JP2019109648A - 情報処理システムおよび情報処理システムの学習方法 - Google Patents
情報処理システムおよび情報処理システムの学習方法 Download PDFInfo
- Publication number
- JP2019109648A JP2019109648A JP2017241430A JP2017241430A JP2019109648A JP 2019109648 A JP2019109648 A JP 2019109648A JP 2017241430 A JP2017241430 A JP 2017241430A JP 2017241430 A JP2017241430 A JP 2017241430A JP 2019109648 A JP2019109648 A JP 2019109648A
- Authority
- JP
- Japan
- Prior art keywords
- data
- parameter
- prediction
- learning
- information processing
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
予測誤差=(教師データの数値)−(予測データの数値)
p1=x1×x2、p2=x1×x3である。ここで×は算術積あるいは論理積を意味する。この積処理により、p1には「x1が1であり、かつx2が1」という複合指標が生成され、より詳細な条件を表現できるようになる。p2以降についても同様である。
重み付つき和=w1×q1+w2×q2+…
であり、ここでw1,w2,…はそれぞれの指標の重みである。重みの値が大きいということは、その指標を重視することに対応する。図1では、このq1,q2,…に相当する矢印が、破線にしているが、これは重みつきであることを区別するためである。
Y=σ[Σw(Πxi)] σ[・]は非線形関数(例えばシグモイド関数)を表す。
(例えばy=w1(x1)(x2)+w2(x2)(x3)(x8)(x9)、この場合はσは恒等関数)
という形にすることができる。上記の例では、結果(出力)は「x1かつx2である」ことと、「x2かつx3かつx8かつx9である」ことによって決まっていることが分かる。このように、予測の結果を常にその要因に分解し、式を人が理解できる言葉で説明することが可能になる。これは従来のディープラーニングやニューラルネットにはない特徴である。
102・・・前処理器
103・・・乱数生成1
104・・・データ抽出器1
105・・・学習用データ1
106・・・予測器1
107・・・教師データ
108・・・予測データ1
109・・・学習器1
110・・・乱数生成3
111・・・学習パラメータ1
112・・・予測パラメータ
113・・・乱数生成2
114・・・データ抽出器2
115・・・学習用データ2
116・・・予測器2
117・・・予測データ2
119・・・教師データとは異なる改変データ
120・・・学習器2
121・・・学習パラメータ2
122・・・乱数生成4
123・・・加工済みデータ
Claims (15)
- 元データを入力して予測結果を出力する情報処理システムにおいて、
前記元データから、少なくとも第1のデータと第2のデータが生成され、
前記第1のデータを用いて予測を行う第1の予測式は少なくとも一つのパラメータを有し、
前記第1の予測式による第1の予測結果を用いて該パラメータを調整する第1の学習器を有し、
前記第2のデータを用いて予測を行う第2の予測式は少なくとも一つのパラメータを有し、
前記第2の予測式による第2の予測結果を用いて該パラメータを調整する第2の学習器を有し、
前記第1の学習器が調整するパラメータと前記第2の学習器が調整するパラメータに、共通のパラメータが少なくとも一つあることを特徴とする情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第2のデータにおける教師データは、前記元データからのデータを用いず、前記元データとは異なるラベルあるいは数値を与えられたデータであることを特徴とする情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第1の予測式は、重みつき和と非線形関数を含むことを特徴とする情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第1の予測式は、積と重みつき和を含むことを特徴とする情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第2の学習器は、学習部と反応性評価部を備え、
前記学習部は、前記共通のパラメータを含む複数のパラメータを調整するものであって、
前記第2のデータと前記第2の予測結果の誤差が小さくなるように前記複数のパラメータを調整し、
前記反応性評価部は、
前記複数のパラメータのうち、パラメータの変化に対して前記誤差の変化量が所定以上大きなパラメータを抽出する、情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第2の学習器は、学習部と反応性評価部を備え、
前記学習部は、前記共通のパラメータを含む複数のパラメータを調整するものであって、
前記第2のデータと前記第2の予測結果の誤差が小さくなるように前記複数のパラメータを調整し、
前記反応性評価部は、
前記複数のパラメータのうち、パラメータの変化に対して前記第2のデータと前記第2の予測結果の相関係数の変化量が所定以上大きなパラメータを抽出する、情報処理システム。 - 請求項1の情報処理システムにおいて、
前記第2の学習器は、学習部と反応性評価部とパラメータ補正部を備え、
前記学習部は、前記共通のパラメータを含む複数のパラメータを調整するものであって、
前記第2のデータと前記第2の予測結果の誤差が小さくなるように前記複数のパラメータを調整し、
前記反応性評価部は、
前記複数のパラメータのうち、パラメータの変化に対して前記誤差あるいは前記第2のデータと前記第2の予測結果の相関係数の変化量が所定以上大きなパラメータを抽出し、
前記パラメータ補正部は、
抽出された前記パラメータについて、前記第1の学習器が調整するパラメータを補正する、情報処理システム。 - 請求項7の情報処理システムにおいて、
前記パラメータ補正部は、
抽出された前記パラメータについて、前記第1の学習器が調整するパラメータの重みを小さくする補正を行なう、情報処理システム。 - 請求項7の情報処理システムにおいて、
前記パラメータ補正部は、
抽出された前記パラメータについて、前記第1の学習器が調整するパラメータを0に近づける補正を行なう、情報処理システム。 - 請求項7の情報処理システムにおいて、
前記パラメータ補正部は、
抽出された前記パラメータについて、前記第1の学習器が、前記第1のデータと前記第1の予測結果の誤差が大きくなるように前記複数のパラメータを調整する補正を行なう、情報処理システム。 - 説明変数と第1の結果データの組からなる教師データを複数準備し、
説明変数の組からなる第1の学習用データを複数準備し、
複数のパラメータからなる予測パラメータを用いた予測式を用いて、前記第1の学習用データから第1の予測データを得、
前記第1の結果データと前記第1の予測データの誤差が小さくなるように、前記予測パラメータを変更して第1の予測パラメータを得、
説明変数と第2の結果データの組からなる改変データを複数準備し、
説明変数の組からなる第2の学習用データを複数準備し、
前記予測パラメータを用いた予測式を用いて、前記第2の学習用データから第2の予測データを得、
前記第2の結果データと前記第2の予測データの誤差が小さくなるように、前記予測パラメータを変更して第2の予測パラメータを得、
前記第2の予測パラメータの変化に対する前記誤差の変化、および、前記第2の予測パラメータの変化に対する前記第2の結果データと前記第2の予測データの相関係数の変化、の少なくとも一つを評価して、前記予測パラメータから所定のパラメータを抽出し、
前記第1の予測パラメータのうち、抽出した前記所定のパラメータに該当するパラメータについて、前記第1の予測パラメータを調整する、
情報処理システムの学習方法。 - 請求項11の情報処理システムの学習方法において、
前記教師データは元データの一部であり、前記改変データは前記元データを改変したデータであって、前記元データとは相違するデータである、
情報処理システムの学習方法。 - 請求項11の情報処理システムの学習方法において、
前記第1の予測パラメータのうち、前記所定のパラメータに該当するパラメータについて、前記第1の予測パラメータの重みを小さくを補正する、
情報処理システムの学習方法。 - 請求項11の情報処理システムの学習方法において、
前記第1の予測パラメータのうち、前記所定のパラメータに該当するパラメータについて、前記第1の結果データと前記第1の予測データの誤差が大きくなるように、前記予測パラメータを変更することにより、前記第1の予測パラメータを補正する、
情報処理システムの学習方法。 - 請求項11の情報処理システムの学習方法において、
前記教師データは元データの一部であり、前記改変データは前記元データを改変したデータであって、前記元データとは相違するデータであり、
前記元データを改変する方式について、変更が可能である、
情報処理システムの学習方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017241430A JP6993863B2 (ja) | 2017-12-18 | 2017-12-18 | 情報処理システムおよび情報処理システムの学習方法 |
CN201811530463.3A CN110033113B (zh) | 2017-12-18 | 2018-12-14 | 信息处理系统及信息处理系统的学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017241430A JP6993863B2 (ja) | 2017-12-18 | 2017-12-18 | 情報処理システムおよび情報処理システムの学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019109648A true JP2019109648A (ja) | 2019-07-04 |
JP6993863B2 JP6993863B2 (ja) | 2022-01-14 |
Family
ID=67179811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017241430A Active JP6993863B2 (ja) | 2017-12-18 | 2017-12-18 | 情報処理システムおよび情報処理システムの学習方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6993863B2 (ja) |
CN (1) | CN110033113B (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446531A (zh) * | 2019-09-03 | 2021-03-05 | 丰田自动车株式会社 | 信息处理方法以及信息处理装置 |
CN113366445A (zh) * | 2019-09-30 | 2021-09-07 | 株式会社日立信息通信工程 | 状态预测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05334276A (ja) * | 1990-12-27 | 1993-12-17 | Toshiba Corp | 学習機械の学習法 |
JP2001236341A (ja) * | 2000-02-23 | 2001-08-31 | Denso Corp | 推定モデル構築装置、情報処理装置及び記録媒体 |
JP2009288933A (ja) * | 2008-05-28 | 2009-12-10 | Sony Corp | 学習装置、学習方法、及びプログラム |
JP2017027329A (ja) * | 2015-07-22 | 2017-02-02 | ルネサスエレクトロニクス株式会社 | 故障予測装置および故障予測方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4337461B2 (ja) * | 2003-07-31 | 2009-09-30 | 富士電機ホールディングス株式会社 | 機器特性パラメータ推定装置及び機器特性パラメータ情報出力装置 |
JP5017176B2 (ja) * | 2008-05-21 | 2012-09-05 | 株式会社日立製作所 | 製造指示評価支援システム、製造指示評価支援方法、および製造指示評価支援プログラム |
GB2464677A (en) * | 2008-10-20 | 2010-04-28 | Univ Nottingham Trent | A method of analysing data by using an artificial neural network to identify relationships between the data and one or more conditions. |
JP5803469B2 (ja) * | 2011-09-15 | 2015-11-04 | 富士通株式会社 | 予測方法及び予測プログラム |
US10911318B2 (en) * | 2015-03-24 | 2021-02-02 | Futurewei Technologies, Inc. | Future network condition predictor for network time series data utilizing a hidden Markov model for non-anomalous data and a gaussian mixture model for anomalous data |
CN107346448B (zh) * | 2016-05-06 | 2021-12-21 | 富士通株式会社 | 基于深度神经网络的识别装置、训练装置及方法 |
-
2017
- 2017-12-18 JP JP2017241430A patent/JP6993863B2/ja active Active
-
2018
- 2018-12-14 CN CN201811530463.3A patent/CN110033113B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05334276A (ja) * | 1990-12-27 | 1993-12-17 | Toshiba Corp | 学習機械の学習法 |
JP2001236341A (ja) * | 2000-02-23 | 2001-08-31 | Denso Corp | 推定モデル構築装置、情報処理装置及び記録媒体 |
JP2009288933A (ja) * | 2008-05-28 | 2009-12-10 | Sony Corp | 学習装置、学習方法、及びプログラム |
JP2017027329A (ja) * | 2015-07-22 | 2017-02-02 | ルネサスエレクトロニクス株式会社 | 故障予測装置および故障予測方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112446531A (zh) * | 2019-09-03 | 2021-03-05 | 丰田自动车株式会社 | 信息处理方法以及信息处理装置 |
US11631095B2 (en) | 2019-09-03 | 2023-04-18 | Toyota Jidosha Kabushiki Kaisha | Information processing method and information processing apparatus |
CN113366445A (zh) * | 2019-09-30 | 2021-09-07 | 株式会社日立信息通信工程 | 状态预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110033113A (zh) | 2019-07-19 |
CN110033113B (zh) | 2023-06-20 |
JP6993863B2 (ja) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abolghasemi et al. | Demand forecasting in supply chain: The impact of demand volatility in the presence of promotion | |
Ntakaris et al. | Benchmark dataset for mid‐price forecasting of limit order book data with machine learning methods | |
US11348110B2 (en) | Artificial intelligence fraud management solution | |
Wang et al. | Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models | |
Sharma et al. | Artificial neural networks: Applications in management | |
Achar | Early Consequences Regarding the Impact of Artificial Intelligence on International Trade | |
US20220188644A1 (en) | Latent-space misalignment measure of responsible ai for machine learning models | |
Korangi et al. | A transformer-based model for default prediction in mid-cap corporate markets | |
JP6993863B2 (ja) | 情報処理システムおよび情報処理システムの学習方法 | |
Jain et al. | Machine Learning for Risk Analysis | |
Aghaie et al. | Using bayesian networks for bankruptcy prediction: Empirical evidence from iranian companies | |
Wimmer et al. | Leveraging vision-language models for granular market change prediction | |
Abdipoor et al. | Integrating neural network and colonial competitive algorithm: A new approach for predicting bankruptcy in Tehran security exchange | |
Huy et al. | Econometric combined with neural network for coffee price forecasting | |
Manikonda et al. | Explainable machine learning for credit lending | |
Liu et al. | Stock price prediction using temporal graph model with value chain data | |
Maddodi | Stock Market Forecasting: A Review Of Literature | |
Mitra et al. | Predicting Indian basket crude prices through machine learning models-a comparative approach | |
Banik et al. | Modeling chaotic behavior of Dhaka stock market index values using the neuro-fuzzy model | |
CN117151867B (zh) | 一种基于大数据的企业异常识别方法及系统 | |
US20240119529A1 (en) | Machine learning based personalized ethical interest and sensitivity profile generation for investment management | |
KG et al. | Price Forecasting on a Large Scale Data Set using Time Series and Neural Network Models. | |
Kumari et al. | A Comparative Analysis of Data Standardization Methods on Stock Movement | |
Khodabakhshian et al. | Machine Learning Application in Construction Delay and Cost Overrun Risks Assessment | |
Bilgaeva et al. | Neuroevolution Forecasting of the Living Standards of the Population |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200316 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210224 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210330 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210528 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210622 |
|
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: 20211116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211210 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6993863 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |