JP5899272B2 - 算出装置、算出方法及び算出プログラム - Google Patents
算出装置、算出方法及び算出プログラム Download PDFInfo
- Publication number
- JP5899272B2 JP5899272B2 JP2014126546A JP2014126546A JP5899272B2 JP 5899272 B2 JP5899272 B2 JP 5899272B2 JP 2014126546 A JP2014126546 A JP 2014126546A JP 2014126546 A JP2014126546 A JP 2014126546A JP 5899272 B2 JP5899272 B2 JP 5899272B2
- Authority
- JP
- Japan
- Prior art keywords
- calculation
- coupling coefficient
- dnn
- neuron
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims description 236
- 230000008878 coupling Effects 0.000 claims description 134
- 238000010168 coupling process Methods 0.000 claims description 134
- 238000005859 coupling reaction Methods 0.000 claims description 134
- 238000000034 method Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 description 213
- 238000012545 processing Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Description
まず、図1を用いて、実施形態に係る算出処理の一例について説明する。図1は、実施形態に係る算出装置による算出処理の一例を示す説明図である。図1の例では、算出装置100によってデータの特徴を識別可能なDNNの結合係数を算出する算出処理が行われる例を示す。
次に、図2を用いて、実施形態に係る算出装置100の構成について説明する。図2は、実施形態に係る算出装置100の構成例を示す図である。図2に示すように、算出装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、算出装置100は、算出装置100を利用する管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
通信部110は、例えば、NIC等によって実現される。かかる通信部110は、ネットワークと有線又は無線で接続され、ネットワークを介して、各種のサーバ装置や端末装置やノードとの間で情報の送受信を行う。
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部120は、DNN情報記憶部121を有する。
DNN情報記憶部121は、DNNに関する情報を記憶する。具体的には、DNN情報記憶部121は、ノードごとに、DNNに含まれるノード間の結合係数に関する情報を記憶する。例えば、DNN情報記憶部121は、新たに追加された新規ニューロンと他のニューロンとの間の結合係数を記憶する。ここで、図3に、実施形態に係るDNN情報記憶部121の一例を示す。図3に示すように、DNN情報記憶部121は、「ニューロンID」、「結合先ニューロンID」、「結合係数」といった項目を有する。
制御部130は、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、算出装置100内部の記憶装置に記憶されている各種プログラム(算出プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
追加部131は、DNNに新規ノードを追加する。具体的には、追加部131は、入力データに対する演算結果を出力する複数のニューロンを接続したネットワークであって所定のクラスに含まれるサブクラスに属するデータの特徴を抽出する結合係数が複数のニューロン間に設定されたネットワークに対して新規ニューロンを追加する。例えば、追加部131は、DNNを構成するニューロン群に新規ニューロンを追加する。ここで、追加部131は、新規ニューロンと他のニューロンとの間の結合係数を初期値「0」としてDNN情報記憶部121に記憶する。
受付部132は、入力データを受け付ける。具体的には、受付部132は、識別対象の特徴を学習するために学習用の入力データを受け付ける。例えば、受付部132は、識別対象が描出された画像データを学習用の入力データとして受け付ける。一例としては、受付部132は、DNNがA社製の洋服を識別可能な場合には、C社製の洋服が描出された画像データを学習用の入力データとして受け付ける。
算出部133は、DNNに含まれるノード間の結合係数を算出する。具体的には、算出部133は、受付部132によって受け付けられたデータをネットワークに入力した場合の出力結果に基づいて、追加部131によって追加された新規ニューロンと他のニューロンとの間の結合係数を算出する。例えば、算出部133は、バックプロパゲーション法により新規ニューロンと他のニューロンとの間の結合係数を算出する。
出力部134は、DNNを出力する。具体的には、出力部134は、学習済みのDNNに対して新規ニューロンが追加されたDNNであって、算出部133が算出した結合係数が設定されたDNNを生成し、生成したDNNを利用者が使用する利用者端末等に出力する。なお、図2に示す例では、記載を省略したが、例えば、算出装置100は、ネットワークNなどを介して、利用者端末に生成したDNNを送信してもよい。
次に、図4を用いて、実施形態に係る算出装置100による算出処理の手順について説明する。図4は、実施形態に係る算出装置100による算出処理手順を示すフローチャートである。
上述した実施形態に係る算出装置100は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の算出装置100の他の実施形態について説明する。
上記実施形態では、算出装置100は、入力データに対する演算結果を出力する複数のニューロンを接続したネットワークであって所定のクラスに含まれる第1のサブクラスに属するデータの特徴を抽出する結合係数が複数のニューロン間に設定されたネットワークに対して新規ニューロンを追加する例を示した。ここで、算出装置100は、ネットワークに含まれるニューロンと新規ニューロンとの間の結合係数を任意の初期値に設定して新規ニューロンをネットワークに対して追加してもよい。
上記実施形態では、算出装置100は、DNNの入力層に新規ニューロンを追加する例を示した。ここで、算出装置100は、新規ニューロンをDNNの入力層に限らず、任意の層に追加してもよい。
上記実施形態では、算出装置100は、DNNに新規ニューロンを追加する例を示した。ここで、算出装置100は、オートエンコーダに対して新規ニューロンを追加してもよい。
上記実施形態では、算出装置100は、DNNに1個の新規ニューロンを追加する例を示した。ここで、算出装置100は、1個の新規ニューロンに限らず、任意の数の新規ニューロンをDNNに対して追加してもよい。例えば、算出装置100は、複数の新規ニューロンを含むニューロン群であって既に特定の対象について学習済みのニューロン群をDNNに追加する。
上記実施形態では、算出装置100は、新規ニューロンと他のニューロンのうち新規ニューロンを追加した層より出力層側に位置する上段ニューロンとの間の結合係数を算出する例を示した。ここで、算出装置100は、新規ニューロンと上段ニューロンとの間の結合係数に限らず、新規ニューロンと他のニューロンのうち新規ニューロンを追加した層より入力層側に位置する下段ニューロンとの間の結合係数を算出してもよい。
上記実施形態では、算出装置100は、DNNに含まれるニューロンと新規ニューロンとの間の結合係数を算出する処理手順の例を示した。ここで、算出装置100は、上述した処理手順に限らず、各種の処理を任意の順に行ってもよい。
上記実施形態では、算出装置100は、3つの層によって構成されるDNNに新規ニューロンを追加する例を示した。ここで、算出装置100は、上述した例に限らず、任意の数の層によって構成されたDNNに対して新規ニューロンを追加してもよい。例えば、算出装置100は、中間層に複数のニューロン群が含まれる多段のDNNに対して新規ニューロンを追加する。また、DNNに含まれるニューロン群は、上述した例に限らず、任意の数のニューロンによって構成されてもよい。
上記実施形態では、算出装置100は、画像データに描出されたものを識別する画像認識の適用例を示した。ここで、算出装置100は、画像認識に限らず、各種の認識に適用してもよい。例えば、算出装置100は、音声を対象とする音声認識に適用する。これにより、算出装置100は、音声データを入力データとして入力することで、話者を識別することができる。例えば、算出装置100は、音声データに含まれる音声を発した話者の性別や年齢などを識別することができる。
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上述してきた実施形態に係る算出装置100は、例えば図5に示すような構成のコンピュータ1000によって実現される。以下、算出装置100を例に挙げて説明する。図5は、算出装置100の機能を実現するコンピュータ1000の一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、およびメディアインターフェイス(I/F)1700を有する。
上述してきたように、実施形態に係る算出装置100は、追加部131と、受付部132と、算出部133とを有する。追加部131は、入力データに対する演算結果を出力する複数のノードを接続したネットワークであって所定のクラスに含まれる第1のサブクラスに属するデータの特徴を学習済みのネットワークに対して新規ノードを追加する。受付部132は、所定のクラスに含まれる第2のサブクラスに属する学習用のデータを入力データとして受け付ける。算出部133は、受付部132によって受け付けられた学習用のデータをネットワークに入力した場合の出力結果に基づいて、第2のサブクラスに属する学習用のデータの特徴を学習するように、追加部131によって追加された新規ノードと他のノードとの間の結合係数を算出する。
121 DNN情報記憶部
122 特徴情報記憶部
131 追加部
132 受付部
133 算出部
134 出力部
Claims (9)
- 入力データに対する演算結果を出力する複数のノードを接続したネットワークであって所定のクラスに含まれる第1のサブクラスに属するデータの特徴を学習済みの既存のネットワークに対して新規ノードを追加する追加部と、
前記所定のクラスに含まれる第2のサブクラスに属する学習用のデータを入力データとして受け付ける受付部と、
前記受付部によって受け付けられた学習用のデータを前記ネットワークに入力した場合の出力結果に基づいて、前記第2のサブクラスに属する学習用のデータの特徴をさらに学習するように、前記追加部によって追加された新規ノードと他のノードとの間の結合係数を算出する算出部と
を備えたことを特徴とする算出装置。 - 前記算出部は、
前記結合係数として、前記学習用のデータを前記ネットワークに入力した場合の出力結果と前記学習用のデータに対応する正しい出力結果との間の誤差を最小とする結合係数を算出する
ことを特徴とする請求項1に記載の算出装置。 - 前記算出部は、
前記追加部によって追加された新規ノードと他のノードとの間の結合係数として、前記他のノード間の結合係数を不変にして前記誤差を最小とする結合係数を算出する
ことを特徴とする請求項2に記載の算出装置。 - 前記算出部は、
前記追加部によって追加された新規ノードと他のノードとの間の結合係数を、前記ネットワークに含まれるノードのうち上位層に近いノードとの間の結合係数から順に前記誤差を最小とする結合係数を算出する
ことを特徴とする請求項2または3に記載の算出装置。 - 前記追加部は、
前記ネットワークに含まれるノードと前記新規ノードとの間の結合係数を前記出力結果に影響を与えない初期値にして前記新規ノードを前記ネットワークに対して追加する
ことを特徴とする請求項1〜4のいずれか1つに記載の算出装置。 - 前記算出部によって算出された結合係数を前記学習用のデータが有する特徴を示す特徴量ベクトルとして出力する出力部
をさらに備えることを特徴とする請求項1〜5のいずれか1つに記載の算出装置。 - 前記新規ノードが追加され、各ノード間の結合係数を前記算出部によって算出された結合係数に設定したネットワークを出力する出力部
をさらに備えることを特徴とする請求項1〜5のいずれか1つに記載の算出装置。 - 算出装置が実行する算出方法であって、
入力データに対する演算結果を出力する複数のノードを接続したネットワークであって所定のクラスに含まれる第1のサブクラスに属するデータの特徴を学習済みの既存のネットワークに対して新規ノードを追加する追加工程と、
前記所定のクラスに含まれる第2のサブクラスに属する学習用のデータを入力データとして受け付ける受付工程と、
前記受付工程によって受け付けられた学習用のデータを前記ネットワークに入力した場合の出力結果に基づいて、前記第2のサブクラスに属する学習用のデータの特徴をさらに学習するように、前記追加工程によって追加された新規ノードと他のノードとの間の結合係数を算出する算出工程と
を含んだことを特徴とする算出方法。 - 入力データに対する演算結果を出力する複数のノードを接続したネットワークであって所定のクラスに含まれる第1のサブクラスに属するデータの特徴を学習済みの既存のネットワークに対して新規ノードを追加する追加手順と、
前記所定のクラスに含まれる第2のサブクラスに属する学習用のデータを入力データとして受け付ける受付手順と、
前記受付手順によって受け付けられた学習用のデータを前記ネットワークに入力した場合の出力結果に基づいて、前記第2のサブクラスに属する学習用のデータの特徴をさらに学習するように、前記追加手順によって追加された新規ノードと他のノードとの間の結合係数を算出する算出手順と
をコンピュータに実行させることを特徴とする算出プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014126546A JP5899272B2 (ja) | 2014-06-19 | 2014-06-19 | 算出装置、算出方法及び算出プログラム |
US14/465,147 US10346742B2 (en) | 2014-06-19 | 2014-08-21 | Calculation device, calculation method, and recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014126546A JP5899272B2 (ja) | 2014-06-19 | 2014-06-19 | 算出装置、算出方法及び算出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016004547A JP2016004547A (ja) | 2016-01-12 |
JP5899272B2 true JP5899272B2 (ja) | 2016-04-06 |
Family
ID=54869978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014126546A Active JP5899272B2 (ja) | 2014-06-19 | 2014-06-19 | 算出装置、算出方法及び算出プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US10346742B2 (ja) |
JP (1) | JP5899272B2 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5899272B2 (ja) * | 2014-06-19 | 2016-04-06 | ヤフー株式会社 | 算出装置、算出方法及び算出プログラム |
US10740784B2 (en) * | 2015-08-11 | 2020-08-11 | Amazon Technologies, Inc. | System and method for improving image-based advertisement success |
JP6615066B2 (ja) * | 2016-07-29 | 2019-12-04 | エヌ・ティ・ティ・コムウェア株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
WO2018189791A1 (ja) * | 2017-04-10 | 2018-10-18 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6758484B2 (ja) * | 2017-04-10 | 2020-09-23 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6864085B2 (ja) * | 2017-04-10 | 2021-04-21 | ソフトバンク株式会社 | 情報処理装置、情報処理方法、およびプログラム |
US10019654B1 (en) | 2017-06-28 | 2018-07-10 | Accenture Global Solutions Limited | Image object recognition |
DE112019000020B4 (de) | 2018-02-05 | 2020-10-15 | Toyota Jidosha Kabushiki Kaisha | Maschinenlernsystem |
US10634081B2 (en) | 2018-02-05 | 2020-04-28 | Toyota Jidosha Kabushiki Kaisha | Control device of internal combustion engine |
EP3885664B1 (en) * | 2018-12-12 | 2023-04-26 | Mitsubishi Electric Corporation | Air conditioning control device and air conditioning control method |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3169635B2 (ja) * | 1991-07-03 | 2001-05-28 | 本田技研工業株式会社 | ニューラルネットワーク及びその学習方法 |
US5276771A (en) | 1991-12-27 | 1994-01-04 | R & D Associates | Rapidly converging projective neural network |
JP2500407B2 (ja) * | 1992-03-06 | 1996-05-29 | フジテック株式会社 | エレベ―タ群管理制御装置の構築方法 |
JPH07160660A (ja) * | 1993-12-02 | 1995-06-23 | Sankyo Seiki Mfg Co Ltd | ニューラルネットワークシステム |
JP3737841B2 (ja) * | 1995-08-22 | 2006-01-25 | 株式会社ジャストシステム | ニューラルネットワーク |
JP2755224B2 (ja) * | 1995-08-28 | 1998-05-20 | 日本電気株式会社 | 文字数拡大方式 |
US6513023B1 (en) * | 1999-10-01 | 2003-01-28 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Artificial neural network with hardware training and hardware refresh |
US6898583B1 (en) * | 2000-01-24 | 2005-05-24 | Sony Corporation | Method and apparatus of creating application-specific, non-uniform wavelet transforms |
EP1949313A4 (en) | 2005-11-15 | 2010-03-31 | Bernadette Garner | METHOD FOR TRAINING NEURAL NETWORKS |
JP4673787B2 (ja) * | 2006-05-10 | 2011-04-20 | 本田技研工業株式会社 | 内燃機関の空燃比制御装置 |
JP5467951B2 (ja) * | 2010-07-05 | 2014-04-09 | 本田技研工業株式会社 | ニューラルネットワーク学習装置 |
JP5844854B2 (ja) * | 2014-06-19 | 2016-01-20 | ヤフー株式会社 | 提供装置、提供方法及び提供プログラム |
JP5899272B2 (ja) * | 2014-06-19 | 2016-04-06 | ヤフー株式会社 | 算出装置、算出方法及び算出プログラム |
-
2014
- 2014-06-19 JP JP2014126546A patent/JP5899272B2/ja active Active
- 2014-08-21 US US14/465,147 patent/US10346742B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20150371149A1 (en) | 2015-12-24 |
JP2016004547A (ja) | 2016-01-12 |
US10346742B2 (en) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5899272B2 (ja) | 算出装置、算出方法及び算出プログラム | |
US11023806B2 (en) | Learning apparatus, identifying apparatus, learning and identifying system, and recording medium | |
JP2016004548A (ja) | 提供装置、提供方法及び提供プログラム | |
JP6523498B1 (ja) | 学習装置、学習方法および学習プログラム | |
US8839441B2 (en) | Method and system for adaptive vulnerability scanning of an application | |
US20200065471A1 (en) | Security verification method and relevant device | |
US10762391B2 (en) | Learning device, learning method, and storage medium | |
JP6567488B2 (ja) | 学習データ生成装置、開発データ生成装置、モデル学習装置、それらの方法、及びプログラム | |
CN109859113B (zh) | 模型生成方法、图像增强方法、装置及计算机可读存储介质 | |
US20170116517A1 (en) | System and method for generating material compositions | |
WO2019091402A1 (zh) | 年龄预估方法和装置 | |
US10185725B1 (en) | Image annotation based on label consensus | |
JP6148265B2 (ja) | 学習装置、学習方法、およびプログラム | |
WO2017197330A1 (en) | Two-stage training of a spoken dialogue system | |
JP7055769B2 (ja) | データ生成装置、データ生成方法およびプログラム | |
JP2017111733A (ja) | 学習装置、学習方法および学習プログラム | |
US11676030B2 (en) | Learning method, learning apparatus, and computer-readable recording medium | |
JP2021051589A5 (ja) | ||
JP2018500686A (ja) | マーチャントのビジネスサークル情報の確定 | |
JP2020177582A (ja) | 学習装置、学習方法、プログラムおよび認識装置 | |
Xiao et al. | Fed-grab: Federated long-tailed learning with self-adjusting gradient balancer | |
JP6910873B2 (ja) | 特定装置および特定方法 | |
JP5953384B1 (ja) | 学習装置、学習方法、およびプログラム | |
JP7348945B2 (ja) | 情報処理方法、および、情報処理システム | |
JP5809663B2 (ja) | 分類精度推定装置、分類精度推定方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20151007 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20151015 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151020 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151218 |
|
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: 20160223 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160307 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5899272 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |