JP2022070386A - 学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム - Google Patents
学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム Download PDFInfo
- Publication number
- JP2022070386A JP2022070386A JP2020179424A JP2020179424A JP2022070386A JP 2022070386 A JP2022070386 A JP 2022070386A JP 2020179424 A JP2020179424 A JP 2020179424A JP 2020179424 A JP2020179424 A JP 2020179424A JP 2022070386 A JP2022070386 A JP 2022070386A
- Authority
- JP
- Japan
- Prior art keywords
- model
- data
- procedure
- feature vector
- series data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012300 Sequence Analysis Methods 0.000 title claims description 46
- 239000013598 vector Substances 0.000 claims abstract description 120
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000007704 transition Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 20
- 238000000354 decomposition reaction Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
まず、本実施形態に係る系列解析装置10の機能構成について、図1を参照しながら説明する。図1は、一実施形態に係る系列解析装置10の機能構成の一例を示す図である。
次に、第一の実施形態に係る学習処理について、図2を参照しながら説明する。図2は、第一の実施形態に係る学習処理の一例を示すフローチャートである。第一の実施形態に係る学習処理では、入力部101によって観測ベクトルの系列データXが入力データとして記憶部107から入力されたものとする。このとき、以下のステップS101~ステップS109を実行することで、系列データXに含まれる観測ベクトルを特徴ベクトルに変換するモデルと、特徴ベクトルを観測ベクトルに変換するモデルとを学習する。以降では、一例として、これらのモデルはニューラルネットワークで実現されるものとして、それぞれf及びgと表記する。なお、観測データがベクトルでない場合(例えば、テンソル、グラフ、系列等である場合)には、当該観測データのデータ構造に対応したニューラルネットワークを用いればよい。
次に、第二の実施形態に係る学習処理について、図3を参照しながら説明する。図3は、第二の実施形態に係る学習処理の一例を示すフローチャートである。第二の実施形態に係る学習処理では、入力部101によって観測ベクトルの系列データXと外因性ベクトルの系列データZとの両方が入力データとして記憶部107から入力されたものとする。このとき、以下のステップS201~ステップS212を実行することで、系列データXに含まれる観測ベクトルを特徴ベクトルに変換するモデルと、特徴ベクトルを観測ベクトルに変換するモデルと、系列データZに含まれる外因性ベクトルを特徴ベクトルに変換するモデルと、特徴ベクトルを外因性ベクトルに変換するモデルとを学習する。以降では、一例として、これらのモデルはニューラルネットワークで実現されるものとして、それぞれf、g、h及びqと表記する。なお、観測データや外因性データがベクトルでない場合(例えば、テンソル、グラフ、系列等である場合)には、当該観測データや当該外因性データのデータ構造に対応したニューラルネットワークを用いればよい。
ここで、例えば、固有値等の系列データに関する補助情報が入力データとして与えられている場合、このような補助情報をモデルの学習に有効活用することができる。
解析部103は、与えられた系列データの全ての時刻集合をτとして、学習済みのニューラルネットワークfを用いて、上記のステップS103~ステップS104を実行することにより固有値Λ及び固有ベクトルYを求める。固有値の実部は分解された系列データの成長率を表し、虚部は周期を表す。
予測部104は、与えられた系列データの全ての時刻集合をτとして、学習済みのニューラルネットワークf及びgを用いて、上記のステップS103~ステップS106を実行することにより、任意の時刻の観測ベクトル^xtを予測することができる。
外因性ベクトルの系列データが与えられている場合は、学習部102により、以下の式(19)及び(20)によって特徴空間における線形行列A及びBを推定する。
次に、本実施形態に係る系列解析装置10による固有値の推定精度の評価結果について説明する。人工データを用いて、固有値を推定し、その結果を既存手法と比較した。比較結果を図4に示す。図4中のNDMDは、本実施形態に係る系列解析装置10を表す。また、DMD、DMD2、SDMDはいずれも既存手法であり、それぞれ動的モード分解、2次元に次元削減した動的モード分解、スパース動的モード分解を表す。
最後に、一実施形態に係る系列解析装置10のハードウェア構成について、図5を参照しながら説明する。図5は、一実施形態に係る系列解析装置10のハードウェア構成の一例を示す図である。
101 入力部
102 学習部
103 解析部
104 予測部
105 制御部
106 出力部
107 記憶部
201 入力装置
202 表示装置
203 外部I/F
203a 記録媒体
204 通信I/F
205 プロセッサ
206 メモリ装置
207 バス
Claims (8)
- 観測データで構成される第1の系列データを入力する第1の入力手順と、
前記第1の系列データに含まれる観測データを第1のモデルにより第1の特徴ベクトルに変換する第1の変換手順と、
前記第1の特徴ベクトルを第2のモデルにより前記観測データに変換する第2の変換手順と、
前記第1の系列データに含まれる観測データと、前記第2の変換手順で変換された観測データとの第1の誤差が小さくなるように、前記第1のモデル及び前記第2のモデルのパラメータを更新する更新手順と、
をコンピュータが実行する学習方法。 - 前記観測データに影響を与える外因性データで構成される第2の系列データを入力する第2の入力手順と、
前記第2の系列データに含まれる外因性データを第3のモデルにより第2の特徴ベクトルに変換する第3の変換手順と、
前記第2の特徴ベクトルを第4のモデルにより前記外因性データに変換する第4の変換手順と、が含まれ、
前記更新手順は、
前記第1の誤差と、前記第2の系列データに含まれる外因性データと前記第4の変換手順で変換された外因性データとの第2の誤差とが小さくなるように、前記第1のモデル、前記第2のモデル、前記第3のモデル及び前記第4のモデルのパラメータを更新する、請求項1に記載の学習方法。 - 前記第1の変換手順で変換された第1の特徴ベクトルを用いて、次の時刻の第1の特徴ベクトルへの遷移行列を推定する推定手順と、
前記遷移行列の固有値及び固有ベクトルを用いて、各時刻の第1の特徴ベクトルを予測する予測手順と、が含まれ、
前記第2の変換手順は、
前記予測手順で予測された第1の特徴ベクトルを前記第2のモデルにより前記観測データに変換する、請求項1又は2に記載の学習方法。 - 観測データで構成される第1の系列データを入力する第1の入力手順と、
前記第1の系列データに含まれる観測データを第1のモデルにより第1の特徴ベクトルに変換する第1の変換手順と、
前記第1の特徴ベクトルを第2のモデルにより前記観測データに変換する第2の変換手順と、
前記第1の系列データに含まれる観測データと、前記第2の変換手順で変換された観測データとの第1の誤差が小さくなるように、前記第1のモデル及び前記第2のモデルのパラメータを更新する更新手順と、
前記更新手順で更新されたパラメータを設定した前記第1のモデル及び前記第2のモデルにより、解析対象の系列データの性質を解析、又は、予測対象の系列データから将来の時刻のデータを予測する推論手順と、
をコンピュータが実行する系列解析方法。 - 前記観測データに影響を与える外因性データで構成される第2の系列データを入力する第2の入力手順と、
前記第2の系列データに含まれる外因性データを第3のモデルにより第2の特徴ベクトルに変換する第3の変換手順と、
前記第2の特徴ベクトルを第4のモデルにより前記外因性データに変換する第4の変換手順と、が含まれ、
前記更新手順は、
前記第1の誤差と、前記第2の系列データに含まれる外因性データと前記第4の変換手順で変換された外因性データとの第2の誤差とが小さくなるように、前記第1のモデル、前記第2のモデル、前記第3のモデル及び前記第4のモデルのパラメータを更新し、
前記推論手順は、
前記更新手順で更新されたパラメータを設定した前記第1のモデル、前記第2のモデル、前記第3のモデル及び前記第4のモデルにより、前記第1の系列データが得られた動的システムを制御する、請求項4に記載の系列解析方法。 - 観測データで構成される第1の系列データを入力する第1の入力部と、
前記第1の系列データに含まれる観測データを第1のモデルにより第1の特徴ベクトルに変換する第1の変換部と、
前記第1の特徴ベクトルを第2のモデルにより前記観測データに変換する第2の変換部と、
前記第1の系列データに含まれる観測データと、前記第2の変換部で変換された観測データとの第1の誤差が小さくなるように、前記第1のモデル及び前記第2のモデルのパラメータを更新する更新部と、
を有する学習装置。 - 観測データで構成される第1の系列データを入力する第1の入力部と、
前記第1の系列データに含まれる観測データを第1のモデルにより第1の特徴ベクトルに変換する第1の変換部と、
前記第1の特徴ベクトルを第2のモデルにより前記観測データに変換する第2の変換部と、
前記第1の系列データに含まれる観測データと、前記第2の変換部で変換された観測データとの第1の誤差が小さくなるように、前記第1のモデル及び前記第2のモデルのパラメータを更新する更新部と、
前記更新部で更新されたパラメータを設定した前記第1のモデル及び前記第2のモデルにより、解析対象の系列データの性質を解析、又は、予測対象の系列データから将来の時刻のデータを予測する推論部と、
を有する系列解析装置。 - コンピュータに、請求項1乃至3の何れか一項に記載の学習方法、又は、請求項4又は5に記載の系列解析方法、を実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020179424A JP2022070386A (ja) | 2020-10-27 | 2020-10-27 | 学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020179424A JP2022070386A (ja) | 2020-10-27 | 2020-10-27 | 学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022070386A true JP2022070386A (ja) | 2022-05-13 |
Family
ID=81535204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020179424A Pending JP2022070386A (ja) | 2020-10-27 | 2020-10-27 | 学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022070386A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024090428A1 (ja) * | 2022-10-26 | 2024-05-02 | 東京エレクトロン株式会社 | 情報処理方法、コンピュータプログラム及び情報処理装置 |
WO2024090433A1 (ja) * | 2022-10-26 | 2024-05-02 | 東京エレクトロン株式会社 | 情報処理方法、コンピュータプログラム及び情報処理装置 |
-
2020
- 2020-10-27 JP JP2020179424A patent/JP2022070386A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024090428A1 (ja) * | 2022-10-26 | 2024-05-02 | 東京エレクトロン株式会社 | 情報処理方法、コンピュータプログラム及び情報処理装置 |
WO2024090433A1 (ja) * | 2022-10-26 | 2024-05-02 | 東京エレクトロン株式会社 | 情報処理方法、コンピュータプログラム及び情報処理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Champion et al. | Discovery of nonlinear multiscale systems: Sampling strategies and embeddings | |
Rudy et al. | Deep learning of dynamics and signal-noise decomposition with time-stepping constraints | |
US20180268285A1 (en) | Neural network cooperation | |
JP2022070386A (ja) | 学習方法、系列解析方法、学習装置、系列解析装置、及びプログラム | |
JP2021504836A5 (ja) | ||
WO2019229931A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
WO2020179627A1 (ja) | パラメータ推定装置、方法、及びプログラム | |
Khosravi | Representer theorem for learning Koopman operators | |
JP2018067227A (ja) | データ分析装置、データ分析方法、データ分析処理プログラム | |
US11645574B2 (en) | Recording medium, reinforcement learning method, and reinforcement learning apparatus | |
WO2019167240A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
JP2017220001A (ja) | 予測装置、予測方法及びプログラム | |
WO2020218246A1 (ja) | 最適化装置、最適化方法、及びプログラム | |
JP2016520220A (ja) | 隠れ属性モデル推定装置、方法およびプログラム | |
JP7047665B2 (ja) | 学習装置、学習方法及び学習プログラム | |
Rehman et al. | Embedded estimation sequential bayes parameter inference for the ricker dynamical system | |
Lancewicki et al. | Sequential covariance-matrix estimation with application to mitigating catastrophic forgetting | |
JP7163977B2 (ja) | 推定装置、学習装置、それらの方法、およびプログラム | |
Kocijan et al. | System identification with GP models | |
Bianchi et al. | Critical echo state network dynamics by means of Fisher information maximization | |
Gomm et al. | Order and delay selection for neural network modelling by identification of linearized models | |
JP2019095894A (ja) | 推定装置、学習装置、学習済みモデル、推定方法、学習方法、及びプログラム | |
Rogers et al. | Bayesian Solutions to State-Space Structural Identification | |
WO2024084622A1 (ja) | 軌跡データ予測装置、軌跡データ予測方法及びプログラム | |
WO2022009275A1 (ja) | 学習方法、学習装置及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20201029 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20201029 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240205 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240402 |