JP2017004142A - 学習装置ユニット - Google Patents
学習装置ユニット Download PDFInfo
- Publication number
- JP2017004142A JP2017004142A JP2015115532A JP2015115532A JP2017004142A JP 2017004142 A JP2017004142 A JP 2017004142A JP 2015115532 A JP2015115532 A JP 2015115532A JP 2015115532 A JP2015115532 A JP 2015115532A JP 2017004142 A JP2017004142 A JP 2017004142A
- Authority
- JP
- Japan
- Prior art keywords
- learning device
- learning
- device unit
- internal state
- output
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Description
図1は、本発明の様々な実施形態に係る学習装置ユニットが用いられるシステムの構成例を示す模式図である。図1に示すように、このシステム1は、学習装置ユニット10−1〜10−Nと、通信回線20に接続されるサーバ装置30と、測定装置40と、出力装置50と、を含む。学習装置ユニット10−1〜10−N(以下総称して「学習装置ユニット10」と称することがある。)の各々は、学習装置ユニット10−1〜10−Nのうちの他の学習装置ユニット及びサーバ装置30と通信回線20を介して情報を通信することが可能である。
学習装置ユニット10−1〜10−Nは、それぞれ、対応する個体(機器)に搭載されるものである。また、学習装置ユニット10−1〜10−Nには、(図示はされていないが)それぞれ、測定装置40−1〜40−N、及び、出力装置50−1〜50−Nが接続される。これらの測定装置40−1〜40−N、及び、出力装置50−1〜50−Nは、対応する個体(機器)に搭載される場合もあるし、別の機器として通信手段を使って接続される場合もある。学習装置ユニット10は、一実施形態において、機械学習を実行可能な任意の情報処理装置であり、例えば、自動車や航空機、ロボット等の産業機器、化学プラントや施設園芸等の環境制御端末、情報処理サーバ、パーソナルコンピュータ、タブレット、携帯電話機、スマートフォン、携帯情報端末、タッチパッド等を含むが、これらには限られない。
通信I/F14は、ハードウェア、ファームウェア、又は、TCP/IPドライバやPPPドライバ等の通信用ソフトウェア又はこれらの組み合わせとして実装され、通信網20を介して、他の学習装置ユニット10及びサーバ装置10と様々な情報を通信することが可能となるように構成される。
外部メモリ15は、例えば磁気ディスクドライブやフラッシュメモリ等により構成され、オペレーティングシステム等の様々なプログラムを記憶する。
まず、モデル化された学習装置に用いられるニューロンのモデルについて図2を参照して説明する。図2は、ニューロンのモデルを示す模式図である。
ここで、θはバイアスであり、fkは活性化関数である。
具体的には、入力x1〜入力x3は、3つのニューロンN11〜N13の各々に対して対応する重みが掛けられて入力される。これらの入力に掛けられる重みはまとめてw1と標記されている。
ニューロンN11〜N13は、それぞれ、特徴ベクトルz11〜特徴ベクトルz13を出力する。これらの特徴ベクトルz11〜特徴ベクトルz13はまとめてz1と標記されている。この特徴ベクトルz1は、重みw1と重みw2との間の特徴ベクトルである。
特徴ベクトルz11〜特徴ベクトルz13は、2つのニューロンN21、N22の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みはまとめてw2と標記されている。
ニューロンN21、22は、それぞれ、特徴ベクトルz21、z22を出力する。これらの特徴ベクトルz21、z22は、まとめてz2と標記されている。この特徴ベクトルz2は、重みw2と重みw3との間の特徴ベクトルである。
特徴ベクトルz21、z22は、3つのニューロンN31〜N33の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みはまとめてw3と標記されている。
最後に、ニューロンN31〜N33は、それぞれ、結果y1〜入力y3を出力する。
次に、上記「3」で説明した概念を踏まえて、第1の実施形態に係る学習装置ユニット10の基本的な構成例について、図4を参照して説明する。
図4は、本発明の第1の実施形態に係る学習装置ユニット10であってニューラルネットワークを用いてモデル化された学習装置ユニット10の構成例を概念的に示す模式図である。
同様に、個体2(個体3)に搭載される学習装置ユニット(便宜上「学習装置ユニット10−2」(「学習装置ユニット10−3」という。)は、入力側に配置された入力側学習装置D12(D13)と、出力側に配置された出力側学習装置D32(D33)と、を含む。これに代えて、学習装置ユニット10−2(10−3)は、入力側学習装置D12(D13)及び出力側学習装置D32(D33)のいずれか一方のみを含むものであってもよい。さらに、個体2(個体3)に搭載される学習装置ユニット10−2(10−3)は、例えばサーバ装置30に配置された中間学習装置D2を、入力側学習装置D12(D13)と出力側学習装置D32(D33)との間に接続する接続機能(図示せず)を含む。なお、学習装置ユニット10−2(10−3)が入力側学習装置D12(D13)及び出力側学習装置D32(D33)のいずれか一方のみを含む場合には、この接続機能は、中間学習装置D2をそのように含まれた学習装置に接続する。
各学習装置ユニットは、それぞれ固有の測定装置および出力装置と接続される。例えば、学習装置ユニット10−1は、それぞれ固有の測定装置40−1及び出力装置50−1と接続される。入力側学習装置に用いられる重み及び出力側学習装置により用いられる重みは、学習装置ユニットに固有のものが用いられる。すなわち、入力側学習装置D11〜D13は、それぞれ、固有の重みW11〜W13を用い、出力側学習装置D31〜D33は、それぞれ、固有の重みW31〜W33を用いる。一方、中間学習装置D2により用いられる重みW2(内部状態を構成する情報)は、すべての学習装置ユニットにより共有される。
次に、第2の実施形態に係る学習装置ユニット10の基本的な構成例について、図5を参照して説明する。
図5は、本発明の第2の実施形態に係る学習装置ユニット10であってニューラルネットワークを用いてモデル化された学習装置ユニット10の構成例を概念的に示す模式図である。以下、上述した第1の実施形態と異なる点のみに着目して説明する。
次に、第3の実施形態に係る学習装置ユニット10の基本的な構成例について、図6を参照して説明する。
図6は、本発明の第3の実施形態に係る学習装置ユニット10であってニューラルネットワークを用いてモデル化された学習装置ユニット10の構成例を概念的に示す模式図である。以下、上述した第1の実施形態及び第2の実施形態と異なる点のみに着目して説明する。
この学習装置ユニットに配置された中間学習装置が受信した重みを用いて、この学習装置ユニット全体が通常の誤差逆伝搬法に従って学習を行うことにより、入力側学習装置D11、中間学習装置D21及び出力側学習装置D31の各々に含まれた重み(W11、W21、W31)が更新される。
次に、上記第1の実施形態1〜第3の実施形態に係る学習装置ユニット10を適用した具体的なアプリケーション例について説明する。
ここでは、説明を分かり易くすることを目的として、各実施形態に係る学習装置ユニットを食品工場等で用いられる製造プロセスに用いた場合について具体的に説明する。具体的には、図7を参照して、ベルトコンベアに載置されて流れてくる丸型のケーキ及び四角型のケーキに対してそれぞれクリーム及びイチゴを乗せる作業を考える。図7は、本発明の様々な実施形態に係る学習装置ユニットが適用される具体的なアプリケーションの概要を示す模式図である。
図8〜図11は、本発明の第1の実施形態に係る学習装置ユニットを適用したアプリケーションの具体例を詳細に説明する模式図である。
図8に示した例では、個体として2つの個体(個体1及び個体2)が用いられている。入力は、個体1及び個体2の両方において、それぞれに対応して設けられたビジョンセンサの画像データである。出力は、各個体によって異なっており、具体的には、個体1においては、「不良品をはじく」及び「クリームを乗せる」であり、個体2においては、@ラインを止める」及び「イチゴを乗せる」である。
個体2の学習装置ユニットに含まれる入力側学習装置D12もまた、ビジョンセンサの画像データを入力とし、2次元の特徴ベクトルを出力とする。この入力側学習装置D12は、学習が収束した後、何らかの物体がベルトコンベアを介して流れてきたことを検出する機能、及び、その物体が正常な四角型の形状を有するものであるか否かを判定する機能、すなわち、それぞれの学習装置ユニットが接続される測定装置の差異によって異なる処理を分担できるものと仮定する。
具体的には、不良品については、出力側学習装置D31は「不良品をはじく」という指示を示す信号を出力し、出力側学習装置D32は「ラインを止める」という指示を示す信号を出力する。正常品については、出力側学習装置D31は「クリームを乗せる」という指示を示す信号を出力する。このように各出力側装置に出力された信号は、出力I/F18を介して出力装置50に送信される。
出力側学習装置D31では、「クリームを乗せる」を示す出力として「1」が出力され、「不良品をはじく」を示す出力として「0」が出力される。
個体1に搭載された学習装置ユニット10−1の入力側学習装置D11が「正しい物体」を検出したときに出力側学習装置D31が「誤った出力を出してしまった」場合を考える。
ここでは、中間学習装置D2の重みW2が図10に例示したようなものになっていしまっていることに起因して、中間学習装置D2の出力が期待するものと異なり、その結果、出力側学習装置D31の出力も誤ったものになってしまったと仮定する。
中間学習装置D2は、個体1に搭載された学習装置ユニット10−1により学習された重みW2を有している。この重みW2(すなわち、中間学習装置D2の内部状態)は、個体2に搭載された学習装置ユニット10−2にも共有される。すなわち、極端にいえば、学習装置ユニット10−2それ自体は、実際に学習を行わなくとも、他の学習装置ユニットにより行われた学習により得られた中間学習装置D2の内部状態(重み)を利用して、「作業実行判定」及び「例外処理実行判定」を簡単かつ精度良く行うことができる。
なお、図11は、不良品を検出したときにラインを止めるという動作を行う場合の各学習装置の様子の例を示している。
図12は、本発明の第2の実施形態に係る学習装置ユニットを適用したアプリケーションの具体例を詳細に説明する模式図である。
図13は、本発明の第3の実施形態に係る学習装置ユニットを適用したアプリケーションの具体例を詳細に説明する模式図である。
式や意味、及び、各ブロックの処理内容等は、これまで説明してきたものに限定されるものではない。むしろ、個体に依存しない共有すべき情報(中間学習装置に関連した情報)と、個体に依存する情報(入力側学習装置及び出力側学習装置に関連した情報)とは、ユーザが明示的に与えなくとも、学習を進めるにつれて、自動的に分離されるものである。
これまで、説明を簡潔にするために、複数の個体(に搭載される学習装置ユニット)により共有される中間学習装置が1つである場合について説明してきた。しかし、各個体(に搭載される学習装置ユニット)は、同時に複数の中間学習装置を利用してもよい。
例えば、図14に例示されるように、各個体(に搭載される学習装置ユニット)は、中間学習装置D21には、相互に並列に設けられた2つの中間学習装置D22、D23が、直列に接続されている。一般化すれば、様々な実施形態に係る中間学習装置は、1又は複数の中間学習装置と、これに直列及び/又は並列に接続された1又は複数の中間学習装置と、を少なくとも含むものとすることができる。
各個体に搭載される学習装置ユニットが複数の中間学習装置を共有する一具体例について、先に用いた図8を参照して説明する。これら複数の中間学習装置は、各々、相互に異なる対象範囲を扱う学習装置として設けられ得る。図8に示した中間学習装置D2に代えて、第1の中間学習装置として、“社会全体”を対象として共有される中間学習装置D21が用意され、さらに、この中間学習装置D21と後段の出力側学習装置D31、D32との間に、第2の中間学習装置として、“工場内の個体間”を対象として共有される中間学習装置D22が用意される。中間学習装置D21では、例えば、他の10000台の学習装置ユニットにより共有され、より一般的なスキルに基づく演算処理を行い、「例外処理実行判定」及び「作業実行判定処理」を出力として行うとする。一方、中間学習装置D22は、ある工場内に配置された他の50台の学習装置ユニット(個体1が搭載された学習装置ユニット及び個体2が搭載された学習装置ユニットを含む)により共有され、「不良品対応処理」及び「製造継続実行」という出力を行うとする。これにより、この工場における局所的に共有されたスキルを用いて、中間学習装置D22は、中間学習装置D21から、例外処理実行を要求され作業実行を実行しない、という入力を受けた場合に、不良品対応処理を行うという出力をする。これらの出力が出力側学習装置D31に入力される。これにより、「不良品をはじく」等の出力側の特性に沿った学習が出力側学習装置D31により行われる。以上例示したように、様々な実施形態に係る中間学習装置は、複数の中間学習装置を適宜含むことが可能である。
しかし、様々な実施形態は、これに限定されるものではない。例えば、自動運転やロボットの制御といったような環境に対して行動を問う問題では、教師あり学習だけでなく強化学習の枠組みも利用可能である。
なお、ニューラルネットワークを用いた機械学習では、カメラ画像データと速度データなど、次元の異なる複数の形式のデータを使用して1つの学習装置で学習を行うことが可能である。
以上、説明を分かり易くするために、様々な実施形態が食品工場で用いられる製造プロセスに適用される場合について説明した。しかし、本明細書において開示された様々な実施形態は、これに限定されるものではなく、様々なアプリケーションに適用可能なものである。例えば、これらの実施形態は、以下に例示的に挙げられる様々なアプリケーションにも適用可能なものである。
(1)自動車
様々な実施形態に係る学習装置ユニットは、自動車に搭載されるカメラ、距離センサ、GPSなどのセンサ情報を入力とし、運転支援情報の提示や自動運転を行うことを出力とすることができる。この場合、各個体、すなわち、各自動車(各個体に様々な実施形態に係る学習装置ユニットが搭載される)から出力されるセンサ情報等を効率的に活用することができる。
(2)製造業
様々な実施形態に係る学習装置ユニットは、製造に用いられる複数の製造装置・ロボットからの情報を入力とし、これら製造装置・ロボットに与える指示を出力とすることができる。様々な実施形態に係る学習装置ユニットは、例えば、高度なロボット制御の実現や、プロセス最適化、異常の予知等において活用され得る。
(3)農業
様々な実施形態に係る学習装置ユニットは、温室栽培における環境制御に適用可能であり、例えば、温室の外的環境変化に応じた環境制御の実現や、消費エネルギーの最小化、生産品種に応じた栽培方法の共有化等において活用され得る。
(4)センサ・制御装置を有する機器全般
様々な実施形態に係る学習装置ユニットは、複数の機器に適用され、センサ情報の分析結果の提示や機器の制御等において活用され得る。
いずれのアプリケーションにおいても、様々な実施形態に係る学習装置ユニットを用いることによって、従来の手法に比べて、センサ情報の活用にかかる時間的コスト及び精度を改善することができる。
11 CPU
13 入力I/F
14 通信I/F
18 出力I/F
20 通信回線
30 サーバ装置
40 測定装置
50 出力装置
D11〜D13 入力側学習装置
D2、D21、D22 中間学習装置
D31〜D33 出力側学習装置
なお、ニューラルネットワークを用いた機械学習では、カメラ画像データと速度データなど、次元の異なる複数の形式のデータを使用して1つの学習装置で学習を行うことが可能である。
Claims (10)
- 学習装置ユニットであって、
少なくとも1つの学習装置と、
他の学習装置ユニットにより共有される内部状態を有する中間学習装置を前記少なくとも1つの学習装置に接続する接続手段と、を具備することを特徴とする学習装置ユニット。 - 前記接続手段は、当該学習装置ユニットの外部に配置された前記中間学習装置を前記少なくとも1つの学習装置と接続する、請求項1に記載の学習装置ユニット。
- 前記接続手段は、当該学習装置ユニットの内部に配置された前記中間学習装置を前記前記少なくとも1つの学習装置と接続し、
前記中間学習装置は、前記他の学習装置ユニットの内部に配置された中間学習装置と内部状態を共有する、請求項1に記載の学習装置ユニット。 - 前記中間学習装置は、前記他の学習装置ユニットから該他の学習装置ユニットの内部に配置された中間学習装置の内部状態を構成する情報を取得することにより、前記他の学習装置ユニットの内部に配置された中間学習装置と内部状態を共有する、請求項3に記載の学習装置ユニット。
- 前記中間学習装置は、前記中間学習装置の内部状態を構成する情報として、該中間学習装置に入力された入力情報と該入力情報に対応して該中間学習装置により出力された出力情報とのセットを取得する、請求項4に記載の学習装置ユニット。
- 前記中間学習装置は、当該学習装置ユニット及び前記他の学習装置ユニットにアクセス可能に設けられた記憶装置から、内部状態を構成する情報を取得することにより、前記他の学習装置ユニットの内部に配置された中間学習装置と内部状態を共有するように設けられる、請求項3に記載の学習装置ユニット。
- 当該学習装置ユニットが受信する入力又は前記少なくとも1つの学習装置の内部状態を決定する決定手段をさらに具備し、
前記中間学習装置は、前記決定手段により決定された前記入力又は前記内部状態に基づいて、前記記憶装置から内部状態を構成する情報を取得する、請求項6に記載の学習装置ユニット。 - 前記少なくとも1つの学習装置は、入力側に配置された入力側学習装置、及び、出力側に配置された出力側学習装置のうちの少なくとも一方を含む、請求項1〜請求項7のいずれかに記載の学習装置ユニット。
- 前記内部状態を構成する情報が重みを含む、請求項1〜請求項8のいずれかに記載の学習装置ユニット。
- コンピュータを、
学習装置ユニットに配置された少なくとも1つの学習装置、及び、
他の学習装置ユニットにより共有される内部状態を有する中間学習装置を前記少なくとも1つの学習装置と接続する接続手段、
として機能させることを特徴とするコンピュータプログラム。
Priority Applications (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015115532A JP5816771B1 (ja) | 2015-06-08 | 2015-06-08 | 学習装置ユニット |
EP15828324.2A EP3136305A4 (en) | 2015-06-08 | 2015-06-26 | Learning device unit |
CN202010098573.8A CN111325329A (zh) | 2015-06-08 | 2015-06-26 | 学习装置单元 |
PCT/JP2015/068459 WO2016199313A1 (ja) | 2015-06-08 | 2015-06-26 | 学習装置ユニット |
CN201580001454.3A CN106462806B (zh) | 2015-06-08 | 2015-06-26 | 学习装置单元 |
US14/907,503 US11475289B2 (en) | 2015-06-08 | 2015-06-26 | Learning device unit |
US17/901,216 US20220414473A1 (en) | 2015-06-08 | 2022-09-01 | Learning device unit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015115532A JP5816771B1 (ja) | 2015-06-08 | 2015-06-08 | 学習装置ユニット |
Publications (2)
Publication Number | Publication Date |
---|---|
JP5816771B1 JP5816771B1 (ja) | 2015-11-18 |
JP2017004142A true JP2017004142A (ja) | 2017-01-05 |
Family
ID=54602118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015115532A Active JP5816771B1 (ja) | 2015-06-08 | 2015-06-08 | 学習装置ユニット |
Country Status (5)
Country | Link |
---|---|
US (2) | US11475289B2 (ja) |
EP (1) | EP3136305A4 (ja) |
JP (1) | JP5816771B1 (ja) |
CN (2) | CN111325329A (ja) |
WO (1) | WO2016199313A1 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019219813A (ja) * | 2018-06-18 | 2019-12-26 | 国立研究開発法人産業技術総合研究所 | 情報処理方法、システム及びプログラム |
JP2020140546A (ja) * | 2019-02-28 | 2020-09-03 | キヤノン株式会社 | データ処理装置及びその方法 |
JP2020177509A (ja) * | 2019-04-19 | 2020-10-29 | 株式会社日立製作所 | 計算機及びデータ処理方法 |
JP2021503661A (ja) * | 2017-11-20 | 2021-02-12 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 第1のニューラルネットワークモデルと第2のニューラルネットワークモデルとの訓練 |
JP7475509B2 (ja) | 2018-10-19 | 2024-04-26 | ジェネンテック, インコーポレイテッド | 畳み込みニューラルネットワークによる凍結乾燥製剤における欠陥検出 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6382790B2 (ja) * | 2015-12-28 | 2018-08-29 | ファナック株式会社 | 複数の製造装置を含む製造データ処理システム |
US10410113B2 (en) * | 2016-01-14 | 2019-09-10 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
EP3432228A4 (en) | 2016-03-14 | 2019-04-10 | Omron Corporation | DEVICE FOR MAINTAINING EXTENSIBILITY |
JP6714690B2 (ja) * | 2016-04-26 | 2020-06-24 | 株式会社日立製作所 | 情報処理システム、情報処理システムの運用方法、および機械学習演算器 |
JP6957659B2 (ja) * | 2016-04-26 | 2021-11-02 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
JP6750854B2 (ja) * | 2016-05-25 | 2020-09-02 | キヤノン株式会社 | 情報処理装置および情報処理方法 |
JP6781950B2 (ja) | 2016-10-12 | 2020-11-11 | オムロン株式会社 | 識別情報付与システム、識別情報付与方法、及びそのプログラム |
WO2018173121A1 (ja) | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
US11757994B2 (en) * | 2017-09-25 | 2023-09-12 | Intel Corporation | Collective perception messaging for source-sink communication |
KR20190055610A (ko) | 2017-11-15 | 2019-05-23 | 삼성전자주식회사 | 뉴럴 네트워크 모델들의 공용 연산 그룹을 단일 처리하는 뉴럴 네트워크 시스템, 이를 포함하는 애플리케이션 프로세서 및 뉴럴 네트워크 시스템의 동작방법 |
KR20200044173A (ko) | 2018-10-05 | 2020-04-29 | 삼성전자주식회사 | 전자 장치 및 그의 제어 방법 |
JP7225876B2 (ja) * | 2019-02-08 | 2023-02-21 | 富士通株式会社 | 情報処理装置、演算処理装置および情報処理装置の制御方法 |
AU2020240239A1 (en) | 2019-03-15 | 2021-02-11 | Geek Guild Co., Ltd. | Conversion system, method and program |
US11685605B2 (en) * | 2020-05-14 | 2023-06-27 | Intelligrated Headquarters, Llc | Reinforcement learning based conveyoring control |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5455891A (en) * | 1993-10-04 | 1995-10-03 | Georgia Tech Research Corporation | System and method for a learning neural network for generating random directions for weight changes |
US5835902A (en) * | 1994-11-02 | 1998-11-10 | Jannarone; Robert J. | Concurrent learning and performance information processing system |
DE19732046A1 (de) | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
WO2000058942A2 (en) | 1999-03-26 | 2000-10-05 | Koninklijke Philips Electronics N.V. | Client-server speech recognition |
US6782375B2 (en) * | 2001-01-16 | 2004-08-24 | Providian Bancorp Services | Neural network based decision processor and method |
US7849032B1 (en) * | 2002-05-24 | 2010-12-07 | Oracle International Corporation | Intelligent sampling for neural network data mining models |
EP1552908A4 (en) * | 2002-10-11 | 2008-10-15 | Fujitsu Ltd | DEVICE FOR CREATING A ROBOT CONTROL ALGORITHM, PROGRAM FOR CREATING A ROBOT CONTROL ALGORITHM, ROBOT CONTROL PROGRAM AND ROBOT |
EP1515270A1 (en) * | 2003-09-09 | 2005-03-16 | Semeion | An artificial neural network |
US20080208372A1 (en) * | 2003-11-10 | 2008-08-28 | Pannese Patrick D | Scheduling with neural networks and state machines |
US20050108022A1 (en) * | 2003-11-13 | 2005-05-19 | Kamal Bhattacharya | System and mechanism to create autonomic business process solutions |
US7848262B2 (en) * | 2006-06-26 | 2010-12-07 | The Boeing Company | Neural network-based mobility management for healing mobile ad hoc radio networks |
JP4710933B2 (ja) * | 2008-07-09 | 2011-06-29 | ソニー株式会社 | 学習装置、学習方法、およびプログラム |
JP5733166B2 (ja) | 2011-11-14 | 2015-06-10 | 富士通株式会社 | パラメータ設定装置、コンピュータプログラム及びパラメータ設定方法 |
US9208432B2 (en) * | 2012-06-01 | 2015-12-08 | Brain Corporation | Neural network learning and collaboration apparatus and methods |
JP5706384B2 (ja) | 2012-09-24 | 2015-04-22 | 株式会社東芝 | 音声認識装置、音声認識システム、音声認識方法および音声認識プログラム |
US9842585B2 (en) | 2013-03-11 | 2017-12-12 | Microsoft Technology Licensing, Llc | Multilingual deep neural network |
US20140278951A1 (en) * | 2013-03-15 | 2014-09-18 | Avaya Inc. | System and method for identifying and engaging collaboration opportunities |
JP6214922B2 (ja) | 2013-05-20 | 2017-10-18 | 日本電信電話株式会社 | 情報処理装置、情報処理システム、情報処理方法、および学習プログラム |
CN104143327B (zh) * | 2013-07-10 | 2015-12-09 | 腾讯科技(深圳)有限公司 | 一种声学模型训练方法和装置 |
US9508347B2 (en) | 2013-07-10 | 2016-11-29 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
US9996768B2 (en) * | 2014-11-19 | 2018-06-12 | Adobe Systems Incorporated | Neural network patch aggregation and statistics |
US10387794B2 (en) | 2015-01-22 | 2019-08-20 | Preferred Networks, Inc. | Machine learning with model filtering and model mixing for edge devices in a heterogeneous environment |
US9990587B2 (en) | 2015-01-22 | 2018-06-05 | Preferred Networks, Inc. | Machine learning heterogeneous edge device, method, and system |
US10089204B2 (en) * | 2015-04-15 | 2018-10-02 | Hamilton Sundstrand Corporation | System level fault diagnosis for the air management system of an aircraft |
US9443192B1 (en) * | 2015-08-30 | 2016-09-13 | Jasmin Cosic | Universal artificial intelligence engine for autonomous computing devices and software applications |
-
2015
- 2015-06-08 JP JP2015115532A patent/JP5816771B1/ja active Active
- 2015-06-26 CN CN202010098573.8A patent/CN111325329A/zh active Pending
- 2015-06-26 EP EP15828324.2A patent/EP3136305A4/en not_active Withdrawn
- 2015-06-26 US US14/907,503 patent/US11475289B2/en active Active
- 2015-06-26 WO PCT/JP2015/068459 patent/WO2016199313A1/ja active Application Filing
- 2015-06-26 CN CN201580001454.3A patent/CN106462806B/zh active Active
-
2022
- 2022-09-01 US US17/901,216 patent/US20220414473A1/en active Pending
Non-Patent Citations (4)
Title |
---|
岡野原大輔: "大規模Deep Learning(深層学習)の実現技術", 人工知能学会誌, vol. 第28巻,第5号, JPN6015029868, 1 September 2013 (2013-09-01), JP, pages 785 - 792, ISSN: 0003122886 * |
岩城秀和,他2名: "単一断線故障を修復可能な最適汎化ニューラルネットワーク", 電子情報通信学会論文誌 情報・システムII−パターン処理, vol. 第2号, JPN6015029869, 25 February 2000 (2000-02-25), JP, pages 805 - 813, ISSN: 0003122887 * |
柏木陽佑,他3名: "話者コードに基づく話者正規化学習を利用したニューラルネット音響モデルの適応", 電子情報通信学会技術研究報告 SP2014−106−SP2014−126 音声, vol. 第114巻,第365号, JPN6015029866, 8 December 2014 (2014-12-08), JP, pages 105 - 110, ISSN: 0003122884 * |
神嶌敏弘: "転移学習", 人工知能学会誌, vol. 第25巻,第4号, JPN6015029867, 1 July 2010 (2010-07-01), pages 572 - 580, ISSN: 0003122885 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021503661A (ja) * | 2017-11-20 | 2021-02-12 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 第1のニューラルネットワークモデルと第2のニューラルネットワークモデルとの訓練 |
US11657265B2 (en) | 2017-11-20 | 2023-05-23 | Koninklijke Philips N.V. | Training first and second neural network models |
JP7325414B2 (ja) | 2017-11-20 | 2023-08-14 | コーニンクレッカ フィリップス エヌ ヴェ | 第1のニューラルネットワークモデルと第2のニューラルネットワークモデルとの訓練 |
JP2019219813A (ja) * | 2018-06-18 | 2019-12-26 | 国立研究開発法人産業技術総合研究所 | 情報処理方法、システム及びプログラム |
JP7079483B2 (ja) | 2018-06-18 | 2022-06-02 | 国立研究開発法人産業技術総合研究所 | 情報処理方法、システム及びプログラム |
JP7475509B2 (ja) | 2018-10-19 | 2024-04-26 | ジェネンテック, インコーポレイテッド | 畳み込みニューラルネットワークによる凍結乾燥製剤における欠陥検出 |
JP2020140546A (ja) * | 2019-02-28 | 2020-09-03 | キヤノン株式会社 | データ処理装置及びその方法 |
JP7297468B2 (ja) | 2019-02-28 | 2023-06-26 | キヤノン株式会社 | データ処理装置及びその方法 |
JP2020177509A (ja) * | 2019-04-19 | 2020-10-29 | 株式会社日立製作所 | 計算機及びデータ処理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106462806A (zh) | 2017-02-22 |
US20220414473A1 (en) | 2022-12-29 |
EP3136305A4 (en) | 2017-07-05 |
US20170161603A1 (en) | 2017-06-08 |
JP5816771B1 (ja) | 2015-11-18 |
WO2016199313A1 (ja) | 2016-12-15 |
EP3136305A1 (en) | 2017-03-01 |
CN111325329A (zh) | 2020-06-23 |
CN106462806B (zh) | 2020-03-17 |
US11475289B2 (en) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5816771B1 (ja) | 学習装置ユニット | |
Schmitt et al. | Predictive model-based quality inspection using Machine Learning and Edge Cloud Computing | |
CN102648442B (zh) | 改进的拾取和放置 | |
US20170344909A1 (en) | Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition | |
US11420327B2 (en) | Automated control of multi-process using robotic equipment for complex workflows | |
US11232388B2 (en) | Automated guided vehicle systems for retrieving hems | |
Abd et al. | Simulation modelling and analysis of scheduling in robotic flexible assembly cells using Taguchi method | |
Geismar et al. | Scheduling robotic cells served by a dual-arm robot | |
WO2018154360A1 (ja) | 学習データを生成するための処理方法、システム、プログラムおよび記憶媒体、並びに学習データを生成する方法およびシステム | |
Kaestle et al. | Cyber-physical electronics production | |
Singgih | Production flow analysis in a semiconductor fab using machine learning techniques | |
Chen et al. | A multiple-criteria real-time scheduling approach for multiple-load carriers subject to LIFO loading constraints | |
Görür et al. | Integrating predictive maintenance in adaptive process scheduling for a safe and efficient industrial process | |
Elahi et al. | Energy-based prognostics for gradual loss of conveyor belt tension in discrete manufacturing systems | |
Islam et al. | A connective framework to minimize the anxiety of collaborative Cyber-Physical System | |
Vachálek et al. | Intelligent dynamic identification technique of industrial products in a robotic workplace | |
Bányai et al. | Logistics and mechatronics related research in mobile robot-based material handling | |
Martín H et al. | Analysis and solution of a predator-protector-prey multi-robot system by a high-level reinforcement learning architecture and the adaptive systems theory | |
Vainio et al. | Estimating the production time of a PCB assembly job without solving the optimised machine control | |
US20220266445A1 (en) | Use of Mobile Robotics in Self-Assembling Workcells of Complex Workflows | |
Zeng et al. | Lz-transform method and Markov reward approach for flexible manufacturing system performance evaluation | |
Nabovati | َA Developed Cuckoo Search Algorithm for Solving a new Model of the Machine and Vehicle Scheduling | |
Poosapati et al. | Cognitive Automation Opportunities, Challenges and Applications | |
Rai et al. | Using machine learning techniques and edge cloud computing to do a predictive model-based analysis of Standard | |
Lopes et al. | Volumetric Techniques for Product Routing and Loading Optimisation in Industry 4.0: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150827 |
|
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: 20150915 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150928 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5816771 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |