概要: 適好（プレファレンス）モデリングは、経済学、意思決定理論、機械学習、統計学の交差点に位置しています。個人の適好と、彼らがどのように選択を行うのかを理解することで、私たちは、彼らの期待により密接に合致するプロダクトを構築し、幅広い領域にわたって、より効率的でパーソナライズされた応用への道を開くことができます。本チュートリアルの目的は、ガウス過程（GP）による適好学習のための、まとまりのある包括的な枠組みを提示し、合理性の原理（経済学および意思決定理論に由来するもの）を学習プロセスへシームレスに組み込む方法を示すことです。もっともらしさ（尤度）関数を適切に調整することで、この枠組みは、ランダム効用モデル、識別の限界、さらに対象選好とラベル選好の双方に対して、複数の相反する効用が存在するシナリオを包含する適好学習モデルの構築を可能にします。本チュートリアルは、確立された研究に基づきつつ、同時に、既存文献にある特定のギャップを埋めるための、いくつかの新規なGPベースモデルも導入します。
ガウス過程（GP）で嗜好と選択から学習するためのチュートリアル
arXiv stat.ML / 2026/5/5
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本チュートリアルは、経済学・意思決定理論における「合理性」の考え方をGPベースの機械学習へと結び付ける統合的な枠組みを、ガウス過程（GP）による嗜好学習として提案しています。
- 分布尤度（likelihood）を適切に調整することで、確率的効用（random utility）モデル、認識の限界（limits of discernment：限定された識別可能性）、さらに物体・ラベルの嗜好における複数の相反する効用の状況まで含む嗜好モデルを構築できることを示します。
- この枠組みは、対象（object）に対する嗜好とラベル（label）に対する嗜好の両方を扱えるよう設計されています。
- 既存研究を土台にしつつ、従来文献のギャップを埋めるための新しいGPベースモデルも提示します。
- 個人の嗜好をより効果的に学習することで、個々の期待により合致したパーソナライズドな製品・アプリケーションにつなげることを目指しています。
