JP6752457B2 - 機械学習システム、装置及び情報処理方法 - Google Patents
機械学習システム、装置及び情報処理方法 Download PDFInfo
- Publication number
- JP6752457B2 JP6752457B2 JP2016110758A JP2016110758A JP6752457B2 JP 6752457 B2 JP6752457 B2 JP 6752457B2 JP 2016110758 A JP2016110758 A JP 2016110758A JP 2016110758 A JP2016110758 A JP 2016110758A JP 6752457 B2 JP6752457 B2 JP 6752457B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- data
- learning
- user terminal
- unit
- 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
Description
学習機能部及び予測機能部を備える機械学習システムであって、
前記予測機能部は、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、
前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備える。
学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部として機能する装置であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、を備え、
前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する。
学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部として機能する装置であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習部を備え、
前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する。
学習機能部及び予測機能部を備える機械学習システムに備わる前記予測機能部が実行する情報処理方法であって、
通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行う予測手順と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定手順と、を備え、
前記予測誤差判定手順の後に、前記学習機能部は、前記予測機能部から送信された前記入力データ及び前記教師データを用いて前記所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する。
学習機能部及び予測機能部を備える機械学習システムに備わる前記学習機能部が実行する情報処理方法であって、
前記予測機能部から送信された入力データ及び教師データを用いて所定のアルゴリズムを用いた機械学習を行い、機械学習によってパラメータを更新する学習手順を備え、
前記学習手順の前に、前記予測機能部は、通信ネットワークを介して前記学習機能部から所定のアルゴリズムのパラメータを取得し、前記パラメータを適用した前記所定のアルゴリズムを用いて、入力データに対する予測を行い、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する。
図1に、実施形態に係る機械学習システムの構成の一例を示す。実施形態に係る機械学習システムは、ユーザ端末91が通信ネットワーク93を介してサーバ92と接続されている。ユーザ端末91は、機械学習における予測機能部として機能しうる任意の演算装置であり、例えば、PCやスマートフォンなどの個人が使用可能な任意の端末である。通信ネットワーク93は、インターネットなどの任意の接続網である。サーバ92は、機械学習における学習機能部として機能しうる任意の演算装置である。
(数1)
Yn=fn(WnYn−1+B) (1)
ここで、Wは重みベクトルであり、Bは閾値ベクトルである。Ynの値が設定された閾値に達した場合、各素子Vm11〜VmN6は発火する。
本実施形態に係る予測部11は、決定木学習を用いて予測を行う。この場合のパラメータは、分岐事象及び分岐条件である。入力ベクトルX=(x1,x2,…,xKi)に含まれる各入力データが分岐事象に割り当てられる。各分岐事象における分岐条件の数は、レベルに応じて異なることが好ましい。例えば、レベルLv2の分岐条件の数はレベルLv0及びLv1よりも多い。
本実施形態に係る予測部11は、ベイジアンネットワークモデルを用いて予測を行う。この場合のパラメータは、算出式並びに算出式に用いる事前確率及び条件付き確率である。算出式は、出力ベクトルY=(y1,y2,…yKo)に含まれる各出力データの可能性を算出する。
本実施形態に係る予測部11は、ロジスティック回帰分析を用いて予測を行う。この場合のパラメータは、クラス及び線形関数である。例えば、クラスは、出力ベクトルY=(y1,y2,…yKo)に含まれる各出力データを構成する。線形関数は、各出力データをクラスごとに分離する。
本実施形態に係る予測部11は、相関ルール学習を用いて予測を行う。この場合のパラメータは、if文及びthenの条件である。入力ベクトルX=(x1,x2,…,xKi)に含まれる各入力データがif文に割り当てられ、各出力データに導くthenの条件が設定される。
12:モデル制御部
13:予測誤差判定部
14:UI
15:教師データ取得部
21:学習部
22:パラメータ記憶部
23:教師データ記憶部
24:ユーザ情報管理部
91:ユーザ端末
92:サーバ
93:通信ネットワーク
Claims (5)
- ユーザ端末に備わる予測機能部が通信ネットワークを介して学習機能部と接続されている機械学習システムであって、
前記予測機能部は、
前記ユーザ端末に備わるユーザインタフェースからの承諾の入力を契機に、ユーザに応じた学習処理細部を定義するパラメータを取得するモデル制御部と、
前記ユーザ端末に備わるユーザインタフェースからの入力データのデータ入力を契機に、前記モデル制御部の取得したパラメータを用いて、前記ユーザ端末に備わるユーザインタフェースから入力された入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、
を備え、
前記学習処理細部を定義するパラメータは、予測を行う対象のパラメータ、入力データの種別、中間層の素子数、重みベクトル及び各素子において発火する閾値の少なくともいずれかを含み、
前記学習機能部は、
前記予測機能部から送信された前記入力データ及び前記教師データを用いて、ユーザに応じた学習レベルでの機械学習を行い、機械学習によって前記学習処理細部を定義するパラメータを更新する学習部と、
を備える、
機械学習システム。 - 前記ユーザ端末は、センサを備え、
前記モデル制御部は、前記センサの起動を契機に、ユーザに応じた前記学習処理細部を定義するパラメータを取得し、
前記予測部は、前記センサから取得したデータを前記入力データに用い、
前記予測誤差判定部は、前記センサから取得したデータを前記教師データに用いる、
請求項1に記載の機械学習システム。 - 前記モデル制御部が前記学習機能部に送信するユーザ情報は、前記ユーザ端末の地域を含み、
前記学習機能部は、前記ユーザ端末の地域の属性が災害の発生した地域である場合、災害に応じたパラメータを、プッシュ型で前記予測機能部に提供する、
請求項1又は2に記載の機械学習システム。 - ユーザ端末に備わる予測機能部が通信ネットワークを介して学習機能部と接続されている機械学習システムに備わる前記予測機能部として機能する装置であって、
前記ユーザ端末に備わるユーザインタフェースからの承諾の入力を契機に、ユーザに応じた学習処理細部を定義するパラメータを取得するモデル制御部と、
前記ユーザ端末に備わるユーザインタフェースからの入力データのデータ入力を契機に、前記モデル制御部の取得したパラメータを用いて、前記ユーザ端末に備わるユーザインタフェースから入力された入力データに対する予測を行う予測部と、
前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する予測誤差判定部と、
を備え、
前記学習処理細部を定義するパラメータは、予測を行う対象のパラメータ、入力データの種別、中間層の素子数、重みベクトル及び各素子において発火する閾値の少なくともいずれかを含む、
装置。 - ユーザ端末に備わる予測機能部が通信ネットワークを介して学習機能部と接続されている機械学習システムに備わる前記予測機能部が実行する情報処理方法であって、
モデル制御部が、前記ユーザ端末に備わるユーザインタフェースからの承諾の入力を契機に、ユーザに応じた学習処理細部を定義するパラメータでありかつ予測を行う対象のパラメータ、入力データの種別、中間層の素子数、重みベクトル及び各素子において発火する閾値の少なくともいずれかを含むパラメータを取得し、
予測部が、前記ユーザ端末に備わるユーザインタフェースからの入力データのデータ入力を契機に、前記モデル制御部の取得したパラメータを用いて、前記ユーザ端末に備わるユーザインタフェースから入力された入力データに対する予測を行い、
予測誤差判定部が、前記予測に対する教師データを取得し、前記予測の結果である出力データと前記教師データを比較し、比較の結果が予め定められた条件を満たす場合、通信ネットワークを介して前記入力データ及び前記教師データを前記学習機能部に送信する、
情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016110758A JP6752457B2 (ja) | 2016-06-02 | 2016-06-02 | 機械学習システム、装置及び情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016110758A JP6752457B2 (ja) | 2016-06-02 | 2016-06-02 | 機械学習システム、装置及び情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017215898A JP2017215898A (ja) | 2017-12-07 |
JP6752457B2 true JP6752457B2 (ja) | 2020-09-09 |
Family
ID=60577073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016110758A Active JP6752457B2 (ja) | 2016-06-02 | 2016-06-02 | 機械学習システム、装置及び情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6752457B2 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6857332B2 (ja) * | 2018-03-13 | 2021-04-14 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
JP2019176329A (ja) * | 2018-03-28 | 2019-10-10 | 本田技研工業株式会社 | 車両通信制御方法、車両通信装置 |
JP7106997B2 (ja) * | 2018-06-04 | 2022-07-27 | 日本電信電話株式会社 | データ分析システムおよびデータ分析方法 |
JP6615946B1 (ja) * | 2018-06-09 | 2019-12-04 | 株式会社A.L.I.Technologies | 分散型機械学習システム |
JP2019218937A (ja) * | 2018-06-22 | 2019-12-26 | 株式会社日立製作所 | 風力発電システムおよび方法 |
KR102172772B1 (ko) * | 2018-07-18 | 2020-11-02 | 엘지전자 주식회사 | 인공지능 서버 및 인공지능 디바이스 |
JP6848949B2 (ja) * | 2018-10-25 | 2021-03-24 | トヨタ自動車株式会社 | 制御支援装置、車両、および制御支援システム |
CN111401563B (zh) * | 2018-12-28 | 2023-11-03 | 杭州海康威视数字技术股份有限公司 | 机器学习模型更新方法和装置 |
JP7252787B2 (ja) * | 2019-02-28 | 2023-04-05 | 川崎重工業株式会社 | 機械学習モデル運用管理システム及び機械学習モデル運用管理方法 |
KR102026479B1 (ko) * | 2019-03-06 | 2019-09-30 | 주식회사 다이얼로그디자인에이전시 | 병렬처리 플랫폼 기반 인공지능 음성인식 서비스 제공 시스템 |
JP7343290B2 (ja) * | 2019-03-29 | 2023-09-12 | 太陽誘電株式会社 | 判定システム、情報処理装置、サーバ、プログラムおよび判定方法 |
US11605379B2 (en) | 2019-07-11 | 2023-03-14 | Lg Electronics Inc. | Artificial intelligence server |
JP2021026505A (ja) * | 2019-08-05 | 2021-02-22 | ギリア株式会社 | 情報処理装置および情報処理用プログラム |
KR102320482B1 (ko) * | 2019-11-29 | 2021-11-02 | 김하미 | 인공지능을 이용한 음원 수익 정산 예측 시스템 및 그 방법 |
CN115836541A (zh) * | 2021-07-16 | 2023-03-21 | 北京小米移动软件有限公司 | 通信处理方法、装置、通信设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
US20090125880A1 (en) * | 2007-11-12 | 2009-05-14 | Microsoft Corporation | Polymorphic software architecture |
KR101211796B1 (ko) * | 2009-12-16 | 2012-12-13 | 포항공과대학교 산학협력단 | 외국어 학습 장치 및 그 제공 방법 |
US20110153553A1 (en) * | 2009-12-18 | 2011-06-23 | Klotz Christopher S | Coordinated Location Aware Brokering of Social Networks |
JP2013211616A (ja) * | 2012-03-30 | 2013-10-10 | Sony Corp | 端末装置、端末制御方法、プログラム、および情報処理システム |
JP2015184823A (ja) * | 2014-03-20 | 2015-10-22 | 株式会社東芝 | モデルパラメータ算出装置、モデルパラメータ算出方法およびコンピュータプログラム |
-
2016
- 2016-06-02 JP JP2016110758A patent/JP6752457B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017215898A (ja) | 2017-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6752457B2 (ja) | 機械学習システム、装置及び情報処理方法 | |
US11553075B2 (en) | Apparatus and control method for recommending applications based on context-awareness | |
KR102281590B1 (ko) | 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체 | |
CN112805743A (zh) | 用于基于知识图谱来提供内容的系统和方法 | |
KR20190101327A (ko) | 구독 제품 가격 산정 방법 및 가격 산정 장치 | |
KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
US9959508B2 (en) | Systems and methods for providing information for predicting desired information and taking actions related to user needs in a mobile device | |
EP3553710B1 (en) | Artificial intelligence optimized telecommunications systems | |
KR102474246B1 (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
US11669781B2 (en) | Artificial intelligence server and method for updating artificial intelligence model by merging plurality of pieces of update information | |
KR20190117837A (ko) | 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 | |
KR20200036084A (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
US20180129968A1 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
KR102532531B1 (ko) | 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 | |
EP3816917A1 (en) | Electronic device for updating artificial intelligence model, server, and operation method therefor | |
KR20200080418A (ko) | 단말기 및 그의 동작 방법 | |
KR20200120557A (ko) | 인공지능 모델을 갱신하는 전자 장치, 서버 및 그 동작 방법 | |
KR102464906B1 (ko) | 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법 | |
CN111079175B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
JP7005463B2 (ja) | 学習装置、学習方法及びプログラム | |
KR20210046423A (ko) | 머신러닝 기반 보안관제 장치 및 방법 | |
US20230005273A1 (en) | Information processing apparatus, information processing method, program, and movable object | |
Debusschere et al. | Neural networks for web server workload forecasting | |
EP3686812A1 (en) | System and method for context-based training of a machine learning model | |
KR102534888B1 (ko) | 피처-임베딩 뉴럴 프로세스를 이용한 결측값 예측 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181219 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191203 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20200129 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200324 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200414 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200608 |
|
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: 20200714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200807 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6752457 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |