JP6212217B2 - 機械学習における重みの生成 - Google Patents
機械学習における重みの生成 Download PDFInfo
- Publication number
- JP6212217B2 JP6212217B2 JP2016532125A JP2016532125A JP6212217B2 JP 6212217 B2 JP6212217 B2 JP 6212217B2 JP 2016532125 A JP2016532125 A JP 2016532125A JP 2016532125 A JP2016532125 A JP 2016532125A JP 6212217 B2 JP6212217 B2 JP 6212217B2
- Authority
- JP
- Japan
- Prior art keywords
- weight
- processor
- distribution
- training
- test
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
ここで、ωiは、点130のうちの特定の点iの重み112であってもよい。μcは、(たとえば、「Bin1」、「Bin2」、「Bin3」および/または「Bin4」などのような)特定のビン内の、テストデータ120の点131の度数と、特定のコーディネイトcに対する重み重要度パラメータ140を伴う係数で乗算された、特定のビン内の、トレーニングデータ118の点130の重み付き度数との差を定量化することができる。一部の例において、μcは、(コーディネイト210の)各コーディネイトcについて計算されてもよい。Cは、コーディネイト210の総数を表すことができる。θcは、どのビンに、点130の、特定の点iが収まるかを決定することができる関数である。λcは、重み重要度パラメータ140を表すことができる。λcは、重み112が、トレーニング分布をテスト分布と一致および/または適合させることに有効となり得る度合いを制御するように調整されてもよい。
ここで、ncは、コーディネイト210のうちの、特定のコーディネイトCの、各ビン内の、トレーニングデータ118の点の数を表し得る現行カウント値を保持することができるベクトルであってもよい。NRは、トレーニングデータ118内の点130の数を表すことができる。νcは、点130の総数と相対的な、コーディネイト210のうちの特定のコーディネイトCに対して、(たとえば、「Bin1」、「Bin2」、「Bin3」および/または「Bin4」などのような)特定のビンに出現するテストデータ120内の点の度数を表すことができる。λcは、重み重要度パラメータ140を表すことができる。重み生成モジュール108は、式(1)でμcの値を使用して、重み112を決定および/または計算することができる。
μ’new=α*μnew+(1−α)*μold (3)
ただし、α=0.1またはα=0.01
ここで、μoldは、μnewを計算するために式(2)の以前の反復中に使用されたμの値であってもよい。式(3)は、μnewおよびμoldを使用してμ’newを計算することができ、その値は式(2)の後続の反復に使用されてもよい。αは、式(2)を繰り返す間に、μの新しい値(たとえば、μ’new)がμの以前の値(たとえば、μold)に依存する度合いを制御するために使用されてもよい。
本明細書においてさまざまな態様および実施形態が開示されたが、その他の態様および実施形態が可能である。本明細書において開示されるさまざまな態様および実施形態は、説明のためのものであって、限定的であることを意図しておらず、真の範囲および精神は後段の特許請求の範囲により示される。
Claims (20)
- 機械学習環境において重みを決定するための方法であって、
プロセッサにより、トレーニングデータのトレーニング分布を識別することと、
前記プロセッサにより、テストデータのテスト分布に関する情報を識別することと、
前記プロセッサにより、前記トレーニングデータと前記テストデータのコーディネイトを識別することと、
前記プロセッサにより、前記コーディネイトについて、前記テスト分布と前記トレーニング分布との差を決定することと、
前記プロセッサにより、前記コーディネイトの重み重要度パラメータを識別することと、
前記プロセッサにより、前記差に基づいて、および前記重み重要度パラメータに基づいて重みを計算することと、を備える方法であって、
前記重みは、前記トレーニング分布を前記テスト分布に適合させるように構成され、前記重み重要度パラメータは、前記トレーニング分布を前記テスト分布に適合させる度合いを制御するためのパラメータである、
方法。 - 前記コーディネイトは第1のコーディネイトを含み、前記重み重要度パラメータは第1の重み重要度パラメータを含み、
前記プロセッサにより、前記トレーニングデータと前記テストデータの第2のコーディネイトを識別することと、
前記プロセッサにより、前記第2のコーディネイトについて、前記テスト分布と前記トレーニング分布との差を決定することと、
前記プロセッサにより、前記第2のコーディネイトの第2の重み重要度パラメータを識別することであって、前記第2の重み重要度パラメータは、前記第1の重み重要度パラメータとは異なることとをさらに備え、
前記重みを計算することは、前記第2の重み重要度パラメータにさらに基づく、請求項1に記載の方法。 - 前記トレーニングデータおよび前記重みに基づいて関数を生成することと、
前記テストデータを前記関数に入力として適用することと、
前記関数への前記テストデータの前記適用に応答して、ラベルを生成することとをさらに備える、請求項1に記載の方法。 - 前記ラベルは、推奨、分類、予測、および決定のうちの少なくとも1つを含む、請求項3に記載の方法。
- 前記トレーニングデータは、第1の時間のインスタンスにおいて生成され、
前記テストデータは、第2の時間のインスタンスにおいて生成され、前記第2の時間のインスタンスは、前記第1の時間のインスタンスよりも後である、請求項1に記載の方法。 - 前記重みを計算することは、
前記トレーニングデータと前記テストデータとの差を繰り返し決定することであって、前記重みは、前記トレーニングデータと前記テストデータとの前記差の収束値に基づいて計算されることを備える、請求項1に記載の方法。 - 前記トレーニングデータは複数の点を含み、前記コーディネイトはコーディネイト空間内の値の範囲を含み、
前記方法は、前記コーディネイト空間内の値の前記範囲を複数のビンに分割することをさらに備え、
前記重みを計算することは、前記トレーニングデータ内の点の数および前記複数のビンの数にさらに基づく、請求項1に記載の方法。 - 前記テストデータおよび前記トレーニングデータは、それぞれ第1および第2の点を含み、前記コーディネイトはコーディネイト空間内の値の範囲を含み、
前記方法は、前記コーディネイト空間内の値の前記範囲を複数のビンに分割することをさらに備え、
前記重みを計算することは、前記複数のビン内に位置する前記第1および第2の点の数にさらに基づく、請求項1に記載の方法。 - 機械学習環境において重みを決定するための方法であって、
プロセッサにより、トレーニングデータのトレーニング分布を識別することと、
前記プロセッサにより、テストデータのテスト分布に関する情報を識別することと、
前記プロセッサにより、前記トレーニングデータと前記テストデータのコーディネイトを識別することと、
前記プロセッサにより、前記コーディネイトについて、前記テスト分布と前記トレーニング分布との差を決定することと、
前記プロセッサにより、前記コーディネイトの第1の重み重要度パラメータを識別することと、
前記プロセッサにより、前記差に基づいて、および前記第1の重み重要度パラメータに基づいて第1の重みを計算することであって、前記第1の重みは、前記トレーニング分布を前記テスト分布と適合させるように構成され、前記第1の重み重要度パラメータは、前記トレーニング分布を前記テスト分布に適合させる度合いを制御するためのパラメータである、第1の重みを計算することと、
前記プロセッサにより、前記コーディネイトの第2の重み重要度パラメータを識別することと、
前記プロセッサにより、前記差に基づいて、および前記第2の重み重要度パラメータに基づいて第2の重みを計算することであって、前記第2の重みは、前記トレーニング分布を前記テスト分布と適合させるように構成され、前記第2の重み重要度パラメータは、前記トレーニング分布を前記テスト分布に適合させる度合いを制御するためのパラメータであり、前記第2の重み重要度パラメータは、前記第1の重み重要度パラメータとは異なる値を有する、第2の重みを計算することとを備える方法。 - 前記コーディネイトは第1のコーディネイトを含み、
前記方法は、前記トレーニングデータと前記テストデータの第2のコーディネイトを識別することと、
前記プロセッサにより、前記第2のコーディネイトの第3の重み重要度パラメータを識別することであって、前記第3の重み重要度パラメータは、前記第1および第2の重み重要度パラメータとは異なることとをさらに備え、
前記トレーニングデータの前記第1の重みおよび前記第2の重みを計算することは、前記第3の重み重要度パラメータに、少なくとも部分的に、さらに基づく、請求項9に記載の方法。 - 前記トレーニングデータおよび前記重みに基づいて関数を生成することと、
前記テストデータを前記関数に入力として適用することと、
前記関数への前記テストデータの前記適用に応答して、ラベルを生成することとをさらに備える、請求項9に記載の方法。 - 前記ラベルは、推奨、分類、予測、および決定のうちの少なくとも1つを含む、請求項11に記載の方法。
- 前記トレーニングデータは、第1の時間のインスタンスにおいて生成され、
前記テストデータは、第2の時間のインスタンスにおいて生成され、前記第2の時間のインスタンスは、前記第1の時間のインスタンスよりも後である、請求項9に記載の方法。 - 前記重みを計算することは、
前記トレーニングデータと前記テストデータとの差を繰り返し決定することであって、前記重みは、前記トレーニングデータと前記テストデータとの前記差の収束値に基づいて計算されることを備える、請求項9に記載の方法。 - 前記トレーニングデータは複数の点を含み、前記コーディネイトはコーディネイト空間内の値の範囲を含み、
前記方法は、前記コーディネイト空間内の値の前記範囲を複数のビンに分割することをさらに備え、
前記重みを計算することは、前記トレーニングデータ内の点の数および前記複数のビンの数にさらに基づく、請求項9に記載の方法。 - プロセッサと、
前記プロセッサと通信するように構成されたメモリであって、
第1の点を備えるトレーニングデータと、
第2の点を備えるテストデータとを含むメモリとを備え、
前記プロセッサは、
前記第1および第2の点のコーディネイトを識別することであって、前記コーディネイトはコーディネイト空間内の値の範囲を含むことと、
前記コーディネイト空間内の値の前記範囲を複数のビンに分割することであって、それぞれのビンは値の前記範囲のサブセットを定義することと、
第1の度数を決定することであって、前記第1の度数は、特定のビン内に位置する前記第1の点の第1の割合に関連することと、
第2の度数を決定することであって、前記第2の度数は、前記特定のビン内に位置する前記第2の点の第2の割合に関連することと、
前記コーディネイトの重み重要度パラメータを識別することと、
前記第1の度数および前記第2の度数を比較することと、
前記第1および第2の度数の前記比較に少なくとも部分的に基づいて、および前記重み重要度パラメータに基づいて前記トレーニングデータの重みを計算することと、を行うのに有効であり、
前記重みは、前記トレーニングデータを前記テストデータと適合させるように構成され、前記重み重要度パラメータは、前記トレーニングデータを前記テストデータに適合させる度合いを制御するためのパラメータであり、
前記メモリは、前記重みを格納するのに有効である、機械学習システム。 - 前記第1の点はトレーニング分布に従い、
前記第2の点はテスト分布に従い、
前記重みは、前記トレーニング分布内の特定の点を前記テスト分布内の特定の点と適合させるのに有効である、請求項16に記載の機械学習システム。 - 前記度数を比較するために、前記プロセッサは、
第1の比較値を識別することと、
差の値を生成するために、それぞれのビンおよびコーディネイト内の前記テストデータおよび前記トレーニングデータの度数値を比較することと、
前記差の値に基づいて、第2の比較値を生成するように前記第1の比較値を更新することと、
前記第2の比較値が収束するまで、前記第1の比較値の前記識別と、前記差の値を生成するためのそれぞれのビンおよびコーディネイト内の前記テストデータおよび前記トレーニングデータの度数値の前記比較と、前記差の値に基づいて前記第2の比較値を生成するための前記第1の比較値の前記更新とを反復的に繰り返すことと、
前記第2の比較値の収束値を前記メモリに格納することとを行うのにさらに有効である、請求項16に記載の機械学習システム。 - 機械学習モジュールをさらに備え、前記プロセッサは、
前記重みおよび前記トレーニングデータを前記機械学習モジュールに送信することを行うのにさらに有効であり、
それに応答して、前記機械学習モジュールは、
前記重みおよび前記トレーニングデータを前記プロセッサから受信することと、
前記重みおよび前記トレーニングデータに少なくとも部分的に基づいて関数を生成することと、
前記関数を前記メモリに格納することとを行うのに有効である、請求項16に記載の機械学習システム。 - 前記プロセッサは、前記複数のビン内に位置する前記第1および第2の点の数に基づいて前記重みを計算することを行うのに有効である、請求項16に記載の機械学習システム。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361907491P | 2013-11-22 | 2013-11-22 | |
US61/907,491 | 2013-11-22 | ||
US201462015176P | 2014-06-20 | 2014-06-20 | |
US62/015,176 | 2014-06-20 | ||
US14/451,870 | 2014-08-05 | ||
US14/451,870 US9953271B2 (en) | 2013-11-22 | 2014-08-05 | Generation of weights in machine learning |
PCT/US2014/066808 WO2015077557A1 (en) | 2013-11-22 | 2014-11-21 | Generation of weights in machine learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017500639A JP2017500639A (ja) | 2017-01-05 |
JP6212217B2 true JP6212217B2 (ja) | 2017-10-11 |
Family
ID=53180180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016532125A Active JP6212217B2 (ja) | 2013-11-22 | 2014-11-21 | 機械学習における重みの生成 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9953271B2 (ja) |
EP (1) | EP3072069A4 (ja) |
JP (1) | JP6212217B2 (ja) |
KR (1) | KR101868829B1 (ja) |
WO (1) | WO2015077557A1 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10558935B2 (en) * | 2013-11-22 | 2020-02-11 | California Institute Of Technology | Weight benefit evaluator for training data |
US9953271B2 (en) | 2013-11-22 | 2018-04-24 | California Institute Of Technology | Generation of weights in machine learning |
US9858534B2 (en) | 2013-11-22 | 2018-01-02 | California Institute Of Technology | Weight generation in machine learning |
US10535014B2 (en) | 2014-03-10 | 2020-01-14 | California Institute Of Technology | Alternative training distribution data in machine learning |
US10291485B2 (en) * | 2015-10-19 | 2019-05-14 | Nec Corporation | System and method for fault-tolerant parallel learning over non-iid data |
CN107153630B (zh) | 2016-03-04 | 2020-11-06 | 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 |
US11164043B2 (en) * | 2016-04-28 | 2021-11-02 | Nippon Telegraph And Telephone Corporation | Creating device, creating program, and creating method |
KR101926837B1 (ko) | 2017-02-20 | 2018-12-07 | 아주대학교산학협력단 | 데이터 빈도수 기반의 단일 클래스 모델 생성 방법 및 장치 |
US20210256615A1 (en) * | 2017-09-27 | 2021-08-19 | State Farm Mutual Automobile Insurance Company | Implementing Machine Learning For Life And Health Insurance Loss Mitigation And Claims Handling |
KR102016812B1 (ko) * | 2017-11-24 | 2019-10-21 | 한국생산기술연구원 | 데이터 불균형 환경에서 머신러닝 모델을 통해 공정 불량 원인을 도출하고 시각화하는 방법 |
KR102327062B1 (ko) * | 2018-03-20 | 2021-11-17 | 딜로이트컨설팅유한회사 | 임상시험 결과 예측 장치 및 방법 |
US11887003B1 (en) * | 2018-05-04 | 2024-01-30 | Sunil Keshav Bopardikar | Identifying contributing training datasets for outputs of machine learning models |
KR102321039B1 (ko) * | 2019-07-23 | 2021-11-04 | 주식회사 카이 | 머신러닝 기반의 비디오 분류 장치, 방법 및 컴퓨터 프로그램 |
KR20220031966A (ko) * | 2020-09-06 | 2022-03-15 | 조강훈 | 외식 프랜차이즈 커뮤니케이션 시스템 |
KR20230131821A (ko) * | 2021-01-14 | 2023-09-14 | 엘지전자 주식회사 | 모델 스플릿 기반 추론 방법 및 상기 방법을 이용하는 장치 |
Family Cites Families (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2167748A1 (en) | 1995-02-09 | 1996-08-10 | Yoav Freund | Apparatus and methods for machine learning hypotheses |
US6119083A (en) | 1996-02-29 | 2000-09-12 | British Telecommunications Public Limited Company | Training process for the classification of a perceptual signal |
US6373483B1 (en) * | 1997-01-13 | 2002-04-16 | Silicon Graphics, Inc. | Method, system and computer program product for visually approximating scattered data using color to represent values of a categorical variable |
US6594586B1 (en) | 1997-10-28 | 2003-07-15 | California Institute Of Technology | Incorporation of contextual information in object identification |
US7318051B2 (en) | 2001-05-18 | 2008-01-08 | Health Discovery Corporation | Methods for feature selection in a learning machine |
WO1999057622A2 (en) | 1998-05-01 | 1999-11-11 | Barnhill Technologies, Llc | Pre-processing and post-processing for enhancing knowledge discovery using support vector machines |
US6789069B1 (en) | 1998-05-01 | 2004-09-07 | Biowulf Technologies Llc | Method for enhancing knowledge discovered from biological data using a learning machine |
US6850873B1 (en) | 1999-09-29 | 2005-02-01 | Eric T Bax | Using validation by inference to select a hypothesis function |
US7970718B2 (en) * | 2001-05-18 | 2011-06-28 | Health Discovery Corporation | Method for feature selection and for evaluating features identified as significant for classifying data |
US6701311B2 (en) | 2001-02-07 | 2004-03-02 | International Business Machines Corporation | Customer self service system for resource search and selection |
EP1449108A4 (en) | 2001-11-07 | 2006-11-22 | Health Discovery Corp | CLASSIFICATION OF CHARACTERISTICS PRETRATED FOR A SUPPORT VECTOR MACHINE |
US6876955B1 (en) | 2001-12-28 | 2005-04-05 | Fannie Mae | Method and apparatus for predicting and reporting a real estate value based on a weighted average of predicted values |
JP2005044330A (ja) | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
JP2005107743A (ja) | 2003-09-29 | 2005-04-21 | Nec Corp | 学習システム |
US7356187B2 (en) | 2004-04-12 | 2008-04-08 | Clairvoyance Corporation | Method and apparatus for adjusting the model threshold of a support vector machine for text classification and filtering |
US7426497B2 (en) | 2004-08-31 | 2008-09-16 | Microsoft Corporation | Method and apparatus for analysis and decomposition of classifier data anomalies |
US7480667B2 (en) | 2004-12-24 | 2009-01-20 | Microsoft Corporation | System and method for using anchor text as training data for classifier-based search systems |
US7689520B2 (en) | 2005-02-25 | 2010-03-30 | Microsoft Corporation | Machine learning system and method for ranking sets of data using a pairing cost function |
US7877383B2 (en) | 2005-04-27 | 2011-01-25 | Microsoft Corporation | Ranking and accessing definitions of terms |
US7472096B2 (en) | 2005-07-18 | 2008-12-30 | Microsoft Corporation | Training a learning system with arbitrary cost functions |
US7561158B2 (en) | 2006-01-11 | 2009-07-14 | International Business Machines Corporation | Method and apparatus for presenting feature importance in predictive modeling |
EP1818746A1 (en) | 2006-02-10 | 2007-08-15 | ALSTOM Technology Ltd | Method of condition monitoring |
US8019763B2 (en) | 2006-02-27 | 2011-09-13 | Microsoft Corporation | Propagating relevance from labeled documents to unlabeled documents |
US8001121B2 (en) | 2006-02-27 | 2011-08-16 | Microsoft Corporation | Training a ranking function using propagated document relevance |
US7617164B2 (en) | 2006-03-17 | 2009-11-10 | Microsoft Corporation | Efficiency of training for ranking systems based on pairwise training with aggregated gradients |
AU2006201210A1 (en) | 2006-03-23 | 2007-10-11 | Canon Information Systems Research Australia Pty Ltd | Motion characterisation |
US7720830B2 (en) | 2006-07-31 | 2010-05-18 | Microsoft Corporation | Hierarchical conditional random fields for web extraction |
US20080169975A1 (en) | 2007-01-12 | 2008-07-17 | Young Paul Yee | Process for generating spatially continuous wind profiles from wind profiler measurements |
US8005771B2 (en) | 2007-10-04 | 2011-08-23 | Siemens Corporation | Segment-based change detection method in multivariate data stream |
US20090132515A1 (en) | 2007-11-19 | 2009-05-21 | Yumao Lu | Method and Apparatus for Performing Multi-Phase Ranking of Web Search Results by Re-Ranking Results Using Feature and Label Calibration |
US8175384B1 (en) | 2008-03-17 | 2012-05-08 | Adobe Systems Incorporated | Method and apparatus for discriminative alpha matting |
JP2009282685A (ja) | 2008-05-21 | 2009-12-03 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
US8386401B2 (en) | 2008-09-10 | 2013-02-26 | Digital Infuzion, Inc. | Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected |
JP2010092266A (ja) | 2008-10-08 | 2010-04-22 | Nec Corp | 学習装置、学習方法及びプログラム |
US20100169243A1 (en) | 2008-12-27 | 2010-07-01 | Kibboko, Inc. | Method and system for hybrid text classification |
US9189472B2 (en) | 2009-03-30 | 2015-11-17 | Touchtype Limited | System and method for inputting text into small screen devices |
US20120290316A1 (en) | 2009-11-27 | 2012-11-15 | New Ideas Company Pty Ltd | Method and System for Consumer Centred Care Management |
US9187984B2 (en) | 2010-07-29 | 2015-11-17 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
US8924314B2 (en) | 2010-09-28 | 2014-12-30 | Ebay Inc. | Search result ranking using machine learning |
US8504392B2 (en) | 2010-11-11 | 2013-08-06 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic coding of patient outcomes |
US20120271821A1 (en) | 2011-04-20 | 2012-10-25 | Microsoft Corporation | Noise Tolerant Graphical Ranking Model |
US8798984B2 (en) | 2011-04-27 | 2014-08-05 | Xerox Corporation | Method and system for confidence-weighted learning of factored discriminative language models |
US20120330971A1 (en) | 2011-06-26 | 2012-12-27 | Itemize Llc | Itemized receipt extraction using machine learning |
US9471882B2 (en) | 2011-07-25 | 2016-10-18 | International Business Machines Corporation | Information identification method, program product, and system using relative frequency |
US20130066452A1 (en) | 2011-09-08 | 2013-03-14 | Yoshiyuki Kobayashi | Information processing device, estimator generating method and program |
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 |
US9916538B2 (en) | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US9031897B2 (en) | 2012-03-23 | 2015-05-12 | Nuance Communications, Inc. | Techniques for evaluation, building and/or retraining of a classification model |
US8788439B2 (en) | 2012-12-21 | 2014-07-22 | InsideSales.com, Inc. | Instance weighted learning machine learning model |
US20140180738A1 (en) | 2012-12-21 | 2014-06-26 | Cloudvu, Inc. | Machine learning for systems management |
WO2014110167A2 (en) | 2013-01-08 | 2014-07-17 | Purepredictive, Inc. | Integrated machine learning for a data management product |
EP2883173A1 (en) | 2013-03-15 | 2015-06-17 | The Echo Nest Corporation | Demographic and media preference prediction using media content data analysis |
US9679258B2 (en) * | 2013-10-08 | 2017-06-13 | Google Inc. | Methods and apparatus for reinforcement learning |
US9953271B2 (en) | 2013-11-22 | 2018-04-24 | California Institute Of Technology | Generation of weights in machine learning |
US9858534B2 (en) | 2013-11-22 | 2018-01-02 | California Institute Of Technology | Weight generation in machine learning |
US10535014B2 (en) | 2014-03-10 | 2020-01-14 | California Institute Of Technology | Alternative training distribution data in machine learning |
US10558935B2 (en) | 2013-11-22 | 2020-02-11 | California Institute Of Technology | Weight benefit evaluator for training data |
US20170011307A1 (en) | 2015-07-07 | 2017-01-12 | California Institute Of Technology | Alternative training distribution based on density modification |
-
2014
- 2014-08-05 US US14/451,870 patent/US9953271B2/en active Active
- 2014-11-21 WO PCT/US2014/066808 patent/WO2015077557A1/en active Application Filing
- 2014-11-21 JP JP2016532125A patent/JP6212217B2/ja active Active
- 2014-11-21 EP EP14863709.3A patent/EP3072069A4/en not_active Withdrawn
- 2014-11-21 KR KR1020167015481A patent/KR101868829B1/ko active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR101868829B1 (ko) | 2018-06-20 |
KR20160084453A (ko) | 2016-07-13 |
JP2017500639A (ja) | 2017-01-05 |
US9953271B2 (en) | 2018-04-24 |
EP3072069A4 (en) | 2017-08-09 |
EP3072069A1 (en) | 2016-09-28 |
US20150206066A1 (en) | 2015-07-23 |
WO2015077557A1 (en) | 2015-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6212217B2 (ja) | 機械学習における重みの生成 | |
JP6212216B2 (ja) | 機械学習における重み生成 | |
US20190354810A1 (en) | Active learning to reduce noise in labels | |
JP6276857B2 (ja) | 訓練データに関する重み利益エバリュエータ | |
KR101933916B1 (ko) | 머신 러닝에서의 대안 트레이닝 분포 데이터 | |
JP2022527536A (ja) | 強化学習を通じた公平性の改善 | |
AU2016225947A1 (en) | System and method for multimedia document summarization | |
CN112368697A (zh) | 经由对偶分解评估损失函数或损失函数的梯度的系统和方法 | |
JP2012058972A (ja) | 評価予測装置、評価予測方法、及びプログラム | |
CN105761102B (zh) | 一种预测用户购买商品行为的方法和装置 | |
EP4107668A1 (en) | Adversarial autoencoder architecture for methods of graph to sequence models | |
JP2022515941A (ja) | 生成的敵対神経網ベースの分類システム及び方法 | |
JP2024521150A (ja) | アノテーション解決のためのデータ駆動タクソノミ | |
US20220207368A1 (en) | Embedding Normalization Method and Electronic Device Using Same | |
KR20230094696A (ko) | 추천시스템에서의 효율적인 행렬 분해를 위한 양자화 프레임워크 장치 및 학습 방법 | |
Dey et al. | Deep-n-Cheap: An automated efficient and extensible search framework for cost-effective deep learning | |
US20220269858A1 (en) | Learning Rules and Dictionaries with Neuro-Symbolic Artificial Intelligence | |
CN107451662A (zh) | 优化样本向量的方法及装置、计算机设备 | |
Tang et al. | An interaction-enhanced feature selection algorithm | |
JP2010198518A (ja) | クラスタリング距離学習装置およびそのプログラム、ならびに、クラスタリング装置 | |
CN113553841A (zh) | 词的表征方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170525 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170821 |
|
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: 20170905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170914 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6212217 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 |