JP6625507B2 - Association device, association method and program - Google Patents
Association device, association method and program Download PDFInfo
- Publication number
- JP6625507B2 JP6625507B2 JP2016206082A JP2016206082A JP6625507B2 JP 6625507 B2 JP6625507 B2 JP 6625507B2 JP 2016206082 A JP2016206082 A JP 2016206082A JP 2016206082 A JP2016206082 A JP 2016206082A JP 6625507 B2 JP6625507 B2 JP 6625507B2
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- parameter
- node
- estimating
- association
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、複数のネットワークのデータが与えられたときに、与えられたデータの各ノードの対応付けを見つける対応付け装置、対応付け方法及びプログラムに関する。 The present invention relates to an associating device, an associating method, and a program for finding association of each node of given data when given data of a plurality of networks.
異なるネットワークのノードを対応付ける技術は様々な場面で必要となる。例えば、異なるデータベースのIDを対応付けたり、語彙を対応付けることで辞書を作成したり、画像と説明文の対応を見つけたりする際に、ノードの対応付けが必要となる。 Techniques for associating nodes of different networks are required in various situations. For example, it is necessary to associate nodes when associating IDs of different databases, creating a dictionary by associating vocabulary, or finding the correspondence between an image and an explanatory note.
これまでにノードの対応付け手法は数多く提案されている(例えば、非特許文献1及び2参照)。
A number of node association methods have been proposed (for example, see
非特許文献1の対応付け手法は、異なるネットワークのノードの距離が計測できることや、一部のノード間の対応が既知であることを仮定しており、距離が計測できず、かつ、対応が全く得られない場合に、利用できないという問題がある。
The associating method of Non-Patent
非特許文献2の対応付け手法は、距離が計測できず、かつ、対応が全く得られない場合にも適用可能な、教師なし対応付け手法である。しかし、データにノイズが含まれる場合に精度が低くなるという問題点がある。
The association method of Non-Patent
本発明は、各ノードがクラスタに関連するかどうかを推定しながら各ノードをクラスタに割り当てることにより、ノイズを含むデータであっても各ノードの対応付けを見つけることができる対応付け装置、対応付け方法及びプログラムを提供することを目的とする。 The present invention provides an associating device that assigns each node to a cluster while estimating whether or not each node is associated with a cluster. It is intended to provide a method and a program.
本発明の一形態に係る対応付け装置は、
複数のネットワークのデータが入力されたときに、当該複数のネットワークのデータの各ノードの対応付けを見つける対応付け装置であって、
各ノードとクラスタとの関係を推定するときに、前記入力されたデータ、該当ノード以外のクラスタ割当集合、該当ノード以外の関連割当集合、及びパラメータに基づき、該当ノードがクラスタに関連するかどうかを推定するクラスタ関連推定部と、
前記パラメータがどのくらい前記入力されたデータをもっともらしく説明できているかを示す尤度が高くなるようにパラメータを推定するパラメータ推定部と、
前記クラスタ関連推定部における推定を、終了条件が満たされるまで繰り返す終了条件判定部と、
を有することを特徴とする。
An associating device according to an embodiment of the present invention includes:
When the data of a plurality of networks is input, the associating device to find the association of each node of the data of the plurality of networks,
When estimating the relationship between each node and the cluster, based on the input data, the cluster assignment set other than the corresponding node, the related assignment set other than the corresponding node, and the parameter, it is determined whether the corresponding node is related to the cluster. A cluster-related estimating unit for estimating,
A parameter estimating unit that estimates a parameter such that the likelihood indicating how much the parameter can explain the input data plausibly is high,
An end condition determining unit that repeats the estimation in the cluster related estimating unit until an end condition is satisfied;
It is characterized by having.
また、本発明の一形態に係る対応付け方法は、
複数のネットワークのデータが入力されたときに、当該複数のネットワークのデータの各ノードの対応付けを見つける対応付け装置における対応付け方法であって、
各ノードとクラスタとの関係を推定するときに、前記入力されたデータ、該当ノード以外のクラスタ割当集合、該当ノード以外の関連割当集合、及びパラメータに基づき、該当ノードがクラスタに関連するかどうかを推定するクラスタ関連推定ステップと、
前記パラメータがどのくらい前記入力されたデータをもっともらしく説明できているかを示す尤度が高くなるようにパラメータを推定するパラメータ推定ステップと、
前記クラスタ関連推定ステップにおける推定を、終了条件が満たされるまで繰り返す終了条件判定ステップと、
を有する対応付け方法。
In addition, the association method according to one embodiment of the present invention includes:
When data of a plurality of networks are input, a matching method in a matching device that finds a correspondence between each node of the data of the plurality of networks,
When estimating the relationship between each node and the cluster, based on the input data, the cluster assignment set other than the corresponding node, the related assignment set other than the corresponding node, and the parameter, it is determined whether the corresponding node is related to the cluster. A cluster-related estimation step for estimating;
A parameter estimation step of estimating the parameter such that the likelihood indicating how much the parameter can explain the input data plausibly is high,
An end condition determining step of repeating the estimation in the cluster related estimating step until an end condition is satisfied;
An association method having:
また、本発明の一形態に係るプログラムは、
コンピュータを、上記の対応付け装置の各部として機能させることを特徴とする。
The program according to one embodiment of the present invention includes:
It is characterized by causing a computer to function as each section of the above-mentioned association device.
本発明によれば、ノイズを含むデータであっても各ノードの対応付けを見つけることが可能になる。 According to the present invention, it is possible to find the correspondence of each node even if the data includes noise.
以下、図面を参照して本発明の実施例について説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
本発明の実施例では、複数のネットワークのデータが入力されたときに、当該複数のネットワークのデータの各ノードの対応付けを見つける対応付け装置について説明する。 In the embodiment of the present invention, a description will be given of an associating device that, when data of a plurality of networks is input, finds association of each node of the data of the plurality of networks.
入力データとしてD個のネットワークデータが与えられたとする。ネットワーク表現されていないデータの場合、事例間の類似度などをもとにリンクをはることにより、ネットワークデータに変換することで、本発明の実施例が適用可能になる。このように、入力データはノード及びリンクの有無によって表現される。簡単のため、以下の実施例ではタイプ1のノードとタイプ2のノードで構成される重みのない二部グラフについて説明を行うが、重み付きのネットワークや、二部グラフではない一般的なグラフ、リンクに複数のタイプがあるネットワーク(リンクが友人関係、家族関係、仕事関係等の属性があるネットワーク)など、他のネットワークでも適用可能である。
Suppose that D network data are given as input data. In the case of data that is not represented in the network, the embodiment of the present invention can be applied by converting to network data by linking based on the similarity between cases and the like. Thus, the input data is represented by the presence or absence of the node and the link. For the sake of simplicity, the following embodiment describes an unweighted bipartite graph composed of a
入力データは The input data is
また、以下の説明において、Ktはタイプtのクラスタ数であり、zdtnはネットワークdのタイプtのn番目のノードのクラスタ割当を表し、zdtn∈{0,1,…,∞}である。rdtnはネットワークdのタイプtのn番目のノードの関連割当であり、関連する場合rdtn=1、関連しない場合rdtn=0である。 In the following description, K t is the number of clusters type t, z dtn represents the cluster allocated to the n-th node type t of the network d, z dtn ∈ {0,1, ..., ∞} in is there. r dtn is a related assignment of the n-th node of type t of the network d, where r dtn = 1 when related and r dtn = 0 when not related.
例えば、後述の例にて説明するWikipediaは、1つ文章に含まれる単語がリンクによって他の文章に結びつけられている。Wikipediaの例では、1つの文章を構成するノードをタイプ1のノードとし、他の文章を構成するノードをタイプ2のノードとして、本発明の実施例に係る対応付け装置は、タイプ1及びタイプ2の各ノードがクラスタに関連するかどうか、また、どのクラスタに割り当てられるかを推定する。更に、異なる言語のWikipediaを異なるネットワークとして扱うことにより、各ノードを複数ネットワークに共通するクラスタに割り当てる。
For example, in Wikipedia described in an example described later, a word included in one sentence is linked to another sentence by a link. In the example of Wikipedia, a node constituting one sentence is a
図1は、本発明の実施例に係る対応付け装置100の機能ブロック図である。対応付け装置100は、クラスタ関連推定部110と、パラメータ推定部120と、終了条件判定部130とを有する。
FIG. 1 is a functional block diagram of the associating
図2を参照して、図1の対応付け装置100における処理について説明する。
With reference to FIG. 2, the processing in the
ステップS101において、クラスタ関連推定部110は、入力データを受け取り、ステップS102において、クラスタ関連推定部110は、各ノードがクラスタに関連するかどうかを推定する。具体的には、クラスタ関連推定部110は、各ネットワークの各タイプの各ノードがどのクラスタに割り当てられるか、および、関連があると割り当てるか、を表す割当度を計算する。関連があると割り当てる場合には、ノードはいずれかのクラスタに割り当てられ、関連がないと割り当てる場合には、ノードはクラスタに割り当てられない。ノードとクラスタとの関係を示す割当度は、入力データ、該当ノード以外のクラスタ割当集合、該当ノード以外の関連割当集合、及びパラメータを考慮したものである。そして、クラスタ関連推定部110は、割当度に基づいて、クラスタ割当(各ノードをクラスタに割り当てること)と関連割当(各ノードがクラスタに関連するかどうかを割り当てること)を繰り返す。
In step S101, the cluster
ここで、クラスタ関連推定部110は、クラスタと関連がどのくらい入力データをもっともらしく説明できているかを表す尤度が高くなるように、クラスタ割当と関連割当を繰り返す。同じようなリンク構造を持っている関連するノードが同じクラスタに割り当てられる場合、尤度は高くなる。また、ランダムにリンクがはられる場合、関連がないと割り当てると尤度が高くなり、リンクがクラスタ構造に従ってはられている場合、関連があると割り当てると尤度が高くなる。
Here, the cluster
図3は、本発明の実施例によるネットワークデータの生成過程を示す図である。リンク確率を用いることで、ノード間のリンクがはられる。関連がない場合、ノードによらず一定の確率でノード間のリンクがはられると仮定した場合で以下の説明を進めるが、ノードによって異なる確率でノード間のリンクがはられると仮定してもよい。なお、本発明の実施例では、ネットワークデータは与えられるため、逆問題を解いてネットワークデータからリンク確率等を推定することができる。 FIG. 3 is a diagram illustrating a process of generating network data according to an embodiment of the present invention. The link between the nodes is established by using the link probability. In the case where there is no association, the following description will be made on the assumption that the link between the nodes is established with a certain probability regardless of the node, but it may be assumed that the link between the nodes is established with a different probability depending on the node. . In the embodiment of the present invention, since the network data is provided, the inverse problem can be solved to estimate the link probability and the like from the network data.
ステップS103において、パラメータ推定部120は、クラスタ関連推定部110において用いたパラメータがどのくらい入力データをもっともらしく説明できているかを表す尤度が高くなるようにパラメータを推定する。
In step S103, the
ステップS104において、終了条件判定部130は、クラスタ関連推定部110での処理と、パラメータ推定部120での処理を終了条件が満たされるまで繰り返す。終了条件としては、尤度が収束した、繰り返し数が一定数をこえた、クラスタや関連、パラメータの変化量があるしきい値以下であった、などが用いられる。なお、クラスタ関連推定部110は、割当度に従ってクラスタ割当と関連割当を決めるため、終了条件判定部130は、クラスタ関連推定部110のみの処理を繰り返すことで求められた推定結果に対して、終了条件が満たされているかを判定してもよい。すなわち、パラメータ推定部120におけるパラメータの更新が行われずに、クラスタ関連推定部110の処理を繰り返すことで求められた別のクラスタ割当と関連割当に対して、終了条件が満たされているかを判定してもよい。
In step S104, the termination
ステップS105において、クラスタ関連推定部110は、終了条件が満たされたときの推定結果であるクラスタ割当と関連割当を出力する。図4は、クラスタ関連推定部110において複数のネットワークのノードに対してクラスタ割当と関連割当を行った結果を示している。最後に、関連するノードのうち、同じクラスタに割り当てられたノードが対応するノードと判断する。
In step S105, the cluster-related
なお、尤度の代わりに、事後確率など同等の性質を持つ値を用いることも可能である。また、以下ではマルコフ連鎖モンテカルロ法に基づいて潜在ベクトルを割り当てる場合について記述するが、最尤推定法や変分ベイズ法などを用いることも可能である。 Note that, instead of the likelihood, a value having an equivalent property such as a posterior probability can be used. In the following, the case of assigning a latent vector based on the Markov chain Monte Carlo method will be described. However, it is also possible to use a maximum likelihood estimation method, a variational Bayes method, or the like.
次に、クラスタ関連推定部110について詳細に説明する。
Next, the cluster
図1に示すように、クラスタ関連推定部110は、初期化部111と、割当部112とを備えている。
As shown in FIG. 1, the cluster-related
まず、初期化部111により、各ノードにランダムにクラスタ、関連を割り当てる。
First, the
次に、割当部112において、まず、各ネットワークの各タイプの各ノードがどのクラスタに割り当てられるか、および、関連があると割り当てるか、を表す割当度を計算する。割当度は、入力として、ネットワークデータ、該当ノード以外のクラスタ割当集合と関連割当集合、パラメータ、をとり、これらの値を考慮したものである必要がある。ここではクラスタの割当は無限混合モデル(Charles Kemp, Joshua Tenenbaum, Thomas Griffiths, Takeshi Yamada, Naonori Ueda,"Learning Systems of Concepts with an Infinite Relational Model,"AAAI, 2006)をもとに行っているが、ネットワークのリンク構造に基づいてクラスタリングを行う手法であれば、他のクラスタリング手法を用いてもよい。
Next, the allocating
クラスタ割当集合を Cluster assignment set
第一因子は The first factor is
関連しない場合の第二因子は The second factor when not relevant is
関連する場合の第二因子は The second factor when relevant is
次に、パラメータ推定部120について詳細に説明する。
Next, the
パラメータ推定部120は、パラメータαt,a,b,c,d,e,fがどのくらい入力データをもっともらしく説明できているかを表す尤度が高くなるようにパラメータを推定する。例えば、パラメータに対してガンマ事前分布を仮定して事後確率からサンプリングすることにより尤度が高くなるように、パラメータを推定できる。
The
<本発明の実施例の評価>
本発明の実施例を評価するため、Wikipediaの英語、ドイツ語、イタリア語、日本語の5カテゴリ(ノーベル物理学賞、ノーベル化学賞、アメリカのバスケットボール選手、アメリカの作曲家、イングランドのサッカー選手)の文書を用いて実験を行った。各言語ペアで各カテゴリから50文書をサンプリングし2つの文書単語ネットワークを作成した。ここでストップワードを除去し、頻出する1000語彙を用いた。1つの文書単語ネットワークのサイズは(150×1000)である。
<Evaluation of Examples of the Present Invention>
To evaluate embodiments of the present invention, five categories of Wikipedia English, German, Italian and Japanese (Nobel Prize in Physics, Nobel Prize in Chemistry, American basketball players, American composers, English footballers) An experiment was performed using the document. We sampled 50 documents from each category in each language pair and created two document word networks. Here, stop words were removed, and frequently used 1000 words were used. The size of one document word network is (150 × 1000).
比較手法として、ReMatch(非特許参考文献2)とIRM+KSを用いた。IRM+KSは無限関係モデル(Charles Kemp, Joshua Tenenbaum, Thomas Griffiths, Takeshi Yamada, Naonori Ueda,"Learning Systems of Concepts with an Infinite Relational Model,"AAAI, 2006)を用いてクラスタリングした後に教師なし対応付け手法であるカーネル並び替え法(Nemanja Djuric, Mihajlo Grbovic, Slobodan Vucetic,"Convex Kernelized Sorting,"AAAI, 2012)を用いて、クラスタの対応を見つける手法である。評価尺度としてはMatching Adjusted Rand Index (MARI)を用いた。
MARIは正しいクラスタ対応付ができるほど高い値をとる。図5にその結果である平均MARIとその標準誤差を示す。太字は最もよい手法に比べてt検定により有意差がなかったことを示す。図5から、本発明の実施例が比較手法に比べ高い性能を示しており、その有効性が確認できる。
As a comparison method, ReMatch (Non-Patent Reference 2) and IRM + KS were used. IRM + KS is an unsupervised matching method after clustering using an infinite relation model (Charles Kemp, Joshua Tenenbaum, Thomas Griffiths, Takeshi Yamada, Naonori Ueda, "Learning Systems of Concepts with an Infinite Relational Model," AAAI, 2006) This method uses the kernel sorting method (Nemanja Djuric, Mihajlo Grbovic, Slobodan Vucetic, "Convex Kernelized Sorting," AAAI, 2012) to find the correspondence between clusters. The Matching Adjusted Rand Index (MARI) was used as an evaluation scale.
MARI is high enough to allow correct cluster mapping. FIG. 5 shows the resulting average MARI and its standard error. Bold letters indicate that there was no significant difference by the t-test compared to the best method. From FIG. 5, the embodiment of the present invention shows higher performance than the comparative method, and its effectiveness can be confirmed.
図6は、は英語(EN)とドイツ語(DE)のデータでのクラスタ割当および関連割当結果を示す。2行ずつで1つのクラスタに対応し、そのなかの上の行が英語の単語であり、下の行がドイツ語の単語である。一番下の2行は関連しないと割り当てられた単語である。例えば、一番上のクラスタには音楽に関連する単語がクラスタリングされており、2番目のクラスタにはバスケットボールに関連する単語がクラスタリングされている。このように、言語をまたいで関連する単語がクラスタリングされ、また、トピックに関係しない単語が関連なしと判断されている。 FIG. 6 shows the results of cluster assignment and related assignment on English (EN) and German (DE) data. Two lines correspond to one cluster, in which the upper line is an English word and the lower line is a German word. The bottom two lines are words that have been assigned as unrelated. For example, words related to music are clustered in the top cluster, and words related to basketball are clustered in the second cluster. In this way, words related across languages are clustered, and words not related to the topic are determined to be unrelated.
<ハードウェア構成例>
図7に、本発明の実施例に係る対応付け装置100のハードウェア構成例を示す。対応付け装置100は、CPU(Central Processing Unit)151等のプロセッサ、RAM(Random Access Memory)やROM(Read Only Memory)等のメモリ装置152、ハードディスク等の記憶装置153等から構成されたコンピュータでもよい。例えば、対応付け装置100の機能及び処理は、記憶装置153又はメモリ装置152に格納されているデータやプログラムをCPU151が実行することによって実現される。また、対応付け装置100に必要な情報は、入出力インタフェース装置154から入力され、対応付け装置100において求められた結果は、入出力インタフェース装置154から出力されてもよい。
<Example of hardware configuration>
FIG. 7 illustrates a hardware configuration example of the associating
<補足>
説明の便宜上、本発明の実施例に係る対応付け装置は機能的なブロック図を用いて説明しているが、本発明の実施例に係る対応付け装置は、ハードウェア、ソフトウェア又はそれらの組み合わせで実現されてもよい。例えば、本発明の実施例は、コンピュータに対して本発明の実施例に係る対応付け装置の機能を実現させるプログラム、コンピュータに対して本発明の実施例に係る方法の各手順を実行させるプログラム等により、実現されてもよい。また、各機能部が必要に応じて組み合わせて使用されてもよい。また、本発明の実施例に係る方法は、実施例に示す順序と異なる順序で実施されてもよい。
<Supplement>
For convenience of explanation, the associating device according to the embodiment of the present invention is described using a functional block diagram, but the associating device according to the embodiment of the present invention may be implemented by hardware, software, or a combination thereof. It may be realized. For example, the embodiment of the present invention includes a program that causes a computer to realize the function of the association device according to the embodiment of the present invention, a program that causes a computer to execute each procedure of the method according to the embodiment of the present invention, and the like. May be realized. Further, the respective functional units may be used in combination as needed. Further, the method according to the embodiment of the present invention may be performed in an order different from the order shown in the embodiment.
以上、ノイズを含むデータであっても各ノードの対応付けを見つけることができる手法について説明したが、本発明は、上記の実施例に限定されることなく、特許請求の範囲内において、種々の変更・応用が可能である。 As described above, the method of finding the correspondence of each node even in the case of data including noise has been described. However, the present invention is not limited to the above-described embodiment, and various methods may be used within the scope of the claims. Changes and applications are possible.
100 対応付け装置
110 クラスタ関連推定部
111 初期化部
112 割当部
120 パラメータ推定部
130 終了条件判定部
151 CPU
152 メモリ装置
153 記憶装置
154 入出力インタフェース装置
REFERENCE SIGNS
152
Claims (7)
各ノードとクラスタとの関係を推定するときに、前記入力されたデータ、該当ノード以外のクラスタ割当集合、該当ノード以外の関連割当集合、及びパラメータに基づき、該当ノードがクラスタに関連するかどうかを推定するクラスタ関連推定部と、
前記パラメータがどのくらい前記入力されたデータをもっともらしく説明できているかを示す尤度が高くなるようにパラメータを推定するパラメータ推定部と、
前記クラスタ関連推定部における推定を、終了条件が満たされるまで繰り返す終了条件判定部と、
を有する対応付け装置。 When the data of a plurality of networks is input, the associating device to find the association of each node of the data of the plurality of networks,
When estimating the relationship between each node and the cluster, based on the input data, the cluster assignment set other than the corresponding node, the related assignment set other than the corresponding node, and the parameter, it is determined whether the corresponding node is related to the cluster. A cluster-related estimating unit for estimating,
A parameter estimating unit that estimates a parameter such that the likelihood indicating how much the parameter can explain the input data plausibly is high,
An end condition determining unit that repeats the estimation in the cluster related estimating unit until an end condition is satisfied;
An associating device comprising:
各ノードとクラスタとの関係を推定するときに、前記入力されたデータ、該当ノード以外のクラスタ割当集合、該当ノード以外の関連割当集合、及びパラメータに基づき、該当ノードがクラスタに関連するかどうかを推定するクラスタ関連推定ステップと、
前記パラメータがどのくらい前記入力されたデータをもっともらしく説明できているかを示す尤度が高くなるようにパラメータを推定するパラメータ推定ステップと、
前記クラスタ関連推定ステップにおける推定を、終了条件が満たされるまで繰り返す終了条件判定ステップと、
を有する対応付け方法。 When data of a plurality of networks are input, a matching method in a matching device that finds a correspondence between each node of the data of the plurality of networks,
When estimating the relationship between each node and the cluster, based on the input data, the cluster assignment set other than the corresponding node, the related assignment set other than the corresponding node, and the parameter, it is determined whether the corresponding node is related to the cluster. A cluster-related estimation step for estimating;
A parameter estimation step of estimating the parameter such that the likelihood indicating how much the parameter can explain the input data plausibly is high,
An end condition determining step of repeating the estimation in the cluster related estimating step until an end condition is satisfied;
An association method having:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016206082A JP6625507B2 (en) | 2016-10-20 | 2016-10-20 | Association device, association method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016206082A JP6625507B2 (en) | 2016-10-20 | 2016-10-20 | Association device, association method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018067189A JP2018067189A (en) | 2018-04-26 |
JP6625507B2 true JP6625507B2 (en) | 2019-12-25 |
Family
ID=62087117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016206082A Active JP6625507B2 (en) | 2016-10-20 | 2016-10-20 | Association device, association method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6625507B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7014086B2 (en) * | 2018-08-02 | 2022-02-01 | 日本電信電話株式会社 | Analytical equipment, analysis method and program |
-
2016
- 2016-10-20 JP JP2016206082A patent/JP6625507B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018067189A (en) | 2018-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6928371B2 (en) | Classifier, learning method of classifier, classification method in classifier | |
CN107704625B (en) | Method and device for field matching | |
US11341424B2 (en) | Method, apparatus and system for estimating causality among observed variables | |
WO2019223384A1 (en) | Feature interpretation method and device for gbdt model | |
JP6414363B2 (en) | Prediction system, method and program | |
JP6172317B2 (en) | Method and apparatus for mixed model selection | |
JP6870508B2 (en) | Learning programs, learning methods and learning devices | |
WO2017159402A1 (en) | Co-clustering system, method, and program | |
JP7527488B2 (en) | Model training method, data enrichment method, device, electronic device and storage medium | |
WO2014073206A1 (en) | Information-processing device and information-processing method | |
US20140156569A1 (en) | Method and apparatus for improving resilience in customized program learning network computational environments | |
CN113158685A (en) | Text semantic prediction method and device, computer equipment and storage medium | |
CN115801600B (en) | Noise data environment-oriented propagation network structure reconstruction method and device | |
JP7207540B2 (en) | LEARNING SUPPORT DEVICE, LEARNING SUPPORT METHOD, AND PROGRAM | |
Yousefnezhad et al. | A new selection strategy for selective cluster ensemble based on diversity and independency | |
JP6625507B2 (en) | Association device, association method and program | |
Miao et al. | Informative core identification in complex networks | |
JP6586026B2 (en) | Word vector learning device, natural language processing device, method, and program | |
JP6172315B2 (en) | Method and apparatus for mixed model selection | |
JP2024509849A (en) | Training a distributionally robust model | |
CN113255933A (en) | Feature engineering and graph network generation method and device and distributed system | |
CN111538898A (en) | Web service package recommendation method and system based on combined feature extraction | |
Atsawaraungsuk et al. | Identity activation structural tolerance online sequential circular extreme learning machine for highly dimensional data. | |
WO2016122561A1 (en) | Synthesizing a graph | |
Luzio et al. | Decoupling Decision-Making in Fraud Prevention through Classifier Calibration for Business Logic Action |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181128 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191121 |
|
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: 20191126 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191127 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6625507 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |