JP7056765B2 - 情報処理装置、制御方法および非一時的記憶媒体 - Google Patents
情報処理装置、制御方法および非一時的記憶媒体 Download PDFInfo
- Publication number
- JP7056765B2 JP7056765B2 JP2020564957A JP2020564957A JP7056765B2 JP 7056765 B2 JP7056765 B2 JP 7056765B2 JP 2020564957 A JP2020564957 A JP 2020564957A JP 2020564957 A JP2020564957 A JP 2020564957A JP 7056765 B2 JP7056765 B2 JP 7056765B2
- Authority
- JP
- Japan
- Prior art keywords
- data stream
- cluster
- data
- distribution
- parameters
- 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
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
実施形態1の情報処理装置(図1において記載される情報処理装置2000)は、教師データから複数の入力データストリームを取り込み、共有されるクラスタダイナミクスとの各データの尤度に基づきクラスタ割り当てを実行する。情報処理装置2000は、定義された変換関数の使用を通して、潜在状態を、観測されたデータを表す観測モデルのパラメータに更に変換する。その結果、すべての学習モデルパラメータが学習される。他の意味では、実施形態1の情報処理装置2000は、時系列モデリングのための訓練段階を実行する。
本発明の主要な貢献は、異なるデータ型に適応することができる、時系列モデリングの普遍的なフレームワークを提供することにある。したがって、データ型に従って変わる観測特有モデルの構築に伴う労力を低減させる。時系列モデリングの潜在モデルはすべてのデータ型にわたり同じに保つことができ、したがって、推論アルゴリズムはモデルの潜在構造に対して同じままであり、異なるデータ型にしたがって観測モデルの更新構造を修正する必要があるのみである。加えて、本発明は、一般の観測モデルと時系列モデルのノンパラメトリックベイズ法との間の橋渡しを提供する。このことは、ノンパラメトリックベイズ法がクラスタの数を固定することを必要とせず、したがって、モデル検証に関わる時間を減らすので、学習の複雑さを更に単純化する。
図2は、時系列クラスタリングのための実施形態1の情報処理装置2000によって実行される処理手順を示すフローチャートである。取得部2020は、入力データストリームを取得する(S102)。
入力データは、データストリームの集合、等価的にはタイムスタンプを有する一連の観測である。入力データは、離散または実数のデータ値でありうる。現在の実施形態の離散値のケースは、カウントデータまたはカテゴリカルデータを含んでもよく、一方、実数のケースは、正の実数値をとるように制限される財務時系列、物価指数、または、任意の実数値をとることができる実世界平面の追跡された物体の軌跡データを含んでもよい。カテゴリカルデータに対しては、データはone-hotベクトル、すなわち0と1のベクトル、によって表され、1が選択されたカテゴリに対応する。他のデータ型については、入力データは、観測と同じフォーマットを有してもよい。なお、そのようなデータセットを取得することで、各データ型に対して提案された膨大な数の従来手法を用いることができる。
入力データストリームごとに、クラスタリング部2040は決定されたクラスタにデータを割り当てる。クラスタ割り当て規則は、ディリクレ混合過程モデル(DPMM)のStick-breaking構成法によって決定されてもよい。クラスタ指標変数は、正の整数値をとることができるciで表される。なお、DPMMのStick-breaking構成法はノンパラメトリックベイズ法で広く普及しているため、我々はそれについて論じることを省略する。
クラスタごとに、関連するグローバルパラメータは、クラスタダイナミクス、または等価的には値のグローバルな変化を表すシーケンス、を含む。時刻tにおけるクラスタkのクラスタダイナミクスは、η[k,t]と表される。クラスタダイナミクスの事前分布は、パラメータの予め設定されたリストを通して、予め定義することができる。クラスタダイナミクスの事前分布の可能な1つの見方は、多変量正規分布であり、他の見方は、次元のそれぞれの要素が指数分布で分布する多変量指数分布でありうる。
個々のデータストリームに対して、個別応答パラメータと呼ばれるローカル潜在変数が指定される。個々のデータストリームiに対して、個別応答パラメータは、スカラー変数λ[i]と表される。クラスタkに割り当てられたデータストリームの時刻tにおける個別応答は、平均パラメータλ[i]*η[k,t]を有する予め定義された分布を有する、確率変数δ[i,t]を通して実現され、形としては以下のとおりである。
入力データストリームは、パラメータが潜在プロセスに従う分布から得られる。時刻tにおけるデータストリームiの潜在状態は、z[i,t]と表される。潜在状態は、有限次数qを有する自己回帰モデルとして定式化される、すなわち、時刻tにおける潜在状態は、線形関係を通してそれ以前のqの状態に依存する。q=1に対しては、以下のように書くことができるAR(1)モデルの意味になる。
変換関数は、観測モデルのパラメータを提供する。観測モデルは、更に以下のように分解することができる。
1.データセットのデータストリームは、観測分布に従って分布しなければならない。例えば、歩行者の軌跡データの場合、同じ時間枠の個々人の位置は、多変量正規分布(または多変量正規分布の混合)を有すると考えることができる。したがって、そのようなデータに対して、観測モデルは、多変量正規分布に選択することができる。
1.変換関数のドメインは、多次元実数空間になければならない。
2.変換関数の範囲は、与えられたパラメータおよび観測分布の対に対するパラメータ空間になければならない。
3.変換関数は、多次元実数空間上の滑らかで、凹で単調な関数でなければならない。
4.変換関数の1次および2次の導関数が存在しなければならず、加えて、1次導関数は連続でなければならない。
本発明において、以前に記載しているように、観測分布および変換関数のペアから構成される一般観測モデルを提案する。観測モデルは、観測データ型によって、そして対応する変換関数によっても異なる。この一般観測モデル用の推論アルゴリズムは、変分推論アルゴリズムとなるように選択される。しかしながら、観測分布がモデル潜在変数の周辺分布とは分布の異なる系統にあるので、この差はモデルの非共役性となり、したがって、以下に論じるように非共役変分推論方法を必要とする。
このセクションにおいて、現在のモデリングタスクにおいてモデル推論を実行するアルゴリズム例を提供する。一般の観測モデルが、残りのモデル潜在変数よりも非共役観測分布を有するので、非共役変分推論と呼ばれる、モデル推論のための最適化ベースの特別なクラスのアルゴリズムを用いることができる。
現在のモデルの事後分布の正確な計算は困難であるので、評価するのが比較的容易である近似事後分布を固守する。この近似事後分布は、しばしば提案事後分布と呼ばれる。
現在のモデルの損失関数は、実際のモデルの同時事後分布と提案事後分布の間のダイバージェンスとみなされる。変分推論アルゴリズムにおいて、このダイバージェンスは、カルバック・ライブラーダイバージェンスまたはKLダイバージェンスとすることができる。一般に、KLダイバージェンスは、総データ対数尤度上の下限として単純化される。したがって、最適化問題としては、下限を最大にすることが必要である。したがって、結果として生じる損失関数は、変分下限または短縮形としてELBOと呼ばれる。
一旦提案事後分布の最適化されたモデルパラメータが取得されると、モデリング部2080は、各入力データストリームのクラスタインデックスを、そのクラスタ割り当てパラメータを通して決定する。入力データストリームのクラスタインデックスを決定するにはいくつかの方法がある。例えば、モデリング部2080は、最適化されたパラメータによってパラメータが与えられる分布から、クラスタインデックスをサンプリングする。
情報処理装置2000に含まれる各機能部は、少なくとも1つのハードウェア構成要素で実装されてもよく、各ハードウェア構成要素は一つ以上の機能部を実現してもよい。一部の実施形態では、各機能部は、少なくとも1つのソフトウェア構成要素によって実装されてもよい。一部の実施形態では、各機能部は、ハードウェア構成要素およびソフトウェア構成要素の組合せによって実装されてもよい。
プロセッサ1040は、CPU(中央演算処理装置)、GPU(画像処理装置)、またはFPGA(フィールドプログラマブルゲートアレイ)などのプロセッサである。メモリ1060は、RAM(ランダムアクセスメモリ)などの主記憶装置である。記憶媒体1080は、ハードディスク装置、SSD(ソリッドステートドライブ)、またはROM(リードオンリーメモリー)などの二次記憶装置である。
Claims (9)
- プロセッサ、および命令を保存するメモリを備える情報処理装置であって、前記プロセッサが、
それぞれが、そのタイムスタンプとともに観測されたデータの時間シーケンスを表わす、複数データストリームを取得し、
予め設定された終了条件が満たされるまで再帰的に、
同時事後分布および提案事後分布のダイバージェンスの最適化の結果を示しており、前記提案事後分布のパラメータを含むクラスタアイデンティティ分布のパラメータを、勾配降下最適化を通して更新する、
クラスタごとに、前記クラスタのダイナミクスに対する提案事後分布を最適化することにより前記クラスタの前記ダイナミクスを更新する、
データストリームごとに、前記データストリームの個別応答に対する提案事後分布を最適化することにより前記データストリームの前記個別応答を更新し、前記データストリームの前記個別応答は、前記データストリームが割り当てられた前記クラスタの前記ダイナミクスに対する前記データストリームの感度を表わす、
データストリームごとに、前記データストリームの前記更新された個別応答に基づいて、前記データストリームの潜在状態を更新する、
データストリームごと、タイムスタンプごとに、前記データストリームのデータ型に対応する、データ型ごとに異なる変換関数を用いて、前記タイムスタンプにおける前記データストリームの前記潜在状態を観測モデルのパラメータに変換することによって、前記タイムスタンプにおける前記データストリームの前記観測モデルを更新する、および、
クラスタごとに、クラスタアイデンティティ分布の前記パラメータ、前記クラスタの前記ダイナミクス、前記クラスタに割り当てられた各データストリームの前記ダイナミクス、および、前記クラスタに割り当てられた各データストリームに対応する前記潜在状態、に基づいてモデルデータを生成する、ことを実行する、前記命令を実行するように構成される情報処理装置。 - 前記プロセッサが、前記提案事後分布を最大にすることによって、前記クラスタアイデンティティ分布の前記パラメータの前記更新を実行するように更に構成される、請求項1に記載の情報処理装置。
- 前記変換関数が以下の制約、
前記変換関数のドメインは、多次元実数空間になければならない、
前記変換関数の範囲は、与えられたパラメータおよび観測分布の対に対するパラメータ空間になければならない、
前記変換関数は、多次元実数空間上の滑らかで、凹で単調な関数である、および、
前記変換関数の1次および2次の導関数が存在し、前記1次導関数が連続である、の全てを満たす、請求項1又は2に記載の情報処理装置。 - 計算機によって実行される制御方法であって、
それぞれが、そのタイムスタンプとともに観測されたデータの時間シーケンスを表わす、複数データストリームを取得することと、
予め設定された終了条件が満たされるまで再帰的に、
同時事後分布および提案事後分布のダイバージェンスの最適化の結果を示しており、前記提案事後分布のパラメータを含むクラスタアイデンティティ分布のパラメータを、勾配降下最適化を通して更新すること、
クラスタごとに、前記クラスタのダイナミクスに対する提案事後分布を最適化することにより前記クラスタの前記ダイナミクスを更新すること、
データストリームごとに、前記データストリームの個別応答に対する提案事後分布を最適化することにより前記データストリームの前記個別応答を更新し、前記データストリームの前記個別応答は、前記データストリームが割り当てられた前記クラスタの前記ダイナミクスに対する前記データストリームの感度を表わすこと、
データストリームごとに、前記データストリームの前記更新された個別応答に基づいて、前記データストリームの潜在状態を更新すること、
データストリームごと、タイムスタンプごとに、前記データストリームのデータ型に対応する、データ型ごとに異なる変換関数を用いて、前記タイムスタンプにおける前記データストリームの前記潜在状態を観測モデルのパラメータに変換することによって、前記タイムスタンプにおける前記データストリームの前記観測モデルを更新すること、および、
クラスタごとに、クラスタアイデンティティ分布の前記パラメータ、前記クラスタの前記ダイナミクス、前記クラスタに割り当てられた各データストリームの前記ダイナミクス、および、前記クラスタに割り当てられた各データストリームに対応する前記潜在状態、に基づいてモデルデータを生成すること、を実行することと、を含む制御方法。 - 前記提案事後分布を最大にすることによって、前記クラスタアイデンティティ分布の前記パラメータの前記更新が実行される、請求項4に記載の制御方法。
- 前記変換関数が以下の制約、
前記変換関数のドメインは、多次元実数空間になければならない、
前記変換関数の範囲は、与えられたパラメータおよび観測分布の対に対するパラメータ空間になければならない、
前記変換関数は、多次元実数空間上の滑らかで、凹で単調な関数である、および、
前記変換関数の1次および2次の導関数が存在し、前記1次導関数が連続である、の全てを満たす、請求項4または5に記載の制御方法。 - 計算機読み取り可能な非一時的記憶媒体であって、
それぞれが、そのタイムスタンプとともに観測されたデータの時間シーケンスを表わす、複数データストリームを取得し、
予め設定された終了条件が満たされるまで再帰的に、
同時事後分布および提案事後分布のダイバージェンスの最適化の結果を示しており、前記提案事後分布のパラメータを含むクラスタアイデンティティ分布のパラメータを、勾配降下最適化を通して更新する、
クラスタごとに、前記クラスタのダイナミクスに対する提案事後分布を最適化することにより前記クラスタの前記ダイナミクスを更新する、
データストリームごとに、前記データストリームの個別応答に対する提案事後分布を最適化することにより前記データストリームの前記個別応答を更新し、前記データストリームの前記個別応答は、前記データストリームが割り当てられた前記クラスタの前記ダイナミクスに対する前記データストリームの感度を表わす、
データストリームごとに、前記データストリームの前記更新された個別応答に基づいて、前記データストリームの潜在状態を更新する、
データストリームごと、タイムスタンプごとに、前記データストリームのデータ型に対応する、データ型ごとに異なる変換関数を用いて、前記タイムスタンプにおける前記データストリームの前記潜在状態を観測モデルのパラメータに変換することによって、前記タイムスタンプにおける前記データストリームの前記観測モデルを更新する、および、
クラスタごとに、クラスタアイデンティティ分布の前記パラメータ、前記クラスタの前記ダイナミクス、前記クラスタに割り当てられた各データストリームの前記ダイナミクス、および、前記クラスタに割り当てられた各データストリームに対応する前記潜在状態、に基づいてモデルデータを生成する、ことを実行する、プログラムを保存する非一時的記憶媒体。 - 前記計算機が、前記提案事後分布を最大にすることによって、前記クラスタアイデンティティ分布の前記パラメータの前記更新を更に実行する、請求項7に記載の記憶媒体。
- 前記変換関数が以下の制約、
前記変換関数のドメインは、多次元実数空間になければならない、
前記変換関数の範囲は、与えられたパラメータおよび観測分布の対に対するパラメータ空間になければならない、
前記変換関数は、多次元実数空間上の滑らかで、凹で単調な関数である、および、
前記変換関数の1次および2次の導関数が存在し、前記1次導関数が連続である、の全てを満たす、請求項7または8に記載の記憶媒体。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/021423 WO2019234802A1 (en) | 2018-06-04 | 2018-06-04 | Information processing apparatus, method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021524112A JP2021524112A (ja) | 2021-09-09 |
JP7056765B2 true JP7056765B2 (ja) | 2022-04-19 |
Family
ID=68769516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020564957A Active JP7056765B2 (ja) | 2018-06-04 | 2018-06-04 | 情報処理装置、制御方法および非一時的記憶媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11281686B2 (ja) |
JP (1) | JP7056765B2 (ja) |
WO (1) | WO2019234802A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11636390B2 (en) * | 2020-03-19 | 2023-04-25 | International Business Machines Corporation | Generating quantitatively assessed synthetic training data |
US20230087758A1 (en) * | 2021-09-14 | 2023-03-23 | The Nielsen Company (Us), Llc | Methods and apparatus to accurately credit streaming sessions |
JPWO2023073837A1 (ja) * | 2021-10-27 | 2023-05-04 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013097615A (ja) | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | クラスタリング装置、方法、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336533B2 (en) * | 2013-03-13 | 2016-05-10 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing a similar command with a predictive query interface |
US20140344183A1 (en) | 2013-05-20 | 2014-11-20 | Nec Corporation | Latent feature models estimation device, method, and program |
US10026114B2 (en) * | 2014-01-10 | 2018-07-17 | Betterdoctor, Inc. | System for clustering and aggregating data from multiple sources |
US10037592B2 (en) * | 2015-06-05 | 2018-07-31 | Mindaptiv LLC | Digital quaternion logarithm signal processing system and method for images and other data types |
US10515101B2 (en) * | 2016-04-19 | 2019-12-24 | Strava, Inc. | Determining clusters of similar activities |
US11327797B2 (en) * | 2016-05-09 | 2022-05-10 | Oracle International Corporation | Memory usage determination techniques |
-
2018
- 2018-06-04 US US15/734,442 patent/US11281686B2/en active Active
- 2018-06-04 WO PCT/JP2018/021423 patent/WO2019234802A1/en active Application Filing
- 2018-06-04 JP JP2020564957A patent/JP7056765B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013097615A (ja) | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | クラスタリング装置、方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2019234802A1 (en) | 2019-12-12 |
JP2021524112A (ja) | 2021-09-09 |
US11281686B2 (en) | 2022-03-22 |
US20210216563A1 (en) | 2021-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kucukelbir et al. | Automatic differentiation variational inference | |
Jones et al. | Experiments in stochastic computation for high-dimensional graphical models | |
US8438162B2 (en) | Method and apparatus for selecting clusterings to classify a predetermined data set | |
JP7056765B2 (ja) | 情報処理装置、制御方法および非一時的記憶媒体 | |
Jemai et al. | FBWN: An architecture of fast beta wavelet networks for image classification | |
Gonzalez-Vidal et al. | Beats: Blocks of eigenvalues algorithm for time series segmentation | |
Xu et al. | Graph partitioning and graph neural network based hierarchical graph matching for graph similarity computation | |
Otneim et al. | Conditional density estimation using the local Gaussian correlation | |
Jin et al. | Approximated penalized maximum likelihood for exploratory factor analysis: An orthogonal case | |
Vila et al. | Bayesian nonlinear model selection and neural networks: A conjugate prior approach | |
Koskela | Neural network methods in analysing and modelling time varying processes | |
Chen et al. | A spectral method for identifiable grade of membership analysis with binary responses | |
Cobb | The practicalities of scaling Bayesian neural networks to real-world applications | |
JP6468653B2 (ja) | 予測モデル構築装置 | |
Cipolli et al. | Supervised learning via smoothed Polya trees | |
Korotin et al. | Integral mixability: a tool for efficient online aggregation of functional and probabilistic forecasts | |
Duan et al. | Bayesian spanning tree: estimating the backbone of the dependence graph | |
JP6395261B2 (ja) | 予測モデル構築装置及びプログラム | |
Shustin et al. | PCENet: High dimensional surrogate modeling for learning uncertainty | |
Hirayama et al. | Sparse and low-rank matrix regularization for learning time-varying Markov networks | |
Xiong et al. | Bayesian nonparametric regression modeling of panel data for sequential classification | |
Tao et al. | Scalable Bayesian Tensor Ring Factorization for Multiway Data Analysis | |
JP5766753B2 (ja) | システムパラメータ学習装置、情報処理装置、方法、及びプログラム | |
Jiang et al. | AgFlow: fast model selection of penalized PCA via implicit regularization effects of gradient flow | |
Xu et al. | Graph-Regularized Tensor Regression: A Domain-Aware Framework for Interpretable Modeling of Multiway Data on Graphs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201119 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220117 |
|
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: 20220308 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220321 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7056765 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |