JP2021536050A - 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスの削減 - Google Patents
機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスの削減 Download PDFInfo
- Publication number
- JP2021536050A JP2021536050A JP2021505232A JP2021505232A JP2021536050A JP 2021536050 A JP2021536050 A JP 2021536050A JP 2021505232 A JP2021505232 A JP 2021505232A JP 2021505232 A JP2021505232 A JP 2021505232A JP 2021536050 A JP2021536050 A JP 2021536050A
- Authority
- JP
- Japan
- Prior art keywords
- records
- data
- field
- value
- count
- 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
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
Claims (20)
- 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスを削減する方法であって、
プロセッサーが、レコードとして整理されたデータの第1セットを受けるステップであり、前記レコードはフィールドの第1セットを有する、受けるステップと、
前記プロセッサーが、フィールドの前記第1セットでの第2フィールド内のデータに関してフィールドの前記第1セットでの第1フィールド内のデータの分析を行うステップであり、前記第2フィールドは事象の発生に対応する、分析を行うステップと、
前記プロセッサーが、前記第1フィールド内のデータが後知恵バイアスに関連付けられているという前記分析の結果を決定するステップと、
前記プロセッサーが、前記結果に応答して、前記レコードとして整理されたデータの第2セットを生成するステップであり、前記レコードはフィールドの第2セットを有し、フィールドの前記第2セットは、前記第1フィールドを除いてフィールドの前記第1セットを含む、生成するステップと、
前記プロセッサーが、データの前記第2セットの生成に応答して、データの前記第2セットに関連付けられている少なくとも1つの特徴を発生させるステップと、
前記プロセッサーが、少なくとも1つの前記特徴の発生に応答して、前記レコードとして整理されたデータの第3セットを生成するステップであり、前記レコードはフィールドの第3セットを有し、フィールドの前記第3セットは、フィールドの前記第2セットと、少なくとも1つの追加的フィールドとを含み、少なくとも1つの前記追加的フィールドは少なくとも1つの前記特徴と対応する、生成するステップと、
前記プロセッサーが、データの前記第3セットを用いて、データの前記トレーニングセットを生成するステップと、
前記プロセッサーが、データの前記トレーニングセットを用いて、前記事象の将来の発生の結果を予測するように前記機械学習システムをトレーニングするステップとを備えている、方法。 - データの前記第3セットは、第1個数のメモリーセルを使用し、
データの第4セットは、第2個数のメモリーセルを使用し、
データの前記第4セットは前記レコードとして整理され、前記レコードはフィールドの第4セットを有し、フィールドの前記第4セットは、フィールドの前記第1セットと、少なくとも1つの前記追加的フィールドとを含み、
前記第1個数は前記第2個数より小さい、請求項1記載の方法。 - 前記プロセッサーが、データの前記第1セットについて、レコードの第1セットを決定するステップであり、レコードの前記第1セットの要素は、ヌル値以外の前記第2フィールドの値を有する、決定するステップと、
前記プロセッサーが、レコードの前記第1セットを含むデータの予備的トレーニングセットを指定するステップと、
前記プロセッサーが、レコードの前記第1セット以外のレコードを含むデータのスコアリングセットを指定するステップとをさらに有する、請求項1記載の方法。 - 前記分析を行う前記ステップは、
データの前記予備的トレーニングセットについて、レコードの第2セットを決定することであり、レコードの前記第2セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
データの前記スコアリングセットについて、データの前記スコアリングセットの要素の全てが、ヌル値である前記第1フィールドの値を有すると決定することとを有する、請求項3記載の方法。 - 前記分析を行う前記ステップは、
データの前記予備的トレーニングセットについて、レコードの第2セットを決定することであり、レコードの前記第2セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
レコードの前記第2セットの前記要素のカウントをデータの前記予備的トレーニングセットの要素のカウントで除算して得られた、第1の商を決定することと、
データの前記スコアリングセットについて、レコードの第3セットを決定することであり、レコードの前記第3セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
レコードの前記第3セットの前記要素のカウントをデータの前記スコアリングセットの要素のカウントで除算して得られた、第2の商を決定することと、
前記第1の商が閾値以下であると決定することと、
前記第2の商が前記閾値以下であると決定することとを有する、請求項3記載の方法。 - 前記分析を行う前記ステップは、
データの前記予備的トレーニングセットについて、レコードの第2セットを決定することであり、レコードの前記第2セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
レコードの前記第2セットの前記要素のカウントをデータの前記予備的トレーニングセットの要素のカウントで除算して得られた、第1の商を決定することと、
データの前記スコアリングセットについて、レコードの第3セットを決定することであり、レコードの前記第3セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
レコードの前記第3セットの前記要素のカウントをデータの前記スコアリングセットの要素のカウントで除算して得られた、第2の商を決定することと、
前記第1の商、及び前記第1の商から減算された前記第2の商の間の差の絶対値が閾値以上であると決定することとを有する、請求項3記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素は、ヌル値以外の前記第1フィールドの値を有する、決定することと、
レコードの前記セットについて、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じであると決定することとを有する、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素は、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記セットの前記要素のカウントである第1カウントを決定することと、
レコードの前記セットについて、レコードの前記セットのサブセットを決定することであり、レコードの前記セットの前記サブセットの各要素の前記第1フィールドの値は、ヌル値以外である、決定することと、
レコードの前記セットの前記サブセットの要素のカウントである第2カウントを決定することと、
前記第1カウント、及び前記第1カウントから減算した前記第2カウントの間の差の絶対値が、閾値以下であると決定することとを有する、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素は、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記セットの各要素の前記第1フィールドの値が、ヌル値であると決定することとを有する、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素は、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記セットの前記要素のカウントである第1カウントを決定することと、
レコードの前記セットについて、レコードの前記セットのサブセットを決定することであり、レコードの前記セットの前記サブセットの各要素の前記第1フィールドの値は、ヌル値である、決定することと、
レコードの前記セットの前記サブセットの要素のカウントである第2カウントを決定することと、
前記第1カウント、及び前記第1カウントから減算した前記第2カウントの間の差の絶対値が、閾値以下であると決定することとを有する、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードの第1セットを決定することであり、レコードの前記第1セットの1つのレコードの前記第1フィールドの値は、レコードの前記第1セットのそれぞれ相互のレコードの前記第1フィールドの値と同じである、決定することと、
レコードの前記第1セット以外のレコードであるレコードの第2セットを決定することと、
レコードの前記第2セットについて、レコードの前記第2セットの1つのレコードの前記第2フィールドの値が、レコードの前記第2セットのそれぞれ相互のレコードの前記第2フィールドの値と同じであると決定することとを含む、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードの第1セットを決定することであり、レコードの前記第1セットの1つのレコードの前記第1フィールドの値は、レコードの前記第1セットのそれぞれ相互のレコードの前記第1フィールドの値と同じである、決定することと、
レコードの前記第1セット以外のレコードであるレコードの第2セットを決定することと、
レコードの前記第2セットの要素のカウントである第1カウントを決定することと、
レコードの前記第2セットについて、レコードの前記第2セットのスーパーセットを決定することであり、レコードの前記第2セットの前記スーパーセットの1つのレコードの前記第2フィールドの値は、レコードの前記第2セットの前記スーパーセットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記第2セットの前記スーパーセットの要素のカウントである第2カウントを決定することと、
前記第2カウント、及び前記第2カウントから減算された前記第1カウントの間の差の絶対値が閾値以下であると決定することとを含む、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素では、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記セットについて、レコードの前記セットの1つのレコードの前記第1フィールドの値は、レコードの前記セットのそれぞれ相互のレコードの前記第1フィールドの値と同じであると決定することとを含む、請求項1記載の方法。 - 前記分析を行う前記ステップは、
レコードのセットを決定することであり、レコードの前記セットの要素では、レコードの前記セットの1つのレコードの前記第2フィールドの値が、レコードの前記セットのそれぞれ相互のレコードの前記第2フィールドの値と同じである、決定することと、
レコードの前記セットの前記要素のカウントである第1カウントを決定することと、
レコードの前記セットについて、レコードの前記セットのサブセットを決定することであり、レコードの前記セットの前記サブセットの1つのレコードの前記第1フィールドの値は、レコードの前記セットの前記サブセットのそれぞれ相互のレコードの前記第1フィールドの値と同じである、決定することと、
レコードの前記セットの前記サブセットの要素のカウントである第2カウントを決定することと、
前記第1カウント、及び前記第1カウントから減算された前記第2カウントの間の差の絶対値が閾値以下であると決定することとを含む、請求項1記載の方法。 - データの前記トレーニングセットを生成する前記ステップは、
データの前記第3セットから特徴のセットを選択することと、
前記機械学習システムのための数学モデルを選択することとを含む、請求項1記載の方法。 - 前記機械学習システムをトレーニングする前記ステップは、他のプロセッサーにデータの前記トレーニングセットを伝達することを含み、データの前記トレーニングセットは、前記他のプロセッサーによって用いられ、前記事象の前記将来の発生の結果を予測するために、前記機械学習システムをトレーニングする、請求項1記載の方法。
- 前記機械学習システムをトレーニングする前記ステップは、データの前記トレーニングセットを用いて、前記事象の前記将来の発生の結果を予測するために、前記機械学習システムをトレーニングすることを含む、請求項1記載の方法。
- 前記プロセッサーが、前記機械学習システムがトレーニングされたことに応答して、前記事象の発生の実際の結果を反復で追跡するステップと、
前記プロセッサーが、反復のセットに対して商のセットを決定するステップであり、商の前記セットでの商は、第1カウントを第2カウントで除算して得られ、反復の前記セットでの反復に対して、前記第1カウントは、実際の特定の結果である前記実際の結果のカウントであり、前記第2カウントは、反復に対する実際の全ての結果のカウントである、決定するステップと、
前記プロセッサーが、商の前記セットについて、商の平均を決定するステップと、
反復の前記セットに対して、差のセットを決定するステップであり、差の前記セットのうちで差は、反復に対して、商の前記平均から差し引いた商の絶対値である、決定するステップと、
差の前記セットから、異常な実際の結果のセットを決定するステップであり、異常な実際の結果の前記セットの要素の絶対値は、閾値以上である、決定するステップと、
前記プロセッサーが、異常な実際の結果の前記セットに伴うレコードを、データの将来のトレーニングセットから除外するステップとをさらに有する、請求項17記載の方法。 - 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスを削減するためのコンピュータープログラムであって、
レコードとして整理されたデータの第1セットを受けるステップであり、前記レコードはフィールドの第1セットを有する、受けるステップと、
フィールドの前記第1セットでの第2フィールド内のデータに関してフィールドの前記第1セットでの第1フィールド内のデータの分析を行うステップであり、前記第2フィールドは事象の発生に対応する、分析を行うステップと、
前記第1フィールド内のデータが後知恵バイアスに関連付けられているという前記分析の結果を決定するステップと、
前記結果に応答して、前記レコードとして整理されたデータの第2セットを生成するステップであり、前記レコードはフィールドの第2セットを有し、フィールドの前記第2セットは、前記第1フィールドを除いてフィールドの前記第1セットを含む、生成するステップと、
データの前記第2セットの生成に応答して、データの前記第2セットに関連付けられている少なくとも1つの特徴を発生させるステップと、
少なくとも1つの前記特徴の発生に応答して、前記レコードとして整理されたデータの第3セットを生成するステップであり、前記レコードはフィールドの第3セットを有し、フィールドの前記第3セットは、フィールドの前記第2セットと、少なくとも1つの追加的フィールドとを含み、少なくとも1つの前記追加的フィールドは少なくとも1つの前記特徴と対応する、生成するステップと、
データの前記第3セットを用いて、データの前記トレーニングセットを生成するステップと、
データの前記トレーニングセットを用いて、前記事象の将来の発生の結果を予測するように前記機械学習システムをトレーニングするステップとを備えている、コンピュータープログラム。 - 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスを削減するシステムであって、
データの第1セット、データの第2セット、データの第3セット、及びデータの前記トレーニングセットを格納するように構成されているメモリーと、
プロセッサーとを備え、前記プロセッサーは、
レコードとして整理されたデータの第1セットを受け、前記レコードはフィールドの第1セットを有し、
フィールドの前記第1セットでの第2フィールド内のデータに関してフィールドの前記第1セットでの第1フィールド内のデータの分析を行い、前記第2フィールドは事象の発生に対応し、
前記第1フィールド内のデータが後知恵バイアスに関連付けられているという前記分析の結果を決定し、
前記結果に応答して、前記レコードとして整理されたデータの第2セットを生成し、前記レコードはフィールドの第2セットを有し、フィールドの前記第2セットは、前記第1フィールドを除いてフィールドの前記第1セットを含み、
データの前記第2セットの生成に応答して、データの前記第2セットに関連付けられている少なくとも1つの特徴を発生させ、
少なくとも1つの前記特徴の発生に応答して、前記レコードとして整理されたデータの第3セットを生成し、前記レコードはフィールドの第3セットを有し、フィールドの前記第3セットは、フィールドの前記第2セットと、少なくとも1つの追加的フィールドとを含み、少なくとも1つの前記追加的フィールドは少なくとも1つの前記特徴と対応し、
データの前記第3セットを用いて、データの前記トレーニングセットを生成し、
データの前記トレーニングセットを用いて、前記事象の将来の発生の結果を予測するように前記機械学習システムをトレーニングするように構成されている、システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862764666P | 2018-08-15 | 2018-08-15 | |
US62/764,666 | 2018-08-15 | ||
US16/264,659 | 2019-01-31 | ||
US16/264,659 US20200057959A1 (en) | 2018-08-15 | 2019-01-31 | Reducing instances of inclusion of data associated with hindsight bias in a training set of data for a machine learning system |
PCT/US2019/046559 WO2020037071A1 (en) | 2018-08-15 | 2019-08-14 | Reducing instances of inclusion of data associated with hindsight bias in a training set of data for a machine learning system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021536050A true JP2021536050A (ja) | 2021-12-23 |
JP7361759B2 JP7361759B2 (ja) | 2023-10-16 |
Family
ID=69523287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021505232A Active JP7361759B2 (ja) | 2018-08-15 | 2019-08-14 | 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスの削減 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200057959A1 (ja) |
EP (1) | EP3815003A1 (ja) |
JP (1) | JP7361759B2 (ja) |
CN (1) | CN112889076A (ja) |
WO (1) | WO2020037071A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11983184B2 (en) | 2021-10-07 | 2024-05-14 | Salesforce, Inc. | Multi-tenant, metadata-driven recommendation system |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3889663B2 (ja) | 2002-05-13 | 2007-03-07 | 日本電信電話株式会社 | 分類装置、分類方法、分類プログラム及びそのプログラムを記録した記録媒体 |
US7827123B1 (en) * | 2007-08-16 | 2010-11-02 | Google Inc. | Graph based sampling |
JP4829381B2 (ja) | 2009-05-18 | 2011-12-07 | 隆敏 柳瀬 | 知識ベースシステム、論理演算方法、プログラム、及び記録媒体 |
JP2012058972A (ja) | 2010-09-08 | 2012-03-22 | Sony Corp | 評価予測装置、評価予測方法、及びプログラム |
US11250342B2 (en) * | 2015-07-16 | 2022-02-15 | SparkBeyond Ltd. | Systems and methods for secondary knowledge utilization in machine learning |
JP7230439B2 (ja) | 2018-11-08 | 2023-03-01 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
-
2019
- 2019-01-31 US US16/264,659 patent/US20200057959A1/en not_active Abandoned
- 2019-08-14 WO PCT/US2019/046559 patent/WO2020037071A1/en unknown
- 2019-08-14 CN CN201980051055.6A patent/CN112889076A/zh active Pending
- 2019-08-14 JP JP2021505232A patent/JP7361759B2/ja active Active
- 2019-08-14 EP EP19759839.4A patent/EP3815003A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
CN112889076A (zh) | 2021-06-01 |
US20200057959A1 (en) | 2020-02-20 |
EP3815003A1 (en) | 2021-05-05 |
WO2020037071A1 (en) | 2020-02-20 |
JP7361759B2 (ja) | 2023-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671933B2 (en) | Method and apparatus for evaluating predictive model | |
US11694109B2 (en) | Data processing apparatus for accessing shared memory in processing structured data for modifying a parameter vector data structure | |
CN108921221A (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
US20220292999A1 (en) | Real time training | |
JP2023501523A (ja) | 説明可能人工知能ベースの販売最大限化決定モデル | |
US10783442B1 (en) | Demand forecasting via direct quantile loss optimization | |
CN107766573B (zh) | 基于数据处理的商品推荐方法、装置、设备和存储介质 | |
CN112115257A (zh) | 用于生成信息评估模型的方法和装置 | |
US20150178134A1 (en) | Hybrid Crowdsourcing Platform | |
CN111783810B (zh) | 用于确定用户的属性信息的方法和装置 | |
CN108630197A (zh) | 用于语音识别的训练方法和设备 | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN111898904B (zh) | 一种数据处理方法及装置 | |
CN107463580A (zh) | 训练点击率预估模型方法和装置、点击率预估方法和装置 | |
Bhaskaran et al. | Enhanced personalized recommendation system for machine learning public datasets: generalized modeling, simulation, significant results and analysis | |
CN105580043A (zh) | 用于推荐系统的基于强度的建模 | |
WO2017112053A1 (en) | Prediction using a data structure | |
JP2021536050A (ja) | 機械学習システムのためのデータのトレーニングセットでの後知恵バイアスに関連付けられているデータの包含のインスタンスの削減 | |
US20190370752A1 (en) | Job-post recommendation | |
Gezici et al. | Neural sentiment analysis of user reviews to predict user ratings | |
CN107016008A (zh) | 信息处理方法和装置及动态信息的显示方法和装置 | |
US11238221B2 (en) | Language profiling service | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN116188676A (zh) | 一种数字中心的数字孪生模型的建立方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210226 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220809 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230712 |
|
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: 20230829 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230928 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231003 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7361759 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |