JP2017228068A - 機械学習管理プログラム、機械学習管理方法および機械学習管理装置 - Google Patents
機械学習管理プログラム、機械学習管理方法および機械学習管理装置 Download PDFInfo
- Publication number
- JP2017228068A JP2017228068A JP2016123405A JP2016123405A JP2017228068A JP 2017228068 A JP2017228068 A JP 2017228068A JP 2016123405 A JP2016123405 A JP 2016123405A JP 2016123405 A JP2016123405 A JP 2016123405A JP 2017228068 A JP2017228068 A JP 2017228068A
- Authority
- JP
- Japan
- Prior art keywords
- value
- machine learning
- prediction performance
- dispersion
- degree
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Computational Linguistics (AREA)
Abstract
【解決手段】演算部12は、パラメータ値13aとサイズ14aの訓練データとを用いて学習されたモデルにおける予測性能の測定値15aを取得し、パラメータ値13aとサイズ14bの訓練データとを用いて学習されるモデルにおける予測性能の期待値16aと分散度17aとを算出する。演算部12は、パラメータ値13bとサイズ14aの訓練データとを用いて学習されたモデルにおける予測性能の測定値15bを取得し、パラメータ値13bとサイズ14bの訓練データとを用いて学習されるモデルにおける予測性能の期待値16bと分散度17bとを算出する。演算部12は、期待値16a,16bおよび分散度17a,17bに基づいて、パラメータ値13cとサイズ14bの訓練データとを用いて学習されるモデルにおける予測性能の期待値16cと分散度17cとを算出する。
【選択図】図1
Description
[第1の実施の形態]
第1の実施の形態を説明する。
第1の実施の形態の機械学習管理装置10は、機械学習の進行を管理する。機械学習管理装置10が管理する機械学習は、既知の事例を示す訓練データから、未知の事例の結果を予測するモデルを生成する。機械学習の結果は、病気の発症リスクの予測、将来の商品・サービスの需要量の予測、工場における新製品の歩留まりの予測など、様々な用途に利用することができる。機械学習管理装置10が自ら機械学習を行ってもよいし、機械学習管理装置10が他の装置に機械学習を行わせてもよい。機械学習管理装置10は、ユーザが操作するクライアントコンピュータでもよいし、クライアントコンピュータからネットワーク経由でアクセスされるサーバコンピュータでもよい。
次に、第2の実施の形態を説明する。
図2は、機械学習装置のハードウェア例を示すブロック図である。
第2の実施の形態の機械学習では、既知の事例を示す複数の単位データを含むデータを予め収集しておく。機械学習装置100または他の情報処理装置が、センサデバイスなどの各種デバイスからネットワーク114経由でデータを収集してもよい。収集されるデータは、「ビッグデータ」と呼ばれるサイズの大きなデータであってもよい。各単位データは、通常は、2以上の説明変数の値と1つの目的変数の値とを含む。例えば、商品の需要予測を行う機械学習では、気温や湿度など商品需要に影響を与える要因を説明変数とし、商品需要量を目的変数とした実績データを収集する。
曲線21aは、ハイパーパラメータθの値が2.1である場合のサンプルサイズと予測性能の関係を示す。曲線21bは、ハイパーパラメータθの値が3.4である場合のサンプルサイズと予測性能の関係を示す。曲線21cは、ハイパーパラメータθの値が9.5である場合のサンプルサイズと予測性能の関係を示す。
曲線22a,22b,22cは、予測性能の変化を図3とは異なる座標軸を用いて表したものである。曲線22aは、サンプルサイズsが200である場合のハイパーパラメータθと予測性能の関係を示す。曲線22bは、サンプルサイズsが800である場合のハイパーパラメータθと予測性能の関係を示す。曲線22cは、サンプルサイズsが3200である場合のハイパーパラメータθと予測性能の関係を示す。
曲線23aは、ハイパーパラメータθの値が2.1である場合のサンプルサイズと予測性能の関係を示しており、図3の曲線21aに相当する。曲線23bは、ハイパーパラメータθの値が3.4である場合のサンプルサイズと予測性能の関係を示しており、図3の曲線21bに相当する。曲線23cは、ハイパーパラメータθの値が9.5である場合のサンプルサイズと予測性能の関係を示しており、図3の曲線21cに相当する。なお、図4の曲線22aは、図5のサンプルサイズs=200の面を切り取ったものに相当する。図4の曲線22bは、サンプルサイズs=800の面を切り取ったものに相当する。図4の曲線22cは、サンプルサイズs=3200の面を切り取ったものに相当する。
機械学習装置100は、1つのハイパーパラメータ値と1つのサンプルサイズの組に対応する1回の機械学習(1つの学習ステップ)を順次実行していく。機械学習装置100は、1つの学習ステップが終わる毎に、これまでに実行した学習ステップの結果に基づいて、次に実行する学習ステップのハイパーパラメータ値とサンプルサイズを動的に選択する。機械学習装置100は、機械学習アルゴリズムに適用可能な複数のハイパーパラメータ値と複数のサンプルサイズの組を網羅的に実行するのではなく、実行するハイパーパラメータ値とサンプルサイズの組を絞り込むようにする。
機械学習装置100は、機械学習が行われている間、ディスプレイ111に学習進行画面25を表示する。学習進行画面25は、学習ステップの実行順序を示す。学習進行画面25は、複数のハイパーパラメータ値に対応する複数の行と、複数のサンプルサイズに対応する複数の列とによって形成される表を有する。学習進行画面25の表には、機械学習の進行に伴い、学習ステップの実行順序を示す数値が記入されていく。
図8は、予測性能の第1の推定方法の例を示す図である。
第1の推定方法は、予測性能の単純な推定方法の例である。行列26は、第1の推定方法を示す。ここでは、θ=2.1かつs=100〜3200の学習ステップと、θ=9.5かつs=100〜800の学習ステップが実行済みであるとする。また、θ=2.1かつs=6400の学習ステップと、θ=3.4かつs=100〜6400の学習ステップと、θ=9.5かつs=1600〜6400の学習ステップが未実行であるとする。
推定値27aは、第1のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、小さいサンプルサイズについての測定値から推定したものである。推定値27bは、第2のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、小さいサンプルサイズについての測定値から推定したものである。推定値27cは、第3のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、上記の第1の推定方法によって、推定値27a,27bの平均から回帰分析により推定したものである。推定値27a,27b,27cは、予測性能の平均と標準偏差をもつ。
第2の実施の形態では、機械学習装置100は、モンテカルロシミュレーションを利用して予測性能を推定する。行列28は、予測性能の第2の推定方法を示す。図8と同様、θ=2.1かつs=100〜3200の学習ステップと、θ=9.5かつs=100〜800の学習ステップが実行済みであるとする。また、θ=2.1かつs=6400の学習ステップと、θ=3.4かつs=100〜6400の学習ステップと、θ=9.5かつs=1600〜6400の学習ステップが未実行であるとする。
図11は、機械学習装置の機能例を示すブロック図である。
機械学習装置100は、データ記憶部121、管理テーブル記憶部122、学習結果記憶部123、制限時間入力部124、ステップ実行部125、時間推定部126、性能改善量推定部127および学習制御部128を有する。データ記憶部121、管理テーブル記憶部122および学習結果記憶部123は、例えば、RAM102またはHDD103に確保した記憶領域を用いて実装できる。制限時間入力部124、ステップ実行部125、時間推定部126、性能改善量推定部127および学習制御部128は、例えば、CPU101が実行するプログラムモジュールを用いて実装できる。
学習結果記憶部123は、機械学習の結果を記憶する。機械学習の結果には、目的変数と1または2以上の説明変数との間の関係を示すモデルが含まれる。例えば、各説明変数の重みを示す係数が、機械学習によって決定される。また、機械学習の結果には、学習されたモデルの予測性能が含まれる。また、機械学習の結果には、モデルの学習に用いたハイパーパラメータ値とサンプルサイズの情報が含まれる。
学習結果テーブル131は、管理テーブル記憶部122に記憶されている。学習結果テーブル131は、複数のハイパーパラメータ値と複数のサンプルサイズの組み合わせそれぞれに対して、予測性能μと実行時間uを記憶する。学習結果テーブル131に記憶される予測性能μは、ステップ実行部125によって測定された予測性能の測定値である。学習結果テーブル131に記憶される実行時間uは、ステップ実行部125によって測定された1つの学習ステップの実行時間の測定値である。
中間推定テーブル132は、時間推定部126および性能改善量推定部127によって使用される。中間推定テーブル132が管理テーブル記憶部122に記憶されていてもよい。中間推定テーブル132は、複数のハイパーパラメータ値と複数のサンプルサイズの組み合わせそれぞれに対して、予測性能の平均μ、予測性能の標準偏差σおよび実行時間uを記憶する。中間推定テーブル132に記憶される予測性能の平均μは、性能改善量推定部127によって推定された予測性能の平均である。中間推定テーブル132に記憶される予測性能の標準偏差σは、性能改善量推定部127によって推定された予測性能の標準偏差である。中間推定テーブル132に記憶される実行時間uは、時間推定部126によって推定された1つの学習ステップの実行時間である。
推定テーブル133は、管理テーブル記憶部122に記憶されている。推定テーブル133は、複数のハイパーパラメータ値と複数のサンプルサイズの組み合わせそれぞれに対して、性能改善量gと累積実行時間tを記憶する。また、推定テーブル133は、複数のサンプルサイズそれぞれに対して、改善速度vを記憶する。
(S10)学習制御部128は、機械学習アルゴリズムに適用可能なハイパーパラメータ値の空間の中から、ハイパーパラメータ値の部分集合を抽出する。
(S20)性能改善量推定部127は、学習制御部128から学習結果テーブル131を取得する。性能改善量推定部127は、学習結果テーブル131を参照して、実行したことのあるハイパーパラメータ値を1つ選択する(ハイパーパラメータ値θi)。なお、該当するハイパーパラメータ値がない場合、ステップS20〜S24がスキップされる。
(S22)性能改善量推定部127は、ステップS21で取得した予測性能の測定値を用いて回帰分析により、サンプルサイズから予測性能を推定する推定式を算出する。推定式の形は、例えば、μ=β1−α1×s-γ1である。性能改善量推定部127は、例えば、非線形回帰分析により係数α1,β1,γ1の値を決定する。
(S40)時間推定部126は、学習制御部128から学習結果テーブル131を取得する。時間推定部126は、学習結果テーブル131を参照して、実行したことのあるハイパーパラメータ値を1つ選択する(ハイパーパラメータ値θi)。なお、該当するハイパーパラメータ値がない場合、ステップS40〜S44がスキップされる。
(S42)時間推定部126は、ステップS41で取得した実行時間の測定値を用いて回帰分析により、サンプルサイズから実行時間を推定する推定式を算出する。推定式の形は、例えば、u=β2+α2×sである。時間推定部126は、例えば、線形回帰分析により係数α2,β2の値を決定する。
ここでは、バリデーション方法として、データ集合Dのサイズに応じて、ランダムサブサンプリングバリデーションまたはクロスバリデーションを実行する場合を考える。ただし、ステップ実行部125は、他のバリデーション方法を用いてもよい。
(S55)ステップ実行部125は、学習したモデルmとステップS53で抽出したテストデータDsとを用いて、モデルmの予測性能μを算出する。予測性能μを表す指標として、正答率、適合率、RMSEなど任意の指標を用いることができる。
次に、第3の実施の形態を説明する。第2の実施の形態と同様の内容については説明を省略し、第2の実施の形態と異なる内容を中心に説明する。
図19のステップS60〜S69のうちステップS60〜S66,S68,S69の処理は、図16のステップS20〜S26,S30,S31と同様である。図16のステップS27〜S29では、(θi,sj)の予測性能の平均μと標準偏差σをモンテカルロシミュレーションにより推定した。これに対し、図19のステップS67では、サンプルサイズが同じでハイパーパラメータ値が異なる予測性能の測定値や推定値から、(θi,sj)の予測性能の平均μと標準偏差σを数式により直接算出する。
推定値31aは、第1のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、小さいサンプルサイズについての測定値から推定したものである。推定値31bは、第2のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、小さいサンプルサイズについての測定値から推定したものである。推定値31cは、第3のハイパーパラメータ値かつ特定のサンプルサイズについての予測性能を、小さいサンプルサイズについての測定値から推定したものである。
ハイパーパラメータ値θとサンプルサイズsに対応する予測性能の平均μ(θ,s)は、列ベクトルκ(θ)と行列Kと行列KNと列ベクトルμ(s)を用いて、数式(9)のように算出できる。ハイパーパラメータ値θとサンプルサイズsに対応する予測性能の分散σ2(θ,s)は、カーネル関数k(・,・)とr(θ)と列ベクトルκ(θ)と行列Kと行列KNを用いて、数式(10)のように算出できる。
次に、第4の実施の形態を説明する。第2の実施の形態と同様の内容については説明を省略し、第2の実施の形態と異なる内容を中心に説明する。
第4の実施の形態では、機械学習装置100は、1つのハイパーパラメータ値を選択すると、選択したハイパーパラメータ値の改善速度が閾値R未満に低下するまで、そのハイパーパラメータ値を用いた学習ステップを連続的に実行していく。
機械学習装置100は、機械学習が行われている間、ディスプレイ111に学習進行画面33を表示する。学習進行画面33は、学習ステップの実行順序を示す。学習進行画面33は、複数のハイパーパラメータ値に対応する複数の行と、複数のサンプルサイズに対応する複数の列とによって形成される表を有する。学習進行画面33の表には、機械学習の進行に伴い、学習ステップの実行順序を示す数値が記入されていく。
(S70)学習制御部128は、機械学習アルゴリズムに適用可能なハイパーパラメータ値の空間の中から、ハイパーパラメータ値の部分集合を抽出する。このとき、学習制御部128は、まだ実行したことのないハイパーパラメータ値をランダムに所定数(例えば、30個)抽出して部分集合に挿入する。第4の実施の形態では、実行したことのあるハイパーパラメータ値については部分集合に挿入しなくてよい。
(S75)学習制御部128は、ステップS74で求めた改善速度vmaxが閾値R未満であるか、または、機械学習を開始してから(最初の学習ステップを開始してから)の経過時間が制御時間を超えたか判断する。条件に該当する場合はステップS80に処理が進み、条件に該当しない場合はステップS76に処理が進む。
(S77)ステップ実行部125は、選択したハイパーパラメータ値θmaxと特定したサンプルサイズsminを用いて、学習ステップを実行する。
次に、第5の実施の形態を説明する。第2の実施の形態と同様の内容については説明を省略し、第2の実施の形態と異なる内容を中心に説明する。
あるサンプルサイズについて算出された予測性能の測定値は、ハイパーパラメータ値とデータの母集合の特性とから決まる理論値から乖離するリスクがある。すなわち、同じデータの母集合を使用しても、訓練データおよびテストデータの選択の偶然性によって、予測性能の測定値にばらつきが生じる。予測性能の測定値のばらつき度は、サンプルサイズが小さいほど大きく、サンプルサイズが大きいほど小さくなる傾向にある。
(S90)性能改善量推定部127は、ハイパーパラメータ値θiについてこれまで実行した学習ステップの結果を示す測定データ(s,μ)の集合を取得する。
(S92)性能改善量推定部127は、係数cの初期値として、取得した予測性能の測定値の中の最大値に所定値(例えば、10-8)を加えた値を設定する。
(S96)性能改善量推定部127は、予測性能の測定値μと推定値μ0から重み付き残差二乗和を算出し、係数a,b,cの値に対する評価値Gとする。具体的には、性能改善量推定部127は、G=sum{(μ0−μ)2×w}を算出する。重みwの値は、全ての測定値μについて共通でもよいし測定値μによって異なってもよい。例えば、重みwの値は、サンプルサイズsでもよいし、サンプルサイズsに応じた値でもよい。
また、前述のように、第1の実施の形態の情報処理は、機械学習管理装置10にプログラムを実行させることで実現できる。第2から第5の実施の形態の情報処理は、機械学習装置100にプログラムを実行させることで実現できる。
11 記憶部
12 演算部
13a,13b,13c パラメータ値
14a,14b サイズ
15a,15b 測定値
16a,16b,16c 期待値
17a,17b,17c 分散度
Claims (7)
- コンピュータに、
機械学習アルゴリズムに適用可能な複数のパラメータ値のうちの第1のパラメータ値と第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第1の測定値を取得し、前記第1の測定値に基づいて、前記第1のパラメータ値と第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第1の期待値と第1の分散度とを算出し、
前記複数のパラメータ値のうちの第2のパラメータ値と前記第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第2の測定値を取得し、前記第2の測定値に基づいて、前記第2のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第2の期待値と第2の分散度とを算出し、
前記第1の期待値、前記第1の分散度、前記第2の期待値および前記第2の分散度に基づいて、前記複数のパラメータ値のうちの第3のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第3の期待値と第3の分散度とを算出する、
処理を実行させる機械学習管理プログラム。 - 前記第3の分散度は、前記第1の分散度および前記第2の分散度を用いず前記第1の期待値および前記第2の期待値を用いて回帰分析により算出される分散度より大きい、
請求項1記載の機械学習管理プログラム。 - 前記第3の分散度の算出では、
前記第1の期待値と前記第1の分散度とに基づいて、予測性能の第1のサンプル値を抽出し、また、前記第2の期待値と前記第2の分散度とに基づいて、予測性能の第2のサンプル値を抽出し、前記第1のサンプル値および前記第2のサンプル値を用いて前記第3の分散度を算出する、
請求項1記載の機械学習管理プログラム。 - 前記第3の分散度の算出では、
前記第1の期待値および前記第2の期待値の変動によって生じる前記第3の期待値の変動を示す第1の分散成分と、前記第1の期待値および前記第2の期待値から前記第3の期待値を推定することで生じる統計誤差を示す第2の分散成分とを算出し、前記第1の分散成分と前記第2の分散成分とを合成して前記第3の分散度を算出する、
請求項1記載の機械学習管理プログラム。 - 前記コンピュータに更に、
前記第3の期待値と前記第3の分散度とに基づいて、前記第3の期待値より大きい予測性能の指標値を算出し、前記指標値に基づいて、前記第3のパラメータ値と前記第2のサイズの訓練データとを用いた機械学習を行うか否か判定する、
処理を実行させる請求項1記載の機械学習管理プログラム。 - コンピュータが実行する機械学習管理方法であって、
機械学習アルゴリズムに適用可能な複数のパラメータ値のうちの第1のパラメータ値と第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第1の測定値を取得し、前記第1の測定値に基づいて、前記第1のパラメータ値と第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第1の期待値と第1の分散度とを算出し、
前記複数のパラメータ値のうちの第2のパラメータ値と前記第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第2の測定値を取得し、前記第2の測定値に基づいて、前記第2のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第2の期待値と第2の分散度とを算出し、
前記第1の期待値、前記第1の分散度、前記第2の期待値および前記第2の分散度に基づいて、前記複数のパラメータ値のうちの第3のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第3の期待値と第3の分散度とを算出する、
機械学習管理方法。 - 機械学習アルゴリズムに適用可能な複数のパラメータ値のうちの第1のパラメータ値と第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第1の測定値と、前記複数のパラメータ値のうちの第2のパラメータ値と前記第1のサイズの訓練データとを用いて学習されたモデルにおける予測性能の第2の測定値とを記憶する記憶部と、
前記第1の測定値に基づいて、前記第1のパラメータ値と第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第1の期待値と第1の分散度とを算出し、前記第2の測定値に基づいて、前記第2のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第2の期待値と第2の分散度とを算出し、前記第1の期待値、前記第1の分散度、前記第2の期待値および前記第2の分散度に基づいて、前記複数のパラメータ値のうちの第3のパラメータ値と前記第2のサイズの訓練データとを用いて学習されるモデルにおける予測性能の第3の期待値と第3の分散度とを算出する演算部と、
を有する機械学習管理装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016123405A JP6703264B2 (ja) | 2016-06-22 | 2016-06-22 | 機械学習管理プログラム、機械学習管理方法および機械学習管理装置 |
US15/597,976 US11334813B2 (en) | 2016-06-22 | 2017-05-17 | Method and apparatus for managing machine learning process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016123405A JP6703264B2 (ja) | 2016-06-22 | 2016-06-22 | 機械学習管理プログラム、機械学習管理方法および機械学習管理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017228068A true JP2017228068A (ja) | 2017-12-28 |
JP6703264B2 JP6703264B2 (ja) | 2020-06-03 |
Family
ID=60676970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016123405A Active JP6703264B2 (ja) | 2016-06-22 | 2016-06-22 | 機械学習管理プログラム、機械学習管理方法および機械学習管理装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11334813B2 (ja) |
JP (1) | JP6703264B2 (ja) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101877235B1 (ko) * | 2018-03-29 | 2018-07-11 | 한국과학기술정보연구원 | 특허수명예측장치 및 그 동작 방법 |
JP2019061623A (ja) * | 2017-09-28 | 2019-04-18 | 日本電信電話株式会社 | パラメータ推定装置、方法、及びプログラム |
JP2019133540A (ja) * | 2018-02-02 | 2019-08-08 | 公益財団法人がん研究会 | 構造化診療データ統合管理データベースを用いた匿名化医療情報検索支援システム |
JP2019159769A (ja) * | 2018-03-13 | 2019-09-19 | 富士通株式会社 | 探索プログラム、探索方法および探索装置 |
WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
JP2020027319A (ja) * | 2018-08-09 | 2020-02-20 | 株式会社豊田中央研究所 | 評価装置、評価方法、および、コンピュータプログラム |
CN112088383A (zh) * | 2018-05-10 | 2020-12-15 | 松下半导体解决方案株式会社 | 神经网络构筑装置、信息处理装置、神经网络构筑方法及程序 |
KR20210057430A (ko) * | 2019-11-12 | 2021-05-21 | 한국전자기술연구원 | 스파이킹 뉴럴 네트워크를 위한 하이퍼 파라미터 최적화 방법과 장치 및 이를 이용한 연산 장치 |
JP2021086381A (ja) * | 2019-11-27 | 2021-06-03 | オムロン株式会社 | 学習装置、学習方法およびプログラム |
JP2021532488A (ja) * | 2018-07-30 | 2021-11-25 | データロボット, インコーポレイテッド | データセットのための機械学習モデルの好適性の決定 |
JP2022522641A (ja) * | 2019-03-07 | 2022-04-20 | 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 | トレーニング・データと性能トレンドとの相関付けに基づいたコンピュータ・モデル機械学習 |
CN114925845A (zh) * | 2021-02-02 | 2022-08-19 | 四川大学 | 一种嵌入原子势函数的机器学习构建方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410044B2 (en) * | 2017-05-20 | 2022-08-09 | Google Llc | Application development platform and software development kits that provide comprehensive machine learning services |
US10802880B2 (en) * | 2017-09-19 | 2020-10-13 | Huawei Technologies Co., Ltd. | System and method for distributed resource requirement and allocation |
CN109754105B (zh) * | 2017-11-07 | 2024-01-05 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
TWI689816B (zh) * | 2018-03-06 | 2020-04-01 | 群聯電子股份有限公司 | 區塊管理方法、記憶體控制電路單元與記憶體儲存裝置 |
JP6753893B2 (ja) * | 2018-05-16 | 2020-09-09 | ファナック株式会社 | 熱変位補正装置 |
EP3798935A4 (en) * | 2018-05-22 | 2021-08-18 | Fujitsu Limited | PARAMETER SELECTION PROCESS, PARAMETER SELECTION PROGRAM AND INFORMATION PROCESSING DEVICE |
EP3575813B1 (en) * | 2018-05-30 | 2022-06-29 | Siemens Healthcare GmbH | Quantitative mapping of a magnetic resonance imaging parameter by data-driven signal-model learning |
CN109272340B (zh) * | 2018-07-19 | 2023-04-18 | 平安科技(深圳)有限公司 | 参数阈值确定方法、装置及计算机存储介质 |
US11392859B2 (en) * | 2019-01-11 | 2022-07-19 | Microsoft Technology Licensing, Llc | Large-scale automated hyperparameter tuning |
KR20220011630A (ko) * | 2019-04-22 | 2022-01-28 | 오르빗 제노믹스, 인크. | 미소부수체 분석을 위한 방법 및 시스템 |
US11333547B2 (en) * | 2019-10-25 | 2022-05-17 | Blackberry Limited | Method and system for shipping container loading and unloading estimation |
US11455554B2 (en) * | 2019-11-25 | 2022-09-27 | International Business Machines Corporation | Trustworthiness of artificial intelligence models in presence of anomalous data |
JP7471094B2 (ja) * | 2020-01-30 | 2024-04-19 | キヤノンメディカルシステムズ株式会社 | 学習支援装置及び方法 |
KR102263768B1 (ko) * | 2020-11-09 | 2021-06-11 | 주식회사 고스트패스 | 사용자 생체 정보를 이용하는 본인 인증 시스템 |
US20220245393A1 (en) * | 2021-02-03 | 2022-08-04 | International Business Machines Corporation | Dynamic evaluation of model acceptability |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344193A1 (en) * | 2013-05-15 | 2014-11-20 | Microsoft Corporation | Tuning hyper-parameters of a computer-executable learning algorithm |
US20140358831A1 (en) * | 2013-05-30 | 2014-12-04 | President And Fellows Of Harvard College | Systems and methods for bayesian optimization using non-linear mapping of input |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5196425B2 (ja) | 2008-03-07 | 2013-05-15 | Kddi株式会社 | サポートベクトルマシンの再学習方法 |
JP2010092266A (ja) | 2008-10-08 | 2010-04-22 | Nec Corp | 学習装置、学習方法及びプログラム |
US8756175B1 (en) * | 2012-02-22 | 2014-06-17 | Google Inc. | Robust and fast model fitting by adaptive sampling |
JP6201556B2 (ja) | 2013-09-17 | 2017-09-27 | 日本電気株式会社 | 予測モデル学習装置、予測モデル学習方法およびコンピュータプログラム |
US20160132787A1 (en) * | 2014-11-11 | 2016-05-12 | Massachusetts Institute Of Technology | Distributed, multi-model, self-learning platform for machine learning |
-
2016
- 2016-06-22 JP JP2016123405A patent/JP6703264B2/ja active Active
-
2017
- 2017-05-17 US US15/597,976 patent/US11334813B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140344193A1 (en) * | 2013-05-15 | 2014-11-20 | Microsoft Corporation | Tuning hyper-parameters of a computer-executable learning algorithm |
US20140358831A1 (en) * | 2013-05-30 | 2014-12-04 | President And Fellows Of Harvard College | Systems and methods for bayesian optimization using non-linear mapping of input |
Non-Patent Citations (3)
Title |
---|
小林 健一 他: "サブサンプリングを用いた高時間効率な学習アルゴリズム選択", 情報処理学会 研究報告 コンピュータビジョンとイメージメディア(CVIM)2015-CVIM-198, JPN6020002325, 7 September 2015 (2015-09-07), JP, pages 1 - 8, ISSN: 0004200266 * |
栗田 多喜夫: "パターン認識と機械学習", 電子情報通信学会技術研究報告, vol. 第110巻 第81号, JPN6020002328, 10 June 2010 (2010-06-10), JP, pages 61 - 66, ISSN: 0004200268 * |
黒松 信行 他: "機械仕掛けの機械学習wizz", 情報処理学会 研究報告 ハイパフォーマンスコンピューティング(HPC) 2015-HPC-150, JPN6020002326, 28 July 2015 (2015-07-28), JP, pages 1 - 7, ISSN: 0004200267 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019061623A (ja) * | 2017-09-28 | 2019-04-18 | 日本電信電話株式会社 | パラメータ推定装置、方法、及びプログラム |
JP2019133540A (ja) * | 2018-02-02 | 2019-08-08 | 公益財団法人がん研究会 | 構造化診療データ統合管理データベースを用いた匿名化医療情報検索支援システム |
JP7071624B2 (ja) | 2018-03-13 | 2022-05-19 | 富士通株式会社 | 探索プログラム、探索方法および探索装置 |
JP2019159769A (ja) * | 2018-03-13 | 2019-09-19 | 富士通株式会社 | 探索プログラム、探索方法および探索装置 |
KR101877235B1 (ko) * | 2018-03-29 | 2018-07-11 | 한국과학기술정보연구원 | 특허수명예측장치 및 그 동작 방법 |
CN112088383A (zh) * | 2018-05-10 | 2020-12-15 | 松下半导体解决方案株式会社 | 神经网络构筑装置、信息处理装置、神经网络构筑方法及程序 |
WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
JP7078912B2 (ja) | 2018-06-08 | 2022-06-01 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
JPWO2019234907A1 (ja) * | 2018-06-08 | 2021-06-03 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
JP7486472B2 (ja) | 2018-07-30 | 2024-05-17 | データロボット, インコーポレイテッド | データセットのための機械学習モデルの好適性の決定 |
JP2021532488A (ja) * | 2018-07-30 | 2021-11-25 | データロボット, インコーポレイテッド | データセットのための機械学習モデルの好適性の決定 |
JP2020027319A (ja) * | 2018-08-09 | 2020-02-20 | 株式会社豊田中央研究所 | 評価装置、評価方法、および、コンピュータプログラム |
JP2022522641A (ja) * | 2019-03-07 | 2022-04-20 | 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 | トレーニング・データと性能トレンドとの相関付けに基づいたコンピュータ・モデル機械学習 |
US11809966B2 (en) | 2019-03-07 | 2023-11-07 | International Business Machines Corporation | Computer model machine learning based on correlations of training data with performance trends |
JP7413392B2 (ja) | 2019-03-07 | 2024-01-15 | 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 | トレーニング・データと性能トレンドとの相関付けに基づいたコンピュータ・モデル機械学習 |
KR102453336B1 (ko) * | 2019-11-12 | 2022-10-12 | 한국전자기술연구원 | 스파이킹 뉴럴 네트워크를 위한 하이퍼 파라미터 최적화 방법과 장치 및 이를 이용한 연산 장치 |
US11922302B2 (en) | 2019-11-12 | 2024-03-05 | Korea Electronics Technology Institute | Hyper-parameter optimization method for spiking neural network and the processing apparatus thereof |
KR20210057430A (ko) * | 2019-11-12 | 2021-05-21 | 한국전자기술연구원 | 스파이킹 뉴럴 네트워크를 위한 하이퍼 파라미터 최적화 방법과 장치 및 이를 이용한 연산 장치 |
JP2021086381A (ja) * | 2019-11-27 | 2021-06-03 | オムロン株式会社 | 学習装置、学習方法およびプログラム |
JP7392425B2 (ja) | 2019-11-27 | 2023-12-06 | オムロン株式会社 | 学習装置、学習方法およびプログラム |
CN114925845A (zh) * | 2021-02-02 | 2022-08-19 | 四川大学 | 一种嵌入原子势函数的机器学习构建方法 |
CN114925845B (zh) * | 2021-02-02 | 2023-08-08 | 四川大学 | 一种嵌入原子势函数的机器学习构建方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6703264B2 (ja) | 2020-06-03 |
US11334813B2 (en) | 2022-05-17 |
US20170372229A1 (en) | 2017-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6703264B2 (ja) | 機械学習管理プログラム、機械学習管理方法および機械学習管理装置 | |
JP6555015B2 (ja) | 機械学習管理プログラム、機械学習管理装置および機械学習管理方法 | |
JP6974712B2 (ja) | 探索方法、探索装置および探索プログラム | |
JP6697159B2 (ja) | 機械学習管理プログラム、機械学習管理装置および機械学習管理方法 | |
JP6536295B2 (ja) | 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法 | |
TWI818999B (zh) | 針對新場景的預測模型訓練方法及裝置 | |
JP6839342B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP6849915B2 (ja) | 比較プログラム、比較方法および比較装置 | |
JP7071624B2 (ja) | 探索プログラム、探索方法および探索装置 | |
JP6947981B2 (ja) | 推定方法、推定装置および推定プログラム | |
JP5123759B2 (ja) | パターン検出器の学習装置、学習方法及びプログラム | |
EP3779806A1 (en) | Automated machine learning pipeline identification system and method | |
JP7231829B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
EP4170558A1 (en) | Program, data processing method, and data processing device | |
JP5135803B2 (ja) | 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法 | |
JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
JP2018190130A (ja) | 分析装置、分析方法及び分析プログラム | |
JP2021124949A (ja) | 機械学習モデル圧縮システム、プルーニング方法及びプログラム | |
JP4881272B2 (ja) | 顔画像検出装置、顔画像検出方法、及び顔画像検出プログラム | |
JP5379749B2 (ja) | 文書分類装置、文書分類方法、そのプログラムおよび記録媒体 | |
US20210319259A1 (en) | Method and apparatus for extracting a pattern of time series data | |
US20230419189A1 (en) | Programmatic selector for choosing a well-suited stacked machine learning ensemble pipeline and hyperparameter values | |
US20230334297A1 (en) | Information processing apparatus, information processing method, and computer readable medium | |
Tirvan | Sensitivity Assessing to Data Volume for forecasting: introducing similarity methods as a suitable one in Feature selection methods | |
CN114692886A (zh) | 模型训练方法及系统、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190311 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200128 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200325 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20200325 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20200325 |
|
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: 20200407 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200420 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6703264 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |