JP2021077206A - 学習方法、評価装置、及び評価システム - Google Patents
学習方法、評価装置、及び評価システム Download PDFInfo
- Publication number
- JP2021077206A JP2021077206A JP2019204671A JP2019204671A JP2021077206A JP 2021077206 A JP2021077206 A JP 2021077206A JP 2019204671 A JP2019204671 A JP 2019204671A JP 2019204671 A JP2019204671 A JP 2019204671A JP 2021077206 A JP2021077206 A JP 2021077206A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- data
- reference data
- model
- database
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1〜図4を参照して、第1実施形態における評価システム100、学習方法、及び評価装置1の一例について説明する。図1は、本実施形態における評価システム100の一例を示す模式図である。図2は、本実施形態における評価システム100の動作の一例を示す模式図である。図3は、データベースの例を示す模式図である。図4は、本実施形態における学習方法の一例を示す模式図である。
評価システム100は、テストデータを用いた機械学習により生成されたデータベースを参照し、評価対象データを評価するために用いられる。評価システム100では、例えば評価対象データの特徴に応じて、複数の評価モデルのうち評価特徴データの評価に適した評価モデルを選択することができる。
学習方法は、例えば図4(a)及び図4(b)に示すように、テストデータを用いた機械学習により、データベースを生成する。学習方法は、例えば評価装置1を用いて行うほか、端末2等のような公知の電子機器を用いて行うことができる。
次に、図6を参照して、本実施形態における評価装置1の一例を説明する。図6(a)は、本実施形態における評価装置1の構成の一例を示す模式図であり、図6(b)は、本実施形態における評価装置1の機能の一例を示す模式図である。
取得部11は、評価対象データを取得する。取得部11は、例えば入力部108から入力された評価対象データを取得するほか、例えば通信網4を介して端末2等から評価対象データを取得してもよい。
選択部12は、データベースを参照し、複数の参照データのうち、評価対象データに対する参照データ(例えば第1参照データ)を選択する。選択部12は、例えば評価対象データに対し、連関性の最も高い参照データを、第1参照データとして選択するほか、例えば予め設定された閾値以上の連関度を有する複数の参照データを、第1参照データとして選択してもよい。
評価部13は、例えば第1参照データの有する識別情報(例えば図2に示す「モデルA」:第1識別情報とする)に基づき、複数の評価モデルのうち第1識別情報に紐づく評価モデル(例えば図2に示す「評価モデルA」:第1評価モデルとする)を用いて、評価対象データを評価する。評価部13は、例えば第1評価モデルとして複数の評価モデルを用い、それぞれの評価モデルによって評価対象データを評価してもよい。
出力部14は、評価対象データに対する評価結果を出力する。出力部14は、例えば評価対象データに対して選択された第1参照データを出力してもよい。
記憶部15は、保存部104に保存されたデータベース等の各種データを必要に応じて取出す。記憶部15は、各構成11〜14、16により取得又は生成された各種データを、必要に応じて保存部104に保存する。
学習部16は、例えばテストデータと、判定結果に基づく参照データと、を一対の学習データとして、複数の学習データを用いた機械学習によりデータベースを生成する。機械学習には、例えば上述した畳み込みニューラルネットワーク等が用いられる。
端末2は、例えば評価システム100を用いたサービスのユーザ等が保有し、通信網4を介して評価装置1と接続される。端末2は、例えばデータベースを生成する電子機器を示してもよい。端末2は、例えばパーソナルコンピュータや、タブレット端末等の電子機器が用いられる。端末2は、例えば評価装置1の備える機能のうち、少なくとも一部の機能を備えてもよい。
サーバ3は、通信網4を介して評価装置1と接続される。サーバ3は、過去の各種データ等が記憶され、必要に応じて評価装置1から各種データが送信される。サーバ3は、例えば評価装置1の備える機能のうち、少なくとも一部の機能を備えてもよく、例えば評価装置1の代わりに少なくとも一部の処理を行ってもよい。サーバ3は、例えば評価装置1の保存部104に記憶された各種データのうち少なくとも一部が記憶され、例えば保存部104の代わりに用いられてもよい。
通信網4は、例えば評価装置1が通信回路を介して接続されるインターネット網等である。通信網4は、いわゆる光ファイバ通信網で構成されてもよい。また、通信網4は、有線通信網のほか、無線通信網等の公知の通信技術で実現してもよい。
次に、本実施形態における学習方法の一例について説明する。図7(a)は、本実施形態における学習方法の一例を示すフローチャートである。
導出ステップS100は、例えば複数の評価モデルによって、テストデータに対する複数の判定結果を導出する。取得部11は、例えば複数のテストデータを取得する。
取得ステップS110は、テストデータに対する複数の判定結果を取得する。判定結果は、例えば上述した導出ステップS100等において、予め複数の評価モデルによって導出される。取得部11は、1つのテストデータに対する複数の判定結果を1組として、複数組取得する。
学習ステップS120は、テストデータと、判定結果に基づく参照データと、を一対の学習データとして、複数の学習データを用いた機械学習によりデータベースを生成する。学習部16は、例えば畳み込みニューラルネットワークを用いた機械学習により、データベースを生成する。
次に、本実施形態における評価システム100の動作の一例について説明する。図7(b)は、本実施形態における評価システム100の動作の一例を示すフローチャートである。
取得手段S210は、評価対象データを取得する。取得部11は、例えば入力部108を介して、使用者等が入力した評価対象データを取得するほか、例えば通信網4を介して、端末2等から評価対象データを取得する。取得部11は、例えば記憶部15を介して、取得した評価対象データを保存部104に保存してもよい。
選択手段S220は、データベースを参照し、複数の参照データのうち、評価対象データに対する第1参照データを選択する。選択部12は、例えば記憶部15を介して、保存部104に保存されたデータベースを取得する。選択部12は、データベースを参照し、例えば評価対象データに対して最も連関度の高い参照データを、第1参照データとして選択する。上記のほか、例えば選択部12は、予め設定された閾値以上の連関度に紐づく1以上の参照データを、第1参照データとして選択してもよい。
評価手段S230では、例えば評価部13は、第1参照データの有する第1識別情報に基づき、複数の評価モデルのうち第1識別情報に紐づく第1評価モデルを用いて、評価対象データを評価する。
次に、図8を参照して、第2実施形態における評価システム100、学習方法、及び評価装置1の一例について説明する。図8(a)は、本実施形態における評価システム100の動作の一例を示す模式図であり、図8(b)及び図8(c)は、本実施形態における学習方法の一例を示す模式図である。
次に、本実施形態における評価システム100の動作の一例について説明する。図9は、本実施形態における評価システム100の一例を示すフローチャートである。
取得手段S211は、上述した取得手段S210と同様の内容によって行うことができるほか、例えば取得部11は、複数の作業情報を取得したあと、1つの評価対象データとして取得してもよい。
選択手段S221は、データベースを参照し、参照データのうち、複数の作業情報のそれぞれに対する複数の参照データ(例えば第2参照データ)を選択する。選択部12は、例えば評価データに含まれる複数の作業情報毎に、データベースを参照して第2参照データを選択する。このため、各作業情報に対する第2参照データが、それぞれ独立に選択される。
出力手段S240は、複数の作業情報と、作業情報に対して選択された第2参照データに対応する評価モデルと、の関係を出力する。出力部14は、例えば作業情報に対して評価モデルを紐づけた内容に関する情報を出力するほか、例えば複数の作業情報を行、複数の評価モデルを列としたテーブルに、各作業情報に対する評価モデルの評価精度や連関度を示す情報を出力してもよい。
2 :端末
3 :サーバ
4 :通信網
10 :筐体
11 :取得部
12 :選択部
13 :評価部
14 :出力部
15 :記憶部
16 :学習部
100 :評価システム
101 :CPU
102 :ROM
103 :RAM
104 :保存部
105 :I/F
106 :I/F
107 :I/F
108 :入力部
109 :表示部
110 :内部バス
S100 :導出ステップ
S110 :取得ステップ
S120 :学習ステップ
S210 :取得手段
S220 :選択手段
S230 :評価手段
S240 :出力手段
また、第1発明〜第8発明によれば、参照データは、判定結果に対して付与された正否結果、判定精度、及び判定に費やした時間の少なくとも何れかを有する。このため、複数の評価モデルにより導出された判定結果の比較を容易に実施することができる。これにより、評価モデルの選択精度を向上させることが可能となる。
Claims (13)
- テストデータを用いた機械学習によりデータベースを生成する学習方法であって、
複数の評価モデルによって予め導出された前記テストデータに対する複数の判定結果を、取得する取得ステップと、
前記テストデータと、前記判定結果に基づく参照データと、を一対の学習データとして、複数の前記学習データを用いた機械学習により、複数の前記テストデータと、複数の前記参照データとの間における連関性が記憶されたデータベースを生成する学習ステップと
を備え、
前記参照データは、前記判定結果を導出した前記評価モデルに関する識別情報を有すること
を特徴とする学習方法。 - 複数の前記評価モデルは、それぞれ異なる機械学習の条件により生成された2以上の学習済みモデルを含むこと
を特徴とする請求項1記載の学習方法。 - 前記参照データは、前記判定結果に対して付与された正否結果、判定精度、及び判定に費やした時間の少なくとも何れかを有すること
を特徴とする請求項1又は2記載の学習方法。 - 複数の前記評価モデルは、人間によって前記テストデータを判定するヒューマンモデルを更に含むこと
を特徴とする請求項1〜3の何れか1項記載の学習方法。 - 前記テストデータは、前記評価モデルによって処理が実行される作業工程に関する作業情報を含むこと
を特徴とする請求項4記載の学習方法。 - 請求項1〜5の何れか1項記載の学習方法により生成された前記データベースを参照し、評価対象データを評価する評価装置であって、
前記評価対象データを取得する取得部と、
前記データベースを参照し、複数の前記参照データのうち、前記評価対象データに対する第1参照データを選択する選択部と
を備えることを特徴とする評価装置。 - 前記第1参照データの有する第1識別情報に基づき、複数の前記評価モデルのうち前記第1識別情報に紐づく第1評価モデルを用いて、前記評価対象データを評価する評価部を更に備えること
を特徴とする請求項6記載の評価装置。 - 請求項4記載の学習方法により生成された前記データベースを参照し、評価対象データを評価する評価装置であって、
前記評価モデルによって処理が実行される作業工程に関する作業情報を複数含む前記評価対象データを取得する取得部と、
前記データベースを参照し、複数の前記参照データのうち、複数の前記作業情報のそれぞれに対する複数の第2参照データを選択する選択部と
を備えることを特徴とする評価装置。 - 複数の前記作業情報と、複数の前記作業情報のそれぞれに対して選択された前記第2参照データに対応する前記評価モデルと、の関係を出力する出力部を更に備えること
を特徴とする請求項8記載の評価装置。 - テストデータを用いた機械学習により生成されたデータベースを参照し、評価対象データを評価する評価システムであって、
前記評価対象データを取得する取得手段と、
予め取得された複数の前記テストデータと、
複数の評価モデルによって予め導出された1つの前記テストデータに対する判定結果に基づく複数の参照データと、
の間における連関性が記憶されたデータベースと、
前記データベースを参照し、複数の前記参照データのうち、前記評価対象データに対する第1参照データを選択する選択手段と
を備え、
前記参照データは、前記判定結果を導出した評価モデルに関する識別情報を有すること
を特徴とする評価システム。 - 前記第1参照データの有する第1識別情報に基づき、複数の前記評価モデルのうち前記第1識別情報に紐づく第1評価モデルを用いて、前記評価対象データを評価する評価手段を更に備えること
を特徴とする請求項10記載の評価システム。 - テストデータを用いた機械学習により生成されたデータベースを参照し、評価対象データを評価する評価システムであって、
評価モデルによって処理が実行される作業工程に関する作業情報を複数含む前記評価対象データを取得する取得手段と、
予め取得された複数のテストデータと、
複数の前記評価モデルによって予め導出された1つの前記テストデータに対する判定結果に基づく複数の参照データと、
の間における連関性が記憶されたデータベースと、
前記データベースを参照し、複数の前記参照データのうち、複数の前記作業情報のそれぞれに対する複数の第2参照データを選択する選択手段と
を備え、
複数の前記評価モデルは、機械学習により生成された学習済みモデル、及び人間によって前記テストデータを判定するヒューマンモデルを含み、
前記参照データは、前記判定結果を導出した前記評価モデルに関する識別情報を有すること
を特徴とする評価システム。 - 複数の前記作業情報と、前記作業情報に対して選択された前記第2参照データに対応する前記評価モデルと、の関係を出力する出力手段を更に備えること
を特徴とする請求項12記載の評価システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204671A JP6751955B1 (ja) | 2019-11-12 | 2019-11-12 | 学習方法、評価装置、及び評価システム |
PCT/JP2020/035187 WO2021095358A1 (ja) | 2019-11-12 | 2020-09-17 | 学習方法、評価装置、及び評価システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019204671A JP6751955B1 (ja) | 2019-11-12 | 2019-11-12 | 学習方法、評価装置、及び評価システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6751955B1 JP6751955B1 (ja) | 2020-09-09 |
JP2021077206A true JP2021077206A (ja) | 2021-05-20 |
Family
ID=72333493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019204671A Active JP6751955B1 (ja) | 2019-11-12 | 2019-11-12 | 学習方法、評価装置、及び評価システム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6751955B1 (ja) |
WO (1) | WO2021095358A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220129675A1 (en) * | 2020-10-27 | 2022-04-28 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and non-transitory computer-readable storage medium |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144022A (ja) * | 2018-02-16 | 2019-08-29 | 株式会社三菱総合研究所 | 飲料の特性予測方法、特性予測プログラムおよび特性予測装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019003603A (ja) * | 2017-04-10 | 2019-01-10 | 株式会社クロスコンパス | 人工知能モジュール開発方法、人工知能モジュール開発システム及び人工知能モジュール開発統合システム |
-
2019
- 2019-11-12 JP JP2019204671A patent/JP6751955B1/ja active Active
-
2020
- 2020-09-17 WO PCT/JP2020/035187 patent/WO2021095358A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144022A (ja) * | 2018-02-16 | 2019-08-29 | 株式会社三菱総合研究所 | 飲料の特性予測方法、特性予測プログラムおよび特性予測装置 |
Non-Patent Citations (3)
Title |
---|
LAKE, BRENDEN M, 外2名: "One-shot learning by inverting a compositional causal process", ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, JPN7020000966, 2013, pages 1 - 9, ISSN: 0004245148 * |
XIONG, W, 外7名: "ACHIEVING HUMAN PARITY IN CONVERSATIONAL SPEECH RECOGNITION", ARXIV, JPN7020000965, 17 February 2017 (2017-02-17), pages 1 - 13, ISSN: 0004245150 * |
一倉孝宏, 外2名: "DSA並みの効率を達成するCNNs拡張機能付きCGRAの提案と評価", 電子情報通信学会論文誌D, JPN7020000964, 8 April 2019 (2019-04-08), JP, pages 1 - 14, ISSN: 0004245149 * |
Also Published As
Publication number | Publication date |
---|---|
JP6751955B1 (ja) | 2020-09-09 |
WO2021095358A1 (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3550568B1 (en) | Graph convolution based gene prioritization on heterogeneous networks | |
CN112074857A (zh) | 组合机器学习和社交数据以生成个性化推荐 | |
US10255282B2 (en) | Determining key concepts in documents based on a universal concept graph | |
US11188992B2 (en) | Inferring appropriate courses for recommendation based on member characteristics | |
JP2018517959A (ja) | ビデオのための代表ビデオフレームの選択 | |
US20180121986A1 (en) | System and Method for Recommending Products to Bridge Gaps Between Desired and Actual Personal Branding | |
US20190362025A1 (en) | Personalized query formulation for improving searches | |
US20190066054A1 (en) | Accuracy of member profile retrieval using a universal concept graph | |
CN111967599B (zh) | 用于训练模型的方法、装置、电子设备及可读存储介质 | |
US20190065612A1 (en) | Accuracy of job retrieval using a universal concept graph | |
WO2021095358A1 (ja) | 学習方法、評価装置、及び評価システム | |
Ning et al. | Improving information retrieval from electronic health records using dynamic and multi-collaborative filtering | |
JP2022523634A (ja) | 個人向けの在庫管理のためのテキストデータの符号化 | |
WO2023164312A1 (en) | An apparatus for classifying candidates to postings and a method for its use | |
US20230027309A1 (en) | System and method for image de-identification to humans while remaining recognizable by machines | |
US20180121987A1 (en) | System and Method for Enabling Personal Branding | |
CN110196796B (zh) | 推荐算法的效果评价方法及装置 | |
CN111897910A (zh) | 信息推送方法和装置 | |
CN111915339A (zh) | 数据的处理方法、装置及设备 | |
RU2819647C2 (ru) | Способ и система генерирования обучающих данных для алгоритма машинного обучения | |
JP7315623B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US11972358B1 (en) | Contextually relevant content sharing in high-dimensional conceptual content mapping | |
CN111626805B (zh) | 信息展示方法和装置 | |
JP7041018B2 (ja) | 学習装置、学習方法及び学習プログラム | |
US20220374706A1 (en) | Information processing method, information processing apparatus, and non-transitory computer-readable storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191112 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20191112 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191122 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200106 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200331 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200406 |
|
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: 20200707 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200811 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6751955 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |