JP5187635B2 - 能動学習システム、能動学習方法、及び能動学習用プログラム - Google Patents
能動学習システム、能動学習方法、及び能動学習用プログラム Download PDFInfo
- Publication number
- JP5187635B2 JP5187635B2 JP2008549233A JP2008549233A JP5187635B2 JP 5187635 B2 JP5187635 B2 JP 5187635B2 JP 2008549233 A JP2008549233 A JP 2008549233A JP 2008549233 A JP2008549233 A JP 2008549233A JP 5187635 B2 JP5187635 B2 JP 5187635B2
- Authority
- JP
- Japan
- Prior art keywords
- learning data
- learning
- group
- data
- rule
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
第1の問題点において、能動学習システムは、既知学習データ群のうちの、以前から蓄積されている既知学習データと、新たに追加された既知学習データとが同じ扱いにしていることである。これにより、以前から蓄積されている既知学習データに対するルールと、新たに追加された既知学習データに対するルールは、それほど変わらない。このような能動学習システムでは、以前から蓄積されている既知学習データに新たに既知学習データが加わったことによる顕著な効果はない。
この従来技術では、データ処理部の学習部は、ユーザの入力装置の操作により学習データと下位学習アルゴリズムと終了条件とを入力する。学習データは、ラベル(クラス又は関数値)が設定されたデータである。下位学習アルゴリズムは、能動学習を行うためのコンピュータプログラムである。学習部は、入力した学習データと終了条件とを学習データ記憶部に格納する。下位学習アルゴリズムは、学習データと終了条件と共に入力されているが、予めに学習データ記憶部に格納されていても良い。学習部は、下位学習アルゴリズムを用いて学習処理を行う。
この従来技術では、新しく出現した単語に対して重み付けを高くして選別することを特徴とする旨が示されている。
この従来技術では、データ重みを利用して弱判別器を選択し、選択された弱判別器による学習サンプルの判別結果を、信頼度により重み付けした値の累積和に基づいて基準値を演算する。演算された基準値に基づいて学習サンプルの一部を削除し、削除されなかった学習サンプルに基づいてデータ重みを演算する。
この従来技術では、文書共有度算出の際に、文書数の代わりに文書それぞれが持つ日付や時刻の鮮度の重みを用いて、文書共有度を計算することもできる。例えば、文書共有度=(共有する文書それぞれの鮮度の重みの和)/(2つの該当する話題語が持つ文書のそれぞれの鮮度の重みの和)。この鮮度の重みは、文書の日付や時間が新しいものほど、文書共有度が高くなるように作用する。
この従来技術では、所定の事象を説明するための1つ以上の変数を含む説明変数と該説明変数に応じた値を取る非説明変数とを組とするサンプルの集合である学習データの各サンプル毎に、予め用意された確率モデルに基づいて、非説明変数の値に対応する確率を算出する。また、該算出された確率に基づいて、学習データの各サンプルに対する重みを算出する。また、算出された重みと学習データとに基づいて新たな確率モデルを作成してモデル記憶装置に記憶する。更に、モデル記憶装置に記憶された確率モデルを用いて、説明変数と同じデータ形式の入力パラメータに対して、事象が発生又は発生しない確率を算出する。
まず、入出力装置110から与えられた学習条件が制御部150の学習設定取得部151へ供給される。そして、処理は学習部141に移行する。
学習部141は、学習データ記憶部131から既知学習データ群を読み出し、既知学習データ群の中から、重み204が最も大きい選択既知学習データを選択する。選択既知学習データは、既知学習データ群のうちの選択既知学習データ以外の学習データよりも最新の学習データを表している。学習部141は、選択既知学習データに対して正例学習データ又は前記負例学習データを選別するためのルール301を生成(学習)し、最新のルール301としてルール記憶部132に記憶する。
予測部142は、ルール記憶部132に記憶された最新のルール301を、候補データ記憶部133に記憶された候補学習データ群に適用して、候補学習データ群に対して正例学習データであるか否かを予測する。予測部142は、その予測結果を候補データ選択部143に出力する。
候補データ選択部143は、予測結果に基づいて、候補学習データ群の中から、次の学習対象となる学習データを表す選択候補学習データを選択し、選択候補学習データを選択データ記憶部134に記憶する。
データ更新部144は、選択データ記憶部134に記憶された選択候補学習データを読み出して入出力装置110に出力する。ラベル(所望のラベル)の値が入出力装置110から入力されたとき、データ更新部144は、そのラベル(ラベルの値)を選択候補学習データに設定する。データ更新部144は、選択候補学習データを、候補データ記憶部133に記憶された候補学習データ群から除いて、既知学習データとして学習データ記憶部131に記憶された既知学習データ群に追加する。これで、能動学習の1サイクルが終了し、処理が制御部150に移行する。
制御部150は、終了条件が成立したかどうかを判定し、終了条件が成立していなければ、学習データ調査部152に処理を進める。この場合、学習データ記憶部131には、既知学習データ群のうちの、学習開始時点に存在した既知学習データと、データ更新部144によって追加された既知学習データとが混在している。後者の追加された既知学習データの所望のラベルの値は実験なり調査なりで調べられた実際の値である。他方、終了条件が成立していれば、制御部150は能動学習サイクルの繰り返しを停止させる。終了条件は、入出力装置110から与えられ、その条件は、能動学習サイクルの最大繰り返し回数等、任意の条件で良い。
学習データ調査部152は、学習データ記憶部131に記憶されている学習データの取得サイクル数205を調べ、学習データ重み設定部153に出力する。
学習データ重み設定部153は、学習データ記憶部131から学習データを読み出し、既知学習データ群のそれぞれに対して取得順序に比例して増加する重み204を設定する。
なお、本実施形態のスタートから1サイクル目のステップS206までの動作は、第1実施例のスタートからステップS106までの動作と同じである。
まず、入出力装置110から与えられた学習条件が制御部150の学習設定取得部151へ供給される。そして、処理は学習部141に移行する。
学習部141は、学習データ記憶部131から既知学習データ群を読み出し、既知学習データ群の中から、重み204が最も大きい選択既知学習データを選択する。選択既知学習データは、既知学習データ群のうちの選択既知学習データ以外の学習データよりも正しく予測された学習データを表している。学習部141は、選択既知学習データに対して正例学習データ又は前記負例学習データを選別するためのルール301を生成(学習)し、最新のルール301としてルール記憶部132に記憶する。
予測部142は、ルール記憶部132に記憶された最新のルール301を、候補データ記憶部133に記憶された候補学習データ群に適用して、候補学習データ群に対して正例学習データであるか否かを予測する。予測部142は、その予測結果を候補データ選択部143に出力する。
候補データ選択部143は、予測結果に基づいて、候補学習データ群の中から、次の学習対象となる学習データを表す選択候補学習データを選択し、選択候補学習データを選択データ記憶部134に記憶する。
データ更新部144は、選択データ記憶部134に記憶された選択候補学習データを読み出して入出力装置110に出力する。ラベル(所望のラベル)の値が入出力装置110から入力されたとき、データ更新部144は、そのラベル(ラベルの値)を選択候補学習データに設定する。データ更新部144は、選択候補学習データを、候補データ記憶部133に記憶された候補学習データ群から除いて、既知学習データとして学習データ記憶部131に記憶された既知学習データ群に追加する。これで、能動学習の1サイクルが終了し、処理が制御部150に移行する。
制御部150は、終了条件が成立したかどうかを判定し、終了条件が成立していなければ、学習見直し部154に処理が移る。この場合、学習データ記憶部131には、既知学習データ群のうちの、学習開始時点に存在した既知学習データと、データ更新部144によって追加された既知学習データとが混在している。後者の追加された学習データの所望のラベルの値は実験なり調査なりで調べられた実際の値である。他方、終了条件が成立していれば、制御部150は能動学習サイクルの繰り返しを停止させる。終了条件は、入出力装置110から与えられ、その条件は、能動学習サイクルの最大繰り返し回数等、任意の条件で良い。
学習見直し部154は、学習データ記憶部131に記憶されている既知学習データ群の中から、取得サイクル数205として前サイクル番号が記録されている既知学習データ群を検索する。学習見直し部154は、検索された既知学習データ群が、所望のラベル203が正例であることを表す正例既知学習データ群である場合、その正例既知学習データ群に対して、ルール記憶部132に記憶されているルール群301を適用して重要度を算出する。
次に、学習見直し部154は、ルール群301のうちの、重要度が高いルールを選択ルール301として選択し、選択ルール301のルール識別子302を選択ルール識別子302としてルール識別子記憶部135に記憶する。
次に、学習見直し部154は、学習データ記憶部131に記憶されている既知学習データ群の中から、取得サイクル数205として前々サイクル番号以下の番号が記憶されている既知学習データを読み出し、その既知学習データの各々に対して、その記述子を選択ルール301に入力して正例らしさを表すスコアを算出する。
学習見直し部154は、算出されたスコアと所望ラベル値を照らし合わせ、既知学習データ群のうちの、正例学習データであり、算出されたスコアが所定スコアよりも高い既知学習データについては、その重み204を所定値だけ大きくする。また、正例学習データであるが、算出されたスコアが所定スコアよりも低い既知学習データについては、その重み204を所定値だけ小さくする。一方、負例学習データであり、算出されたスコアが所定スコアよりも低い既知学習データについては、その重み204を所定値だけ大きくする。また、負例学習データであるが、算出されたスコアが所定スコアよりも高い既知学習データであっても、その重み204を所定値だけ小さくする。そして、能動学習部140に処理が移る。
Claims (12)
- 複数の学習データのうちの、利用者にとって価値があるか否かを表すラベルが設定された既知学習データ群及び各々の取得サイクル数を記憶する学習データ記憶手段と、
前記取得サイクル数に基づいて重みを決定し、前記既知学習データ群のそれぞれに対して取得順序に比例して増加する前記重みを設定する制御手段と、
前記既知学習データ群のうちの、利用者にとって価値がある学習データを正例学習データとし、利用者にとって価値がない学習データを負例学習データとし、前記既知学習データ群の中から、前記重みが最も大きい選択既知学習データを選択し、前記選択既知学習データに対して前記正例学習データ又は前記負例学習データを選別するためのルールを生成する学習手段と、
前記既知学習データ群のそれぞれに対応する前記ルールをルール群として記憶するルール記憶手段と、
前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群として記憶する候補データ記憶手段と、
前記ルールを前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群に適用して、前記候補学習データ群に対して前記正例学習データであるか否かを予測し、予測結果を生成する予測手段と、
前記予測結果に基づいて、前記候補学習データ群の中から、学習対象となる学習データを表す選択候補学習データを選択する候補データ選択手段と、
前記選択候補学習データを出力装置に出力し、入力装置から入力される前記ラベルを前記選択候補学習データに設定し、前記選択候補学習データを前記候補学習データ群から除いて既知学習データとして前記既知学習データ群に追加するデータ更新手段と
を具備し、
前記制御手段は、前記ルール群の取得順序に応じて、前記既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表すスコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整する
能動学習システム。 - 請求項1に記載の能動学習システムであって、
前記選択既知学習データは、前記既知学習データ群のうちの前記選択既知学習データ以外の学習データよりも正しく予測された学習データを表している
能動学習システム。 - 請求項1又は2に記載の能動学習システムであって、
前記制御手段は、前記ルール群の取得順序に応じて、前記既知学習データ群のうちの、前記正例学習データを表す正例既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表す前記スコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整する
能動学習システム。 - 請求項1乃至3のいずれか一項に記載の能動学習システムであって、
前記制御手段は、能動学習サイクル毎に、先のサイクルで得られた正例学習データ及び負例学習データを前記ルール群にフィードバックし、正例取得に効果のあったルールに対して、正例を正例らしいと正しく予測した学習データの重みを増やし、正例を正例らしくないと誤って予測した学習データの重みを減らし、負例取得に効果のあったルールに対して、負例を正例らしくないと正しく予測した学習データの重みを増やし、負例を正例らしいと誤って予測した学習データの重みを減らす
能動学習システム。 - 複数の学習データのうちの、利用者にとって価値があるか否かを表すラベルが設定された既知学習データ群及び各々の取得サイクル数を学習データ記憶手段に記憶するステップと、
前記取得サイクル数に基づいて重みを決定し、前記既知学習データ群のそれぞれに対して取得順序に比例して増加する前記重みを設定するステップと、
前記既知学習データ群のうちの、利用者にとって価値がある学習データを正例学習データとし、利用者にとって価値がない学習データを負例学習データとし、前記既知学習データ群の中から、前記重みが最も大きい選択既知学習データを選択し、前記選択既知学習データに対して前記正例学習データ又は前記負例学習データを選別するためのルールを生成するステップと、
前記既知学習データ群のそれぞれに対応する前記ルールをルール群としてルール記憶手段に記憶するステップと、
前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群として候補データ記憶手段に記憶するステップと、
前記ルールを前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群に適用して、前記候補学習データ群に対して前記正例学習データであるか否かを予測し、予測結果を生成するステップと、
前記予測結果に基づいて、前記候補学習データ群の中から、学習対象となる学習データを表す選択候補学習データを選択するステップと、
前記選択候補学習データを出力装置に出力し、入力装置から入力される前記ラベルを前記選択候補学習データに設定し、前記選択候補学習データを前記候補学習データ群から除いて既知学習データとして前記既知学習データ群に追加するステップと、
前記ルール群の取得順序に応じて、前記既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表すスコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整するステップと
を具備する
能動学習方法。 - 請求項5に記載の能動学習方法であって、
前記選択既知学習データは、前記既知学習データ群のうちの前記選択既知学習データ以外の学習データよりも正しく予測された学習データを表している
能動学習方法。 - 請求項5又は6に記載の能動学習方法であって、
前記重みを調整する際、前記ルール群の取得順序に応じて、前記既知学習データ群のうちの、前記正例学習データを表す正例既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表す前記スコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整するステップ
を更に具備する
能動学習方法。 - 請求項5乃至7のいずれか一項に記載の能動学習方法であって、
前記重みを調整する際、能動学習サイクル毎に、先のサイクルで得られた正例学習データ及び負例学習データを前記ルール群にフィードバックし、正例取得に効果のあったルールに対して、正例を正例らしいと正しく予測した学習データの重みを増やし、正例を正例らしくないと誤って予測した学習データの重みを減らし、負例取得に効果のあったルールに対して、負例を正例らしくないと正しく予測した学習データの重みを増やし、負例を正例らしいと誤って予測した学習データの重みを減らすステップ
を更に具備する
能動学習方法。 - 複数の学習データのうちの、利用者にとって価値があるか否かを表すラベルが設定された既知学習データ群及び各々の取得サイクル数を学習データ記憶手段に記憶するステップと、
前記取得サイクル数に基づいて重みを決定し、前記既知学習データ群のそれぞれに対して取得順序に比例して増加する前記重みを設定するステップと、
前記既知学習データ群のうちの、利用者にとって価値がある学習データを正例学習データとし、利用者にとって価値がない学習データを負例学習データとし、前記既知学習データ群の中から、前記重みが最も大きい選択既知学習データを選択し、前記選択既知学習データに対して前記正例学習データ又は前記負例学習データを選別するためのルールを生成するステップと、
前記既知学習データ群のそれぞれに対応する前記ルールをルール群としてルール記憶手段に記憶するステップと、
前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群として候補データ記憶手段に記憶するステップと、
前記ルールを前記複数の学習データのうちの前記既知学習データ群以外の学習データである候補学習データ群に適用して、前記候補学習データ群に対して前記正例学習データであるか否かを予測し、予測結果を生成するステップと、
前記予測結果に基づいて、前記候補学習データ群の中から、学習対象となる学習データを表す選択候補学習データを選択するステップと、
前記選択候補学習データを出力装置に出力し、入力装置から入力される前記ラベルを前記選択候補学習データに設定し、前記選択候補学習データを前記候補学習データ群から除いて既知学習データとして前記既知学習データ群に追加するステップと、
前記ルール群の取得順序に応じて、前記既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表すスコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整するステップと
をコンピュータに実行させるための
プログラム。 - 請求項9に記載のプログラムであって、
前記選択既知学習データは、前記既知学習データ群のうちの前記選択既知学習データ以外の学習データよりも正しく予測された学習データを表している
プログラム。 - 請求項9に記載のプログラムであって、
前記重みを調整する際、前記ルール群の取得順序に応じて、前記既知学習データ群のうちの、前記正例学習データを表す正例既知学習データ群に対して前記ルール群を適用したときの前記正例学習データの数を表す前記スコアを決定し、前記スコアに基づいて、前記既知学習データ群のそれぞれに対して設定された前記重みを調整するステップ
を更にコンピュータに実行させるための
プログラム。 - 請求項9乃至11のいずれか一項に記載のプログラムであって、
前記重みを調整する際、能動学習サイクル毎に、先のサイクルで得られた正例学習データ及び負例学習データを前記ルール群にフィードバックし、正例取得に効果のあったルールに対して、正例を正例らしいと正しく予測した学習データの重みを増やし、正例を正例らしくないと誤って予測した学習データの重みを減らし、負例取得に効果のあったルールに対して、負例を正例らしくないと正しく予測した学習データの重みを増やし、負例を正例らしいと誤って予測した学習データの重みを減らすステップ
を更にコンピュータに実行させるための
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008549233A JP5187635B2 (ja) | 2006-12-11 | 2007-11-22 | 能動学習システム、能動学習方法、及び能動学習用プログラム |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006332983 | 2006-12-11 | ||
JP2006332983 | 2006-12-11 | ||
PCT/JP2007/072651 WO2008072459A1 (ja) | 2006-12-11 | 2007-11-22 | 能動学習システム、能動学習方法、及び能動学習用プログラム |
JP2008549233A JP5187635B2 (ja) | 2006-12-11 | 2007-11-22 | 能動学習システム、能動学習方法、及び能動学習用プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2008072459A1 JPWO2008072459A1 (ja) | 2010-03-25 |
JP5187635B2 true JP5187635B2 (ja) | 2013-04-24 |
Family
ID=39511484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008549233A Active JP5187635B2 (ja) | 2006-12-11 | 2007-11-22 | 能動学習システム、能動学習方法、及び能動学習用プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20100005043A1 (ja) |
EP (1) | EP2096585A4 (ja) |
JP (1) | JP5187635B2 (ja) |
WO (1) | WO2008072459A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102131353B1 (ko) * | 2020-01-29 | 2020-07-07 | 주식회사 이글루시큐리티 | 머신 러닝의 예측 데이터 피드백 적용 방법 및 그 시스템 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5212007B2 (ja) * | 2008-10-10 | 2013-06-19 | 株式会社リコー | 画像分類学習装置、画像分類学習方法、および画像分類学習システム |
CN107133190A (zh) | 2016-02-29 | 2017-09-05 | 阿里巴巴集团控股有限公司 | 一种机器学习系统的训练方法和训练系统 |
JP6943113B2 (ja) * | 2017-09-26 | 2021-09-29 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及び情報処理プログラム |
US11941513B2 (en) * | 2018-12-06 | 2024-03-26 | Electronics And Telecommunications Research Institute | Device for ensembling data received from prediction devices and operating method thereof |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0830458A (ja) * | 1994-07-20 | 1996-02-02 | Hitachi Inf Syst Ltd | 問題解決支援システム |
JP2002222083A (ja) * | 2001-01-29 | 2002-08-09 | Fujitsu Ltd | 事例蓄積装置および方法 |
WO2005048184A1 (ja) * | 2003-11-17 | 2005-05-26 | Nec Corporation | 能動学習方法およびシステム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3606556B2 (ja) | 2000-05-16 | 2005-01-05 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 情報整理方法、情報処理装置、記憶媒体、およびプログラム伝送装置 |
JP2005107743A (ja) | 2003-09-29 | 2005-04-21 | Nec Corp | 学習システム |
JP4482796B2 (ja) | 2004-03-26 | 2010-06-16 | ソニー株式会社 | 情報処理装置および方法、記録媒体、並びにプログラム |
JP4462014B2 (ja) | 2004-11-15 | 2010-05-12 | 日本電信電話株式会社 | 話題語結合方法及び装置及びプログラム |
JP2006185099A (ja) | 2004-12-27 | 2006-07-13 | Toshiba Corp | 確率モデル作成方法 |
JP4645288B2 (ja) * | 2005-04-28 | 2011-03-09 | 日本電気株式会社 | 能動学習方法および能動学習システム |
JP2006332983A (ja) | 2005-05-25 | 2006-12-07 | Canon Inc | 撮像装置及びその制御方法 |
-
2007
- 2007-11-22 WO PCT/JP2007/072651 patent/WO2008072459A1/ja active Application Filing
- 2007-11-22 JP JP2008549233A patent/JP5187635B2/ja active Active
- 2007-11-22 EP EP07832380.5A patent/EP2096585A4/en not_active Withdrawn
- 2007-11-22 US US12/448,082 patent/US20100005043A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0830458A (ja) * | 1994-07-20 | 1996-02-02 | Hitachi Inf Syst Ltd | 問題解決支援システム |
JP2002222083A (ja) * | 2001-01-29 | 2002-08-09 | Fujitsu Ltd | 事例蓄積装置および方法 |
WO2005048184A1 (ja) * | 2003-11-17 | 2005-05-26 | Nec Corporation | 能動学習方法およびシステム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102131353B1 (ko) * | 2020-01-29 | 2020-07-07 | 주식회사 이글루시큐리티 | 머신 러닝의 예측 데이터 피드백 적용 방법 및 그 시스템 |
Also Published As
Publication number | Publication date |
---|---|
EP2096585A4 (en) | 2017-11-15 |
US20100005043A1 (en) | 2010-01-07 |
JPWO2008072459A1 (ja) | 2010-03-25 |
WO2008072459A1 (ja) | 2008-06-19 |
EP2096585A1 (en) | 2009-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7216021B2 (ja) | 機械学習モデルを迅速に構築し、管理し、共有するためのシステム及び方法 | |
US10621027B2 (en) | IT system fault analysis technique based on configuration management database | |
US20070011127A1 (en) | Active learning method and active learning system | |
US20050071301A1 (en) | Learning system and learning method | |
EP2182458A1 (en) | Acquisition of malicious code using active learning | |
US11966831B2 (en) | Feedback mechanisms in sequence learning systems with temporal processing capability | |
JP5187635B2 (ja) | 能動学習システム、能動学習方法、及び能動学習用プログラム | |
EP2083379A1 (en) | Active studying system, method and program | |
KR101706300B1 (ko) | 기술용어 개념계층도 생성 장치 및 방법 | |
US20220253725A1 (en) | Machine learning model for entity resolution | |
JP2001229026A (ja) | 知識発見方式 | |
KR20230054167A (ko) | 기계학습모델의 생성 방법 및 그 장치 | |
CN112579755A (zh) | 基于人工智能和云计算的信息应答方法及信息互动平台 | |
Yang et al. | Towards automatic clustering of protein sequences | |
JP7139723B2 (ja) | 選定プログラム、選定方法および選定装置 | |
JP4461854B2 (ja) | 文書分類装置ならびに文書分類装置の分類体系生成装置および方法 | |
TWI647586B (zh) | 行為推論模型生成裝置及其行為推論模型生成方法 | |
JP4460417B2 (ja) | 自動分類方法、自動分類プログラム、記録媒体、および、自動分類装置 | |
JP2009301557A (ja) | 学習システム | |
US20050160055A1 (en) | Method and device for dividing a population of individuals in order to predict modalities of a given target attribute | |
JP7006403B2 (ja) | クラスタリングプログラム、クラスタリング方法およびクラスタリング装置 | |
US20230306956A1 (en) | Flexible text-to-speech for screen readers | |
CN114565093A (zh) | 一种基于参数分层的深度学习神经网络参数调优的方法 | |
Cadenas et al. | Improving a fuzzy discretization process by bagging | |
Cervantes et al. | A New Approach to Detect Splice-Sites Based on Support Vector Machines and a Genetic Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20101013 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121011 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121207 |
|
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: 20121228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130110 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160201 Year of fee payment: 3 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5187635 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |