JP6832329B2 - データ構造 - Google Patents
データ構造 Download PDFInfo
- Publication number
- JP6832329B2 JP6832329B2 JP2018236435A JP2018236435A JP6832329B2 JP 6832329 B2 JP6832329 B2 JP 6832329B2 JP 2018236435 A JP2018236435 A JP 2018236435A JP 2018236435 A JP2018236435 A JP 2018236435A JP 6832329 B2 JP6832329 B2 JP 6832329B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- tensor
- learning
- attendance
- medical treatment
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
- G06N3/105—Shells for specifying net layout
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
近年、従業員の体調管理などは、企業にとっても取り組むべき重要な事項に位置づけられており、従業員の出勤簿データから、数か月先のメンタル不調を予測し、カウンセリング等の対応を早期に実施することが行われている。一般的には、専任スタッフが、膨大な人数の従業員の出勤簿データを閲覧し、頻繁な出張、長時間残業、連続する欠勤、無断欠勤、これらの組合せなどの特徴的なパターンの勤務状態に該当する従業員を目視で探している。このような特徴的なパターンは、各専任スタッフにより基準が異なることもあり、明確に定義することが難しい。
図6は、実施例1にかかる学習装置100の機能構成を示す機能ブロック図である。図6に示すように、学習装置100は、通信部101、記憶部102、制御部110を有する。
次に、図12から図16を用いて、既往者の療養期間後の出勤簿データの重みが0.5に変更されることで、NNの学習に与える影響について説明する。図12は、テンソルデータの比較例を示す図である。図13は、既往者のテンソルデータ上における重み変更を説明する図である。図14は、重み変更の対象外である学習データを説明する図である。図15は、重み変更の対象である学習データを説明する図である。図16は、重み変更が与える影響を説明する図である。
図17は、学習処理の流れを示すフローチャートである。図17に示すように、学習データ生成部111は、出勤簿データを出勤簿データDB104から読み込み(S101)、学習対象の従業員1人を選択する(S102)。
図18は、予測時の処理の流れを示すフローチャートである。なお、予測対象の出勤簿データについても、学習時と同様、期間6か月分を入力とし、その後3か月以内に療養する/しないを予測する。図18に示すように、予測部116は、予測対象DB108から出勤簿データを読み込み(S201)、予測対象の従業員1人を選択する(S202)。
上述したように、体調不良者の特徴を学習させたい場合に、体調不良者の出勤簿データと既往者の療養期間明けの出勤簿データとが類似することから、ノイズを含む学習となり、予測モデルの精度低下が発生する。そこで、実施例1にかかる学習装置100は、既往者の療養期間明けの出勤簿データの重みを変更することで、出勤簿データのグラフ構造を変更することができるので、NNへ入力されるコアテンソルを差別化することができる。
上述した学習処理は、任意の回数だけ実行することもできる。例えば、すべての学習データを用いて実行することもでき、所定回数だけ実行することもできる。また、分類誤差の算出方法は、最小二乗法など公知の算出手法を採用することができ、NNで用いられる一般的な算出手法を採用することもできる。なお、学習データや出勤簿データは、外部の装置から取得することもできる。
上記実施例では、既往者かつ療養期間後に該当する学習データについては重み「0.5」を設定し、それ以外には重み「1.0」を設定したが、これに限定されるものではない。具体的には、既往者の療養期間明けにおける休暇の挙動を、新規の体調不良者と異なる挙動に変更できる手法を採用することもできる。
実施例1では、既往者かつ療養期間後に該当する学習データの重みを変更する例を説明したが、これに限らず、例えば、既往者に対応する学習データに対しては、療養期間前後に関係なく、重みとして「0.5」を設定することもできる。また、実施例1では、出勤簿データの各要素のうち、出欠区分の重みを0.5に変更し、その他の要素(月度など)については重みを1.0とする例を説明したが、これに限定されるものではなく、重みを変更する要素は任意に変更することができる。
上記実施例では、出勤簿データを学習して療養する可能性がある従業員を予測する例で説明したが、これに限定されるものではない。例えば、電子部品の動作データを用いた故障予測、通信データを用いた攻撃予測、道路の交通量データを用いた渋滞予測などにも適用することができる。
本実施例では、RNN(Recurrent Neural Networks)やCNN(Convolutional Neural Network)など様々なニューラルネットワークを用いることができる。また、学習の手法も、誤差逆伝播以外にも公知の様々な手法を採用することができる。また、ニューラルネットワークは、例えば入力層、中間層(隠れ層)、出力層から構成される多段構成であり、各層は複数のノードがエッジで結ばれる構造を有する。各層は、「活性化関数」と呼ばれる関数を持ち、エッジは「重み」を持ち、各ノードの値は、前の層のノードの値、接続エッジの重みの値(重み係数)、層が持つ活性化関数から計算される。なお、計算方法については、公知の様々な手法を採用できる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。また、実施例で説明した具体例、分布、数値などは、あくまで一例であり、任意に変更することができる。
図19は、ハードウェア構成例を説明する図である。図19に示すように、学習装置100は、通信装置100a、HDD(Hard Disk Drive)100b、メモリ100c、プロセッサ100dを有する。また、図19に示した各部は、バス等で相互に接続される。
101 通信部
102 記憶部
103 重み情報DB
104 出勤簿データDB
105 学習データDB
106 テンソルDB
107 学習結果DB
108 予測対象DB
110 制御部
111 学習データ生成部
112 既往者判定部
113 重み設定部
114 テンソル生成部
115 学習部
116 予測部
Claims (5)
- 少なくとも日付、月度、従業員が出勤したか否かを示す出欠区分を各要素とする複数のレコードから構成される従業員の出勤簿データと、
前記出勤簿データの所定期間ごとを教師有学習の説明変数である1つの学習データとし、各学習データに対して設定された、前記所定期間から指定期間以内の間に前記出欠区分に療養が設定される療養期間がある場合に前記従業員が療養した経験がある体調不良者を示し、前記所定期間から指定期間以内の間に前記出欠区分に療養が設定される療養期間がない場合に前記従業員が療養したことがない通常者を示すと共に前記教師有学習の学習器による出力結果との分類誤差が最小化するようにニューラルネットワークのパラメータを変更させ且つ前記分類誤差に基づいてターゲットコアテンソルの特徴パターンを前記体調不良者の特徴パターンに類似するようにターゲットコアテンソルを変更させる目的変数である正解情報と、前記学習データ毎に設定される前記出勤簿データから生成されるテンソルデータの形状を変化させる重みを示す重み情報と、を含むデータ構造であって、
前記ターゲットコアテンソルと、過去に療養期間があるが復職している従業員を示す既往者への重み付けルールとを記憶する記憶部と、前記出勤簿データから生成された各学習データに基づきテンソルデータを生成する生成部とを有する学習装置が、
前記従業員が前記既往者に該当する場合、前記重み情報と前記重み付けルールとにしたがって、前記従業員の前記出勤簿データから生成された各学習データのうち前記過去の療養期間後の学習データに対して、前記過去の療養期間後の学習データのいずれかの要素の重みを変更することで、重みを変更する前の学習データから生成された元のテンソルデータの形状を変化させたテンソルデータに前記テンソルデータを変更し、前記ターゲットコアテンソルと類似するように前記形状が変化されたテンソルデータからコアテンソルを生成し、前記学習器に前記コアテンソルを入力して、前記学習器による出力結果と前記過去の療養期間後の学習データに対して設定される前記目的変数である正解情報との分類誤差が最小化するようにニューラルネットワークのパラメータを変更すると共に前記分類誤差に基づいて前記ターゲットコアテンソルの特徴パターンを前記体調不良者の特徴パターンに類似するように前記ターゲットコアテンソルを変更する教師有学習を、前記学習データのうち未処理の学習データがなくなるまで繰り返し実行する処理に用いられる、データ構造。 - 前記学習装置が、前記従業員が前記既往者に該当する場合、前記重み付けルールにしたがって、前記出勤簿データの日付、月度および出欠区分のうちの第一の次元の要素のそれぞれの重みを変更して、前記第一の次元とは異なる第二の次元の要素の重みをそのままとする、請求項1に記載のデータ構造。
- 複数のノードと、前記複数のノードを接続するエッジとから成るグラフデータから構成された従業員の出勤簿データであって、
前記複数のノードは、日付、月度および出欠区分のノードから構成され、
当該日付、月度および出欠区分のノードは、日付、月度および出欠区分の数だけそれぞれ存在し、
各ノードには、日付、月度および出欠区分の状況に応じた値が格納されており、
前記エッジは、日付のノードと、月度のノードと、出欠区分のノードのうち関連のあるノードを接続し、
前記学習装置が
前記従業員が前記既往者に該当する場合であって、前記学習データの日付、月度および出欠区分のうちの第一の次元の要素のそれぞれの重みを変更したときに、前記重みに基づいて前記第一の次元に対応するノードに格納された値を変更したグラフデータを示す前記形状を変化させたテンソルデータを生成し、前記ターゲットコアテンソルと類似するように前記形状を変化させたテンソルデータから第一のコアテンソルを生成し、ディープテンソルを用いた学習器に前記第一のコアテンソルを入力し、
前記従業員が前記既往者に該当しない場合は、ノードに格納された値を変更しない状態のグラフデータを示すテンソルデータを生成し、前記ターゲットコアテンソルと類似するように前記テンソルデータから第二のコアテンソルを生成し、ディープテンソルを用いた学習器に第二のコアテンソルを入力し、
前記学習器が、
前記第一のコアテンソルが入力されたときは、前記既往者の特徴を示すノードとエッジの関係を学習し、
前記第二のコアテンソルが入力されたときは、療養した経験がない従業員の特徴を示すノードとエッジの関係を学習する、
請求項2に記載のデータ構造。 - 前記重み付けルールは、重み変更前後で各学習データのグラフ構造の形状が変化するように、前記グラフ構造のノードの値またはエッジの長さを変更する情報であることを特徴とする請求項1に記載のデータ構造。
- 前記学習装置が、前記体調不良者の出勤簿データに基づく学習データから生成される第1のテンソルデータに類似する前記既往者の出勤簿データに基づく学習データから生成される第2のテンソルデータに含まれる要素のうちいずれかの要素の重みを変更することで、テンソル分解によって前記第1のテンソルデータから生成されるコアテンソルの主成分方向と、前記第2のテンソルデータから生成されるコアテンソルの主成分方向とを差別化して、前記体調不良者の特徴量と前記既往者の特徴量のそれぞれを前記学習器に学習させる、ことを特徴とする請求項1に記載のデータ構造。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018236435A JP6832329B2 (ja) | 2018-12-18 | 2018-12-18 | データ構造 |
US16/697,179 US11836580B2 (en) | 2018-12-18 | 2019-11-27 | Machine learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018236435A JP6832329B2 (ja) | 2018-12-18 | 2018-12-18 | データ構造 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020098476A JP2020098476A (ja) | 2020-06-25 |
JP6832329B2 true JP6832329B2 (ja) | 2021-02-24 |
Family
ID=71072737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018236435A Active JP6832329B2 (ja) | 2018-12-18 | 2018-12-18 | データ構造 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11836580B2 (ja) |
JP (1) | JP6832329B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184939B (zh) * | 2020-09-03 | 2022-03-18 | 珠海格力电器股份有限公司 | 员工考勤情况的判定方法、装置、存储介质及电子设备 |
US20220247146A1 (en) * | 2021-02-04 | 2022-08-04 | Nec Laboratories America, Inc | Multilinear domain-specific domain generalization |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3469677B2 (ja) | 1995-05-31 | 2003-11-25 | 三洋電機株式会社 | 文字認識装置およびその学習方法 |
US7089200B2 (en) * | 1999-12-21 | 2006-08-08 | Third Millennium Management Pty Ltd | Payroll management method and apparatus |
US9418182B2 (en) * | 2009-06-01 | 2016-08-16 | Paradigm Sciences Ltd. | Systems and methods for building axes, co-axes and paleo-geographic coordinates related to a stratified geological volume |
US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
US9747178B2 (en) * | 2015-08-26 | 2017-08-29 | Netapp, Inc. | Configuration inconsistency identification between storage virtual machines |
US10789544B2 (en) * | 2016-04-05 | 2020-09-29 | Google Llc | Batching inputs to a machine learning model |
US10922604B2 (en) * | 2016-09-09 | 2021-02-16 | Cylance Inc. | Training a machine learning model for analysis of instruction sequences |
US10896367B2 (en) * | 2017-03-07 | 2021-01-19 | Google Llc | Depth concatenation using a matrix computation unit |
US11315032B2 (en) * | 2017-04-05 | 2022-04-26 | Yahoo Assets Llc | Method and system for recommending content items to a user based on tensor factorization |
EP3631690A4 (en) * | 2017-05-23 | 2021-03-31 | Intel Corporation | METHOD AND DEVICE FOR IMPROVING A NEURAL NETWORK USING BINARY TENSOR AND SCALE FACTOR PAIRS |
US10268646B2 (en) * | 2017-06-06 | 2019-04-23 | Facebook, Inc. | Tensor-based deep relevance model for search on online social networks |
US10248908B2 (en) * | 2017-06-19 | 2019-04-02 | Google Llc | Alternative loop limits for accessing data in multi-dimensional tensors |
US10956875B2 (en) * | 2017-10-09 | 2021-03-23 | Ricoh Company, Ltd. | Attendance tracking, presentation files, meeting services and agenda extraction for interactive whiteboard appliances |
US20190130268A1 (en) * | 2017-10-27 | 2019-05-02 | Wave Computing, Inc. | Tensor radix point calculation in a neural network |
CN111886606A (zh) * | 2018-02-23 | 2020-11-03 | Asml荷兰有限公司 | 用于图案的语义分段的深度学习 |
US20190324606A1 (en) * | 2018-04-19 | 2019-10-24 | Adobe Inc. | Online training of segmentation model via interactions with interactive computing environment |
US20210176262A1 (en) * | 2018-05-02 | 2021-06-10 | Visa International Service Association | Event monitoring and response system and method |
US10565229B2 (en) * | 2018-05-24 | 2020-02-18 | People.ai, Inc. | Systems and methods for matching electronic activities directly to record objects of systems of record |
US10720151B2 (en) * | 2018-07-27 | 2020-07-21 | Deepgram, Inc. | End-to-end neural networks for speech recognition and classification |
EP3732630A1 (en) * | 2018-08-03 | 2020-11-04 | Google LLC | Distributing tensor computations across computing devices |
US20200074270A1 (en) * | 2018-09-05 | 2020-03-05 | International Business Machines Corporation | Estimate ore content based on spatial geological data through 3d convolutional neural networks |
US11822918B2 (en) * | 2018-10-13 | 2023-11-21 | Affirm, Inc. | Code search and code navigation |
US10970187B2 (en) * | 2018-10-31 | 2021-04-06 | Jpmorgan Chase Bank, N.A. | System and method for proactively healing a mainframe computer system |
US10937173B2 (en) * | 2018-11-15 | 2021-03-02 | Qualcomm Incorporated | Predicting subject body poses and subject movement intent using probabilistic generative models |
US10878173B2 (en) * | 2018-11-29 | 2020-12-29 | Adobe Inc. | Object recognition and tagging based on fusion deep learning models |
US11586883B2 (en) * | 2018-12-14 | 2023-02-21 | Microsoft Technology Licensing, Llc | Residual quantization for neural networks |
US10915663B1 (en) * | 2019-01-29 | 2021-02-09 | Facebook, Inc. | Systems and methods for protecting data |
US10467504B1 (en) * | 2019-02-08 | 2019-11-05 | Adhark, Inc. | Systems, methods, and storage media for evaluating digital images |
US11075933B1 (en) * | 2019-03-27 | 2021-07-27 | Ca, Inc. | Abnormal user behavior detection |
US11354564B2 (en) * | 2019-06-27 | 2022-06-07 | Intel Corporation | Tuning of loop orders in blocked dense basic linear algebra subroutines |
US11494740B1 (en) * | 2021-10-29 | 2022-11-08 | People Center, Inc. | Techniques for providing alerts in a time and attendance system |
-
2018
- 2018-12-18 JP JP2018236435A patent/JP6832329B2/ja active Active
-
2019
- 2019-11-27 US US16/697,179 patent/US11836580B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20200193327A1 (en) | 2020-06-18 |
JP2020098476A (ja) | 2020-06-25 |
US11836580B2 (en) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6562121B1 (ja) | 学習用データ生成プログラムおよび学習用データ生成方法 | |
Fong et al. | Composite Monte Carlo decision making under high uncertainty of novel coronavirus epidemic using hybridized deep learning and fuzzy rule induction | |
JP7063080B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
JP7067235B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
US11347972B2 (en) | Training data generation method and information processing apparatus | |
Arnold et al. | Forecasting mortality trends allowing for cause-of-death mortality dependence | |
JP6832329B2 (ja) | データ構造 | |
De la Sen et al. | On a Sir epidemic model for the COVID-19 pandemic and the logistic equation | |
JP6481794B1 (ja) | 学習用データ生成方法、学習用データ生成プログラム | |
Huang et al. | Demand forecasting and smoothing capacity planning for products with high random demand volatility | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
Bermúdez et al. | A new parametric model for fitting fertility curves | |
JP7067236B2 (ja) | 機械学習用データ生成方法および機械学習用データ生成プログラム | |
JP6843109B2 (ja) | 医療用のデータ構造 | |
JP7063079B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
Das et al. | Functional regression-based monitoring of quality of service in hospital emergency departments | |
JP2021096511A (ja) | 学習データ生成方法、学習データ生成プログラムおよび情報処理装置 | |
Tabatabaei et al. | With a little help from my friends: A computational model for the role of social support in mood regulation | |
CN111768031A (zh) | 一种基于arma算法预测人群聚集趋势的方法 | |
Habib et al. | Modeling residential and spatial search behaviour: evidence from the greater Toronto area | |
JP2021068163A (ja) | 予測プログラム、予測方法及び予測装置 | |
James Fong et al. | Composite Monte Carlo decision making under high uncertainty of novel coronavirus epidemic using hybridized deep learning and fuzzy rule induction | |
Montibeller | Making Reasoned Health Security Decisions: Key Concepts and Main Benefits | |
Bårdsen et al. | Dynamic time series modelling and forecasting of COVID-19 in Norway | |
Shair et al. | Predictions of Malaysia Age-Specific Fertility Rates using the Lee-Carter and the Functional Data Approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190115 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190116 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190408 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190702 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190805 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20190805 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20190814 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20190820 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20190906 |
|
C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20190910 |
|
C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20200602 |
|
C30 | Protocol of an oral hearing |
Free format text: JAPANESE INTERMEDIATE CODE: C30 Effective date: 20200917 |
|
C13 | Notice of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: C13 Effective date: 20200923 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201112 |
|
C23 | Notice of termination of proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C23 Effective date: 20201222 |
|
C03 | Trial/appeal decision taken |
Free format text: JAPANESE INTERMEDIATE CODE: C03 Effective date: 20210126 |
|
C30A | Notification sent |
Free format text: JAPANESE INTERMEDIATE CODE: C3012 Effective date: 20210126 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6832329 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |