AI Labが開発するブラックボックス最適化OSS「cmaes」をアップデート

■URL
 GitHub：https://github.com/CyberAgentAILab/cmaes/releases/tag/v0.13.1

■アップデートの背景

「CMA-ES with Margin」は、AI Lab研究員の濱野椋希らが提案した連続変数と離散変数の同時最適化手法です。本手法はcmaesに実装されているほか、ハイパーパラメータ自動最適化フレームワークOptunaからも利用できます。

Optunaにおいて最適化ログを保存する際、従来の実装では内部データ量が多く、ログファイルが肥大化する課題がありました。この課題に対して、PFNのOptuna開発チームとの連携のもと、論文との整合性を確認したうえで内部データ表現を見直し、メモリ効率の改善に取り組みました。

■アップデート概要

内部データ表現の見直しにより、大規模な最適化処理（離散変数の候補数が多いケースなど）におけるメモリ使用量とデータ保存量を大幅に削減しました。

	従来	本アップデート後
内部データのメモリ使用量	9.16 MiB	240 B（99.99% 以上の削減）
シリアライズ後のデータサイズ	9.16 MiB	4.43 KiB（99.9% 以上の削減）

※10次元・各次元60,001候補での検証結果。

■cmaesの活用実績

cmaesは、汎用的なブラックボックス最適化ライブラリとして、機械学習モデルのハイパーパラメータ最適化やニューラルアーキテクチャサーチなどに広く活用されています。
 

• ●普及状況
  週あたり約20万～30万回ダウンロードされており、cmaesに関する論文は2026年9月時点で84件引用されています。
   

• ●社内プロジェクト・研究への応用
  サイバーエージェント社内のプロダクト開発における最適化や、研究プロジェクト「Diversified Residual Symbolic Regression」などで活用されています。
   

• ​​​​​●​​社外・産業界での実績
  ニューラルアーキテクチャサーチやモデルマージなど、国内外の大学・研究機関や企業での活用実績があります。

■今後

「AI Lab」では今後もOSSコミュニティとの連携や高品質な実装の提供を通じてオープンな技術発展に寄与するとともに、ビジネス・社会課題の解決に向けた先端AI技術の研究・開発に努めてまいります。


■Optunaについて
Pythonで書かれたハイパーパラメータ自動最適化フレームワークOptunaは、様々な機械学習ソフトウェアと一緒に使用することで、アルゴリズムの挙動制御やモデルの精度向上につながる最適なハイパーパラメータを発見するための試行錯誤を自動化することができます。PFNが2018年12月にオープンソースとして公開して以来、多くの外部コントリビュータが参加して活発に開発が進められています。

ウェブサイト： https://optuna.org
ドキュメント： https://optuna.readthedocs.io/en/stable/
チュートリアル： https://optuna.readthedocs.io/en/stable/tutorial/
GitHub： https://github.com/optuna/optuna