JP2020190958A - モデル生成装置、パラメータ算出装置、モデル生成方法、パラメータ算出方法およびプログラム - Google Patents
モデル生成装置、パラメータ算出装置、モデル生成方法、パラメータ算出方法およびプログラム Download PDFInfo
- Publication number
- JP2020190958A JP2020190958A JP2019096325A JP2019096325A JP2020190958A JP 2020190958 A JP2020190958 A JP 2020190958A JP 2019096325 A JP2019096325 A JP 2019096325A JP 2019096325 A JP2019096325 A JP 2019096325A JP 2020190958 A JP2020190958 A JP 2020190958A
- Authority
- JP
- Japan
- Prior art keywords
- model
- relationship
- sample
- machine learning
- prediction
- 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
- 238000009826 distribution Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 abstract description 40
- 238000010801 machine learning Methods 0.000 description 92
- 238000004088 simulation Methods 0.000 description 71
- 230000006870 function Effects 0.000 description 63
- 238000003860 storage Methods 0.000 description 24
- 238000004891 communication Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012384 transportation and delivery Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013531 bayesian neural network Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
- Quality & Reliability (AREA)
Abstract
Description
図1は、本発明の実施形態に係る予測システムの装置構成の例を示す概略構成図である。図1に示す構成で、予測システム1は、シミュレータ装置10と、機械学習装置20と、モデル生成装置30とを備える。また、シミュレータ装置10と、機械学習装置20と、モデル生成装置30と、予測対象910とは、通信ネットワーク920を介して通信を行う。
予測対象910は、その動作または状態のシミュレーションを実行可能なものであればよく、特定のものに限定されない。
以下では、予測対象910の動作または状態の解析を、単に予測対象910の解析と称する。上記した配送状況の解析は、予測対象910の解析の例に該当する。
シミュレータ装置10のシミュレーションモデルは、第2モデルの例に該当する。シミュレータ装置10は、パラメータ設定部の例に該当する。
機械学習装置20の機械学習によって得られるモデルを機械学習モデルと称する。機械学習装置20の機械学習モデルは、第1モデルの例に該当する。
例えば、シミュレータ装置10が用いるシミュレーションモデルのパラメータが、実際の予測対象910に関する物理量となっており、ユーザは、その値を予測対象910の解析に役立てることができる。これに対して、機械学習装置20がニューラルネットワークを用いて機械学習を行う場合、通常、ニューラルネットワークにおける重み(パラメータ値)を実際の物理量に対応付けることは困難である。
また、モデル生成装置30が学習するモデルをブリッジモデルとも称する。ブリッジモデルは、第3モデルの例に該当する。言い換えると、ブリッジモデルは、機械学習装置20が算出したパラメータ値と、シミュレーションモデルのパラメータ値との関連性を表すモデルである。
モデル生成装置30は、例えばパソコン(Personal Computer;PC)またはワークステーション(Workstation;WS)等のコンピュータを用いて構成される。
モデル生成装置30が、シミュレーションモデルのパラメータ値を取得することで、ユーザは、例えば機械学習装置20による予測結果の解析など予測対象910の解析に、シミュレーションモデルのパラメータ値を利用することができる。
(2) 予測対象910の解析の補助用に予測システム1が取得するデータを、仮に、(シミュレーションまたは解析等により)直接的に取得する場合、ブリッジモデルを用いて取得する場合よりも時間を要する、あるいは、直接的に取得することが困難である。
なお、後述するように、モデル生成装置30が予測結果を必要とせず、予測用の入力データに対して解析用データを出力するブリッジモデルを生成するようにしてもよい。
シミュレータ装置10、機械学習装置20、および、モデル生成装置30のうち何れか2つ以上が、1つの装置に纏められた構成となっていてもよい。この場合に、ブリッジモデルは、入力データと、シミュレーションモデルのパラメータ値との関連性を表すモデルである。
表示部120は、例えば液晶パネルまたはLED(Light Emitting Diode、発光ダイオード)パネル等の表示画面を備え、各種画像を表示する。例えば、表示部120は、解析補助データを表示する。
記憶部180は、各種データを記憶する。記憶部180は、モデル生成装置30が備える記憶デバイスを用いて構成される。
モデル生成部191は、学習フェーズにてブリッジモデルを生成する。
モデル実行部192は、予測フェーズにて、モデル生成部191が生成したブリッジモデルを用いて解析補助データを取得する。具体的には、モデル実行部192は、予測用の入力データをブリッジモデルに適用して、解析補助データを算出する。
モデル生成部191の機能を実行する装置(すなわち、ブリッジモデルを生成する装置)と、モデル実行部192の機能を実行する装置(すなわち、ブリッジモデルを用いて解析補助データを取得する装置)とが別々の装置として構成されていてもよい。
ここでは、以下の条件が成立していることを想定して、機械学習装置20が、予測対象910の動作または状態の予測の機械学習を行い、モデル生成装置30が、シミュレータ装置10のシミュレーションモデルのパラメータ値を出力するブリッジモデルを生成する場合を例に説明する。
(B) 機械学習装置20が、予測対象910の動作または状態の予測を十分に正確に行えるが、機械学習装置20の機械学習のパラメータの値は予測対象910の解析に利用できない。
(C) シミュレータ装置10がシミュレーションで予測対象910の動作または状態の予測を行う計算コストが、機械学習装置20が機械学習結果を用いて予測を行う計算コストよりも高い。特に、シミュレータ装置10が予測を行うのに要する時間が、機械学習装置20が予測を行うのに要する時間よりも長い。
(D) 予測対象910の動作または状態の予測のための入力データの値と、シミュレータ装置10のシミュレーションモデルのパラメータの値との間に関連性がある。
(E) 予測対象910の動作または状態の予測のための入力データの値と、シミュレータ装置10のシミュレーションモデルのパラメータの値との関係を取得するオフライン計算時間は十分にある。一方、実際に予測対象910の動作または状態を予測する予測時間は限られている。
yは、予測結果を示す出力データであり、dy個の実数値からなる。すなわち、yはRdyの要素である。yは、ラベルの例に該当する。ここでいうラベルは、サンプルと関連性のあるデータである。ラベルは、離散的な情報を表すクラスであってもよいし、連続的な情報を表す数値であってもよい。
ξは、機械学習のパラメータ値のベクトル表記である。機械学習装置20は機械学習のパラメータとしてdξ個の実数値のパラメータを持つ。すなわち、ξはRdξの要素である。
また、シミュレータ装置10によるシミュレーションを式(2)のように表記する。
θは、シミュレーションモデルのパラメータ値のベクトル表記である。機械学習装置20のシミュレーションモデルはdθ個の実数値のパラメータを持つ。すなわち、θはRdθの要素である。
そして、モデル生成部191は、RKHSで、機械学習装置20の機械学習モデルを示す関数の入力を受けて、シミュレータ装置10のシミュレーションモデルを示す関数を出力する関数を取得する。この処理を本番処理と称する。
ここで、機械学習装置20の機械学習モデルのパラメータ値ξおよびシミュレータ装置10のシミュレーションモデルのパラメータ値θは、予測対象910の状態変化に応じて変化するものとする。
Yn l(l=1,・・・,L)は、パラメータ値ξおよびθが一定であると見做せる単位時間における、機械学習装置20による予測結果を示す出力データyのサンプルデータである。Ynlは、n個のサンプルデータでyの分布を示す。上記のようにyはdyの要素なので、Ynlは、n×dy個の実数値で示される。すなわち、Yn lはRn×dyの要素である。
カーネル平均は、RKHS上の点で示される。モデル生成部191が、μ^,ml 1およびμ^,sim 1を算出する方法として、カーネルABC(Kernel Approximate Bayesian Computation)の方法を用いることができる。
モデル生成部191は、式(3)に基づいてT^を算出する。
式(3)のΣl=1 L||μ^,sim l−T(μ^,sim l)||H 2に示されるように、関数Tを用いてμ^,ml lを変換した場合のμ^,sim lとの誤差が、なるべく小さくなるようにT^を算出する。
式(3)のλ||T||H 2は、過学習を防止するための正則化の項であり、モデルが複雑になることに対するペナルティー項として機能する。
モデル実行部192は、{Xn L+1,Yn L+1}の入力を受けて、この{Xn L+1,Yn L+1}に対応するシミュレーションモデルのパラメータ値を算出する。ここでいう{Xn L+1,Yn L+1}に対応するシミュレーションモデルのパラメータ値とは、シミュレータ装置10が、Xn L+1の入力に対してYn L+1を出力するためのパラメータ値である。
モデル実行部192が、{Xn L+1,Yn L+1}に基づいてμ^,ml L+1を算出する方法は、モデル生成部191が、{Xn l,Yn l}に基づいてμ^,ml lを求める方法と同様の方法とすることができる。
モデル実行部192が行うμ^,sim L+1の算出は、式(5)のように示される。
「G」は、Gram Matrixを示し、式(7)のように示される。
重みwl,jは、θlの事後分布のカーネル平均を得るための{Xn l,Yn l}に対するカーネルABC(Kernel Approximate Bayesian Computation)によって計算される。
「kθ」は、ガウシアンカーネルを示す。θl,jは、l番目のデータセット{Xn l,Yn l}に対するj番目の事前分布からのサンプリングデータを示す。
j=2,・・・,mの場合については、それぞれ式(9)全体を適用する。初期状態となるj=1の場合については、式(9)の右辺の第1項を用いる。したがって、j=1の場合は式(10)を適用する。
モデル生成部191が、式(11)を用いてμ^,sim lを算出するようにしてもよい。
括弧内の「・」は、RKHS空間における関数の変数が特定のものに限定されないことを示す。
式(11)のlをL+1と読み替え、モデル実行部192が、式(11)を用いてμ^,sim L+1を算出するようにしてもよい。
ここで、機械学習装置20の機械学習モデルがパラメトリックモデルである場合の例として、機械学習装置20が、幾つかの隠れ層を持ったベイジアンニューラルネットワークを用いて機械学習を行う場合を想定する。ここでいうパラメトリックモデルは、パラメータ(ここでは学習パラメータ)を有するモデルである。
この場合、モデル生成部191が、式(12)に基づいてμ^,ml lを算出するようにしてもよい。
mはパラメータサンプルの個数を示す。j=1,・・・,mは、個々のパラメータサンプルを識別するインデックスとして用いられている。
<・,・>は、内積を示す。
ξのガウシアンカーネルを式(14)のようにする。
式(12)のkξ(・,ξi,j)を直接計算することはできないのに対し、その内積をとることにより、<k(・,ξ1),k(・,ξ2)>=k(ξ1,ξ2)のように計算可能な形になる。式(12)のkξ(・,ξi,j)の場合、式(14)のkξ(ξi,j,ξi’,j’)のようになり、計算可能になる。
このように、モデル生成部191およびモデル実行部192が機械学習モデルのカーネル平均μ^,ml lを算出することで、モデル生成装置30は、機械学習装置20による予測データを得られない場合でも、シミュレーションモデルのパラメータ値を算出し得る。
ガウス過程回帰は、1層の隠れ層を有しノード数が無限のベイジアンニューラルネットワークと等価である。
ガウス過程回帰の結果として、式(15)に示される事前分布の平均が得られる。
μ^ Y|X,lを用いてY^ l,n+1は式(16)のように算出される。
したがって、モデル実行部192は、機械学習装置20による予測結果を求める必要なしに、シミュレータモデルのパラメータ値を求めることができる。
予測システム1は、例えば工場の生産ラインにおける所要時間の予測に適用可能である。
図3は、予測システム1の対象となる生産ラインの例を示す図である。図3の例で、生産ラインには、組立装置と検査装置とが設置されている。
組立装置は、上側部品、下側部品、および2つのねじの4つの部品を組み立てて製品を生成する。組立装置が組み立てた製品は検査装置に搬入される。検査装置は、製品が4つ搬入されると検査を行う。
この工程で、生産する製品の個数が増加すると、負荷が増大して各工程における経過時間が大幅に増加するものとする。具体的には、Xの値が110を超えると、組立および検査に時間を要し、θ1、θ2共に値が大きくなるものとする。
ただし、予測システム1の適用対象は特定のものに限定されない。たとえば、予測システム1を、宅配会社等の物流系統に適用するようにしてもよい。あるいは、予測システム1を、花火大会など人が集まる会場で安全かつ効率的に人を誘導する場合など、人の流れの予測に適用するようにしてもよい。
RKHS空間のカーネルとして線形カーネルを用いると、カーネル平均は分布の平均の値となる。したがって、機械学習モデル、シミュレーショモデルの何れか一方または両方が点で示される場合にも、上記で説明したのと同様に、予測システム1を適用することができる。
あるいは、モデル生成部191が、機械学習モデルを示す関数の分布の入力を受けて、シミュレーションモデルの関数を示す点を出力する、RKHS空間における関数をブリッジモデルとして算出するようにしてもよい。
あるいは、モデル生成部191が、機械学習モデルを示す関数を示す点の入力を受けて、シミュレーションモデルの関数を示す点を出力する、RKHS空間における関数をブリッジモデルとして算出するようにしてもよい。
このように、分布−分布回帰の場合に限らず、分布−点回帰の場合、点−分布回帰の場合、および、点−点回帰の場合にも予測システム1を適用可能である。
モデル生成装置30によれば、予測対象910の動作または状態の予測時に、シミュレーションモデルを実行する必要なしに、シミュレーションモデルのパラメータ値を得られる。モデル生成装置30によれば、この点で、比較的短い時間で、解析対象の解析に利用可能なデータを得られる。
モデル生成部191によれば、シミュレーションモデルのパラメータ値の分布を算出することができ、この点で、シミュレーションモデルのパラメータ値をより高精度に算出できる。
モデル生成部191によれば、シミュレーションモデルを示す関数が点で示されることで計算コストが比較的小さくて済む。
モデル生成部191によれば、機械学習モデルを示す関数が点で示されることで計算コストが比較的小さくて済む。
モデル生成部191によれば、機械学習モデルを示す関数およびシミュレーションモデルを示す関数が、いずれも点で示されることで計算コストが比較的小さくて済む。
モデル生成装置30によれば、ブリッジモデルの生成の一部にカーネル平均等の技術を用いることができ、比較的容易にブリッジモデルの生成処理を設計し得る。
ユーザは、このパラメータ値を、予測対象910の解析に用いることができる。
ユーザは、このパラメータ値を、予測対象910の解析に用いることができる。
図4は、実施形態に係るモデル生成装置の構成の例を示す図である。図4に示すモデル生成装置200は、モデル生成部201を備える。
かかる構成にて、モデル生成部201は、サンプルと、そのサンプルのラベルとの関連性を示す第1モデルと、その関連性を示し第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する。
モデル生成装置200によれば、予測対象の動作または状態の予測時に、シミュレーションモデルを実行する必要なしに、シミュレーションモデルのパラメータ値を得られる。モデル生成装置200によれば、この点で、比較的短い時間で、解析対象の解析に利用可能なデータを得られる。
かかる構成にて、モデル実行部211は、サンプルとそのサンプルのラベルとの関連性を示す第1モデルと、その関連性を示し第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、第1モデルの所与サンプルに適用することによって、その所与サンプルについての第2モデルのパラメータを算出する。
ユーザは、所与サンプルについての第1モデルのパラメータ値を、予測対象の解析に用いることができる。
図6に示すモデル生成方法は、ステップS11を含む。ステップS11は、サンプルと、サンプルのラベルとの関連性を示す第1モデルと、その関連性を示し第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する工程である。
図6に示すモデル生成方法よれば、予測対象の動作または状態の予測時に、シミュレーションモデルを実行する必要なしに、シミュレーションモデルのパラメータ値を得られる。このモデル生成方法によれば、この点で、比較的短い時間で、解析対象の解析に利用可能なデータを得られる。
図7に示すパラメータ算出方法は、ステップS21を含む。ステップS21は、サンプルとそのサンプルのラベルとの関連性を示す第1モデルと、その関連性を示し第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、第1モデルの所与サンプルに適用することによって、その所与サンプルについての第2モデルのパラメータを算出する工程である。
図7に示すパラメータ算出方法によれば、ユーザは、所与サンプルについての第1モデルのパラメータ値を、予測対象の解析に用いることができる。
図8に示す構成で、コンピュータ700は、CPU710と、主記憶装置720と、補助記憶装置730と、インタフェース740とを備える。
上記のモデル生成装置30、またはモデル生成装置200のうち何れか1つ以上が、コンピュータ700に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置730に記憶されている。CPU710は、プログラムを補助記憶装置730から読み出して主記憶装置720に展開し、当該プログラムに従って上記処理を実行する。また、CPU710は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置720に確保する。各装置と他の装置との通信は、インタフェース740が通信機能を有し、CPU710の制御に従って通信を行うことで実行される。
また、CPU710は、プログラムに従って、記憶部180に対応する記憶領域を主記憶装置720に確保する。通信部110が行う通信は、インタフェース740が通信機能を有し、CPU710の制御に従って通信を行うことで実行される。表示部120が行う処理は、インタフェース740が表示装置を備え、CPU710の制御に従って画像を表示することで実行される。操作入力部130が行う処理は、インタフェース740が入力デバイスを備えてユーザ操作を受け付け、行われたユーザ操作を示す信号をCPU710へ出力することで実行される。
「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM(Read Only Memory)、CD−ROM(Compact Disc Read Only Memory)等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成するモデル生成部
を備えるモデル生成装置。
前記モデル生成部は、前記第1モデルを示す関数の分布の入力を受けて前記第2モデルを示す関数の分布を出力する前記第3モデルを生成する、
付記1に記載のモデル生成装置。
前記モデル生成部は、前記第1モデルを示す関数の分布の入力を受けて前記第2モデルを示す関数を示す点を出力する前記第3モデルを生成する、
付記1に記載のモデル生成装置。
前記モデル生成部は、前記第1モデルを示す関数を示す点の入力を受けて前記第2モデルを示す関数の分布を出力する前記第3モデルを生成する、
付記1に記載のモデル生成装置。
前記モデル生成部は、前記第1モデルを示す関数を示す点の入力を受けて前記第2モデルを示す関数を示す点を出力する前記第3モデルを生成する、
付記1に記載のモデル生成装置。
前記モデル生成部は、前記第1モデルを示すカーネル平均の入力を受けて前記第2モデルを示すカーネル平均を出力するRKHS空間の関数を前記第3モデルとして生成する、
付記1から5の何れか1つに記載のモデル生成装置。
前記第2モデルを示すカーネル平均に基づいて、前記第2モデルのパラメータの値を算出するモデル実行部をさらに備える、
付記6に記載のモデル生成装置。
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出するモデル実行部
を備えるパラメータ算出装置。
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する工程
を含むモデル生成方法。
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出する工程
を備えるパラメータ算出方法。
コンピュータに、
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する工程
を実行させるためのプログラム。
コンピュータに、
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出する工程
を実行させるためのプログラム。
10 シミュレータ装置
20 機械学習装置
30、200 モデル生成装置
110 通信部
120 表示部
130 操作入力部
180 記憶部
190 制御部
191、201 モデル生成部
192 モデル実行部
Claims (10)
- サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成するモデル生成部
を備えるモデル生成装置。 - 前記モデル生成部は、前記第1モデルを示す関数の分布の入力を受けて前記第2モデルを示す関数の分布を出力する前記第3モデルを生成する、
請求項1に記載のモデル生成装置。 - 前記モデル生成部は、前記第1モデルを示す関数の分布の入力を受けて前記第2モデルを示す関数を示す点を出力する前記第3モデルを生成する、
請求項1に記載のモデル生成装置。 - 前記モデル生成部は、前記第1モデルを示すカーネル平均の入力を受けて前記第2モデルを示すカーネル平均を出力するRKHS空間の関数を前記第3モデルとして生成する、
請求項1から3の何れか1項に記載のモデル生成装置。 - 前記第2モデルを示すカーネル平均に基づいて、前記第2モデルのパラメータの値を算出するモデル実行部をさらに備える、
請求項4に記載のモデル生成装置。 - サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出するモデル実行部
を備えるパラメータ算出装置。 - サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する工程
を含むモデル生成方法。 - サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出する工程
を備えるパラメータ算出方法。 - コンピュータに、
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを生成する工程
を実行させるためのプログラム。 - コンピュータに、
サンプルと前記サンプルのラベルとの関連性を示す第1モデルと、前記関連性を示し前記第1モデルとは異なる第2モデルのパラメータとの間の、関連性を示す第3モデルを、前記第1モデルの所与サンプルに適用することによって、前記所与サンプルについての前記第2モデルのパラメータを算出する工程
を実行させるためのプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/612,310 US20220229428A1 (en) | 2019-05-22 | 2019-05-22 | Model generation device, parameter calculation device, model generation method, parameter calculation method, and recording medium |
JP2019096325A JP7406186B2 (ja) | 2019-05-22 | 2019-05-22 | モデル生成装置、パラメータ算出装置、モデル生成方法およびプログラム |
PCT/JP2020/020085 WO2020235625A1 (ja) | 2019-05-22 | 2020-05-21 | モデル生成装置、パラメータ算出装置、モデル生成方法、パラメータ算出方法および記録媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019096325A JP7406186B2 (ja) | 2019-05-22 | 2019-05-22 | モデル生成装置、パラメータ算出装置、モデル生成方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020190958A true JP2020190958A (ja) | 2020-11-26 |
JP7406186B2 JP7406186B2 (ja) | 2023-12-27 |
Family
ID=73455030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019096325A Active JP7406186B2 (ja) | 2019-05-22 | 2019-05-22 | モデル生成装置、パラメータ算出装置、モデル生成方法およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220229428A1 (ja) |
JP (1) | JP7406186B2 (ja) |
WO (1) | WO2020235625A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016001381A (ja) * | 2014-06-11 | 2016-01-07 | 国立大学法人 東京大学 | 情報処理装置、情報処理方法、プログラム及び記録媒体 |
JP2016091306A (ja) * | 2014-11-05 | 2016-05-23 | 株式会社東芝 | 予測モデル作成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8086549B2 (en) | 2007-11-09 | 2011-12-27 | Microsoft Corporation | Multi-label active learning |
-
2019
- 2019-05-22 JP JP2019096325A patent/JP7406186B2/ja active Active
- 2019-05-22 US US17/612,310 patent/US20220229428A1/en active Pending
-
2020
- 2020-05-21 WO PCT/JP2020/020085 patent/WO2020235625A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016001381A (ja) * | 2014-06-11 | 2016-01-07 | 国立大学法人 東京大学 | 情報処理装置、情報処理方法、プログラム及び記録媒体 |
JP2016091306A (ja) * | 2014-11-05 | 2016-05-23 | 株式会社東芝 | 予測モデル作成方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020235625A1 (ja) | 2020-11-26 |
US20220229428A1 (en) | 2022-07-21 |
JP7406186B2 (ja) | 2023-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meyer et al. | Network topology and parameter estimation: from experimental design methods to gene regulatory network kinetics using a community based approach | |
Rogers et al. | On a grey box modelling framework for nonlinear system identification | |
US10984343B2 (en) | Training and estimation of selection behavior of target | |
Cristiani et al. | Fatigue damage diagnosis and prognosis of an aeronautical structure based on surrogate modelling and particle filter | |
WO2020235631A1 (ja) | モデル生成装置、システム、パラメータ算出装置、モデル生成方法、パラメータ算出方法および記録媒体 | |
Toyama et al. | Biases in estimating the balance between model-free and model-based learning systems due to model misspecification | |
Toyama et al. | Reinforcement learning with parsimonious computation and a forgetting process | |
Basnet et al. | A decision-making framework for selecting an MBSE language–A case study to ship pilotage | |
Roghabadi et al. | Forecasting project duration using risk-based earned duration management | |
JP6853955B2 (ja) | 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム | |
Percy et al. | Scheduling preventive maintenance for oil pumps using generalized proportional intensities models | |
Gaidai et al. | Dementia death rates prediction | |
JP6853968B2 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
Delcaillau et al. | Model transparency and interpretability: survey and application to the insurance industry | |
Darko et al. | Using machine learning to improve cost and duration prediction accuracy in green building projects | |
Delcea et al. | GM (1, 1) in bankruptcy forecasting | |
Molter et al. | GLAMbox: A Python toolbox for investigating the association between gaze allocation and decision behaviour | |
WO2020235625A1 (ja) | モデル生成装置、パラメータ算出装置、モデル生成方法、パラメータ算出方法および記録媒体 | |
Miller et al. | Supporting a modeling continuum in scalation: from predictive analytics to simulation modeling | |
Bjorkman | Test and evaluation resource allocation using uncertainty reduction as a measure of test value | |
JP6894315B2 (ja) | 文書処理システム、文書処理方法、及びプログラム | |
Enos | Developing a theoretical real system age | |
Kim et al. | A New Perspective for Neural Networks: Application to a Marketing Management Problem. | |
Rashid et al. | Generic tool for measuring the reliability of product development processes | |
WO2023021690A1 (ja) | モデル生成装置、モデル生成方法、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190905 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220408 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230802 |
|
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: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7406186 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |