JP2016006617A - 学習装置、学習方法及び学習プログラム - Google Patents
学習装置、学習方法及び学習プログラム Download PDFInfo
- Publication number
- JP2016006617A JP2016006617A JP2014127414A JP2014127414A JP2016006617A JP 2016006617 A JP2016006617 A JP 2016006617A JP 2014127414 A JP2014127414 A JP 2014127414A JP 2014127414 A JP2014127414 A JP 2014127414A JP 2016006617 A JP2016006617 A JP 2016006617A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- coefficient
- weighting
- weighting factor
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 44
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000013500 data storage Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 16
- 238000012937 correction Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
まず、図1〜図2を用いて、実施形態に係る学習処理の一例について説明する。図1〜図2は、実施形態に係る学習装置による学習処理の一例を示す説明図である。図1〜図2の例では、学習装置100によってデータの特徴を識別可能なDNNに含まれるノード間の重み係数を学習する学習処理が行われる例を示す。
次に、図3を用いて、実施形態に係る学習装置100の構成について説明する。図3は、実施形態に係る学習装置100の構成例を示す図である。図3に示すように、学習装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、学習装置100は、学習装置100を利用する管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
通信部110は、例えば、NIC等によって実現される。かかる通信部110は、ネットワークと有線又は無線で接続され、ネットワークを介して、各種のサーバ装置や端末装置やノードとの間で情報の送受信を行う。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部120は、学習データ記憶部121と、第1の重み係数記憶部122と、第2の重み係数記憶部123と、対応情報記憶部124と、線形結合係数記憶部125とを有する。
学習データ記憶部121は、学習器の学習に用いる学習データに関する情報を記憶する。具体的には、学習データ記憶部121は、所定の特徴を学習する学習器に入力する学習データを記憶する。例えば、学習データ記憶部121は、複数の学習データを順番と対応付けて記憶する。ここで、図4に、実施形態に係る学習データ記憶部の一例を示す。図4に示すように、学習データ記憶部121は、「学習データ番号」、「学習データ」といった項目を有する。
第1の重み係数記憶部122は、学習器に含まれるノード間の重み係数を記憶する。具体的には、第1の重み係数記憶部122は、既に所定の特徴を学習済みの学習器に含まれるノード間の重み係数を記憶する。例えば、第1の重み係数記憶部122は、学習器に含まれる各ノード間の重み係数をそれぞれ記憶する。ここで、図5に、実施形態に係る第1の重み係数記憶部の一例を示す。図5に示すように、第1の重み係数記憶部122は、「第1の重み係数」といった項目を有する。
第2の重み係数記憶部123は、学習器に含まれるノード間の重み係数を記憶する。具体的には、第2の重み係数記憶部123は、第1の重み係数記憶部122に記憶された重み係数のうち所定の第1の重み係数を変形した第2の重み係数を記憶する。例えば、第2の重み係数記憶部123は、過学習が起こりやすい第1の重み係数に複数個の乱数を加算した複数個の第2の重み係数をそれぞれ記憶する。ここで、図6に、実施形態に係る第2の重み係数記憶部の一例を示す。図6に示すように、第2の重み係数記憶部123は、「係数番号」と、「第2の重み係数」といった項目を有する。
対応情報記憶部124は、学習データと第2の重み係数との間の対応関係を記憶する。具体的には、対応情報記憶部124は、学習器に学習データを入力した場合に出力される出力データと学習データとの間の識別誤差に基づいて学習データと対応する第2の重み係数を特定し、特定した第2の重み係数を学習データと対応付けて記憶する。例えば、対応情報記憶部124は、学習器に学習データを入力した場合に出力される出力データと学習データとの間の識別誤差が最小となる第2の重み係数の係数番号と対応付けて学習データ番号を記憶する。ここで、図7に、実施形態に係る対応情報記憶部の一例を示す。図7に示すように、対応情報記憶部124は、「学習データ番号」と、「第2の重み係数番号」といった項目を有する。
線形結合係数記憶部125は、線形結合係数を記憶する。具体的には、線形結合係数記憶部125は、第2の重み係数記憶部123に記憶された第2の重み係数の線形結合係数を記憶する。例えば、線形結合係数記憶部125は、第2の重み係数と対応付けて線形結合係数を記憶する。ここで、図8に、実施形態に係る線形結合係数記憶部の一例を示す。図8に示すように、線形結合係数記憶部125は、「第2の重み係数」と、「線形結合係数」といった項目を有する。
制御部130は、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、学習装置100内部の記憶装置に記憶されている各種プログラム(学習プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
生成部131は、第2の重み係数を生成する。具体的には、生成部131は、入力データに対する演算結果を出力する複数のノードを接続した学習器であって所定の特徴を学習済みの学習器に含まれる複数のノード間に設定された所定の第1の重み係数を変形して複数の第2の重み係数を生成する。例えば、生成部131は、第1の重み係数に攪乱を加えることで第2の重み係数を生成する。
対応付け部132は、学習データを第2の重み係数と対応付ける。具体的には、対応付け部132は、生成部131によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと学習データとの間の誤差に基づいて学習データと対応する第2の重み係数を特定し、特定した第2の重み係数を学習データと対応付ける。例えば、対応付け部132は、各学習器に学習データを入力した場合に出力される各出力データと学習データとの間の誤差のうち誤差が最小となる出力データを出力する学習器に設定された第2の重み係数と対応付ける。
学習部133は、学習器(例えば、DNN)に含まれるノード間の重み係数の学習を行う。具体的には、学習部133は、生成部131によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと当該学習データとの間の誤差に基づいて当該学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて第2の重み係数を学習する。例えば、学習部133は、各出力データと学習データとの間の誤差のうち誤差が最小となる出力データを出力する学習器に設定された第2の重み係数を、かかる学習データを用いて学習する。
次に、図9及び図10を用いて、実施形態に係る学習装置100による学習処理の手順について説明する。まず、図9を用いて、学習装置100が学習データと重み係数を対応付ける対応付け処理について説明する。図9は、実施形態に係る学習装置100による対応付け処理手順を示すフローチャートである。
上述した実施形態に係る学習装置100は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の学習装置100の他の実施形態について説明する。
上記実施形態では、学習装置100は、生成部131によって生成された第2の重み係数が設定された各学習器に学習データ(例えば、多数の話者による多数の発話データ)を入力した場合に出力される各出力データと学習データとの間の誤差に基づいて学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて第2の重み係数を学習する例を示した。ここで、学習装置100は、学習データの話者をクラスタリングし、クラスタに依存する重み係数である依存係数とクラスタに依存しない重み係数である非依存係数(例えば、共通係数)を学習してもよい。
上記変形例では、学習装置100は、第2の重み係数として、第1の重み係数を分割して分類に依存する依存係数と依存しない非依存係数とを生成し、依存係数に対応する分類に属する学習データを用いて依存係数を学習し、また、全学習データを用いて非依存係数を学習する例を示した。ここで、学習装置100は、新規学習データ(例えば、新しいドメインの学習データ)を用いて学習を行ってもよい。
上記実施形態では、学習装置100は、3つの層によって構成される学習器の学習を行う例を示した。ここで、学習装置100は、上述した例に限らず、任意の数の層によって構成された学習器の学習を行ってもよい。例えば、学習装置100は、中間層に複数のニューロン群が含まれる多段のDNNである学習器の学習を行う。また、学習器に含まれるニューロン群は、上述した例に限らず、任意の数のニューロンによって構成されてもよい。
上記実施形態では、学習装置100は、音声データを識別する音声認識の適用例を示した。ここで、学習装置100は、音声認識に限らず、各種の認識に適用してもよい。例えば、学習装置100は、画像を対象とする画像認識に適用する。これにより、学習装置100は、画像データを入力データとして入力することで、画像に描出された被写体を識別することができる。例えば、学習装置100は、画像に写る物体が属するカテゴリを識別することができる。
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上述してきた実施形態に係る学習装置100は、例えば図12に示すような構成のコンピュータ1000によって実現される。以下、学習装置100を例に挙げて説明する。図12は、学習装置100の機能を実現するコンピュータ1000の一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、およびメディアインターフェイス(I/F)1700を有する。
上述してきたように、実施形態に係る学習装置100は、生成部131と、学習部133とを有する。生成部131は、入力データに対する演算結果を出力する複数のノードを接続した学習器であって所定の特徴を学習済みの学習器に含まれる複数のノード間に設定された所定の第1の重み係数を変形して複数の第2の重み係数を生成する。学習部133は、生成部131によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと学習データとの間の誤差に基づいて学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて第2の重み係数を学習する。
121 学習データ記憶部
122 第1の重み係数記憶部
123 第2の重み係数記憶部
124 対応情報記憶部
125 線形結合係数記憶部
131 生成部
132 対応付け部
133 学習部
Claims (8)
- 入力データに対する演算結果を出力する複数のノードを接続した学習器であって所定の特徴を学習済みの学習器に含まれる前記複数のノード間に設定された所定の第1の重み係数を変形して複数の第2の重み係数を生成する生成部と、
前記生成部によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと当該学習データとの間の誤差に基づいて当該学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて当該第2の重み係数を学習する学習部と
を備えたことを特徴とする学習装置。 - 前記生成部は、
前記第2の重み係数として、前記第1の重み係数を分割して分類に依存する依存係数と依存しない非依存係数とを生成し、
前記学習部は、
前記依存係数に対応する分類に属する学習データを用いて前記依存係数を学習し、また、全学習データを用いて前記非依存係数を学習する
ことを特徴とする請求項1に記載の学習装置。 - 前記学習部は、
前記第2の重み係数のうち分類に依存する依存係数に対応する新規学習データを用いて当該依存係数を学習する
ことを特徴とする請求項1または2に記載の学習装置。 - 前記学習部は、
前記学習データを用いて、前記第2の重み係数の線形結合を示す線形結合係数を学習する
ことを特徴とする請求項1〜3のいずれか一つに記載の学習装置。 - 前記生成部は、
前記第1の重み係数に攪乱を加えることで前記第2の重み係数を生成する
ことを特徴とする請求項1〜4のいずれか一つに記載の学習装置。 - 前記学習部は、
前記各出力データと前記学習データとの間の誤差のうち誤差が最小となる出力データを出力する学習器に設定された第2の重み係数を、当該学習データを用いて学習する
ことを特徴とする請求項1〜5のいずれか一つに記載の学習装置。 - 学習装置が実行する学習方法であって、
入力データに対する演算結果を出力する複数のノードを接続した学習器であって所定の特徴を学習済みの学習器に含まれる前記複数のノード間に設定された所定の第1の重み係数を変形して複数の第2の重み係数を生成する生成工程と、
前記生成工程によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと当該学習データとの間の誤差に基づいて当該学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて当該第2の重み係数を学習する学習工程と
を含んだことを特徴とする学習方法。 - 入力データに対する演算結果を出力する複数のノードを接続した学習器であって所定の特徴を学習済みの学習器に含まれる前記複数のノード間に設定された所定の第1の重み係数を変形して複数の第2の重み係数を生成する生成手順と、
前記生成手順によって生成された第2の重み係数が設定された各学習器に学習データを入力した場合に出力される各出力データと当該学習データとの間の誤差に基づいて当該学習データと対応する第2の重み係数を特定し、特定した第2の重み係数と対応する学習データを用いて当該第2の重み係数を学習する学習手順と
をコンピュータに実行させることを特徴とする学習プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014127414A JP6195542B2 (ja) | 2014-06-20 | 2014-06-20 | 学習装置、学習方法及び学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014127414A JP6195542B2 (ja) | 2014-06-20 | 2014-06-20 | 学習装置、学習方法及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016006617A true JP2016006617A (ja) | 2016-01-14 |
JP6195542B2 JP6195542B2 (ja) | 2017-09-13 |
Family
ID=55225015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014127414A Active JP6195542B2 (ja) | 2014-06-20 | 2014-06-20 | 学習装置、学習方法及び学習プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6195542B2 (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020049994A1 (ja) * | 2018-09-03 | 2020-03-12 | パナソニックIpマネジメント株式会社 | 電子密度推定方法、電子密度推定装置、及び電子密度推定プログラム |
JP6812034B1 (ja) * | 2020-02-01 | 2021-01-13 | Assest株式会社 | 為替取引情報表示プログラム |
JP2021515930A (ja) * | 2018-03-07 | 2021-06-24 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム |
JP2021125219A (ja) * | 2020-02-01 | 2021-08-30 | Assest株式会社 | 不正株取引検出プログラム |
JP2022024431A (ja) * | 2020-07-28 | 2022-02-09 | ニチコン株式会社 | 電解コンデンサ用電極箔およびその製造方法 |
US11288550B2 (en) | 2018-01-30 | 2022-03-29 | Fujifilm Corporation | Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program |
US11488023B2 (en) | 2018-03-28 | 2022-11-01 | Fujitsu Limited | Adaptability calculation method, adaptability calculation device, identification method, identification device, and computer-readable recording medium |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10254846A (ja) * | 1997-03-14 | 1998-09-25 | Nippon Telegr & Teleph Corp <Ntt> | 回帰型神経回路網の学習方法 |
-
2014
- 2014-06-20 JP JP2014127414A patent/JP6195542B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10254846A (ja) * | 1997-03-14 | 1998-09-25 | Nippon Telegr & Teleph Corp <Ntt> | 回帰型神経回路網の学習方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288550B2 (en) | 2018-01-30 | 2022-03-29 | Fujifilm Corporation | Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program |
US11829886B2 (en) | 2018-03-07 | 2023-11-28 | International Business Machines Corporation | Epistemic and aleatoric deep plasticity based on sound feedback |
JP7233807B2 (ja) | 2018-03-07 | 2023-03-07 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム |
JP2021515930A (ja) * | 2018-03-07 | 2021-06-24 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム |
US11488023B2 (en) | 2018-03-28 | 2022-11-01 | Fujitsu Limited | Adaptability calculation method, adaptability calculation device, identification method, identification device, and computer-readable recording medium |
WO2020049994A1 (ja) * | 2018-09-03 | 2020-03-12 | パナソニックIpマネジメント株式会社 | 電子密度推定方法、電子密度推定装置、及び電子密度推定プログラム |
CN112119466A (zh) * | 2018-09-03 | 2020-12-22 | 松下知识产权经营株式会社 | 电子密度推定方法、电子密度推定装置及电子密度推定程序 |
JP7442055B2 (ja) | 2018-09-03 | 2024-03-04 | パナソニックIpマネジメント株式会社 | 電子密度推定方法、電子密度推定装置、及び電子密度推定プログラム |
CN112119466B (zh) * | 2018-09-03 | 2024-03-22 | 松下知识产权经营株式会社 | 电子密度推定方法、电子密度推定装置及电子密度推定程序 |
JP2021125219A (ja) * | 2020-02-01 | 2021-08-30 | Assest株式会社 | 不正株取引検出プログラム |
JP2021124800A (ja) * | 2020-02-01 | 2021-08-30 | Assest株式会社 | 為替取引情報表示プログラム |
WO2021153547A1 (ja) * | 2020-02-01 | 2021-08-05 | Assest株式会社 | 為替取引情報表示プログラム |
JP6812034B1 (ja) * | 2020-02-01 | 2021-01-13 | Assest株式会社 | 為替取引情報表示プログラム |
JP2022024431A (ja) * | 2020-07-28 | 2022-02-09 | ニチコン株式会社 | 電解コンデンサ用電極箔およびその製造方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6195542B2 (ja) | 2017-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6195542B2 (ja) | 学習装置、学習方法及び学習プログラム | |
US20210342699A1 (en) | Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation | |
CN110866190B (zh) | 训练用于表征知识图谱的图神经网络模型的方法及装置 | |
US11610131B2 (en) | Ensembling of neural network models | |
US11106978B2 (en) | Execution of a genetic algorithm with variable evolutionary weights of topological parameters for neural network generation and training | |
JP6612855B2 (ja) | 出力分布による生徒dnnの学習 | |
JP6567488B2 (ja) | 学習データ生成装置、開発データ生成装置、モデル学習装置、それらの方法、及びプログラム | |
US20180025271A1 (en) | Learning apparatus, identifying apparatus, learning and identifying system, and recording medium | |
US10346742B2 (en) | Calculation device, calculation method, and recording medium | |
JP6646234B2 (ja) | プログラム生成装置、プログラム生成方法および生成プログラム | |
GB2568363A (en) | Rule determination for black-box machine-learning models | |
US20190073591A1 (en) | Execution of a genetic algorithm having variable epoch size with selective execution of a training algorithm | |
CN108701253A (zh) | 使用规范化的目标输出训练神经网络 | |
US20190050723A1 (en) | Methods and apparatus for training a neural network | |
US11462210B2 (en) | Data collecting method and system | |
WO2017159403A1 (ja) | 予測システム、方法およびプログラム | |
US11380301B2 (en) | Learning apparatus, speech recognition rank estimating apparatus, methods thereof, and program | |
JP2022181204A (ja) | ニューラルネットワークをトレーニングするためのコンピュータプログラムおよびコンピュータで実装される方法(混合された拡張済みデータセットを用いる音声異常検出) | |
Wang et al. | Semantic knowledge guided class-incremental learning | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
CN111832693A (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
Fourie et al. | Generalised adaptive harmony search: a comparative analysis of modern harmony search | |
US20210042625A1 (en) | Performance of neural networks using learned specialized transformation functions | |
JP6059594B2 (ja) | 重み行列更新装置、その動作方法およびコンピュータプログラム | |
WO2022162839A1 (ja) | 学習装置、学習方法、及び、記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160318 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170131 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170316 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170725 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170815 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6195542 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |