JP6897266B2 - 学習プログラム、学習方法および学習装置 - Google Patents
学習プログラム、学習方法および学習装置 Download PDFInfo
- Publication number
- JP6897266B2 JP6897266B2 JP2017081645A JP2017081645A JP6897266B2 JP 6897266 B2 JP6897266 B2 JP 6897266B2 JP 2017081645 A JP2017081645 A JP 2017081645A JP 2017081645 A JP2017081645 A JP 2017081645A JP 6897266 B2 JP6897266 B2 JP 6897266B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- error
- data
- supervised
- feature generator
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Description
図1は、実施例1にかかる半教師学習を説明する図である。図1に示すように、実施例1にかかる学習装置は、特徴生成器、教師有学習器、教師無学習器を用いた半教師学習を実行する情報処理装置の一例である。
図3は、実施例1にかかる学習装置10の機能構成を示す機能ブロック図である。図3に示すように、学習装置10は、教師有データDB11、教師無データDB12、特徴生成器13、教師有学習器14、教師有誤差計算機15、フェーダー16、教師無学習器17、教師無誤差計算機18、フェーダー19、フェード制御器20を有する。なお、特徴生成器13は、生成部の一例であり、教師有学習器14は、第1生成部の一例であり、教師無学習器17は、第2生成部の一例であり、フェード制御器20は、割合制御部の一例である。
図4は、実施例1にかかる学習処理の流れを示すフローチャートである。なお、ここでは、図4に示すように、学習装置10は、処理を開始すると、特徴生成器13、教師有学習器14、教師無学習器17のそれぞれを初期化する(S101)。
次に、一般的な手法による学習例と実施例1にかかる学習装置10の学習例について説明する。図5は、半教師学習の具体例を説明する図である。ここでは、+−のラベルを学習に使える教師有データと、+−のラベルを学習に使えない教師無データとを用いて学習を行い、教師無データのラベルを推定する学習を例にして説明する。なお、特徴量は2次元とし、教師有学習器は、正例(+)と負例(−)を直線で分離する線形学習器とする。また、エンコードとデコーダは、図5に示す4種類(a、b、c、d)のデータに対して、同種のデータは近く、異種のデータは遠くなるように学習する分散表現(クラスタリング)の学習器とする。
例えば、教師有学習器と教師無学習器がニューラルネットワーク等で構成され、特徴生成器と統合されている場合は、どちらも混合誤差を最小化することで計算を単純化することもできる。
上記実施例では、問題の性質に従ってユーザがあらかじめ設定する手法と、動的に変更する手法とを説明したが、これらはいずれか一方を選択して実行することもでき、両方を実行することもできる。例えば、学習装置10は、問題の性質に応じて、教師有誤差または教師無誤差のいずれの割合を高くするかをあらかじめ決定する。これは、管理者等によって手動で設定することもでき、ユーザが判定基準を生成することで自動判定することもできる。
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。
図9は、ハードウェア構成例を示す図である。図9に示すように、学習装置10は、通信インタフェース10a、HDD(Hard Disk Drive)10b、メモリ10c、プロセッサ10dを有する。
11 教師有データDB
12 教師無データDB
13 特徴生成器
14 教師有学習器
15 教師有誤差計算機
16 フェーダー
17 教師無学習器
18 教師無誤差計算機
19 フェーダー
20 フェード制御器
Claims (9)
- コンピュータに、
特徴生成器により、入力データから特徴量を生成し、
ラベルつきデータに対し、教師あり学習器により、前記特徴生成器の出力から第1の出力を生成し、
ラベルなしデータに対し、教師なし学習器により、前記特徴生成器の出力から第2の出力を生成し、
前記特徴生成器の学習において、前記ラベルつきデータと前記第1の出力から生成される第1の誤差と、前記ラベルなしデータと前記第2の出力から生成される第2の誤差との寄与割合について、前記特徴生成器の学習開始から所定時間が経過するまで、または、前記特徴生成器の学習開始から所定数の入力データ数の学習が実行されるまでの学習初期の間は、前記第1の誤差の割合が前記第2の誤差よりも高い前記寄与割合を用いて前記特徴生成器の学習を実行する
処理を実行させる学習プログラム。 - 請求項1に記載の学習プログラムであって、
前記特徴生成器の学習を実行する処理は、過去の学習結果に基づき前記寄与割合を変化させるタイミングに関する特定のスケジュールに従って、前記寄与割合を前記学習の過程で変化させる学習プログラム。 - 請求項1に記載の学習プログラムであって、
前記学習の前処理として、複数のラベルつきデータを有するデータ群を訓練用データ群と検証用データ群とに分割し、
前記寄与割合を変化させる複数の割合変化スケジュールそれぞれを用いて、前記訓練用データ群による前記教師あり学習器の学習を実行し、
前記複数の割合変化スケジュールより、前記教師あり学習器に前記検証用データ群を適用した場合の前記第1の誤差に基づき第1の割合変化スケジュールを特定し、
前記学習の実行時に、前記第1の割合変化スケジュールにしたがって、前記寄与割合を当該学習の過程で変化させる学習プログラム。 - 請求項3に記載の学習プログラムであって、
前記第1の割合変化スケジュールは、前記教師あり学習器に前記検証用データ群を適用した場合の前記第1の誤差が最も小さい割合変化スケジュールである学習プログラム。 - 請求項1に記載の学習プログラムであって、
複数のラベルつきデータを有するデータ群を訓練用データ群と検証用データ群とに分割し、
予め定めた前記寄与割合を用いて、前記訓練用データ群で前記教師あり学習器を学習したときの前記第1の誤差である訓練誤差を算出し、
前記訓練用データ群で前記教師あり学習器を学習した後に前記教師あり学習器に前記検証用データ群を適用したときの前記第1の誤差である検証誤差を算出し、
前記訓練誤差と前記検証誤差との比較結果に基づいて、前記寄与割合を決定する学習プログラム。 - 請求項5に記載の学習プログラムであって、
前記算出する処理は、前記訓練用データ群のうち所定数の訓練用データを用いた学習が完了する各契機で、前記訓練誤差および前記検証誤差を算出して、前記各契機で前記寄与割合を決定して、前記寄与割合を当該学習の過程で変化させる学習プログラム。 - 請求項1から6のいずれか一つに記載の学習プログラムであって、
前記ラベルなしデータは、前記ラベルつきデータに含まれるラベルとは異なるラベルが付加されたデータ、または、いずれのラベルも付加されていないデータである学習プログラム。 - コンピュータが、
特徴生成器により、入力データから特徴量を生成し、
ラベルつきデータに対し、教師あり学習器により、前記特徴生成器の出力から第1の出力を生成し、
ラベルなしデータに対し、教師なし学習器により、前記特徴生成器の出力から第2の出力を生成し、
前記特徴生成器の学習において、前記ラベルつきデータと前記第1の出力から生成される第1の誤差と、前記ラベルなしデータと前記第2の出力から生成される第2の誤差との寄与割合について、前記特徴生成器の学習開始から所定時間が経過するまで、または、前記特徴生成器の学習開始から所定数の入力データ数の学習が実行されるまでの学習初期の間は、前記第1の誤差の割合が前記第2の誤差よりも高い前記寄与割合を用いて前記特徴生成器の学習を実行する
処理を実行する学習方法。 - 特徴生成器により、入力データから特徴量を生成する生成部と、
ラベルつきデータに対し、教師あり学習器により、前記特徴生成器の出力から第1の出力を生成する第1生成部と、
ラベルなしデータに対し、教師なし学習器により、前記特徴生成器の出力から第2の出力を生成する第2生成部と、
前記特徴生成器の学習において、前記ラベルつきデータと前記第1の出力から生成される第1の誤差と、前記ラベルなしデータと前記第2の出力から生成される第2の誤差との寄与割合について、前記特徴生成器の学習開始から所定時間が経過するまで、または、前記特徴生成器の学習開始から所定数の入力データ数の学習が実行されるまでの学習初期の間は、前記第1の誤差の割合が前記第2の誤差よりも高い前記寄与割合を用いて前記特徴生成器の学習を実行する割合制御部と
を有する学習装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017081645A JP6897266B2 (ja) | 2017-04-17 | 2017-04-17 | 学習プログラム、学習方法および学習装置 |
US15/947,423 US11367003B2 (en) | 2017-04-17 | 2018-04-06 | Non-transitory computer-readable storage medium, learning method, and learning device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017081645A JP6897266B2 (ja) | 2017-04-17 | 2017-04-17 | 学習プログラム、学習方法および学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018181071A JP2018181071A (ja) | 2018-11-15 |
JP6897266B2 true JP6897266B2 (ja) | 2021-06-30 |
Family
ID=63790744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017081645A Active JP6897266B2 (ja) | 2017-04-17 | 2017-04-17 | 学習プログラム、学習方法および学習装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11367003B2 (ja) |
JP (1) | JP6897266B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7408325B2 (ja) * | 2019-09-13 | 2024-01-05 | キヤノン株式会社 | 情報処理装置、学習方法およびプログラム |
CN113447997B (zh) * | 2021-05-21 | 2023-07-18 | 中国石油大学(北京) | 储层裂缝识别方法、识别装置及识别系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5503633B2 (ja) * | 2011-12-27 | 2014-05-28 | 日本電信電話株式会社 | トピックモデル学習方法、装置、及びプログラム |
JP2014026455A (ja) | 2012-07-26 | 2014-02-06 | Nippon Telegr & Teleph Corp <Ntt> | メディアデータ解析装置、方法、及びプログラム |
JP6555015B2 (ja) | 2015-08-31 | 2019-08-07 | 富士通株式会社 | 機械学習管理プログラム、機械学習管理装置および機械学習管理方法 |
-
2017
- 2017-04-17 JP JP2017081645A patent/JP6897266B2/ja active Active
-
2018
- 2018-04-06 US US15/947,423 patent/US11367003B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11367003B2 (en) | 2022-06-21 |
US20180300632A1 (en) | 2018-10-18 |
JP2018181071A (ja) | 2018-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170185895A1 (en) | System and Method for Training Parameter Set in Neural Network | |
Marko et al. | Sensitivity to prediction error in reach adaptation | |
JP6567488B2 (ja) | 学習データ生成装置、開発データ生成装置、モデル学習装置、それらの方法、及びプログラム | |
US20190228336A1 (en) | Training apparatus, training method, and non-transitory computer readable storage medium | |
US20190138899A1 (en) | Processing apparatus, processing method, and nonvolatile recording medium | |
KR102066773B1 (ko) | 콘텐츠 추천 방법, 장치 및 시스템 | |
JP6897266B2 (ja) | 学習プログラム、学習方法および学習装置 | |
JP2017054514A5 (ja) | ||
KR102051390B1 (ko) | 심층 신경망 학습 장치 및 방법 | |
JP2017097807A (ja) | 学習方法、学習プログラムおよび情報処理装置 | |
JP7106902B2 (ja) | 学習プログラム、学習方法および学習装置 | |
CN107766888A (zh) | 数据处理方法和装置 | |
AU2015200401B2 (en) | Annotation-information adding program, information processing apparatus, and annotation-information adding method | |
JP6258560B2 (ja) | ニューラルネットワークの学習装置及び学習方法 | |
US11676565B2 (en) | Automatic preparation of a new MIDI file | |
CN114169508A (zh) | 一种神经网络系统中数据处理的方法及系统 | |
CN110321385B (zh) | 基于区块链的数据处理方法和数据处理装置 | |
CN115731409A (zh) | 图像分类器的即时校准 | |
JP5161183B2 (ja) | 音響モデル適応装置、その方法、プログラム、及び記録媒体 | |
JP7054607B2 (ja) | 生成装置、生成方法および生成プログラム | |
CN105139020B (zh) | 一种用户聚类方法及装置 | |
JP2011065553A (ja) | 学習制御システム及び学習制御方法 | |
JP2009175925A (ja) | 照合パラメータ最適化装置、最適化方法および最適化制御プログラム | |
JP7360595B2 (ja) | 情報処理装置 | |
EP3869418A1 (en) | Learning program, learning method, and learning device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210305 |
|
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: 20210511 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210524 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6897266 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |