JP6995100B2

JP6995100B2 - 情報処理装置、算出方法および算出プログラム

Info

Publication number: JP6995100B2
Application number: JP2019180556A
Authority: JP
Inventors: 和輝小山; 智海大川内; 知範泉谷; 恵介切通
Original assignee: NTT Communications Corp
Current assignee: NTT Communications Corp
Priority date: 2019-09-30
Filing date: 2019-09-30
Publication date: 2022-01-14
Anticipated expiration: 2039-09-30
Also published as: WO2021065961A1; EP4040248A4; EP4040248A1; US20220128981A1; JP2021056866A

Description

本発明は、情報処理装置、算出方法および算出プログラムに関する。

従来、工場、プラント等から収集されるセンサデータ等に基づいて、データ間の因果関係を推定し、それを利用して異常検知や変化点検知といった課題を解決しようとする手法が様々提案されている。

例えば、オーソドックスな手法として、データが正規分布に基づいているとの仮定で、観測された複数センサデータ間の共分散行列や、その逆数である精度行列を用いて個々のセンサ間の因果関係度合いを定義する手法が広く用いられている。

さらには、スパース推定の手法（本質的でない推定値を０と推定できる手法）を応用して、微小な因果関係（あるいは実際因果関係なし）を削ぎ落とした統計的手法（例えば、Graphical Lasso）も広く知られている。現実のセンサデータにはノイズが少なからず含まれるが、このようなスパース推定を用いることでノイズ頑強性の向上が期待できる。

J. Friedman, T. Hastie, and R. Tibshirani. "Sparse inverse covariance estimation with the graphical lasso," Biostatistics (Biometrika Trust), 2008. N. Shervashidze and F. Bach. "Learning the structure for structured sparsity." IEEE Transactions for Signal Processing, Vol. 63, No. 18, pp. 4894-4902, 2015. J. Alexander, H. Gabor, and G. Norbert. "Graphical LASSO based Model Selection for Time Series," IEEE Sig. Proc. Letters, 2015.

しかしながら、従来の手法では、データ間の因果関係の推定値を精度よく得ることができない場合があるという課題があった。例えば、実案件に適用するにあたり、共分散行列に基づく手法やGraphical Lassoなどの従来手法では個々のセンサ間の因果関係の推定値はノイズや外部要因の含まれた実測値に基づいて推定を行うため、場合によっては解析者のノウハウとは異なる結果が得られることが多かった。

さらに従来手法では、このような結果が得られたとしても、改善し多角的に再実験する手段に乏しく、原則的には上記のようなノウハウとは異なる結果を得られたとしても、それ以上の情報を得ることは難しかった。このような解析者のノウハウに直結しない推定値は、解釈性の意味で困難であるだけでなく、手法に対する不信感を解析者に与えることになり、実データ解析においては軽視される傾向にある。

上述した課題を解決し、目的を達成するために、本発明の情報処理装置は、処理対象に関する複数のデータを取得する取得部と、前記取得部によって取得されたデータ同士の関係を、予め設定されたグループ情報に基づいてグルーピングし、各グループに含まれるデータ同士の因果関係の強さを示す重要度をグループごとに算出するとともに、前記重要度に基づいてデータ間の因果関係を示す推定値を算出する算出部とを有することを特徴とする。

また、本発明の算出方法は、情報処理装置によって実行される算出方法であって、処理対象に関する複数のデータを取得する取得工程と、前記取得工程によって取得されたデータ同士の関係を、予め設定されたグループ情報に基づいてグルーピングし、各グループに含まれるデータ同士の因果関係の強さを示す重要度をグループごとに算出するとともに、前記重要度に基づいてデータ間の因果関係を示す推定値を算出する算出工程とを含んだことを特徴とする。

また、本発明の算出プログラムは、処理対象に関する複数のデータを取得する取得ステップと、前記取得ステップによって取得されたデータ同士の関係を、予め設定されたグループ情報に基づいてグルーピングし、各グループに含まれるデータ同士の因果関係の強さを示す重要度をグループごとに算出するとともに、前記重要度に基づいてデータ間の因果関係を示す推定値を算出する算出ステップとをコンピュータに実行させることを特徴とする。

本発明によれば、データ間の因果関係の推定値を精度よく得ることができるという効果を奏する。

図１は、第１の実施形態に係る情報処理装置の構成例を示すブロック図である。図２は、情報処理装置によって実行される異常予測処理の概要を説明する図である。図３は、データ間の因果関係について説明する図である。図４は、データ間の因果関係の統計学的な根拠について説明する図である。図５は、データ間の因果関係を推定する処理を説明する図である。図６は、第１の実施形態に係る情報処理装置における算出処理の流れの一例を示すフローチャートである。図７は、算出プログラムを実行するコンピュータを示す図である。

以下に、本願に係る情報処理装置、算出方法および算出プログラムの実施の形態を図面に基づいて詳細に説明する。なお、この実施の形態により本願に係る情報処理装置、算出方法および算出プログラムが限定されるものではない。

［第１の実施形態］
以下の実施の形態では、第１の実施形態に係る情報処理装置１０の構成、情報処理装置１０の処理の流れを順に説明し、最後に第１の実施形態による効果を説明する。

［情報処理装置の構成］
まず、図１を用いて、情報処理装置１０の構成を説明する。図１は、第１の実施形態に係る情報処理装置の構成例を示すブロック図である。情報処理装置１０は、例えば、工場やプラントなどの監視対象設備に設置されるセンサによって取得された複数のデータを収集し、収集された複数のデータを入力として、監視対象設備の異常を予測するための学習済みモデル（計算モデル）を用いて、監視対象設備の異常度であるフレーム異常評価値を出力値として出力する。

また、情報処理装置１０は、各センサによって観測された複数データから個々のデータ間の因果関係を推定する。なお、このとき用いるデータは必ずしも系列的なデータ（例えば時系列データなど）でなくてもよい。

情報処理装置１０では、因果関係のありそうな（あるいは、なさそうな）程度に応じて、複数センサ間の特定の関係性あるいは複数の関係性を解析者が事前にグルーピングし、このグルーピングに沿った因果関係の比較、及びスパースな推定解を算出する。なお、このグルーピングでは重複を許すことができるものとする。

すなわち、解析者は自身のノウハウに基づいて、任意のセンサ間の関係性に対して、因果関係があると思われるグルーピングを複数指定して解析を行うことができる。本実施形態では、このように解析者によって事前に入力された複数のグルーピングを相互に比較することができ、その結果最終的に個々の因果関係の程度値と、入力されたグループに応じたそのグルーピング自体の重要度（個々のグルーピングが如何程良いか悪いか）の情報を得ることができる。

ここで、図２を用いて、情報処理装置１０によって実行される異常予測処理の概要を説明する図である。図２は、情報処理装置によって実行される異常予測処理の概要を説明する図である。

図２の（Ａ）では、プラント内の反応炉や装置などにセンサや運転用の信号などを収集するデバイスが取り付けられ、一定時間毎にデータを収集していることを図示している。そして、図２の（Ｂ）では、プロセスデータを項目（プロセス）ごとにプロットしたものを図示しており、情報処理装置１０は、分析窓（網掛けされた部分）のデータを切り出す。これは、窓内のデータに基づく因果関係が、窓を時間に沿ってスライドさせたときに変化する度合いを用いて、異常検知や変化点検知を行うときを想定している。これは解析者の目的に応じた前処理であるので、必ずしも分析窓を用いる必要はない。

情報処理装置１０は、プロセスデータから抽出された数値に基づき、予測対象である個々のデータ間の因果関係の評価値を算出する（図２の（Ｃ）参照）。図２の（Ｄ）は、（Ｃ）により評価された因果関係の評価値をプロットしたものであり、分析窓をスライドさせて一定時間ごとに算出される因果関係の予測評価値をプロットしたものである。例えば、プラントなどに導入する場合は、このプロットを用いて現在のデータ間の因果関係を予測することや、あるいは予測した因果関係が予め設定した値域を外れた場合にアラームを発する異常検知や変化点検知へ応用することなどが期待される。

図１に示すように、この情報処理装置１０は、通信処理部１１、制御部１２および記憶部１３を有する。以下に情報処理装置１０が有する各部の処理を説明する。

通信処理部１１は、接続される装置との間でやり取りする各種情報に関する通信を制御する。また、記憶部１３は、制御部１２による各種処理に必要なデータおよびプログラムを格納し、プロセスデータ記憶部１３ａ、グループ情報記憶部１３ｂおよび重要度情報記憶部１３ｃを有する。例えば、記憶部１３は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子等の記憶装置である。

プロセスデータ記憶部１３ａは、取得部１２ａによって取得されたプロセスデータを記憶する。例えば、プロセスデータ記憶部１３ａには、プロセスデータとして、少なくとも、所定の時間幅のフレーム分の最新のプロセスデータが格納されている。

グループ情報記憶部１３ｂは、複数センサ間のグループ情報を記憶する。例えば、グループ情報記憶部１３ｂは、解析者が事前に設定したグループ情報であって、因果関係のありそうな（あるいは、なさそうな）程度に応じて、複数センサ間のグループを設定するためのグループ情報を記憶する。

重要度情報記憶部１３ｃは、算出部１２ｅによって算出されたグループ毎の重要度と、データ間の因果関係を示す推定値とを記憶する。ここで、重要度情報記憶部１３ｃは、重要度として、各グループに含まれるデータ同士の因果関係の強さを示すスコアを記憶する。また、重要度情報記憶部１３ｃは、推定値として、事前に設定されたグループに沿ったスパースな精度行列の推定解を記憶する。

制御部１２は、各種の処理手順などを規定したプログラムおよび所要データを格納するための内部メモリを有し、これらによって種々の処理を実行する。例えば、制御部１２は、取得部１２ａ、前処理部１２ｂ、予測部１２ｃ、受付部１２ｄおよび算出部１２ｅを有する。ここで、制御部１２は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphical Processing Unit）などの電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路である。

取得部１２ａは、処理対象に関する複数のデータを取得する。例えば、取得部１２ａは、工場やプラントなどの監視対象設備に設置されるセンサから多変量時系列の数値データを定期的（例えば、１分ごと）に受信し、プロセスデータ記憶部１３ａに格納する。ここでセンサが取得するデータとは、例えば、監視対象設備である工場、プラント内の装置や反応炉についての温度や圧力、音、振動等の各種データである。

なお、センサによって取得された時系列のデータを、適宜プロセスデータと記載する。また、取得部１２ａが取得するデータはセンサが取得したデータに限定されるものではなく、例えば、人的に入力された数値データ等でもよい。

前処理部１２ｂは、取得部１２ａによって取得された時系列データに所定の前処理を行って、時系列データを加工する。例えば、前処理部１２ｂは、所定幅のプロセスデータを切り出し、切り出した幅のプロセスデータに含まれる各値について、センサごとに代表値（平均値）を算出するようにしてもよい。なお、前処理部１２ｂの処理は省略してもよい。

予測部１２ｃは、取得部１２ａによって取得された時系列データを入力として、監視対象設備の状態を予測するための学習済みモデルを用いて、所定の出力値を出力する。例えば、予測部１２ｃは、前処理部１２ｂによって時系列データが加工された場合には、加工された時系列データを学習済みモデルに入力し、予め設定された一定時間後の監視対象設備の状態を予測する。

ここで、予測部１２ｃは、例えば、取得部１２ａによって取得された各センサの時系列データを入力として、後述する算出部１２ｅによって算出されたグループ毎の重要度と、データ間の因果関係を示す推定値とを加味した学習済みモデルを用いて、監視対象設備の状態を予測する。なお、予測部１２ｃが使用する学習済みモデルはどのようなモデルであってもよく、また、予測する手法もどのような手法であってもよい。

受付部１２ｄは、グループ情報の設定を受け付ける。例えば、受付部１２ｄは、グループ情報として、取得部１２ａによって取得された複数のデータから推定される共分散行列の逆行列である精度行列における個々の要素をグルーピングする設定を受け付ける。そして、受付部１２ｄは、受け付けたグループ情報をグループ情報記憶部１３ｂに格納する。

算出部１２ｅは、取得部１２ａによって取得された複数のデータを、予め設定されたグループ情報に基づいてグルーピングし、各グループに含まれるデータ同士の因果関係の強さを示す重要度をグループごとに算出するとともに、複数データ間の精度行列と重要度とに基づいてデータ間の因果関係を示す推定値を算出する。

例えば、算出部１２ｅは、取得部１２ａによって取得された複数のデータとグループ情報を入力として、重要度および推定値を推定する学習済みモデル（計算モデル）を用いて、重要度および推定値を算出する。なお、各グループの重要度と推定値を算出する手法はどのような手法であってもよい。例えば、情報処理装置１０は、潜在Group Lasso（例えば、非特許文献１参照）の技術を適用して、各グループの重要度と、各グループの重要度に基づくデータ間の因果関係を示す推定解とを算出する。

ここで、図３を用いて、本実施形態で解析しようとしているデータ間の因果関係について説明する。図３は、データ間の因果関係について説明する図である。図３に例示するように、まず、データ間の因果関係を推定する手法では、前提として解析対象の多変量データが多変量正規分布に従って生成されていると仮定する。

このとき、観測データから容易に共分散行列を推定することができ、この共分散行列を個別のデータの分散（共分散行列では対角成分に相当）でスケーリングを行なったものが相関行列である。ここで、共分散行列の逆行列は精度行列と呼ばれている。この精度行列の個々の要素が本実施形態で解き明かしたい個々の観測データ間の因果関係を規定している。

続いて、図４に基づいて、「因果関係」の統計学的な根拠について簡単に説明する。図４は、データ間の因果関係の統計学的な根拠について説明する図である。まずデータが多変量正規分布に従っていると仮定すると、共分散行列や精度行列を用いて、個々のデータの生成確率を記述することができる（図４の（１）、（２）参照）。ここで、特にデータｘ_１とデータｘ_２の間の因果関係に注目してみる。

このときｘ_１とｘ_２以外のデータ（すなわちｘ_３、ｘ_４、ｘ_５）が与えられた場合の、ｘ_１とｘ_２の条件付き同時確率は、図４の（３）ように記述でき、特に今興味の対象であるｘ_１とｘ_２以外を省略した形式で記述することができる（図４の（４）参照）。これら省略した項はデータｘ_１とデータｘ_２の間の因果関係には関係しない。さて、データｘ_１とデータｘ_２が独立である場合、ｘ_１とｘ_２の条件付き同時確率は、図４の（５）ようにｘ_１についての条件付き確率とｘ_２についての条件付き確率の積として記述することができる。これは先ほどのｘ_１とｘ_２の条件付き同時確率の式をみるとΛ12＝0と同値である。結果として、もしΛ12＝0であるならば、ｘ_１とｘ_２は無関係であると主張することができる。より厳密にはガウス型グラフィカルモデルの意味で無関係と主張可能である。

ここで、図５を用いて、情報処理装置１０がデータ間の因果関係を推定する処理を説明する。図５は、データ間の因果関係を推定する処理を説明する図である。情報処理装置１０は、観測データから規定される精度行列を、Graphical Lassoのようにスパースに推定するが、その際解析者の事前知識等に基づいて精度行列の個々の要素をグルーピングし、この事前に設定したグループ構造に沿ったスパースな精度行列の推定解を得ることができる。

例えば、図５に例示するように、情報処理装置１０は、解析者が複数データ間の精度行列を参照しながら、因果関係が同程度の要素同士をグルーピングした設定を受け付ける。具体例を挙げて説明すると、例えば、解析者は、センサＡとセンサＢの因果関係と、センサＣとセンサＥの因果関係とが同程度に高いと判断した場合には、センサＡとセンサＢとの組、センサＣとセンサＥとの組を同一のグループに設定する。

また、例えば、解析者は、センサＡとセンサＣの因果関係と、センサＢとセンサＥの因果関係と、センサＣとセンサＤの因果関係と、センサＤとセンサＥの因果関係とが同程度に低いと判断した場合には、センサＡとセンサＣとの組、センサＢとセンサＥとの組、センサＣとセンサＤとの組、センサＤとセンサＥとの組を同一のグループに設定する。

つまり、解析者のノウハウや既に得られている知見に基づいて、個々のデータ間の因果関係の可能性程度に応じたグループが可能である。なお、この際グルーピングでは重複を許してよいし、単一の要素で１つのグループとしてもよいが、全ての精度行列の要素は何れかのグループに属するものとする。

情報処理装置１０は、例えば、センサデータとグループ情報とを計算モデルに入力し、計算モデルの出力値として、各グループの重要度と、精度行列と比較可能なスパースな因果関係を示す推定解を得る。

情報処理装置１０では、例えば、潜在Group Lasso（Latent Group Lasso）の技術を適用することで、この事前に設定したグループ情報に基づいて、個々のグループの重要度を適当なスケーリングで評価することができる。この際、不要と判断されたグループ（つまり、重要度が相対的に低いグループ）に属する精度行列の要素については０に推定される。また、情報処理装置１０では、例えば重複を許した結果、ある要素が複数のグループに属している場合、少なくとも１つ以上のグループで重要であると推定されれば、当該要素は０に推定される。

情報処理装置１０では、解析者のノウハウを反映し、不要な因果関係を削ぎ落とした、より高精度でスパースな因果関係を算出することが可能である。このため、情報処理装置１０では、解析対象の因果関係を明瞭に知ることが可能である。

［情報処理装置の処理手順］
次に、図６を用いて、第１の実施形態に係る情報処理装置１０による処理手順の例を説明する。図６は、第１の実施形態に係る情報処理装置における算出処理の流れの一例を示すフローチャートである。

図６に例示するように、情報処理装置１０は、センサ等が測定した測定データを計算モデルに入力し（ステップＳ１０１）、比較したい因果関係のグループ情報を計算モデルに入力する（ステップＳ１０２）。

そして、情報処理装置１０は、尤度が大きくなるように計算モデルのパラメータを更新し（ステップＳ１０３）、所定の終了条件を満たすか判定する（ステップＳ１０４）。この結果、情報処理装置１０は、所定の終了条件を満たしていないと判定した場合には（ステップＳ１０４否定）、ステップＳ１０３に戻り、所定の終了条件を満たすまで計算モデルのパラメータを更新する処理を繰り返す。

また、情報処理装置１０は、所定の終了条件を満たすと判定した場合には（ステップＳ１０４肯定）、因果関係の推定値とグループ毎の重要度を得る（ステップＳ１０５）。

［第１の実施形態の効果］
第１の実施形態に係る情報処理装置１０は、処理対象に関する複数のデータを取得し、取得した複数のデータを、予め設定されたグループ情報に基づいてグルーピングし、各グループに含まれるデータ同士の因果関係の強さを示す重要度を算出するとともに、複数データ間の精度行列と重要度とに基づいてデータ間の因果関係を示す推定値を算出する。このため、情報処理装置１０は、データ間の因果関係の推定値を精度よく得ることが可能である。

第１の実施形態に係る情報処理装置１０は、解析者のノウハウとして、因果関係のありそうな（あるいは、なさそうな）程度に応じて、複数センサ間の特定の関係性あるいは複数の関係性を事前にグルーピングし、このグルーピングに沿った因果関係の比較、及びスパースな推定解を得ることができる。解析者は自身のノウハウに基づいて、任意のセンサ間の関係性に対して、因果関係がありえるだろうと思われるグルーピングを複数指定して解析を行うことができる。情報処理装置１０では、このように解析者によって事前に入力された複数のグルーピングを相互に比較することができ、その結果最終的に個々の因果関係の程度値と、入力されたグループに応じたそのグルーピング自体の重要度（個々のグルーピングが如何程良いか悪いか）の情報を得ることができる。

情報処理装置１０では、従来手法に比較して高精度な因果関係の推定解を得られるだけでなく、スパース推定の効用で不要な本質的でない因果関係を０に削ぎ落としたスパースな推定解を得ることができる。さらに、上記のような理由で、解析者のノウハウを無駄にせず、解析者の理解に即した自然な推定を行うことができるものと期待される。それにより手法の解釈性や信頼性が向上し、解析結果をより実益に即した対応へと昇華させることができる。例えば、複数データ間の共分散行列を用いた異常検知や変化点検知の手法は知られているが、本実施形態に基づいて推定されたスパースで高精度な精度行列（に対応する行列）を代わりに用いて、従来手法のように異常検知や変化点検知をすれば、これらの検知精度の向上も実現可能である。

また、情報処理装置１０では、もし解析者に特段のノウハウがない場合でも、解析者は多角的に解析の幅を広げることができる。例えば最初は愚直に当てずっぽうでグルーピングを行い、グルーピングの重要度を確認して次に別のグルーピングを試したり、あるいは先に従来手法で因果関係（共分散行列や精度行列など）を推定し、その結果に基づいてさらに詳しく明瞭に確認したい箇所や明らかに異なると思われる箇所をグルーピングしたりすることも可能である。

［システム構成等］
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵやＧＰＵおよび当該ＣＰＵやＧＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

また、本実施の形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、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。

［プログラム］
また、上記実施形態において説明した情報処理装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る情報処理装置１０が実行する処理をコンピュータが実行可能な言語で記述した算出プログラムを作成することもできる。この場合、コンピュータが算出プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる算出プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された算出プログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。

図７は、算出プログラムを実行するコンピュータを示す図である。図７に例示するように、コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有し、これらの各部はバス１０８０によって接続される。

メモリ１０１０は、図７に例示するように、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、図７に例示するように、ハードディスクドライブ１０９０に接続される。ディスクドライブインタフェース１０４０は、図７に例示するように、ディスクドライブ１１００に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１１００に挿入される。シリアルポートインタフェース１０５０は、図７に例示するように、例えばマウス１１１０、キーボード１１２０に接続される。ビデオアダプタ１０６０は、図７に例示するように、例えばディスプレイ１１３０に接続される。

ここで、図７に例示するように、ハードディスクドライブ１０９０は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、上記の、算出プログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュールとして、例えばハードディスクドライブ１０９０に記憶される。

また、上記実施形態で説明した各種データは、プログラムデータとして、例えばメモリ１０１０やハードディスクドライブ１０９０に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０９０に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出し、各種処理手順を実行する。

なお、算出プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０９０に記憶される場合に限られず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、算出プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

上記の実施形態やその変形は、本願が開示する技術に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０情報処理装置
１１通信処理部
１２制御部
１２ａ取得部
１２ｂ前処理部
１２ｃ予測部
１２ｄ受付部
１２ｅ算出部
１３記憶部
１３ａプロセスデータ記憶部
１３ｂグループ情報記憶部
１３ｃ重要度情報記憶部

Claims

処理対象に関する複数のデータを取得する取得部と、
前記取得部によって取得されたデータ同士の関係を、予め設定されたグループ情報であって、複数のデータ間の特定の関係性あるいは複数の関係性に基づくグループ情報に基づいてグルーピングし、潜在Group Lassoにより、各グループに含まれるデータ同士の因果関係の強さを示す重要度を算出するとともに、前記取得部によって取得された複数のデータから推定される共分散行列の逆行列である精度行列と前記重要度とに基づいてデータ間の因果関係を示す推定値を算出する算出部と
を有することを特徴とする情報処理装置。
前記グループ情報の設定を受け付ける受付部をさらに有することを特徴とする請求項１に記載の情報処理装置。
前記受付部は、前記グループ情報として、前記取得部によって取得された複数のデータから推定される共分散行列の逆行列である精度行列における個々の要素をグルーピングする設定を受け付けることを特徴とする請求項２に記載の情報処理装置。
前記算出部は、前記取得部によって取得された複数のデータと前記グループ情報を入力として、前記重要度および前記推定値を計算する計算モデルを用いて、前記重要度および前記推定値を算出することを特徴とする請求項１に記載の情報処理装置。
前記取得部によって取得された時系列データを入力として、前記処理対象の状態を予測するための学習済みモデルを用いて、所定の出力値を出力する予測部をさらに有することを特徴とする請求項１に記載の情報処理装置。
情報処理装置によって実行される算出方法であって、
処理対象に関する複数のデータを取得する取得工程と、
前記取得工程によって取得されたデータ同士の関係を、予め設定されたグループ情報であって、複数のデータ間の特定の関係性あるいは複数の関係性に基づくグループ情報に基づいてグルーピングし、潜在Group Lassoにより、各グループに含まれるデータ同士の因果関係の強さを示す重要度を算出するとともに、前記取得工程によって取得された複数のデータから推定される共分散行列の逆行列である精度行列と前記重要度とに基づいてデータ間の因果関係を示す推定値を算出する算出工程と
を含んだことを特徴とする算出方法。
処理対象に関する複数のデータを取得する取得ステップと、
前記取得ステップによって取得されたデータ同士の関係を、予め設定されたグループ情報であって、複数のデータ間の特定の関係性あるいは複数の関係性に基づくグループ情報に基づいてグルーピングし、潜在Group Lassoにより、各グループに含まれるデータ同士の因果関係の強さを示す重要度を算出するとともに、前記取得ステップによって取得された複数のデータから推定される共分散行列の逆行列である精度行列と前記重要度とに基づいてデータ間の因果関係を示す推定値を算出する算出ステップと
をコンピュータに実行させることを特徴とする算出プログラム。