1 基本概念
1.1 定義
パラメータ同定とは、観測データや実験結果に基づいて、数理モデルや物理モデルの中に含まれる未知パラメータを推定することである。ここでいうパラメータは、係数、定数、時変・空間分布をとる量、あるいは状態量の初期値などを含み得る。目標は、モデルが示す応答がデータと整合するようにパラメータを決めることにある。
1.2 目的
同定の主目的は、モデルの予測性能と再現性を高めることである。具体的には、将来の挙動の見積り、未知要因の定量化、制御や設計に必要なモデルの利用可能化、ならびに測定不能な内部状態の推定支援が挙げられる。また、推定されたパラメータ自体が理学・工学的な意味を持つ場合には、現象理解や因果の手がかりとしても利用される。
1.3 モデルとデータの関係
1.3.1 数理モデル
数理モデルは、入力（操作量や条件）から出力（観測される量）へ至る関係を表す。多くの場合、モデルはパラメータを含む関数として記述され、出力はその関数の評価によって生成される。モデルの構造が既知であれば、問題は「構造固定・パラメータのみ未知」という同定問題として定式化できる。一方、構造そのものが曖昧な場合は別途モデル選択の観点が必要になる。
1.3.2 観測データ
観測データは、入力とそれに対応する出力の組として与えられることが多い。データは離散時刻で得られる場合もあれば、複数センサの同時観測として取得される場合もある。測定系の都合によりサンプリング誤差や欠測が生じることがあり、同定ではデータが反映する情報量を適切に扱う必要がある。
1.3.3 誤差とノイズ
実データは理想モデルからのずれを含む。ずれは測定誤差、外乱、モデル化誤差、未モデル化のダイナミクスなどに由来することがある。これらは統計的なノイズとして表され、誤差の分布仮定や分散の扱いは推定法に強く影響する。例えば、等分散・正規性を仮定すると最小二乗に整合しやすく、分布を明示すれば最尤やベイズの枠組みで体系的に扱える。
2 理論的基礎
2.1 同定可能性
同定可能性は、あるデータ生成過程のもとで、真のパラメータが一意に復元できるかどうかを論じる概念である。実際にはデータ量、観測の種類、入出力の設計、ノイズの性質により成否が左右されるため、理論的条件と実務的条件の両方が重要になる。
2.1.1 構造的同定可能性
構造的同定可能性は、ノイズが無視できる理想条件で考える性質であり、モデルの方程式と観測関係がパラメータを識別できるかを問う。つまり、入力の与え方や観測の観点も含めて、数式上の区別が可能かが焦点になる。真のパラメータが同等な応答を生成するような「退化（識別不能）」が存在すると、推定は定まらない。
2.1.2 実用的同定可能性
実用的同定可能性は、現実のデータ制約のもとで推定誤差が十分小さくなるかを扱う。観測誤差の大きさ、サンプル数、計算資源、推定アルゴリズムの収束性などが絡む。構造的に識別可能でも、ノイズに埋もれるほど感度が低ければ実務上は扱いにくいという状況が起こる。
2.2 推定理論
2.2.1 最尤推定
最尤推定は、観測データが与えられたときにモデルが最も起こりそうなパラメータを選ぶ方法である。具体的には、誤差分布を仮定し、データの尤度を最大化する。正規誤差を仮定すると、尤度最大化は最小二乗に対応する場合がある。分布の違いを明示できるため、重尾分布や異分散などにも拡張しやすい。
2.2.2 最小二乗推定
最小二乗推定は、モデル出力と観測値の差の二乗和（あるいは加重二乗和）を最小化する。残差が二乗によりペナルティ化されるため、平均的には直感的に解釈しやすい。加重を導入すれば、誤差分散が既知または推定可能な場合に、情報に基づく推定が可能になる。さらに外れ値があると極端に影響を受けることがあり、その場合は頑健化が課題になる。
2.2.3 ベイズ推定
ベイズ推定は、パラメータに対する事前分布と、観測に基づく尤度を組み合わせて事後分布を求める枠組みである。推定値だけでなく不確実性（分散や信頼区間）を表現しやすい。事前情報が有用な領域では特に有効で、計算上は近似（数値積分、変分推論、サンプリングなど）を伴うことが多い。事後分布に基づき予測を行う考え方も統合できる。
2.3 識別性の条件
識別性の条件は、観測からパラメータへの写像が情報量として十分かを示す考え方であり、同定可能性と密接に関連する。例えば、出力がパラメータの線形結合になっている場合は、回帰行列のランクにより識別性が決まることがある。非線形ではヤコビアンの感度や局所的な退化の有無が重要になる。加えて、入力信号の設計が識別性に影響するため、観測計画も同定の一部として扱われる。
3 手法
3.1 解析的手法
3.1.1 線形回帰
線形回帰は、モデル出力がパラメータに関して線形で表される状況で用いられる。通常、観測方程式を回帰行列とパラメータの積として記述し、誤差の扱いを含めて推定を行う。最小二乗推定はこの枠組みで自然に導出され、正則化を加えることで多重共線性や過学習の影響を緩和できる。
3.1.2 閉形式解
閉形式解は、最適化問題が解析的に解ける場合に得られる。線形・二次の構造を持つ問題では、行列計算によりパラメータの推定式が明示的に得られることがある。閉形式解は計算効率が高く、理論解析（誤差伝播、分散評価）も容易になりやすい。ただし、モデルが非線形になったり、制約が複雑になると閉形式での解法は一般に難しい。
3.2 数値的手法
3.2.1 勾配法
勾配法は、目的関数（誤差や負の尤度など）を最小化または最大化するために勾配を用いる手法である。反復更新によって解を求めるため、大規模問題でも適用可能な場合が多い。学習率や停止条件が性能と計算安定性を左右し、スケーリングや正則化が必要になることもある。局所的な曲率により収束速度が変わり得るため、工夫した変種が利用される。
3.2.2 ニュートン法
ニュートン法は、勾配に加えて二階情報（ヘッセ行列）を用いて更新量を決める。理想条件下では二次的な収束性を持ち得るが、ヘッセの計算コストや数値不安定性が課題になる。非線形で複雑な目的関数の場合、初期値依存が強くなるため、実務では準ニュートン法や正則化を組み合わせることが多い。
3.2.3 確率的最適化
確率的最適化は、データのサブセットや乱数に基づき更新を行うことで、計算負荷を抑えながら解を探索する考え方である。例えば、大量の観測点を含む学習問題では全体の目的関数評価が重いため、確率的近似により反復回数や計算量を調整する。ノイズを含む勾配推定は探索を助ける一方、最終誤差のばらつきや再現性の管理が論点になる。
3.3 時系列データに対する手法
3.3.1 状態空間モデル
状態空間モデルは、観測が隠れ状態に依存するという構造を明示する枠組みである。状態はシステムダイナミクスにより時間発展し、観測はその状態から生成される。パラメータ同定では、ダイナミクスの係数や観測写像のパラメータ、さらに状態初期値を同時に推定することがある。非線形・非ガウスの場合には推定が難しくなるため、近似が必要になることが多い。
3.3.2 カルマンフィルタ
カルマンフィルタは、線形・ガウス条件の下で、隠れ状態の推定を再帰的に行う方法として知られる。状態と観測の誤差が正規分布で表され、分散が適切に与えられていると、平均と共分散の更新式により計算が効率化される。パラメータは別途同定することもあれば、拡張カルマンフィルタ等の派生と組み合わせて同時推定に近い形で扱われることもある。
3.3.3 粒子フィルタ
粒子フィルタは、非線形・非ガウスの状況で状態推定を行うために用いられる。多数の粒子（仮想サンプル）を用いて事後分布を近似し、重み付け更新により状態の分布を追跡する。柔軟性が高い一方、粒子数不足では精度が低下し、過大では計算負荷が増える。劣化（重みの偏り）を抑えるリサンプリング設計が重要になる。
4 応用
4.1 工学分野
4.1.1 制御工学
制御工学では、プラントモデルのパラメータを同定し、モデル予測に基づく設計やフィードバック制御に反映する。特に、制御対象の動特性（慣性、摩擦、遅れなど）が未知、あるいは時間変動する場合、オンライン同定が求められることがある。適合度を上げるだけでなく、制御安定性やロバスト性への影響が評価対象になる。
4.1.2 ロボティクス
ロボティクスでは、剛体や関節系のダイナミクス、アクチュエータ特性、センサの応答を同定する場面が多い。摩擦やバックラッシのような非理想要素はモデル化が難しいため、実験データに基づく係数推定が有効になる。さらに、自己位置推定や運動推定と結びつけることで、動作計画や姿勢推定の精度を改善できる。
4.1.3 構造工学
構造工学では、振動特性や減衰、弾性係数などのパラメータを同定し、設計・保守に役立てる。例えば、センサで得られた振動データから固有振動数や減衰比を推定し、解析モデルに反映することがある。環境条件や経年変化によりパラメータが変わるため、定期的な同定によって健全性評価の精度を高める方向が取られる。
4.2 生命科学
4.2.1 生体モデル
生体モデルでは、代謝や信号伝達、体内の物質移動などを記述する方程式のパラメータを推定する。反応速度、結合定数、遅延時間などが未知となることが多く、観測できるのは一部の指標に限られる。したがって、観測計画と識別性の検討が特に重要であり、不確実性を含めて解釈する枠組みが求められる。
4.2.2 薬物動態
薬物動態では、投与量と血中濃度の時系列からクリアランス、分布容積、吸収速度などを推定する。モデルはコンパートメントとして表され、投与経路や個体差によってパラメータが変動する。推定されたパラメータは投薬設計や用量調整の判断材料となるため、個人内外のばらつきと推定誤差を同時に扱うことが重要になる。
4.3 機械学習
4.3.1 予測モデルの調整
機械学習におけるパラメータ同定は、モデル内部の未知パラメータ（重み、バイアス、スケール係数など）をデータに適合させる工程と重なる。目的関数は誤差評価に基づき設定され、最適化によりパラメータが更新される。理論的には一般化性能や過学習抑制が関心事となり、正則化やデータ分割により評価する。
4.3.2 ハイパーパラメータ推定
ハイパーパラメータは、学習アルゴリズムやモデルの学習手続きに関わる設定値であり、パラメータ同定の一種として扱われることが多い。学習率、正則化係数、損失の重み、ネットワーク構造の選択などが該当する。通常は探索戦略（グリッド・ランダム・ベイズ最適化等）と検証指標を組み合わせて決めるが、計算コストと過適合のバランスが論点になる。
5 評価と課題
5.1 精度評価
5.1.1 残差解析
残差解析は、モデルとデータの差のパターンを調べ、系統的なズレがないかを確認する方法である。残差がランダムに分布しているか、入力や時間と相関していないか、分散が一定かといった観点で評価する。残差に構造が残る場合、モデル化誤差や未考慮の因子が疑われ、同定の改善につながる。
5.1.2 交差検証
交差検証は、データを複数の分割に分けて学習と評価を繰り返すことで、汎化性能を推定する手法である。特に機械学習寄りの同定では、単一の訓練誤差では良さを判定しにくいため、検証指標が重要になる。時系列では分割方法に注意が必要で、未来情報の混入を避ける設計が求められる。
5.2 ロバスト性
5.2.1 外れ値の影響
外れ値は残差を大きくし、最小二乗系の推定結果を大きく歪めることがある。外れ値は測定の失敗、センサの飽和、モデルの適用範囲逸脱などから生じる。対策として、頑健損失の採用、データの前処理、識別可能性が保たれる範囲でのモデル再設計が検討される。
5.2.2 ノイズ耐性
ノイズ耐性は、推定結果が誤差の性質にどれだけ影響されにくいかを示す観点である。ノイズの分布仮定が不適切な場合、最尤推定などは性能が低下する。データの重み付けやロバスト推定、モデルの階層化による不確実性表現などが有効になり得る。耐性評価は、実験条件を模した試験データで確認されることが多い。
5.3 計算上の課題
5.3.1 局所解
非線形問題では目的関数が多峰性になり、勾配系の最適化が局所解に吸い込まれることがある。初期値の選び方、探索の多様性、正則化の有無が結果に影響する。複数の初期点から試行する、あるいは大域探索と局所探索を組み合わせるなどの工夫が用いられる。
5.3.2 計算コスト
同定では、目的関数評価と勾配計算、さらに場合によってはヘッセの計算が支配的になりやすい。時系列モデルや大規模データでは計算量が増え、反復回数がそのまま時間に結びつく。効率化として、次元削減、サロゲートモデル、ミニバッチ化などの方策が検討される。
5.3.3 多重共線性
多重共線性は、説明変数（あるいはモデルの感度方向）が互いに強く相関し、推定が不安定になる現象である。線形回帰では回帰行列の条件数が大きくなることで現れ、パラメータの分散が増える。正則化（リッジなど）や特徴選択、観測設計の改善が対処として使われる。
6 関連分野
6.1 システム同定
システム同定は、ダイナミカルシステムの入出力データからモデルを構築・推定する領域である。パラメータ同定はその中で、モデル構造がある程度決まった後に未知係数を推定する部分に相当しやすい。線形・非線形、時系列、周波数領域など多様な設定があり、同定の目的に応じた評価指標が使われる。
6.2 逆問題
逆問題は、観測された出力から原因側の量（パラメータや入力、状態）を推定する問題として捉えられる。パラメータ同定は逆推定の一形態と見なせ、特に観測の不完全性やノイズの存在により、不適切さ（不安定性）が生じやすい。正則化や事前分布の導入は逆問題一般の手法として有効である。
6.3 データ同化
データ同化は、数理モデルと観測を組み合わせて、状態推定と予測を改善する手法群の総称である。気象や流体などでは、状態を連続体として持ち、観測とモデルの整合を逐次的に更新する。パラメータ同定がモデル内部の係数に焦点を当てるのに対し、データ同化は状態の更新を中心に据えることが多いが、パラメータ推定と統合されることもある。
6.4 モデル選択
モデル選択は、複数の候補モデルのうちどれを採用するかを決める作業である。パラメータ同定が同一構造の下で未知量を推定するのに対し、モデル選択は構造自体の違いに踏み込む。情報量基準や検証誤差、ベイズモデル比較などが用いられ、過度な複雑化を避けながら予測性能を高めることが目標になる。