JP6458072B2 - 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム - Google Patents
多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム Download PDFInfo
- Publication number
- JP6458072B2 JP6458072B2 JP2017068865A JP2017068865A JP6458072B2 JP 6458072 B2 JP6458072 B2 JP 6458072B2 JP 2017068865 A JP2017068865 A JP 2017068865A JP 2017068865 A JP2017068865 A JP 2017068865A JP 6458072 B2 JP6458072 B2 JP 6458072B2
- Authority
- JP
- Japan
- Prior art keywords
- contribution
- item
- neural network
- multilayer neural
- extraction
- 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
- 238000013528 artificial neural network Methods 0.000 title claims description 52
- 238000000605 extraction Methods 0.000 title claims description 34
- 238000013135 deep learning Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 22
- 230000006872 improvement Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラムに関する。
多層ニューラルネットワークは、人間の脳を模擬した構造を持つ機械学習技術の一種で、多数の入力項目から重要な特徴を自動的に獲得するアルゴリズムを持ち、データの分類や連続値の推定能力に優れており、多くの分野への適用が試みられている（特許文献１参照）。
多層ニューラルネットワークは、大きく三つの層（入力層、中間層、出力層）に分けられ、各層は複数のノードで構成され、各層間のノードはそれぞれ異なる結合重みで連結されている。入力層に投入された入力データは結合重みの異なる中間層内のノードを通過する中で入力項目が結合重みに従って合成され出力層を通過して出力データとして処理され、出力結果が作られる。こうした一連の入力から出力への流れにより、認識判定が可能となる。
ニューラルネットワークは、従来、多くのタイプのものが提案されてきた。中間層を複数持つ多層ニューラルネットワークはコンピュータの計算能力がボトルネックとなり実現されていなかったが、近年のコンピュータ能力の向上により実現されるようになった。
多層ニューラルネットワークは、他の機械学習技術では達成できないレベルの精度を実現することができる。機械学習は人間が明示的にルールを与えることなく、データから機械自身がルールを学習する技術であり、通常、入力データと、入力データが何を意味するのかを表す教師ラベルをもって学習し、学習の結果モデルが作成される。
本発明の課題は、多層ニューラルネットワークで作成されたモデルを基にモデル作成に使用した入力データ項目の寄与度をスコアリングすることができる高寄与度項目の抽出システム、抽出方法及び抽出プログラムを提供することにある。
また、本発明の課題は、入力データの各項目が判定結果に与える寄与度を数値化し、判定に有効なデータ項目だけを抽出し、それ以外の項目を排除することで、機械学習のモデル作成速度、判定速度などの性能向上を実現することができる高寄与度項目の抽出システム、抽出方法及び抽出プログラムを提供することにある。
上記課題を解決するために、本発明の高寄与度項目の抽出システム、抽出方法及び抽出プログラムは、以下のような解決手段を提供する。
（１）本発明の高寄与度項目の抽出システムは、多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出部と、前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出部と、前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成部とを含むことを特徴とする。
（２）上記（１）において、元データを前処理して学習データを作成する前処理部と学習データに基づいて、モデルを生成するモデル生成部と、前記モデルの精度を評価する評価部とを含むことを特徴とする。
（３）上記（１）又は（２）において、前記抽出された高寄与度の項目に基づいて、項目ごとの寄与度の可視化を行う寄与度可視化部を含むことを特徴とする。
（４）本発明の高寄与度項目の抽出方法は、コンピュータが、多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出ステップと、前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出ステップと、前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成ステップとを実行することを特徴とする。
（５）本発明の高寄与度項目の抽出プログラムは、コンピュータに、モデルの精度を評価する評価ステップと、前記評価ステップでの精度の評価が高い場合、モデルの生成の結果であるところの多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出ステップと、前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出ステップと、前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成ステップとを実行させることを特徴とする。
本発明によれば、多層ニューラルネットワークで作成されたモデルを基にモデル作成に使用した入力データ項目の寄与度をスコアリングすることができる高寄与度項目の抽出システム、抽出方法及び抽出プログラムを提供することができる。
また、多層ニューラルネットワークの性能向上のための高寄与度項目の抽出システム、方法、及び、プログラムを提供することができる。
以下、添付図面を参照して、本発明を実施するための形態（以下、実施形態）について詳細に説明する。以降の図においては、実施形態の説明の全体を通して同じ要素には同じ番号又は符号を付している。また、機能構成の図において、機能ブロック間の矢印は、データの流れ方向、又は処理の流れ方向を表す。
図１に示すように、多層ニューラルネットワーク構造解析システム１００は、前処理部１１０とモデル生成部１２０と、評価部１３０と、寄与度算出部１４０と、高寄与度項目抽出部１５０と、データセット生成部１７０とを含む。多層ニューラルネットワーク構造解析システム１００は、多層ニューラルネットワークの性能向上のための高寄与度項目の抽出システムを含んで構成されている。多層ニューラルネットワーク構造解析システム１００は、高寄与度可視化部１６０を含んでいてもよい。
多層ニューラルネットワーク構造解析システム１００は、例えば、パーソナルコンピュータなどの電子機器など、又は、これらに実装されるコンピュータプログラムとして具現化されるものであって、外部からの入力信号を入力するための入力信号部１０１と、外部への出力信号を出力するための出力信号部１０２とを有する。
以下、図１及び図２を参照しながら、多層ニューラルネットワーク構造解析システム１００の各構成とその解析方法を説明する。
前処理部１１０は、元データ２００に前処理を施し、学習データとテストデータとを生成する（ステップＳＴ０１）。元データ２００は、入力データと、入力データに対する教師ラベルとの対で構成されており、また、元データ２００にはノイズが含まれていたり、元データ２００の分布が偏っていたりする。そこで、前処理部１１０では、平均からかけ離れた組を取り除くノイズ除去などを実施する。
前処理部１１０は、元データ２００に前処理を施し、学習データとテストデータとを生成する（ステップＳＴ０１）。元データ２００は、入力データと、入力データに対する教師ラベルとの対で構成されており、また、元データ２００にはノイズが含まれていたり、元データ２００の分布が偏っていたりする。そこで、前処理部１１０では、平均からかけ離れた組を取り除くノイズ除去などを実施する。
モデル生成部１２０は、学習データに基づいて、例えば、図７に示すようなモデルを生成する（ステップＳＴ０３）。図７が表すように、多層ニューラルネットワークは入力層１０と、中間層２０、３０と、出力層４０とで構成されるが、この中間層２０、３０に多層オートエンコーダなどを使用して特徴の合成及び抽出を行うことにより、モデルの生成を実施する。
評価部１３０は、モデルの精度を評価する（ステップＳＴ０５）。モデルの評価は、モデルに対して、入力信号部１０１で受け付けた元データ２００の入力データを入力し、出力信号部１０２からの出力値が教師データと一致しているか否かを組ごとに判断し、元データ２００において、一致の数又は割合が所定の値より多い場合、精度が高い（良い）と評価する。
評価の際には、高寄与度可視化部１６０で可視化することが好ましい。高寄与度可視化部１６０は、可視化された評価をモニタのような出力装置に出力することが好ましい。
評価の結果、精度が悪い場合、再び、モデルを生成すべく、処理をステップＳＴ０３に移す。
評価の結果、精度が悪い場合、再び、モデルを生成すべく、処理をステップＳＴ０３に移す。
評価部１３０が高い（良い）評価をした場合、寄与度算出部１４０は、入力項目が出力結果に与える寄与度を算出する（ステップＳＴ０７）。寄与度とは、各出力ノードの出力結果に対する各入力項目の影響度を意味し、多層ニューラルネットワークを構成する各層におけるノード間の結合重みを抽出し、それを基に入力層１０から出力層４０まで各層間の結合を表す行列を順に積算することにより算出される（後述）。図３に、算出した寄与度の数値で項目を並べ替えた図を示す。
そして、高寄与度項目抽出部１５０は、算出された寄与度に基づいて、「偽」又は「真」に大きく寄与している項目を抽出する（ステップＳＴ０９）。大きく寄与している項目の抽出方法は、寄与度の絶対値が所定の値以上のものを選択する方法や、例えば図３に示すように、寄与度の絶対値が大きい範囲Ａ、Ｂにおける、横軸の端から寄与度の折れ線とで囲まれた斜線で表した領域ａ、ｂの面積が所定範囲の面積になるときの範囲を抽出する方法などがある。横軸の中央付近の領域Ｃは、寄与度の折れ線が略横軸に重なっており、また、略平行であるので、寄与度の折れ線と横軸との間の面積は小さく、出力結果に寄与しない項目であるので、高寄与度の項目としての抽出対象にはならない。
高寄与度可視化部１６０は、「偽」又は「真」に大きく寄与している項目が視覚的に把握容易になるように、例えば、図３に示すようなグラフで表示させる。グラフの左側点線枠の範囲Ａ内において、寄与度が上位の項目ほど「偽」に大きく寄与することが示されている。同様に、グラフの右側点線枠の範囲Ｂ内において、寄与度が下位の項目ほど「真」に大きく寄与することが示されている。他方、寄与度が中間にある項目は、「偽」にも「真」にも余り寄与していないことが示されている。
データセット生成部１７０は、抽出された高寄与度の入力項目に基づいて、元データ２００を構成する列のうち、「真」又は「偽」に大きく寄与する列のみを抽出し、新たなデータセットを生成する（データセット生成ステップ、ステップＳＴ１１）。
データセット生成部１７０で作成されたデータセットは、高寄与度項目データセットであり、学習データから低寄与度項目をそぎ落としたものである。例えば、高寄与度項目データセットを用いて、再度モデルを作成する用途に用いることができる。これにより、計算リソースが限られている環境において、低寄与度項目をそぎ落としたデータセットでモデルを作成すると、計算リソースを節約することができる。
また、学習データの性質を明らかにするための統計分析において、高寄与度項目を切り口とした分析を実施する用途に用いることができる。これにより、分析の結果に大きく寄与する項目で分析すると、データの性質を表現しやすくすることができる。
次に、図４及び図５を参照して、多層ニューラルネットワーク構造解析システム１００ａの各構成とその解析方法を説明する。多層ニューラルネットワーク構造解析システム１００ａは、多層ニューラルネットワーク構造解析システム１００のデータセット生成部１７０の替わりに、線形多項式生成部１８０を設けている。多層ニューラルネットワーク構造解析システム１００ａは、多層ニューラルネットワークにおける線形多項式モデルの作成システムを含んで構成されている。
以下の説明では、多層ニューラルネットワーク構造解析システム１００ａ特有の部分のみ説明する。
多層ニューラルネットワーク構造解析システム１００ａは、前処理部１１０とモデル生成部１２０と、評価部１３０と、寄与度算出部１４０と、線形多項式生成部１８０とを含む。多層ニューラルネットワーク構造解析システム１００ａは、高寄与度項目抽出部１５０を含んでいてもよく、また、高寄与度可視化部１６０を含んでいてもよい。
多層ニューラルネットワーク構造解析システム１００ａは、前処理部１１０とモデル生成部１２０と、評価部１３０と、寄与度算出部１４０と、線形多項式生成部１８０とを含む。多層ニューラルネットワーク構造解析システム１００ａは、高寄与度項目抽出部１５０を含んでいてもよく、また、高寄与度可視化部１６０を含んでいてもよい。
線形多項式生成部１８０は、線形多項式モデルを生成する（ステップＳＴ１７）。
線形多項式生成部１８０は、寄与度算出部１４０で算出された寄与度に基づいて、又は、高寄与度項目抽出部１５０を含む場合は高寄与度項目抽出部１５０で抽出した項目とその寄与度に基づいて、線形多項式モデルを生成する。一般に、多層ニューラルネットワークで形成されたモデルは、計算量が膨大になる傾向にあるが、線形多項式生成部１８０が生成する線形多項式は、多層ニューラルネットワークで形成されたモデルのアルゴリズムを近似的に線形化することで、計算コストの低減を可能とする。
図６に示すように、従来のディープラーニングを用いた判定処理方法では、入力データを判定処理する際に、クラウド環境など大規模演算が可能な環境で作動するディープラーニングで作成したモデルに判定依頼をし、その判定結果受け取る。このため、ディープラーニングで作成したモデルが稼動する環境は、ハイスペックを要求される。そこで、線形多項式生成部１８０において、あらかじめディープラーニングのモデルに近似した線形多項式を生成し、判定処理の判定ルールにスコアリングロジックとして組み込むことにより、ハイスペックな環境を必要とせず、ハンディターミナルのようなロースペック端末でも判定処理を行うことができる。
図７において、入力信号の入力と、出力信号の出力とを有する多層ニューラルネットワーク１を例示する。入力データは１つ又は複数の組で構成され、各組は、例えば、２つの入力項目に対応する数字列（例えば、１、２）と、その組の判定結果として、２つの項目（真、偽）と、を有する。
多層ニューラルネットワーク１は、大きく三つの層（入力層１０、中間層２０、３０、出力層４０）に分けられ、各層は複数のノードで構成され、各層間のノードはそれぞれ異なる結合重みで連結されている。入力層１０に投入された入力データは入力層１０を通り、結合重みの異なる中間層２０、３０内のノードを通過する中で入力項目が結合重みに従って合成され、出力層４０を通過して出力データとして処理され、出力結果が作られる。こうした一連の入力から出力への流れにより、認識判定が可能となる。中間層２０、３０は、いずれも、行列の重みで表現することができる。そこで、線形多項式では、あらかじめ、中間層２０、３０の全行列の重みを計算しておくことにより、入力値と計算後の重みの１次多項式で予測計算を生成することができる。
多層ニューラルネットワーク構造解析システム１００、１００ａによれば、マーケティングの分野において、特定商品の成約にいたった顧客の行動履歴、属性データを用いて作成したディープラーニングモデル（多層ニューラルネットワークで作成されたモデル）を見える化（可視化）することにより、マーケティング上着目すべき項目を特定することによって、効果的な施策を実施することができる。
また、各種保険商品を取り扱う分野において、保険商品データと保険金請求データを用いて作成したディープラーニングモデルを見える化することにより、請求される可能性の低い保険商品の特徴を把握することができ、高収益率保険商品を開発することが可能となる。
また、金融機関において、財務状態が健全な顧客企業と劣化した顧客企業のデータを用いて作成したディープラーニングモデルを見える化することにより、財務悪化懸念のある顧客企業をあらかじめ検知することが可能となる。
さらに、軽量化した線形ディープラーニングモデル（線形多項式）を搭載することにより、現場において計算速度と検出精度との両立をすることができ、かつ、低スペックハードウェアで構成される測定機器の性能を向上することができる。
以上、実施形態を用いて本発明を説明したが、本発明の技術的範囲は上記実施形態に記載の範囲に限定されないことは言うまでもない。上記実施形態に、多様な変更又は改良を加えることが可能であることが当業者に明らかである。また、その様な変更又は改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
なお、上記の実施形態では、本発明を物の発明として、多層ニューラルネットワークの性能向上のための高寄与度項目の抽出システムについて主に説明したが、本発明は、方法の発明（多層ニューラルネットワークの性能向上のための高寄与度項目の抽出方法）又は上記方法の発明（多層ニューラルネットワークの性能向上のための高寄与度項目の抽出方法）のそれぞれの段階をコンピュータに実行させるプログラムの発明（多層ニューラルネットワークの性能向上のための高寄与度項目の抽出プログラム）として捉えることもできる。
また、上記の実施形態では、多層ニューラルネットワークにおける線形多項式モデルの作成システム、作成方法及び作成プログラムも開示されている。
１ 多層ニューラルネットワーク
１０ 入力層
２０、３０ 中間層
４０ 出力層
１００、１００ａ 多層ニューラルネットワーク構造解析システム
１０１ 入力信号部
１０２ 出力信号部
１１０ 前処理部
１２０ モデル生成部
１３０ 評価部
１４０ 寄与度算出部
１５０ 高寄与度項目抽出部
１６０ 高寄与度可視化部
１７０ データセット生成部
１８０ 線形多項式生成部
２００ 元データ
１０ 入力層
２０、３０ 中間層
４０ 出力層
１００、１００ａ 多層ニューラルネットワーク構造解析システム
１０１ 入力信号部
１０２ 出力信号部
１１０ 前処理部
１２０ モデル生成部
１３０ 評価部
１４０ 寄与度算出部
１５０ 高寄与度項目抽出部
１６０ 高寄与度可視化部
１７０ データセット生成部
１８０ 線形多項式生成部
２００ 元データ
Claims (5)
- 多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出部と、
前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出部と、
前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成部とを含む、高寄与度項目の抽出システム。 - 元データを前処理して学習データを作成する前処理部と
学習データに基づいて、モデルを生成するモデル生成部と、
前記モデルの精度を評価する評価部とを含む、請求項１に記載の高寄与度項目の抽出システム。 - 前記抽出された高寄与度の項目に基づいて、項目ごとの寄与度の可視化を行う寄与度可視化部を含む、請求項１又は２に記載の高寄与度項目の抽出システム。
- コンピュータが、
多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出ステップと、
前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出ステップと、
前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成ステップとを実行することを特徴とする高寄与度項目の抽出方法。 - コンピュータに、
多層ニューラルネットワークを構成する各層におけるノード間の結合重みに基づいて、入力項目ごとの寄与度を算出する寄与度算出ステップと、
前記寄与度に基づいて、寄与度スコアの絶対値が所定の閾値を超える項目を抽出する高寄与度項目抽出ステップと、
前記抽出された高寄与度の項目に基づいて、学習データから高寄与度の項目のみを抽出し、データセットを生成するデータセット生成ステップとを実行させることを特徴とする高寄与度項目の抽出プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017068865A JP6458072B2 (ja) | 2017-03-30 | 2017-03-30 | 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017068865A JP6458072B2 (ja) | 2017-03-30 | 2017-03-30 | 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018169959A JP2018169959A (ja) | 2018-11-01 |
| JP6458072B2 true JP6458072B2 (ja) | 2019-01-23 |
Family
ID=64019384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017068865A Active JP6458072B2 (ja) | 2017-03-30 | 2017-03-30 | 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6458072B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102051791B1 (ko) * | 2018-11-16 | 2020-01-08 | 고려대학교 산학협력단 | 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 |
| JP7003325B2 (ja) | 2019-03-27 | 2022-01-20 | 三菱電機株式会社 | 車両制御用演算装置、車両制御装置、及び、車両制御用演算方法 |
| KR102149495B1 (ko) * | 2019-08-19 | 2020-08-28 | 고려대학교 산학협력단 | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 |
| JP7242495B2 (ja) * | 2019-10-03 | 2023-03-20 | 株式会社東芝 | 推論結果評価システム、推論結果評価装置及びその方法 |
| JP7491382B2 (ja) * | 2020-08-19 | 2024-05-28 | 日本電信電話株式会社 | 重要度計算装置、重要度計算方法及び重要度計算プログラム |
| US20240067189A1 (en) | 2021-03-22 | 2024-02-29 | Mitsubishi Electric Corporation | Control device and control method |
| CN114067316B (zh) * | 2021-11-23 | 2024-05-03 | 燕山大学 | 一种基于细粒度图像分类的快速识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05265509A (ja) * | 1992-03-16 | 1993-10-15 | Mitsubishi Heavy Ind Ltd | 学習制御装置 |
| JP5415476B2 (ja) * | 2005-05-02 | 2014-02-12 | 株式会社 Ｊｅｏｌ Ｒｅｓｏｎａｎｃｅ | Ｎｍｒデータの処理装置及び方法 |
-
2017
- 2017-03-30 JP JP2017068865A patent/JP6458072B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018169959A (ja) | 2018-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6458072B2 (ja) | 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム | |
| Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
| Dematis et al. | Fake review detection via exploitation of spam indicators and reviewer behavior characteristics | |
| Kankar et al. | Vibration-based fault diagnosis of a rotor bearing system using artificial neural network and support vector machine | |
| CN110245285B (zh) | 一种基于异构信息网络的个性化推荐方法 | |
| JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
| JP6458073B2 (ja) | 多層ニューラルネットワーク（ディープラーニング）における線形多項式モデルの作成システム、作成方法及び作成プログラム | |
| CN109753797B (zh) | 针对流式图的密集子图检测方法及系统 | |
| CN108764541B (zh) | 一种结合时空特征和误差处理的风能预测方法 | |
| WO2019200739A1 (zh) | 数据欺诈识别方法、装置、计算机设备和存储介质 | |
| Braun et al. | Improving card fraud detection through suspicious pattern discovery | |
| JP2019012473A (ja) | データフィルタリング装置および方法 | |
| KR20190132223A (ko) | 네트워크 장애 원인 분석 장치 및 방법 | |
| JP5835802B2 (ja) | 購買予測装置、方法、及びプログラム | |
| Tao et al. | Metric ranking of invariant networks with belief propagation | |
| Zhou et al. | Data Inspecting and Denoising Method for Data‐Driven Stochastic Subspace Identification | |
| Bhatkar et al. | Link Prediction using GraphSAGE | |
| JP7363912B2 (ja) | 表示方法、表示プログラム及び情報処理装置 | |
| JP7151604B2 (ja) | モデル学習装置、データ分析装置、モデル学習方法、及びプログラム | |
| Zhang et al. | Study on the parts surface defect detection method based on modifed SVM algorithm | |
| Usharani et al. | An efficient approach for automatic crack detection using deep learning | |
| Singh et al. | Effect of warning limits on the performance of the chart under autocorrelation | |
| CA3101842A1 (en) | A method of digital signal feature extraction comprising multiscale analysis | |
| Ziekow et al. | Managing application-level QoS for IoT stream queries in hazardous outdoor environments | |
| Lyu et al. | A Novel Fault Diagnosis Method Based on Feature Fusion and Model Agnostic Meta-Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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: 20181127 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181221 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6458072 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 |
|
| 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 |