グーグルのクラウドを支えるテクノロジー　＞　第53回　ハイパーパラメーターチューニングの新手法（パート１）

＃＃＃

■はじめに

　今回からは、数回に分けて、2018年に公開された論文「Population Based Training as a Service」、および、それに深く関連する2017年の論文「Population Based Training of Neural Networks」を紹介していきます。前者は、機械学習におけるハイパーパラメーターチューニングの新しい手法である、「Population Based Training」をクラウドサービスとして提供しようという提案で、Google Cloud Platform（GCP）のCloud Machine Learning Engine（CMLE）、特に、ハイパーパラメーターチューニング・サービスを使用している方には、親近感のわく話題かも知れません。

■ハイパーパラメーターチューニングとは？

　はじめに、機械学習におけるハイパーパラメーターチューニングを復習しておきます。機械学習というのは、なんらかの予測処理を行う数式を多数のパラメーターを含む形で用意しておき、学習用データを用いてこれらのパラメーターを最適化する、すなわち、より正解率の高い予測ができるようにパラメーターをチューニングする仕組みです。また、機械学習ではすべての処理が自動化されていて、学習データを与えるだけで、前述の数式（一般的な用語でいうと、機械学習モデル）が完成すると誤解されることもありますが、実際には、データの特性にあわせて、人間（データサイエンティスト）が試行錯誤で調整するパラメーターもたくさんあります。詳しい説明は省きますが、代表的なハイパーパラメーターには、次のようなものがあります。

この続きは以下をご覧ください
リンク