JP2014135066A - 情報処理装置及びその制御方法、コンピュータプログラム - Google Patents

Abstract

【課題】 推論装置を有効利用することを可能にするための技術を提供する。
【解決手段】 入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置は、予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と、推論条件を特定する複数のパラメータのうちのいずれか１つの選択をユーザから受け付ける受付手段とを備え、前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件の前記選択されたパラメータの値に応じて、前記推論結果を強調表示する。
【選択図】図１

Description

本発明は情報処理装置及びその制御方法、コンピュータプログラムに関し、特に、属性が既知のデータを学習し属性が未知のデータの属性を推論する推論技術に関する。

コンピュータを用いたデータ処理技術の一つとして、既知の事象から抽出した知識に基づいて、未知の事象を推論する推論技術が知られている。未知の事象を推論する推論装置の多くは、教師付き学習によって推論に用いる知識を得ている。教師付き学習とは、データの特性をあらわす特性値と共に求めたいデータの属性が与えられたデータ（すなわち、属性が既知であるデータ（既知データ））を用いて、属性と特性値との間の対応関係（知識）を学習する手法である。なお、特性値は「観測値」と呼ばれる場合もあり、データの属性は「クラス」や「ラベル」と呼ばれる場合もある。教師付き学習によって得られた知識を用いて、推論装置は、属性が未知のデータ（未知データ）に対して、その未知データの特性値から属性を推論する。従って、教師付き学習で得られた知識の良し悪しが、その知識を用いた推論装置の推論精度に大きく影響する。

従来の推論装置では、既知データの分布と未知データの分布が等しいことを前提にして教師付き学習を行っていた。それゆえ、十分多い数の既知データを用いて既知データの分布を正確に学習できれば、未知データの属性を精度良く推論できると考えられていた。

また、特許文献１には、推論手法の異なる複数の推論装置の推論結果を重み付けして融合することにより、単一の推論装置を用いた場合よりも適正な推論結果を取得することが記載されている。

一方、近年、医療分野では推論装置を用いて診断支援を行う試みがあり、例えば病変部の特性値を入力として、その属性（診断名など）を推論する技術が検討されている。

特開平０７−２８１８９８号公報

しかし、病変部の属性を推論するための推論装置を学習させるに当たって、十分な数の既知データが得られないことがある。さらに、医療機器の改良によって病変部の特性値の取得手法が変化したり、時代や環境の変化と共に病変自体の特性や発生確率が変化したりすることがある。こうした理由により、推論装置の学習結果は必ずしも十分なものとは限らず、かつ当初の推論精度がそのまま一定レベルで維持される保証もない。それゆえ、ユーザ（医師）は推論装置の推論結果をどの程度信用してよいかわからず、推論装置の推論結果は信用できないと考える医師もおり、推論装置を有効利用できないという課題があった。

上述の課題は、単に学習データ数を増やしたり、複数の推論装置を用いたりして、推論精度の向上を図るだけでは解決できない。上述の課題を解決するために、推論装置は、ユーザが推論結果の信頼性を判断できる情報を提示する必要がある。

本発明は上記課題に鑑みなされたものであり、推論装置を有効利用することを可能にするための技術を提供することを目的とする。

上記目的を達成するため、本発明による情報処理装置は以下の構成を備える。即ち、
入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置であって、
予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と、
推論条件を特定する複数のパラメータのうちのいずれか１つの選択をユーザから受け付ける受付手段と
を備え、
前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件の前記選択されたパラメータの値に応じて、前記推論結果を強調表示する。

本発明によれば、推論装置を有効利用することを可能にするための技術を提供することができる。

推論装置の機能構成を示すブロック図である。 推論装置の制御手順を示すフローチャートである。 推論装置の第一のＧＵＩ表示例を示す図である。 推論装置の第二のＧＵＩ表示例を示す図である。 推論装置のＧＵＩ表示例を示す図である。 推論装置の構成を示す機能ブロック図である。 推論装置の制御手順を示すフローチャートである。 推論装置のハードウェア構成を示すブロック図である。

以下、添付図面を参照して本発明の実施の形態を詳細に説明する。

［第１の実施形態］
（推論装置の機能構成）
図１は、第１の実施形態に係る推論装置の機能構成を示す機能ブロック図である。

推論装置１は、後述の制御を実行するためのコンピュータプログラムを、一般的なコンピュータ（情報処理装置）上で実行することにより実現できる。また、推論装置１は、後述の制御をハードウェア実装することにより実現できる。さらに、推論装置１は、後述の制御の一部をハードウェア実装し、他の一部をコンピュータプログラムとして実装し、ハードウェアとコンピュータプログラムからなるハイブリッド・システムを構築することによっても実現できる。

推論装置１は、制御部１０、入力部２０、推論部３０、記憶部４０、及び表示部５０を有する。制御部１０は、後述する制御手順により、推論装置１全体を制御する。図示を省略しているが、制御部１０はすべての処理部、処理要素と接続されている。制御部１０は、例えば後述するＣＰＵ９９０により実現することができる。

入力部２０は、制御部１０の制御に従い、推論対象データ（未知データ）の特性値や、推論装置１の制御に関わる推論結果の表示規則等の情報（制御パラメータ）を外部から推論装置１へと入力する。

推論部３０は、互いに異なる学習データまたは学習手法を用いて予め学習を行った複数の推論要素を有しており、図１の例では、推論要素３１〜３４を有している。推論要素３１〜３４のそれぞれは、制御部１０の制御に従い、入力部２０から入力した推論対象データの特性値（及び推論装置１の制御パラメータ）に基づき推論対象データの属性を推論し、推論結果を表示部５０に出力する。このとき、推論要素３１〜３４のそれぞれは互いに異なる学習をしているため、同じ特性値を入力しても、互いに異なる属性（推論結果）を出力する可能性がある。つまり、推論要素３１〜３４の各々は、互いに異なる推論条件を有しており、これにより推論精度も互いに異なる。なお、推論要素３１〜３４は物理的に異なるものである必要はなく、例えば、一台のコンピュータあるいはハードウェアを時分割で使用して、異なる推論結果を出す制御を行うことで実現してもよい。

記憶部４０は、複数の推論要素のそれぞれに対応する複数の記憶要素を有しており、図１の例では、推論要素３１〜３４のそれぞれに対応する記憶要素４１〜４４を有している。記憶要素４１〜４４は、推論要素３１〜３４のそれぞれを学習させる際に用いた学習データまたは学習手法に関する情報を記憶している。また、記憶部４０は、推論装置１の推論条件を特定する制御パラメータ等を記憶する記憶要素４５を有している。記憶部４０は、後述する外部記憶装置９９５やＲＡＭ９９２等のデータ記憶装置により実現することができる。なお、記憶要素４１〜４５は物理的に異なるものである必要はなく、１つのメモリ上に確保された異なる記憶領域であってもよい。

表示部５０は、制御部１０の制御に従い、推論装置１の制御パラメータである推論結果の表示規則に基づいて記憶要素４１〜４４の各々が記憶している情報を読み出し、これに基づき推論要素３１〜３４のそれぞれから入力した推論結果の表示手法を決定する。そして、決定した表示手法に基づいて、それぞれの推論結果を表示装置に表示する表示制御を行う。

例えば、推論要素３１〜３４のそれぞれが、予め下記の学習データを用いて学習した場合を想定する。
・推論要素３１：Ａ病院で過去２年間に蓄積された症例から得た学習データ
・推論要素３２：Ａ病院で過去１０年間に蓄積された症例から得た学習データ
・推論要素３３：Ｂ病院で過去２年間に蓄積された症例から得た学習データ
・推論要素３４：Ｂ病院で過去１０年間に蓄積された症例から得た学習データ
この場合、記憶要素４１〜４４のそれぞれには、例えば、下記の情報を記憶しておく。：
・記憶要素４１：Ａ病院で過去２年間に蓄積された症例から得た学習データ数Ｎ₃₁、及び推論要素３１の推論精度Ａ₃₁
・記憶要素４２：Ａ病院で過去１０年間に蓄積された症例から得た学習データ数Ｎ₃₂、及び推論要素３２の推論精度Ａ₃₂
・記憶要素４３：Ｂ病院で過去２年間に蓄積された症例から得た学習データ数Ｎ₃₃、及び推論要素３３の推論精度Ａ₃₃
・記憶要素４４：Ｂ病院で過去１０年間に蓄積された症例から得た学習データ数Ｎ₃₄、及び推論要素３４の推論精度Ａ₃₄
ここで、上記推論精度Ａ₃₁〜Ａ₃₄は、交差検定法やデータ分割法などの公知の評価手法を用いて、推論要素３１〜３４のそれぞれに対して予め計算しておく。

（推論装置のハードウェア構成）
図８は、本実施形態に係る推論装置１のハードウェア構成例を模式的に示すブロック図である。本実施形態に係る推論装置１は、例えば、パーソナルコンピュータ（ＰＣ）やワークステーション（ＷＳ）、モバイル端末、スマートフォン等で実現される。

図８において、ＣＰＵ９９０は中央演算処理装置であり、オペレーティングシステム（ＯＳ）やアプリケーションプログラム等に基づいて他の構成要素と協働し、推論装置１全体の動作を制御する。ＲＯＭ９９１は読み出し専用メモリであり、基本Ｉ／Ｏプログラム等のプログラム、基本処理に使用するデータ等を記憶する。ＲＡＭ９９２は書き込み可能メモリであり、ＣＰＵ９９０のワークエリア等として機能する。

外部記憶ドライブ９９３は記録媒体へのアクセスを実現し、メディア（記録媒体）９９４に記憶されたプログラム等を本システムにロードすることができる。メディア９９４には、例えば、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤ、ＵＳＢメモリ、フラッシュメモリ等が含まれる。外部記憶装置９９５は大容量メモリとして機能する装置であり、本実施形態ではハードディスク装置（以下、ＨＤと呼ぶ）を用いている。ＨＤ９９５には、ＯＳ、アプリケーションプログラム等が格納される。

指示入力装置９９６はユーザからの指示やコマンドの入力を受け付ける装置であり、キーボードやポインティングデバイス、タッチパネル等がこれに相当する。ディスプレイ９９７は、指示入力装置９９６から入力されたコマンドや、それに対する推論装置１の応答出力等を表示したりする表示装置である。インターフェイス（Ｉ／Ｆ）９９８は外部装置とのデータのやり取りを中継する装置である。システムバス９９９は、推論装置１内のデータの流れを司るデータバスである。

尚、以上の各装置と同等の機能を実現するソフトウェアにより、ハードウェア装置の代替として構成することもできる。

（推論装置の制御）
次に、図２のフローチャート、図３及び図４のＧＵＩ（グラフィカル・ユーザ・インタフェース）表示例を用いて、推論装置１の制御手法を説明する。説明の都合上、まず図３及び図４から先に説明する。

図３及び図４は、第１の実施形態に係る推論装置の第一及び第二のＧＵＩ表示例を示す図である。ＧＵＩは、入力部２０と表示部５０の機能を兼ね備えたユーザ・インタフェースである。以下では、ＧＵＩの各構成部品を説明する際に、コンピュータのＯＳ（オペレーティング・システム）として一般に普及している“Ｗｉｎｄｏｗｓ（登録商標）”で用いられている用語を用いる。

推論装置１は、ＧＵＩを用いて、推論条件を特定する複数のパラメータのうちのいずれか１つの選択をユーザから受け付ける受付処理を行う。具体的には、ユーザは、コンボボックス５１０を用いて、推論装置１の推論条件を特定する制御パラメータの一つである推論結果の表示規則を入力することができる。図３及び図４の例では、推論要素３１〜３４のそれぞれによる推論結果５３１〜５３４を円グラフで表示する際の円の半径を決める基準として、「学習データ数の多さ」または「推論精度の高さ」のいずれかを用いることが、表示規則となっている。コンボボックスの代わりに、リストボックス、エディットボックス、あるいはチェックボックスやラジオボタン等のボタンコントロールを用いることもできる。

また、ユーザは、スライダー５２１〜５２４を用いて、推論装置１の制御パラメータの一つである推論結果５３１〜５３４のそれぞれに対する重みを入力することができる。ユーザから入力された重みに基づき、表示部５０は推論結果の合成表示５３５を表示する。スライダーの代わりに、エディットボックスやスピンボタン等を利用して、重みを数値として入力することもできる。

図３及び図４はいずれも、画像診断支援における病変部の属性（診断名）の推論結果を表示した例である。診断名１〜３のそれぞれの確率（各診断名の確からしさ）は、円グラフ内の各扇形の中心角によって表されている。

（推論装置の制御手順）
図２は、第１の実施形態に係る推論装置の制御手順を示すフローチャートである。図２に示した処理は、すべて制御部１０によって制御される。

ステップＳ２０１において、制御部１０は推論装置１の制御パラメータの初期値を設定する。制御パラメータには、推論結果の表示規則の初期値や、推論結果５３１〜５３４に対する重みの初期値を含む。設定した制御パラメータの一部は、表示部５０に表示される。すなわち、推論結果の表示規則の初期値は、上述のコンボボックス５１０に表示される。また、推論結果５３１〜５３４に対する重みの初期値は、上述のスライダー５２１〜５２４に表示される。

ステップＳ２０２において、入力部２０は、推論対象データの特性値を取得し、推論要素３１〜３４のそれぞれに渡す。画像診断支援における病変部の属性（診断名）を推論する場合は、推論対象データである医用画像の画像特徴量や画像所見などが特性値となる。この画像特徴量は、既存の病変領域抽出手法を用いて抽出された異常領域に対して、既存の幾何学的特徴量や濃度特徴量などを計算することにより得ることができる。画像所見は、医師が読影時に発見した異常領域の画像特徴を医学用語を用いて記述した情報であり、医師が手動で入力する。

ステップＳ２０３において、推論要素３１〜３４のそれぞれは推論処理を実行し、それぞれの推論結果５３１〜５３４を得て、これを表示部５０に送信する。本実施形態では、推論結果５３ｎ（ｎ＝１〜４）として、診断名ｋ（ｋ＝１〜３）に対する確率Ｐ_3nkが得られるものとする。すなわち、Ｐ_3nkは、推論要素３ｎが推論した、診断名がｋである確率であり、Ｐ_3n1＋Ｐ_3n2＋Ｐ_3n3＝１である。上述の通り、各推論要素は異なる学習データまたは学習手法を用いて学習しているため、推論結果はそれぞれ異なるものとなる。

ステップＳ２０４において、入力部２０は、例えば上述のコンボボックス５１０を用いてユーザが指定した表示規則を取得する。なお、ステップＳ２０４の処理は、ユーザからの入力に応じて、いつでも実行してよい。任意のタイミングでステップＳ２０４を実行した後は、ステップＳ２０５以降の処理を実行する。あるいは、ユーザからの入力がなければステップＳ２０４を省略してよい。

ステップＳ２０５において、表示部５０は、記憶要素４１〜４４のそれぞれから表示規則に合った情報を読み出す。図３及び図４の例では、各推論要素の学習データ数または推論精度のいずれか一方を、指定された表示規則に応じて読み出す。すなわち、図３のように「学習データ数の多さ」が表示規則として指定されている場合には、学習データ数Ｎ₃₁〜Ｎ₃₄を読み出す。また、図４のように「推論精度の高さ」が表示規則として指定されている場合には、推論精度Ａ₃₁〜Ａ₃₄を読み出す。

ステップＳ２０６において、表示部５０は、ステップＳ２０５で読み出した情報に基づき、推論要素３１〜３４のそれぞれの推論結果５３１〜５３４を表示する。上述の通り、推論結果５３１〜５３４のそれぞれの円の半径は、学習データ数Ｎ₃₁〜Ｎ₃₄（図３の例）または推論精度Ａ₃₁〜Ａ₃₄（図４の例）に基づいて決定される。例えば、「推論精度の高さ」が表示規則として指定されている場合には、予め定めた半径の基準値（最大値）ｒ_maxに推論精度Ａ₃₁〜Ａ₃₄（０〜１の値）のそれぞれを乗算して半径を決定する。同様に、「学習データの多さ」が表示規則として指定されている場合には、ｒ_maxに正規化した学習データ数のそれぞれを乗算することで半径を決定する。ここで、学習データ数の正規化後の値は、例えば、Ｎ_3nの中の最大値Ｎ_maxを用いて、Ｎ_3n／Ｎ_maxで算出すればよい。これにより、推論結果５３１〜５３４のそれぞれの表示は、表示規則に基づいて規則的に変更される。

このように、本実施形態では、複数の推論条件について、ユーザから選択された制御パラメータ（例えば、学習データ数、推論精度）の値に応じて、推論結果を強調表示する。このため、ユーザは、選択した制御パラメータと推論結果との関係を容易に把握することが可能となる。また、本実施形態では、推論条件ごとに推論結果をグラフにより表示し、各推論条件について、ユーザにより選択された制御パラメータの値に応じて、当該推論条件に対応するグラフの全体の大きさを設定することにより、推論結果を強調表示する。このため、ユーザは選択した制御パラメータと推論結果との関係を一見して理解することができる。また、本実施形態では、推論条件ごとに、推論結果の表示の近傍に、当該推論条件を示す情報（例えば、病院名、学習データを取得した期間）を表示する。このため、ユーザは、各推論結果がどのような条件で推論されたのかを容易に知ることができる。

ステップＳ２０７において、入力部２０は、例えば上述のスライダー５２１〜５２４を用いて、ユーザが指定した推論結果５３１〜５３４のそれぞれに対する重み（重み３１〜３４）を取得する。そして、重みの総和が１となるように各重みを正規化する。なお、以下の説明では、本ステップで得たそれぞれの推論結果５３ｎ（ｎ＝１〜４）の重み３ｎの正規化後の値を、Ｗ_3nと表記する。なお、ステップＳ２０７の処理は、ユーザからの入力に応じて、いつでも実行してよい。任意のタイミングでステップＳ２０７を実行した後は、ステップＳ２０８を実行する。あるいは、ユーザからの入力がなければステップＳ２０７における重みの入力を省略してよい。

ステップＳ２０８において、表示部５０は、以下の計算手法により推論結果５３１〜５３４を合成し、合成結果５３５を表示する。まず、表示部５０は、合成結果５３５の診断名ｋ（ｋ＝１〜３）に対する確率Ｐ_kを、［数１］を用いて計算する。
［数１］
Ｐ_k＝Ｗ₃₁＊Ｐ_31k＋Ｗ₃₂＊Ｐ_32k＋Ｗ₃₃＊Ｐ_33k＋Ｗ₃₄＊Ｐ_34k
この結果得られるＰ_k値は、Ｐ₁＋Ｐ₂＋Ｐ₃＝１となる。こうして得られたＰ_k値に基づいて、表示部５０は、合成結果５３５の円グラフ内の各扇形の中心角を決定する。なお、合成結果５３５の円グラフの半径は、予め決めた大きさ（固定値）でよい。

このように、本実施形態では、各推論条件に割り当てる重みをユーザに選択させ、各推論条件の推論結果に対してこの重みで重み付けをして、複数の推論条件における推論結果を合成して表示する。このため、ユーザは、知識や経験、ノウハウなどに基づいて、各推論結果の重みを適切に選択して精度の高い推論結果を得ることが可能となる。

ステップＳ２０９において、制御部１０は、入力部２０が取得したユーザからの指示に従い、推論装置１の処理を終了するか否かの判定を行う。そして、終了しないと判定した場合はステップＳ２０４以降の処理を再度実行し、終了すると判定した場合は推論装置１の処理を終了する。

上記の手順によって、推論装置１の処理が実行される。

以上のようにして、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。

さらに、不図時の画面表示等によって、予めユーザに各推論結果の違いの原因（学習データまたは学習手法の違い）を知らせておいてもよい。あるいは、不図時の画面表示等によって、いつでもユーザが複数の推論結果の違いの原因を確認できるようにしておいてもよい。これにより、ユーザは、各推論結果に違いが生じる原因についてより深い考察ができるため、複数の推論結果の重要度をより詳細に判断できる。上述の例で言えば、例えば、あるユーザはＡ病院で働いており、Ｂ病院の症例データよりもＡ病院の症例データを重視しているとする。さらに、Ａ病院では３年前に画像撮影装置が入れ替えられたため、過去１０年間の症例データよりも過去２年間の症例データの方が信頼できると、そのユーザは判断したとする。こうした場合、表示規則で選択した基準に最も合う推論結果に大きな重みを与えるだけでなく、Ａ病院の過去２年間の症例データから学習した推論結果にも比較的大きな重みを与える、といったこともできるため、ユーザの深い考察を補助することができる。

［第２の実施形態］
第１の実施形態では、各推論要素の信頼性に係る情報（図３、４の各円グラフの半径）を、データ属性（診断名）によって区別することなく表示していた。第２の実施形態に係る推論装置は、各推論要素の信頼性に係る情報を、各推論要素の学習データの属性ごとに表示することを特徴とする。

本実施形態に係る推論装置の構成は第１の実施形態と同様である。ただし、記憶部４０が保持するデータの内容と、表示部５０による表示の処理が異なっている。以下、本実施形態に係る推論装置について、第１の実施形態との相違部分についてのみ説明する。

図５は、本実施形態に係る推論装置のＧＵＩ表示例を示す図である。

ＧＵＩの画面構成は、図３、４と同様である。図３、４と異なる点は、推論結果５３１〜５３４及び合成結果５３５のグラフの表示手法である。

図５では、診断名ごとに扇形の半径を変えている。この表示手法を実現するため、記憶要素４１〜４４のそれぞれは、推論要素３１〜３４のそれぞれを学習させる際に用いた学習データまたは学習手法に関する情報として、以下の様に診断名ごとに分けた情報を予め記憶している。
○記憶要素４１：Ａ病院で過去２年間に蓄積された症例から得た情報として、
・診断名１の属性を持つ学習データ数Ｎ₃₁₁
・診断名２の属性を持つ学習データ数Ｎ₃₁₂
・診断名３の属性を持つ学習データ数Ｎ₃₁₃
・診断名１の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₁₁
・診断名２の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₁₂
・診断名３の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₁₃
○記憶要素４２：Ａ病院で過去１０年間に蓄積された症例から得た情報として、
・診断名１の属性を持つ学習データ数Ｎ₃₂₁
・診断名２の属性を持つ学習データ数Ｎ₃₂₂
・診断名３の属性を持つ学習データ数Ｎ₃₂₃
・診断名１の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₂₁
・診断名２の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₂₂
・診断名３の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₂₃
○記憶要素４３：Ｂ病院で過去２年間に蓄積された症例から得た情報として、
・診断名１の属性を持つ学習データ数Ｎ₃₃₁
・診断名２の属性を持つ学習データ数Ｎ₃₃₂
・診断名３の属性を持つ学習データ数Ｎ₃₃₃
・診断名１の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₃₁
・診断名２の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₃₂
・診断名３の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₃₃
○記憶要素４４：Ｂ病院で過去１０年間に蓄積された症例から得た情報として、
・診断名１の属性を持つ学習データ数Ｎ₃₄₁
・診断名２の属性を持つ学習データ数Ｎ₃₄₂
・診断名３の属性を持つ学習データ数Ｎ₃₄₃
・診断名１の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₄₁
・診断名２の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₄₂
・診断名３の属性を持つテストデータに対する推論要素３１の推論精度Ａ₃₄₃
本実施形態に係る推論装置１の制御手順も、第１の実施形態と同様に、図２のフローチャートで示される。ただし、ステップＳ２０５、Ｓ２０６及びＳ２０８が、それぞれ以下の様に修正される。

ステップＳ２０５において、表示部５０は、記憶要素４１〜４４のそれぞれから表示規則に合った情報を読み出す。図５の例では、「推論精度の高さ」が表示規則として指定されているので、推論精度Ａ₃₁₁〜Ａ₃₁₃、Ａ₃₂₁〜Ａ₃₂₃、Ａ₃₃₁〜Ａ₃₃₃、Ａ₃₄₁〜Ａ₃₄₃を読み出す。一方、「学習データの多さ」が表示規則として指定されている場合には、学習データ数Ｎ₃₁₁〜Ｎ₃₁₃、Ｎ₃₂₁〜Ｎ₃₂₃、Ｎ₃₃₁〜Ｎ₃₃₃、Ｎ₃₄₁〜Ｎ₃₄₃を読み出せばよい。

ステップＳ２０６において、表示部５０は、ステップＳ２０５で読み出した情報に基づき、推論要素３１〜３４のそれぞれの推論結果５３１〜５３４を表示する。推論結果５３ｎ（ｎ＝１〜４）の診断名ｋ（ｋ＝１〜３）の扇形の半径（ｒ_3nkとする）は、推論精度Ａ_3nkに基づいて決定する。あるいは、診断名ｋの扇形の半径は、表示規則によっては学習データ数Ｎ_3nkに基づいて決定してもよい。推論結果５３ｎの診断名ｋの扇形の中心角は、推論結果５３ｎの診断名ｋの確率Ｐ_3nkに基づいて決定する。これにより、推論結果５３１〜５３４のそれぞれの表示は、表示規則に基づいて規則的に変更される。

ステップＳ２０８において、表示部５０は、以下の計算手法により推論結果５３１〜５３４を合成し、合成結果５３５を表示する。

合成結果５３５の診断名ｋに対する確率Ｐ_kは、上述の［数１］を用いて計算する。こうして得られたＰ_k値に基づいて、表示部５０は、合成結果５３５の各扇形の中心角を決定する。一方、合成結果５３５の診断名ｋに対する扇形の半径（ｒ_kとする）は、［数２］を用いて計算する。
［数２］
ｒ_k＝Ｗ₃₁＊ｒ_31k＋Ｗ₃₂＊ｒ_32k＋Ｗ₃₃＊ｒ_33k＋Ｗ₃₄＊ｒ_34k
以上のように、本実施形態では、各推論条件について、属性ごとに、当該属性に対応する予め与えられた制御パラメータの値に応じて、推論結果を強調表示する。このため、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をデータ属性（診断名）ごとにユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。

［第３の実施形態］
第１及び第２の実施形態では、各推論要素の信頼性に係る情報（図３、４の各円グラフの半径または図５の各扇形の半径）を、表示規則と、各記憶要素が記憶する情報（学習データ数または推論精度）に基づいて決めていた。各記憶要素が記憶する情報は、各推論装置の学習時に求めておいた情報である。従って、表示規則を変更せず、各推論装置の再学習も行わなければ、推論対象データの特性値に関わらず、推論要素の信頼性に係る情報は変更されなかった。第３の実施形態に係る推論装置は、推論対象データに応じて各推論要素の信頼性に係る情報を動的に求め、これを表示することを特徴とする。具体的には、入力データが属する属性を推論するために用いられる学習データのうち入力データに類似する学習データを判定する。そして、当該類似する学習データの、数、又は、当該学習データを用いた推論の推論精度を制御パラメータとして推論結果を強調表示する。

（推論装置の構成）
図６は、第３の実施形態に係る推論装置の構成を示す機能ブロック図である。

制御部１０、入力部２０、推論部３０及び表示部５０は、図１を参照して説明したものと同様の機能を有する。以下、本実施形態に係る推論装置について、第１の実施形態との相違部分についてのみ説明する。

記憶部４０は、推論要素３１〜３４のそれぞれに対応する記憶要素４１〜４４を有している。各記憶要素は、対応する推論要素を学習させる際に用いた既知データに関する情報を記憶している。既知データに関する情報には、それぞれの既知データの特性値、属性、及び対応する推論要素による既知データの推論結果（既知データの属性を正しく推論できたか否かの情報）が含まれる。また、記憶部４０は、推論装置１の制御パラメータ等を記憶する記憶要素４５を有している。なお、記憶要素４１〜４５は物理的に異なるものである必要はなく、１つのメモリ上に確保された異なる記憶領域であってもよい。あるいは、記憶要素４１〜４５の代わりに、不図示の通信回線またはネットワークを介して推論装置１と接続された、不図示のデータベースまたは外部記憶装置を用いてもよい。

類似データ検索部６０は、推論要素３１〜３４及び記憶要素４１〜４４のそれぞれに対応する類似データ検索要素６１〜６４を有している。類似データ検索要素６１〜６４はそれぞれ、入力された推論対象データの特性値に類似する特性値を有する既知データを検索する。

計算部７０は、類似データ検索要素６１〜６４のそれぞれに対応する計算要素７１〜７４を有している。計算部７０は、検索された既知データから、表示規則（制御パラメータ）に基づく情報を計算する。

（推論装置の制御手順）
次に、図７のフローチャートを用いて、本実施形態に係る推論装置１の制御手順を説明する。ただし、図２と同じステップ番号を記した処理（Ｓ２０１、Ｓ２０３、Ｓ２０４、及びＳ２０６〜Ｓ２０９）は、図２を参照して説明したものと同じ制御を行うので、説明を省略する。以下、図２と異なる処理であるＳ７０１〜Ｓ７０３について説明する。

ステップＳ７０１において、入力部２０は、推論対象データの特性値を取得し、推論要素３１〜３４のそれぞれと、後述の類似データ検索要素６１〜６４のそれぞれに渡す。

ステップＳ７０２において、類似データ検索要素６１〜６４は、それぞれ対応する記憶要素４１〜４４に記憶されているすべての既知データの特性値と、入力部２０から渡された推論対象データの特性値とを比較する。そして、公知の類似データ検索技術を用いることにより、複数の類似データを得る。公知の類似データ検索技術では、推論対象データの特性値と、比較相手となる既知データの特性値との間の距離（各特性値をそれぞれ多次元ベクトルと見なした時のベクトル間距離）が近いデータを類似データとする。類似データの選択手法には、例えば、推論対象データとの距離（類似度）が近い順に所定数に達するまで類似データを選択する手法と、推論対象データとの距離（類似度）が予め決めた閾値以下の類似データをすべて選択する手法がある。以下では、類似データ検索要素６１〜６４は、いずれも後者の手法（閾値以下の距離にある類似データをすべて選択する手法）を用いて複数の類似データを得たものとして説明を続ける。

ステップＳ７０３において、計算要素７１〜７４は、それぞれ対応する類似データ検索要素６１〜６４によって得られた複数の類似データから、表示規則に基づく情報を計算する。例えば、第一の表示規則を、類似データのデータ数の多さ、第二の表示規則を、類似データに対する推論精度の高さ、とする。第一の表示規則が選ばれている場合、計算要素７１〜７４のそれぞれは、検索結果として得られた複数の類似データの個数を計数する。そして、この値を、予め定めた所定の値を用いて正規化する。

一方、第二の表示規則が選ばれている場合、計算要素７１〜７４のそれぞれは、まず、検索結果として得られた複数の類似データの一つ一つについて推論結果（既知データの属性を正しく推論できたか否かの情報）を調べる。ここで、類似データの推論結果は、計算要素７１〜７４のそれぞれに対応する記憶要素４１〜４４から読み出す。次に、計算要素７１〜７４のそれぞれは、読み出した複数の類似データの推論結果における正解の割合、すなわち類似データに対する推論精度を計算する。

この後、ステップＳ２０６以下の処理を実行することにより、図３、４、５のＧＵＩに例示した様な表示が行われる。なお、各推論要素の信頼性に係る情報（図３、４の各円グラフの半径または図５の各扇形の半径）は、表示規則と、推論対象データ（及び既知データ）から導かれる情報（類似データ数または類似データに対する推論精度）に応じて変化する情報として表示される。

以上のようにして、複数の推論要素から得られた推論結果の違いを、推論対象データの類似データ数または類似データに対する推論精度に基づいてユーザにわかりやすく表示するため、各推論要素の推論結果の信頼性をユーザが自ら判断できる。さらに、複数の推論要素から得られた推論結果を、ユーザが自由に重み付けして合成できるため、ユーザにとって信頼性の高い合成結果を得ることができる。それゆえ、ユーザが本実施形態に係る推論装置を有効利用できるようになる。

（変形例１）
図３、４、５では、表示規則に基づいて円グラフまたは扇形図形の半径を変更することにより、複数の推論結果の違いとその原因をユーザにわかりやすく表示したが、これに限られない。すなわち、他のグラフ表示や文字表示を用いても、表示規則に基づいた表示手法の変更をすることができる。例えば、棒グラフを用いる場合、表示規則に基づいて棒グラフの棒の属性（幅や高さの最大値など）を規則的に変更すればよい。また、例えば、文字表示を用いる場合、表示規則に基づいて文字属性（フォントサイズや文字色など）を規則的に変更すればよい。さらに、任意のグラフ表示または文字表示において、表示規則に合致する順に推論結果を並べてもよい。

上記のように、本発明に係る推論装置によれば、複数の推論要素から得られた推論結果の違いとその違いが生じた理由をユーザにわかりやすく表示できるため、各推論要素の推論結果の信頼性をユーザが自ら判断できるという効果がある。それゆえ、ユーザが推論装置を有効利用できるようになるという効果がある。

＜＜その他の実施形態＞＞
また、本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（またはＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

上記の目的を達成するため、本発明による情報処理装置は以下の構成を備える。即ち、
入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置であって、
予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と
を備え、
前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件を特定するパラメータの値に応じて、前記推論結果を強調表示する。

Claims (11)

1. 入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置であって、
   予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御手段と、
   推論条件を特定する複数のパラメータのうちのいずれか１つの選択をユーザから受け付ける受付手段と
   を備え、
   前記表示制御手段は、前記複数の推論条件の各々について、当該推論条件の前記選択されたパラメータの値に応じて、前記推論結果を強調表示する
   ことを特徴とする情報処理装置。
2. 前記表示制御手段は、
   前記複数の推論条件ごとに前記推論結果をグラフにより表示し、
   前記複数の推論条件の各々について、当該推論条件の前記選択されたパラメータの値に応じて、当該推論条件に対応する前記グラフの全体の大きさを設定することにより、前記推論結果を強調表示する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記複数の推論条件の各々に割り当てる重みをユーザに選択させる選択手段と、
   前記複数の推論条件ごとに推論された前記推論結果の各々に対して前記選択された重みで重み付けをして、前記複数の推論条件における推論結果を合成する合成手段と
   を更に備え、
   前記表示制御手段は、さらに、前記合成された推論結果を前記表示手段に表示する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記表示制御手段は、前記複数の推論条件ごとに、前記推論結果の表示の近傍に、当該推論条件を特定する情報を表示することを特徴とする請求項１から３のいずれか１項に記載の情報処理装置。
5. 前記表示制御手段は、前記複数の推論条件の各々について、前記複数の属性ごとに、当該属性に対応する予め与えられたパラメータの値に応じて、前記推論結果を強調表示することを特徴とする請求項１から４のいずれか１項に記載の情報処理装置。
6. 前記推論条件を特定する複数のパラメータには、前記入力データが属する属性を推論するために用いられる学習データの数が含まれることを特徴とする請求項１から５のいずれか１項に記載の情報処理装置。
7. 前記推論条件を特定する複数のパラメータには、当該推論条件による推論の推論精度が含まれることを特徴とする請求項１から６のいずれか１項に記載の情報処理装置。
8. 前記表示制御手段は、
   前記推論条件において、前記入力データが属する属性を推論するために用いられる学習データのうち前記入力データに類似する学習データの、数と、当該学習データを用いた前記推論の推論精度とのいずれかを前記パラメータとして前記推論結果を強調表示することを特徴とする請求項１から５のいずれか１項に記載の情報処理装置。
9. 前記入力データが属する属性をそれぞれ異なる推論条件で推論する複数の推論手段をさらに備え、
   前記表示制御手段は、前記複数の推論手段がそれぞれ推論した推論結果を前記表示手段に表示する
   ことを特徴とする請求項１から８のいずれか１項に記載の情報処理装置。
10. 入力データが属する属性を複数の推論条件でそれぞれ推論した結果を表示手段に表示する情報処理装置の制御方法であって、
    受付手段が、推論条件を特定する複数のパラメータのうちのいずれか１つの選択をユーザから受け付ける受付工程と、
    表示制御手段が、予め定められた複数の属性の各々について、前記入力データが当該属性に属する確率を前記複数の推論条件でそれぞれ推論した推論結果を、推論条件ごとに前記表示手段に表示する表示制御工程と
    を有し、
    前記表示制御工程においては、前記複数の推論条件の各々について、当該推論条件の前記選択されたパラメータの値に応じて、前記推論結果を強調表示する
    ことを特徴とする情報処理装置の制御方法。
11. コンピュータを請求項１から９のいずれか１項に記載の情報処理装置が備える各手段として機能させるためのコンピュータプログラム。

Images