JP6629682B2 - 学習装置、分類装置、分類確率計算装置、及びプログラム - Google Patents
学習装置、分類装置、分類確率計算装置、及びプログラム Download PDFInfo
- Publication number
- JP6629682B2 JP6629682B2 JP2016126052A JP2016126052A JP6629682B2 JP 6629682 B2 JP6629682 B2 JP 6629682B2 JP 2016126052 A JP2016126052 A JP 2016126052A JP 2016126052 A JP2016126052 A JP 2016126052A JP 6629682 B2 JP6629682 B2 JP 6629682B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- series data
- classifier
- training data
- 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
Images
Landscapes
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と
を備えることを特徴とする学習装置が提供される。
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と、
ラベルなし2変量時系列データを入力する入力部と、
前記分類器学習部により学習がなされた分類器を用いて、前記ラベルなし2変量時系列データのラベルの値を推定する分類部と
を備えることを特徴とする分類装置が提供される。
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と、
ラベルなし2変量時系列データを入力する入力部と、
前記分類器学習部により学習がなされた分類器を用いて、前記ラベルなし2変量時系列データのラベルの値が特定の値である確率を算出する分類部と
を備えることを特徴とする分類確率計算装置が提供される。
ラベルあり2変量時系列データの集合である訓練データを用いて学習された分類器を用いて、前記ラベルなし2変量時系列データのラベルの値を推定し、当該ラベルの値を出力する分類部と
を備えることを特徴とする分類装置が提供される。
ラベルあり2変量時系列データの集合である訓練データを用いて学習された分類器を用いて、前記ラベルなし2変量時系列データのラベルの値が特定の値である確率を算出し、当該確率を出力する分類部と
を備えることを特徴とする分類確率計算装置が提供される。
まず、本実施の形態の概要について説明する。
<装置構成>
次に、本発明の第1の実施の形態に係る2値分類装置100の構成について説明する。なお、「2値分類装置」を「分類装置」と称してもよい。図1は、2値分類装置100の機能構成を示す構成図である。図1に示すように、この2値分類装置100は、入力部10と、学習部20と、推論部30と、出力部90と、を有する。
入力部1の入力として、以下の2通りがある。1つは、
・訓練データ生成部22において用いるパラメータ値
・特徴量計算部26において用いるパラメータ値
・分類器学習部28において用いるパラメータ値
であり、もう1つは、
・訓練データ生成部22において用いるパラメータ値の候補集合と、2値分類対象となる2変量時系列データであるラベルなしサンプルの集合からなるテストデータ集合
・特徴量計算部26において用いるパラメータ値
・分類器学習部28において用いるパラメータ値
である。
学習部20の訓練データ生成部22は、因果関係を表すラベルが既知の2変量時系列データであるラベルありサンプルの集合を人工的に生成し、訓練データとし、訓練データDB24に格納する。
以下、訓練データ生成部22が因果関係を表すラベルが既知の2変量時系列データであるラベルありサンプルを人工的に生成する原理について説明する。
学習部20の特徴量計算部26は、各ラベルありサンプルに対して、特徴量を計算する。特徴量計算部34は、各ラベルなしサンプルに対して、特徴量を計算する。特徴量計算の手順は、特徴量計算部26と特徴量計算部34とで共通であり、後述する図3のフローチャートに示すとおりである。なお、ラベルなしサンプルに関しては、サンプルの時系列データ{z1,・・・,zT}に対し、長さWの部分時系列{zt-(W-1),・・・,zt}をt = W,・・・,Tについて用意し、T-W+1個の部分時系列の各々に対して特徴量を計算する。ここで、Wの値については入力部2において初期化する。
分類器学習部28は、特徴量計算部26より受け取った、特徴量とラベルの対(以下、ラベルあり特徴量)に基づいて分類器の学習を行う。学習がされた分類器は、ラベルが未知の特徴量の入力を受けると、当該特徴量に該当すると推定されるラベルの値(正例or負例)を出力する機能を有する。ラベル推定部36は、当該分類器(上記の機能)を有する。
ラベル推定部36は、分類器学習部28において学習した分類器を用いて、特徴量計算部34において計算した特徴量に基づいて各ラベルなしサンプルのラベルを推定する。
図1に示した第1の実施の形態に係る2値分類装置は、出力部90の動作を変更することで、第1の実施の形態に係る2値分類確率計算装置として構成することも可能である。なお、「2値分類確率計算装置」を「分類確率計算装置」と称してもよい。出力部90以外の機能部の構成及び動作は、2値分類装置と2値分類確率計算装置とで同じとしてよい。
次に、第2の実施の形態に係る2値分類装置について説明する。第2の実施の形態に係る2値分類装置の構成は、第1の実施の形態に係る2値分類装置の構成と、訓練データ生成部22におけるラベルありサンプルの生成動作が異なる点を除いて同様である。以下、第2の実施の形態に係る訓練データ生成部22について説明する。
第1の実施の形態と同様に、第2の実施の形態に係る2値分類装置は、出力部90の動作を変更することで、第2の実施の形態に係る2値分類確率計算装置として構成することが可能である。出力部90以外の機能部の構成及び動作は、2値分類装置と2値分類確率計算装置とで同じでよい。
人工データの集合を2つ用意し、第1の実施の形態に係る2値分類装置100を用いて、実験を行った。前記人工データの2つの集合は、いずれも非特許文献1のExp.4 と同様の方法で生成した。第1の人工データの集合は、100種類の、時系列の長さが100の2変量時系列データから構成され、第2の人工データの集合は、100種類の、時系列の長さが900 の2変量時系列データから構成される。
以上、説明したように、本発明の実施の形態では、2変量X、Yに関する時系列の因果関係の学習装置が2通りに構成される。
20 学習部
22 訓練データ生成部
24 訓練データDB
26 特徴量計算部
28 分類器学習部
30 推論部
32 テストデータDB
34 特徴量計算部
36 ラベル推定部
38 初期化部
40 モデルパラメータ生成部
42 時系列データ生成部
90 出力部
100 2値分類装置
Claims (8)
- 所定のモデルに基づいて、ラベルあり2変量時系列データの集合である訓練データを生成し、当該訓練データを記憶部に格納する訓練データ生成部と、
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と
を備えることを特徴とする学習装置。 - 所定のモデルに基づいて、ラベルあり2変量時系列データの集合である訓練データを生成し、当該訓練データを記憶部に格納する訓練データ生成部と、
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と、
ラベルなし2変量時系列データを入力する入力部と、
前記分類器学習部により学習がなされた分類器を用いて、前記ラベルなし2変量時系列データのラベルの値を推定する分類部と
を備えることを特徴とする分類装置。 - 所定のモデルに基づいて、ラベルあり2変量時系列データの集合である訓練データを生成し、当該訓練データを記憶部に格納する訓練データ生成部と、
前記記憶部から読み出した前記訓練データの特徴量を計算する特徴量計算部と、
前記特徴量計算部により計算された前記特徴量に基づいて、分類器の学習を行う分類器学習部と、
ラベルなし2変量時系列データを入力する入力部と、
前記分類器学習部により学習がなされた分類器を用いて、前記ラベルなし2変量時系列データのラベルの値が特定の値である確率を算出する分類部と
を備えることを特徴とする分類確率計算装置。 - 変量間の因果関係が判明していないラベルなし2変量時系列データを入力する入力部と、
ラベルあり2変量時系列データの集合である訓練データを用いて学習された分類器を用いて、前記ラベルなし2変量時系列データのラベルの値を推定し、当該ラベルの値を出力する分類部と
を備えることを特徴とする分類装置。 - 変量間の因果関係が判明していないラベルなし2変量時系列データを入力する入力部と、
ラベルあり2変量時系列データの集合である訓練データを用いて学習された分類器を用いて、前記ラベルなし2変量時系列データのラベルの値が特定の値である確率を算出し、当該確率を出力する分類部と
を備えることを特徴とする分類確率計算装置。 - 前記特徴量計算部は、KKF-CEOにより変量を計算し、当該変量を用いて予測分布に対するカーネル平均の推定値を計算する
ことを特徴とする請求項1に記載の学習装置、請求項2に記載の分類装置、または、請求項3に記載の分類確率計算装置。 - 前記訓練データ生成部は、2変量間の関係が線形な関数として表される2変量時系列データと、2変量間の関係が非線形な関数として表される2変量時系列データとを含む、ラベルあり2変量時系列データの集合を生成する
ことを特徴とする請求項1に記載の学習装置、請求項2に記載の分類装置、または、請求項3に記載の分類確率計算装置。 - コンピュータを、請求項1ないし7のうちいずれか1項に記載の装置における各部として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016126052A JP6629682B2 (ja) | 2016-06-24 | 2016-06-24 | 学習装置、分類装置、分類確率計算装置、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016126052A JP6629682B2 (ja) | 2016-06-24 | 2016-06-24 | 学習装置、分類装置、分類確率計算装置、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017228256A JP2017228256A (ja) | 2017-12-28 |
JP6629682B2 true JP6629682B2 (ja) | 2020-01-15 |
Family
ID=60891846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016126052A Active JP6629682B2 (ja) | 2016-06-24 | 2016-06-24 | 学習装置、分類装置、分類確率計算装置、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6629682B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7253324B2 (ja) * | 2018-04-03 | 2023-04-06 | 日本電信電話株式会社 | 因果関係学習装置、因果関係推定装置、因果関係学習方法、因果関係推定方法及びプログラム |
-
2016
- 2016-06-24 JP JP2016126052A patent/JP6629682B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017228256A (ja) | 2017-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cerqueira et al. | Evaluating time series forecasting models: An empirical study on performance estimation methods | |
Gordaliza et al. | Obtaining fairness using optimal transport theory | |
Kotlowski et al. | On nonparametric ordinal classification with monotonicity constraints | |
CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
Huang et al. | Forecasting container throughput of Qingdao port with a hybrid model | |
JP7253324B2 (ja) | 因果関係学習装置、因果関係推定装置、因果関係学習方法、因果関係推定方法及びプログラム | |
Butler et al. | Financial forecasting using character n-gram analysis and readability scores of annual reports | |
Cerqueira et al. | Vest: Automatic feature engineering for forecasting | |
Kaur et al. | An empirical study of software entropy based bug prediction using machine learning | |
US20240256871A1 (en) | Finite rank deep kernel learning with linear computational complexity | |
US20230306505A1 (en) | Extending finite rank deep kernel learning to forecasting over long time horizons | |
US20220284332A1 (en) | Anomaly detection apparatus, anomaly detection method and program | |
CN117223016A (zh) | 行业特定的机器学习应用 | |
Nagel et al. | Bayesian multilevel model calibration for inverse problems under uncertainty with perfect data | |
JP2023544011A (ja) | 自動特徴量エンジニアリングを運用するシステムおよび方法 | |
Kumar et al. | Pqklp: projected quantum kernel based link prediction in dynamic networks | |
JP6629682B2 (ja) | 学習装置、分類装置、分類確率計算装置、及びプログラム | |
US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
Custódio et al. | Success prediction of leads–A machine learning approach | |
US20220207368A1 (en) | Embedding Normalization Method and Electronic Device Using Same | |
Abdulrahman et al. | An Overview of the Algorithm Selection Problem | |
Billio et al. | Bayesian inference in dynamic models with latent factors | |
CN113282705B (zh) | 一种能够自动更新的案件预判智能体训练方法及系统 | |
Eti et al. | A research on the comparison of classification algorithm in finance | |
Kapllani et al. | Uncertainty quantification for deep learning-based schemes for solving high-dimensional backward stochastic differential equations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180903 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190815 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190827 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190927 |
|
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: 20191203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6629682 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |