JP2022062362A - 情報処理プログラム，情報処理装置および情報処理方法 - Google Patents
情報処理プログラム，情報処理装置および情報処理方法 Download PDFInfo
- Publication number
- JP2022062362A JP2022062362A JP2020170322A JP2020170322A JP2022062362A JP 2022062362 A JP2022062362 A JP 2022062362A JP 2020170322 A JP2020170322 A JP 2020170322A JP 2020170322 A JP2020170322 A JP 2020170322A JP 2022062362 A JP2022062362 A JP 2022062362A
- Authority
- JP
- Japan
- Prior art keywords
- data set
- class
- transfer source
- transfer
- classes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 80
- 238000003672 processing method Methods 0.000 title claims description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 80
- 238000001228 spectrum Methods 0.000 claims abstract description 52
- 238000012546 transfer Methods 0.000 claims description 289
- 238000000034 method Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000007704 transition Effects 0.000 abstract description 12
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 32
- 238000013526 transfer learning Methods 0.000 description 28
- 238000010801 machine learning Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】転移学習を効率よく行なう。【解決手段】転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、各スペクトル強度の平均を算出し、転移先データセットの各クラスに含まれるデータのスペクトル強度と、複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、特定した類似度に基づいて、複数の転移元データセット候補の中から、転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する。【選択図】図１
Description
本発明は、情報処理プログラム，情報処理装置および情報処理方法に関する。
ニューラルネットワークにおける機械学習モデルの学習手法として、転移学習が知られている。
転移学習においては、ある領域（ドメイン）のデータセット（転移元データセット）で学習した機械学習モデルを、別の領域のデータセット（転移先データセット）上の学習に利用する。
以下、転移前の機械学習モデルの学習に用いるデータセットを転移元データセットといい、転移後の機械学習モデルの学習に用いるデータセットを転移先データセットという場合がある。
転移元データセットで機械学習モデルを学習し、この機械学習モデルを転移し、転移先データセットで機械学習モデルの再学習を行なうことで転移学習を実現する。
このような転移学習を行なうことで、限られたデータしかない領域においても高精度な機械学習モデルを作成することができ、また、短時間で機械学習モデルの学習を実現できる。
従来の転移学習においては、ＤＴＷ（Dynamic Time Warping）およびＤＢＡ（Dynamic Time Warping Barycenter Averaging）を用いて、複数の転移元データセット候補の中から転移元データセットを選択する。
ＤＴＷは２系列間の距離を測るアルゴリズムであり、ＤＢＡは複数系列の平均系列を求めるアルゴリズムである。
ＤＴＷは２系列間の距離を測るアルゴリズムであり、ＤＢＡは複数系列の平均系列を求めるアルゴリズムである。
転移学習における従来の転移元データセットの選択手法においては、転移先および転移元候補の各クラスの平均系列をＤＢＡで算出し、ＤＢＡ平均系列間の最小のＤＴＷ距離を転移元候補のデータと転移先データとの間の距離（データ間距離）として定義する。
そして、転移先データセットとのデータ間距離が最小となる転移元候補データセットを転移元データセットとして選択し、この選択した転移元データセットを用いて、ＣＮＮで転移学習を開始する。
転移学習を行なうに際して、転移の効果がある転移元データセットを選択することが望ましい。転移元データセットとして適切でないデータセットを選択することで、転移学習のパフォーマンスが低下するからである。
しかしながら、上述した従来の転移学習における転移元データセットの選択手法においては、ＤＴＷおよびＤＢＡの各計算コストが高いので、転移元データセットの選択にかかる計算コストが高いという課題がある。例えば、転移元データセットの選択に時間がかかる。
また、上述した従来の転移元データセットの選択手法においては、転移先データセットとのデータ間距離が最小となる転移元候補データセットを転移元データセットとして選択しているが、選択された転移元データセットが転移先データセットのクラスによっては距離が近くない場合が生じる。これは、データセット間距離を全クラス間距離の最小とすることが原因である。
また、ニューラルネットワークにおいては、入力データの畳み込みを繰り返すことでデータの特徴を抽出する畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）が知られている。ＣＮＮは、時系列データの分析や転移学習によく用いられる。
ＣＮＮにおいては、畳み込み層においてデータの部分的な特徴をフィルタ（畳み込みフィルタ）を用いて抽出する。ＣＮＮにおいて、畳み込みフィルタのフィルタサイズは事前に指定されるパラメータである。フィルタサイズは分析精度に強く影響するため、適切に指定する必要がある。
従来手法においては、畳み込みフィルタとして、3～15の間の固定サイズのフィルタが多く用いられる。また、ＣＮＮにおいては、例えば、サイズ “3 ”のフィルタとサイズ“15”のフィルタとを64個ずつ用いるなど、複数サイズのフィルタを用いることもある。
時系列においてピークが発生する時点数（peak length）をフィルタサイズとする手法や、フーリエ変換でデータセットのスペクトル強度を算出し、強度が最大の周波数の波長を包含するフィルタサイズを選択することも知られている。
しかしながら、フィルタサイズによって、捉え易いもしくは捉え難い周波数の波が存在する。そのため、上述の如く選択されたスペクトル強度が最大の周波数の波長を包含するフィルタサイズは、例えば、複数の異なる周波数でピークが発生するようなデータに対して有効でない。
大きなフィルタサイズは、周波数が小さい波は捉え易い一方で、周波数が大きい波を捉え難いという傾向を有する。一方、小さなフィルタサイズは、周波数が小さい波は捉え難い一方で、周波数が大きい波を捉え易いという傾向を有する。時系列で強度が変化する系列データを系列という場合がある。
図９は入力系列をＦＦＴ（Fast Fourier Transform）で周波数スペクトルに変換した例を示す図である。
この図９に例示する系列においては、変換後の周波数スペクトルにおいて、２つの周波数“2”，“10”において強度のピークを有する。
図９は入力系列をＦＦＴ（Fast Fourier Transform）で周波数スペクトルに変換した例を示す図である。
この図９に例示する系列においては、変換後の周波数スペクトルにおいて、２つの周波数“2”，“10”において強度のピークを有する。
ここで、周波数“2”の波を捉えるフィルタサイズでは、周波数“10”の波を捉え難い。一方で、周波数“10”の波を捉えるフィルタサイズでは、周波数“2”の波を捉え難い。
１つの側面では、本発明は、転移学習を効率よく行なうことを目的とする。
１つの側面では、本発明は、転移学習を効率よく行なうことを目的とする。
このため、この情報処理プログラムは、転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する処理をコンピュータに実行させる。
一実施形態によれば、転移学習を効率よく行なうことができる。
以下、図面を参照して本情報処理プログラム，情報処理装置および情報処理方法にかかる実施の形態を説明する。ただし、以下に示す実施形態はあくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。すなわち、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能等を含むことができる。
（Ａ）構成
図１は実施形態の一例としての情報処理装置１の機能構成を例示する図である。
情報処理装置１は、図１に示すように、転移元データセット選択部１００およびフィルタ設定部２００を備える。
図１は実施形態の一例としての情報処理装置１の機能構成を例示する図である。
情報処理装置１は、図１に示すように、転移元データセット選択部１００およびフィルタ設定部２００を備える。
転移元データセット選択部１００は、ニューラルネットワークの転移学習において、転移元データレポジトリに格納された複数のデータセット（転移元データセット候補）の中から転移元データセットを選択する転移元データセット選択処理を実現する。以下、転移元データセットを符号Dsrcを用いて表す場合がある。
選択された転移元データセットDsrcは、機械学習モデルの学習に用いられる。このように学習された機械学習モデルは転移され、転移先データセットを用いて再学習される。以下、転移先データセットを符号Dtarを用いて表す場合がある。
転移元データセットおよび転移先データセットは、それぞれ学習用データおよび正解データを備えてもよい。転移元データセットにおける学習用データを転移元データという場合がある。また、転移先データセットにおける学習用データを転移先データという場合がある。また、以下、転移元データセットと転移先データセットとを特に区別しない場合には、単にデータセットと表記する場合がある。
本実施形態においては、転移元データおよび転移先データが、時系列で強度が変化する系列データである例について示す。以下、転移元データや転移先データを系列という場合がある。系列は、例えば、発話信号や通信信号であり、波形として表すことができる。
また、本実施形態においては、転移元データセットおよび転移先データセットがそれぞれ複数のクラスを有する例について示す。
また、本実施形態においては、転移元データセットおよび転移先データセットがそれぞれ複数のクラスを有する例について示す。
転移元データセット選択部１００は、図１に示すように、第１フーリエ変換処理部１０１，クラス平均系列算出部１０２，クラス間距離算出部１０３および転移元データセット設定部１０４としての機能を備える。
第１フーリエ変換処理部１０１は、全データセットの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する。すなわち、第１フーリエ変換処理部１０１は、転移先データセットDtarおよび、転移元データレポジトリに格納された全ての転移先データセット{Dsrc,i }iの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する。iは複数の転移元データセットのうちの任意の転移元データセットを表す変数である。
第１フーリエ変換処理部１０１は、例えば、系列hに対して以下の処理を行なう
第１フーリエ変換処理部１０１は、例えば、系列hに対して以下の処理を行なう
また、第１フーリエ変換処理部１０１は、系列長を2nにする場合は、ゼロパディングや線形補間などでリサイズする。
なお、nは以下のように表される。
クラス平均系列算出部１０２は、全データセットに含まれる各クラスのそれぞれの平均系列を、周波数スペクトル強度の平均で求める。
クラス平均系列算出部１０２は、クラスに属する全系列をフーリエ変換で固定長スペクトルに変換し、スペクトル強度の平均によってクラスの平均系列を定義する。
例えば、クラス平均系列算出部１０２は、第１フーリエ変換処理部１０１によって算出された周波数スペクトル強度に基づき、周波数スペクトル強度の低周波成分から上位N個を抽出する。
なお、抽出する周波数スペクトルの個数Nは、以下のように表される。
なお、抽出する周波数スペクトルの個数Nは、以下のように表される。
系列長が [T/2]<Nとなる系列については、uの第[T/2]成分以降をゼロパディングすることが望ましい。
クラス平均系列算出部１０２は、各データセットの各クラスに対してクラス平均系列を算出する。
転移元データセットDsrcのクラスのデータを以下の符号で表す場合がある。
また、転移先データセットDtarのクラスのデータを以下の符号で表す場合がある。
また、クラス平均系列を以下のフォーマットで表す場合がある。
クラス間距離算出部１０３は、クラス平均系列算出部１０２によって算出された平均系列間の距離を、スペクトル強度間の内積に基づいて定義（算出）する。
クラス間距離算出部１０３は、クラス間距離を以下の式（２）を用いて算出する。
転移元データセット設定部１０４は、転移先データセットの各クラスと、各転移元データセットの各クラスとの間の各類似度を算出し、クラス毎に転移元データセットを選択する。転移元データセット設定部１０４は、クラス間の距離を類似度として用いる。
転移元データセット設定部１０４は、転移先データセットの各クラスに対して、それぞれ、クラス間距離が最短、すなわち、最も類似する転移元データセットのクラス（最類似転移元クラス）を選択する。
転移元データセット設定部１０４は、転移先データセットの各クラスに対し、以下の式（３）を満たす転移元データセットのクラスを選択する
転移元データセット設定部１０４は、転移先データセットの各クラスに対し、以下の式（３）を満たす転移元データセットのクラスを選択する
転移元データセット設定部１０４は、転移先データセットDtarのクラス毎に選択した最類似転移元クラスの全てを結合して、転移元データセットDsrcを生成する。
転移元データセット設定部１０４により生成される転移元データセットDsrcは、以下の式（４）で表される。
転移元データセット設定部１０４により生成される転移元データセットDsrcは、以下の式（４）で表される。
この図２に示す例においては、転移先データセットの３つのクラス“1”，“2”，“3”と、転移元データセットDsrc,1，Dsrc,2，Dsrc,3の２つのクラス“1”，“2”との各クラス間距離をマトリクス（行列）で表している。
この図２に示す例において、転移先データセットDtarのクラス“1”には、転移元データセットDsrc,1のクラス“1”が最もクラス間距離が短い（符号Ｑ１参照）。そこで、転移元データセット設定部１０４は、転移先データセットDtarのクラス“1”に対して、転移元データセットDsrc,1のクラス“1”を転移元クラスとして選択する。
同様に、転移先データセットDtarのクラス“2”には、転移元データセットDsrc,2のクラス“1”が最もクラス間距離が短い（符号Ｑ１参照）。また転移先データセットDtarのクラス“3”には、転移元データセットDsrc,2のクラス“1”が最もクラス間距離が短い（符号Ｑ３参照）。そこで、転移元データセット設定部１０４は、転移先データセットDtarのクラス“2”，“3”に対して、転移元データセットDsrc,2のクラス“1”を転移元クラスとしてそれぞれ選択する。
転移元データセット設定部１０４は、選択した転移元クラスを統合して転移元データセットDsrcを生成する。
転移元データセット設定部１０４は、選択した転移元クラスを統合して転移元データセットDsrcを生成する。
図２に示した例においては、生成される転移元データセットDsrcは、例えば、以下のように表される。以下に示す例においては、転移先データセットDtarのクラス“2”，“3”に対する転移元データセットDsrc,2のクラス“1”を一つだけ示すことで重複を排除して記載している。
また、転移元データセット設定部１０４は、必要に応じて、生成した転移元データセットDsrcを転移先データセットDtarの系列長（もしくは平均長）にリサイズすることが望ましい。このようにして生成された転移元データセットDsrcが、機械学習モデルの転移学習に用いられる
フィルタ設定部２００は、ＣＮＮにおける畳み込みフィルタを設定するフィルタ設定処理を実現する。
フィルタ設定部２００は、例えば、精度への影響が大きなＣＮＮの第１層の畳み込みフィルタサイズを設定してもよい。また、これに限定されるものではなく、フィルタ設定部２００は、ＣＮＮの第１層以外の畳み込みフィルタサイズを設定してもよく、適宜変更して実施することができる。
フィルタ設定部２００は、例えば、精度への影響が大きなＣＮＮの第１層の畳み込みフィルタサイズを設定してもよい。また、これに限定されるものではなく、フィルタ設定部２００は、ＣＮＮの第１層以外の畳み込みフィルタサイズを設定してもよく、適宜変更して実施することができる。
フィルタ設定部２００は、図１に示すように、第２フーリエ変換処理部２０１，平均スペクトル強度算出部２０２およびフィルタ決定部２０３としての機能を備える。
第２フーリエ変換処理部２０１は、転移元データセット選択部１００によって選択された転移元データセットの全ての系列を、ＦＦＴにより周波数スペクトル（スペクトル強度）にフーリエ変換する。
平均スペクトル強度算出部２０２は、第２フーリエ変換処理部２０１により算出されたスペクトル強度に基づき、周波数毎にスペクトル強度の平均を算出する。以下、周波数毎に求めたスペクトル強度の平均値を平均スペクトル強度という場合がある。
なお、平均スペクトル強度の算出は、既知の種々の手法を用いて実現することができ、その説明は省略する。
なお、平均スペクトル強度の算出は、既知の種々の手法を用いて実現することができ、その説明は省略する。
フィルタ決定部２０３は、フィルタサイズおよびのその個数（フィルタ数）を決定する。フィルタ決定部２０３は、周波数スペクトルの情報に基づいてフィルタサイズおよびフィルタ数を決定する。
フィルタ決定部２０３は、系列長Tと周波数fiとに基づいてフィルタサイズを決定する。例えば、フィルタ決定部２０３は、以下の式（５）を用いてフィルタサイズを算出する。
フィルタサイズS = T / (n×fi) ・・・（５）
フィルタサイズS = T / (n×fi) ・・・（５）
なお、nは変数であり、例えば、自然数である。変数nは適宜変更して実施することができる。フィルタ決定部２０３は、系列長Tに比例し、周波数fiに反比例するフィルタサイズSを決定する。
本情報処理装置１においては、大域的な波（低周波）の特徴を捉えるのに大きなフィルタを用い、局所的な波（高周波）の特徴を捉えるのに小さなフィルタを用いる。これにより、低周波の特徴と高周波の特徴とをそれぞれ効率的に捉えることができる。なお、フィルタサイズSを算出する上記式（５）は、適宜変更して実施することができる。
本情報処理装置１においては、大域的な波（低周波）の特徴を捉えるのに大きなフィルタを用い、局所的な波（高周波）の特徴を捉えるのに小さなフィルタを用いる。これにより、低周波の特徴と高周波の特徴とをそれぞれ効率的に捉えることができる。なお、フィルタサイズSを算出する上記式（５）は、適宜変更して実施することができる。
また、フィルタ決定部２０３は、周波数の強度に応じて使用するフィルタの数（フィルタ数）を決定する。
例えば、フィルタ決定部２０３は、以下の式（６）を用いてフィルタ数を決定する。
系列の波の構成要素は一般に複数ある。その中でも支配的な波をより捉えやすくするために、本情報処理装置１においては、そのような波を捉えやすいサイズのフィルタを多めに設定する。
例えば、フィルタ決定部２０３は、以下の式（６）を用いてフィルタ数を決定する。
例えば、全体のフィルタ数を128（K = 128）としたとき、周波数“2”の強度が0.75、周波数“10” の強度が0.25、他の周波数の強度が0である場合に、フィルタ決定部２０３は、以下に示すようにフィルタサイズおよびフィルタ数を決定する。
サイズ「T/(2×2)」のフィルタを「96 (=128×0.75) 」個
サイズ「T/(2×10)」のフィルタを「32 (=128×0.25) 」個
なお、強度uは以下のように表される。
サイズ「T/(2×10)」のフィルタを「32 (=128×0.25) 」個
なお、強度uは以下のように表される。
図３は実施形態の一例としての情報処理装置１のハードウェア構成を例示する図である。
情報処理装置１は、例えば、プロセッサ１１，メモリ１２，記憶装置１３，グラフィック処理装置１４，入力インタフェース１５，光学ドライブ装置１６，機器接続インタフェース１７およびネットワークインタフェース１８を構成要素として有する。これらの構成要素１１～１８は、バス１９を介して相互に通信可能に構成される。
情報処理装置１は、例えば、プロセッサ１１，メモリ１２，記憶装置１３，グラフィック処理装置１４，入力インタフェース１５，光学ドライブ装置１６，機器接続インタフェース１７およびネットワークインタフェース１８を構成要素として有する。これらの構成要素１１～１８は、バス１９を介して相互に通信可能に構成される。
プロセッサ１１は、情報処理装置１全体を制御する制御部である。プロセッサ１１は、マルチプロセッサであってもよい。プロセッサ１１は、例えばＣＰＵ，ＭＰＵ（Micro Processing Unit），ＤＳＰ（Digital Signal Processor），ＡＳＩＣ（Application Specific Integrated Circuit），ＰＬＤ（Programmable Logic Device），ＦＰＧＡ（Field Programmable Gate Array）のいずれか一つであってもよい。また、プロセッサ１１は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡのうちの２種類以上の要素の組み合わせであってもよい。
そして、プロセッサ１１が制御プログラム（情報処理プログラム：図示省略）を実行することにより、図１に例示した、転移元データセット選択部１００およびフィルタ設定部２００としての機能が実現される。
なお、情報処理装置１は、例えばコンピュータ読み取り可能な非一時的な記録媒体に記録されたプログラム（情報処理プログラム，ＯＳプログラム）を実行することにより、転移元データセット選択部１００およびフィルタ設定部２００としての機能を実現する。ＯＳはOperating Systemの略語である。
情報処理装置１に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、情報処理装置１に実行させるプログラムを記憶装置１３に格納しておくことができる。プロセッサ１１は、記憶装置１３内のプログラムの少なくとも一部をメモリ１２にロードし、ロードしたプログラムを実行する。
また、情報処理装置１（プロセッサ１１）に実行させるプログラムを、光ディスク１６ａ，メモリ装置１７ａ，メモリカード１７ｃ等の非一時的な可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ１１からの制御により、記憶装置１３にインストールされた後、実行可能になる。また、プロセッサ１１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。
メモリ１２は、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）を含む記憶メモリである。メモリ１２のＲＡＭは情報処理装置１の主記憶装置として使用される。ＲＡＭには、プロセッサ１１に実行させるプログラムの少なくとも一部が一時的に格納される。また、メモリ１２には、プロセッサ１１による処理に必要な各種データが格納される。
記憶装置１３は、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）、ＳＳＤ（Solid State Drive）、ストレージクラスメモリ（Storage Class Memory：ＳＣＭ）等の記憶装置であって、種々のデータを格納するものである。記憶装置１３は、本情報処理装置１の補助記憶装置として使用される。記憶装置１３には、ＯＳプログラム，制御プログラムおよび各種データが格納される。制御プログラムには情報処理プログラムが含まれる。
なお、補助記憶装置としては、ＳＣＭやフラッシュメモリ等の半導体記憶装置を使用することもできる。また、複数の記憶装置１３を用いてＲＡＩＤ（Redundant Arrays of Inexpensive Disks）を構成してもよい。
また、記憶装置１３には、上述した転移元データセット選択部１００およびフィルタ設定部２００が各処理を実行する際に生成される各種データを格納してもよい。
例えば、第１フーリエ変換処理部１０１，クラス平均系列算出部１０２，クラス間距離算出部１０３，第２フーリエ変換処理部２０１および平均スペクトル強度算出部２０２により算出された各演算結果を記憶装置１３に格納してもよい。また、転移元データセット設定部１０４により設定された転移元データセットDsrcや、フィルタ決定部２０３が決定したフィルタサイズやフィルタ数を記憶装置１３に格納してもよい。
例えば、第１フーリエ変換処理部１０１，クラス平均系列算出部１０２，クラス間距離算出部１０３，第２フーリエ変換処理部２０１および平均スペクトル強度算出部２０２により算出された各演算結果を記憶装置１３に格納してもよい。また、転移元データセット設定部１０４により設定された転移元データセットDsrcや、フィルタ決定部２０３が決定したフィルタサイズやフィルタ数を記憶装置１３に格納してもよい。
グラフィック処理装置１４には、モニタ１４ａが接続されている。グラフィック処理装置１４は、プロセッサ１１からの命令に従って、画像をモニタ１４ａの画面に表示させる。モニタ１４ａとしては、ＣＲＴ（Cathode Ray Tube）を用いた表示装置や液晶表示装置等が挙げられる。
入力インタフェース１５には、キーボード１５ａおよびマウス１５ｂが接続されている。入力インタフェース１５は、キーボード１５ａやマウス１５ｂから送られてくる信号をプロセッサ１１に送信する。なお、マウス１５ｂは、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル，タブレット，タッチパッド，トラックボール等が挙げられる。
光学ドライブ装置１６は、レーザ光等を利用して、光ディスク１６ａに記録されたデータの読み取りを行なう。光ディスク１６ａは、光の反射によって読み取り可能にデータを記録された可搬型の非一時的な記録媒体である。光ディスク１６ａには、ＤＶＤ（Digital Versatile Disc），ＤＶＤ－ＲＡＭ，ＣＤ－ＲＯＭ（Compact Disc Read Only Memory），ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等が挙げられる。
機器接続インタフェース１７は、情報処理装置１に周辺機器を接続するための通信インタフェースである。例えば、機器接続インタフェース１７には、メモリ装置１７ａやメモリリーダライタ１７ｂを接続することができる。メモリ装置１７ａは、機器接続インタフェース１７との通信機能を搭載した非一時的な記録媒体、例えばＵＳＢ（Universal Serial Bus）メモリである。メモリリーダライタ１７ｂは、メモリカード１７ｃへのデータの書き込み、またはメモリカード１７ｃからのデータの読み出しを行なう。メモリカード１７ｃは、カード型の非一時的な記録媒体である。
ネットワークインタフェース１８は、ネットワークに接続される。ネットワークインタフェース１８は、ネットワークを介してデータの送受信を行なう。ネットワークには他の情報処理装置や通信機器等が接続されてもよい。
（Ｂ）動作
図４は実施形態の一例としての情報処理装置１における転移学習を説明するための図である。
図４は実施形態の一例としての情報処理装置１における転移学習を説明するための図である。
転移元データセット選択部１００は、転移元データレポジトリに格納された複数のデータセット（転移元データセット）の中から転移元データセットDsrcを選択する（符号Ｐ１参照）。
フィルタ設定部２００は、ＣＮＮにおける畳み込みフィルタを設定する（符号Ｐ２参照）。ＣＮＮにおいては、この設定された畳み込みフィルタを用いて転移元データセットDsrc（系列）の特徴を抽出し、機械学習モデルf(x;w^)の学習に用いる。
なお、w^は転移先モデルパラメータの初期値であり、ハット（ギャレット）付きのwを表すものとする。
なお、w^は転移先モデルパラメータの初期値であり、ハット（ギャレット）付きのwを表すものとする。
このようにして学習された機械学習モデルf(x;w^)が転移され（符号Ｐ３参照）、転移先データセットDtarを用いた再学習が行なわれる（符号Ｐ４参照）。このようにして学習された機械学習モデルf(x;w^)が業務等において予測に用いられる。
次に、実施形態の一例としての情報処理装置１における転移元データセット選択部１００の処理を、図５に示すフローチャート（ステップＡ１～Ａ５）に従って説明する。
転移元データセット選択部１００において、第１フーリエ変換処理部１０１が、全データセットの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する（ステップＡ１）。
クラス平均系列算出部１０２が、全データセットに含まれる各クラスのそれぞれの平均系列を、周波数スペクトル強度の平均で求める（ステップＡ２）。
転移元データセット選択部１００において、第１フーリエ変換処理部１０１が、全データセットの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する（ステップＡ１）。
クラス平均系列算出部１０２が、全データセットに含まれる各クラスのそれぞれの平均系列を、周波数スペクトル強度の平均で求める（ステップＡ２）。
クラス間距離算出部１０３が、クラス平均系列算出部１０２によって算出された平均系列間の距離を、スペクトル強度間の内積に基づいて算出する（ステップＡ３）。
転移元データセット設定部１０４が、転移先データセットの各クラスと、各転移元データセットの各クラスとの間の各類似度を算出する（ステップＡ４）。
転移元データセット設定部１０４が、転移先データセットの各クラスと、各転移元データセットの各クラスとの間の各類似度を算出する（ステップＡ４）。
また、転移元データセット設定部１０４は、転移先データセットの各クラスに対して、れぞれ、クラス間距離が最短、すなわち、最も類似する転移元データセットのクラス（最類似転移元クラス）を選択する。そして、転移元データセット設定部１０４は、転移先データセットのクラス毎に選択した最類似転移元クラスの全てを結合して、転移元データセットを生成する。（ステップＡ５）。その後、処理を終了する。
次に、実施形態の一例としての情報処理装置１におけるフィルタ設定部２００の処理を、図６に示すフローチャート（ステップＢ１～Ｂ３）に従って説明する。
第２フーリエ変換処理部２０１が、転移元データセット選択部１００によって選択された転移元データセットの全ての系列を、ＦＦＴにより周波数スペクトル（スペクトル強度）にフーリエ変換する（ステップＢ１）。
第２フーリエ変換処理部２０１が、転移元データセット選択部１００によって選択された転移元データセットの全ての系列を、ＦＦＴにより周波数スペクトル（スペクトル強度）にフーリエ変換する（ステップＢ１）。
平均スペクトル強度算出部２０２が第２フーリエ変換処理部２０１により算出されたスペクトル強度に基づき、周波数毎にスペクトル強度の平均を算出する（ステップＢ２）。
その後、フィルタ決定部２０３が、フィルタサイズおよびフィルタ数を決定し（ステップＢ３）、処理を終了する。
その後、フィルタ決定部２０３が、フィルタサイズおよびフィルタ数を決定し（ステップＢ３）、処理を終了する。
（Ｃ）効果
このように、実施形態の一例としての情報処理装置１によれば、第１フーリエ変換処理部１０１が、全データセットの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する。そして、クラス平均系列算出部１０２が、周波数スペクトル強度の平均を算出することで全データセットに含まれる各クラスのそれぞれの平均系列を求める。
これにより、計算コストが高いＤＢＡの算出を行なうことなく、低コストで各クラスの平均系列を算出することができる。
このように、実施形態の一例としての情報処理装置１によれば、第１フーリエ変換処理部１０１が、全データセットの全ての系列を、ＦＦＴにより周波数スペクトルにフーリエ変換する。そして、クラス平均系列算出部１０２が、周波数スペクトル強度の平均を算出することで全データセットに含まれる各クラスのそれぞれの平均系列を求める。
これにより、計算コストが高いＤＢＡの算出を行なうことなく、低コストで各クラスの平均系列を算出することができる。
また、クラス間距離算出部１０３が、クラス平均系列算出部１０２によって算出された平均系列間の距離を、スペクトル強度間の内積に基づいて算出する。これにより、計算コストが高いＤＴＷの算出を行なうことなく、低コストで各クラス間距離を算出することができる。
すなわち、本情報処理装置１においては、転移元データセットの選択に要する時間を短縮することができる。また、これにより転移学習を効率よく行なうことができる。
ここで、転移先データセットとして10データセットを用意して行なったシミュレーション結果を示す。
ここで、転移先データセットとして10データセットを用意して行なったシミュレーション結果を示す。
各データがサンプル数300，クラス数3および系列長256とする。このような条件において行なったシミュレーションにおいては、従来手法では転移元データセットの選択に726秒かかった処理が、本情報処理装置１においては0.085秒となり、従来手法の約0.01％で実現することができた。
また、転移元データセット設定部１０４が、転移先データセットの各クラスと、各転移元データセットの各クラスとの間の各類似度を算出し、転移先データセットのクラス毎に類似度が高い転移元データセットのクラスを選択する。そして、転移元データセット設定部１０４がこれらのクラスを組み合わせて転移元データセットを生成する。
これにより、転移先データセットの各クラスのそれぞれに対して類似するクラスが転移元として設定されるので、転移学習後の分析精度を向上させることができる。また、これにより転移学習を効率よく行なうことができる。
図７は実施形態の一例としての情報処理装置１における転移学習の効果を例示する図である。
図７は実施形態の一例としての情報処理装置１における転移学習の効果を例示する図である。
この図７においては、ＵＣＲデータレポジトリの 60データセットで転移効果を検証した結果を示す。この図７に示すように、本情報処理装置１によれば、転移学習なし（転移無し）および従来の転移学習手法に比べて、精度中央値において分析精度が向上している。
また、第２フーリエ変換処理部２０１が、転移元データセット選択部１００によって選択された転移元データセットの全ての系列を、ＦＦＴにより周波数スペクトル（スペクトル強度）にフーリエ変換する。また、平均スペクトル強度算出部２０２が算出されたスペクトル強度に基づき、周波数毎にスペクトル強度の平均を算出する。
そして、フィルタ決定部２０３が、上述した式（５）に基づき、系列長Tに比例し、周波数fiに反比例するフィルタサイズSを決定する。このように、スペクトル情報（系列長Tおよび周波数fi）に応じた適切なフィルサイズを決定することができる。また、フィルタ決定部２０３が、周波数の強度に応じたフィルタ数を決定する。
このように、フィルタ決定部２０３が、フィルタサイズおよびフィルタ数を決定することで、複数の周波数からなる系列の特徴を適切に捉えた畳み込みフィルタを生成することができる。また、これにより転移学習を効率よく行なうことができる。
図８は実施形態の一例としての情報処理装置１における転移学習の効果を例示する図である。
図８は実施形態の一例としての情報処理装置１における転移学習の効果を例示する図である。
この図８においては、ＵＣＲデータレポジトリの 60データセットによるシミュレーション結果を示す。この図５において、フィルタサイズ“hybrid” が本情報処理装置１により設定された畳み込みフィルタによる結果を示す。
ニューラルネットワーク（ＮＮ）アーキテクチャは３層ＣＮＮ を利用し、精度への影響が大きなＣＮＮの１層目の畳み込みフィルタサイズのみ調整した例を示す。
また、本情報処理装置１によるhybridでは、便宜上フィルタの半数をサイズT/2fdとして、残りの半分は16 とした。なお、Tは系列長であり、fdは強度最大の周波数である。
この図７に示す例においては、従来の転移学習手法における各フィルタサイズ（T/f，T/2f，16，8，3）に比べて、精度平均および精度中央値において分析精度が向上している。
（Ｄ）その他
開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。本実施形態の各構成および各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。本実施形態の各構成および各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
例えば、上述した実施形態においては、情報処理装置１が転移元データセット選択部１００およびフィルタ設定部２００を備えているが、これに限定されるものではない。
情報処理装置１は、これらの転移元データセット選択部１００およびフィルタ設定部２００に加えて、例えば、転移学習により学習させた機械学習モデルを用いた予測演算処理を実現してもよい。
また、上述した開示により本実施形態を当業者によって実施・製造することが可能である。
また、上述した開示により本実施形態を当業者によって実施・製造することが可能である。
（Ｅ）付記
以上の実施形態に関し、さらに以下の付記を開示する。
（付記１）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
以上の実施形態に関し、さらに以下の付記を開示する。
（付記１）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
（付記２）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
（付記３）
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、付記１または２に記載の情報処理プログラム。
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、付記１または２に記載の情報処理プログラム。
（付記４）
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、付記３記載の情報処理プログラム。
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、付記３記載の情報処理プログラム。
（付記５）
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記コンピュータに実行させることを特徴とする、付記３または４に記載の情報処理プログラム。
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記コンピュータに実行させることを特徴とする、付記３または４に記載の情報処理プログラム。
（付記６）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。
（付記７）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。
（付記８）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。
（付記９）
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記制御部が実行することを特徴とする、付記７または８に記載の情報処理装置。
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記制御部が実行することを特徴とする、付記７または８に記載の情報処理装置。
（付記１０）
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記制御部が実行することを特徴とする、付記９記載の情報処理装置。
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記制御部が実行することを特徴とする、付記９記載の情報処理装置。
（付記１１）
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記制御部が実行することを特徴とする、付記９または１０に記載の情報処理装置。
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記制御部が実行することを特徴とする、付記９または１０に記載の情報処理装置。
（付記１２）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理を実行する制御部を備えることを特徴とする、情報処理装置。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理を実行する制御部を備えることを特徴とする、情報処理装置。
（付記１３）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
（付記１４）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
（付記１５）
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記コンピュータが実行することを特徴とする、付記１３または１４に記載の情報処理方法。
前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記コンピュータが実行することを特徴とする、付記１３または１４に記載の情報処理方法。
（付記１６）
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記コンピュータが実行することを特徴とする、付記１５記載の情報処理方法。
前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記コンピュータが実行することを特徴とする、付記１５記載の情報処理方法。
（付記１７）
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記コンピュータが実行することを特徴とする、付記１５または１６に記載の情報処理方法。
前記周波数の強度に基づいて前記フィルタ数を決定する
処理を前記コンピュータが実行することを特徴とする、付記１５または１６に記載の情報処理方法。
（付記１８）
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
１ 情報処理装置
１１ プロセッサ（制御部）
１２ メモリ
１３ 記憶装置
１４ グラフィック処理装置
１４ａ モニタ
１５ 入力インタフェース
１５ａ キーボード
１５ｂ マウス
１６ 光学ドライブ装置
１６ａ 光ディスク
１７ 機器接続インタフェース
１７ａ メモリ装置
１７ｂ メモリリーダライタ
１７ｃ メモリカード
１８ ネットワークインタフェース
１９ バス
１００ 転移元データセット選択部
１０１ 第１フーリエ変換処理部
１０２ クラス平均系列算出部
１０３ クラス間距離算出部
１０４ 転移元データセット設定部
２００ フィルタ設定部
２０１ 第２フーリエ変換処理部
２０２ 平均スペクトル強度算出部
２０３ フィルタ決定部
１１ プロセッサ（制御部）
１２ メモリ
１３ 記憶装置
１４ グラフィック処理装置
１４ａ モニタ
１５ 入力インタフェース
１５ａ キーボード
１５ｂ マウス
１６ 光学ドライブ装置
１６ａ 光ディスク
１７ 機器接続インタフェース
１７ａ メモリ装置
１７ｂ メモリリーダライタ
１７ｃ メモリカード
１８ ネットワークインタフェース
１９ バス
１００ 転移元データセット選択部
１０１ 第１フーリエ変換処理部
１０２ クラス平均系列算出部
１０３ クラス間距離算出部
１０４ 転移元データセット設定部
２００ フィルタ設定部
２０１ 第２フーリエ変換処理部
２０２ 平均スペクトル強度算出部
２０３ フィルタ決定部
Claims (12)
- 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。 - 前記データのデータ長および周波数に基づいてフィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、請求項１または２に記載の情報処理プログラム。 - 前記データのデータ長に比例し、前記周波数に反比例する前記フィルタサイズを決定する
処理を前記コンピュータに実行させることを特徴とする、請求項３記載の情報処理プログラム。 - 前記周波数の強度に応じて前記フィルタ数を決定する
処理を前記コンピュータに実行させることを特徴とする、請求項３または４に記載の情報処理プログラム。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータに実行させることを特徴とする、情報処理プログラム。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理を実行する制御部を有することを特徴とする、情報処理装置。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理を実行する制御部を備えることを特徴とする、情報処理装置。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定するとともに、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記周波数スペクトルの情報に基づいて、畳み込みニューラルネットワークのフィルタサイズ及びフィルタ数を決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。 - 転移先データセットの複数のクラスにそれぞれ含まれる各データおよび複数の転移元データセット候補の複数のクラスにそれぞれ含まれる各データをそれぞれ周波数スペクトルへ変換し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度の平均と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度の各平均とを算出し、
前記転移先データセットの各クラスに含まれるデータのスペクトル強度と、前記複数の転移元データセット候補の複数のクラスに含まれるデータのスペクトル強度との内積に基づいて、転移先データセットの複数のクラスと、複数の転移元データセット候補の複数のクラスとの間の類似度を特定し、
特定した類似度に基づいて、前記複数の転移元データセット候補の中から、前記転移先データセットの各クラスに対して最も類似する転移元データセットを決定する
処理をコンピュータが実行することを特徴とする、情報処理方法。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020170322A JP2022062362A (ja) | 2020-10-08 | 2020-10-08 | 情報処理プログラム，情報処理装置および情報処理方法 |
| EP21183954.3A EP3992860A1 (en) | 2020-10-08 | 2021-07-06 | Information processing program, information processing device, and information processing method |
| US17/372,730 US20220114443A1 (en) | 2020-10-08 | 2021-07-12 | Computer-readable recording medium storing information processing program, information processing device, and information processing method |
| CN202110853825.8A CN114298266A (zh) | 2020-10-08 | 2021-07-27 | 计算机可读记录介质、信息处理装置及信息处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020170322A JP2022062362A (ja) | 2020-10-08 | 2020-10-08 | 情報処理プログラム，情報処理装置および情報処理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022062362A true JP2022062362A (ja) | 2022-04-20 |
Family
ID=76829309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020170322A Withdrawn JP2022062362A (ja) | 2020-10-08 | 2020-10-08 | 情報処理プログラム，情報処理装置および情報処理方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220114443A1 (ja) |
| EP (1) | EP3992860A1 (ja) |
| JP (1) | JP2022062362A (ja) |
| CN (1) | CN114298266A (ja) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1393196A4 (en) | 2001-05-07 | 2007-02-28 | Health Discovery Corp | CORES AND METHODS FOR SELECTING CORES FOR USE IN TEACHING MACHINES |
| JP6543066B2 (ja) | 2015-03-30 | 2019-07-10 | 株式会社メガチップス | 機械学習装置 |
| US11699522B2 (en) | 2018-04-27 | 2023-07-11 | Tata Consultancy Services Limited | Unified platform for domain adaptable human behaviour inference |
-
2020
- 2020-10-08 JP JP2020170322A patent/JP2022062362A/ja not_active Withdrawn
-
2021
- 2021-07-06 EP EP21183954.3A patent/EP3992860A1/en not_active Withdrawn
- 2021-07-12 US US17/372,730 patent/US20220114443A1/en active Pending
- 2021-07-27 CN CN202110853825.8A patent/CN114298266A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN114298266A (zh) | 2022-04-08 |
| EP3992860A1 (en) | 2022-05-04 |
| US20220114443A1 (en) | 2022-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11100320B2 (en) | Image recognition method and apparatus | |
| US10892050B2 (en) | Deep image classification of medical images | |
| JP2019008778A (ja) | 画像の領域のキャプション付加 | |
| JP2017049996A (ja) | 画像認識に用いられるニューラルネットワークの訓練方法及び訓練装置 | |
| US11017774B2 (en) | Cognitive audio classifier | |
| JP2018147428A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
| KR102160390B1 (ko) | 인공지능 기반의 사용자 의료정보 분석 방법 및 시스템 | |
| US20190362226A1 (en) | Facilitate Transfer Learning Through Image Transformation | |
| CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
| US20220292315A1 (en) | Accelerated k-fold cross-validation | |
| JP2023501103A (ja) | 人工知能の透明性 | |
| JP2011524578A (ja) | 反射率スペクトルのコンパクト表現 | |
| Akilandasowmya et al. | Skin cancer diagnosis: Leveraging deep hidden features and ensemble classifiers for early detection and classification | |
| CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
| CN107832228A (zh) | 一种测试用例约简方法、装置、设备及存储介质 | |
| JP7172351B2 (ja) | 文字列認識装置及び文字列認識プログラム | |
| Akbal et al. | Development of novel automated language classification model using pyramid pattern technique with speech signals | |
| JP2022062362A (ja) | 情報処理プログラム，情報処理装置および情報処理方法 | |
| JP2020095397A (ja) | 最適化装置、最適化プログラムおよび最適化方法 | |
| CN114743187A (zh) | 银行安全控件自动登录方法、系统、设备及存储介质 | |
| JP2023507344A (ja) | 患者音からの呼吸器疾患の診断 | |
| Szijártó et al. | Design of a Machine Learning System to Predict the Thickness of a Melanoma Lesion in a Non-Invasive Way from Dermoscopic Images | |
| US20230012430A1 (en) | Storage medium, model generation method, and information processing apparatus | |
| WO2019155579A1 (ja) | 特徴変換装置と方法及び記録媒体 | |
| JP2020191017A (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230707 |
|
| A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20240129 |