古橋さん ● JFの方が計算速度では優れている ● MAPFと似ていてトレードオフ ● 何で調整する？ ○ 線形固定点？ ● 正規化するときに ● 線形緩和の時のパラメータ ○ リプシッツ定数の部分がパラメータに寄与している ○ 逆行列計算の高速化（線形固定点問題）が悪さをしているが、どこかはわからない ● トレードオフ探すのがFuture Work ○ ネットワーク大規模になったら高速化が必要 松永さん ● p.38 3.1の図はどういう意味？ ○ どれくらい観測値と予測値が合っているかで縦軸を算出 ○ 左にいくにつれて、vの差分が0のとこが増えるということ ● 他のロバスト性は？ ○ 同じ 大山先生 ● 複数交通手段間の相互作用均衡は考えられそう 堀 ● 現在の形でもOKなのではという感じはする ● DCMとの融和は考えられそう ● 現場のエンジニアはこういう考え方をしているが解釈性とかは気になる（羽藤先生） 西尾 ● 解釈性が気になる 水谷 ● 複雑ネットワークかつ網羅的なデータがあるとき有用 ● 実装がイメージできない ● 現実ネットワークで収束できるのか ● 欠損に強いRF… ● 解き方の妙も知った方が良い（羽藤先生） 伊藤 ● ボトムアップ型のモデルと違ってEtoEの概念が面白い 重村 ● 学習パラメータ用いて、政策評価できると面白い 大山先生 ● ドメイン知識を組み込んでいく ● がっつり観測にあわせてあとはどうでも良いとかではなく、均衡に落とし込む ● 解釈はできそうな形のNNになっている ● 数理的具合がYafengらしい、内容を追えて良かった ● 均衡を保証しつつ、行動モデルにも活かせれば良い 羽藤先生 ● 均衡は普遍性の高い原理 ● 他分野にもインパクトがある ● slidoは要約トレーニングにはなっていない 小林先生 ● アーカイブが残るのは良い ● 匿名は良いが投票はあってもよい 渡邉先生 ● 1人1人の意見が見られるのは良い 増田さん ● 3人ぐらいで新しいアイデアが出るのも良い 以下slido Anonymous 内容と全く関係なくて申し訳ないですが、数理手法が自分の理論談話会のテーマと似ていると感じたので参考にしたいです Anonymous 欠損へのロバスト性と，end-to-endで均衡を出せること，またNNの内部構造に解釈性も含んでいることに着目． →カメラ等による複数交通手段のリンク交通量を用いて，複数手段間の均衡配分を考える．実ネットワークでも欠損許容なら割といけるのでは． Anonymous 複数プレーヤーのゲームの均衡を求めたいとき、コスト関数の式系に関する仮定は緩和しながらも、均衡の存在と一意性の保証を保ったまま、データドリブンで利得関数を推定できる！すごおい Anonymous 行動モデルと配分モデルを同時に扱えることがこのモデルのおもしろさであることを複数の方のコメントで理解しました。商業施設のような閉じた系での混雑回避等身近なところでの活用のイメージがわきました Anonymous 行動モデル的な要素をネットワーク均衡で考えられるのは面白いと思ったので、weight netの部分などを工夫すれば年齢による行動の異質性みたいなのを組み込んでネットワーク最適化を考えられるのかなと思った。 Anonymous 土地の話に持って行こうとしたんですが、やはり動的に均衡を求めていくというところがまだ見えてこない研究だったので、変分不等式制約による均衡やNNの使い方などは参考にしたい。 土地の話に持って行こうとしたんですが、やはり動的に均衡を求めていくというところがまだ見えてこない研究だったので、変分不等式制約による均衡やNNの使い方などは参考にしたい。 by Anonymous null Anonymous 一体的に解くかっこよさはある。 だが（実ネットワークでの計算速度の課題とかはあるが）、やはり解釈性は大事な観点で、そっちの方向にも発展があると面白い。複数交通均衡というよりマクロスケールの話ができると良い。 Anonymous MAPFのGuided PIBTでも初期解の計算としてUEを用いているので、衝突回避を組み込んだ形などで学習できれば応用できそう Anonymous 不動点問題と取り込んだ最適化問題や制御手法 Anonymous ・解釈性は重要だが、実務での活用場面における有用な解釈性が重要 ・既存の深層学習ベースのアーキテクチャに均衡計算の暗黙層を入れるというアプローチは他のモデルにも有用、RouteFormerなら経路選択の均衡条件を入れるとか Anonymous やはりNNを用いることによる精度の高さと解釈性のトレードオフについては自分の研究でも考慮すべき難しい課題だと感じました。 Anonymous ボトムアップ型での方法との比較が興味深いのでは Anonymous Implicit Layerは1層のみでパラメータ数を抑えつつ無限層を模擬できるので学習の幅が広がり，同時に均衡や望ましい解の性質を保証できるという交通理論組み合わせはゲームや相互作用を扱う方々に発展がありそう． Anonymous やはり、NNの中に従来の理論を組み込む(ゾーニングであったり、制約条件)のは、様々な場面で使えると思う。現実世界の制約はさまざまで、NN型の交通シミュレーションを開発さる際に、分布近似ではなく、制約条件を数式的に入れ込むとより良いのでは Anonymous ICカードのODデータ→バスや鉄道経路選択の均衡 駅なかのICカードの入出場記録とBLE移動データ→駅なかネットワーク改変効果の分析 Anonymous 潜在クラスの学習を組み込んだマルチクラスVIへの発展 →既存のマルチクラスVIではexplicitなマルチクラス →潜在的なマルチクラスの学習を均衡計算と同時に行える点が新規性 Anonymous 解釈可能性について気になる。行動モデルは様々なモデルが提案されている分野だと思うので、それとNNによって提案したモデルと比較できたら良さそう。 ============================== Anonymous OD需要と個人属性を入力にしているので、確かにその2つからパラメータを求める行動モデルとは違っている。しかし、欲しい結果が均衡の結果であるならば、堀くんが言っていたような行動モデル的にする必要はなく、現在の形でOKなのではという感じもするが、領域外汎化性みたいなものはない気がする Anonymous 行動モデルと配分モデルを統一して扱えるという革新性には、ニューラルネットの万能さを感じた。が、ネットワーク内の網羅的なODと交通流を観測できる状況がどれくらいあるかと考えると、交通流だけでなく、駅なかのICカードの入出場記録とBLE移動データとかで各リンクのコスト関数の推定や、ネットワーク改変効果の分析に使えると感じた。 Anonymous 発展の方向性: 重みパラメータの潜在クラスモデル的な解釈 重みパラメータ＝潜在クラスをimplicitに学習している Anonymous 実際的な設計への援用をどれほど視野に入れて考案されたモデルなのか。一般に、デザインする行為を、原稿用紙を作るタイプと、原稿用紙の上に物語をデザインするものに分かれる。一方で、原稿用紙の上に書かれた無数の物語を感じずにはいられないデザインもある。その物語を感じられるようなデザインを、ニューラルだからこそできたりする？ Anonymous 行動モデルと交通量の均衡とを一つのNNで統合的に扱うことができることがメリット。現実社会へ適用できる部分が大きそうだと思うので、より大きなネットワークで即時に結果を出せるのかが知りたい。 Anonymous 検証シナリオの部分で、今回は各ODペアに付与される個人特徴量が所得と目的地の２つしかなかった。今後行動モデル的な要素を入れ込む上で、付与する個人特徴量を増やしていくことが考えられるが、その際に障壁となりうる課題はどこにあるか？ Anonymous ODごとに属性の代表値を設定して、その値を入力としたweight networkを学習しているのが、ゾーニングがはっきり分かれたアメリカ的な気がする？属性の同時分布を入力として、コスト関数を学習すると、個人属性に関する意外な解釈ができるかも Anonymous ・センサのロバスト性の高さは応用的には使える可能性を感じた．スーパーや倉庫内の陳列配置の最適設計．人の行動を分析した最適配列やタイムサービす等 Anonymous 計算手法として面白いですが、実務上どこで使うかが着想できませんでした、、、大規模・複雑ネットワークに対して有用？？ Anonymous 序盤に解釈性について少し触れられていたが、論文の中でも実験では触れていなかった？入れるならどうやればいいのか？ Anonymous 複数交通手段間の相互作用均衡も，NNのブロックを追加すればできるのか？ Anonymous 観測値に合わせに行く一方で，観測値に均衡を仮定しているということ，モデルに均衡解の保証をもたせることはどういうモチベーションや応用を考えているのか知りたいです． Anonymous これまでのボトムアップ型のモデルから今回の論文で示されたエンドツーエンドモデルを利用した時に、どのような問題に適応させていけると考えているか？発展性について聞きたいです。 Anonymous そもそもMAPE計算の正解データのUEは個人の選好を考慮しているのか、NNの方が当てられているという可能性はないのか Anonymous リンク、ノード、パスを大幅に増やして現実世界のネットワークに対応させた場合現実的な時間で収束するのだろうか… Anonymous 制約条件を変更すればSUEにも適用可能か Anonymous 土地売買の問題に使えそうです。売買における均衡を変分不等式で表せないかな、と思いながら話を聞いていました。 Anonymous 平衡点の収束計算を行う点を自動微分でNN内に組み込んだ点（カプセル化）が最高だと思いました Anonymous ロバスト性の検証をするなら現実世界のより大きなネットワークでも数値実験したい Anonymous NN内に暗黙でVI制約条件を入れたのはとても面白い　他にも色々使えそう(NN型DCMの効用関数や各変数間に対する制約として) Anonymous 補助固定点問題に分割してるのよいですね。 Anonymous ヤコビアンを用いて変化や勾配を逆方向に伝播させる方法ってニューラルネットのヤコビアンの伝播法の意？逆モード自動微分や誤差逆伝播みたいなことか、 Anonymous 沈黙関数定理じゃなくて陰関数定理＝Implicit function Theoryの使い方は、まず「明示的な関数形に変形できない関係式」から、ある変数を他の変数の関数として局所的に扱いたいときに用います。例えば、多変数の方程式 F(x, y) = 0$ において、y を陽に解けない場合でも、陰関数定理を用いれば「ある条件下で局所的に y = f(x) と表せる」ことが保証され、解析や最適化が可能になる。これは、数理モデルにおける可微分性や接線方向の計算にも極めて有用。 研究室の研究では、最適化問題や差分法による数値解法、経済モデルの均衡分析などでよく用いられる。例えば、制約付き最適化問題で、まさにMPECで一般的に使う方法、制約条件を陰関数定理によって他の変数の関数に置き換えることで、制約のない問題として解くことが可能になるから、すごい便利。陰関数として定義された変数の感度（導関数）を計算したいときにも、定理に基づいてヤコビ行列を使って効率的に導出できるので、ぜひ。 山登りにたとえるなら、陰関数定理は「霧で視界が悪い中でも、ある程度の傾きと方角さえ分かれば、目的地（変数の値）に向かって登れることを保証する羅針盤」のようなもの。道筋（明示的な関数形）は見えなくても、「この辺なら確かに登り道がある（関数として成立する）」と教えてくれる。だから、急峻な地形や複雑な地形でも、局所的には進む方向と傾斜（微分）がわかるのが、陰関数定理の力といえる。 Anonymous 最小化の工夫のとこは、付録の法だけじゃなくて、正則化はいろいろありそう。 Anonymous MPECなら生成系で解いた方が速そう。 Anonymous やっぱMPECは便利。 Anonymous リプシッツ連続は緩和してもいいのでわ。 Anonymous 変分不等式の導入は効果的だが、制約が大きい。