JP2020091756A - 学習方法、学習プログラムおよび学習装置 - Google Patents
学習方法、学習プログラムおよび学習装置 Download PDFInfo
- Publication number
- JP2020091756A JP2020091756A JP2018229455A JP2018229455A JP2020091756A JP 2020091756 A JP2020091756 A JP 2020091756A JP 2018229455 A JP2018229455 A JP 2018229455A JP 2018229455 A JP2018229455 A JP 2018229455A JP 2020091756 A JP2020091756 A JP 2020091756A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- betch
- time
- unit
- 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 60
- 238000012545 processing Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 40
- 238000004138 cluster model Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 9
- 230000002085 persistent effect Effects 0.000 description 9
- 238000010937 topological data analysis Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 241000219873 Vicia Species 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012856 packing Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
図1は、実施例1にかかる学習装置10を説明する図である。図1に示す学習装置10は、トポロジカルデータ解析を用いてデータを分析する機械学習を実行するコンピュータ装置の一例である。この学習装置10は、時系列データをアトラクタと呼ばれる図形に変換し、TDA処理を用いてその図形の特徴を抽出することで、機械学習等に入力するための特徴量を生成する。
図2は、実施例1にかかる学習装置10の機能構成を示す機能ブロック図である。図2に示すように、学習装置10は、通信部11、記憶部12、制御部20を有する。
次に、図11から図14を用いて具体例を説明する。図11は、区間分割と疑似アトラクタの生成を説明する図である。図12は、特徴量の抽出を説明する図である。図13は、学習例を説明する図である。図14は、学習後の分類例を説明する図である。なお、ここでは、1次のベッチ系列を算出する例で説明する。
図15は、学習処理の流れを示すフローチャートである。なお、学習後の分類処理も学習処理と同様の流れで実行できるので、詳細な説明は省略する。
上述したように、学習装置10は、ラベル付けされた単位時間内に複数の異なる特徴が存在するような分類問題について、単位時間内に存在する特徴の分布を特徴量とすることができる。この結果、学習装置10は、データそのままでは抽出できなかった特徴を抽出することができ、TDAを用いたデータ分析の適用範囲を広げることができる。また、学習装置10は、専門家による細かなラベル付けを抑制することができ、データの分類速度の向上と分類精度の向上を両立させることができる。
例えば、実施例1では、小区間データのベッチ系列をクラスタリングして特徴量を抽出する例を説明したが、これに限定されるものではない。例えば、学習装置10は、小区間毎の特徴量の統計量を特徴量とすることもできる。このようにすることで、単位時間内の特徴の変動度合いやランダムな変動を除いた大まかな特徴の傾向を数値化できる。
次に、図17と図18を用いて、実施例1で説明した学習装置10を適用したシステム例を説明する。図17は、システム適用例(学習フェーズ)を説明する図である。図18は、システム適用例(実践フェーズ)を説明する図である。このシステムは、倉庫内作業の作業日報の自動生成を行うシステムである。ここでは、学習処理部30を有する学習装置10と分類処理部40を有する分類装置50とを用いるシステム例で説明する。
また、上記実施例で用いた数値、ラベルの設定内容、各種設定値、疑似アトラクタの次元数等は、あくまで一例であり、任意に変更することができる。また、入力データや学習方法などもあくまで一例であり、任意に変更することができる。なお、特徴ベクトルは、特徴量の一例であり、ベッチ系列の特徴を示す情報であれば、他の情報を用いることもできる。
上記文書中や図面中で示した処理手順、制御手順、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。
図19は、ハードウェア構成例を説明する図である。図19に示すように、学習装置10は、通信装置10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。また、図19に示した各部は、バス等で相互に接続される。
11 通信部
12 記憶部
13 設定値DB
14 入力データDB
15 小区間データDB
16 ベッチ系列DB
17 特徴量DB
18 学習結果DB
19 モデルDB
20 制御部
30 学習処理部
31 分割部
32 系列生成部
33 生成部
34 学習部
40 分類処理部
41 分割部
42 系列生成部
43 生成部
44 分類部
Claims (7)
- コンピュータが、
単一のラベルが付与され、当該単一のラベルが付与された期間で動きが変動するデータを取得し、
前記データを複数の区間に分割した要素ごとにアトラクタを生成し、
生成したアトラクタから要素ごとにベッチ系列を算出し、
算出した要素ごとのベッチ系列の集合としての特徴を学習する
処理を実行することを特徴とする学習方法。 - 前記学習する処理は、前記要素ごとのベッチ系列をクラスタリングし、クラスタリングされた各クラスタに属する前記要素の数を用いた特徴ベクトルを生成し、前記要素ごとの特徴ベクトルを入力として機械学習を実行することを特徴とする請求項1に記載の学習方法。
- 前記学習する処理は、前記要素ごとのベッチ系列の統計量として、平均、分散、尖度または歪度のいずれか一つまたは複数を算出し、算出された前記要素ごとの統計量を入力として機械学習を実行することを特徴とする請求項1に記載の学習方法。
- 前記取得する処理は、作業員が装着するウェアラブルセンサから単位時間分の時系列データを取得し、
前記生成する処理は、前記単位時間分の時系列データを複数の区間に分割した要素ごとにアトラクタを生成し、
前記算出する処理は、前記アトラクタから要素ごとにベッチ系列を算出し、
前記学習する処理は、前記要素ごとのベッチ系列から特徴量を算出し、前記特徴量を用いて、前記作業員の作業内容を分類する分類モデルを学習することを特徴とする請求項1に記載の学習方法。 - 前記作業員の前記ウェアラブルセンサから取得された複数の前記時系列データそれぞれから前記特徴量を算出し、
算出された各特徴量を、学習済みの前記分類モデルに入力して、各分類結果を取得し、
前記各分類結果に基づいて、前記作業員の作業日報を生成する処理を、前記コンピュータが実行することを特徴とする請求項4に記載の学習方法。 - コンピュータに、
単一のラベルが付与され、当該単一のラベルが付与された期間で動きが変動するデータを取得し、
前記データを複数の区間に分割した要素ごとにアトラクタを生成し、
生成したアトラクタから要素ごとにベッチ系列を算出し、
算出した要素ごとのベッチ系列の集合としての特徴を学習する
処理を実行させることを特徴とする学習プログラム。 - 単一のラベルが付与され、当該単一のラベルが付与された期間で動きが変動するデータを取得する通信部と、
前記データを複数の区間に分割した要素ごとにアトラクタを生成し、生成したアトラクタから要素ごとにベッチ系列を算出する系列生成部と、
算出した要素ごとのベッチ系列の集合としての特徴を生成する生成部と、
生成した前記特徴を学習する学習部と
を有することを特徴とする学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018229455A JP7131351B2 (ja) | 2018-12-06 | 2018-12-06 | 学習方法、学習プログラムおよび学習装置 |
US16/687,925 US11410055B2 (en) | 2018-12-06 | 2019-11-19 | Learning of a feature based on betti sequences obtained from time series data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018229455A JP7131351B2 (ja) | 2018-12-06 | 2018-12-06 | 学習方法、学習プログラムおよび学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020091756A true JP2020091756A (ja) | 2020-06-11 |
JP7131351B2 JP7131351B2 (ja) | 2022-09-06 |
Family
ID=70970255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018229455A Active JP7131351B2 (ja) | 2018-12-06 | 2018-12-06 | 学習方法、学習プログラムおよび学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11410055B2 (ja) |
JP (1) | JP7131351B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022007313A (ja) * | 2020-06-26 | 2022-01-13 | ルネサスエレクトロニクス株式会社 | 時系列センサデータ処理装置および時系列センサデータ処理方法 |
JP7543944B2 (ja) | 2021-02-26 | 2024-09-03 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び推定装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102438656B1 (ko) * | 2020-11-27 | 2022-08-31 | 주식회사 에이아이비즈 | 반도체 소자 제조 공정의 공정 업데이트 및 불량 원인 분석 방법 |
CN114429768B (zh) * | 2022-02-25 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 说话人日志模型的训练方法、装置、设备及存储介质 |
US20230412623A1 (en) * | 2022-06-20 | 2023-12-21 | Raytheon Company | Cyberattack detection with topological data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017097643A (ja) * | 2015-11-25 | 2017-06-01 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び情報処理装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11142425A (ja) | 1997-11-10 | 1999-05-28 | Furuno Electric Co Ltd | 流速測定装置および超音波診断装置 |
WO2006137142A1 (ja) | 2005-06-23 | 2006-12-28 | Rion Co., Ltd. | エンジン回転数計測方法及びその装置 |
EP3298524A4 (en) * | 2015-05-22 | 2019-03-20 | CSTS Health Care Inc. | THERMODYNAMIC MEASUREMENTS RELATING TO PROTEIN-PROTEIN INTERACTION NETWORKS FOR THE TREATMENT OF CANCER |
WO2017010397A1 (ja) * | 2015-07-15 | 2017-01-19 | 国立大学法人大阪大学 | 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体 |
JP6816481B2 (ja) | 2016-12-02 | 2021-01-20 | 富士通株式会社 | 削減条件特定方法、削減条件特定プログラム及び削減条件特定装置 |
-
2018
- 2018-12-06 JP JP2018229455A patent/JP7131351B2/ja active Active
-
2019
- 2019-11-19 US US16/687,925 patent/US11410055B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017097643A (ja) * | 2015-11-25 | 2017-06-01 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び情報処理装置 |
Non-Patent Citations (1)
Title |
---|
梅田 裕平 他2名: ""トポロジカルデータアナリシスと時系列データ解析への応用"", FUJITSU, vol. 69, no. 4, JPN6019034434, July 2018 (2018-07-01), pages 97 - 103, ISSN: 0004833727 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022007313A (ja) * | 2020-06-26 | 2022-01-13 | ルネサスエレクトロニクス株式会社 | 時系列センサデータ処理装置および時系列センサデータ処理方法 |
JP7543944B2 (ja) | 2021-02-26 | 2024-09-03 | 富士通株式会社 | 機械学習プログラム、機械学習方法及び推定装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7131351B2 (ja) | 2022-09-06 |
US11410055B2 (en) | 2022-08-09 |
US20200184353A1 (en) | 2020-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7131351B2 (ja) | 学習方法、学習プログラムおよび学習装置 | |
JP6606997B2 (ja) | 機械学習プログラム、機械学習方法及び情報処理装置 | |
JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
US20140046878A1 (en) | Method and system for detecting sound events in a given environment | |
US10437945B2 (en) | Systems and methods for order-of-magnitude viral cascade prediction in social networks | |
JP2019016209A (ja) | 診断装置、診断方法およびコンピュータプログラム | |
CN107003992B (zh) | 用于神经语言行为识别系统的感知联想记忆 | |
JP2017068748A (ja) | クラスタリングプログラム、クラスタリング方法、および情報処理装置 | |
CN107111610B (zh) | 用于神经语言行为识别系统的映射器组件 | |
JP6950504B2 (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
JP6952660B2 (ja) | 更新支援装置、更新支援方法およびプログラム | |
Gonzalez-Vidal et al. | Beats: Blocks of eigenvalues algorithm for time series segmentation | |
Maram et al. | A framework for performance analysis on machine learning algorithms using covid-19 dataset | |
JP7052604B2 (ja) | 業務推定方法、情報処理装置、及び業務推定プログラム | |
CN114925938A (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
US11640553B2 (en) | Method for analyzing time-series data based on machine learning and information processing apparatus | |
US20230126567A1 (en) | Operation system, operation method and recording medium having recorded thereon operation program | |
Sinaga et al. | Prediction measuring local coffee production and marketing relationships coffee with big data analysis support | |
JP5401885B2 (ja) | モデルの構築方法、構築システム及び構築用プログラム | |
US20200311587A1 (en) | Method for extracting features, storage medium, and apparatus for extracting features | |
JP2018181052A (ja) | モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法 | |
US10692256B2 (en) | Visualization method, visualization device, and recording medium | |
Yeh et al. | Estimation of a data-collection maturity model to detect manufacturing change | |
CN118315004B (zh) | 一种基于三维子轨迹聚类算法的临床路径挖掘方法 | |
Costa | Topological data analysis and applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210909 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220713 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220726 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220808 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7131351 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |