JP6182242B1 - データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム - Google Patents
データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム Download PDFInfo
- Publication number
- JP6182242B1 JP6182242B1 JP2016117073A JP2016117073A JP6182242B1 JP 6182242 B1 JP6182242 B1 JP 6182242B1 JP 2016117073 A JP2016117073 A JP 2016117073A JP 2016117073 A JP2016117073 A JP 2016117073A JP 6182242 B1 JP6182242 B1 JP 6182242B1
- Authority
- JP
- Japan
- Prior art keywords
- model
- teacher
- group
- machine learning
- label
- 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
Landscapes
- Image Analysis (AREA)
Abstract
Description
データに対するラベリングを行うためのラベリングモデルを機械学習によって作成する、機械学習方法であって、
前記機械学習方法は、少なくとも、
第1ラベルを持つテストデータと、
第1ラベルを持たないテストデータと、
第1ラベルを持つ教師データと、
第1ラベルを持たない教師データと、
良グループに属する模範教師データと、
不良グループに属する模範教師データと、
を用いて実行される、機械学習方法において、
前記機械学習方法は、
模範教師データに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定する、第1教師判定ステップと、
良グループに属する教師データおよび不良グループに属する教師データに基づき、第1ラベリングモデルを作成する、第1ラベリングモデル作成ステップと、
第1ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第1予測ステップと、
第1予測ステップに係る第1予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち良グループに属する模範教師データとする、第1模範追加ステップと、
を備える。
特定の実施態様によれば、
前記第1ラベリングモデル作成ステップは、
1つ以上の教師データに基づき、第1ラベリングモデルを修正するステップと、
第1ラベリングモデルの修正が収束するか否かを判定するステップと、
を反復して実行することを含み、
前記機械学習方法は、
第1ラベリングモデルの修正が収束しない場合に、良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第2ラベリングモデルを作成するステップと、
第2ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第2予測ステップと、
第2予測ステップに係る第2予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち不良グループに属する模範教師データとする、第2模範追加ステップと、
をさらに備える。
特定の実施態様によれば、
前記第1予測精度が前記所定の基準より低い場合に、良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第2ラベリングモデルを作成するステップと、
第2ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第2予測ステップと、
第2予測ステップに係る第2予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち不良グループに属する模範教師データとする、第2模範追加ステップと、
をさらに備える。
特定の実施態様によれば、第1模範追加ステップは、良グループに属する教師データを、良グループに属する模範教師データとするステップを含む。
特定の実施態様によれば、
第1模範追加ステップの後に、模範教師データに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定する、第2教師判定ステップと、
良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第5ラベリングモデルを作成するステップと、
をさらに備える。
特定の実施態様によれば、
前記第1教師判定ステップは、
第1ラベルを持ち良グループに属する模範教師データおよび第1ラベルを持ち不良グループに属する模範教師データに基づき、第3ラベリングモデルを作成するステップと、
第3ラベリングモデルに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定するステップと
を含む。
特定の実施態様によれば、ラベリングモデルは、複数のニューロン層を備えるニューラルネットワークにおいて、異なる層のニューロンを結合する重みを用いて定義される。
また、この発明に係るコンピュータは、上述の方法を実行する。
また、この発明に係るプログラムは、コンピュータに上述の方法を実行させる。
実施の形態1.
図1に、本発明の実施の形態1に係る機械学習システム10の構成の例を示す。機械学習システム10は、データに対するラベリングを行うためのラベリングモデルを機械学習によって作成する、機械学習方法を実行するシステムである。機械学習システム10は、本明細書に記載される方法を実行するコンピュータである。
図2および図3は、機械学習システム10(より厳密には、演算手段11。以下同じ)が実行する第1教師判定ステップ(第1教師判定処理)に係る動作を説明する図である。図2は処理の流れを説明するフローチャートであり、図3は各画像に関する動作の概略を説明する図である。
実施の形態1では、データはすべて画像データであるが、機械学習によってラベリングを行うことが可能なデータであれば、任意の他の種類のデータ(文書データ、数値データ等)を用いてもよい。
Claims (9)
- データに対するラベリングを行うためのラベリングモデルを機械学習によって作成する、機械学習方法であって、
前記機械学習方法は、少なくとも、
第1ラベルを持つテストデータと、
第1ラベルを持たないテストデータと、
第1ラベルを持つ教師データと、
第1ラベルを持たない教師データと、
良グループに属する模範教師データと、
不良グループに属する模範教師データと、
を用いて実行される、機械学習方法において、
前記機械学習方法は、
模範教師データに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定する、第1教師判定ステップと、
良グループに属する教師データおよび不良グループに属する教師データに基づき、第1ラベリングモデルを作成する、第1ラベリングモデル作成ステップと、
第1ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第1予測ステップと、
第1予測ステップに係る第1予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち良グループに属する模範教師データとする、第1模範追加ステップと、
を備える、機械学習方法。 - 前記第1ラベリングモデル作成ステップは、
1つ以上の教師データに基づき、第1ラベリングモデルを修正するステップと、
第1ラベリングモデルの修正が収束するか否かを判定するステップと、
を反復して実行することを含み、
前記機械学習方法は、
第1ラベリングモデルの修正が収束しない場合に、良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第2ラベリングモデルを作成するステップと、
第2ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第2予測ステップと、
第2予測ステップに係る第2予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち不良グループに属する模範教師データとする、第2模範追加ステップと、
をさらに備える、請求項1に記載の機械学習方法。 - 前記第1予測精度が前記所定の基準より低い場合に、良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第2ラベリングモデルを作成するステップと、
第2ラベリングモデルに基づき、複数のテストデータについて、第1ラベルを持つか否かを予測する、第2予測ステップと、
第2予測ステップに係る第2予測精度が所定の基準より高い場合に、第1ラベルを持ち不良グループに属する教師データを、第1ラベルを持ち不良グループに属する模範教師データとする、第2模範追加ステップと、
をさらに備える、請求項1または2に記載の機械学習方法。 - 第1模範追加ステップは、良グループに属する教師データを、良グループに属する模範教師データとするステップを含む、請求項1〜3のいずれか一項に記載の機械学習方法。
- 第1模範追加ステップの後に、模範教師データに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定する、第2教師判定ステップと、
良グループに属する教師データに基づき、不良グループに属する教師データに基づかずに、第5ラベリングモデルを作成するステップと、
をさらに備える、請求項1〜4のいずれか一項に記載の機械学習方法。 - 前記第1教師判定ステップは、
第1ラベルを持ち良グループに属する模範教師データおよび第1ラベルを持ち不良グループに属する模範教師データに基づき、第3ラベリングモデルを作成するステップと、
第3ラベリングモデルに基づき、第1ラベルを持つ教師データについて、良グループに属するか否かおよび不良グループに属するか否かを判定するステップと
を含む、請求項1〜5のいずれか一項に記載の機械学習方法。 - ラベリングモデルは、複数のニューロン層を備えるニューラルネットワークにおいて、異なる層のニューロンを結合する重みを用いて定義される、請求項1〜6のいずれか一項に記載の機械学習方法。
- 請求項1〜7のいずれか一項に記載の方法を実行するコンピュータ。
- コンピュータに請求項1〜7のいずれか一項に記載の方法を実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016117073A JP6182242B1 (ja) | 2016-06-13 | 2016-06-13 | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016117073A JP6182242B1 (ja) | 2016-06-13 | 2016-06-13 | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6182242B1 true JP6182242B1 (ja) | 2017-08-16 |
JP2017224027A JP2017224027A (ja) | 2017-12-21 |
Family
ID=59605056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016117073A Active JP6182242B1 (ja) | 2016-06-13 | 2016-06-13 | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6182242B1 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101879735B1 (ko) * | 2017-03-15 | 2018-07-18 | (주)넥셀 | 자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법 |
CN108416495A (zh) * | 2018-01-30 | 2018-08-17 | 杭州排列科技有限公司 | 基于机器学习的评分卡模型建立方法及装置 |
WO2019132170A1 (ko) * | 2017-12-28 | 2019-07-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
CN110298529A (zh) * | 2019-01-10 | 2019-10-01 | 广州市易纬电子有限公司 | 劳动效果画像方法、设备、可读存储介质及计算机设备 |
CN111144216A (zh) * | 2019-11-27 | 2020-05-12 | 北京三快在线科技有限公司 | 图片标签的生成方法、装置、电子设备及可读存储介质 |
CN111788582A (zh) * | 2018-04-10 | 2020-10-16 | 三星电子株式会社 | 电子设备及其控制方法 |
CN111837143A (zh) * | 2018-03-16 | 2020-10-27 | 三菱电机株式会社 | 学习装置及学习方法 |
CN113268914A (zh) * | 2020-02-14 | 2021-08-17 | 聚积科技股份有限公司 | 发光二极管调屏标准判定模型建立方法 |
JP7189617B2 (ja) | 2019-10-20 | 2022-12-14 | ゼンキ工業株式会社 | 回転破砕機 |
US11869655B2 (en) | 2019-03-28 | 2024-01-09 | Olympus Corporation | Information processing system, endoscope system, information storage medium, and information processing method |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7115207B2 (ja) * | 2018-10-11 | 2022-08-09 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
KR102147097B1 (ko) * | 2018-10-31 | 2020-08-24 | 주식회사 메디치소프트 | 머신러닝을 위한 학습데이터 세트의 구성 방법 및 장치 |
CN110232346A (zh) * | 2019-06-06 | 2019-09-13 | 南京睦泽信息科技有限公司 | 一种基于深度学习的视频智能分析系统 |
KR102524151B1 (ko) * | 2020-12-14 | 2023-04-21 | 주식회사 아이디알인비전 | 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법 |
CN113111968B (zh) * | 2021-04-30 | 2024-03-22 | 北京大米科技有限公司 | 图像识别模型训练方法、装置、电子设备和可读存储介质 |
JP7484868B2 (ja) | 2021-10-27 | 2024-05-16 | 横河電機株式会社 | 操業システム、操業方法、および、操業プログラム、ならびに、評価モデル生成装置、評価モデル生成方法、および、評価モデル生成プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009282686A (ja) * | 2008-05-21 | 2009-12-03 | Toshiba Corp | 分類モデル学習装置および分類モデル学習方法 |
JP2010211468A (ja) * | 2009-03-10 | 2010-09-24 | Toyota Central R&D Labs Inc | 学習モデル生成装置、対象物検出システム、及びプログラム |
JP2011175540A (ja) * | 2010-02-25 | 2011-09-08 | Fuji Electric Co Ltd | 予測・診断モデルの構築装置 |
-
2016
- 2016-06-13 JP JP2016117073A patent/JP6182242B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009282686A (ja) * | 2008-05-21 | 2009-12-03 | Toshiba Corp | 分類モデル学習装置および分類モデル学習方法 |
JP2010211468A (ja) * | 2009-03-10 | 2010-09-24 | Toyota Central R&D Labs Inc | 学習モデル生成装置、対象物検出システム、及びプログラム |
JP2011175540A (ja) * | 2010-02-25 | 2011-09-08 | Fuji Electric Co Ltd | 予測・診断モデルの構築装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101879735B1 (ko) * | 2017-03-15 | 2018-07-18 | (주)넥셀 | 자동적인 학습데이터 생성 방법 및 장치와 이를 이용하는 자가 학습 장치 및 방법 |
WO2019132170A1 (ko) * | 2017-12-28 | 2019-07-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
CN108416495A (zh) * | 2018-01-30 | 2018-08-17 | 杭州排列科技有限公司 | 基于机器学习的评分卡模型建立方法及装置 |
CN111837143A (zh) * | 2018-03-16 | 2020-10-27 | 三菱电机株式会社 | 学习装置及学习方法 |
CN111788582A (zh) * | 2018-04-10 | 2020-10-16 | 三星电子株式会社 | 电子设备及其控制方法 |
CN110298529A (zh) * | 2019-01-10 | 2019-10-01 | 广州市易纬电子有限公司 | 劳动效果画像方法、设备、可读存储介质及计算机设备 |
US11869655B2 (en) | 2019-03-28 | 2024-01-09 | Olympus Corporation | Information processing system, endoscope system, information storage medium, and information processing method |
JP7189617B2 (ja) | 2019-10-20 | 2022-12-14 | ゼンキ工業株式会社 | 回転破砕機 |
CN111144216A (zh) * | 2019-11-27 | 2020-05-12 | 北京三快在线科技有限公司 | 图片标签的生成方法、装置、电子设备及可读存储介质 |
CN113268914A (zh) * | 2020-02-14 | 2021-08-17 | 聚积科技股份有限公司 | 发光二极管调屏标准判定模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2017224027A (ja) | 2017-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6182242B1 (ja) | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム | |
US11790238B2 (en) | Multi-task neural networks with task-specific paths | |
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
JP6441980B2 (ja) | 教師画像を生成する方法、コンピュータおよびプログラム | |
US20190354810A1 (en) | Active learning to reduce noise in labels | |
CN111602148A (zh) | 正则化神经网络架构搜索 | |
US11170264B2 (en) | Labeling using interactive assisted segmentation | |
US20230153622A1 (en) | Method, Apparatus, and Computing Device for Updating AI Model, and Storage Medium | |
US11416760B2 (en) | Machine learning based user interface controller | |
WO2020232874A1 (zh) | 基于迁移学习的建模方法、装置、计算机设备和存储介质 | |
KR20220038907A (ko) | 생성적 대립 신경망(gan) 기반의 데이터 예측 방법, 그리고 이를 구현하기 위한 장치 | |
US20200234196A1 (en) | Machine learning method, computer-readable recording medium, and machine learning apparatus | |
CN115244587A (zh) | 高效基础事实注释 | |
JP2021193615A (ja) | 量子データの処理方法、量子デバイス、コンピューティングデバイス、記憶媒体、及びプログラム | |
US11574096B1 (en) | Systems and methods for time series simulation | |
US11775867B1 (en) | System and methods for evaluating machine learning models | |
KR20210149530A (ko) | 이미지 분류 모델 학습 방법 및 이를 수행하기 위한 장치 | |
JP2019040335A (ja) | 教師データを生成する方法、学習済みモデルを生成する方法、学習済みモデル、コンピュータおよびプログラム | |
US11556848B2 (en) | Resolving conflicts between experts' intuition and data-driven artificial intelligence models | |
US10885593B2 (en) | Hybrid classification system | |
KR20200038072A (ko) | 엔트로피 기반 신경망(Neural Networks) 부분학습 방법 및 시스템 | |
KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
US11688175B2 (en) | Methods and systems for the automated quality assurance of annotated images | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170629 |
|
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: 20170711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170721 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6182242 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
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 |