࠩ͠Ҿ͍ͨ΋ͷΛ༻͍ͯ࠷୹࿏୳ࡧ ʢμΠΫετϥ๏ʣͯ͠ಘΒΕΔܦ࿏ w ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑͷόϥϯεΛͱΔ ͸ɼ ʹରͯ͠୯ௐݮগͤ͞Δ w ͦͷεέδϡʔϦϯά͸ϕΠζ࠷దԽʹΑΓ࠷దԽ t γt γt t ͜ΕʹΑΓ࢑ఆείΞʢ࠷ऴҐ૬౰ʣ͕ಘΒΕͨ
  14. ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑɿ ࠓճͷ৔߹ w ୳ࡧͱ஌ࣝར༻ΛόϥϯεΑ͘ߦ͏ͨΊɼҎԼͷํ๏Λ༻͍Δ w ࠷୹࿏୳ࡧΛ͢Δࡍʹɼಓ࿏ ͷίετͱͯ͠ Λ༻͍Δ୅ΘΓʹɼ Λ༻͍Δ w

    ͷ৔߹ɿܦݧͷઙ͍ಓ࿏ͷίετͷ෼ࢄ͸େ͖͍ͨΊɼબ୒͞ Ε΍͘͢ͳΔʢ୳ࡧॏࢹʣ w ͷ৔߹ɿܦݧͷઙ͍ಓ࿏͸બ୒͞Εʹ͘͘ͳΔʢ஌ࣝར༻ॏࢹʣ i μi μi − γt Σii γt > 0 γt < 0
  15. ղ๏ͷ֓ཁ w ຊͷลͷίετΛϕΠζਪఆ w ࣍ݩͷଟมྔΨ΢ε෼෍ͰϞσϦϯά w .ͷϞσϧͱ.ͷϞσϧΛผݸʹ΋ͭ w ճͷಓҊ಺͝ͱʹࣄޙ෼෍ΛΦϯϥΠϯߋ৽ w

    ಓҊ಺ɿ ճ໨ʹҊ಺͢Δܦ࿏͸ɼͭͷϞσϧͷ͏ͪ໬౓ͷߴ͍ํͷϞσϧͷࣄޙ෼ ෍ʹΑΔಓ࿏ίετͷฏۉ͔Βඪ४ภࠩͷ ഒΛࠩ͠Ҿ͍ͨ΋ͷΛ༻͍ͯ࠷୹࿏୳ࡧ ʢμΠΫετϥ๏ʣͯ͠ಘΒΕΔܦ࿏ w ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑͷόϥϯεΛͱΔ ͸ɼ ʹରͯ͠୯ௐݮগͤ͞Δ w ͦͷεέδϡʔϦϯά͸ϕΠζ࠷దԽʹΑΓ࠷దԽ t γt γt t ͜ΕʹΑΓ࢑ఆείΞʢ࠷ऴҐ૬౰ʣ͕ಘΒΕͨ ͱΓ͋͑ͣ ͱ͢Δ γt ≡ 1
  16. .ͷਪఆ .͔.͔͕΋͠൑໌͢Ε͹ɼΑΓޮ཰తʹಓ࿏ίετΛਪఆͰ͖Δ͸ͣ .ͩͱܾΊଧͪͨ͠৔߹ p(x|M = 1) = 𝒩(x|μ(1) 0 ,

    Σ(1) 0 ) p(x|M = 1,D1 ) = 𝒩(x|μ(1) 1 , Σ(1) 1 ) p(x|M = 1,D1 , D2 ) = 𝒩(x|μ(1) 2 , Σ(1) 2 ) ࣄલ෼෍ ࣄޙ෼෍ ࣄޙ෼෍ σʔλ%Λ؍ଌ σʔλ%Λ؍ଌ .ͩͱܾΊଧͪͨ͠৔߹ p(x|M = 2) = 𝒩(x|μ(2) 0 , Σ(2) 0 ) p(x|M = 2,D1 ) = 𝒩(x|μ(2) 1 , Σ(2) 1 ) p(x|M = 2,D1 , D2 ) = 𝒩(x|μ(2) 2 , Σ(2) 2 ) σʔλ%Λ؍ଌ σʔλ%Λ؍ଌ ྆ํͷϞσϧΛஞ࣍ߋ৽ͭͭ͠ɼ࠷୹࿏ͷܭࢉʹ͸ʮՄೳੑͷߴ͍ํͷϞσϧʯΛ༻͍͍ͨ ʜ ʜ
  17. Ϟσϧͷ໬౓ p(x) = 𝒩(x|μ0 , Σ0 ) p(x|D) = 𝒩(x|μ1

    , Σ1 ) ࣄલ෼෍ ࣄޙ෼෍  ͷ஋Λ؍ଌ ͨͩ͠ (x1 + x2 + x873 + x33 + x34 ) ⋅ e e ∼ U(0.9, 1.1) T U      ɿಓ࿏ίετ x ∈ ℝ1740 ؍ଌͷͨͼʹʮͦͷ؍ଌ஋͕Ϟσϧ͔ΒಘΒΕΔ֬཰ʯΛ ܭࢉͰ͖Δɽ [xT, y]T ∼ 𝒩([μT, wT μ]T, [[Σ, Σw], [wTΣ, (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w)]]) ΑΓɼ؍ଌ஋ ͕Ϟσϧ͔ΒಘΒΕΔ֬཰͸ yobserved 𝒩(yobserved |wT μ, (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w)) ͜Ε͸ɼ؍ଌσʔλ ʹ͍ͭͯͷ Ϟσϧͷ໬౓ʢ΋ͬͱ΋Β͠͞ʣͱݟΔ͜ͱ΋Ͱ͖Δ yobserved ର਺໬౓ L = log 𝒩(yobserved |wT μ, (1 + σ2 e )wTΣw + σ2 e (μ ⊙ w)T(μ ⊙ w))
  18. .ͷਪఆ .͔.͔͕΋͠൑໌͢Ε͹ɼΑΓޮ཰తʹಓ࿏ίετΛਪఆͰ͖Δ͸ͣ .ͩͱܾΊଧͪͨ͠৔߹ p(x|M = 1) = 𝒩(x|μ(1) 0 ,

    Σ(1) 0 ) p(x|M = 1,D1 ) = 𝒩(x|μ(1) 1 , Σ(1) 1 ) p(x|M = 1,D1 , D2 ) = 𝒩(x|μ(1) 2 , Σ(1) 2 ) ࣄલ෼෍ ࣄޙ෼෍ ࣄޙ෼෍ σʔλ%Λ؍ଌ σʔλ%Λ؍ଌ .ͩͱܾΊଧͪͨ͠৔߹ p(x|M = 2) = 𝒩(x|μ(2) 0 , Σ(2) 0 ) p(x|M = 2,D1 ) = 𝒩(x|μ(2) 1 , Σ(2) 1 ) p(x|M = 2,D1 , D2 ) = 𝒩(x|μ(2) 2 , Σ(2) 2 ) σʔλ%Λ؍ଌ σʔλ%Λ؍ଌ ྆ํͷϞσϧΛஞ࣍ߋ৽ͭͭ͠ɼ࠷୹࿏ͷܭࢉʹ͸ʮՄೳੑͷߴ͍ํͷϞσϧʯΛ༻͍Δ ʜ ʜ ର਺໬౓L ର਺໬౓L ର਺໬౓L ର਺໬౓L ର਺໬౓L ର਺໬౓L ର਺໬౓ʢͷ࿨ʣͷେ͖͍ํͷϞσϧ
  19. ղ๏ͷ֓ཁ w ຊͷลͷίετΛϕΠζਪఆ w ࣍ݩͷଟมྔΨ΢ε෼෍ͰϞσϦϯά w .ͷϞσϧͱ.ͷϞσϧΛผݸʹ΋ͭ w ճͷಓҊ಺͝ͱʹࣄޙ෼෍ΛΦϯϥΠϯߋ৽ w

    ಓҊ಺ɿ ճ໨ʹҊ಺͢Δܦ࿏͸ɼͭͷϞσϧͷ͏ͪ໬౓ͷߴ͍ํͷϞσϧͷࣄޙ෼ ෍ʹΑΔಓ࿏ίετͷฏۉ͔Βඪ४ภࠩͷ ഒΛࠩ͠Ҿ͍ͨ΋ͷΛ༻͍ͯ࠷୹࿏୳ࡧ ʢμΠΫετϥ๏ʣͯ͠ಘΒΕΔܦ࿏ w ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑͷόϥϯεΛͱΔ ͸ɼ ʹରͯ͠୯ௐݮগͤ͞Δ w ͦͷεέδϡʔϦϯά͸ϕΠζ࠷దԽʹΑΓ࠷దԽ t γt γt t ͜ΕʹΑΓ࢑ఆείΞʢ࠷ऴҐ૬౰ʣ͕ಘΒΕͨ ͱΓ͋͑ͣ ͱ͢Δ γt ≡ 1
  20. ϋΠύʔύϥϝʔλ࠷దԽɿ ͷεέδϡʔϦϯά γt ͷεέδϡʔϦϯάͷύϥϝτϦθʔγϣϯ γt f(z) = ྑ͍ ͷεέδϡʔϦϯάΛݟ͚ͭΔ໰୊ΛɼҎԼͷϒϥοΫϘοΫεؔ਺ͷ ࠷େԽ໰୊ͱͯ͠ѻ͍ɼ͜ΕΛϕΠζ࠷దԽΛ༻͍ͯ࠷దԽ

    γt ʢԼਤͷεέδϡʔϦϯάΛ༻͍ͨ৔߹ͷ ɹධՁ༻έʔεͰͷείΞͷฏۉʣ z ∈ ℝ11                 ͨͩ͠ ͓Αͼ ͱ͢Δ ʢ୯ௐݮগͳεέδϡʔϦϯάͷΈ͕୳ࡧର৅ͱͳΔʣ 0 ≤ z1 ≤ 2 −0.5 ≤ zi ≤ 0 (2 ≤ i ≤ 11) z1 z1 + z2 z1 + z2 + z3 z1 + z2 + z3 + z4 z1 + z2 + ⋯ + z11
  21. ϋΠύʔύϥϝʔλ࠷దԽɿ ͷεέδϡʔϦϯά γt ࠷దԽʹΑͬͯಘΒΕͨ ͷεέδϡʔϦϯά γt ྑ͍ ͷεέδϡʔϦϯάΛݟ͚ͭΔ໰୊ΛɼϒϥοΫϘοΫεؔ਺ ͷ࠷ େԽ໰୊ͱͯ͠ѻ͍ɼ͜ΕΛϕΠζ࠷దԽΛ༻͍ͯ࠷దԽ

    γt f(z) ɾ࢖༻ϥΠϒϥϦɿ(1Z0QU ɾύϥϝʔλɿॳظϥϯμϜ୳ࡧճ਺ɼຊ୳ࡧճ਺ɼ֫ಘؔ਺6$#ɼΧʔωϧ.BUFSO                 
  22. ղ๏ͷ֓ཁ w ຊͷลͷίετΛϕΠζਪఆ w ࣍ݩͷଟมྔΨ΢ε෼෍ͰϞσϦϯά w .ͷϞσϧͱ.ͷϞσϧΛผݸʹ΋ͭ w ճͷಓҊ಺͝ͱʹࣄޙ෼෍ΛΦϯϥΠϯߋ৽ w

    ಓҊ಺ɿ ճ໨ʹҊ಺͢Δܦ࿏͸ɼͭͷϞσϧͷ͏ͪ໬౓ͷߴ͍ํͷϞσϧͷࣄޙ෼ ෍ʹΑΔಓ࿏ίετͷฏۉ͔Βඪ४ภࠩͷ ഒΛࠩ͠Ҿ͍ͨ΋ͷΛ༻͍ͯ࠷୹࿏୳ࡧ ʢμΠΫετϥ๏ʣͯ͠ಘΒΕΔܦ࿏ w ୳ࡧͱ஌ࣝར༻ͷτϨʔυΦϑͷόϥϯεΛͱΔ ͸ɼ ʹରͯ͠୯ௐݮগͤ͞Δ w ͦͷεέδϡʔϦϯά͸ϕΠζ࠷దԽʹΑΓ࠷దԽ t γt γt t ͜ΕʹΑΓ࢑ఆείΞʢ࠷ऴҐ૬౰ʣ ʢ࠷ऴείΞʢ࠷ऴҐʣʣ ˞͜ͷॱҐͷΪϟοϓͷݪҼ͸ ࢑ఆέʔεͱ࠷ऴέʔεͷ೉қ౓ࠩ