JP6950647B2 - データ判定装置、方法、及びプログラム - Google Patents
データ判定装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP6950647B2 JP6950647B2 JP2018159026A JP2018159026A JP6950647B2 JP 6950647 B2 JP6950647 B2 JP 6950647B2 JP 2018159026 A JP2018159026 A JP 2018159026A JP 2018159026 A JP2018159026 A JP 2018159026A JP 6950647 B2 JP6950647 B2 JP 6950647B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- error
- population
- multiplier
- 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
図1は、本発明の一実施形態におけるデータ判定装置12が組み込まれたデータ判定システム10の全体構成図である。データ判定システム10は、走行中の四輪自動車(以下、車両16という)から収集したプローブデータに対して所望の処理を実行し、車両16の状態を判定又は診断するサービスを提供可能に構成されるシステムである。
この実施形態におけるデータ判定システム10は、以上のように構成される。続いて、データ判定システム10の概略的な動作について、図1を参照しながら説明する。
先ず、車両16は、自車に搭載された各種センサからデータを逐次取得し、蓄積されたプローブデータをデータ判定装置12に向けて定期的又は不定期に送信する。そうすると、データ判定装置12は、中継機器40、ネットワークNW及び通信部20を介して、車両16からのプローブデータを取得する。ストレージ装置14は、データ判定装置12からプローブデータを受け取り、車両情報DB36のデータを追加・更新する。
次いで、図示しないディーラーは、ディーラー端末18を用いて、販売店に持ち込まれた車両16の状態に関する判定・診断を要求する操作を行う。そうすると、データ判定装置12は、ディーラー端末18からの要求指令を受け付け、車両情報DB36の中から判定対象となるデータ(以下、判定対象データD1という)を読み出し、判定対象データD1に対して所望の判定処理を行う。
次いで、データ判定装置12は、上記の判定処理により得られた判定結果データD2をディーラー端末18に向けて送信する。そうすると、ディーラー端末18は、通信部20、ネットワークNW及び中継機器42を介して、データ判定装置12からの判定結果データD2を取得する。ディーラーは、ディーラー端末18により表示された判定結果を確認することで、車両16の状態を把握することができる。
<判定処理の詳細>
図2は、図1に示す制御部22の判定処理に関わる機能ブロック図である。本図では、自己符号化器28及び判定処理部30の具体的構成を示している。
図3は、図1に示す制御部22の学習処理に関わる機能ブロック図である。本図では、学習処理部32及び自己符号化器28の具体的構成を示している。なお、自己符号化器28に関しては、図2で既に述べたので、その説明を省略する。
図7は、自己符号化器28の学習過程を示す模式図である。図7(a)は学習の終了時における理想的な判定状態、図7(b)は比較例における恒等変換曲線の更新結果、図7(c)は実施例における恒等変換曲線の更新結果をそれぞれ示す。
以上のように、データ判定装置12は、データ母集団D4に応じて定められた標本データ毎の乗数を用いて再構成誤差に重み付けして学習誤差LEを算出する学習誤差算出部62を備えるので、現時点の学習進度において各々の標本データが学習誤差LEに与える影響度のバランスを適応的に調整可能となる。つまり、標本データ毎の乗数を適切に定めることで、データ母集団D4に対する過学習が抑制されるとともに、標本データのばらつきに対する頑健性が高くなる。これにより、自己符号化器28に対して学習を行う際、データ母集団D4に統計的な偏りが生じる場合であっても、学習速度及び判定精度の低下を抑制することができる。
なお、この発明は、上述した実施形態に限定されるものではなく、この発明の主旨を逸脱しない範囲で自由に変更できることは勿論である。あるいは、技術的に矛盾が生じない範囲で各々の構成を任意に組み合わせてもよい。
Claims (11)
- 複数の変数からなる多変量データを取得してデータ母集団を形成するデータ取得部と、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する自己符号化器と、
前記自己符号化器における多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する学習誤差算出部と、
前記学習誤差算出部により算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新するパラメータ更新部と、
を備え、
前記学習誤差算出部は、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差に重み付けして前記学習誤差を算出し、
前記学習誤差算出部は、前記再構成誤差が閾値よりも大きい標本データの乗数を、前記データ母集団全体における乗数の平均値よりも小さくなるように定め、前記学習誤差を算出する、
ことを特徴とするデータ判定装置。 - 請求項1に記載のデータ判定装置において、
前記学習誤差算出部は、前記データ母集団における前記再構成誤差の統計量から前記閾値を設定し、前記学習誤差を算出することを特徴とするデータ判定装置。 - 請求項1又は2に記載のデータ判定装置において、
前記学習誤差算出部は、前記再構成誤差が前記閾値よりも大きい標本データの乗数をゼロ値に定め、前記再構成誤差が前記閾値以下である標本データの乗数をゼロ値よりも大きい一律の正値に定めることを特徴とするデータ判定装置。 - 請求項1又は2に記載のデータ判定装置において、
前記学習誤差算出部は、前記再構成誤差が大きくなるにつれて乗数が小さくなるルールに従って標本データ毎の乗数を定め、前記学習誤差を算出することを特徴とするデータ判定装置。 - 複数の変数からなる多変量データを取得してデータ母集団を形成するデータ取得部と、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する自己符号化器と、
前記自己符号化器における多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する学習誤差算出部と、
前記学習誤差算出部により算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新するパラメータ更新部と、
を備え、
前記学習誤差算出部は、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差に重み付けして前記学習誤差を算出し、
前記学習誤差算出部は、前記再構成誤差が大きくなるにつれて乗数が小さくなるルールに従って標本データ毎の乗数を定め、前記学習誤差を算出する、
ことを特徴とするデータ判定装置。 - 請求項1〜5のいずれか1項に記載のデータ判定装置において、
前記学習誤差算出部は、前記多変量データの提供元又は提供環境を示すメタデータに応じて、標本データ毎の乗数の設定方法を変更することを特徴とするデータ判定装置。 - 請求項1〜6のいずれか1項に記載のデータ判定装置において、
前記データ取得部による取得、前記学習誤差算出部による算出、及び前記パラメータ更新部による更新を順次繰り返すミニバッチ学習を行うことを特徴とするデータ判定装置。 - 複数の変数からなる多変量データを取得してデータ母集団を形成する取得ステップと、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する処理ステップと、
前記処理ステップにおける多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する算出ステップと、
算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新する更新ステップと、
を1つ又は複数のコンピュータが実行し、
前記算出ステップでは、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差に重み付けして前記学習誤差を算出し、
前記算出ステップでは、前記再構成誤差が閾値よりも大きい標本データの乗数を、前記データ母集団全体における乗数の平均値よりも小さくなるように定め、前記学習誤差を算出する、
ことを特徴とするデータ判定方法。 - 複数の変数からなる多変量データを取得してデータ母集団を形成する取得ステップと、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する処理ステップと、
前記処理ステップにおける多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する算出ステップと、
算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新する更新ステップと、
を1つ又は複数のコンピュータが実行し、
前記算出ステップでは、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差に重み付けして前記学習誤差を算出し、
前記算出ステップでは、前記再構成誤差が大きくなるにつれて乗数が小さくなるルールに従って標本データ毎の乗数を定め、前記学習誤差を算出する、
ことを特徴とするデータ判定方法。 - 複数の変数からなる多変量データを取得してデータ母集団を形成する取得ステップと、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する処理ステップと、
前記処理ステップにおける多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する算出ステップと、
算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新する更新ステップと、
を1つ又は複数のコンピュータに実行させ、
前記算出ステップでは、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差を重み付けして前記学習誤差を算出し、
前記算出ステップでは、前記再構成誤差が閾値よりも大きい標本データの乗数を、前記データ母集団全体における乗数の平均値よりも小さくなるように定め、前記学習誤差を算出する、
ことを特徴とするデータ判定プログラム。 - 複数の変数からなる多変量データを取得してデータ母集団を形成する取得ステップと、
多変量データの入力に対して、学習パラメータ群により定められる次元圧縮処理及び次元復元処理を順次実行することで、入力の次元数に等しい多変量データを出力する処理ステップと、
前記処理ステップにおける多変量データの入出力差の大きさを示す再構成誤差を前記データ母集団の標本データ毎に求め、標本データ毎の前記再構成誤差を用いて前記データ母集団に対する学習誤差を算出する算出ステップと、
算出された前記学習誤差が小さくなるように前記学習パラメータ群を更新する更新ステップと、
を1つ又は複数のコンピュータに実行させ、
前記算出ステップでは、前記データ母集団に応じて定められた標本データ毎の乗数を用いて前記再構成誤差を重み付けして前記学習誤差を算出し、
前記算出ステップでは、前記再構成誤差が大きくなるにつれて乗数が小さくなるルールに従って標本データ毎の乗数を定め、前記学習誤差を算出する、
ことを特徴とするデータ判定プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159026A JP6950647B2 (ja) | 2018-08-28 | 2018-08-28 | データ判定装置、方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159026A JP6950647B2 (ja) | 2018-08-28 | 2018-08-28 | データ判定装置、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020035042A JP2020035042A (ja) | 2020-03-05 |
JP6950647B2 true JP6950647B2 (ja) | 2021-10-13 |
Family
ID=69668071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018159026A Active JP6950647B2 (ja) | 2018-08-28 | 2018-08-28 | データ判定装置、方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6950647B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022259333A1 (ja) * | 2021-06-07 | 2022-12-15 | 日本電気株式会社 | 学習方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010092266A (ja) * | 2008-10-08 | 2010-04-22 | Nec Corp | 学習装置、学習方法及びプログラム |
JP5271877B2 (ja) * | 2009-11-17 | 2013-08-21 | 日本電信電話株式会社 | 複数クラス分類装置、複数クラス分類方法および複数クラス分類プログラム |
US10558935B2 (en) * | 2013-11-22 | 2020-02-11 | California Institute Of Technology | Weight benefit evaluator for training data |
JP5844854B2 (ja) * | 2014-06-19 | 2016-01-20 | ヤフー株式会社 | 提供装置、提供方法及び提供プログラム |
US11836746B2 (en) * | 2014-12-02 | 2023-12-05 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
-
2018
- 2018-08-28 JP JP2018159026A patent/JP6950647B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020035042A (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN111461410B (zh) | 一种基于迁移学习的空气质量的预测方法及装置 | |
CN113780292B (zh) | 一种基于证据推理的语义分割网络模型不确定性量化方法 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN111723780A (zh) | 基于高分辨率遥感图像的跨域数据的定向迁移方法及系统 | |
CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
JP6892606B2 (ja) | 位置特定装置、位置特定方法及びコンピュータプログラム | |
CN104156943A (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN116611018A (zh) | 基于多源数据融合的装备系统健康管理及故障诊断方法 | |
Li et al. | On combination rule in Dempster–Shafer theory using OWA‐based soft likelihood functions and its applications in environmental impact assessment | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN114187261A (zh) | 一种基于多维注意力机制的无参考立体图像质量评价方法 | |
CN114445121A (zh) | 一种广告点击率预测模型构建及广告点击率预测方法 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN115346125B (zh) | 一种基于深度学习的目标检测方法 | |
CN114757391B (zh) | 一种面向服务质量预测的网络数据空间设计与应用方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200407 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210608 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210713 |
|
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: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6950647 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |