JP2021193503A - 分割プログラム、分割方法および情報処理装置 - Google Patents

Abstract

【課題】学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割すること。【解決手段】情報処理装置１００は、データを基にして学習した第１学習モデルに、データおよび複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、データおよび複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成する。情報処理装置１００は、データの関数と、複数の分割データの各関数との差を基にして、複数の分割データを、複数のグループに分類する。情報処理装置１００は、同一のグループに属する分割データを基にして学習した第２学習モデルに、同一のグループに属する分割データを入力した場合のスコアと、異常判定閾値とを基にして、同一のグループに属する分割データの評価指数を算出することで、精度評価を行う。情報処理装置１００は、精度評価の結果を基にして、データをグループ毎に分割するか否かを特定する。【選択図】図２

Description

本発明は、分割プログラム等に関する。

機械や設備にセンサを取り付け、ＡＩ（Artificial Intelligence）でセンサデータを分析することで、異常検知を行っている。たとえば、異常または正常状態のセンサデータから診断予測のための学習モデルを構築し、学習モデルに対して未知のセンサデータを入力して異常か正常かの判定を行う。これによって、生産設備、機械、インフラの故障や不具合を事前に察知し、先回りして計画的に対処して、想定外の停止を防ぐことができる。

ここで、異常や故障の予兆となる現象は、対象の機種、世代、稼働時期等の条件により異なる場合があり、条件の異なるデータを混ぜて一つの学習モデルを構築すると、精度の高い結果を得られないことが多い。

そこで、異なる条件がある場合は条件によりデータを分割し、分割したデータごとに故障を検出する学習モデルを作成して精度を高めることが考えられる。

データを分割して学習モデルを作成する従来技術の一例について説明する。ここでは、従来技術１、２、３について説明する。

従来技術１は、製造設備などの機器のセンサデータから、「機器の動作の移り変わり」を表す状態遷移モデルを自動生成し、動作ごとに適切な異常検知条件を自動設定することで、異常を検知する精度を高めるものである。この従来技術１は、動作の移り変わりといった時系列の状態変化を捉えるものである。

従来技術１，２は、時系列の状態変化に限られず、機種名等のカテゴリ項目のカテゴリ値から分割の仕方を試行錯誤し、それぞれに対して学習してから、性能のよい学習モデルを探すものである。

図２７は、従来技術２の分割方法を説明するための図である。従来技術２では、単純にあるカテゴリ項目（たとえば機種名）を対象に、その項目にデータを分割するものである。図２７に示す例では、データ１０には、機種名の項目として、Ａ、Ｂ、Ｃ、Ｄの４つのカテゴリ値があるものとする。

カテゴリ値に基づいてデータ１０を分割すると、データ１０ａ，１０ｂ，１０ｃ，１０ｄに分割される。データ１０ａは、カテゴリ値「Ａ」のデータである。データ１０ｂは、カテゴリ値「Ｂ」のデータである。データ１０ｃは、カテゴリ値「Ｃ」のデータである。データ１０ｄは、カテゴリ値「Ｄ」のデータである。

データ１０ａは、Ａの学習モデル１１ａを作成する場合に用いられる。データ１０ｂは、Ｂの学習モデル１１ｂを作成する場合に用いられる。データ１０ｃは、Ｃの学習モデル１１ｃを作成する場合に用いられる。データ１０ｄは、Ｄの学習モデル１１ｄを作成する場合に用いられる。

図２８は、従来技術３の分割方法を説明するための図である。従来技術３では、複数のカテゴリ値をまとめて一つのグループに分割するものである。図２８に示すように、たとえば、「１対３の分け方」、「２対２の分け方」、「１対１対２の分け方」がある。

「１対３の分け方」には、パターンｐ１〜ｐ４がある。パターンｐ１では、データ１０を、データ１０ａと、データ１０−１とに分ける。データ１０ａは、カテゴリ値「Ａ」のデータである。データ１０−１は、カテゴリ値「Ｂ」、「Ｃ」、「Ｄ」のデータである。パターンｐ２では、データ１０を、データ１０ｂと、データ１０−２とに分ける。データ１０ｂは、カテゴリ値「Ｂ」のデータである。データ１０−２は、カテゴリ値「Ａ」、「Ｃ」、「Ｄ」のデータである。

パターンｐ３では、データ１０を、データ１０ｃと、データ１０−３とに分ける。データ１０ｃは、カテゴリ値「Ｃ」のデータである。データ１０−３は、カテゴリ値「Ａ」、「Ｂ」、「Ｄ」のデータである。パターンｐ４では、データ１０を、データ１０ｄと、データ１０−４とに分ける。データ１０ｄは、カテゴリ値「Ｄ」のデータである。データ１０−４は、カテゴリ値「Ａ」、「Ｂ」、「Ｃ」のデータである。

「２対２の分け方」には、パターンｐ５〜ｐ７がある。パターンｐ５では、データ１０を、データ１０−５と、データ１０−６とに分ける。データ１０−５は、カテゴリ値「Ａ」、「Ｂ」のデータである。データ１０−６は、カテゴリ値「Ｃ」、「Ｄ」のデータである。

パターンｐ６では、データ１０を、データ１０−７と、データ１０−８とに分ける。データ１０−７は、カテゴリ値「Ａ」、「Ｃ」のデータである。データ１０−８は、カテゴリ値「Ｂ」、「Ｄ」のデータである。

パターンｐ７では、データ１０を、データ１０−９と、データ１０−１０とに分ける。データ１０−９は、カテゴリ値「Ａ」、「Ｄ」のデータである。データ１０−１０は、カテゴリ値「Ｂ」、「Ｃ」のデータである。

「１対１対２の分け方」には様々なパターンが存在するが、ここでは、パターンｐ８について説明する。パターンｐ８では、データ１０を、データ１０−５と、データ１０ｃと、データ１０ｄとに分ける。

たとえば、パターンｐ１〜ｐ８を用いて、各パターンに対応する学習モデルを作成する。図示を省略するが、従来技術３では、他のパターンに対応する学習モデルも作成する。

国際公開第２０１９／１６３１４１号

上述した従来技術では、学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割することができないという問題がある。

従来技術１では、動作の切り替わりといった時系列の状態変化を捉える手法であり、時系列の状態変化以外の条件（たとえば、機種名の違い等）を扱うことができない。また、従来技術１では、分割により精度が向上したのかを確認して分割を評価するものではないため、適切な粒度でデータを分割しているとは限らず、不必要な分割を行う場合もあり得た。

従来技術２では、データのカテゴリ値が細かく細分化されると、分割数が大きくなる。分割数が大きくなると、データが細かく分割され、各学習モデルを作成する場合に利用可能な、十分なデータ数を確保できなくなり、学習モデルの検出精度が低下する。

従来技術３では、まとめて分割する仕方に関して、総当り的に組み合わせを求めると、組み合わせ量が膨大になり、処理時間が膨大なものとなる。

１つの側面では、本発明は、学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割することができる分割プログラム、分割方法および情報処理装置を提供することを目的とする。

第１の案では、コンピュータに次の処理を実行させる。コンピュータは、複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割する。コンピュータは、データを基にして学習した第１学習モデルに、データおよび複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、データおよび複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成する。コンピュータは、データの関数と、複数の分割データの各関数との差を基にして、複数の分割データを、複数のグループに分類する。コンピュータは、同一のグループに属する分割データを基にして学習した第２学習モデルに、同一のグループに属する分割データを入力した場合のスコアと、異常判定閾値とを基にして、同一のグループに属する分割データの評価指数を算出することで、精度評価を行う。コンピュータは、精度評価の結果を基にして、データをグループ毎に分割するか否かを特定する。

学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割することができる。

図１は、評価指数関数の一例を示す図（１）である。 図２は、本実施例に係る情報処理装置の構成を示す機能ブロック図である。 図３は、全体データのデータ構造の一例を示す図である。 図４は、分割データテーブルのデータ構造の一例を示す図である。 図５は、学習モデルテーブルのデータ構造の一例を示す図である。 図６は、評価指数関数テーブルのデータ構造の一例を示す図である。 図７は、評価指数関数のデータ構造の一例を示す図（１）である。 図８は、評価指数関数のデータ構造の一例を示す図（２）である。 図９は、評価指数関数のデータ構造の一例を示す図（３）である。 図１０は、分割部の処理を説明するための図である。 図１１は、異常スコア計算処理を説明するための図である。 図１２は、異常判定処理を説明するための図である。 図１３は、評価指数関数生成処理を説明するための図である。 図１４は、生成部による各異常判定閾値の評価指数の計算結果を示す図である。 図１５は、図１４の計算結果に基づく評価指数関数の一例を示す図である。 図１６は、生成部の処理を説明するための図である。 図１７は、評価指数関数の一例を示す図（２）である。 図１８は、第１の選択処理を説明するための図である。 図１９は、第２の選択処理を説明するための図である。 図２０は、評価部の処理を説明するための図（１）である。 図２１は、評価部の処理を説明するための図（２）である。 図２２は、評価部の処理を説明するための図（３）である。 図２３は、評価部によって特定される機種と学習モデルとの関係の一例を示す図である。 図２４は、本実施例に係る情報処理装置の処理手順を示すフローチャートである。 図２５は、評価指数関数生成処理の処理手順を示すフローチャートである。 図２６は、実施例の情報処理装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。 図２７は、従来技術２の分割方法を説明するための図である。 図２８は、従来技術３の分割方法を説明するための図である。

以下に、本願の開示する分割プログラム、分割方法および情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

本実施例に係る情報処理装置の処理の一例について説明する。情報処理装置は、複数のカテゴリ情報に対応付けられた全体データを、カテゴリ値毎の複数の分割データに分割する。たとえば、全体データは、カテゴリ値「機種Ａ」、「機種Ｂ」、「機種Ｃ」、「機種Ｄ」を含むものとする。情報処理装置は、全体データを、機種Ａの分割データと、機種Ｂの分割データと、機種Ｃの分割データと、機種Ｄの分割データとに分割する。

以下の説明では、機種Ａの分割データを、「分割データ２０Ａ」と表記する。機種Ｂの分割データを、「分割データ２０Ｂ」と表記する。機種Ｃの分割データを、「分割データ２０Ｃ」と表記する。機種Ｄの分割データを、「分割データ２０Ｄ」と表記する。

情報処理装置は、全体データを基にして学習した学習モデルに、全体データおよび複数の分割データを入力した場合のそれぞれの異常スコアと、異常判定閾値とを基にして、全体データおよび複数の分割データ２０Ａ〜２０Ｄについて、評価指数関数を生成する。異常スコアは「スコア」の一例である。評価指数関数は「関数」の一例である。

図１は、評価指数関数の一例を示す図である。図１に示すグラフＧ１の縦軸は評価指数に対応する軸であり、横軸は異常判定閾値に対応する軸である。評価指数は、異常スコアおよび異常判定閾値を基にして得られる異常判定結果と、正解ラベルとを基にして算出される指数であり、誤検出率、検出率、正解率、Ｆ値等に対応する。たとえば、図１に示す縦軸の評価指数を誤検出率とする。

図１において、線分２１は、全体データの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２１Ａは、分割データ２０Ａの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２１Ｂは、分割データ２０Ｂの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２１Ｃは、分割データ２０Ｃの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２１Ｄは、分割データ２０Ｄの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。

情報処理装置は、線分２１と、線分２１Ａ〜２１Ｄとを比較して、全体データの評価指数関数との差が最大となる他の評価指数関数のカテゴリ値を選択する。情報処理装置は、評価指数関数の差を、各異常判定閾値に対する評価指標値の総和で求める。図１に示す例では、線分２１との差が最大となる線分が線分２１Ａとなるため、情報処理装置は、カテゴリ値「機種Ａ」を選択する。

また、情報処理装置は、上記処理で選択したカテゴリ値（たとえば、機種Ａ）に対する分割データの評価指数関数に近い、他の評価指数関数のカテゴリ値を選択する。たとえば、情報処理装置は、評価指数関数との差が一定値以内となる、他の評価指数関数に対応するカテゴリ値を選択する。図１に示す例では、線分２１Ａとの差が一定以内となる線分が、線分２１Ｂとなるため、情報処理装置は、線分２１Ｂの評価指数関数のカテゴリ値「機種Ｂ」を選択する。

情報処理装置は、全体データのうち、上記処理で選択したカテゴリ値を持つデータを、グループ化して分割する。たとえば、情報処理装置が上記の処理により、カテゴリ値「機種Ａ」と、「機種Ｂ」とを選択している場合には、カテゴリ値「機種Ａ」または「機種Ｂ」を持つデータをグループ化して分割する。情報処理装置は、同一のグループに属する分割データを基にして学習した学習モデルに、同一のグループに属する分割データをそれぞれ入力して、精度評価を行い、精度が向上した場合に、グループ化して分割する分割の仕方を採用する。

たとえば、情報処理装置は、「機種Ａ」または「機種Ｂ」を持つデータを用いた学習モデルによる精度評価の結果が、全体データを用いた学習モデルの精度評価の結果よりも精度が向上している場合に、全体データを、カテゴリ値「機種Ａ」または「機種Ｂ」を持つデータのグループと、カテゴリ値「機種Ｃ」または「機種Ｄ」を持つデータのグループとに分割する方法を採用する。

上記のように、本実施例に係る情報処理装置によれば、複数のカテゴリ情報に対応付けられた全体データを、カテゴリ値毎に、複数の分割データに分割し、全体データおよび各分割データに関する評価指数関数をそれぞれ生成する。情報処理装置は、全体データの評価指数関数と、分割データの評価指数関数との差を基にして、各分割データを複数のグループに分類し、同一のグループに属する分割データの精度評価を行うことで、グループ化して分割する分割の仕方を採用するか否かを特定する。これによって、学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割することができる。

次に、本実施例に係る情報処理装置の構成について説明する。図２は、本実施例に係る情報処理装置の構成を示す機能ブロック図である。図２に示すように、この情報処理装置１００は、通信部１１０と、入力部１２０と、表示部１３０と、記憶部１４０と、制御部１５０とを有する。

通信部１１０は、有線又は無線で外部装置等に接続され、外部装置等との間で情報の送受信を行う。たとえば、通信部１１０は、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、図示しないネットワークに接続されていてもよい。たとえば、通信部１１０は、外部装置から、後述する全体データ１４１を受信してもよい。

入力部１２０は、各種の情報を、情報処理装置１００に入力する入力装置である。入力部１２０は、キーボードやマウス、タッチパネル等に対応する。

表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。表示部１３０は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、タッチパネル等に対応する。

記憶部１４０は、全体データ１４１と、分割データテーブル１４２と、学習モデルテーブル１４３と、評価指数関数テーブル１４４とを有する。記憶部１４０は、たとえば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。

全体データ１４１は、学習データと、テストデータとの２つで構成される。図３は、全体データのデータ構造の一例を示す図である。図３に示すように、この全体データ１４１は、学習データ１４１−１と、テストデータ１４１−２とを有する。

学習データ１４１−１の項目には、装置名と、機種名と、電圧センサＸ電圧値［Ｖ］と、電圧センサＹ電圧値［Ｖ］と、ラベルとが含まれる。装置名は、装置の名前である。機種名は、装置の機種名である。電圧センサＸ電圧値［Ｖ］は、装置に搭載された電圧センサＸの計測値である。電圧センサＹ電圧値［Ｖ］は、装置に搭載された電圧センサＹの計測値である。ラベルは、異常か正常かを示す値である。ラベルの値が「１」の場合には、異常であり、ラベルの値が「０」の場合には、正常であることを示す。

テストデータ１４１−２の項目には、装置名と、機種名と、電圧センサＸ電圧値［Ｖ］と、電圧センサＹ電圧値［Ｖ］と、ラベルとが含まれる。装置名、機種名、電圧センサＸ電圧値［Ｖ］、電圧センサＹ電圧値［Ｖ］、ラベルに関する説明は、学習データ１４１−１で説明したものと同様である。学習データ１４１−１と、テストデータ１４１−２との形式は同じである。

分割データテーブル１４２は、全体データ１４１に含まれるテストデータをカテゴリ値毎に分割した分割データを保持するテーブルである。図４は、分割データテーブルのデータ構造の一例を示す図である。図４に示すように、この分割データテーブル１４２は、分割データ２０Ａ，２０Ｂ，２０Ｃ，２０Ｄを有する。

分割データ２０Ａは、テストデータ１４１−２から、機種名「機種Ａ」のサンプルを抽出したデータである。分割データ２０Ｂは、テストデータ１４１−２から、機種名「機種Ｂ」のサンプルを抽出したデータである。分割データ２０Ｃは、テストデータ１４１−２から、機種名「機種Ｃ」のサンプルを抽出したデータである。分割データ２０Ｄは、テストデータ１４１−２から、機種名「機種Ｄ」のサンプルを抽出したデータである。

学習モデルテーブル１４３は、複数の学習モデルを保持するテーブルである。図５は、学習モデルテーブルのデータ構造の一例を示す図である。図５に示すように、この学習モデルテーブルは、モデル識別情報と、学習モデルとを対応付ける。モデル識別情報は、学習モデルを一意に識別する情報である。学習モデルは、学習モデルのデータであり、学習モデルに設定されるパラメータ等に対応する。

本実施例では一例として、学習モデル、異常スコアを出力する学習モデルとする。異常スコアは、電圧センサＸ電圧値と、電圧センサＹ電圧値との差の絶対値を示す。学習モデルは、ＮＮ（Neural Network）等によって、実現してもよい。

評価指数関数テーブル１４４は、全体データの評価指数関数、各分割ブロックの評価指数関数のデータを保持するテーブルである。図６は、評価指数関数テーブルのデータ構造の一例を示す図である。図６に示すように、この評価指数関数テーブル１４４は、項番と、評価指数関数とを有する。項番は、異なる段階で生成される各評価指数関数を区別する番号である。評価指数関数は、ある段階で生成される各評価指数関数のデータを示す。

図７は、評価指数関数のデータ構造の一例を示す図（１）である。評価指数関数は、異常判定閾値と、各データの評価指数との関係を示すものである。図７に示す例では、各データの評価指数には、全体の評価指数、機種Ａの評価指数、機種Ｂの評価指数、機種Ｃの評価指数、機種Ｄの評価指数が含まれる。総和には、同一の列の評価指数を合計した値が設定される。図７に示す評価指数関数をまとめて、適宜、評価指数関数３０と表記する。

全体の評価指数は、全体データ１４１のテストデータ１４１−２を学習モデル（モデル識別情報Ｍの学習モデル）に入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。モデル識別情報Ｍの学習モデルは、全体データの学習データ１４１−１を基に生成した学習モデルである。以下の説明では、モデル識別情報Ｍの学習モデルを「学習モデルＭ」と表記する。

機種Ａの評価指数は、全体データ１４１のうち、カテゴリ値「機種Ａ」のテストデータを、学習モデルＭに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。機種Ｂの評価指数は、全体データ１４１のうち、カテゴリ値「機種Ｂ」のテストデータを、学習モデルＭに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。

機種Ｃの評価指数は、全体データ１４１のうち、カテゴリ値「機種Ｃ」のテストデータを、学習モデルＭに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。機種Ｄの評価指数は、全体データ１４１のうち、カテゴリ値「機種Ｄ」のテストデータを、学習モデルＭに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。

図８は、評価指数関数のデータ構造の一例を示す図（２）である。図８に示す例では、各データの評価指数には、機種Ａ＋Ｂの評価指数、機種Ａの評価指数、機種Ｂの評価指数が含まれる。図８に示す評価指数関数をまとめて、適宜、評価指数関数３０ＡＢと表記する。

機種Ａ＋Ｂの評価指数は、全体データのうち、カテゴリ値「機種Ａ」または「機種Ｂ」のテストデータを、モデル識別情報Ｍ_ＡＢの学習モデルに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。モデル識別情報Ｍ_ＡＢの学習モデルは、カテゴリ値「機種Ａ」または「機種Ｂ」の学習データを基に生成した学習モデルである。以下の説明では、モデル識別情報Ｍ_ＡＢの学習モデルを「学習モデルＭ_ＡＢ」と表記する。

機種Ａの評価指数は、全体データのうち、カテゴリ値「機種Ａ」のテストデータを、学習モデルＭ_ＡＢに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。機種Ｂの評価指数は、全体データのうち、カテゴリ値「機種Ｂ」のテストデータを、学習モデルＭ_ＡＢに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。

図９は、評価指数関数のデータ構造の一例を示す図（３）である。図９に示す例では、各データの評価指数には、機種Ｃ＋Ｄの評価指数、機種Ｃの評価指数、機種Ｄの評価指数が含まれる。図７に示す評価指数関数をまとめて、適宜、評価指数関数３０ＣＤと表記する。

機種Ｃ＋Ｄの評価指数は、全体データのうち、カテゴリ値「機種Ｃ」または「機種Ｄ」のテストデータを、モデル識別情報Ｍ_ＣＤの学習モデルに入力した際の異常スコアと、異常判定閾値とを基に算出される指数である。モデル識別情報Ｍ_ＣＤの学習モデルは、カテゴリ値「機種Ｃ」または「機種Ｄ」の学習データを基に生成した学習モデルである。以下の説明では、モデル識別情報Ｍ_ＣＤの学習モデルを「学習モデルＭ_ＣＤ」と表記する。

図２の説明に戻る。制御部１５０は、取得部１５１、分割部１５２、学習モデル生成部１５３、生成部１５４、評価部１５５を有する。制御部１５０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)により実現される。また、制御部１５０は、例えばＡＳＩＣ（Application specific Integrated Circuit）やＦＰＧＡ（Field Programmable gate Array）等の集積回路により実行されてもよい。

取得部１５１は、外部装置等から、全体データ１４１を取得する処理部である。取得部１５１は、取得した全体データ１４１を、記憶部１４０に格納する。

分割部１５２は、全体データ１４１のテストデータ１４１−２をカテゴリ値毎の複数の分割データに分割する処理部である。分割部１５２は、分割した複数の分割データを、分割データテーブル１４２に登録する。

図１０は、分割部の処理を説明するための図である。図１０に示すように、分割部１５２は、テストデータ１４１−２を、分割データ２０Ａ，２０Ｂ，２０Ｃ，２０Ｄに分割する。分割データ２０Ａ〜２０Ｄに関する説明は、図４で説明した、分割データ２０Ａ〜２０Ｄに関する説明と同様である。

学習モデル生成部１５３は、全体データ１４１の学習データ１４１−１を基にして、学習モデルＭを生成する。たとえば、学習モデルをＮＮとする。学習モデル生成部１５３は、学習データ１４１−１の装置名、機器名、電圧センサＸ電圧値［Ｖ］、電圧センサＹ電圧値［Ｖ］を学習モデルに入力した際の異常スコアが、該当ラベルに近づくように、学習モデルＭのパラメータを調整する学習を実行する。学習モデル生成部１５３は、誤差逆伝播法等によって、学習モデルＭを学習してもよい。学習モデル生成部１５３は、学習モデルＭを、学習モデルテーブル１４３に登録する。

ところで、学習モデル生成部１５３は、後述する評価部１５５から、学習データ１４１−１から抽出された一部のカテゴリ値を有する分割データを受け付けた場合には、受け付けた学習データを用いて、学習モデルを生成し、学習モデルテーブル１４３に登録する。たとえば、学習モデル生成部１５３が、カテゴリ値「機種Ａ」または「機種Ｂ」を有する分割データ２０ＡＢ−１を受け付けた場合の処理について説明する。

学習モデル生成部１５３は、分割データ２０ＡＢ−１の装置名、機器名、電圧センサＸ電圧値［Ｖ］、電圧センサＹ電圧値［Ｖ］を学習モデルに入力した際の異常スコアが、該当ラベルに近づくように、学習モデルＭ_ＡＢのパラメータを調整する学習を実行する。学習モデル生成部１５３は、学習モデルＭ_ＡＢを、学習モデルテーブル１４３に登録する。

学習モデル生成部１５３は、評価部１５５から、他の分割データを受け付けた場合にも、上記処理と同様にして、学習モデルを生成し、学習モデルテーブル１４３に登録する。

生成部１５４は、テストデータ１４１−２、分割データ２０Ａ〜２０Ｄ、学習モデルを基にして、評価指数関数のデータを生成する処理部である。生成部１５４は、「異常スコア計算処理」、「異常判定処理」、「評価指数関数生成処理」を実行する。

生成部１５４が実行する異常スコア計算処理について説明する。図１１は、異常スコア計算処理を説明するための図である。ここでは、学習モデルＭと、全体データ１４１のテストデータ１４１−２とを基にして、異常スコアを計算する場合について説明する。生成部１５４は、テストデータ１４１−２の１つのサンプルを選択し、選択したサンプルを学習モデルＭに入力し、学習モデルＭから出力される異常スコアを取得する。選択されるサンプルには、装置名の値、機種名の値、電圧センサＸ電圧値［Ｖ］の値、電圧センサＸ電圧値［Ｖ］の値が含まれる。

図１１に示す例では、サンプルとして「装置００１１、機種Ａ、０．９、１．０」を学習データＭに入力することで、異常スコア「０．１」が出力されることが示される。生成部１５４は、テストデータ１４１−２の他のサンプルについても、上記処理を繰り返し実行することで、各サンプルに対応する異常スコアを算出する。

生成部１５４は、分割データテーブル１４２に格納された分割データ２０Ａ〜２０Ｄについても、上記処理と同様にして、各サンプルを学習データＭに入力し、異常スコアを計算する。

続いて、生成部１５４が実行する異常判定処理について説明する。図１２は、異常判定処理を説明するための図である。ここでは、テストデータ１４１−２の各サンプルを学習モデルＭに入力した結果得られる異常スコアを用いて説明を行う。生成部１５４は、異常判定閾値ｔの値を変えて、テストデータの各サンプルが異常、正常のどちらであるのかを推定する。たとえば、生成部１５４は、異常スコアが異常判定閾値ｔ以上となる場合に、異常と判定し、「１」を設定する。一方、生成部１５４は、異常スコアが異常判定閾値ｔ未満となる場合に、異常と判定し、「０」を設定する。生成部１５４は、異常判定閾値ｔを、ｔ＝０．１、０．２、０．３と変化させて上記処理を実行する。

図１２の１行目のレコードを例にして、生成部１５４の異常判定処理を説明する。生成部１５４は、異常スコア「０．１」が、異常判定閾値ｔ＝０．１以上となるため、異常と判定し、異常判定閾値ｔ＝０．１の異常判定結果に「１」を設定する。生成部１５４は、異常スコア「０．１」が、異常判定閾値ｔ＝０．２未満となるため、正常と判定し、異常判定閾値ｔ＝０．２の異常判定結果に「０」を設定する。生成部１５４は、異常スコア「０．１」が、異常判定閾値ｔ＝０．３未満となるため、正常と判定し、異常判定閾値ｔ＝０．３の異常判定結果に「０」を設定する。

生成部１５４は、分割データ２０Ａ〜２０Ｄの各サンプルの異常スコアについても、各異常判定閾値ｔ＝０．１、０．２、０．３との比較結果により、異常、正常であるかを推定する処理を実行する。

続いて、生成部１５４が実行する評価指数関数生成処理について説明する。図１３は、評価指数関数生成処理を説明するための図である。生成部１５４は、評価指数関数を生成する前準備として、異常判定閾値毎に、各サンプルの異常判定の結果が正しいか否かを計算する。

図１３では、図１２の異常判定処理の結果を用いて、説明を行う。生成部１５４は、ラベルの値と、異常判定結果の値とが一致する場合に、判定結果が正しいと判定し、マル印を設定する。生成部１５４は、ラベルの値と、異常判定結果の値とが一致しない場合に、判定結果が正しくないと判定し、バツ印を設定する。

たとえば、１行目のレコードについて説明する。ラベルの値は「１」であり、異常判定閾値ｔ＝１の異常判定の値は「１」であり一致する。このため、生成部１５４は、異常判定閾値ｔ＝０．１の判定の正しさを「丸印」に設定する。ラベルの値は「１」であり、異常判定閾値ｔ＝０．２の異常判定の値は「０」であり一致しない。このため、生成部１５４は、異常判定閾値ｔ＝０．２の判定の正しさを「バツ印」に設定する。ラベルの値は「１」であり、異常判定閾値ｔ＝０．３の異常判定の値は「０」であり一致しない。このため、生成部１５４は、異常判定閾値ｔ＝０．３の判定の正しさを「バツ印」に設定する。

生成部１５４は、他の行のレコードについても上記処理を繰り返し実行することで、異常判定閾値ｔ＝０．１、０．２、０．３の判定の正しさに丸印、または、バツ印を設定する。

続いて、生成部１５４は、異常判定閾値毎の各サンプルの異常判定の結果が正しいか否かの計算結果を基にして、評価指数関数を計算する。たとえば、評価指数を正解率とすると、評価指数は「正答数」を「全サンプル数」で除算した値となる。

生成部１５４は、異常判定閾値ｔ＝０．１の評価指数を算出する場合、図１３の「異常判定閾値ｔ＝０．１での判定の正しさ」の列を走査し、マル印の数を計数することで、正当数を特定する。生成部１５４は、特定した正当数を全サンプル数で除算することで、異常判定閾値ｔ＝０．１の評価指数を計算する。

生成部１５４は、異常判定閾値ｔ＝０．２の評価指数を算出する場合、図１３の「異常判定閾値ｔ＝０．２での判定の正しさ」の列を走査し、マル印の数を計数することで、正当数を特定する。生成部１５４は、特定した正当数を全サンプル数で除算することで、異常判定閾値ｔ＝０．２の評価指数を計算する。

生成部１５４は、異常判定閾値ｔ＝０．３の評価指数を算出する場合、図１３の「異常判定閾値ｔ＝０．３での判定の正しさ」の列を走査し、マル印の数を計数することで、正当数を特定する。生成部１５４は、特定した正当数を全サンプル数で除算することで、異常判定閾値ｔ＝０．３の評価指数を計算する。

図１４は、生成部による各異常判定閾値の評価指数の計算結果を示す図である。たとえば、異常判定閾値ｔ＝０．１に対応する評価指数は０．５となる。異常判定閾値ｔ＝０．２に対応する評価指数は０．５となる。異常判定閾値ｔ＝０．３に対応する評価指数は０．７５となる。

図１５は、図１４の計算結果に基づく評価指数関数の一例を示す図である。図１５のグラフＧ２の縦軸は評価指数に対応する軸であり、横軸は異常判定閾値に対応する軸である。たとえば、評価指数を正解率とする。

図１６は、生成部の処理を説明するための図である。生成部１５４は、上記処理を実行することで、テストデータ１４１−２から、全体の評価指数関数を計算する。生成部１５４は、分割データ２０Ａから、機種Ａの評価指数関数を計算する。生成部１５４は、分割データ２０Ｂから、機種Ｂの評価指数関数を計算する。生成部１５４は、分割データ２０Ｃから、機種Ｃの評価指数関数を計算する。生成部１５４は、分割データ２０Ｄから、機種Ｄの評価指数関数を計算する。生成部１５４は、全体の評価指数関数、機種Ａ，Ｂ，Ｃ，Ｄの評価指数関数のデータを、評価指数関数テーブル１４４に登録する。なお、図７で説明したように、各評価指数関数は、異常判定閾値と、評価指数との関係で示される。

図２の説明に戻る。評価部１５５は、全体の評価指数関数と、機種Ａ，Ｂ，Ｃ，Ｄの評価指数関数と差を基にして、分割データＡ〜Ｄを、複数のグループに分類し、同一のグループに属する分割データの精度評価を実行する。

評価部１５５が、全体の評価指数関数と、機種Ａ，Ｂ，Ｃ，Ｄの評価指数関数と差を基にして、分割データＡ〜Ｄを、複数のグループに分類する処理の一例について説明する。全体の評価指数関数および機種Ａ，Ｂ，Ｃ，Ｄの評価指数関数は、図７に示した異常判定閾値と、評価指数との関係となる。図１７は、評価指数関数の一例を示す図（２）である。図１７に示すグラフＧ３の縦軸は評価指数（正解率）に対応する軸であり、横軸は異常判定閾値に対応する軸である。

図１７において、線分２２は、全体データの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２２Ａは、分割データ２０Ａの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２２Ｂは、分割データ２０Ｂの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２２Ｃは、分割データ２０Ｃの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。線分２２Ｄは、分割データ２０Ｄの評価指数関数の異常判定閾値と評価指数との関係を示す線分である。

評価部１５５は、分類する処理において、「第１の選択処理」、「第２の選択処理」を実行する。評価部１５５は、第１の選択処理において、全体データの評価指数関数から最も乖離する評価指数関数を持つ分割データを選択する。たとえば、評価部１５５は、機種毎の評価指数関数において、全体の評価指数関数との差を、式（１）を基にして計算する。

全体の評価指数関数との差＝全体の評価指標の総和−該当する機種名の評価指標の総和・・・（１）

たとえば、全体の評価指標関数と機種毎の評価指標関数との差は、図１８に示すものとなる。図１８は、第１の選択処理を説明するための図である。図１８に示すように、全体の評価指数関数と機種Ａの評価指標関数との差は「−０．５５」となる。全体の評価指数関数と機種Ｂの評価指標関数との差は「−０．５」となる。全体の評価指数関数と機種Ｃの評価指標関数との差は「０．８７」となる。全体の評価指数関数と機種Ｄの評価指標関数との差は「１」となる。

図１８に示す例では、評価部１５５は、全体の評価指数関数との差が最大値（絶対値の最大値）をとる機種Ｄ（分割データ２０Ｄ）を選択する。

続いて、評価部１５５は、第２の選択処理を実行する。評価部１５５は、第２の選択処理において、第１の選択処理で選択した分割データ（図１８では、機種Ｃの分割データ２０Ｄ）の評価指標関数と近い評価指数関数をもつ分割データを選択する。

説明の便宜上、第１の選択処理で選択した分割データの評価指標関数を、「第１の評価指数関数」と表記し、他の分割データの評価指数関数を、「第２の評価指数関数」と表記する。たとえば、第１の選択処理で選択した分割データの評価指数関数を、分割データ２０Ｄの評価指数関数とすると、分割データＡの評価指数関数、分割データＢの評価指数関数、分割データＣの評価指数関数が、第２の評価指数関数となる。

評価部１５５は、第１の評価指数関数との差を、式（２）を基に計算する。

第１の評価指数関数との差＝第１の評価指数関数の評価指数の総和−第２の評価指数の総和・・・（２）

たとえば、第１の評価指標関数（機種Ｄの評価指数関数）と各第２の評価指標関数との差は、図１９に示すものとなる。図１９は、第２の選択処理を説明するための図である。。図１９に示すように、第１の評価指数関数と機種Ａの評価指数関数との差は「１．５５」となる。第１の評価指数関数と機種Ｂの評価指数関数との差は「１．５」となる。第１の評価指数関数と機種Ｃの評価指数関数との差は「０．１７」となる。

評価部１５５は、第１の評価指数関数との差が閾値未満となる機種の第２の評価指数関数を選択する。たとえば、閾値を「０．３」とすると、評価部１５５は、機種Ｃ（分割データ２０Ｃ）を選択する。

評価部１５５は、第１、２の選択処理で選択した機種を、全体データ１４１から分離することで、全体データ１４１を２分割する。図２０は、評価部の処理を説明するための図（１）である。上記のように、評価部１５５は、第１の選択処理において機種Ｄを選択し、第２の選択処理において機種Ｃを選択したため、カテゴリ値「機種Ｃ」または「機種Ｄ」をもつサンプルを、全体データ１４１から分離することで、２分割する。

図２０に示す例では、評価部１５５は、全体データ１４１のテストデータ１４１−２を、分割データ２０ＡＢ−２と、分割データ２０ＣＤ−２に分割する。分割データ２０ＡＢ−２は、テストデータ１４１−２から、カテゴリ値「機種Ａ」または「機種Ｂ」をもつサンプルを抽出したデータである。分割データ２０ＣＤ−２は、テストデータ１４１−２から、カテゴリ値「機種Ｃ」または「機種Ｄ」をもつサンプルを抽出したデータである。

図示を省略するが、評価部１５５は、全体データ１４１の学習データ１４１−１を、分割データ２０ＡＢ−１と、分割データ２０ＣＤ−１に分割する。分割データ２０ＡＢ−１は、学習データ１４１−１から、カテゴリ値「機種Ａ」または「機種Ｂ」をもつサンプルを抽出したデータである。分割データ２０ＣＤ−１は、テストデータ１４１−２から、カテゴリ値「機種Ｃ」または「機種Ｄ」をもつサンプルを抽出したデータである。

続いて、評価部１５５が実行する、分割による精度評価の処理について説明する。まず、機種Ａおよび機種Ｂのカテゴリ値の分割による精度評価について説明する。評価部１５５は、分割データ２０ＡＢ−１を、学習モデル生成部１５３に出力し、学習モデルＭ_ＡＢの生成を依頼する。

評価部１５５は、学習モデルＭ_ＡＢと、分割データ２０ＡＢ−２と、分割データ２０Ａと、分割データ２０Ｂとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。評価部１５５が実行する、異常スコア算出処理、異常判定処理、評価指数関数生成処理は、生成部１５４が実行する異常スコア算出処理、異常判定処理、評価指数関数生成処理と同様である。評価部１５５は、上記処理により算出される評価指数関数のデータを、評価指数関数テーブル１４４に登録する。

たとえば、評価部１５５が、学習モデルＭ_ＡＢと、分割データ２０ＡＢ−２，２０Ａ，２０Ｂとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行すると、図８に示した評価指数関数３０ＡＢのデータが生成される。評価部１５５は、図８に示した評価指数関数３０ＡＢと、図７に示した評価指数関数３０とを比較して、分割による精度評価を行う。

図２１は、評価部の処理を説明するための図（２）である。図２１において、評価指数関数３０は、全体データ１４１の学習データ１４１−１から生成される学習モデルＭを基にして計算される評価指数である。評価指数関数３０ＡＢは、分割データ２０ＡＢ−１から生成される学習モデルＭ_ＡＢを基にして計算される評価指数である。

評価部１５５は、評価指数関数３０の機種Ａの評価指数の総和「３．５５」と、評価指数関数３０ＡＢの機種Ａの評価指数の総和「３．６７」とを比較する。評価部１５５は、評価指数関数３０ＡＢの機種Ａの評価指数の総和が、評価指数関数３０の機種Ａの評価指数の総和を上回っているため、機種Ａについて、精度が向上したと評価する。

評価部１５５は、評価指数関数３０の機種Ｂの評価指数の総和「３．５」と、評価指数関数３０ＡＢの機種Ｂの評価指数の総和「３．６３」とを比較する。評価部１５５は、評価指数関数３０ＡＢの機種Ｂの評価指数の総和が、評価指数関数３０の機種Ｂの評価指数の総和を上回っているため、機種Ｂについて、精度が向上したと評価する。

次に、機種Ｃおよび機種Ｄのカテゴリ値の分割による精度評価について説明する。評価部１５５は、分割データ２０ＣＤ−１を、学習モデル生成部１５３に出力し、学習モデルＭ_ＣＤの生成を依頼する。

評価部１５５は、学習モデルＭ_ＣＤと、分割データ２０ＣＤ−２と、分割データ２０Ｃと、分割データ２０Ｄとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。評価部１５５が実行する、異常スコア算出処理、異常判定処理、評価指数関数生成処理は、生成部１５４が実行する異常スコア算出処理、異常判定処理、評価指数関数生成処理と同様である。評価部１５５は、上記処理により算出される評価指数関数のデータを、評価指数関数テーブル１４４に登録する。

たとえば、評価部１５５が、学習モデルＭ_ＣＤと、分割データ２０ＣＤ−２，２０Ｃ，２０Ｄとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行すると、図９に示した評価指数関数３０ＣＤのデータが生成される。評価部１５５は、図９に示した評価指数関数３０ＣＤと、図７に示した評価指数関数３０とを比較して、分割による精度評価を行う。

図２２は、評価部の処理を説明するための図（３）である。図２２において、評価指数関数３０は、全体データ１４１の学習データ１４１−１から生成される学習モデルＭを基にして計算される評価指数である。評価指数関数３０ＣＤは、分割データ２０ＣＤ−１から生成される学習モデルＭ_ＣＤを基にして計算される評価指数である。

評価部１５５は、評価指数関数３０の機種Ｃの評価指数の総和「２．１３」と、評価指数関数３０ＣＤの機種Ｃの評価指数の総和「３．３５」とを比較する。評価部１５５は、評価指数関数３０ＣＤの機種Ｃの評価指数の総和が、評価指数関数３０の機種Ｃの評価指数の総和を上回っているため、機種Ｃについて、精度が向上したと評価する。

評価部１５５は、評価指数関数３０の機種Ｄの評価指数の総和「２」と、評価指数関数３０ＣＤの機種Ｄの評価指数の総和「２．９９」とを比較する。評価部１５５は、評価指数関数３０ＣＤの機種Ｄの評価指数の総和が、評価指数関数３０の機種Ｄの評価指数の総和を上回っているため、機種Ｄについて、精度が向上したと評価する。

上記処理によって、カテゴリ値「機種Ａ」、「機種Ｂ」、「機種Ｃ」、「機種Ｄ」の精度が向上している。このため、評価部１５５は全体データ１４１を、カテゴリ値「機種Ａ」または「機種Ｂ」をサンプリングした分割データと、カテゴリ値「機種Ｃ」または「機種Ｄ」をサンプリングした分割データとに分割する分割方法を採用する。

評価部１５５は、評価対象となったカテゴリ値「機種Ａ」、「機種Ｂ」、「機種Ｃ」、「機種Ｄ」の精度が全て向上した場合、分割方法を採用してもよいし、所定数のカテゴリ値の精度が向上した場合に、分割方法を採用してもよい。

ここで、評価部１５５が、分割方法を採用すると判定した場合、採用した分割方法により分割した各分割データを、新たな全体データとみなし、上記処理を繰り返し実行する。

たとえば、評価部１５５は、分割データ２０ＡＢ−１（学習データ）と、分割データ２０ＡＢ−２（テストデータ）とを、全体データと見なす。評価部１５５は、分割データ２０ＡＢ−２を、分割データ２０Ａおよび分割データ２０Ｂに分割し、分割による精度評価の処理を実行する。

評価部１５５は、学習モデルＭ_Ａと、分割データ２０ＡＢ−２と、分割データ２０Ａとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。評価部１５５は、評価指数関数３０の機種Ａの評価指数の総和と、学習モデルＭ_Ａの評価指数関数の機種Ａの評価指数の総和とを比較して、機種Ａについて、精度が向上したか否かを評価する。

評価部１５５は、学習モデルＭ_Ｂと、分割データ２０ＡＢ−２と、分割データ２０Ｂとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。評価部１５５は、評価指数関数３０の機種Ｂの評価指数の総和と、学習モデルＭ_Ｂの評価指数関数の機種Ｂの評価指数の総和とを比較して、機種Ｂについて、精度が向上したか否かを評価する。

ここで、評価部１５５は、機種Ａおよび機種Ｂについて、精度が向上しない場合には、全体データを、機種Ａの分割データと、機種Ｂの分割データに分割する分割方法を破棄する。また、評価部１５５は、カテゴリ値「機種Ａ」または「機種Ｂ」を含むデータの異常を検出する場合には、学習モデルＭ_ＡＢを使用することを特定する。

一方、評価部１５５は、分割データ２０ＣＤ−１（学習データ）と、分割データ２０ＣＤ−２（テストデータ）とを、全体データと見なす。評価部１５５は、分割データ２０ＣＤ−２を、分割データ２０Ｃおよび分割データ２０Ｄに分割し、分割による精度評価の処理を実行する。

評価部１５５は、学習モデルＭ_Ｃと、分割データ２０ＣＤ−２と、分割データ２０Ｃとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。学習モデルＭ_Ｃは、全体データの学習データのうち、カテゴリ値「機種Ｃ」のサンプルを用いて学習した学習モデルである。評価部１５５は、評価指数関数３０の機種Ｃの評価指数の総和と、学習モデルＭ_Ｃの評価指数関数の機種Ｃの評価指数の総和とを比較して、機種Ｃについて、精度が向上したか否かを評価する。

評価部１５５は、学習モデルＭ_Ｄと、分割データ２０ＣＤ−２と、分割データ２０Ｄとを基にして、異常スコア算出処理、異常判定処理、評価指数関数生成処理を実行する。学習モデルＭ_Ｄは、全体データの学習データのうち、カテゴリ値「機種Ｄ」のサンプルを用いて学習した学習モデルである。評価部１５５は、評価指数関数３０の機種Ｄの評価指数の総和と、学習モデルＭ_Ｄの評価指数関数の機種Ｄの評価指数の総和とを比較して、機種Ｄについて、精度が向上したか否かを評価する。

ここで、評価部１５５は、機種Ｃおよび機種Ｄについて、精度が向上する場合には、全体データを、機種Ｃの分割データと、機種Ｄの分割データに分割する分割方法を採用する。また、評価部１５５は、カテゴリ値「機種Ｃ」を含むデータの異常を検出する場合には、学習モデルＭ_Ｃを使用することを特定する。評価部１５５は、カテゴリ値「機種Ｄ」を含むデータの異常を検出する場合には、学習モデルＭ_Ｄを使用することを特定する。評価部１５５は、カテゴリ値について、これ以上分割できないので、分割する処理を終了する。

評価部１５５は、上記処理を実行することで、機種毎に使用する各学習モデルを特定する。図２３は、評価部によって特定される機種と学習モデルとの関係の一例を示す図である。図２３に示すように、カテゴリ値「機種Ａ」のデータには、学習モデルＭ_ＡＢを用いて異常を検出する。カテゴリ値「機種Ｂ」のデータには、学習モデルＭ_ＡＢを用いて異常を検出する。カテゴリ値「機種Ｃ」のデータには、学習モデルＭ_Ｃを用いて異常を検出する。カテゴリ値「機種Ｄ」のデータには、学習モデルＭ_Ｄを用いて異常を検出する。評価部１５５は、精度評価の結果を基にして、図２３の情報を生成し、表示部１３０に出力し、図２３の情報を表示させてもよい。

次に、本実施例に係る情報処理装置１００の処理手順の一例について説明する。図２４は、本実施例に係る情報処理装置の処理手順を示すフローチャートである。図２４に示すように、情報処理装置１００の学習モデル生成部１５３は、学習データを基にして学習モデルを生成する（ステップＳ１０１）。

分割部１５２は、テストデータ（全体データ）を分割して、分割データを生成する（ステップＳ１０２）。情報処理装置１００の生成部１５４は、評価指数関数生成処理を実行する（ステップＳ１０３）。

評価部１５５は、全体データの評価指数関数から最も乖離する評価指数関数をもつ分割データの機種名を選択する（ステップＳ１０４）。評価部１５５は、選択した機種名の評価指数関数と近い評価指数関数をもつ分割データの機種名を選択する（ステップＳ１０５）。

評価部１５５は、第１、２の選択処理で選択した機種名の分割データを全体データから分離することで、全体データを２分割する（ステップＳ１０６）。ここでは、全体データの各機種名のサンプルを、第１グループ、第２グループに分類して、２分割するものとする。

学習モデル生成部１５３は、第１グループの分割データを基にして、第１学習モデルを生成する（ステップＳ１０７）。評価部１５５は、第１学習モデルを基にして、第１グループに含まれる分割データの評価指数関数を計算する（ステップＳ１０８）。

学習モデル生成部１５３は、第２グループの分割データを基にして、第２学習モデルを生成する（ステップＳ１０９）。評価部１５５は、第２学習モデルを基にして、第２グループに含まれる各分割データの評価指数関数を計算する（ステップＳ１１０）。

評価部１５５は、精度が向上した場合には（ステップＳ１１１，Ｙｅｓ）、全体データを、第１グループの分割データ、第２グループの分割データに分割する分割方法を採用する（ステップＳ１１２）。評価部１５５は、第１グループの分割データ、第２グループの分割データを全体データと見なして、再帰的に処理を実行する（ステップＳ１１３）。

たとえば、ステップＳ１１３において、情報処理装置１００は、第１グループの分割データを全体データと見なして、ステップＳ１０１〜Ｓ１１３の処理を精度が向上しなくなるまで、繰り返し実行する。また、情報処理装置１００は、第２グループの分割データを全体データと見なして、ステップＳ１０１〜Ｓ１１３の処理を精度が向上しなくなるまで、繰り返し実行する。

次に、図２４のステップＳ１０３に示した評価指数関数生成処理の処理手順について説明する。図２５は、評価指数関数生成処理の処理手順を示すフローチャートである。図２５に示すように、情報処理装置１００の生成部１５４は、テストデータを学習モデルに入力し、異常スコアを計算する（ステップＳ２０１）。

生成部１５４は、テストデータについて、異常判定閾値毎に、各サンプルの異常判定が正しいか否かを計算する（ステップＳ２０２）。生成部１５４は、テストデータについて、評価指数関数を計算する（ステップＳ２０３）。

生成部１５４は、各分割データを学習モデルに入力し、異常スコアをそれぞれ計算する（ステップＳ２０４）。生成部１５４は、各分割データについて、異常判定閾値毎に、各サンプルの異常判定が正しいか否かを計算する（ステップＳ２０５）。生成部１５４は、各分割データについて、評価指数関数を計算する（ステップＳ２０６）。

次に、本実施例に係る情報処理装置１００の効果について説明する。情報処理装置１００は、複数のカテゴリ情報に対応付けられた全体データを、カテゴリ値毎に、複数の分割データに分割し、全体データおよび各分割データに関する評価指数関数をそれぞれ生成する。情報処理装置１００は、全体データの評価指数関数と、分割データの評価指数関数との差を基にして、各分割データを複数のグループに分類し、同一のグループに属する分割データの精度評価を行うことで、グループ化して分割する分割の仕方を採用するか否かを特定する。これによって、学習モデルの検出精度が向上するように、学習で用いるデータを適切な粒度で分割することができる。

情報処理装置１００は、全体データの評価指数関数と、複数の分割データの各評価指数関数とを基にして、全体データの評価指数関数と比較して最も差の大きくなる評価指数関数の第１分割データを選択する。また、情報処理装置１００は、第１分割データの評価指数関数に近い、評価指数関数の第２分割データを選択する。情報処理装置は、選択した第１分割データと、第２分割データとを同一のグループに分類する。これによって、全体データの評価指数関数との差が大きくなり、また、評価指数関数が類似する分割データ同士を、同一のグループに分類することができる。

情報処理装置１００は、同一のグループに属する分割データを、全体データの第１学習モデルに入力した場合のスコアと、同一のグループに属する分割データを、分割データの第２学習モデルに入力した場合のスコアと、異常判定閾値とを基にして、精度評価を行う。これによって、全体データから学習した第１学習モデルよりも、分割データから学習した第２学習モデルの検出精度が向上するか否かを評価することができる。

情報処理装置１００は、同一のグループに属する分割データを、第１学習モデルに入力した場合のスコアおよび異常判定閾値を基にした評価指数の総和よりも、同一のグループに属する分割データを、第２学習モデルに入力した場合のスコアおよび異常判定閾値を基にした評価指数の総和が大きい場合に、全体データをグループ毎に分割する。これによって、学習で用いるデータの分割を適切に実行することができる。

次に、上記実施例に示した情報処理装置１００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図２６は、実施例の情報処理装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

図２６に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置２０４と、インタフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１〜２０７は、バス２０８に接続される。

ハードディスク装置２０７は、取得プログラム２０７ａ、分割プログラム２０７ｂ、学習モデル生成プログラム２０７ｃ、生成プログラム２０７ｄ、評価プログラム２０７ｅを有する。また、ＣＰＵ２０１は、各プログラム２０７ａ〜２０７ｅを読み出してＲＡＭ２０６に展開する。

取得プログラム２０７ａは、取得プロセス２０６ａとして機能する。分割プログラム２０７ｂは、分割プロセス２０６ｂとして機能する。学習モデル生成プログラム２０７ｃは、学習モデル生成プロセス２０６ｃとして機能する。生成プログラム２０７ｄは、生成プロセス２０６ｄとして機能する。評価プログラム２０７ｅは、評価プロセス２０６ｅとして機能する。

取得プロセス２０６ａの処理は、取得部１５１の処理に対応する。分割プロセス２０６ｂの処理は、分割部１５２の処理に対応する。学習モデル生成プロセス２０６ｃの処理は、学習モデル生成部１５３の処理に対応する。生成プロセス２０６ｄの処理は、生成部１５４の処理に対応する。評価プロセス２０６ｅの処理は、評価部１５５の処理に対応する。

なお、各プログラム２０７ａ〜２０７ｅについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が各プログラム２０７ａ〜２０７ｅを読み出して実行するようにしてもよい。

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに
複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割し、
前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成し、
前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、
同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、
精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する
処理を実行させることを特徴とする分割プログラム。

（付記２）前記複数のグループに分類する処理は、前記データの関数と、前記複数の分割データの各関数とを基にして、前記データの関数と比較して最も差が大きくなる関数の第１分割データと、前記第１分割データの関数に近い関数の第２分割データとを同一のグループに分類することを特徴とする付記１に記載の分割プログラム。

（付記３）前記精度評価を行う処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアと、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアと、前記異常判定閾値とを基にして、精度評価を行うことを特徴とする付記１または２に記載の分割プログラム。

（付記４）前記特定する処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和よりも、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和が大きい場合に、前記データを前記グループ毎に分割することを特徴とする付記３に記載の分割プログラム。

（付記５）コンピュータが実行する分割方法であって、
複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割し、
前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成し、
前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、
同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、
精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する
処理を実行することを特徴とする分割方法。

（付記６）前記複数のグループに分類する処理は、前記データの関数と、前記複数の分割データの各関数とを基にして、前記データの関数と比較して最も差が大きくなる関数の第１分割データと、前記第１分割データの関数に近い関数の第２分割データとを同一のグループに分類することを特徴とする付記５に記載の分割方法。

（付記７）前記精度評価を行う処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアと、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアと、前記異常判定閾値とを基にして、精度評価を行うことを特徴とする付記５または６に記載の分割方法。

（付記８）前記特定する処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和よりも、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和が大きい場合に、前記データを前記グループ毎に分割することを特徴とする付記７に記載の分割方法。

（付記９）複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割する分割部と、
前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成する生成部と、
前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する評価部と
を有することを特徴とする情報処理装置。

（付記１０）前記評価部は、前記データの関数と、前記複数の分割データの各関数とを基にして、前記データの関数と比較して最も差が大きくなる関数の第１分割データと、前記第１分割データの関数に近い関数の第２分割データとを同一のグループに分類することを特徴とする付記９に記載の情報処理装置。

（付記１１）前記評価部は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアと、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアと、前記異常判定閾値とを基にして、精度評価を行うことを特徴とする付記９または１０に記載の情報処理装置。

（付記１２）前記評価部は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和よりも、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和が大きい場合に、前記データを前記グループ毎に分割することを特徴とする付記１１に記載の情報処理装置。

１００ 情報処理装置
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ 全体データ
１４２ 分割データテーブル
１４３ 学習モデルテーブル
１４４ 評価指数関数テーブル
１５０ 制御部
１５１ 取得部
１５２ 分割部
１５３ 学習モデル生成部
１５４ 生成部
１５５ 評価部

Claims (6)

1. コンピュータに
   複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割し、
   前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成し、
   前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、
   同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、
   精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する
   処理を実行させることを特徴とする分割プログラム。
2. 前記複数のグループに分類する処理は、前記データの関数と、前記複数の分割データの各関数とを基にして、前記データの関数と比較して最も差が大きくなる関数の第１分割データと、前記第１分割データの関数に近い関数の第２分割データとを同一のグループに分類することを特徴とする請求項１に記載の分割プログラム。
3. 前記精度評価を行う処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアと、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアと、前記異常判定閾値とを基にして、精度評価を行うことを特徴とする請求項１または２に記載の分割プログラム。
4. 前記特定する処理は、前記同一のグループに属する分割データを、前記第１学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和よりも、前記同一のグループに属する分割データを、前記第２学習モデルに入力した場合のスコアおよび前記異常判定閾値を基にした評価指数の総和が大きい場合に、前記データを前記グループ毎に分割することを特徴とする請求項３に記載の分割プログラム。
5. コンピュータが実行する分割方法であって、
   複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割し、
   前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成し、
   前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、
   同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、
   精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する
   処理を実行することを特徴とする分割方法。
6. 複数のカテゴリ情報に対応付けられたデータを、カテゴリ値毎の複数の分割データに分割する分割部と、
   前記データを基にして学習した第１学習モデルに、前記データおよび前記複数の分割データを入力した場合のそれぞれのスコアと、異常判定閾値とを基にして、前記データおよび前記複数の分割データについて、異常判定閾値と評価指数との関係を示す関数をそれぞれ生成する生成部と、
   前記データの関数と、前記複数の分割データの各関数との差を基にして、前記複数の分割データを、複数のグループに分類し、同一のグループに属する分割データを基にして学習した第２学習モデルに、前記同一のグループに属する分割データを入力した場合のスコアと、前記異常判定閾値とを基にして、前記同一のグループに属する分割データの評価指数を算出することで、精度評価を行い、精度評価の結果を基にして、前記データを前記グループ毎に分割するか否かを特定する評価部と
   を有することを特徴とする情報処理装置。

Images