JP6886112B2 - 学習プログラム、学習装置及び学習方法 - Google Patents
学習プログラム、学習装置及び学習方法 Download PDFInfo
- Publication number
- JP6886112B2 JP6886112B2 JP2017193933A JP2017193933A JP6886112B2 JP 6886112 B2 JP6886112 B2 JP 6886112B2 JP 2017193933 A JP2017193933 A JP 2017193933A JP 2017193933 A JP2017193933 A JP 2017193933A JP 6886112 B2 JP6886112 B2 JP 6886112B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- parameter
- parameters
- value
- discontinuity
- 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
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Description
図1は、情報処理システム10の全体構成を示す図である。図1に示す情報処理システム10は、情報処理装置1と、記憶装置2と、操作端末3とを含む。図1に示す操作端末3は、操作端末3a、3b及び3cが含まれている。
図2から図5は、パラメータの値が特定される際の具体例を説明する図である。具体的に、図2から図5は、モデルmdの生成時間あたりの回答の正答率c/t(以下、時間あたりの回答の正答率c/tとも呼ぶ)を示すグラフである。図2から図5に示すグラフにおける横軸は、パラメータp(以下、単にpとも表記する)の値を示している。また、図2から図5に示すグラフにおける縦軸は、時間あたりの回答の正答率c/tを示している。なお、以下、モデルの生成を行う際に値の入力が行われるパラメータpがパラメータp1のみであるものとして説明を行う。また、パラメータp1には、「1」から「6」までの整数値のいずれかが設定されるものとして説明を行う。
図6は、実績情報131の具体例を説明する図である。
図7から図9は、モデル群mdgを用いた情報処理システム10の具体例を説明する図である。図7及び図8に示すモデル群mdgには、モデルmdaと、モデルmdbと、モデルmdcとが含まれる。また、図9は、パラメータp1、p2及びp3の値の組合せを便宜的に横軸に示した場合における時間あたりの回答の正答率c/tのグラフである。
次に、情報処理装置1のハードウエア構成について説明する。図10は、情報処理装置1のハードウエア構成を説明する図である。
次に、情報処理装置1のソフトウエア構成について説明する。図11は、情報処理装置1の機能のブロック図及び情報格納領域130に記憶された情報のブロック図である。
次に、第1の実施の形態の概略について説明する。図12は、第1の実施の形態における学習処理の概略について説明するフローチャートである。また、図13から図15は、第1の実施の形態における学習処理の概略を説明する図である。図13から図15を参照しながら、図12に示す第1の実施の形態における学習処理の概略について説明を行う。なお、図13から図15に示すグラフは、図9と同様に、パラメータp1、p2及びp3の値の組合せを便宜的に横軸に示した場合における時間あたりの回答の正答率c/tのグラフである。
次に、第1の実施の形態の詳細について説明する。図16から図20は、第1の実施の形態における学習処理の詳細を説明するフローチャートである。また、図21から図23は、第1の実施の形態の詳細を説明する図である。図16から図20を参照しながら、図21から図23に示す第1の実施の形態の詳細について説明を行う。なお、図23に示すグラフは、図9と同様に、パラメータp1、p2及びp3の値の組合せを便宜的に横軸に示した場合における時間あたりの回答の正答率c/tのグラフである。
図21は、正答率情報131aの具体例について説明する図である。
図22は、実績情報131の具体例を説明する図である。
学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定し、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定し、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出し、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定し、
特定した前記学習パラメータによる機械学習を実行する、
処理を実行させることを特徴とする学習プログラム。
付記1において、さらに、
機械学習の学習パラメータと、前記学習パラメータによる機械学習の学習時間とをそれぞれが含む複数の実績情報を受け付ける、
処理を実行させ、
前記判定する処理では、受け付けた前記複数の実績情報のそれぞれに含まれる前記パラメータと前記学習時間とを参照し、前記不連続点が存在するか否かの判定を行う、
ことを特徴とする学習プログラム。
付記2において、
前記判定する処理では、前記複数の実績情報に含まれる前記学習パラメータによる機械学習に、前記学習パラメータによる過去の機械学習の結果を用いることが可能な機械学習が含まれている場合、前記不連続点が存在すると判定する、
ことを特徴とする学習プログラム。
付記3において、
前記結果は、前記学習パラメータによる過去の機械学習によって学習された試行パラメータから生成された学習データである、
ことを特徴とする学習プログラム。
付記1において、
前記学習パラメータの範囲を特定する処理では、前記学習パラメータの範囲を、前記不連続点のそれぞれにおいて区分けする、
ことを特徴とする学習プログラム。
付記1において、
前記学習パラメータを特定する処理では、前記推定値のうち、所定の条件を満たす推定値が得られる学習パラメータの特定を行う、
ことを特徴とする学習プログラム。
付記6において、
前記学習パラメータを特定する処理では、前記推定値のうち、最大の推定値が得られる学習パラメータの特定を行う、
ことを特徴とする学習プログラム。
付記1において、
前記試行は、検索パラメータを用いた検索処理であり、
前記成績は、前記検索処理の検索結果の評価である、
ことを特徴とする学習プログラム。
学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定する不連続点判定部と、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定する範囲特定部と、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出する推定値算出部と、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定するパラメータ特定部と、
特定した前記学習パラメータによる機械学習を実行する機械学習実行部と、を有する、
ことを特徴とする学習装置。
付記9において、さらに、
機械学習の学習パラメータと、前記学習パラメータによる機械学習の学習時間とをそれぞれが含む複数の実績情報を受け付ける情報受付部を有し、
不連続点判定部は、受け付けた前記複数の実績情報のそれぞれに含まれる前記パラメータと前記学習時間とを参照し、前記不連続点が存在するか否かの判定を行う、
ことを特徴とする学習装置。
学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定し、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定し、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出し、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定し、
特定した前記学習パラメータによる機械学習を実行する、
ことを特徴とする学習方法。
付記11において、さらに、
機械学習の学習パラメータと、前記学習パラメータによる機械学習の学習時間とをそれぞれが含む複数の実績情報を受け付け、
前記判定する工程では、受け付けた前記複数の実績情報のそれぞれに含まれる前記パラメータと前記学習時間とを参照し、前記不連続点が存在するか否かの判定を行う、
ことを特徴とする学習方法。
3:操作端末 101:CPU
102:メモリ 103:I/Oユニット
104:記憶媒体 130:情報格納領域
Claims (10)
- 学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定し、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定し、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出し、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定し、
特定した前記学習パラメータによる機械学習を実行する、
処理を実行させることを特徴とする学習プログラム。 - 請求項1において、さらに、
機械学習の学習パラメータと、前記学習パラメータによる機械学習の学習時間とをそれぞれが含む複数の実績情報を受け付ける、
処理を実行させ、
前記判定する処理では、受け付けた前記複数の実績情報のそれぞれに含まれる前記パラメータと前記学習時間とを参照し、前記不連続点が存在するか否かの判定を行う、
ことを特徴とする学習プログラム。 - 請求項2において、
前記判定する処理では、前記複数の実績情報に含まれる前記学習パラメータによる機械学習に、前記学習パラメータによる過去の機械学習の結果を用いることが可能な機械学習が含まれている場合、前記不連続点が存在すると判定する、
ことを特徴とする学習プログラム。 - 請求項3において、
前記結果は、前記学習パラメータによる過去の機械学習によって学習された試行パラメータから生成された学習データである、
ことを特徴とする学習プログラム。 - 請求項1において、
前記学習パラメータの範囲を特定する処理では、前記学習パラメータの範囲を、前記不連続点のそれぞれにおいて区分けする、
ことを特徴とする学習プログラム。 - 請求項1において、
前記学習パラメータを特定する処理では、前記推定値のうち、所定の条件を満たす推定値が得られる学習パラメータの特定を行う、
ことを特徴とする学習プログラム。 - 請求項6において、
前記学習パラメータを特定する処理では、前記推定値のうち、最大の推定値が得られる学習パラメータの特定を行う、
ことを特徴とする学習プログラム。 - 請求項1において、
前記試行は、検索パラメータを用いた検索処理であり、
前記成績は、前記検索処理の検索結果の評価である、
ことを特徴とする学習プログラム。 - 学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定する不連続点判定部と、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定する範囲特定部と、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出する推定値算出部と、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定するパラメータ特定部と、
特定した前記学習パラメータによる機械学習を実行する機械学習実行部と、を有する、
ことを特徴とする学習装置。 - 学習パラメータの変化に対する学習時間の変化が不連続となる不連続点が存在するか否かを判定し、
前記不連続点が存在する場合、前記不連続点に基づき、前記学習パラメータの変化に対する学習時間の変化が連続となる学習パラメータの範囲を特定し、
特定した前記範囲ごとに、該範囲に含まれる学習パラメータによる機械学習の学習時間あたりの、機械学習により学習された試行パラメータを用いた試行の成績の推定値を算出し、
算出した前記推定値のうち、該推定値の大きさに応じて選択されたいずれかの推定値が得られる学習パラメータを特定し、
特定した前記学習パラメータによる機械学習を実行する、
ことを特徴とする学習方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017193933A JP6886112B2 (ja) | 2017-10-04 | 2017-10-04 | 学習プログラム、学習装置及び学習方法 |
US16/133,833 US11488056B2 (en) | 2017-10-04 | 2018-09-18 | Learning program, learning apparatus, and learning method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017193933A JP6886112B2 (ja) | 2017-10-04 | 2017-10-04 | 学習プログラム、学習装置及び学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019067272A JP2019067272A (ja) | 2019-04-25 |
JP6886112B2 true JP6886112B2 (ja) | 2021-06-16 |
Family
ID=65897913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017193933A Active JP6886112B2 (ja) | 2017-10-04 | 2017-10-04 | 学習プログラム、学習装置及び学習方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11488056B2 (ja) |
JP (1) | JP6886112B2 (ja) |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7970718B2 (en) * | 2001-05-18 | 2011-06-28 | Health Discovery Corporation | Method for feature selection and for evaluating features identified as significant for classifying data |
US7050953B2 (en) | 2002-05-22 | 2006-05-23 | Bigwood Technology Incorporated | Dynamical methods for solving large-scale discrete and continuous optimization problems |
US7516423B2 (en) | 2004-07-13 | 2009-04-07 | Kimotion Technologies | Method and apparatus for designing electronic circuits using optimization |
JP2010097369A (ja) * | 2008-10-15 | 2010-04-30 | Sharp Corp | 最適パラメータ抽出装置及び抽出方法、並びに本方法を用いるマスクデータ、マスク及び半導体装置の製造方法 |
US9355414B2 (en) * | 2010-05-30 | 2016-05-31 | Hewlett Packard Enterprise Development Lp | Collaborative filtering model having improved predictive performance |
US8533224B2 (en) * | 2011-05-04 | 2013-09-10 | Google Inc. | Assessing accuracy of trained predictive models |
JP6101650B2 (ja) | 2014-02-27 | 2017-03-22 | 日本電信電話株式会社 | システムパラメタ学習装置、情報処理装置、方法、及びプログラム |
WO2015179778A1 (en) * | 2014-05-23 | 2015-11-26 | Datarobot | Systems and techniques for predictive data analytics |
US10366346B2 (en) * | 2014-05-23 | 2019-07-30 | DataRobot, Inc. | Systems and techniques for determining the predictive value of a feature |
US20160132787A1 (en) * | 2014-11-11 | 2016-05-12 | Massachusetts Institute Of Technology | Distributed, multi-model, self-learning platform for machine learning |
JP2016126596A (ja) * | 2015-01-06 | 2016-07-11 | 富士通株式会社 | 差分学習管理プログラム、差分学習管理装置及び差分学習管理方法 |
US10572447B2 (en) * | 2015-03-26 | 2020-02-25 | Nokia Technologies Oy | Generating using a bidirectional RNN variations to music |
JP6708385B2 (ja) * | 2015-09-25 | 2020-06-10 | キヤノン株式会社 | 識別器作成装置、識別器作成方法、およびプログラム |
US10388404B2 (en) * | 2015-10-27 | 2019-08-20 | International Business Machines Corporation | Using machine-learning to perform linear regression on a DNA-computing platform |
CN105912500B (zh) * | 2016-03-30 | 2017-11-14 | 百度在线网络技术(北京)有限公司 | 机器学习模型生成方法和装置 |
US10332508B1 (en) * | 2016-03-31 | 2019-06-25 | Amazon Technologies, Inc. | Confidence checking for speech processing and query answering |
CN107784364B (zh) * | 2016-08-25 | 2021-06-15 | 微软技术许可有限责任公司 | 机器学习模型的异步训练 |
US10255550B1 (en) * | 2017-06-07 | 2019-04-09 | States Title, Inc. | Machine learning using multiple input data types |
US20200143240A1 (en) * | 2017-06-12 | 2020-05-07 | D5Ai Llc | Robust anti-adversarial machine learning |
US10679129B2 (en) * | 2017-09-28 | 2020-06-09 | D5Ai Llc | Stochastic categorical autoencoder network |
-
2017
- 2017-10-04 JP JP2017193933A patent/JP6886112B2/ja active Active
-
2018
- 2018-09-18 US US16/133,833 patent/US11488056B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20190102699A1 (en) | 2019-04-04 |
US11488056B2 (en) | 2022-11-01 |
JP2019067272A (ja) | 2019-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908803B (zh) | 问答交互的响应方法及装置、存储介质、终端 | |
JP6828001B2 (ja) | 音声ウェイクアップ方法及び装置 | |
US11122089B2 (en) | Authorization policy optimization method and apparatus, and storage medium | |
CN105304082B (zh) | 一种语音输出方法及装置 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
US20160365088A1 (en) | Voice command response accuracy | |
CN110875059B (zh) | 收音结束的判断方法、装置以及储存装置 | |
KR101852527B1 (ko) | 기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법 | |
US10971149B2 (en) | Voice interaction system for interaction with a user by voice, voice interaction method, and program | |
EP4020305A1 (en) | Pre-trained language model fine-tuning method and apparatus and non-transitory computer-readable medium | |
CN110263326A (zh) | 一种用户行为预测方法、预测装置、存储介质及终端设备 | |
CN108875502B (zh) | 人脸识别方法和装置 | |
CN115145812A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
CN112397057A (zh) | 基于生成对抗网络的语音处理方法、装置、设备及介质 | |
CN108153735B (zh) | 一种近义词的获取方法及系统 | |
CN113360300B (zh) | 接口调用链路生成方法、装置、设备及可读存储介质 | |
JP6712046B2 (ja) | 抽出プログラム、抽出装置及び抽出方法 | |
CN110807476A (zh) | 一种密码安全等级分类方法、装置及电子设备 | |
WO2021135322A1 (zh) | 一种自动出题方法、装置及系统 | |
JP6886112B2 (ja) | 学習プログラム、学習装置及び学習方法 | |
CN117056728A (zh) | 一种时间序列生成方法、装置、设备和存储介质 | |
JP6993575B2 (ja) | 情報処理プログラム、情報処理装置及び情報処理方法 | |
JP2012230538A (ja) | ソフトウェア評価装置、ソフトウェア評価方法およびシステム評価装置 | |
JP2019067327A (ja) | 学習プログラム、学習装置及び学習方法 | |
CN116415548A (zh) | 标签预测模型的训练方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200709 |
|
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: 20210413 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210414 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210426 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6886112 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |