「アップサイドリスクを取る」の再発明──損失回避・リアルオプション・Kelly基準・探索活用バランスから読み解く凸性経営

「アップサイドリスクを取る」の再発明 – 損失回避・リアルオプション・Kelly基準・探索活用バランスから組み直す、凸性経営の数理科学

「アップサイドリスクを取れ」は、経営や新規事業の現場で頻出する。だが実務でこの言葉が意味しているものは、しばしば「大きく張れ」「不可逆な投資を急げ」「失敗しても気合いで押し切れ」のどれかに堕している。これは雑だ。

意思決定科学の知見を見ると、人間は利益と損失を対称には評価せず、損失は利益よりも強く感じやすい。

さらにR&D型の意思決定では、突破口につながり得る高分散案件を過度に避ける傾向が観察され、ベンチャー投資の現場でさえ初期段階の目利き精度は驚くほど低い。

つまり問題は「胆力不足」ではなく、「分布設計の失敗」である。

本稿の結論を先に言う。アップサイドリスクを取るとは、もはや「大きな賭けをすること」ではない。再発明された定義は次の一文で足りる。

アップサイドリスクを取るとは、損失上限を固定したまま、右尾の厚い成果分布に、可逆的・段階的・複利的に参加することである。

この定義には、四つの理論が埋め込まれている。

第一に、プロスペクト理論。人は損失に過敏で、組織は高分散の挑戦を過少投資しやすい。

第二に、リアルオプション。不確実性が高いほど「待つ権利」「拡大する権利」「中止する権利」の価値は上がる。

第三に、Kelly型の複利最適化。勝率や期待値が良くても、張り過ぎれば複利成長は壊れる。

第四に、探索と活用のトレードオフ。未知の選択肢には情報価値があり、短期収益だけでは最適行動を決められない。

以下、この四本柱を使って、「アップサイドリスクを取る」の意味を数理科学的に組み直す。

1. 旧来の「アップサイドリスク」は、なぜ壊れているのか

まず、人間は不確実性をフラットには見ない。

Kahneman のノーベル講演が整理したプロスペクト理論では、選好は最終資産額ではなく参照点からの利得・損失によって強く左右される。価値関数は利得側で凹、損失側で凸であり、しかも損失の傾きは利得より急で、損失回避の強さはおおむね 2〜2.5倍と説明されている。つまり、人間も組織も、同じ期待値でも「少額の確実損」が見える案件を過度に嫌い、「大きな右尾」を冷静に評価しにくい。

この傾向は、R&D実験でもかなり露骨に出る。NBERで公開された研究では、参加者は高リターンの可能性を持つ高分散案件より、低分散案件をかなり高い頻度で選んだ。しかも分散情報をより明示すると、行動は合理化されるどころか、さらに分散回避的になった。

加えて、ポートフォリオを組ませてもその回避傾向は消えず、予算が小さいほど分散回避は強まった。重要なのは、ここで観察されたのが単なる慎重さではなく、突破口の母数そのものを減らしてしまう慎重さだという点である。

だから「アップサイドリスクを取れ」という標語は、心理的にはほとんど機能しない。

人間は、号令で損失回避を消せない。組織も、根性論で高分散の価値を正しく計上できない。

必要なのは、勇気の注入ではない。損失回避を前提にした制度設計である。

2. そもそも、当たりを事前に見抜けるという前提が弱い

旧来の経営は、「大きく張る前に勝ち筋を見抜け」と言う。しかし、ここにも構造的な無理がある。

NBERの論文では、成功した大手VCの内部データで、投資初期の案件スコアと最終成果の相関は 0.1 と報告されている。別のエンジェル投資データでも、初期の関心度と最終成功の相関は 0.1未満 だった。

しかも、そのVCでは投資案件の約6割が投下資本未満の回収に終わっていた。これは、「優秀な人が見れば勝ち筋は最初からかなり分かる」という幻想をかなり強く崩す。

この不確実性の大きさこそが、実験と段階投資を必要にする。

Nanda らの議論では、イノベーションのような根源的不確実性の高い環境では、all-or-nothing の一発投資では成立しない案件を、段階的資金投入によって追えることが重要だとされる。VCがステージングを好むのも、事後学習を通じて途中で打ち切る権利を残したいからだ。

要するに、アップサイドを取りにいく合理的方法は、最初から全部を賭けることではなく、不確実性を学習で分解できるように資本配置することである。

ここで、アップサイドリスクの概念は大きく変わる。

それは「正解を先に見抜く能力」ではない。


それは「外しても死なず、当たりだけを大きくできる構造」を持つことだ。

3. 数学の第一原理：アップサイドとは、分散ではなく凸性である

この話の核心は、リスクを“分散”でなく“曲率”として見ることにある。

ある不確実な状態変数を
$X$
としよう。たとえば市場需要、制度変更後の価格、導入後の利用率、などだ。

このとき、成果関数が線形なら

$$\mathrm{\Pi }(X)=aX+b$$

であり、期待値は

$$\mathbb{E}[\mathrm{\Pi }(X)]=a\mathbb{E}[X]+b=\mathrm{\Pi }(\mathbb{E}[X])$$

$$\mathbb{E}[\Pi(X)] = a\mathbb{E}[X]+b = \Pi(\mathbb{E}[X])$$

となる。線形なら、不確実性そのものには価値がない。平均だけ見ればいい。

しかし成果関数が凸なら話は変わる。

MIT の凸最適化の講義ノートにある Jensen の不等式は、凸関数
$f$
について

$$f(\mathbb{E}[X])\le \mathbb{E}[f(X)]$$

 

を与える。

つまり、成果関数が凸なら、分散は敵ではなく味方になり得る。

この一点が、アップサイドリスクの再発明の出発点だ。


問題は「不確実かどうか」ではない。


問題は「不確実性に対して成果関数がどう曲がっているか」である。

たとえば、次の二つは同じではない。

• 売れた分だけ利益が増えるだけの案件
• 当たったときだけ巨大に伸び、外れたときの損失は限定される案件

前者はほぼ線形、後者はコールオプションに近い。


アップサイドを取りにいくとは、後者のような右尾に厚い、凸な成果関数を集めることだ。

簡単な例

$$g(X)=\max (0,X-K)$$

$$g(X)=\max(0, X-K)$$

というコールオプション型の成果を考える。もし
$\mathbb{E}[X]=K$
なら

$$g(\mathbb{E}[X])=0$$

$$g(\mathbb{E}[X])=0$$

だが、
$X$
に分散があれば

$$\mathbb{E}[g(X)]>0$$

$$\mathbb{E}[g(X)]>0$$

になり得る。


平均は同じでも、ばらつきがあること自体が価値を生む。これが凸性だ。

だから、再発明されたアップサイドリスクとは、「平均を押し上げること」より前に、「右尾が膨らむ曲率を持つこと」を意味する。

4. 数学の第二原理：リアルオプション——「今やる」ではなく「やれる権利を持つ」

Robert Pindyck のMIT講義ノートは、投資意思決定をオプション行使として捉える。

企業は今すぐ投資する義務を負っているのではなく、投資する権利を持っているに過ぎない。したがって、今投資するか、待って追加情報を得るか、という比較が本質になる。

さらに、投資が不可逆、すなわちサンクコスト化する場合には、「今すぐやること」には待つ権利を放棄する機会費用が生じる。

そして不確実性が大きいほど、その待機オプションの価値は大きくなる。Pindyck は、こうした条件下では標準的なNPVルールが「しばしば大きく間違う」と明言している。

Dixit の AEA 論文も同じ方向を示す。企業は価格が長期平均費用を少し超えただけでは投資せず、かなり上回るまで待つことがある。逆に、採算が悪化してもすぐに退出せず、損失を抱えたまましばらく残ることもある。

彼の要点は、不確実な環境での動学的意思決定では、「待つこと」そのものに正の価値があるということだ。

つまり、慣性や様子見は、常に怠慢ではなく、最適反応になり得る。

ここで重要な転換が起きる。

旧来の「アップサイドリスクを取る」は、しばしば即断即決で大きく張ることを美化する。


だがリアルオプションの視点では、真に優れた行動はむしろ、

• まず小さく入る
• 情報を買う
• 当たりなら拡大する
• 外れなら撤退する
• その権利を最初から設計する

という順番になる。

したがって、アップサイドリスクを取るとは、「今すぐ全部コミットすること」ではない。


将来コミットする権利を、安く買うことだ。

この違いは大きい。


前者は不可逆な賭け。


後者は可逆性を保持した探索である。

5. 数学の第三原理：Kelly基準——期待値ではなく、複利成長を壊さない張り方

Kelly の1956年論文は、賭けや投資における最適な張り方を、指数的な資本成長率として捉えた。彼は、ある情報優位を持つ賭け手が、資本を一定割合で張ることで、資本が指数的に増減することを示し、その最大成長率を議論した。後続の解説では、Kelly capital growth criterion は期待対数資産を最大化し、反復的な有利ゲームにおいて長期成長率を最大化する基準として整理されている。Princetonの講義資料でも、Kelly criterion は
$\mathbb{E}[\log(\rho_t)]$
を最大化するものとして説明され、単純化された二値ケースでは

$$f^*=\frac{pb-1}{b-1}$$
​

という最適賭け比率が与えられる。

ここで、経営実務にとって本当に重要なのは、「当たり案件を見抜け」という話ではなく、サイズを間違えるなという話だ。

なぜ期待値だけでは危ないのか

たとえば、1回ごとの収益率が

• 50%で
  $+100\%$
  
• 50%で
  $-50\%$
  

だとする。

このとき算術平均リターンは

$$0.5\times 100\mathrm{\%}+0.5\times (-50\mathrm{\%})=+25\mathrm{\%}$$

で、見かけ上は魅力的だ。


だが資産倍率で見れば

$$1.5\text{ではなく }2\text{ と }0.5$$

なので幾何平均は

$$\sqrt{2\times 0.5}=1$$

すなわち複利成長率はゼロである。


平均的には勝っていても、張り方が悪ければ資産は増えない。

このロジックを経営に移すと、次の原則になる。

アップサイドの質より前に、ベットサイズの健全性を確保せよ。

どれほど期待値が高い施策でも、一発の失敗で探索能力や信用や人材を失うなら、それは「アップサイドリスクを取っている」のではない。将来の打席数を削っているだけである。

Kahneman の講演でも、価値関数は破産や破産寸前のような、総資産に対して巨大な損失を伴う状況を説明するためのものではないと明記されている。これは重要な警告だ。どんな理論も、会社を飛ばす張り方を正当化しない。

だから再発明されたアップサイドリスクは、survival-constrained でなければならない。


日本語で言えば、生存制約付きの右尾参加である。

6. 数学の第四原理：探索と活用——未知には「情報価値」がある

強化学習の基本問題の一つは、exploration と exploitation のトレードオフだ。

Sutton の解説では、エージェントは既知の高報酬選択肢を利用して報酬を得る一方、より良い行動を見つけるために探索もしなければならない。この対立は、経営にそのまま当てはまる。

既存顧客への深耕、既存商材の拡販、既知チャネルの最適化は exploitation であり、
新規市場、新規料金体系、新機能、新提携は exploration だ。

MITの講義ノートでは、UCB（Upper Confidence Bound）アルゴリズムは “optimism in the face of uncertainty” に基づくと説明される。各選択肢の推定報酬に上側信頼境界をつけ、まだ不確かだが良さそうなものを優先的に試す。

しかも単純な
$\varepsilon$
-greedy よりも、後悔（regret）のオーダーを改善できるとされる。

要するに、未知をただ怖がるのではなく、不確かさそのものを情報資産として扱うのである。

この視点から見ると、企業の探索活動は偶然に任せてはいけない。

よくある失敗は二つある。

一つは、既存事業が好調な時期に、探索をほぼゼロにすること。

もう一つは、逆に不調のときに、焦って無秩序な探索を乱発すること。

どちらもダメだ。

探索は、平時から一定比率で組み込まれた制度でなければならない。


アップサイドリスクを取るとは、思いつきで勝負することではなく、未知の情報価値に継続的に予算を配ることである。

7. ここまでを統合した再定義：アップサイドリスク = 生存制約付き凸性最大化

以上をまとめると、再発明された概念は次のように書ける。

定義

アップサイドリスクを取るとは、

破綻確率を制御しながら、凸な成果関数を持つ複数の小さな実験に参加し、学習とオプション価値を蓄積し、正のシグナルが出たものだけを急拡大することである。

これを、実務用にやや形式化すると、組織の目的関数は単なる単年度利益最大化ではなく、たとえば次のようになる。

$$\max_{\mathcal{P}} \Bigg[ \underbrace{\mathbb{E}[\log W_T]}_{\text{生存と複利}} + \lambda \underbrace{\sum_{i\in\mathcal{P}} O_i}_{\text{オプション価値}} + \mu \underbrace{\sum_{i\in\mathcal{P}} L_i}_{\text{学習価値}} + \nu \underbrace{\sum_{i\in\mathcal{P}} S_i}_{\text{再利用・拡張性}} \Bigg]$$

ここで、

• 
  $W_T$
  ：時点
  $T$
  の組織余力（現金、信用、人的余力を含む広義の資本）
• 
  $O_i$
  ：その実験が生むオプション価値（延期・拡大・撤退の自由度）
• 
  $L_i$
  ：学習価値（顧客理解、係数、データ、勝ち筋の見極め精度）
• 
  $S_i$
  ：再利用・拡張性（テンプレ化、API化、他市場転用可能性）
• 
  $D_i$
  ：1案件あたりの最大損失
• 
  $\tau_i$
  ：有意なシグナル獲得までの時間

を表す。

この式の肝は、短期損益だけで案件を裁かないことだ。


実験には、売上そのものとは別に、

1. 将来の拡張権
2. 失敗しても残る学習
3. 資産化・横展開できる構造

がある。


旧来の稟議はこれらをゼロ評価しがちだった。そこが間違いだった。

8. 実務で使うための簡易指標：アップサイドリスク係数（私案）

ここからは、理論を運用に落とすための実務用ヒューリスティックを提示する。

これは学術上の定理ではなく、上の理論を意思決定会議で使える形に圧縮した運用指標だ。

各案件
$i$
について、次を定義する。

• 
  $M_i$
  ：成功時の右尾倍率（どれだけ非線形に伸びるか）
• 
  $R_i$
  ：再利用性（別顧客・別商材・別市場へ転用できるか）
• 
  $S_i$
  ：拡張容易性（当たったとき、10倍化が容易か）
• 
  $O_i$
  ：オプション価値（次の選択肢をどれだけ増やすか）
• 
  $D_i$
  ：最大損失
• 
  $I_i$
  ：不可逆性（後戻りの難しさ）
• 
  $\tau_i$
  ：シグナル獲得までの時間

そして

$$U{R}_i=\frac{M_i\times R_i\times S_i\times O_i}{D_i\times I_i\times {\tau }_{\mathrm{i<span\; style="font-family:\; YuGothic,\; \text{'}Yu\; Gothic\text{'},\; \text{'}ヒラギノ角ゴ\; Pro\text{'},\; \text{'}Hiragino\; Kaku\; Gothic\; Pro\text{'},\; Verdana,\; メイリオ,\; Meiryo,\; Osaka,\; \text{'}ＭＳ\; Ｐゴシック\text{'},\; \text{'}MS\; PGothic\text{'},\; sans-serif;\; font-size:\; 28px;\; font-weight:\; bold;"></span>}}}$$

と置く。



$UR_i$
が高い案件ほど、「本当に取るべきアップサイドリスク」に近い。

この式が伝えたいことは単純だ。


右尾が大きいだけでは足りない。


それが再利用でき、拡張でき、次の権利を買い、しかも損失上限が低く、可逆で、早く学べるときに初めて、良いアップサイドリスクになる。

反対に、右尾が大きそうでも、

• 初期投資が重い
• 失敗時の reputational loss が大きい
• 3年経たないと善し悪しが分からない
• 当たっても横展開できない

なら、その案件は「夢が大きい」のではなく、下振れが重いだけである。

---

9. 組織が犯しがちな五つの錯誤

9-1. 分散をそのまま危険とみなす

R&D実験の研究が示した通り、人は高分散案件を過度に避けやすい。しかも分散情報を目立たせるだけでは、その偏りは弱まらず、むしろ強化されることすらある。よって「この案件はぶれるから危ない」という評価は、しばしば凸性を見落とした誤判定になる。

9-2. 予測精度を過信する

初期評価と最終成果の相関が 0.1 程度しかない環境で、「最初に見抜ける人がいれば一発で大きく張れる」は危険な発想だ。高度不確実性のもとでは、名人芸より実験ポートフォリオの方が制度として強い。

9-3. NPVを唯一の物差しにする

不確実性と不可逆性がある場面では、待機・延期・拡大・中止の自由度が価値を持つ。標準的なNPVだけで案件を切ると、オプション価値をほぼ丸ごと無視することになる。

9-4. ベットサイズを軽視する

期待値が正でも、張り過ぎれば複利は壊れる。Kelly型の発想が教えるのは、「良い仮説」を持つことと同じくらい、「どれだけの割合を賭けるか」が重要だということだ。

9-5. 学習を資産計上しない

探索と活用の枠組みでは、未知の選択肢には情報価値がある。にもかかわらず、多くの会社は探索案件を「今期売上を作れなかった案件」としてだけ扱う。その瞬間、探索制度は壊れる。

10. 「大きく張る」ではなく、「打席を増やす」——ポートフォリオとしての再設計

再発明されたアップサイドリスクは、単発案件ではなくポートフォリオとして設計される。

10-1. 独立試行の価値

各実験の成功確率を
$p$
とし、独立に
$n$
本の実験を打つと、少なくとも1本当たる確率は

$$1-(1-p{)}^n$$

である。


たとえば
$p=0.1$
なら、

• 1本だけ：成功確率
  $10\%$
  
• 10本打つ：成功確率
  $1-0.9^{10}\approx 65.1\%$
  

になる。

もちろん現実には完全独立ではない。だがこの式が示すのは、一発必中より、多発試行の方が右尾に触れやすいという基本原理だ。

10-2. ただし「何でも数を打て」ではない

数を打つだけではダメで、各実験は以下の条件を満たす必要がある。

1. 最大損失が明確
2. 可逆性がある
3. 学習が残る
4. 成功時に拡大できる
5. シグナルが早い

この五条件を満たすとき、多数試行は単なる乱射ではなく、右尾設計になる。

10-3. 予算配分の三層化

実務上は、予算を次の三層に分けると扱いやすい。

第一層：活用資本（Core）

既知の顧客、既知の商材、既知の勝ち筋。線形だが再現性が高い。ここがキャッシュエンジンになる。

第二層：オプション資本（Option）

小規模PoC、限定導入、仮説検証、先行販売、共同実験。損失上限が低く、学習密度が高い。ここが右尾の源泉になる。

第三層：拡大資本（Scale）

第二層で当たりのシグナルが出た案件だけに投入する。ここで初めて大きく張る。

旧来の企業は、第二層を持たず、第一層から第三層へ飛びがちだ。


だがそのジャンプは危ない。


再発明版では、第二層が主役である。

11. 具体的にどう実装するか——意思決定ルールの書き換え

ここからは、経営会議や新規事業会議でそのまま使えるレベルまで落とす。

11-1. 稟議の質問を変える

従来の質問はこうだ。

• 売上はいくらか
• 何年で回収か
• 競合優位はあるか
• 成功確率はどれくらいか

これでは足りない。

再発明版では、最低でも次を聞くべきだ。

1. 最大損失はいくらか
2. 何が分かれば次段階に進めるのか
3. そのシグナルはいつ手に入るのか
4. 失敗しても何が残るのか
5. 当たった場合、何倍まで拡大できるのか
6. 今やる必要があるのか、待つ価値はどれくらいあるのか
7. 他の実験と相関は高いか低いか
8. 会社全体の探索能力を削る張り方になっていないか

この8問に答えられない案件は、アップサイドリスク案件ではなく、ただの高コスト不確実案件である。

11-2. 「失敗」を二種類に分ける

• 悪い失敗：損失が大きく、学習が残らず、再利用できず、何も将来権利を買っていない
• 良い失敗：損失が小さく、顧客理解・係数・ユースケース・営業資料・プロトタイプ・DBなどが残る

この区別をしない会社は、探索が続かない。

11-3. Kill criteria を先に書く

可逆性は精神論ではない。


撤退条件を先に文章化することで初めて可逆性になる。

たとえば、

• 30日以内に商談化率がX未満なら停止
• 3社以上で同じ拒否理由が出たら訴求変更
• ユーザー行動が一定閾値を超えなければ追加開発しない
• 予算消化率が一定を超える前に再判定

といった条件を、開始時に固定する。


これがリアルオプションの運用版だ。

11-4. 失敗でも資産が残るように作る

最初のPoCから、成果物が再利用可能になるよう設計する。

• 手作業検証でも、判断ロジックはテンプレ化する
• 仮説検証でも、質問票とFAQを残す
• 限定導入でも、業種別前提条件をDB化する
• 受託でも、共通部をモジュール化する
• 営業資料でも、次案件に流用できる部品にする

これは単なるナレッジ共有ではない。


探索結果を資産化して、右尾の裾野を毎回少しずつ広げる行為である。

12. 「速く動け」の再解釈——速くコミットするな、速く学べ

スタートアップ界隈では「速く動け」が好まれる。だがリアルオプションの視点から見れば、これも半分しか正しくない。

正しい命令はこうだ。

速くコミットするな。速く学べ。

コミットを早めると、不可逆性が上がる。

学習を早めると、オプション価値が上がる。

この違いは決定的だ。

企業が本当に短縮すべきは、意思決定そのものの時間ではなく、有意なシグナルを取るまでの時間
$\tau$
である。

したがって、良い探索案件とは、

• 開発期間が短い案件ではない
• 学習ラグが短い案件である

ここを誤ると、「速く動いた」のに、実際には「速く間違いを固定した」だけになる。

13. B2B・SaaS・新規事業に落とすとどうなるか

ここまでの議論を抽象論で終わらせないため、実務に近い形で言い換える。

ケースA：フルプロダクトを先に作る

• 初期投資：大
• シグナル獲得：遅い
• 可逆性：低い
• 学習密度：中
• 成功時の伸び：大

見た目は夢がある。だが、当たるまでに資本と時間が溶け、外れたときの損失が重い。

これはアップサイド案件っぽいが、実は下振れの大きい案件である。

ケースB：手動サービス→テンプレ化→API化

• 初期投資：小〜中
• シグナル獲得：早い
• 可逆性：高い
• 学習密度：高い
• 成功時の伸び：大

これは最初の売上が小さく見えても、右尾を設計している。


なぜなら、失敗しても顧客要件、入力項目、見積もりロジック、FAQ、データ構造が残り、当たれば自動化・標準化・横展開できるからだ。

再発明されたアップサイドリスクは、たいていケースBに宿る。

14. 経営者向けにさらに圧縮すると、意思決定は三行で足りる

ここまでの内容を、経営判断に使えるレベルまで絞ると、次の三行になる。

第一原則

会社が死ぬ張り方はしない。

どんなに夢があっても、探索能力そのものを失う賭けは不採用。

第二原則

最初に買うのは成果ではなく権利。

最初の投資は、拡大・延期・撤退の自由を増やすものであるべき。

第三原則

一発必中ではなく、右尾の打席数を増やす。

外しても残る実験を増やし、当たりだけを大きくする。

これで「アップサイドリスクを取る」の再発明は完了する。

15. 最終結論——再発明後の定義

旧定義では、アップサイドリスクとは「もっと勇敢に」「もっと大きく」「もっと先に張れ」という意味だった。

だがそれでは、人間の損失回避にも、イノベーションの予測困難性にも、複利成長の制約にも、探索の情報価値にも逆らえない。

再発明後の定義はこうなる。

アップサイドリスクを取るとは、損失上限を固定し、可逆性を保ち、学習を資産化しながら、右尾の厚い分布に複数回参加し、正のシグナルが出たものだけを急拡大することである。

さらに一段短くするなら、こうだ。

大きく張るな。

小さく張って、当たりだけを大きく育てろ。

これが、精神論ではなく、数理科学として再発明された「アップサイドリスクを取る」である。

主要出典

各引用はそのままリンクとして開ける。

• Kahneman, Nobel Lecture（参照点依存、利得側で凹・損失側で凸、損失回避係数の説明）
• Carson et al., The Risk of Caution（高分散R&D案件の過小選好、分散情報の強調が逆効果、小予算で分散回避が強まる）
• Nanda et al., Financing Entrepreneurial Experimentation（初期評価と成果の相関の低さ、段階投資と途中打ち切り権の重要性）
• Pindyck, MIT Lectures on Real Options（不確実性と不可逆性の下での待機オプション価値、NPVルールの限界）
• Dixit, AEA Investment and Hysteresis（不確実環境での待機価値と最適慣性）
• Kelly (1956) / Princeton資料、Ziemba解説、Princeton講義資料（指数成長率、期待対数資産、最適賭け比率）
• MIT凸最適化ノート（Jensenの不等式と凸性）
• Sutton / MIT bandit notes（探索活用トレードオフ、UCBの optimism in the face of uncertainty）