JP2023092912A - 情報処理プログラム、情報処理装置、および情報処理方法 - Google Patents

Abstract

【課題】説明可能な機械学習モデルを生成するために、ユーザの現場知識に合致する特徴選択をより効率的に行うことができる情報処理プログラム、情報処理装置及び情報処理方法を提供する。【解決手段】方法は、複数の変数の順位付けを示す複数のパターンに基づく変数の優先度と、パターン毎の所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる変数を決定し、決定された変数を対象とする質問の回答結果に基づいて、推定量を更新する処理をコンピュータに実行させる。これにより、コンピュータは、説明可能な機械学習モデルを生成するために、ユーザの現場知識に合致する特徴選択をより効率的に行うことができる。【選択図】図７

Description

本発明は、情報処理技術に関する。

ＡＩ（Artificial Intelligence）技術が普及し、ブラックボックスな機械学習モデルの判断を鵜呑みにできない、人間にとって解釈可能な判断の根拠を示してほしいなど、説明可能な機械学習モデルの需要が増加している。このことから、ルールリスト、決定木、線形モデルなどのホワイトボックスモデルを予め用いることも行われるが、ホワイトボックスな機械学習モデルを単に用いるだけでは、人間にとって解釈や説明可能な機械学習モデルとは限らない。

そのため、近年では、機械学習モデル生成と人間へのフィードバックとを繰り返す対話型アプローチにより、人間が納得できて精度がよい機械学習モデルを生成することが行われている。ここで、対話型アプローチは、例えば、機械学習モデルにおいて重要と考えられる特徴を１つ選択し、ユーザにそれが本当に重要か否か質問し、ユーザが満足するまで各特徴について質問を繰り返すものである。なお、機械学習モデルにおける特徴は、説明変数、単に変数などと呼ばれることもある。

そして、フィードバックにしたがって、機械学習モデルを最適化する際のパラメータを変更して機械学習モデルが更新される。このような処理を繰り返すことで、人間が納得できて精度がよい機械学習モデルが生成される。

しかしながら、機械学習モデルの特徴数は多いため、ユーザが対話を途中で中断する可能性を考慮し、できる限り少ない質問回数でなるべく多くの重要と回答される特徴を得られることが望ましい。

そのため、相関、相互情報量、およびカイ二乗値など既存の統計量を用いて値が大きい特徴から質問する方法や、機械学習モデルの各特徴に対する予測分布への影響を測り、より影響が大きい特徴を選択して質問する方法などが存在する。

特表２０１６－５３６６９１号公報 特開２０１７－２２０２３８号公報 米国特許出願公開第２０１８／０３３６２７１号明細書 米国特許出願公開第２０１９／０１８８５８５号明細書 特開２０１９－１６９１４７号公報

しかしながら、特定の統計量が、ユーザが満足するような現場知識に必ずしも合致するとは限らず、ユーザが満足するまでの質問回数が多くなってしまう場合がある。また、機械学習モデルによる特徴選択の場合も、特定の機械学習モデルの質問の指標に依存しているといえ、当該指標がユーザの現場知識に合致するとは限らず、結局、質問回数が多くなってしまう場合がある。

１つの側面では、説明可能な機械学習モデルを生成するために、ユーザの現場知識に合致する特徴選択をより効率的に行うことを目的とする。

１つの態様において、情報処理プログラムは、複数の変数の順位付けを示す複数のパターンに基づく変数の優先度と、パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる変数を決定し、決定された変数を対象とする質問の回答結果に基づいて、推定量を更新する処理をコンピュータに実行させる。

１つの側面では、説明可能な機械学習モデルを生成するために、ユーザの現場知識に合致する特徴選択をより効率的に行うことができる。

図１は、本実施形態にかかる情報処理装置１０の構成例を示す図である。 図２は、本実施形態にかかる指標データ１２２の一例を示す図である。 図３は、本実施形態にかかる確率データ１２３の一例を示す図である。 図４は、本実施形態にかかる１回目の質問対象とする特徴決定処理の一例を示す図である。 図５は、本実施形態にかかる２回目の質問対象とする特徴決定処理の一例を示す図である。 図６は、本実施形態にかかる３回目の質問対象とする特徴決定処理の一例を示す図である。 図７は、本実施形態にかかる推定量更新処理の流れの一例を示すフローチャートである。 図８は、本実施形態にかかる情報処理装置１０のハードウェア構成例を示す図である。

以下に、本実施形態に係る情報処理プログラム、情報処理装置、および情報処理方法の実施例を図面に基づいて詳細に説明する。なお、この実施例により本実施形態が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［情報処理装置１０の機能構成］
図１を用いて、本実施形態にかかる情報処理装置１０の機能構成を説明する。図１は、情報処理装置１０の構成例を示すブロック図である。図１に示すように、情報処理装置１０は、通信部１１、記憶部１２、および制御部１３を有する。

通信部１１は、他の情報処理装置との間の通信を制御する処理部である。

記憶部１２は、各種データや、制御部１３が実行するプログラムを記憶する記憶装置である。記憶部１２は、分類モデル１２１、指標データ１２２、および確率データ１２３などを記憶する。

分類モデル１２１は、例えば、入力データを２つの値のいずれかに分類する機械学習モデルである。例えば、分類モデル１２１は、人物が写った画像が入力されると、当該人物が制服を着用しているか否かを判定し、着用か非着用を結果として出力する。

指標データ１２２は、機械学習モデルにおける特徴の順位付け、すなわち優先度を示すパターンである指標に関するデータである。図２は、本実施形態にかかる指標データ１２２の一例を示す図である。図２の例では、指標データ１２２に３つの指標Ｘ、Ｙ、Ｚが含まれ、各指標には５つの特徴ａ～ｅが順位付けて示されている。

図２の例では、指標Ｘの場合、機械学習モデルにおいて重要と考えられる特徴の１位はａと考えられ、ユーザに対して、まず、特徴ａについて重要か否かの質問がされる。そして指標Ｘの場合、次に２位である特徴ｂについて重要か否かの質問がされ、ユーザが満足するまで、各特徴の優先度に基づいて各特徴について順番に質問が繰り返される。なお、図２の例では、便宜上、特徴の総数はａ～ｅと５つであるが、当然ながら実際には機械学習モデルは数百、数千など、より多くの特徴を含む。

また、推定量αは、初期値を１．０とする、各指標の重み係数である。情報処理装置１０は、ユーザに対し各特徴について重要か否かの質問をし、当該質問に対する回答結果に基づいて推定量αを更新する。詳細は後述するが、このようにして、情報処理装置１０は、重要である特徴を上位に含む指標がより現場知識に合致する指標であるとして、当該指標から特徴がより選択され易くする。

また、指標データ１２２における各指標は、相関、相互情報量、およびカイ二乗値などの統計量や、機械学習モデルの各特徴に対する予測分布などの既存技術を用いて特徴の順位付けがされ、生成される。

確率データ１２３は、特徴ごとのユーザが従うと推定される確率に関するデータである。すなわち、確率データ１２３は、重要と推定され、重要か否かの質問に対してユーザから重要である（Ｙｅｓ）との回答を得られると推定される、特徴ごとの確率に関するデータである。図３の例では、ユーザからＹｅｓの回答が得られると推定される確率は、特徴ａが０．６６％、特徴ｅが０．３３％であることが示されている。そのため、図３の例における確率データ１２３では、特徴ａについて重要か否かの質問をユーザにすることが、できる限り少ない質問回数でなるべく多くの重要な特徴を得るために、より効率的であるといえる。確率データ１２３は、質問ごとに指標データ１２２に基づいて生成される。確率データ１２３の生成方法や、ユーザに質問する特徴選択の詳細については後述する。

なお、記憶部１２に記憶される上記データはあくまでも一例であり、記憶部１２は、上記データ以外にも様々なデータを記憶できる。

制御部１３は、情報処理装置１０全体を司る処理部であり、決定部１３１、出力部１３２、および更新部１３３を有する。

決定部１３１は、指標データ１２２に基づく機械学習モデルにおける特徴の優先度と、指標データ１２２ごとの所定条件に適合する可能性を示す推定量αとに基づいて、重要度を問う質問の対象となる特徴を選択して決定する。

例えば、決定部１３１は、機械学習モデルの各特徴に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された各特徴の優先度と推定量αとに基づいて、質問の対象となる特徴を決定する。なお、機械学習モデルにおける特徴は、機械学習モデルにおける変数、指標データ１２２は、複数の変数の順位付けを示す複数のパターンにそれぞれ相当する。

出力部１３２は、決定部１３１によって決定された特徴に対する重要度を問う質問を出力する。例えば、出力部１３２は、情報処理装置１０に接続されたディスプレイ装置などの出力装置を介して、質問を出力する。または、出力部１３２は、ネットワークを介して通信可能に接続された情報処理端末（図示せず）などに対して質問を出力してもよい。

更新部１３３は、出力部１３２によって出力された、重要度を問う質問の回答結果を取得し、当該回答結果に基づいて、推定量αを更新する。

例えば、更新部１３３は、重要度を問う質問の回答結果が、決定部１３１によって決定された特徴は重要であることを示す場合、当該特徴の優先度が所定の閾値以上である指標データ１２２の推定量αを増加させるように更新する。一方、重要度を問う質問の回答結果が、決定部１３１によって決定された特徴は重要でないことを示す場合、当該特徴の優先度が所定の閾値以上でない指標データ１２２の推定量αを増加させるように更新する。ここで、所定の閾値は、例えば、上位２位を示す値である。

［機能詳細］
次に、図４～６を用いて、情報処理装置１０によって実行される、重要度を問う質問において質問対象とする特徴決定処理についてより詳細に説明する。図４は、本実施形態にかかる１回目の質問のための特徴選択処理の一例を示す図である。図４の例では、ユーザに対して重要度を問う１回目の質問をするために、指標データ１２２に基づいて質問対象となる特徴を選択し、決定する処理について説明する。

まず、前提条件として、機械学習モデルにおける特徴の総数は、全部でａ～ｅの５つであるものとする。また、情報処理装置１０には分からない、すなわち、情報処理装置１０には予め設定や記憶されていないが、ユーザが重要だと思っている特徴は、ａおよびｂの２つであるものとする。また、詳細は後述するが、推定量αの更新内容を決定する際に用いるユーザパラメータδ＝２（上位２位）であるものとする。ユーザパラメータδは、例えば、特徴の総数の所定の割合などに基づいて予め決定され、情報処理装置１０に記憶されてよい。または、ユーザパラメータδは、ユーザによって任意の値を設定されてよい。

特徴決定処理について、情報処理装置１０は、図４の左側に示すように、指標データ１２２における各指標の１位の特徴を１回目の質問候補として抽出する。図４の例では、指標Ｘ、Ｙ、Ｚから、それぞれ、特徴ａ、ａ、ｅが抽出される。

次に、情報処理装置１０は、図４の右側に示すように、抽出された各特徴の確率を算出し、１回目の質問対象とする特徴を決定するための確率データ１２３を生成する。確率データ１２３における確率は、重要度を問う質問に対してユーザから重要であるとの回答を得られると推定される確率である。当該確率は、指標ごとに推定量αに基づいて算出される確率の特徴ごとの合算値である。

例えば、指標がＸ、Ｙ、Ｚと３つあり、それぞれを、１番目、２番目、３番目の指標とすると、ｉ番目の指標の確率は次の式（１）を用いて算出される。

式（１）において、Σ_ｊα_ｊは、全ての指標の推定量αの合算値であり、図４の例では、Σ_ｊα_ｊ＝１．０＋１．０＋１．０＝３．０である。

情報処理装置１０は、式（１）を用いて各指標の確率を算出し、特徴ごとに合算することで、図４の右側に示すような各特徴の確率を得る。例えば、図４の例では、特徴ａは、指標ＸおよびＹの２つから抽出されるため、特徴ａの確率＝指標Ｘの確率＋指標Ｙの確率＝（１．０／３．０）＋（１．０／３．０）＝約０．６６となる。同様に、特徴ｅの確率＝指標Ｚの確率＝（１．０／３．０）＝約０．３３となる。なお、特徴ｂ～ｄは１回目の質問候補として抽出されないため、特徴ｂ～ｄの確率は０である。

そして、情報処理装置１０は、最も確率の高い特徴ａを１回目の質問対象として選択し、決定する。次に、情報処理装置１０は、１回目の質問として、特徴ａについて重要か否かの質問をユーザに対して出力する。当該質問に対し、特徴ａはユーザが重要だと思っている特徴であるため、ユーザからＹｅｓ（重要）の回答が得られる。

そして、情報処理装置１０は、特徴ａが重要であることがわかったため、ユーザパラメータδに設定された値、図４の例では２によって示される上位２位以内に特徴ａを含む指標ＸおよびＹを優遇するように推定量αを更新する。より具体的には、情報処理装置１０は、指標ＸおよびＹの推定量αを、例えば、１．０から１．１５に増加するように更新する。なお、推定量αをどれくらい増加するかは、例えば、優遇される指標の数や、予め設定された値などに基づいてよい。また、ユーザパラメータδに設定された値によって示される上位所定の順位以内であることは、機械学習モデルにおける特徴の順位付け、すなわち優先度が所定の閾値以上であることに相当する。

また、情報処理装置１０は、重要である特徴ａを上位２位以内に含まない指標Ｚの推定量αを、例えば、１．０から０．８５に減少するように更新してもよい。これにより、重要である特徴を上位に含む指標ＸおよびＹから、質問対象とする特徴がより選択され易くなる。なお、推定量αをどれくらい現象するかも、例えば、予め設定された値などに基づいてよい。

次に、２回目の質問をするための特徴選択処理について説明する。図５は、本実施形態にかかる２回目の質問対象とする特徴決定処理の一例を示す図である。図５の例は、図４を用いて説明したように、ユーザに対して１回目の質問を行い、回答結果に基づいて各指標の推定量αが更新された後の２回目の質問に関する。

まず、情報処理装置１０は、図５の左側に示すように、指標データ１２２における各指標の特徴のうち、まだ質問対象になっていない最上位の特徴を２回目の質問候補として抽出する。図４を用いて説明したように１回目の質問対象は特徴ａに決定されたため、図５の例では、指標Ｘ、Ｙ、Ｚから、それぞれ、特徴ｂ、ｅ、ｅが質問候補として抽出される。

次に、情報処理装置１０は、図５の右側に示すように、抽出された各特徴の確率を算出する。図５の例では、特徴ｅは、指標ＹおよびＺの２つから抽出されるため、特徴ｅの確率＝指標Ｙの確率＋指標Ｚの確率＝（１．１５／３．１５）＋（０．８５／３．１５）＝約０．６３となる。同様に、特徴ｂの確率＝指標Ｘの確率＝（１．１５／３．１５）＝約０．３６となる。

そして、情報処理装置１０は、最も確率の高い特徴ｅを２回目の質問対象として選択し、決定する。次に、情報処理装置１０は、２回目の質問として、特徴ｅについて重要か否かの質問をユーザに対して出力する。当該質問に対し、特徴ｅはユーザが重要だと思っている特徴でないため、ユーザからＮｏ（重要でない）の回答が得られる。

そして、情報処理装置１０は、特徴ｅが重要でないことがわかったため、上位２位以内に特徴ｅを含まない指標Ｘを優遇するように推定量αを更新する。より具体的には、情報処理装置１０は、指標Ｘの推定量αを、例えば、１．１５から２．０に増加するように更新する。

また、情報処理装置１０は、重要でない特徴ｅを上位２位以内に含む指標ＹおよびＺの推定量αを、それぞれ、例えば、１．１５から１．１、および０．８５から０．８に減少するように更新してもよい。

次に、３回目の質問をするための特徴選択処理について説明する。図６は、本実施形態にかかる３回目の質問対象とする特徴決定処理の一例を示す図である。図６の例は、図５を用いて説明したように、ユーザに対して２回目の質問を行い、回答結果に基づいて各指標の推定量αが更新された後の３回目の質問に関する。

まず、情報処理装置１０は、図６の左側に示すように、指標データ１２２における各指標の特徴のうち、まだ質問対象になっていない最上位の特徴を３回目の質問候補として抽出する。図４および５を用いて説明したように１回目および２回目の質問対象は特徴ａおよびｅに決定されたため、図６の例では、指標Ｘ、Ｙ、Ｚから、それぞれ、特徴ｂ、ｄ、ｄが質問候補として抽出される。

次に、情報処理装置１０は、図６の右側に示すように、抽出された各特徴の確率を算出する。図６の例では、特徴ｄは、指標ＹおよびＺの２つから抽出されるため、特徴ｄの確率＝指標Ｙの確率＋指標Ｚの確率＝（１．１／３．９）＋（０．８／３．９）＝約０．４８となる。同様に、特徴ｂの確率＝指標Ｘの確率＝（２．０／３．９）＝約０．５１となる。

そして、情報処理装置１０は、最も確率の高い特徴ｂを３回目の質問対象として選択し、決定する。次に、情報処理装置１０は、３回目の質問として、特徴ｂについて重要か否かの質問をユーザに対して出力する。当該質問に対し、特徴ｂはユーザが重要だと思っている特徴であるため、ユーザからＹｅｓ（重要）の回答が得られる。

そして、情報処理装置１０は、特徴ｂが重要であることがわかったため、上位２位以内に特徴ｂを含む指標Ｘを優遇するように推定量αを増加して更新する。また、情報処理装置１０は、重要である特徴ｂを上位２位以内に含まない指標ＹおよびＺの推定量αを減少するように更新してもよい。

なお、図４～６の例では、情報処理装置１０は、３回の質問でユーザが重要だと思っている特徴のすべてを認識することができたが、情報処理装置１０は、ユーザが重要だと思っている特徴の総数はわからない。そのため、情報処理装置１０は、３回目の質問の後に、質問対象となる特徴が無くなるまで、さらに４回目以降の質問をしようとする。そこで、例えば、情報処理装置１０は、ユーザに対して満足したか否かを、ユーザインタフェースなどを介して確認し、満足したという回答が得られるまで質問を続行するように制御してもよい。

［処理の流れ］
次に、図７を用いて、情報処理装置１０によって実行される推定量更新処理の流れを説明する。図７は、本実施形態にかかる推定量更新処理の流れの一例を示すフローチャートである。図７に示す推定量更新処理は、ユーザからの要求に応答してなど、任意のタイミングで開始される。

まず、図７に示すように、情報処理装置１０は、指標データ１２２およびユーザパラメータδを取得する（ステップＳ１０１）。指標データ１２２は、統計量や機械学習モデルを用いた既存技術によって対象の機械学習モデルの各特徴が順位付けされ、情報処理装置１０に予め記憶される。ユーザパラメータδは、対象の機械学習モデルの特徴の総数などに基づいて決定され、またはユーザによって設定され、情報処理装置１０に予め記憶される。このように、指標データ１２２やユーザパラメータδは予め生成され記憶されておいてもよいし、ステップＳ１０１で生成され取得されてもよい。

次に、情報処理装置１０は、指標データ１２２における推定量αを初期化する（ステップＳ１０２）。より具体的には、情報処理装置１０は、初期段階では、ユーザが重要だと思っている特徴はわからず、指標データ１２２におけるどの指標がユーザの現場知識により合致するかわからないため、各指標の推定量αに一律１．０を設定する。なお、推定量αの初期化は、指標データ１２２生成時に併せて行われてもよい。

次に、情報処理装置１０は、図４～６を用いて説明したように、指標データ１２２に基づいて各特徴の確率を算出し、まだ質問対象になっていない特徴から最高確率の特徴を質問対象として選択しユーザに質問する（ステップＳ１０３）。

ステップＳ１０３の質問に対するユーザからの回答がＹｅｓ（重要）の場合（ステップＳ１０４：Ｙｅｓ）、情報処理装置１０は、質問対象を上位δ以内に含む指標を優遇するように推定量αを更新する（ステップＳ１０５）。

一方、ユーザからの回答がＮｏ（重要でない）の場合（ステップＳ１０４：Ｎｏ）、情報処理装置１０は、質問対象を上位δ以内に含まない指標を優遇するように推定量αを更新する（ステップＳ１０６）。

次に、情報処理装置１０は、ユーザに対して満足したか否かを、ユーザインタフェースなどを介して確認し、満足したという回答の場合（ステップＳ１０７：Ｙｅｓ）、図７に示す推定量更新処理は終了する。

一方、満足していないという回答の場合（ステップＳ１０７：Ｎｏ）、ステップＳ１０３に戻り、ユーザが満足するまで、まだ質問対象になっていない特徴の重要度を問う質問を繰り返す（ステップＳ１０３～Ｓ１０７）。

［効果］
上述したように、情報処理装置１０は、複数の変数の順位付けを示す複数のパターンに基づく変数の優先度と、パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる変数を決定し、決定された変数を対象とする質問の回答結果に基づいて、推定量を更新する。

このように、情報処理装置１０は、指標と、ユーザの現場知識に合致する可能性を示す推定量とに基づいて、重要度を問う質問対象とする特徴を選択して決定し、回答結果に基づいて推定量を更新する。これにより、情報処理装置１０は、説明可能な機械学習モデルを生成するために、ユーザの現場知識に合致する特徴選択をより効率的に行うことができる。

また、推定量を更新する処理は、回答結果が決定された変数は重要であることを示す場合、決定された変数の優先度が所定の閾値以上であるパターンの推定量を増加させるように更新する処理を含む。

これにより、情報処理装置１０は、ユーザの現場知識に合致する特徴をより選択し易くできる。

また、推定量を更新する処理は、回答結果が決定された変数は重要でないことを示す場合、決定された変数の優先度が所定の閾値以上でないパターンの推定量を増加させるように更新する処理を含む。

これにより、情報処理装置１０は、ユーザの現場知識に合致する特徴をより選択し易くできる。

また、変数を決定する処理は、変数に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された順位付けを示すパターンに基づく優先度と、推定量とに基づいて、変数を決定する処理を含む。

これにより、情報処理装置１０は、ユーザの現場知識に合致する特徴をより選択し易くできる。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報は、特記する場合を除いて任意に変更されてもよい。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更されてもよい。

また、情報処理装置１０の構成要素の分散や統合の具体的形態は図示のものに限られない。例えば、情報処理装置１０の決定部１３１が複数の処理部に分散されたり、情報処理装置１０の決定部１３１と出力部１３２とが１つの処理部に統合されたりしてもよい。つまり、その構成要素の全部または一部は、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合されてもよい。さらに、各装置の各処理機能は、その全部または任意の一部が、ＣＰＵ（Central Processing Unit）および当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

図８は、本実施形態にかかる情報処理装置１０のハードウェア構成例を示す図である。図８に示すように、情報処理装置１０は、通信インタフェース１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図６に示した各部は、バスなどで相互に接続される。

通信インタフェース１０ａは、ネットワークインタフェースカードなどであり、他の情報処理装置との通信を行う。ＨＤＤ１０ｂは、図１などに示した機能を動作させるプログラムやデータを記憶する。

プロセッサ１０ｄは、ＣＰＵ、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）などである。また、プロセッサ１０ｄは、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路により実現されるようにしてもよい。プロセッサ１０ｄは、図１などに示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂなどから読み出してメモリ１０ｃに展開することで、図１などで説明した各機能を実現するプロセスを実行するハードウェア回路である。

また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他の情報処理装置がプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、上記実施例が同様に適用されてよい。

このプログラムは、インターネットなどのネットワークを介して配布されてもよい。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などの情報処理装置で読み取り可能な記録媒体に記録され、情報処理装置によって記録媒体から読み出されることによって実行されてもよい。

以上の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）複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
処理をコンピュータに実行させる情報処理プログラム。
（付記２）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要であることを示す場合、前記決定された変数の前記優先度が所定の閾値以上である前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記１に記載の情報処理プログラム。
（付記３）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要でないことを示す場合、前記決定された変数の前記優先度が前記所定の閾値以上でない前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記２に記載の情報処理プログラム。
（付記４）前記変数を決定する処理は、
前記変数に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された前記順位付けを示す前記パターンに基づく前記優先度と、前記推定量とに基づいて、前記変数を決定する
処理を含むことを特徴とする付記１乃至３のいずれか１つに記載の情報処理プログラム。
（付記５）複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
処理を実行する制御部を備えた情報処理装置。
（付記６）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要であることを示す場合、前記決定された変数の前記優先度が所定の閾値以上である前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記５に記載の情報処理装置。
（付記７）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要でないことを示す場合、前記決定された変数の前記優先度が前記所定の閾値以上でない前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記６に記載の情報処理装置。
（付記８）前記変数を決定する処理は、
前記変数に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された前記順位付けを示す前記パターンに基づく前記優先度と、前記推定量とに基づいて、前記変数を決定する
処理を含むことを特徴とする付記５乃至７のいずれか１つに記載の情報処理装置。
（付記９）複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
処理をコンピュータが実行する情報処理方法。
（付記１０）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要であることを示す場合、前記決定された変数の前記優先度が所定の閾値以上である前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記９に記載の情報処理方法。
（付記１１）前記推定量を更新する処理は、
前記回答結果が前記決定された変数は重要でないことを示す場合、前記決定された変数の前記優先度が前記所定の閾値以上でない前記パターンの前記推定量を増加させるように更新する
処理を含むことを特徴とする付記１０に記載の情報処理方法。
（付記１２）前記変数を決定する処理は、
前記変数に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された前記順位付けを示す前記パターンに基づく前記優先度と、前記推定量とに基づいて、前記変数を決定する
処理を含むことを特徴とする付記９乃至１１のいずれか１つに記載の情報処理方法。

１０ 情報処理装置
１０ａ 通信インタフェース
１０ｂ ＨＤＤ
１０ｃ メモリ
１０ｄ プロセッサ
１１ 通信部
１２ 記憶部
１３ 制御部
１２１ 分類モデル
１２２ 指標データ
１２３ 確率データ
１３１ 決定部
１３２ 出力部
１３３ 更新部

Claims (6)

1. 複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
   前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
   処理をコンピュータに実行させる情報処理プログラム。
2. 前記推定量を更新する処理は、
   前記回答結果が前記決定された変数は重要であることを示す場合、前記決定された変数の前記優先度が所定の閾値以上である前記パターンの前記推定量を増加させるように更新する
   処理を含むことを特徴とする請求項１に記載の情報処理プログラム。
3. 前記推定量を更新する処理は、
   前記回答結果が前記決定された変数は重要でないことを示す場合、前記決定された変数の前記優先度が前記所定の閾値以上でない前記パターンの前記推定量を増加させるように更新する
   処理を含むことを特徴とする請求項２に記載の情報処理プログラム。
4. 前記変数を決定する処理は、
   前記変数に対する相関、相互情報量、およびカイ二乗値の少なくとも１つである統計量に基づいて決定された前記順位付けを示す前記パターンに基づく前記優先度と、前記推定量とに基づいて、前記変数を決定する
   処理を含むことを特徴とする請求項１乃至３のいずれか一項に記載の情報処理プログラム。
5. 複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
   前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
   処理を実行する制御部を備えた情報処理装置。
6. 複数の変数の順位付けを示す複数のパターンに基づく前記変数の優先度と、前記パターンごとの所定条件に適合する可能性を示す推定量とに基づいて、重要度を問う質問の対象となる前記変数を決定し、
   前記決定された変数を対象とする前記質問の回答結果に基づいて、前記推定量を更新する
   処理をコンピュータが実行する情報処理方法。
   
   

Images