JP2022131558A5 - - Google Patents

Description

かかる課題を解決すべく、第１の発明は、判別ユニットと、テスト実行部と、評価指標算出部と、ユニット構築部とを有するアンサンブル学習システムを提供する。複数の判別ユニットは、データが共通で入力され、それぞれが学習済の機械学習モデルを有し、かつ、入力に対する判別結果の出力特性が互いに異なる。テスト実行部は、複数の判別ユニットのそれぞれに対して、正解付きのテストデータを用いたテストを実行する。評価指標算出部は、テストデータの正解と、判別ユニットの判別結果とに基づいて、判別ユニットがテストでどの程度性能を発揮できたかを示す第１の評価指標を判別ユニット毎に算出する。また、評価指標算出部は、テストデータの正解と、複数の判別ユニットを所定のパターンで組み合わせた再構築の選択肢の判別結果とに基づいて、選択肢がテストでどの程度性能を発揮できたかを示す第２の評価指標を選択肢毎に算出する。ユニット構築部は、第１の評価指標を所定のしきい値と比較することによって、判別ユニットを足切りするか否かを判別ユニット毎に判定し、足切りすべきと判定された判別ユニットを足切りした上で複数の選択肢（第２の評価指標の算出対象）を設定する。そして、ユニット構築部は、第２の評価指標に基づいて選択肢を選択することによって、複数の判別ユニットの再構築を許容する。

ここで、第１の発明において、上記複数の判別ユニットのそれぞれは、共通で入力された画像データに対して、所定の前処理を行う前処理部を有し、これらの前処理部は、判別ユニットによって画像処理の内容が異なっていてもよい。

第１の発明において、上記ユニット構築部は、第２の評価指標が同一値、または、同一とみなせる範囲内である選択肢が複数存在する場合、判別ユニット数が最も少ない選択肢を選択してもよい。

第２の発明は、以下の第１から第６のステップを有する処理をコンピュータに実行させるアンサンブル学習プログラムを提供する。第１のステップでは、データが共通で入力され、それぞれが機械学習モデルを有し、かつ、入力に対する判別結果の出力特性が互いに異なる複数の判別ユニットを構築する。第２のステップでは、複数の判別ユニットのそれぞれに対して、正解付きのテストデータを用いたテストを実行する。第３のステップでは、テストデータの正解と、判別ユニットの判別結果とに基づいて、判別ユニットがテストでどの程度性能を発揮できたかを示す第１の評価指標を判別ユニット毎に算出する。第４のステップでは、第１の評価指標を所定のしきい値と比較することによって、判別ユニットを足切りするか否かを判別ユニット毎に判定する。第５のステップでは、テストデータの正解と、足切りすべきと判定された判別ユニットを足切りした上で複数の判別ユニットを所定のパターンで組み合わせた再構築の選択肢の判別結果とに基づいて、選択肢がテストでどの程度性能を発揮できたかを示す第２の評価指標を選択肢毎に算出する。そして、第６のステップでは、第２の評価指標に基づいて選択肢を選択することによって、複数の判別ユニットの再構築を許容する。

ここで、第２の発明において、上記複数の判別ユニットのそれぞれは、共通で入力されたデータに対して、所定の前処理を行う前処理部を有し、これらの前処理部は、判別ユニットによって画像処理の内容が異なっていてもよい。

第２の発明において、上記第６のステップは、第２の評価指標が同一値、または、同一とみなせる範囲内である選択肢が複数存在する場合、判別ユニット数が最も少ない選択肢を選択してもよい。

本発明によれば、テストを実行することによって算出された評価指標を考慮した上で、複数の判別ユニットの再構築を許容することで、アンサンブル学習システム全体としての性能を最大化しつつ、演算量を有効に低減することができる。特に、再構築の候補として判別ユニットの組み合わせを設定する際、不要な判別ユニットを足切りすることで、最適なユニットの組み合わせを探すのに要する時間を削減できる。

Claims (6)

1. アンサンブル学習システムにおいて、
   データが共通で入力され、それぞれが学習済の機械学習モデルを有し、かつ、入力に対する判別結果の出力特性が互いに異なる複数の判別ユニットと、
   前記複数の判別ユニットのそれぞれに対して、正解付きのテストデータを用いたテストを実行するテスト実行部と、
   前記テストデータの正解と、前記判別ユニットの判別結果とに基づいて、前記判別ユニットが前記テストでどの程度性能を発揮できたかを示す第１の評価指標を前記判別ユニット毎に算出するとともに、前記テストデータの正解と、前記複数の判別ユニットを所定のパターンで組み合わせた再構築の選択肢の判別結果とに基づいて、前記選択肢が前記テストでどの程度性能を発揮できたかを示す第２の評価指標を前記選択肢毎に算出する評価指標算出部と、
   前記第１の評価指標を所定のしきい値と比較することによって、前記判別ユニットを足切りするか否かを前記判別ユニット毎に判定し、足切りすべきと判定された前記判別ユニットを足切りした上で複数の前記選択肢を設定するとともに、前記第２の評価指標に基づいて前記選択肢を選択することによって、前記複数の判別ユニットの再構築を許容するユニット構築部と
   を有することを特徴とするアンサンブル学習システム。
2. 前記複数の判別ユニットのそれぞれは、共通で入力された画像データに対して、所定の画像処理を前処理として行う前処理部を有し、
   前記前処理部は、前記判別ユニットによって画像処理の内容が異なることを特徴とする請求項１に記載されたアンサンブル学習システム。
3. 前記ユニット構築部は、前記第２の評価指標が同一値、または、同一とみなせる範囲内である前記選択肢が複数存在する場合、判別ユニット数が最も少ない前記選択肢を選択することを特徴とする請求項１に記載されたアンサンブル学習システム。
4. アンサンブル学習プログラムにおいて、
   データが共通で入力され、それぞれが機械学習モデルを有し、かつ、入力に対する判別結果の出力特性が互いに異なる複数の判別ユニットを構築する第１のステップと、
   前記複数の判別ユニットのそれぞれに対して、正解付きのテストデータを用いたテストを実行する第２のステップと、
   前記テストデータの正解と、前記判別ユニットの判別結果とに基づいて、前記判別ユニットが前記テストでどの程度性能を発揮できたかを示す第１の評価指標を前記判別ユニット毎に算出する第３のステップと、
   前記第１の評価指標を所定のしきい値と比較することによって、前記判別ユニットを足切りするか否かを前記判別ユニット毎に判定する第４のステップと、
   前記テストデータの正解と、足切りすべきと判定された前記判別ユニットを足切りした上で前記複数の判別ユニットを所定のパターンで組み合わせた再構築の選択肢の判別結果とに基づいて、前記選択肢が前記テストでどの程度性能を発揮できたかを示す第２の評価指標を前記選択肢毎に算出する第５のステップと、
   前記第２の評価指標に基づいて前記選択肢を選択することによって、前記複数の判別ユニットの再構築を許容する第６のステップと
   を有する処理をコンピュータに実行させることを特徴とするアンサンブル学習プログラム。
5. 前記複数の判別ユニットのそれぞれは、共通で入力された画像データに対して、所定の画像処理を前処理として行う前処理部を有し、
   前記前処理部は、前記判別ユニットによって画像処理の内容が異なることを特徴とする請求項４に記載されたアンサンブル学習プログラム。
6. 前記第６ステップは、前記第２の評価指標が同一値、または、同一とみなせる範囲内である前記選択肢が複数存在する場合、判別ユニット数が最も少ない前記選択肢を選択することを特徴とする請求項４に記載されたアンサンブル学習プログラム。