JP2021057042A5 - - Google Patents

Claims (19)

1. 処理装置（ｐｒｏｃｅｓｓｏｒ）によって、入力データ集合を受信する段階、
   前記処理装置によって、第１分類器の少なくとも第１インスタンスおよび第２インスタンスを生成する段階、
   前記処理装置によって、前記入力データ集合に基づいて前記第１分類器の前記第１インスタンスおよび第２インスタンスを訓練させる段階、
   前記処理装置によって、前記入力データ集合に基づいて前記入力データ集合と関連した潜在空間（ｌａｔｅｎｔ ｓｐａｃｅ）の表現を学習する第２分類器を訓練させる段階、
   前記処理装置によって、前記潜在空間で未分類データ集合である第１追加データ集合を生成する段階、
   前記処理装置によって、前記第１分類器の前記第１インスタンスに基づいて前記第１追加データ集合を分類するための第１予測を生成する段階、
   前記処理装置によって、前記第１分類器の前記第２インスタンスに基づいて前記第１追加データ集合を分類するための第２予測を生成する段階、
   前記処理装置によって、前記第１予測および前記第２予測に基づいて前記第１追加データ集合用の分類注釈を生成する段階、および
   前記処理装置によって、少なくとも前記入力データ集合および前記分類注釈が付けられた第１追加データ集合に基づいて第３分類器を訓練させる段階
   を含み、
   既に訓練された前記第３分類器は、分類する製品のデータを受信し、前記受信したデータに基づいて前記製品に対する予測を出力する
   製品の分類方法。
2. 前記第１分類器、第２分類器および第３分類器のそれぞれは、ニューラルネットワークである、請求項１に記載の分類方法。
3. 前記第２分類器は、ＶＡＥ（ｖａｒｉａｔｉｏｎａｌ ａｕｔｏｅｎｃｏｄｅｒ）である、請求項２に記載の分類方法。
4. 前記潜在空間は、前記入力データ集合の圧縮表現を提供する、請求項１に記載の分類方法。
5. 前記第１追加データ集合の生成段階は、前記潜在空間で任意データ要素を生成する段階を含む、請求項１に記載の分類方法。
6. 前記分類注釈の生成段階は、
   前記第１予測および前記第２予測に基づいて多数クラスを決定する段階、および
   前記多数クラスに基づいて前記第１追加データ集合を分類する段階
   を含む
   請求項１に記載の分類方法。
7. 前記分類注釈の生成段階は、
   前記第１予測の第１確率と前記第２予測の第２確率を決定する段階、
   前記第１確率と前記第２確率の平均を計算する段階、および
   前記計算された平均に基づいて前記第１追加データ集合用クラスを定義する段階
   を含む
   請求項１に記載の分類方法。
8. 前記分類注釈の生成段階は、
   前記第１予測に基づいて、多数クラスの第１確率および少数クラスの第２確率を決定する段階、
   前記第２予測に基づいて、前記多数クラスの第３確率および前記少数クラスの第４確率を決定する段階、
   前記第１確率と前記第３確率の第１平均を計算する段階、
   前記第２確率と前記第４確率の第２平均を計算する段階、および
   前記計算した第１および第２平均に基づいて前記第１追加データ集合を分類する段階
   を含む
   請求項１に記載の分類方法。
9. 前記潜在空間のオーバーサンプリングに基づいて第２追加データ集合を生成する段階、および
   前記入力データ集合、前記分類注釈が付けられた前記第１追加データ集合および前記第２追加データ集合に基づいて前記第３分類器を訓練させる段階
   をさらに含む、請求項１に記載の分類方法。
10. 処理装置、および
    メモリ
    を含み、
    前記メモリは、内部にインストラクションを保存しており、
    前記処理装置は、前記インストラクションを実行して、
    入力データ集合を受信し、
    第１分類器の少なくとも第１および第２インスタンスを生成し、
    前記入力データ集合に基づいて前記第１分類器の前記第１および第２インスタンスを訓練させ、
    前記入力データ集合に基づいて前記入力データ集合と関連した潜在空間（ｌａｔｅｎｔ ｓｐａｃｅ）の表現を学習する第２分類器を訓練させ、
    前記潜在空間で未分類データ集合である第１追加データ集合を生成し、
    前記第１分類器の前記第１インスタンスに基づいて前記第１追加データ集合を分類するための第１予測を生成し、
    前記第１分類器の前記第２インスタンスに基づいて前記第１追加データ集合を分類するための第２予測を生成し、
    前記第１予測および前記第２予測に基づいて前記第１追加データ集合用の分類注釈を生成し、
    少なくとも前記入力データ集合および前記分類注釈が付けられた第１追加データ集合に基づいて第３分類器を訓練させ、
    既に訓練された前記第３分類器は、分類する製品のデータを受信し、前記受信したデータに基づいて前記製品に対する予測を出力する
    製品の分類システム。
11. 前記第１分類器、第２分類器および第３分類器のそれぞれは、ニューラルネットワークである、請求項１０に記載の分類システム。
12. 前記第２分類器は、ＶＡＥ（ｖａｒｉａｔｉｏｎａｌ ａｕｔｏｅｎｃｏｄｅｒ）である、請求項１１に記載の分類システム。
13. 前記潜在空間は、前記入力データ集合の圧縮表現を提供する、請求項１０に記載の分類システム。
14. 前記処理装置は、前記インストラクションを実行して前記第１追加データ集合を生成する時、前記潜在空間で任意データ要素を生成する、請求項１０に記載の分類システム。
15. 前記処理装置は、前記インストラクションを実行して前記分類注釈を生成する時、
    前記第１予測および前記第２予測に基づいて多数クラスを決定し、
    前記多数クラスに基づいて前記第１追加データ集合を分類する
    請求項１０に記載の分類システム。
16. 前記処理装置は、前記インストラクションを実行して前記分類注釈を生成する時、
    前記第１予測の第１確率と前記第２予測の第２確率を決定し、
    前記第１確率と前記第２確率の平均を計算し、
    前記計算した平均に基づいて前記第１追加データ集合用クラスを定義する
    請求項１０に記載の分類システム。
17. 前記処理装置は、前記インストラクションを実行して前記分類注釈を生成する時、
    前記第１予測に基づいて、多数クラスの第１確率および少数クラスの第２確率を決定し、
    前記第２予測に基づいて、前記多数クラスの第３確率および前記少数クラスの第４確率を決定し、
    前記第１確率と前記第３確率の第１平均を計算し、
    前記第２確率と前記第４確率の第２平均を計算し、
    前記計算した第１および第２平均に基づいて前記第１追加データ集合を分類する
    請求項１０に記載の分類システム。
18. 前記処理装置は、前記インストラクションを実行して、
    前記潜在空間のオーバーサンプリングに基づいて第２追加データ集合を生成し、
    前記入力データ集合、前記分類注釈が付けられた第１追加データ集合および第２追加データ集合に基づいて前記第３分類器を訓練させる
    請求項１０に記載の分類システム。
19. 入力データ集合を収集するデータ収集回路、および
    前記データ収集回路と連結され、ロジックを含む処理回路
    を含み、
    前記処理回路のロジックは、
    前記収集された入力データ集合を受信し、
    第１分類器の少なくとも第１および第２インスタンスを生成し、
    前記入力データ集合に基づいて前記第１分類器の前記第１および第２インスタンスを訓練させ、
    前記入力データ集合に基づいて前記入力データ集合と関連した潜在空間（ｌａｔｅｎｔ ｓｐａｃｅ）の表現を学習する第２分類器を訓練させ、
    前記潜在空間で未分類データ集合である第１追加データ集合を生成し、
    前記第１分類器の前記第１インスタンスに基づいて前記第１追加データ集合を分類するための第１予測を生成し、
    前記第１分類器の前記第２インスタンスに基づいて前記第１追加データ集合を分類するための第２予測を生成し、
    前記第１予測および前記第２予測に基づいて前記第１追加データ集合用の分類注釈を生成し、
    少なくとも前記入力データ集合および前記分類注釈が付けられた第１追加データ集合に基づいて第３分類器を訓練させ、
    既に訓練された前記第３分類器は、分類する製品のデータを受信し、前記受信したデータに基づいて前記製品に対する予測を出力する
    製品を優良または不良に分類する分類システム。