JP2023524657A - 多変量時系列データの依存関係の決定システム、方法 - Google Patents
多変量時系列データの依存関係の決定システム、方法 Download PDFInfo
- Publication number
- JP2023524657A JP2023524657A JP2022564487A JP2022564487A JP2023524657A JP 2023524657 A JP2023524657 A JP 2023524657A JP 2022564487 A JP2022564487 A JP 2022564487A JP 2022564487 A JP2022564487 A JP 2022564487A JP 2023524657 A JP2023524657 A JP 2023524657A
- Authority
- JP
- Japan
- Prior art keywords
- time series
- computer
- series data
- multivariate time
- attention
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
多変量時系列データ分析に関するシステムおよび方法であって、コンピュータ実行可能コンポーネントを格納するメモリを備え、メモリに動作可能に結合され、メモリに格納されたコンピュータ実行可能コンポーネントを実行するプロセッサを備える。前記コンピュータ実行可能コンポーネントは、不確実性の尺度によって制御される注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成する、時系列分析コンポーネントを含む。
Description
本発明は、多変量時系列データから依存関係を決定することに関連しており、より詳細には、深層学習ニューラル・ネットワークを使用して信頼性値と共に多変量時系列データの依存関係を決定することに関連している。
深層学習ニューラル・ネットワークは、ニューラル機械翻訳、画像分類、および字幕生成などの、複数の機械学習問題のためのベンチマーク・モデルになっている。しかし、時系列分析における深層学習ニューラル・ネットワークの使用は依然として困難であり、これまでは、時系列データを予測する従来の作業に重点を置いていた。多くの実用的な時系列アプリケーションの場合、信頼性と共に多変量時系列データ間の依存関係を発見することは、観察されるデータの背後にある相互関係があるイベント/因果関係を示すイベントあるいはその両方を説明し、時系列変動に対するより多くの洞察を提供するのに役立つことができ、したがって、より良い決定を行うことにおいてユーザを支援することができる。そのようなアプリケーションは、例えば、クラウド・サービス管理、財政投資、および医療安全性を含むことができる。
深層学習の過去の成功は、非線形データ変換の複数のステップを適用することによって複雑で有益な特徴を生成する能力だけでなく、学習作業に関連する入力特徴に対して大きい注意係数を生成することによってメモリ・アクセス機構として機能することができる注意機構(Attention mechanism)の採用にも起因する。しかし、注意機構は、学習プロセスが、通常は、トレーニング段階の間に使用可能な注意(Attention)に関する明示的なグランド・トゥルースのない、教師なしであるため、大量の不安定性に関連付けられる可能性がある。さらに、時系列データは、非常にノイズが多く、変動しやすく、時間的に変化する可能性があり、したがって、従来のニューラル・ネットワークを使用して時系列データをモデル化することは、依存関係および予測された値に対する過剰な信頼性につながるだけでなく、データの不確実性を評価することにおける精度の欠如を引き起こす可能性がある。
以下に、本発明の1つまたは複数の実施形態の基本的理解を可能にするための概要を示す。この概要は、主要な要素または重要な要素を特定するよう意図されておらず、特定の実施形態の範囲または特許請求の範囲を正確に説明するよう意図されていない。この概要の唯一の目的は、後で提示されるより詳細な説明のための前置きとして、概念を簡略化された形態で提示することである。本明細書に記載された1つまたは複数の実施形態では、確実性値と共に多変量時系列データ内の依存関係を決定できるシステム、コンピュータ実装方法、装置、またはコンピュータ・プログラム製品、あるいはその組み合わせが説明される。
本発明の1つの態様によれば、システムが提供される。このシステムは、コンピュータ実行可能コンポーネントを格納するメモリを備える。このシステムは、メモリに動作可能に結合され、メモリに格納されたコンピュータ実行可能コンポーネントを実行する、プロセッサも備える。コンピュータ実行可能コンポーネントは、不確実性の尺度に基づいて注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成する、時系列分析コンポーネントを含む。そのようなシステムの利点は、主に教師なし機械学習トレーニングに基づいて非常に正確な予測を可能にすることであることができる。
一部の例では、システムは、構成された一連の多変量時系列データにわたってデータの異なるサンプリング・レートを一致させることによって多変量時系列データをエンコードすることができるエンコーダ・コンポーネントをさらに備えることができる。エンコーディングは、多変量時系列データを拡張可能かつ並列化可能にすることができる。このシステムは、機械学習モデルの注意ネットワーク層を使用して、不確実性の尺度に基づいて、エンコードされた多変量時系列データ間で注意を正則化することができる注意デコーダ・コンポーネントを備えることもできる。そのようなシステムの利点は、長いデータ・シーケンスにもかかわらず、データを拡張可能かつ並列化可能にすることができる方法での多変量時系列データのエンコーディングであることができる。
別の態様によれば、コンピュータ実装方法が提供される。コンピュータ実装方法は、プロセッサに動作可能に結合されたシステムによって、不確実性の尺度に基づいて注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成することを含む。そのようなコンピュータ実装方法の利点は、変動しやすい注意またはランダムな注意を学習することから離れて深層ニューラル・ネットワークを正則化することができる、注意機構の移植であることができる。
一部の例では、コンピュータ実装方法は、システムによって、機械学習モデルの注意ネットワーク層を使用して、不確実性の尺度に基づいて、エンコードされた多変量時系列データ間で注意を正則化することをさらに含むことができる。コンピュータ実装方法は、システムによって、注意ネットワーク層で実行されるモンテカルロ・サンプリングを介して、依存関係に関する不確実性定量化を生成することを含むこともできる。多変量時系列データは、測定可能な特性を特徴付けることができる。さらに、コンピュータ実装方法は、システムによって、発見された依存関係および不確実性定量化に基づいて、測定可能な特性の値を予測することを含むことができる。そのようなコンピュータ実装方法の利点は、観察可能なシステムの動作状態を特徴付ける複数の変数間の相関関係または因果関係あるいはその両方に対する洞察であることができる。
別の態様によれば、多変量時系列データを分析するためのコンピュータ・プログラム製品が提供される。コンピュータ・プログラム製品は、プログラム命令が具現化されているコンピュータ可読ストレージ媒体を備える。プログラム命令は、プロセッサによって実行可能であり、プロセッサに、プロセッサによって、不確実性の尺度に基づいて注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成することを実行させる。そのようなコンピュータ・プログラム製品の利点は、データ内の注意パターンの検索空間を絞り込む際の機械学習モデルの収束率の活用であることができる。
一部の例では、プログラム命令は、プロセッサに、プロセッサによって、構成された一連の多変量時系列データにわたって異なるデータ・サンプリング・レートを一致させることによって、多変量時系列データをエンコードすることをさらに実行させることができ、エンコーディングは、多変量時系列データを拡張可能かつ並列化可能にする。さらに、プログラム命令は、プロセッサに、プロセッサによって、機械学習モデルの注意ネットワーク層を使用して不確実性の尺度に基づいてエンコードされた多変量時系列データ間で注意を正則化することをさらに実行させることができる。さらに、プログラム命令は、プロセッサに、プロセッサによって、不確実性の尺度が定義されたしきい値より小さくなる結果をもたらすエンコードされた多変量時系列データの注意構成にペナルティを科すことをさらに実行させることができる。そのようなコンピュータ・プログラム製品の利点は、ニューラル・ネットワーク・モデルのニューラル・ウェイトすべてにわたって確率分布を学習するためのベイズ理論の使用であることができる。
本特許ファイルまたは出願ファイルは、カラーで作成された少なくとも1つの図面を含む。カラー図面を含む本特許または特許出願公開のコピーは、要求および必要な料金の支払いに応じて、米国特許局によって提供される。
以下の詳細な説明は、例にすぎず、実施形態、または実施形態の適用もしくは使用、あるいはその両方を制限するよう意図されていない。さらに、先行する「背景技術」または「発明の概要」のセクション、あるいは「発明を実施するための形態」のセクションで提示された、いずれかの明示されたか、または暗示された情報によって制約されるという意図はない。
ここで、図面を参照して1つまたは複数の実施形態が説明され、図面全体を通じて、類似する参照番号が、類似する要素を参照するために使用されている。以下の説明では、説明の目的で、1つまたは複数の実施形態を十分に理解できるように、多数の特定の詳細が示されている。しかし、これらの特定の詳細がなくても、さまざまな事例において、1つまたは複数の実施形態が実践されるということは明らかである。
時系列データ分析の他の実装に伴う問題を前提として、本開示は、安定した信頼できる時系列間の依存関係を発見することを学習できる深層ニューラル・ネットワーク・モデルを採用することによって、生成された出力に関連付けられた信頼性値を提供しながら、これらの問題のうちの1つまたは複数に対する解を生成するように実装されることができる。本明細書に記載された1つまたは複数の実施形態は、有利に、1つまたは複数のシャノン・エントロピーに基づくペナルティを実装する1つまたは複数の注意機構を採用することができ、モデルが時系列データ内の注意パターンの検索空間を絞り込む際に、機械学習モデルの収束率を活用することができる。さらに、点推定手法を採用する従来の深層学習モデルとは異なり、本明細書に記載されたさまざまな実施形態は、1つまたは複数の確率分布によって特徴付けられることができる重みを含む無数の深層学習モデルの集合を学習することができる。
本発明のさまざまな実施形態は、効率的、効果的、かつ自律的な時系列データ分析を(例えば、直接的な人間による誘導なしで)容易にする、コンピュータ処理システム、コンピュータ実装方法、装置、またはコンピュータ・プログラム製品、あるいはその組み合わせを対象にすることができる。例えば、本明細書に記載された1つまたは複数の実施形態では、1つまたは複数の時系列データの依存関係(例えば、相互依存関係)を発見すること、発見された依存関係に関する信頼性値を生成すること、および依存関係または関連信頼性値あるいはその両方に基づいて未来の時系列データを予測することができる。例えば、本明細書に記載された1つまたは複数の実施形態は、1つまたは複数の注意機構を採用することができる深層学習ニューラル・ネットワークを考慮することができ、注意機構は、トレーニング・プロセスの間に注意係数から直接計算される不確実性の尺度(例えば、シャノン・エントロピー)に基づいて学習目的関数にペナルティを科す。それによって、さまざまな実施形態は、変動しやすい注意またはランダムな注意を学習することから離れて深層ニューラル・ネットワークを正則化することができる。
コンピュータ処理システム、コンピュータ実装方法、装置、またはコンピュータ・プログラム製品、あるいはその組み合わせは、本質的に高度に技術的であり、抽象的ではなく、人間による一連の精神的活動として実行できない問題(例えば、多変量時系列の依存関係の教師なしでの発見)を解決するための、ハードウェアまたはソフトウェアあるいはその両方を採用する。例えば、1人または複数人は、本明細書に記載されたさまざまな実施形態によって達成される効率で、膨大な量の時系列データ内の相互依存関係を発見することができない。例えば、人は、数十個、数百個、または数千個もの時間枠を含んでいる可能性がある時系列データ内の複数の変数にわたって、微細パターン認識を容易に検出すること、または分析すること、あるいはその両方を行うことができない。さらに、本明細書に記載されたさまざまな実施形態は、人間の能力によって再現されることができないレベルのデータ機密性を可能にすることができる機械学習技術を採用することができる。
また、本明細書に記載された1つまたは複数の実施形態は、観察されるデータまたは時系列変動あるいはその両方の背後にある相互関係があるイベント/因果関係を示すイベントあるいはその両方について詳細に説明するために、発見された時系列データの依存関係に関連付けられた信頼性値を生成することによって、従来の時系列データ分析を上回る技術的改良を構成することができる。さらに、本明細書に記載されたさまざまな実施形態は、深層学習ニューラル・ネットワークがニューラル・ウェイトすべてにわたって確率分布を学習し、それによって、モデルの信頼性の表記を強化することができるようにするベイズ理論を利用することによって、従来の時系列分析を上回る技術的改良を示すことができる。
さらに、本明細書に記載された1つまたは複数の実施形態は、1つまたは複数の機械的システムもしくはコンピュータ・システム、または機械的機能もしくはコンピュータ機能、あるいはその組み合わせの操作または維持あるいはその両方に対する洞察を提供することによって、実用的応用を有することができる。例えば、本明細書に記載されたさまざまな実施形態は、観察された経験に基づいて、ある変数に対する別の変数の操作からの影響が予測されることができるように、変数間の相関関係または因果関係あるいはその両方を特徴付けることができる、時系列データの依存関係を発見することができる。本明細書に記載された1つまたは複数の実施形態は、高く不安定な不確実性の尺度(例えば、シャノン・エントロピー値)をもたらす注意構成にペナルティを科す注意機構を採用するために、深層学習ニューラル・ネットワークの1つまたは複数の注意ネットワーク層を制御することができる。それによって、1つまたは複数の実施形態は、データ内の注意パターンの検索空間を絞り込みながら、機械学習モデルの収束率を活用することができる。
本明細書において使用されるとき、「機械学習」という用語は、学習されたか、または改良されたか、あるいはその両方である知識の明示的なプログラミングなしで、経験(例えば、トレーニング・データ)から自動的または自律的あるいはその両方で学習するため、または改良するため、あるいはその両方のための、人工知能技術の適用のことを指すことができる。例えば、機械学習作業は、1つまたは複数のアルゴリズムを利用して、分類、回帰、またはクラスタ化、あるいはその組み合わせなどの作業を実行するための教師あり学習または教師なし学習あるいはその両方を促進することができる。機械学習作業の実行は、1つまたは複数のモデル構成設定に従って、1つまたは複数のデータセットに対してトレーニングされた、1つまたは複数の人工知能モデルによって容易にされることができる。
本明細書において使用されるとき、「機械学習モデル」という用語は、1つまたは複数の機械学習作業を容易にするために使用されることができるコンピュータ・モデルのことを指すことができ、このコンピュータ・モデルは、抽象的なニューロンに類似することができる複数の相互接続された処理ユニットをシミュレートすることができる。本明細書に記載されたさまざまな実施形態では、機械学習モデルは、1つまたは複数のニューラル・ネットワーク・モデルの形態で採用されることができる。例えば、処理ユニットは、変化する接続強度(例えば、従来技術において一般に「重み」と呼ばれることができる)によって接続された複数の層(例えば、1つまたは複数の入力層、1つまたは複数の隠れ層、または1つまたは複数の出力層、あるいはその組み合わせ)に配置されることができる。ニューラル・ネットワーク・モデルは、トレーニングを通じて学習することができ、トレーニングでは、既知の結果を含むデータがコンピュータ・モデルに入力されること、このデータに関する出力が既知の結果と比較されること、またはこの比較に基づいて、既知の結果を再現するようにコンピュータ・モデルの重みが自律的に調整されること、あるいはその組み合わせが実行される。本明細書において使用されるとき、「トレーニング・データ」という用語は、1つまたは複数のニューラル・ネットワーク・モデルをトレーニングするために使用されるデータまたはデータ・セットあるいはその両方のことを指すことができる。ニューラル・ネットワーク・モデルがトレーニングするにつれて(例えば、より多くのトレーニング・データを利用するにつれて)、コンピュータ・モデルはますます正確になることができ、したがってトレーニングされたニューラル・ネットワーク・モデルは、1つまたは複数の機械学習作業を容易にするためのトレーニング・データからの知識の学習に基づいて、未知の結果を含むデータを正確に分析することができる。例示的なニューラル・ネットワーク・モデルは、パーセプトロン(P:perceptron)、フィードフォワード(FF:feed forward)、動径基底ネットワーク(RBF:radial basis network)、深層フィードフォワード(DFF:deepfeed forward)、回帰型ニューラル・ネットワーク(RNN:recurrent neuralnetwork)、長短期記憶(LSTM:long/short term memory)、ゲート付き回帰型ユニット(GRU:gated recurrent unit)、オート・エンコーダ(AE:autoencoder)、変分AE(VAE:variational AE)、ノイズ除去AE(DAE:denoising AE)、スパースAE(SAE:sparse AE)、マルコフ連鎖(MC:markov chain)、ホップフィールド・ネットワーク(HN:Hopfieldnetwork)、ボルツマン・マシン(BM:Boltzmann machine)、ディープ・ビリーフ・ネットワーク(DBN:deep belief network)、深層畳み込みネットワーク(DCN:deepconvolutional network)、逆畳み込みネットワーク(DN:deconvolutionalnetwork)、深層畳み込みインバース・グラフィックス・ネットワーク(DCIGN:deepconvolutional inverse graphics network)、敵対的生成ネットワーク(GAN:generative adversarial network)液体状態マシン(LSM:liquidstate machine)、エクストリーム・ラーニング・マシン(ELM:extreme learningmachine)、エコー状態ネットワーク(ESN:echo state network)、深層残差ネットワーク(DRN:deep residual network)、コホーネン・ネットワーク(KN:kohonennetwork)、サポート・ベクター・マシン(SVM:support vector machine)、またはニューラル・チューリング・マシン(NTM:neural turing machine)、あるいはその組み合わせを含むことができるが、これらに限定されない。
図1は、多変量時系列データ内の依存関係を発見することができる例示的な非限定的システム100のブロック図を示している。本明細書に記載の他の実施形態で使用している同様の要素の繰り返しの説明は、簡潔さのために省略する。本発明のさまざまな実施形態におけるシステム(例えば、システム100など)、装置、またはプロセスの態様は、1つまたは複数のマシン内で具現化された(例えば、1つまたは複数のマシンに関連付けられた1つまたは複数のコンピュータ可読媒体内で具現化された)1つまたは複数の機械実行可能コンポーネントを構成することができる。そのようなコンポーネントは、1つまたは複数のマシン(例えば、コンピュータ、コンピューティング・デバイス、仮想マシンなど)によって実行された場合に、マシンに、説明された動作を実行させることができる。
図1に示されているように、システム100は、1つまたは複数のサーバ102、1つまたは複数のネットワーク104、入力デバイス106、または観察可能なシステム108、あるいはその組み合わせを備えることができる。サーバ102は、時系列分析コンポーネント110を備えることができる。時系列分析コンポーネント110は、通信コンポーネント112をさらに備えることができる。また、サーバ102は、少なくとも1つのメモリ116を備えるか、またはその他の方法で少なくとも1つのメモリ116に関連付けられ得る。サーバ102は、時系列分析コンポーネント110および関連するコンポーネント、メモリ116、またはプロセッサ120、あるいはその組み合わせなどの、ただしこれらに限定されない、種々のコンポーネントに結合することができる、システム・バス118をさらに備えることができる。図1ではサーバ102が示されているが、他の実施形態では、さまざまな種類の複数のデバイスが、図1に示されている特徴に関連付けられるか、または図1に示されている特徴を備えることができる。さらに、サーバ102は、1つまたは複数のクラウド・コンピューティング環境と通信することができる。
1つまたは複数のネットワーク104は、セルラー・ネットワーク、広域ネットワーク(WAN:wide area network)(例えば、インターネット)またはローカル・エリア・ネットワーク(LAN:local area network)を含むが、これらに限定されない、有線ネットワークおよび無線ネットワークを含むことができる。例えば、サーバ102は、例えばセルラー方式、WAN、ワイヤレス・フィディリティ(Wi-Fi:wireless fidelity)、Wi-Max、WLAN、またはBluetooth技術、あるいはその組み合わせなどを含むが、これらに限定されない、実質的に任意の望ましい有線技術または無線技術を使用して、1つまたは複数の入力デバイス106および/または観察可能なシステム108と(およびその逆方向に)通信することができる。さらに、示されている実施形態では、時系列分析コンポーネント110を1つまたは複数のサーバ102上に設けることができるが、システム100のアーキテクチャがそのように限られないということが理解されるべきである。例えば、時系列分析コンポーネント110または時系列分析コンポーネント110の1つまたは複数のコンポーネントは、別のサーバ・デバイス、クライアント・デバイスなどの別のコンピュータ・デバイスに存在することができる。
1つまたは複数の入力デバイス106は、パーソナル・コンピュータ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、携帯電話(例えば、スマートフォン)、(例えば、プロセッサを備えている)コンピュータ化されたタブレット、スマート・ウォッチ、キーボード、タッチ・スクリーン、またはマウス、あるいはその組み合わせなどを含むことができるが、これらに限定されない、1つまたは複数のコンピュータ化されたデバイスを含むことができる。1つまたは複数の入力デバイス106は、本明細書に記載されたさまざまな実施形態の1つまたは複数のモデル設定、しきい値、または選択、あるいはその組み合わせをシステム100に入力するために採用されることができ、それによって、(例えば、直接接続を介して、または1つまたは複数のネットワーク104を介して、あるいはその両方によって)前述のデータをサーバ102と共有する。例えば、1つまたは複数の入力デバイス106は、(例えば、直接接続を介して、または1つまたは複数のネットワーク104を介して、あるいはその両方によって)データを通信コンポーネント112に送信することができる。さらに、1つまたは複数の入力デバイス106は、システム100によって生成された1つまたは複数の出力をユーザに提示できる1つまたは複数のディスプレイを備えることができる。例えば、1つまたは複数のディスプレイは、陰極管ディスプレイ(CRT:cathode tube display)、発光ダイオード・ディスプレイ(LED:light-emittingdiode display)、電界発光ディスプレイ(ELD:electroluminescentdisplay)、プラズマ・ディスプレイ・パネル(PDP:plasma display panel)、液晶ディスプレイ(LCD:liquid crystal display)、または有機発光ダイオード・ディスプレイ(OLED:organic light-emitting diode display)、あるいはその組み合わせなどを含むことができるが、これらに限定されない。
さまざまな実施形態では、1つまたは複数の入力デバイス106または1つまたは複数のネットワーク104あるいはその両方が、1つまたは複数の設定またはコマンドあるいはその両方をシステム100に入力するために採用されることができる。例えば、本明細書に記載されたさまざまな実施形態では、1つまたは複数の入力デバイス106が、サーバ102または関連するコンポーネントあるいはその両方を動作させるか、または操作するか、あるいはその両方を実行するために採用されることができる。さらに、1つまたは複数の入力デバイス106は、サーバ102または関連するコンポーネントあるいはその両方によって生成された1つまたは複数の出力(例えば、表示、データ、または視覚化、あるいはその組み合わせなど)を表示するために採用されることができる。さらに、1つまたは複数の実施形態では、1つまたは複数の入力デバイス106が、クラウド・コンピューティング環境内に含まれるか、またはクラウド・コンピューティング環境に動作可能に結合されるか、あるいはその両方であることができる。
1つまたは複数の実施形態では、1つまたは複数の観察可能なシステム108は、時系列分析コンポーネント110による観察対象である1つまたは複数の機械的システムまたはコンピュータ・システムあるいはその両方であることができる。追加的に、1つまたは複数の観察可能なシステム108は、1つまたは複数のデータ収集コンポーネント122を備えることができる。1つまたは複数のデータ収集コンポーネント122は、1つまたは複数の機械的システムまたはコンピュータ・システムあるいはその両方に関する多変量時系列データを測定すること、検出すること、収集すること、または集約すること、あるいはその組み合わせを実行することができる。例えば、多変量時系列データは、1つまたは複数の機械的システムまたはコンピュータ・システムあるいはその両方の1つまたは複数の測定可能な特性を特徴付ける1つまたは複数のパラメータ値を含むことができる。さまざまな実施形態では、1つまたは複数のデータ収集コンポーネント122は、1つまたは複数のセンサを含むことができる。例示的なセンサは、圧力センサ、振動センサ、温度センサ、マイクロホン、気圧計、加速度計、圧電センサ、またはモーション・センサ、あるいはその組み合わせなどを含むことができるが、これらに限定されない。例えば、1つまたは複数のセンサによって、1つまたは複数の測定可能な特性が検出されるか、または測定されるか、あるいはその両方であることができる。別の例では、1つまたは複数の測定可能な特性は、データのトランザクション、管理、または変更、あるいはその組み合わせなどに関するものであることができる。1つまたは複数のデータ収集コンポーネント122は、時系列データを生成すること、集約すること、収集すること、または(例えば、直接的な電気接続または1つまたは複数のネットワーク104あるいはその両方を介して)時系列分析コンポーネント110と共有すること、あるいはその組み合わせを実行することができる。
通信コンポーネント112は、1つまたは複数の入力デバイス106によって入力された1つまたは複数の設定または選択あるいはその両方を受信し、これらの設定または選択あるいはその両方を時系列分析コンポーネント110の関連コンポーネントと共有することができる。さらに、通信コンポーネント112は、1つまたは複数の観察可能なシステム108(例えば、データ収集コンポーネント122)によって収集された多変量時系列データを受信し、この多変量時系列データを時系列分析コンポーネント110の関連コンポーネントと共有することができる。さまざまな実施形態では、通信112は、直接的な電気接続または1つまたは複数のネットワーク104あるいはその両方を介して、1つまたは複数の入力デバイス106または観察可能なシステム108(例えば、データ収集コンポーネント122)あるいはその両方と通信することができる。
さまざまな実施形態では、時系列分析コンポーネント110は、1つまたは複数のベイズ推定を採用する深層学習ニューラル・ネットワークを使用して、1つまたは複数のデータ収集コンポーネント122によって使用可能にされた時系列データを分析し、さまざまな時系列間の依存関係を発見することができる。D個の変数(例えば、成分の時系列)から成る多変量時系列データ(MTS:multivariate time series data)は、本明細書では、次の方程式1に従って示されることができる。
図2は、本明細書に記載された1つまたは複数の実施形態に従って、エンコーダ・コンポーネント202をさらに備えている例示的な非限定的システム100の図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。さまざまな実施形態では、エンコーダ・コンポーネント202は、構成された一連の多変量時系列データにわたって異なるデータ・サンプリング・レートを一致させることによって、多変量時系列データをエンコードすることができ、それによって、データを拡張可能かつ並列化可能にする。
1つまたは複数の実施形態では、エンコーダ・コンポーネント202は、時系列分析コンポーネント110によって採用された深層学習ニューラル・ネットワーク・モデルのさまざまなエンコーディング・ネットワークによって、タイムスタンプtでの多変量時系列データの中間特徴ベクトルを学習することができる。例えば、中間特徴ベクトルは、時点tで、D個の入力時系列に関して、
によって示されることができる。したがって、ωEをエンコーダ・ネットワークのパラメータとして、
である(例えば、「E」はエンコーダ・ネットワークを示すことができる)。従来のRNN(例えば、LSTMまたはGRU)を介して中間特徴ベクトルを学習することは、並列化コンピューティングを妨げる可能性があり、多変量時系列データにおいて長いシーケンスを扱う場合、非効率的になる可能性がある。
エンコーダ・コンポーネント202は、回帰接続を取り除くことによって効率を高めることができるトランスフォーマー・ネットワーク手法に基づいて、時系列分析コンポーネント110によって採用された深層学習ニューラル・ネットワーク・モデルのさまざまなエンコーディング・ネットワークを構築することができる。例えば、エンコーダ・コンポーネント202は、マルチヘッド注意構造(multi-head attention structure)を採用することができる。エンコーダ・コンポーネント202は、成分のi番目の時系列ごとに、(例えば、
によって示された)深層学習ニューラル・ネットワーク・モデルの各エンコーダ・ネットワークをトレーニングすることができる。タイムスタンプtで、i番目の時系列から
への入力は、シーケンス
であることができ、このシーケンスは、時系列シーケンスの入力順序に関する情報を組み込むことができる位置決めエンコーディング・ベクトル(positioning encoding vector)に十分に整列されることができる。1つまたは複数の実施形態では、エンコーダ・コンポーネント202は、シヌソイド関数を位置エンコーディング作業に使用することができる。
は、非線形変換および自己注意の複数の層を介して、タイムスタンプtでi番目の時系列に関して表された特徴エンコーディング・ベクトル(feature encoding vector)
を出力することができる。
図3は、本明細書に記載された1つまたは複数の実施形態に従って、集約コンポーネント302をさらに備えている例示的な非限定的システム100の図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。さまざまな実施形態では、集約コンポーネント302は、エンコーディング・コンポーネント202によって生成された特徴エンコーディング・ベクトルを集約することができる。例えば、集約コンポーネント302は、時系列分析コンポーネント110によって採用された深層学習ニューラル・ネットワーク・モデルの1つまたは複数のさらなる層へのその後の分散に備えて、1つまたは複数のエンコーディング・コンポーネント202またはエンコーディング・ネットワークあるいはその両方によって生成された複数のエンコーディング・ベクトルを集約することができる。
図4は、本明細書に記載された1つまたは複数の実施形態に従って、注意デコーダ・コンポーネント402または予測コンポーネント404あるいはその両方をさらに備えている例示的な非限定的システム100の図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。さまざまな実施形態では、注意デコーダ・コンポーネント402は、時系列分析コンポーネント110によって採用された深層学習ニューラル・ネットワーク・モデルの1つまたは複数の注意ネットワーク層を使用して、1つまたは複数の不確実性の尺度(例えば、シャノン・エントロピー値)に基づいて、エンコードされた多変量時系列データ間で注意を正則化することができる。例えば、注意デコーダ・コンポーネント402によって発達させられた1つまたは複数の注意ネットワーク層は、定義されたしきい値(例えば、高く不安定なシャノン・エントロピー値)より大きい不確実性の尺度(例えば、シャノン・エントロピー値)をもたらすエンコードされた多変量時系列データの注意構成にペナルティを科すことができる。さらに、注意デコーダ・コンポーネント402は、機械学習モデルの注意ネットワーク層で実行されるモンテカルロ・サンプリングによって、1つまたは複数の発見された依存関係に関する1つまたは複数の不確実性定量化をさらに生成することができる。
1つまたは複数の実施形態では、注意デコーダ・コンポーネント402は、出力のd番目の時系列ごとに
に関連付けられた変数
のセットを学習するために、1つまたは複数の注意機構を多変量時系列の文脈に適応させることができる。モデルのアーキテクチャに応じて、
は、スカラーまたは
と同じ次元のベクトルであることができる。それによって、注意デコーダ・コンポーネント402は、文脈ベクトルを構築することができ、文脈ベクトルの内容は、次の方程式2に従って、d番目の時系列内の次の値を予測するためにデコードされることができる。
例えば、
を条件として、
が非負値である。そのため、
は、それに応じて
に対する注意の重みとして解釈されることができる。
の値が大きいということは、より多くの関連情報が
において検出されるということを意味することができる。したがって、d番目の時系列は、時点tでi番目の時系列に依存する可能性がある。
を学習することを目指して、注意デコーダ・コンポーネント402は、加法的形態
を採用することができる。
1つまたは複数の実施形態では、注意デコーダ・コンポーネント402は、ベイズ推定によって注意ネットワークを制御するパラメータの事後分布を学習することができる。例えば、この分布は、注意における不確実性を表すことができ、時系列の依存関係を発見することにおいて信頼性値を推定するために、注意デコーダ・コンポーネント402によって分析されることができる。例えば、ニューラル・ネットワーク・パラメータは、ωAによって示されることができ(例えば、下付き文字Aはモデル内の注意を表すことができる)、(例えば、
を予測するために採用された)時系列の注意セット
を学習することを考慮することができる。事前分布は、Pr(ωA)によって示されることができる。観察されるデータから学習された特徴ベクトル
を前提として、注意デコーダ・コンポーネント402は、次の方程式3に従って、ベイズ定理を用いることによって、パラメータωAの空間すべてにわたって事後分布をモデル化するように、ニューラル・ネットワークをトレーニングすることができる。
ωAに関わる多数の連続変数を前提として、方程式3~4の積分を直接計算することは、従来のベイズ理論によって解決困難である可能性がある。しかし、注意デコーダ・コンポーネント402は、変分推論技術を近似に利用することによって、そのような計算を可能にすることができる。例えば、注意デコーダ・コンポーネント402は、グランド・トゥルースの事後分布Pr(ωA|ht)を近似するために、θによってパラメータ化された一群の分布Qθ(ωA)を変分事後分布として選択することができる。Qθ(ωA)は、既知の関数の形態を有することができ、注意デコーダ・コンポーネント402は、次の方程式5に従って真の分布Pr(ωA|ht)へのカルバック・ライブラー(KL:Kullback-Leibler)距離が最小限に抑えられることができるように、パラメータθを算出することができる。
KL距離は、相対エントロピーと呼ばれることができ、2つのデータ分布間の距離を定量化するための効果的ツールであることができる。KL距離は、2つの分布が同一である場合、ゼロになることができる。しかし、この尺度は対称ではなく、注意デコーダ・コンポーネント402は、事後分布に従って機械学習モデルが絞り込まれるように、機械学習モデルにQA(ωA)を強制的に学習させるために、逆KLの形態を採用することができる(例えば、Pr(ωA|ht)がゼロであるときに常に、Qθ(ωA)がゼロになることができる)。
学習された変分分布Qθ(ωA)を前提として、注意デコーダ・コンポーネント402は、モンテカルロ・サンプリングによって方程式4を効果的に近似することができる。特に、
は、
の出力からの加重平均に起因して、D次元ベクトルであることができる。注意の重みは、ニューラル・ネットワーク・モデルのソフトマックス層を通過した後に、D個の入力時系列から発見された情報の量に対応する離散分布を形成することができ、D個の入力時系列は、タイムスタンプtでの出力で
を予測することにおいて、予測コンポーネント404によってさらに採用されることができる。さまざまな実施形態では、予測コンポーネント404は、注意デコーダ・コンポーネント402によって容易にされた1つまたは複数の発見された依存関係または不確実性定量化あるいはその両方に基づいて、多変量時系列データによって特徴付けられた測定可能な特性の1つまたは複数の値を予測することができる。
注意デコーダ・コンポーネント402によって発達させられた注意ネットワークは、
の一部がゼロに近い場合に、結果における不安定性を防ぐために、小さいエントロピー値を有する注意ベクトルを優先することができる。小さいエントロピー値は、注意の大部分を少数の入力時系列に配置するようにニューラル・ネットワークに促すこともでき、最大のエントロピーは、注意の重みをすべての入力時系列に同じように配置することと同等であることができ、したがって、他の時系列に対するd番目の時系列の依存関係を明確に明らかにしない。注意デコーダ・コンポーネント402は、次の方程式6に従って、変分事後分布の学習プロセスを正則化することができる。
データが証明しているように、
であるため、この項は最適化されるパラメータθから独立しており、省略されることができる。それによって、時系列分析コンポーネント110によって採用された機械学習モデルの学習目的関数は、次の方程式8によって特徴付けられることができる。
事前の選択がない場合、Qθ(ωA)の一般的な選択は正規分布であることができる。さらに、注意デコーダ・コンポーネント402は、損失関数を微分可能にすることによって、確率的勾配降下法を採用することができる。すべての期待値の項が、最適化中のパラメータを含むQθ(ωA)であるため、再パラメータ化勾配が逆伝搬に適用されることができる。例えば、注意デコーダ・コンポーネント402は、最初に
をパラメータのない分布N(0,I)からサンプリングし、次に、勾配が定義された確定関数を使用して変換することができる。
Pr(ht|ωA)を十分に近似する最適なQθ
*(ωA)が存在する場合、予測コンポーネント404は、次の方程式9に従って、タイムスタンプtでのD個の時系列
からの入力シーケンスを前提として、次の値
を予測することができる。
推論の場合、実際には、(例えば、本明細書に記載された再パラメータ化技術によって)Qθ(ωA)からのK回のωAの最初のサンプリングが採用されることができる。サンプリングされたωAごとに、
に従って、注意ベクトルが計算されることができる。条件付き分布
を計算するために、特徴ベクトルhtと共に注意ベクトルが入力されることができ、この条件付き分布は、K個のニューラル・ネットワークの集合および分布からのそれらのニューラル・ネットワークの出力値と同等であることができる。さらに、注意デコーダ・コンポーネント402は、注意の重みおよび出力予測値の両方に対して、信頼性値を計算することができる。例えば、Kの値が大きいほど、近似値に割り当てられる信頼性が高くなる。
図5は、本明細書に記載された1つまたは複数の実施形態に従って、1つまたは複数の注意デコーダ・コンポーネント402または予測コンポーネント404あるいはその両方によって採用されることができる例示的な非限定的学習目的関数500の図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。図5は、複数の処理ユニット502間の相互接続が破線によって描かれたニューラル・ネットワークに関して、学習目的関数500を示すことができる。
本明細書において説明され、図5に示されているように、注意デコーダ・コンポーネント402は、変分事後分布を学習するために、多層パーセプトロン(MLP:multilayer perceptron)ニューラル・ネットワークを採用することができる。混合モデルθ(例えば、ガウス・モデル)によって、機械学習モデルの境界に関するパラメータが(例えば、エンコーダ・コンポーネント202によって)エンコードされることができる。ωAの値は、変分事後分布Qθ(ωA)からサンプリングされることができるか、または対応する隠れベクトルh1,h2,...hmに関する注意情報a1,a2,...amをデコードするために注意デコーダ・コンポーネント402によって採用されることができるか、あるいはその両方である。事前分布PrΦ(ωA)は、パラメータ化され、調整可能であることができる(例えば、混合モデルも含む)。
KL(Qθ(ωA)||PrΦ(ωA))は、変分事後分布と事前分布の間の相違を示すことができ、本明細書に記載されたさまざまな実施形態に従って、注意デコーダ・コンポーネント402によって、全体的な学習目的関数500にさらに追加されることができる。さらに、注意の重み全体に対してエントロピーを計算するために、注意デコーダ・コンポーネント402によって、H(a)の項が採用されることができる。例えば、注意情報a1,a2,...aDの重みは、サンプリングされたwとh1,h2,...hDの値の間の整列に適用されるソフトマックス層になることができる。本明細書においてさまざまな実施形態で説明され、図5に示されているように、注意デコーダ・コンポーネント402は、H(a)を全体的な損失関数にさらに追加することができ、H(a)は、機械学習モデルにペナルティを科し、均一な注意を生成することができる正則化項として機能することができる。図5にも示されているように、skは、h1,h2,...hDから集約された文脈ベクトルの重みを示すことができ、k番目の最終的な出力への入力として機能することができ、系列k内の次の値としてデコードされている。さらに、事後分布からの1回限りのモンテカルロ・サンプリングのωAから計算された各ベクトルが、確率的注意として出力されることができる。さまざまな実施形態では、結果として得られた出力が、(例えば、通信コンポーネント112または1つまたは複数のネットワーク104あるいはその両方を介して)1つまたは複数の入力デバイス106と共有されることができる。
図6は、本明細書に記載された1つまたは複数の実施形態に従って、システム100による多変量時系列データの分析を容易にすることができる例示的な非限定的方法600のフロー図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。
602で、方法600は、入力多変量時系列(MTS)データに基づいて(例えば、時系列分析コンポーネント110によって)ニューラル・ネットワーク・コンポーネントを定義することと、(例えば、時系列分析コンポーネント110によって)データの各時系列(TS:time series)成分を各コンポーネントに分散することとを含むことができる。例えば、本明細書に記載されたさまざまな実施形態に従って、MTSデータが、1つまたは複数のデータ収集コンポーネント122によって入力されることができる。604で、方法600は、分散されたTSの各々について(例えば、エンコーダ・コンポーネント202によって)エンコーディングを生成することを含むことができる。例えば、ステップ604は、説明されたさまざまな実施形態に従って、分散されたTSの各々について1つまたは複数の中間特徴ベクトルをエンコードすることを含むことができる。606で、収束を確認するために、604でのエンコーディングが分析されることができる。エンコーディングが収束を達成した場合、方法600が608に進むことができ、エンコーディングが収束しなかった場合、収束が達成されるまで方法600が604を繰り返すことができる。
608で、方法600は、(例えば、集約コンポーネント302によって)エンコードされたデータを集約し、その後、エンコードされたデータを1つまたは複数の注意デコーダに分散することを含むことができる。610で、方法600は、エンコードされたベクトルを分析するために、(例えば、注意デコーダ・コンポーネント402または予測コンポーネント404あるいはその両方によって)1つまたは複数の注意機構を実装することを含むことができる。図6に示されているように、各TSに関して、注意機構の実装が(例えば同時に、または連続的に)複数回実施されることができる。例えば、方程式1~9または図5に示された学習目的関数あるいはその両方などの、本明細書に記載されたさまざまな特徴に従って、1つまたは複数の注意機構が実装されることができる。
612で、610で注意機構から生じた注意値が、これらの値が小さい不確実性の尺度(例えば、シャノン・エントロピー値)および高い予測精度に関連付けられているかどうかを判定するために、評価されることができる。不確実性の尺度(例えば、シャノン・エントロピー値)が許容できると見なされるほど十分に小さいかどうかを評価するために、定義された(例えば、1つまたは複数の入力デバイス106を介して設定された)エントロピーしきい値が採用されることができる。さらに、関連信頼性値が期待される高い予測精度に対応するかどうかを評価するために、定義された(例えば、1つまたは複数の入力デバイスを介して設定された)信頼性しきい値が採用されることができる。エントロピー値が高すぎる(例えば、定義されたエントロピーしきい値より大きい)ということが判明したか、または予測精度が低すぎる(例えば、定義された信頼性しきい値より低い)ということが判明したか、あるいはその両方である場合、方法600はステップ610を繰り返すことができる。エントロピー値が十分に小さい(例えば、定義されたエントロピーしきい値未満である)ということが判明したか、または予測精度が十分に高い(例えば、定義された信頼性しきい値より高い)ということが判明したか、あるいはその両方である場合、方法600はステップ614に進むことができる。614で、方法600は、(例えば、時系列分析コンポーネント110、通信コンポーネント112、ネットワーク104、または入力デバイス106、あるいはその組み合わせによって)MTSの他のTSに関する各TSの相互依存関係を、確実性値または予測値あるいはその両方と共に、報告することを含むことができる。
図7~8は、本明細書に記載された1つまたは複数の実施形態に従って、システム100の有効性を示すことができる例示的な非限定的グラフおよびチャートの図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。例えば、図7は、時系列分析コンポーネント110によって生成されることができる予測値、不確実性値、または依存関係値、あるいはその組み合わせを示している。図7に示された時系列は、1つまたは複数のデータ収集コンポーネント122の1つまたは複数の温度センサによって測定された温度データに関するものであることができる。図7に示されているように、グラフ701は、後で測定された時系列値に対してマッピングされた時系列予測を示しており、グラフ704は、時系列分析コンポーネント110によって決定された予測または依存関係あるいはその両方に関連付けられた不確実性値を示しており、グラフ706は、時系列分析コンポーネント110によって発見された多変量時系列データ内の依存関係を示している。グラフ701に関して、線702は予測されたMTSデータを表すことができ、線703は測定されたMTSデータを表すことができ、線702および703は、かなり重複している(例えば、それによって予測の高い精度を示している)。グラフ706に示されているように、1つまたは複数の観察可能なシステム108は、温度、実際の圧力、第1のシリコン制御整流器(SCR:silicon controlled rectifier)電圧(例えば、「内部のSCR電圧」)、第2のSCR電圧(例えば、「外部のSCR電圧」)、またはSCR電力(例えば、「SCR電力SP」)、あるいはその組み合わせを含む、複数の測定可能な特性によって特徴付けられることができる。複数の測定可能な特性は、データ収集コンポーネント122の1つまたは複数のセンサによって確認され、多変量時系列データによって特徴付けられることができる。さらに、測定可能な特性間の依存関係は、グラフ706で報告されているように、それらの依存関係が時系列分析コンポーネント110によって発見されることができるため、観察されるシステム内に存在する可能性がある。
チャート800およびグラフ802は、システム100の有効性を示すために使用された合成データに関するものである。合成多変量時系列データは、依存関係の既知のグランド・トゥルースを含んでおり、時系列分析コンポーネント110によって生成された依存関係予測を検証するために使用されることができる。チャート800およびグラフ802に示された結果は、時系列分析コンポーネント110による10個の時系列成分の分析に関するものである。図8に示されているように、注意デコーダ・コンポーネント402によって採用された注意機構に組み込まれたエントロピー正則化は、発見される依存関係または生成される予測あるいはその両方の精度を高めることができる。
図9は、本明細書に記載された1つまたは複数の実施形態に従って、システム100による時系列データ分析を容易にすることができる例示的な非限定的コンピュータ実装方法900のフロー図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。
902で、コンピュータ実装方法900は、プロセッサ120に動作可能に結合されたシステム100によって、(例えば、通信コンポーネント112を介して)1つまたは複数の観察可能なシステム108に関する多変量時系列データを受信することを含むことができる。例えば、多変量時系列データは、1つまたは複数の観察可能なシステム108を特徴付けることができる1つまたは複数の測定可能な特性を含むことができる。例えば、本明細書に記載されたさまざまな実施形態に従って、多変量時系列データは、1つまたは複数のデータ収集コンポーネント122によって収集されるか、測定されるか、検出されるか、または生成されるか、あるいはその組み合わせが実行されることができる。
904で、コンピュータ実装方法900は、システム100によって、1つまたは複数の不確実性の尺度(例えば、シャノン・エントロピー値)に基づいて、1つまたは複数の注意機構を使用して、多変量時系列データ間の1つまたは複数の依存関係を発見することができる1つまたは複数の機械学習モデル(例えば、ニューラル・ネットワーク・モデル)を(例えば、時系列分析コンポーネント110によって)生成することを含むことができる。例えば、方程式1~9または図5に示された学習目的関数あるいはその両方を含む、本明細書に記載されたさまざまな実施形態に従って、1つまたは複数の注意機構が実装されることができる。
図10は、本明細書に記載された1つまたは複数の実施形態に従って、システム100による時系列データ分析を容易にすることができる例示的な非限定的コンピュータ実装方法1000のフロー図を示している。本明細書に記載された他の実施形態で採用されている類似する要素の説明の繰り返しは、簡潔にするために省略されている。
1002で、コンピュータ実装方法1000は、プロセッサ120に動作可能に結合されたシステム100によって、(例えば、通信コンポーネント112を介して)1つまたは複数の観察可能なシステム108に関する多変量時系列データを受信することを含むことができる。例えば、多変量時系列データは、1つまたは複数の観察可能なシステム108を特徴付けることができる1つまたは複数の測定可能な特性を含むことができる。例えば、本明細書に記載されたさまざまな実施形態に従って、多変量時系列データは、1つまたは複数のデータ収集コンポーネント122によって収集されるか、測定されるか、検出されるか、または生成されるか、あるいはその組み合わせが実行されることができる。
1004で、コンピュータ実装方法1000は、システム100によって、構成された一連の多変量時系列データにわたって異なるデータ・サンプリング・レートを一致させることによって、(例えば、エンコーダ・コンポーネント202によって)多変量時系列データをエンコードすることを含むことができ、1004でのエンコーディングは、多変量時系列データを拡張可能かつ並列化可能にすることができる。1006で、コンピュータ実装方法1000は、システム100によって、多変量時系列データ間の1つまたは複数の依存関係を発見するために、機械学習モデル(例えば、ニューラル・ネットワーク・モデル)の1つまたは複数の注意ネットワーク層を使用して、不確実性の尺度(例えば、シャノン・エントロピー値)に基づいて、エンコードされた多変量時系列データ間で(例えば、注意デコーダ・コンポーネント402によって)注意を正則化することを含むことができる。
1008で、コンピュータ実装方法1000は、システム100によって、定義されたしきい値より大きい不確実性の尺度(例えば、シャノン・エントロピー値)をもたらすエンコードされた多変量時系列データの注意構成に(例えば、注意デコーダ・コンポーネント402によって)ペナルティを科すことを含むことができる(例えば、それによって、不安定さおよび低い予測精度に関連付けられることができる高いエントロピー値の結果にペナルティを科す)。1010で、コンピュータ実装方法1000は、システム100によって、注意ネットワーク層で実行されるモンテカルロ・サンプリングを介して、(例えば、注意デコーダ・コンポーネント402によって)依存関係に関する1つまたは複数の不確実性定量化を生成することを含むことができる。
本開示にはクラウド・コンピューティングに関する詳細な説明が含まれているが、本明細書において示された内容の実装は、クラウド・コンピューティング環境に限定されないと理解されるべきである。本発明の実施形態は、現在既知であるか、または今後開発される任意のその他の種類のコンピューティング環境と組み合わせて実装できる。
クラウド・コンピューティングは、構成可能な計算リソース(例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス)の共有プールへの便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス提供モデルであり、管理上の手間またはサービス・プロバイダとのやりとりを最小限に抑えて、これらのリソースを迅速にプロビジョニングおよび解放することができる。このクラウド・モデルは、少なくとも5つの特徴、少なくとも3つのサービス・モデル、および少なくとも4つのデプロイメント・モデルを含むことができる。
特徴は、次のとおりである。
オンデマンドのセルフ・サービス:クラウドの利用者は、サーバの時間およびネットワーク・ストレージなどの計算能力を一方的に、サービス・プロバイダとの人間的なやりとりを必要とせず、必要に応じて自動的にプロビジョニングすることができる。
幅広いネットワーク・アクセス:クラウドの能力は、ネットワークを経由して利用可能であり、標準的なメカニズムを使用してアクセスできるため、異種のシン・クライアントまたはシック・クライアント・プラットフォーム(例えば、携帯電話、ラップトップ、およびPDA)による利用を促進する。
リソース・プール:プロバイダの計算リソースは、プールされ、マルチテナント・モデルを使用して複数の利用者に提供される。さまざまな物理的および仮想的リソースが、要求に従って動的に割り当ておよび再割り当てされる。場所に依存しないという感覚があり、利用者は通常、提供されるリソースの正確な場所に関して管理することも知ることもないが、さらに高い抽象レベルでは、場所(例えば、国、州、またはデータセンター)を指定できる場合がある。
迅速な順応性:クラウドの能力は、迅速かつ柔軟に、場合によっては自動的にプロビジョニングされ、素早くスケールアウトし、迅速に解放されて素早くスケールインすることができる。プロビジョニングに使用できる能力は、利用者には、多くの場合、任意の量をいつでも無制限に購入できるように見える。
測定されるサービス:クラウド・システムは、計測機能を活用することによって、サービスの種類(例えば、ストレージ、処理、帯域幅、およびアクティブなユーザのアカウント)に適した抽象レベルで、リソースの使用を自動的に制御および最適化する。リソースの使用状況は監視、制御、および報告することができ、利用されるサービスのプロバイダと利用者の両方に透明性が提供される。
サービス・モデルは、次のとおりである。
SaaS(Software as a Service):利用者に提供される能力は、クラウド・インフラストラクチャ上で稼働しているプロバイダのアプリケーションの利用である。それらのアプリケーションは、Webブラウザ(例えば、Webベースの電子メール)などのシン・クライアント・インターフェイスを介して、種々のクライアント・デバイスからアクセスできる。利用者は、ネットワーク、サーバ、オペレーティング・システム、ストレージ、または個々のアプリケーション機能を含む基盤になるクラウド・インフラストラクチャを、限定的なユーザ固有のアプリケーション構成設定を行う可能性を除き、管理することも制御することもない。
PaaS(Platform as a Service):利用者に提供される能力は、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、利用者が作成または取得したアプリケーションをクラウド・インフラストラクチャにデプロイすることである。利用者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む基盤になるクラウド・インフラストラクチャを管理することも制御することもないが、デプロイされたアプリケーション、および場合によってはアプリケーション・ホスティング環境の構成を制御することができる。
IaaS(Infrastructure as a Service):利用者に提供される能力は、処理、ストレージ、ネットワーク、およびその他の基本的な計算リソースのプロビジョニングであり、利用者は、オペレーティング・システムおよびアプリケーションを含むことができる任意のソフトウェアをデプロイして実行できる。利用者は、基盤になるクラウド・インフラストラクチャを管理することも制御することもないが、オペレーティング・システム、ストレージ、およびデプロイされたアプリケーションを制御することができ、場合によっては、選択されたネットワーク・コンポーネント(例えば、ホスト・ファイアウォール)を限定的に制御できる。
デプロイメント・モデルは、次のとおりである。
プライベート・クラウド:このクラウド・インフラストラクチャは、組織のためにのみ運用される。この組織またはサード・パーティによって管理することができ、オンプレミスまたはオフプレミスに存在することができる。
コミュニティ・クラウド:このクラウド・インフラストラクチャは、複数の組織によって共有され、関心事(例えば、任務、セキュリティ要件、ポリシー、およびコンプライアンスに関する考慮事項)を共有している特定のコミュニティをサポートする。これらの組織またはサード・パーティによって管理することができ、オンプレミスまたはオフプレミスに存在することができる。
パブリック・クラウド:このクラウド・インフラストラクチャは、一般ユーザまたは大規模な業界団体が使用できるようになっており、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド:このクラウド・インフラストラクチャは、データとアプリケーションの移植を可能にする標準化された技術または独自の技術(例えば、クラウド間の負荷バランスを調整するためのクラウド・バースト)によって固有の実体を残したまま互いに結合された2つ以上のクラウド(プライベート、コミュニティ、またはパブリック)の複合である。
クラウド・コンピューティング環境は、ステートレス、疎結合、モジュール性、および意味的相互運用性に重点を置いたサービス指向の環境である。クラウド・コンピューティングの中心になるのは、相互接続されたノードのネットワークを含むインフラストラクチャである。
ここで図11を参照すると、例示的なクラウド・コンピューティング環境1100が示されている。図示されているように、クラウド・コンピューティング環境1100は、クラウドの利用者によって使用されるローカル・コンピューティング・デバイス(例えば、パーソナル・デジタル・アシスタント(PDA:personal digital assistant)または携帯電話1104、デスクトップ・コンピュータ1106、ラップトップ・コンピュータ1108、または自動車コンピュータ・システム1110、あるいはその組み合わせなど)が通信できる1つまたは複数のクラウド・コンピューティング・ノード1102を含んでいる。ノード1102は、互いに通信し得る。ノード1102は、1つまたは複数のネットワーク内で、本明細書において前述されたプライベート・クラウド、コミュニティ・クラウド、パブリック・クラウド、またはハイブリッド・クラウド、あるいはこれらの組み合わせなどに、物理的または仮想的にグループ化されてよい(図示されていない)。これによって、クラウド・コンピューティング環境1100は、クラウドの利用者がローカル・コンピューティング・デバイス上でリソースを維持する必要のないインフラストラクチャ、プラットフォーム、またはSaaS、あるいはその組み合わせを提供できる。図11に示されたコンピューティング・デバイス1104~1110の種類は、例示のみが意図されており、コンピューティング・ノード1102およびクラウド・コンピューティング環境1100は、任意の種類のネットワークまたはネットワーク・アドレス可能な接続(例えば、Webブラウザを使用した接続)あるいはその両方を経由して任意の種類のコンピュータ制御デバイスと通信することができると理解される。
ここで図12を参照すると、クラウド・コンピューティング環境1100(図11)によって提供される機能的抽象レイヤのセットが示されている。本明細書に記載の他の実施形態で使用している同様の要素の繰り返しの説明は、簡潔さのために省略する。図12に示されたコンポーネント、レイヤ、および機能は、例示のみが意図されており、本発明の実施形態がこれらに限定されないということが、あらかじめ理解されるべきである。図示されているように、次のレイヤおよび対応する機能が提供される。
ハードウェアおよびソフトウェア・レイヤ1202は、ハードウェア・コンポーネントおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例としては、メインフレーム1204、RISC(Reduced Instruction Set Computer)アーキテクチャベースのサーバ1206、サーバ1208、ブレード・サーバ1210、ストレージ・デバイス1212、ならびにネットワークおよびネットワーク・コンポーネント1214が挙げられる。一部の実施形態では、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア1213およびデータベース・ソフトウェア1218を含む。
仮想化レイヤ1220は、仮想サーバ1222、仮想ストレージ1224、仮想プライベート・ネットワークを含む仮想ネットワーク1226、仮想アプリケーションおよびオペレーティング・システム1228、ならびに仮想クライアント1230などの仮想的実体を提供できる抽象レイヤを備える。
一例を挙げると、管理レイヤ1232は、以下で説明される機能を提供することができる。リソース・プロビジョニング1234は、クラウド・コンピューティング環境内でタスクを実行するために利用される計算リソースおよびその他のリソースの動的調達を行う。計測および価格設定1236は、クラウド・コンピューティング環境内でリソースが利用された際のコスト追跡、およびそれらのリソースの利用に対する請求書の作成と送付を行う。一例を挙げると、それらのリソースは、アプリケーション・ソフトウェア・ライセンスを含んでよい。セキュリティは、クラウドの利用者およびタスクのID検証を行うとともに、データおよびその他のリソースの保護を行う。ユーザ・ポータル1238は、クラウド・コンピューティング環境へのアクセスを利用者およびシステム管理者に提供する。サービス・レベル管理1240は、必要なサービス・レベルを満たすように、クラウドの計算リソースの割り当てと管理を行う。サービス水準合意(SLA:Service Level Agreement)計画および実行1242は、今後の要求が予想されるクラウドの計算リソースの事前準備および調達を、SLAに従って行う。
ワークロード・レイヤ1244は、クラウド・コンピューティング環境で利用できる機能の例を示している。このレイヤから提供されるワークロードおよび機能の例としては、マッピングおよびナビゲーション1246、ソフトウェア開発およびライフサイクル管理1248、仮想クラスルーム教育の配信1250、データ解析処理1252、トランザクション処理1254、および多変量時系列分析1256が挙げられる。本発明のさまざまな実施形態は、図11および12を参照して説明されたクラウド・コンピューティング環境を利用して、多変量時系列データを収集するか、または本明細書に記載された1つまたは複数の注意機構を(例えば、機械学習モデルを介して)採用するか、あるいはその両方を行うことができる。
本発明は、任意の可能な統合の技術的詳細レベルで、システム、方法、またはコンピュータ・プログラム製品、あるいはその組み合わせであってよい。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を含むコンピュータ可読ストレージ媒体を含んでよい。コンピュータ可読ストレージ媒体は、命令実行デバイスによって使用するための命令を保持および格納できる有形のデバイスであることができる。コンピュータ可読ストレージ媒体は、例えば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、またはこれらの任意の適切な組み合わせであってよいが、これらに限定されない。コンピュータ可読ストレージ媒体のさらに具体的な例の非網羅的リストは、ポータブル・フロッピー(R)・ディスク、ハード・ディスク、ランダム・アクセス・メモリ(RAM:random access memory)、読み取り専用メモリ(ROM:read-onlymemory)、消去可能プログラマブル読み取り専用メモリ(EPROM:erasableprogrammable read-only memoryまたはフラッシュ・メモリ)、スタティック・ランダム・アクセス・メモリ(SRAM:static random access memory)、ポータブル・コンパクト・ディスク読み取り専用メモリ(CD-ROM:compact disc read-only memory)、デジタル・バーサタイル・ディスク(DVD:digital versatile disk)、メモリ・スティック、フロッピー(R)・ディスク、パンチカードまたは命令が記録されている溝の中の隆起構造などの機械的にエンコードされるデバイス、およびこれらの任意の適切な組み合わせを含む。本明細書において使用されるとき、コンピュータ可読ストレージ媒体は、それ自体が、電波またはその他の自由に伝搬する電磁波、導波管またはその他の送信媒体を伝搬する電磁波(例えば、光ファイバ・ケーブルを通過する光パルス)、あるいはワイヤを介して送信される電気信号などの一過性の信号であると解釈されるべきではない。
本明細書に記載されたコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体から各コンピューティング・デバイス/処理デバイスへ、またはネットワーク(例えば、インターネット、ローカル・エリア・ネットワーク、広域ネットワーク、または無線ネットワーク、あるいはその組み合わせ)を介して外部コンピュータまたは外部ストレージ・デバイスへダウンロードされ得る。このネットワークは、銅伝送ケーブル、光伝送ファイバ、無線送信、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、またはエッジ・サーバ、あるいはその組み合わせを備えてよい。各コンピューティング・デバイス/処理デバイス内のネットワーク・アダプタ・カードまたはネットワーク・インターフェイスは、コンピュータ可読プログラム命令をネットワークから受信し、それらのコンピュータ可読プログラム命令を各コンピューティング・デバイス/処理デバイス内のコンピュータ可読ストレージ媒体に格納するために転送する。
本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ(ISA:instruction-set-architecture)命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路用の構成データ、あるいは、Smalltalk(R)、C++などのオブジェクト指向プログラミング言語、および「C」プログラミング言語または同様のプログラミング言語などの手続き型プログラミング言語を含む1つまたは複数のプログラミング言語の任意の組み合わせで記述されたソース・コードまたはオブジェクト・コードであってよい。コンピュータ可読プログラム命令は、ユーザのコンピュータ上で全体的に実行すること、ユーザのコンピュータ上でスタンドアロン・ソフトウェア・パッケージとして部分的に実行すること、ユーザのコンピュータ上およびリモート・コンピュータ上でそれぞれ部分的に実行すること、あるいはリモート・コンピュータ上またはサーバ上で全体的に実行することができる。後者のシナリオでは、リモート・コンピュータは、ローカル・エリア・ネットワーク(LAN:local area network)または広域ネットワーク(WAN:wide areanetwork)を含む任意の種類のネットワークを介してユーザのコンピュータに接続されてよく、または接続は、(例えば、インターネット・サービス・プロバイダを使用してインターネットを介して)外部コンピュータに対して行われてよい。一部の実施形態では、本発明の態様を実行するために、例えばプログラマブル・ロジック回路、フィールドプログラマブル・ゲート・アレイ(FPGA)、またはプログラマブル・ロジック・アレイ(PLA:programmable logic arrays)を含む電子回路は、コンピュータ可読プログラム命令の状態情報を利用することによって、電子回路をカスタマイズするためのコンピュータ可読プログラム命令を実行し得る。
本発明の態様は、本明細書において、本発明の実施形態に従って、方法、装置(システム)、およびコンピュータ・プログラム製品のフローチャート図またはブロック図あるいはその両方を参照して説明される。フローチャート図またはブロック図あるいはその両方の各ブロック、ならびにフローチャート図またはブロック図あるいはその両方に含まれるブロックの組み合わせが、コンピュータ可読プログラム命令によって実装されるということが理解されるであろう。
これらのコンピュータ可読プログラム命令は、コンピュータまたはその他のプログラム可能なデータ処理装置のプロセッサを介して実行される命令が、フローチャートまたはブロック図あるいはその両方のブロックに指定される機能/動作を実施する手段を作り出すべく、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置のプロセッサに提供されてマシンを作り出すものであってよい。これらのコンピュータ可読プログラム命令は、命令が格納されたコンピュータ可読ストレージ媒体がフローチャートまたはブロック図あるいはその両方のブロックに指定される機能/動作の態様を実施する命令を含む製品を含むような特定の方法で、コンピュータ可読ストレージ媒体に格納され、コンピュータ、プログラム可能なデータ処理装置、または他のデバイス、あるいはその組み合わせに機能するように指示できるものであってもよい。
コンピュータ可読プログラム命令は、コンピュータ上、その他のプログラム可能な装置上、またはその他のデバイス上で実行される命令が、フローチャートまたはブロック図あるいはその両方のブロックに指定される機能/動作を実施するように、コンピュータ、その他のプログラム可能なデータ処理装置、またはその他のデバイスに読み込まれてもよく、それによって、一連の動作可能なステップを、コンピュータ上、その他のプログラム可能な装置上、またはコンピュータ実装プロセスを生成するその他のデバイス上で実行させる。
図内のフローチャートおよびブロック図は、本発明のさまざまな実施形態に従って、システム、方法、およびコンピュータ・プログラム製品の可能な実装のアーキテクチャ、機能、および動作を示す。これに関連して、フローチャートまたはブロック図内の各ブロックは、規定された論理機能を実装するための1つまたは複数の実行可能な命令を備える、命令のモジュール、セグメント、または部分を表してよい。一部の代替の実装では、ブロックに示された機能は、図に示された順序とは異なる順序で発生し得る。例えば、連続して示された2つのブロックは、実際には、含まれている機能に応じて、実質的に同時に実行されるか、または場合によっては逆の順序で実行されてよい。ブロック図またはフローチャート図あるいはその両方の各ブロック、ならびにブロック図またはフローチャート図あるいはその両方に含まれるブロックの組み合わせは、規定された機能または動作を実行するか、または専用ハードウェアとコンピュータ命令の組み合わせを実行する専用ハードウェアベースのシステムによって実装されるということにも注意する。
本明細書に記載されたさまざまな実施形態のその他の背景を提供するために、図13および以下の説明は、本明細書に記載されたさまざまな実施形態が実装される適切なコンピューティング環境1300の概要を示すよう意図されている。実施形態は、1つまたは複数のコンピュータ上で実行されることができるコンピュータ実行可能命令の一般的状況において上で説明されたが、当業者は、実施形態が、他のプログラム・モジュールと組み合わせて、またはハードウェアとソフトウェアの組み合わせとして、あるいはその両方で実装されることもできるということを認識するであろう。
通常、プログラム・モジュールは、特定のタスクを実行するか、または特定の抽象データ型を実装するルーチン、プログラム、コンポーネント、データ構造などを含む。さらに、当業者は、本発明の方法が、シングルプロセッサ・コンピュータ・システムまたはマルチプロセッサ・コンピュータ・システム、ミニコンピュータ、メインフレーム・コンピュータ、モノのインターネット(IoT:Internet of Things)デバイス、分散コンピューティング・システムだけでなく、パーソナル・コンピュータ、ハンドヘルド・コンピューティング・デバイス、マイクロプロセッサベースのコンシューマ・エレクトロニクスまたはプログラマブル・コンシューマ・エレクトロニクスなどを含む、他のコンピュータ・システム構成を使用して実践されることができ、これらの各々が1つまたは複数の関連するデバイスに動作可能に結合されるということを理解するであろう。
本明細書において示された実施形態は、通信ネットワークを介してリンクされたリモート処理デバイスによって特定のタスクが実行される、分散コンピューティング環境内で実践されることもできる。分散コンピューティング環境において、プログラム・モジュールは、ローカルおよびリモートの両方のメモリ・ストレージ・デバイスに配置され得る。例えば、1つまたは複数の実施形態では、コンピュータ実行可能コンポーネントは、1つまたは複数の分散されたメモリ・ユニットを含むことができるか、または1つまたは複数の分散されたメモリ・ユニットから成ることができる、メモリから実行されることができる。本明細書において使用されるとき、「メモリ」および「メモリ・ユニット」という用語は交換可能である。さらに、本明細書に記載された1つまたは複数の実施形態は、コンピュータ実行可能コンポーネントのコードを、分散された方法で、例えば、1つまたは複数の分散されたメモリ・ユニットからのコードを実行するように結合しているか、または協調して動作している複数のプロセッサで、実行することができる。本明細書において使用されるとき、「メモリ」という用語は、1つの位置での単一のメモリまたはメモリ・ユニット、あるいは1つまたは複数の位置での複数のメモリまたはメモリ・ユニットを包含することができる。
コンピューティング・デバイスは、通常、コンピュータ可読ストレージ媒体、機械可読ストレージ媒体、または通信媒体、あるいはその組み合わせを含むことができる、さまざまな媒体を含み、本明細書では、次のように2つの用語が互いに異なって使用される。コンピュータ可読記憶媒体または機械可読ストレージ媒体は、コンピュータによってアクセスされることができる任意の使用可能なストレージ媒体であることができ、揮発性媒体および不揮発性媒体、取り外し可能な媒体および取り外し不可能な媒体を両方とも含む。例として、コンピュータ可読ストレージ媒体または機械可読ストレージ媒体は、コンピュータ可読命令または機械可読命令、プログラム・モジュール、構造化データまたは非構造化データなどの情報の格納のための任意の方法または技術に関連して実装されることができるが、これらに限定されない。
コンピュータ可読ストレージ媒体は、ランダム・アクセス・メモリ(RAM)、読み取り専用メモリ(ROM)、電気的消去可能プログラマブル読み取り専用メモリ(EEPROM:electrically erasable programmable read only memory)、フラッシュ・メモリまたはその他のメモリ技術、コンパクト・ディスク読み取り専用メモリ(CD-ROM)、デジタル・バーサタイル・ディスク(DVD)、ブルーレイ・ディスク(BD:Blu-ray disc)またはその他の光ディスク・ストレージ、磁気カセット、磁気テープ、磁気ディスク・ストレージまたはその他の磁気ストレージ・デバイス、半導体ドライブまたはその他の半導体ストレージ・デバイス、あるいは望ましい情報を格納するために使用されるその他の有形の媒体もしくは非一過性の媒体またはその両方を含むことができるが、これらに限定されない。これに関して、本明細書における「有形」または「非一過性」という用語は、ストレージ、メモリ、またはコンピュータ可読媒体に適用されるとき、それ自体が伝搬する一過性の信号のみを修飾語句として除外し、それ自体が単に伝搬する一過性の信号ではないすべての標準的なストレージ、メモリ、またはコンピュータ可読媒体に対する権利を放棄しないと理解されるべきである。
コンピュータ可読ストレージ媒体は、媒体によって格納された情報に関するさまざまな動作のために、例えばアクセス要求、クエリ、またはその他のデータ検索プロトコルを介して、1つまたは複数のローカル・コンピューティング・デバイスまたはリモート・コンピューティング・デバイスによってアクセスされることができる。
通信媒体は、通常、コンピュータ可読命令、データ構造、プログラム・モジュール、あるいはその他の構造化データまたは非構造化データを、変調データ信号(例えば、搬送波またはその他の搬送機構)などのデータ信号で具現化し、任意の情報配信または輸送媒体を含む。「変調データ信号」という用語は、1つまたは複数の信号内の情報をエンコードするような方法で設定または変更される特性のうちの1つまたは複数を有する信号のことを指す。例として、通信媒体は、有線ネットワークまたは直接有線接続などの有線媒体、および音響、RF、赤外線、およびその他の無線媒体などの無線媒体を含むが、これらに限定されない。
図13を再び参照すると、本明細書に記載された態様のさまざまな実施形態を実装するための例示的な環境1300がコンピュータ1302を含んでおり、コンピュータ1302は、処理ユニット1304、システム・メモリ1306、およびシステム・バス1308を含んでいる。システム・バス1308は、システム・メモリ1306を含むが、これに限定されないシステム・コンポーネントを、処理ユニット1304に結合する。処理ユニット1304は、さまざまな市販されているプロセッサのいずれかであることができる。デュアル・マイクロプロセッサおよびその他のマルチプロセッサ・アーキテクチャが、処理ユニット1304として採用されることもできる。
システム・バス1308は、種々の市販されているバス・アーキテクチャのいずれかを使用するメモリ・バス(メモリ・コントローラを含むか、または含まない)、ペリフェラル・バス、およびローカル・バスにさらに相互接続することができる複数の種類のバス構造のいずれかであることができる。システム・メモリ1306は、ROM1310およびRAM1312を含んでいる。基本入出力システム(BIOS:basic input/output system)は、ROM、消去可能プログラマブル読み取り専用メモリ(EPROM:erasable programmable read only memory)、EEPROMなどの、不揮発性メモリに格納されることができ、BIOSは、起動などの間にコンピュータ1302内の要素間で情報を転送するのに役立つ基本的なルーチンを含む。RAM1312は、データをキャッシュするためのスタティックRAMなどの高速なRAMを含むこともできる。
コンピュータ1302は、内部ハード・ディスク・ドライブ(HDD:hard diskdrive)1314(例えば、EIDE、SATA)、1つまたは複数の外部ストレージ・デバイス1316(例えば、磁気フロッピー(R)・ディスク・ドライブ(FDD:magnetic floppy disk drive)、メモリ・スティックまたはフラッシュ・ドライブ・リーダ、メモリ・カード・リーダなど)、および光ディスク・ドライブ1320(例えば、CD-ROMディスク、DVD、BDなどに対して読み取りまたは書き込みを行うことができるドライブ)をさらに含む。内部HDD1314がコンピュータ1302内にあるように示されているが、内部HDD1314は、外部の適切な筐体(図示されていない)内で使用するように構成されることもできる。さらに、環境1300内に示されていないが、HDD1314に加えて、またはHDD1314の代わりに、半導体ドライブ(SSD:solid state drive)が使用されることができる。HDD1314、外部ストレージ・デバイス1316、および光ディスク・ドライブ1320は、HDDインターフェイス1324、外部ストレージ・インターフェイス1326、および光学ドライブ・インターフェイス1328によって、システム・バス1308にそれぞれ接続されることができる。外部ドライブの実装のためのインターフェイス1324は、ユニバーサル・シリアル・バス(USB:Universal Serial Bus)インターフェイス技術、および電気電子技術者協会(IEEE:Institute of Electrical and Electronics Engineers)1394インターフェイス技術のうちの少なくとも1つまたは両方を含むことができる。その他の外部ドライブ接続技術が、本明細書に記載された実施形態の企図に含まれる。
ドライブおよびそれらに関連するコンピュータ可読ストレージ媒体は、データ、データ構造、コンピュータ実行可能命令などの不揮発性ストレージを提供する。コンピュータ1302のドライブおよびストレージ媒体は、適切なデジタル形式での任意のデータの格納に対応する。上記のコンピュータ可読ストレージ媒体の説明は各種のストレージ・デバイスに言及しているが、コンピュータによって読み取ることができる他の種類のストレージ媒体が、現在存在しているか、または将来開発されるかに関わらず、例示的な動作環境内で使用されることもできるということ、およびさらに、任意のそのようなストレージ媒体が、本明細書に記載された方法を実行するためのコンピュータ実行可能命令を含むことができるということが、当業者によって理解されるべきである。
オペレーティング・システム1330、1つまたは複数のアプリケーション・プログラム1332、その他のプログラム・モジュール1334、およびプログラム・データ1336を含む複数のプログラム・モジュールが、ドライブおよびRAM1312に格納されることができる。オペレーティング・システム、アプリケーション、モジュール、またはデータ、あるいはその組み合わせのすべてまたは一部が、RAM1312にキャッシュされることもできる。本明細書に記載されたシステムおよび方法は、種々の市販されているオペレーティング・システムまたはオペレーティング・システムの組み合わせを利用して実装されることができる。
コンピュータ1302は、任意選択的に、エミュレーション技術を含むことができる。例えば、ハイパーバイザ(図示されていない)またはその他の媒介が、オペレーティング・システム1330のハードウェア環境をエミュレートすることができ、エミュレートされるハードウェアは、任意選択的に、図13に示されているハードウェアと異なることができる。そのような実施形態では、オペレーティング・システム1330が、コンピュータ1302でホストされた複数の仮想マシン(VM:virtual machine)のうちの1つのVMを含むことができる。さらに、オペレーティング・システム1330は、Java(R)実行時環境または.NETフレームワークなどの実行時環境をアプリケーション1332に提供することができる。実行時環境は、アプリケーション1332が実行時環境を含む任意のオペレーティング・システム上で実行されることを可能にする、一貫性のある実行環境である。同様に、オペレーティング・システム1330はコンテナをサポートすることができ、アプリケーション1332はコンテナの形態であることができ、コンテナは、例えばアプリケーション用のコード、ランタイム、システム・ツール、システム・ライブラリ、および設定を含む、軽量なスタンドアロンの実行可能なソフトウェアのパッケージである。
さらに、コンピュータ1302は、信頼できる処理モジュール(TPM:trustedprocessing module)などのセキュリティ・モジュールを使用して有効化されることができる。例えば、TPMを使用すると、ブート・コンポーネントは、時間的に次のブート・コンポーネントをハッシュし、保護された値とのハッシュ結果の一致を待機してから、次のブート・コンポーネントを読み込む。このプロセスは、コンピュータ1302のコード実行スタック内の任意の層で行われることができ、例えば、アプリケーション実行レベルで、またはオペレーティング・システム(OS:operating system)カーネル・レベルで適用され、それによって、コード実行の任意のレベルでセキュリティを有効化する。
ユーザは、1つまたは複数の有線/無線入力デバイス(例えば、キーボード1338、タッチ・スクリーン1340、およびマウス1342などのポインティング・デバイス)を介して、コマンドおよび情報をコンピュータ1302に入力することができる。その他の入力デバイス(図示されていない)は、マイクロホン、赤外線(IR:infrared)遠隔制御、無線周波(RF:radio frequency)遠隔制御、またはその他の遠隔制御、ジョイスティック、仮想現実コントローラまたは仮想現実ヘッドセットあるいはその両方、ゲーム・パッド、タッチペン、画像入力デバイス(例えば、カメラ)、ジェスチャー・センサ入力デバイス、視覚移動センサ(vision movement sensor)入力デバイス、感情または顔検出デバイス、生体測定入力デバイス(例えば、指紋または虹彩スキャナ)など含むことができる。これらおよびその他の入力デバイスは、多くの場合、システム・バス1308に結合されることができる入力デバイス・インターフェイス1344を介して処理ユニット1304に接続されるが、パラレル・ポート、IEEE1394シリアル・ポート、ゲーム・ポート、USBポート、IRインターフェイス、BLUETOOTH(R)インターフェイスなどの、その他のインターフェイスによって接続されることができる。
モニタ1346またはその他の種類のディスプレイ・デバイスが、ビデオ・アダプタ1348などのインターフェイスを介してシステム・バス1308に接続されることもできる。モニタ1346に加えて、コンピュータは通常、スピーカ、プリンタなどの、その他の周辺出力機器(図示されていない)を含む。
コンピュータ1302は、有線通信または無線通信あるいはその両方を介するリモート・コンピュータ1350などの1つまたは複数のリモート・コンピュータへの論理接続を使用して、ネットワーク環境内で動作することができる。リモート・コンピュータ1350は、ワークステーション、サーバ・コンピュータ、ルータ、パーソナル・コンピュータ、ポータブル・コンピュータ、マイクロプロセッサベースのエンターテインメント機器、ピア・デバイス、またはその他の一般的なネットワーク・ノードであることができ、通常は、コンピュータ1302に関連して説明された要素のうちの多くまたはすべてを含むが、簡潔にするために、メモリ/ストレージ・デバイス1352のみが示されている。図に示されている論理接続は、ローカル・エリア・ネットワーク(LAN)1354またはさらに大きいネットワーク(例えば、広域ネットワーク(WAN)1356)あるいはその両方との有線接続/無線接続を含む。そのようなLANおよびWANネットワーク環境は、事務所および会社において一般的であり、イントラネットなどの企業全体のコンピュータ・ネットワークを容易にし、それらはすべて、グローバル通信ネットワーク(例えば、インターネット)に接続することができる。
コンピュータ1302は、LANネットワーク環境内で使用された場合、有線または無線あるいはその両方の通信ネットワーク・インターフェイスまたはアダプタ1358を介して、ローカル・ネットワーク1354に接続されることができる。アダプタ1358は、LAN1354との有線通信または無線通信を容易にすることができ、LAN1354は、無線モードでアダプタ1358と通信するために配置された無線アクセスポイント(AP:access point)を含むこともできる。
コンピュータ1302は、WANネットワーク環境内で使用された場合、モデム1360を含むことができ、またはインターネットを経由するなどのWAN1356を経由して通信を確立するためのその他の手段によって、WAN1356上の通信サーバに接続されることができる。内部または外部に存在する有線デバイスまたは無線デバイスであることができるモデム1360は、入力デバイス・インターフェイス1344を介してシステム・バス1308に接続されることができる。ネットワーク環境内で、コンピュータ1302またはその一部に関連して示されたプログラム・モジュールは、リモート・メモリ/ストレージ・デバイス1352に格納されることができる。示されているネットワーク接続が例であり、コンピュータ間の通信リンクを確立するその他の手段が使用されるということが、理解されるであろう。
コンピュータ1302は、LANネットワーク環境内またはWANネットワーク環境内のいずれかで使用された場合、前述したような外部ストレージ・デバイス1316に加えて、または外部ストレージ・デバイス1316の代わりに、クラウド・ストレージ・システムまたはその他のネットワークベースのストレージ・システムにアクセスすることができる。一般に、コンピュータ1302とクラウド・ストレージ・システムの間の接続は、例えば、それぞれアダプタ1358またはモデム1360によって、LAN1354またはWAN1356を経由して確立されることができる。コンピュータ1302を関連するクラウド・ストレージ・システムに接続するときに、外部ストレージ・インターフェイス1326は、アダプタ1358またはモデム1360あるいはその両方を用いて、他の種類の外部ストレージと同様に、クラウド・ストレージ・システムによって提供されたストレージを管理することができる。例えば、外部ストレージ・インターフェイス1326は、クラウド・ストレージ・ソースがコンピュータ1302に物理的に接続されているかのように、クラウド・ストレージ・ソースへのアクセスを提供するように構成されることができる。
コンピュータ1302は、無線通信において動作可能に配置された任意の無線デバイスまたは実体(例えば、プリンタ、スキャナ、デスクトップ・コンピュータまたはポータブル・コンピュータあるはその両方、ポータブル・データ・アシスタント、通信衛星、無線で検出可能なタグに関連付けられた機器のいずれかの部品または位置(例えば、キオスク、新聞売店、商品棚など)、および電話)と通信するよう機能することができる。この通信は、ワイヤレス・フィディリティ(Wi-Fi)およびBLUETOOTH(R)無線技術を含むことができる。したがって、この通信は、従来のネットワークと同様に事前に定義された構造であるか、または単に、少なくとも2つのデバイス間のアドホック通信であることができる。
前述した内容は、システム、コンピュータ・プログラム製品、およびコンピュータ実装方法の単なる例を含んでいる。当然ながら、本開示を説明する目的で、コンポーネント、製品、またはコンピュータ実装方法、あるいはその組み合わせの考えられるすべての組み合わせについて説明することは不可能であるが、当業者は、本開示の多くのその他の組み合わせおよび並べ替えが可能であるということを認識できる。さらに、「含む」、「有する」、「所有する」などの用語が、発明を実施するための形態、特許請求の範囲、付録、および図面において使用される範囲では、それらの用語は、「備えている」が特許請求における暫定的な用語として使用されるときに解釈されるような、用語「備えている」と同様の方法で、包含的であるよう意図されている。さまざまな実施形態の説明は、例示の目的で提示されているが、網羅的であることは意図されておらず、開示された実施形態に限られない。記載された実施形態の範囲と精神を逸脱することなく多くの変更および変形が可能であることは、当業者にとって明らかであろう。本明細書で使用された用語は、実施形態の原理、実際の適用、または市場で見られる技術を超える技術的改良を最も適切に説明するため、または他の当業者が本明細書で開示された実施形態を理解できるようにするために選択されている。
Claims (20)
- コンピュータ実行可能コンポーネントを格納するメモリと、
前記メモリに動作可能に結合され、前記メモリに格納された前記コンピュータ実行可能コンポーネントを実行するプロセッサとを備えているシステムであって、前記コンピュータ実行可能コンポーネントが、
不確実性の尺度に基づいて注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成する時系列分析コンポーネントを含む、システム。 - 構成された一連の前記多変量時系列データにわたってデータの異なるサンプリング・レートを一致させることによって前記多変量時系列データをエンコードするエンコーダ・コンポーネントをさらに備え、エンコーディングが、前記多変量時系列データを拡張可能かつ並列化可能にする、請求項1に記載のシステム。
- 前記機械学習モデルの注意ネットワーク層を使用して、前記不確実性の尺度に基づいて、前記エンコードされた多変量時系列データ間で注意を正則化する注意デコーダ・コンポーネントをさらに備える、請求項2に記載のシステム。
- 前記注意ネットワーク層が、前記不確実性の尺度が定義されたしきい値より小さくなる結果をもたらす前記エンコードされた多変量時系列データの注意構成にペナルティを科す、請求項3に記載のシステム。
- 前記注意デコーダ・コンポーネントが、ベイズ推定によって前記注意ネットワーク層を制御するパラメータの事後分布をさらに決定する、請求項3に記載のシステム。
- 前記注意デコーダ・コンポーネントが、前記注意ネットワーク層で実行されるモンテカルロ・サンプリングを介して、前記依存関係に関する不確実性定量化をさらに生成する、請求項3に記載のシステム。
- 前記多変量時系列データが、測定可能な特性を特徴付け、前記システムが、
前記発見された依存関係および前記不確実性定量化に基づいて、前記測定可能な特性の値を予測する予測コンポーネントをさらに備える、請求項6に記載のシステム。 - プロセッサに動作可能に結合されたシステムによって、不確実性の尺度に基づいて注意機構を使用して多変量時系列データ間の依存関係を発見する機械学習モデルを生成することを含む、コンピュータ実装方法。
- 前記システムによって、構成された一連の前記多変量時系列データにわたって異なるデータ・サンプリング・レートを一致させることによって前記多変量時系列データをエンコードすることをさらに含み、前記エンコーディングが、前記多変量時系列データを拡張可能かつ並列化可能にする、請求項8に記載のコンピュータ実装方法。
- 前記システムによって、前記機械学習モデルの注意ネットワーク層を使用して、前記不確実性の尺度に基づいて、前記エンコードされた多変量時系列データ間で注意を正則化することをさらに含む、請求項9に記載のコンピュータ実装方法。
- 前記システムによって、前記不確実性の尺度が定義されたしきい値より小さくなる結果をもたらす前記エンコードされた多変量時系列データの注意構成にペナルティを科すことをさらに含む、請求項10に記載のコンピュータ実装方法。
- 前記システムによって、ベイズ推定によって前記注意ネットワーク層を制御するパラメータの事後分布を決定することをさらに含む、請求項10に記載のコンピュータ実装方法。
- 前記システムによって、前記注意ネットワーク層で実行されるモンテカルロ・サンプリングを介して、前記依存関係に関する不確実性定量化を生成することをさらに含む、請求項10に記載のコンピュータ実装方法。
- 前記多変量時系列データが、測定可能な特性を特徴付け、前記コンピュータ実装方法が、
前記システムによって、前記発見された依存関係および前記不確実性定量化に基づいて、前記測定可能な特性の値を予測することをさらに含む、請求項13に記載のコンピュータ実装方法。 - 多変量時系列データを分析するためのコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品が、プログラム命令が具現化されているコンピュータ可読ストレージ媒体を備え、前記プログラム命令が、プロセッサによって実行可能であり、前記プロセッサに、
前記プロセッサによって、不確実性の尺度に基づいて注意機構を使用して前記多変量時系列データ間の依存関係を発見する機械学習モデルを生成することを実行させる、コンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに、
前記プロセッサによって、構成された一連の前記多変量時系列データにわたって異なるデータ・サンプリング・レートを一致させることによって、前記多変量時系列データをエンコードすることをさらに実行させ、エンコーディングが、前記多変量時系列データを拡張可能かつ並列化可能にする、請求項15に記載のコンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに、
前記プロセッサによって、前記機械学習モデルの注意ネットワーク層を使用して、シャノン・エントロピー値に基づいて、前記エンコードされた多変量時系列データ間で注意を正則化することをさらに実行させる、請求項16に記載のコンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに、
前記プロセッサによって、前記不確実性の尺度が定義されたしきい値より大きくなる結果をもたらす前記エンコードされた多変量時系列データの注意構成にペナルティを科すことをさらに実行させる、請求項17に記載のコンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに、
前記プロセッサによって、ベイズ推定によって前記注意ネットワーク層を制御するパラメータの事後分布を決定することをさらに実行させる、請求項18に記載のコンピュータ・プログラム製品。 - 前記プログラム命令が、前記プロセッサに、
前記プロセッサによって、前記注意ネットワーク層で実行されるモンテカルロ・サンプリングを介して、前記依存関係に関する不確実性定量化を生成することをさらに実行させる、請求項19に記載のコンピュータ・プログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/870,041 US11681914B2 (en) | 2020-05-08 | 2020-05-08 | Determining multivariate time series data dependencies |
US16/870,041 | 2020-05-08 | ||
PCT/IB2021/053445 WO2021224720A1 (en) | 2020-05-08 | 2021-04-27 | Determining multivariate time series data dependencies |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023524657A true JP2023524657A (ja) | 2023-06-13 |
Family
ID=78412817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022564487A Pending JP2023524657A (ja) | 2020-05-08 | 2021-04-27 | 多変量時系列データの依存関係の決定システム、方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11681914B2 (ja) |
JP (1) | JP2023524657A (ja) |
CN (1) | CN115427967A (ja) |
DE (1) | DE112021001566T5 (ja) |
GB (1) | GB2611208A (ja) |
WO (1) | WO2021224720A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11768912B2 (en) * | 2019-07-12 | 2023-09-26 | International Business Machines Corporation | Performing multivariate time series prediction with three-dimensional transformations |
US11521075B2 (en) * | 2020-05-15 | 2022-12-06 | Microsoft Technology Licensing, Llc | Transfer learning system for automated software engineering tasks |
US11310349B1 (en) * | 2020-05-19 | 2022-04-19 | Amazon Technologies, Inc. | Transforming multivariate time series data into image data to generate image-based predictions |
US20220180744A1 (en) * | 2020-12-09 | 2022-06-09 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for task control based on bayesian meta-reinforcement learning |
CN114779368A (zh) * | 2022-03-22 | 2022-07-22 | 同济大学 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
US20240054124A1 (en) * | 2022-08-15 | 2024-02-15 | At&T Intellectual Property I, L.P. | Machine learning-based database integrity verification |
CN115204535B (zh) * | 2022-09-16 | 2022-12-06 | 湖北信通通信有限公司 | 基于动态多元时间序列的采购业务量预测方法及电子设备 |
Family Cites Families (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0883067A1 (en) | 1997-06-05 | 1998-12-09 | Nortel Networks Corporation | A method and apparatus for determining how many input values of a time series of data are required for forecasting a future value of the time series |
JP2000349646A (ja) | 1999-06-02 | 2000-12-15 | Japan Science & Technology Corp | ウェーブレット系数列を用いた時系列予測方法及びその装置 |
JP4772320B2 (ja) | 2004-12-15 | 2011-09-14 | 富士通株式会社 | 亜鉛−アルミニウムはんだ合金 |
US20090138415A1 (en) * | 2007-11-02 | 2009-05-28 | James Justin Lancaster | Automated research systems and methods for researching systems |
US20080255911A1 (en) * | 2007-04-13 | 2008-10-16 | Raytheon Company | Method and system for adaptive closed loop resource management |
US20100179930A1 (en) * | 2009-01-13 | 2010-07-15 | Eric Teller | Method and System for Developing Predictions from Disparate Data Sources Using Intelligent Processing |
US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
US20140108324A1 (en) * | 2012-10-12 | 2014-04-17 | Nec Laboratories America, Inc. | Data analytic engine towards the self-management of complex physical systems |
US10914608B2 (en) * | 2012-10-12 | 2021-02-09 | Nec Corporation | Data analytic engine towards the self-management of complex physical systems |
US10496927B2 (en) | 2014-05-23 | 2019-12-03 | DataRobot, Inc. | Systems for time-series predictive data analytics, and related methods and apparatus |
GB2541625A (en) | 2014-05-23 | 2017-02-22 | Datarobot | Systems and techniques for predictive data analytics |
CN105894087A (zh) | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 用于神经网络中训练参数集的系统和方法 |
CA2983880A1 (en) * | 2015-05-05 | 2016-11-10 | Kyndi, Inc. | Quanton representation for emulating quantum-like computation on classical processors |
US20180300829A1 (en) * | 2015-10-28 | 2018-10-18 | Fractal Industries, Inc. | System for intellectual property landscape analysis, risk management, and opportunity identification |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10410113B2 (en) | 2016-01-14 | 2019-09-10 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
JP6876061B2 (ja) | 2016-01-26 | 2021-05-26 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ニューラル臨床パラフレーズ生成のためのシステム及び方法 |
CN107766319B (zh) | 2016-08-19 | 2021-05-18 | 华为技术有限公司 | 序列转换方法及装置 |
US10929674B2 (en) | 2016-08-29 | 2021-02-23 | Nec Corporation | Dual stage attention based recurrent neural network for time series prediction |
US20180262525A1 (en) * | 2017-03-09 | 2018-09-13 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
US20180300621A1 (en) * | 2017-04-13 | 2018-10-18 | International Business Machines Corporation | Learning dependencies of performance metrics using recurrent neural networks |
US20190034497A1 (en) * | 2017-07-27 | 2019-01-31 | Nec Laboratories America, Inc. | Data2Data: Deep Learning for Time Series Representation and Retrieval |
CN107563332A (zh) | 2017-09-05 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于确定无人车的驾驶行为的方法和装置 |
US10417083B2 (en) * | 2017-11-30 | 2019-09-17 | General Electric Company | Label rectification and classification/prediction for multivariate time series data |
US10859721B2 (en) | 2018-01-31 | 2020-12-08 | National Technology & Engineering Solutions Of Sandia, Llc | Method for enhancing a computer to estimate an uncertainty of an onset of a signal of interest in time-series noisy data |
US10931687B2 (en) * | 2018-02-20 | 2021-02-23 | General Electric Company | Cyber-attack detection, localization, and neutralization for unmanned aerial vehicles |
US20190287012A1 (en) | 2018-03-16 | 2019-09-19 | Microsoft Technology Licensing, Llc | Encoder-decoder network with intercommunicating encoder agents |
CN108875592A (zh) | 2018-04-13 | 2018-11-23 | 哈尔滨工程大学 | 一种基于注意力的卷积神经网络优化方法 |
US20190354836A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Dynamic discovery of dependencies among time series data using neural networks |
US11132551B2 (en) * | 2018-06-15 | 2021-09-28 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for skyline prediction for cyber-physical photovoltaic array control |
US11204602B2 (en) | 2018-06-25 | 2021-12-21 | Nec Corporation | Early anomaly prediction on multi-variate time series data |
US20200027105A1 (en) | 2018-07-20 | 2020-01-23 | Jpmorgan Chase Bank, N.A. | Systems and methods for value at risk anomaly detection using a hybrid of deep learning and time series models |
WO2020025696A1 (en) * | 2018-07-31 | 2020-02-06 | Deutsches Krebsforschungszentrum Stiftung des öffentlichen Rechts | Method and system for augmented imaging using multispectral information |
WO2020139344A1 (en) * | 2018-12-27 | 2020-07-02 | Halliburton Energy Services, Inc. | Hydraulic fracturing operation planning using data-driven multi-variate statistical machine learning modeling |
WO2020180887A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
JP2022523564A (ja) * | 2019-03-04 | 2022-04-25 | アイオーカレンツ, インコーポレイテッド | 機械学習を使用するデータ圧縮および通信 |
EP3706034A1 (en) * | 2019-03-06 | 2020-09-09 | Robert Bosch GmbH | Movement prediction of pedestrians useful for autonomous driving |
CN110378044B (zh) | 2019-07-23 | 2021-06-11 | 燕山大学 | 基于注意力机制的多时间尺度卷积神经网络软测量方法 |
US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
CN110610232A (zh) | 2019-09-11 | 2019-12-24 | 南通大学 | 一种基于深度学习的长期及短期交通流预测模型构建方法 |
US11367018B2 (en) * | 2019-12-04 | 2022-06-21 | Oracle International Corporation | Autonomous cloud-node scoping framework for big-data machine learning use cases |
-
2020
- 2020-05-08 US US16/870,041 patent/US11681914B2/en active Active
-
2021
- 2021-04-27 GB GB2218234.9A patent/GB2611208A/en active Pending
- 2021-04-27 DE DE112021001566.4T patent/DE112021001566T5/de active Pending
- 2021-04-27 CN CN202180028874.6A patent/CN115427967A/zh active Pending
- 2021-04-27 WO PCT/IB2021/053445 patent/WO2021224720A1/en active Application Filing
- 2021-04-27 JP JP2022564487A patent/JP2023524657A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US11681914B2 (en) | 2023-06-20 |
GB202218234D0 (en) | 2023-01-18 |
DE112021001566T5 (de) | 2022-12-29 |
CN115427967A (zh) | 2022-12-02 |
WO2021224720A1 (en) | 2021-11-11 |
GB2611208A (en) | 2023-03-29 |
US20210350225A1 (en) | 2021-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023524657A (ja) | 多変量時系列データの依存関係の決定システム、方法 | |
US11100399B2 (en) | Feature extraction using multi-task learning | |
US11748648B2 (en) | Quantum pulse optimization using machine learning | |
US11048718B2 (en) | Methods and systems for feature engineering | |
US11720826B2 (en) | Feedback loop learning between artificial intelligence systems | |
US11620582B2 (en) | Automated machine learning pipeline generation | |
US11176508B2 (en) | Minimizing compliance risk using machine learning techniques | |
JP7372012B2 (ja) | 所望の特性を有する材料を見つけるための機械学習フレームワーク | |
US20220114401A1 (en) | Predicting performance of machine learning models | |
US20210374551A1 (en) | Transfer learning for molecular structure generation | |
US11915106B2 (en) | Machine learning for determining suitability of application migration from local to remote providers | |
JP2023546862A (ja) | 伸長係数のエラー軽減が有効化された量子コンピュータ | |
US20220405649A1 (en) | Quantum machine learning model feature space generation | |
US20230077708A1 (en) | Microservice measurement and merging | |
US11164098B2 (en) | Aggregating similarity metrics | |
US20220147852A1 (en) | Mitigating partiality in regression models | |
US20220188663A1 (en) | Automated machine learning model selection | |
US20190333645A1 (en) | Using disease similarity metrics to make predictions | |
US20230267323A1 (en) | Generating organizational goal-oriented and process-conformant recommendation models using artificial intelligence techniques | |
US20190332947A1 (en) | Estimating errors in predictive models | |
US20230169389A1 (en) | Domain adaptation | |
US20220013239A1 (en) | Time-window based attention long short-term memory network of deep learning | |
US20210271966A1 (en) | Transfer learning across automated machine learning systems | |
US20220067433A1 (en) | Domain adaptation | |
US11410077B2 (en) | Implementing a computer system task involving nonstationary streaming time-series data by removing biased gradients from memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221123 |
|
RD16 | Notification of change of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7436 Effective date: 20221031 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230925 |