抄録
一般的に，実験データは得るのが困難であるが精度が高く，計算データは容易に得られるが信頼度が低い．そのため，実験データを機械学習で予測するために，容易に得られる計算データを追加することで，精度向上を狙うことがしばしば行われている．しかし，実験データと計算データは直接比較できない場合がほとんどである．これを可能にするために，物性値のpreferenceのみを用いた学習手法であるPreference learningによるデータ統合を検討する．それによって，ガウス過程およびベイズ最適化性能が向上するかを調査する．データ統合の性能を評価するために，酸化物のバンドギャップと分子の波長のデータセットを用いてテスト実験を行なった．実験データのpreferenceのみで学習されたモデルと比較して，計算データのpreferenceを追加したモデルは性能が向上することを明らかにした．また，シミュレーションデータの品質が，予測精度にどのように影響するかを検討した．
