JP7107340B2 - 学習装置、学習方法およびプログラム - Google Patents
学習装置、学習方法およびプログラム Download PDFInfo
- Publication number
- JP7107340B2 JP7107340B2 JP2020146624A JP2020146624A JP7107340B2 JP 7107340 B2 JP7107340 B2 JP 7107340B2 JP 2020146624 A JP2020146624 A JP 2020146624A JP 2020146624 A JP2020146624 A JP 2020146624A JP 7107340 B2 JP7107340 B2 JP 7107340B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- similarity
- data
- learning
- output
- 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
Landscapes
- Image Analysis (AREA)
Description
本発明の実施形態の概要について説明する。本発明の実施形態では、学習用データと正解値との組み合わせに基づいてニューラルネットワークの学習を行う学習装置について説明する。学習装置においては、ニューラルネットワークの学習が行われた後(学習段階)、学習時に算出された類似度の修正が行われ(修正段階)、修正データに基づいて再度学習が行われる(再学習段階)。類似度については後に説明する。その後、識別装置において、学習済みのニューラルネットワークと識別用データ(テストデータ)とに基づいて推論値が出力される。
まず、本発明の第1の実施形態について説明する。図1は、本発明の第1の実施形態に係る学習装置10の機能構成例を示す図である。図1に示されるように、本発明の第1の実施形態に係る学習装置10は、入力部115と、特徴抽出部121と、類似度算出部122と、推論部123と、評価部140と、更新部150と、出力制御部161と、出力部162と、操作部171と、記録制御部172と、処理実行部180とを備える。
まず、本発明の第1の実施形態に係る学習装置10によって実行される「学習段階」について説明する。
データセット110は、複数の学習用データ(入力データ)と当該複数の学習用データそれぞれの正解値とを含んで構成される。なお、本発明の実施形態では、学習用データが画像データである場合(特に、静止画像データである場合)を主に想定する。しかし、学習用データの種類は特に限定されず、次元数調整によって画像データ以外も学習用データとして用いられ得る。例えば、学習用データは、複数のフレームを含んだ動画像データであってもよいし、音響データであってもよい。
入力部115は、データセット110から学習用データおよび正解値の組み合わせを順次に取得する。入力部115は、学習用データおよび正解値の組み合わせを順次にニューラルネットワーク120の特徴抽出部121に出力する。入力部115よりも後段の各ブロックにおいては、前段のブロックからの入力に基づいて順次に各自の処理が繰り返し実行される。
特徴抽出部121は、入力部115から出力された学習用データと特徴抽出NNとに基づいて特徴量を抽出する。より詳細に、特徴抽出部121は、特徴抽出NNに学習用データを入力させたことに基づいて、特徴抽出NNから出力されるデータを特徴量として得る。特徴抽出部121は、特徴量を類似度算出部122に出力する。ここで、図2を参照しながら、特徴抽出部121の機能についてより詳細に説明する。
図1に戻って説明を続ける。類似度算出部122は、特徴抽出部121から出力された特徴量F1とプロトタイプデータ134との類似度を算出する。そして、類似度算出部122は、算出した特徴量F1とプロトタイプデータ134との類似度を推論部123に出力する。ここで、図3を参照しながら、類似度算出部122の機能についてより詳細に説明する。
図1に戻って説明を続ける。推論部123は、類似度算出部122から出力された類似度M1~M4に基づいて推論を行って推論値を得る。そして、推論部123は、推論値を評価部140に出力する。ここで、図4を参照しながら、推論部123の機能についてより詳細に説明する。
図1に戻って説明を続ける。評価部140は、入力部115によって取得された正解値に基づいて、推論部123から出力された推論値を評価して評価結果を得る。そして、評価部140は、評価結果を更新部150に出力する。ここで、図5を参照しながら、評価部140の機能についてより詳細に説明する。
図1に戻って説明を続ける。更新部150は、評価部140から出力された評価結果に基づいて、特徴抽出NNの重みパラメータ132と、推論NNの重みパラメータ133との更新を行う。これによって、推論部123から出力される推論値が正解値に近づくように、特徴抽出NNの重みパラメータ132と、推論NNの重みパラメータ133とが訓練され得る。
図8を参照しながら、本発明の第1の実施形態に係る学習装置10によって実行される「学習段階」の動作の流れについて説明する。図8は、本発明の第1の実施形態に係る学習装置10によって実行される学習段階の動作例を示すフローチャートである。
続いて、本発明の第1の実施形態に係る学習装置10によって実行される「修正段階」について説明する。なお、以下では、「学習段階」において類似度が一度算出されているものの、「修正段階」において類似度が算出され直される場合を主に想定する。これによって、類似度を記憶しておくために確保すべきメモリ領域が低減され得る。しかし、「学習段階」において、算出された類似度が、図示しない記憶部によって記憶されてもよい。かかる場合には、「修正段階」において、図示しない記憶部によって記憶されている類似度が用いられればよい。
推論部123によって推論値が算出されると、出力制御部161は、入力部115によって取得された学習用データ(入力データ)と、プロトタイプに対応付けられている(プロトタイプの)元データとが出力部162によって出力されるように出力部162を制御する。これによって、ユーザは、学習用データと元データとの比較に基づいて、類似度の修正が可能となる。
出力部162は、ユーザに対して視覚的な情報を提示する表示部(ディスプレイ)である場合を主に想定する。しかし、出力部162の具体的な形態は限定されない。例えば、学習用データが音響データである場合などには、出力部162は、ユーザに対して聴覚的な情報を提示する音声出力部(スピーカ)などであってもよい。これによって、ユーザは、学習用データと元データとを聴覚的な情報として知覚した結果に基づいて、類似度を修正することが可能となる。
操作部171は、ユーザによって入力される各種操作を受け付ける機能を有する。ここでは、操作部171がマウスおよびキーボードによって構成される場合を主に想定する。しかし、操作部171の具体的な形態は限定されない。例えば、操作部171は、他の入力デバイス(例えば、タッチパネルなど)によって構成されてもよい。
記録制御部172は、修正データを入力する操作に基づいて、当該修正データを類似度修正データ173として図示しない記憶部に記録する。より詳細に、操作部171に対して、ユーザが修正を実行させる操作(例えば、ボタンB80を選択する操作)を入力すると、記録制御部172は、「修正後の類似度」の入力欄N1に設定された値を修正データとして取得する。記録制御部172は、取得した修正データを類似度修正データ173として図示しない記憶部に記録する。
図10を参照しながら、本発明の第1の実施形態に係る学習装置10によって実行される「修正段階」の動作の流れについて説明する。図10は、本発明の第1の実施形態に係る学習装置10によって実行される修正段階の動作例を示すフローチャートである。まず、S21~S24は、学習段階におけるS11~S14(図8)と同様に実行される。
続いて、本発明の第1の実施形態に係る学習装置10によって実行される「再学習段階」について説明する。「再学習段階」においても、学習段階と同様に、入力部115、特徴抽出部121、類似度算出部122および推論部123において各自の処理が実行される。
図11を参照しながら、本発明の第1の実施形態に係る学習装置10によって実行される「再学習段階」の動作の流れについて説明する。図11は、本発明の第1の実施形態に係る学習装置10によって実行される再学習段階の動作例を示すフローチャートである。まず、S31~S35は、学習段階におけるS11~S15(図8)と同様に実行される。
以上に説明したように、本発明の第1の実施形態に係る学習装置10において、入力部115は、学習用データと学習用データの正解値とを取得する。特徴抽出部121は、学習用データと特徴抽出NNとに基づいて特徴量を抽出する。類似度算出部122は、特徴量の全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する。推論部123は、類似度に基づいて推論値を出力する。
続いて、本発明の第2の実施形態について説明する。図12は、本発明の第2の実施形態に係る学習装置20の機能構成例を示す図である。図12に示されるように、本発明の第2の実施形態に係る学習装置20は、本発明の第1の実施形態に係る学習装置10と同様に、入力部115と、特徴抽出部121と、推論部123と、評価部140と、出力部162と、操作部171と、処理実行部180とを備える。さらに、本発明の第2の実施形態に係る学習装置20は、類似度算出部222と、更新部250と、出力制御部261と、記録制御部272とを備える。以下では、類似度算出部222、更新部250および出力制御部261について主に説明を行う。
まず、本発明の第2の実施形態に係る学習装置20によって実行される「学習段階」について説明する。
本発明の第2の実施形態に係る学習装置20においても、本発明の第1の実施形態と同様に、データセット110、入力部115および特徴抽出部121それぞれの機能が発揮される。
類似度算出部222は、特徴抽出部121から出力された特徴量とプロトタイプデータ234との類似度を算出する。そして、類似度算出部222は、算出した特徴量とプロトタイプデータ234との類似度を推論部123に出力する。ここで、図13を参照しながら、類似度算出部222の機能についてより詳細に説明する。
図12に戻って説明を続ける。推論部123は、本発明の第1の実施形態と同様に、類似度算出部122から出力された類似度M1~M4に基づいて推論を行って推論値を得る。そして、推論部123は、推論値を評価部140に出力する。
更新部250は、評価部140から出力された評価結果に基づいて、特徴抽出NNの重みパラメータ132と、推論NNの重みパラメータ133との更新を行う。また、本発明の第2の実施形態においては、更新部250が、評価部140から出力された評価結果に基づいて、プロトタイプデータ234も更新する場合を主に想定する。しかし、プロトタイプデータ234は、更新されなくてもよい。これらの更新は、本発明の第1の実施形態における更新と同様に実行され得る。
続いて、本発明の第2の実施形態に係る学習装置10によって実行される「修正段階」について説明する。「修正段階」においても、学習段階と同様に、入力部115、特徴抽出部121、類似度算出部222および推論部123において各自の処理が実行される。
推論部123によって推論値が算出されると、出力制御部261は、入力部115によって取得された学習用データ(入力データ)と、プロトタイプに対応付けられている(プロトタイプの)元データとが出力部162によって出力されるように出力部162を制御する。さらに、出力制御部261は、類似度算出部222によって算出された類似度が出力部162によって出力されるように出力部162を制御してよい。これによって、類似度算出部222によって算出された類似度がユーザによって認識され得る。また、出力制御部261は、推論部123によって得られた推論値が出力部162によって出力されるように出力部162を制御してもよい。
図15は、ユーザによる類似度修正後の類似度修正画面の例を示す図である。図15を参照すると、出力部162によって表示される類似度修正画面W3が示されている。図15を参照すると、類似領域G11が「犬」の「頭部」に移動されている。このとき、記録制御部272は、(移動前の類似領域G11の位置である)「足部」の位置に対応する類似度が所定の類似度以下であり、かつ、(移動後の類似領域G11の位置である)「頭部」の位置に対応する類似度が所定の類似度よりも高い類似度修正データを生成する。
続いて、本発明の第2の実施形態に係る学習装置20によって実行される「再学習段階」について説明する。本発明の第2の実施形態に係る学習装置20によって実行される「再学習段階」は、本発明の第1の実施形態に係る学習装置10によって実行される「再学習段階」と同様である。
以上に説明したように、本発明の第2の実施形態に係る学習装置20において、類似度算出部222は、特徴量の一部の領域(部分領域)と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する。評価部140は、正解値と推論値と類似度と類似度修正データ273とに基づいて評価結果を得る。更新部150は、評価結果に基づいて、特徴抽出NNの重みパラメータの更新を行う。
続いて、本発明の実施形態に係る学習装置10のハードウェア構成例について説明する。
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
110 データセット
115 入力部
120、220 ニューラルネットワーク
121 特徴抽出部
122、222 類似度算出部
123 推論部
134、234 プロトタイプデータ
140 評価部
150、250 更新部
160 保存データ
161、261 出力制御部
162 出力部
171 操作部
172、272 記録制御部
173、273 類似度修正データ
180 処理実行部
Claims (17)
- 学習用データと前記学習用データの正解値とを取得する入力部と、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出する特徴抽出部と、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する類似度算出部と、
前記類似度に基づいて推論値を出力する推論部と、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御する出力制御部と、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録する記録制御部と、
前記正解値と前記推論値とに基づく第1の誤差と、前記類似度と前記修正データとに基づく第2の誤差とに基づいて評価結果を得る評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備える、学習装置。 - 学習用データと前記学習用データの正解値とを取得する入力部と、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出する特徴抽出部と、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する類似度算出部と、
前記類似度に基づいて推論値を出力する推論部と、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御する出力制御部と、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録する記録制御部と、
前記正解値と前記推論値と前記類似度と前記修正データとに基づいて評価結果を得る評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備え、
前記類似度算出部は、前記特徴量を構成する複数の領域単位で前記類似度を算出し、
前記出力制御部は、前記学習用データのうち前記プロトタイプとの類似度が所定の類似度よりも高い特徴量が抽出される類似領域の位置が第1の位置として出力されるように制御し、
前記記録制御部は、前記類似領域の位置を第1の位置から、前記プロトタイプとの類似度が所定の類似度以下である第2の位置に移動する操作に基づいて、前記修正データを生成する、
学習装置。 - 前記記録制御部は、前記第1の位置に対応する類似度が前記所定の類似度以下であり、かつ、前記第2の位置に対応する類似度が前記所定の類似度よりも高い修正データを生成する、
請求項2に記載の学習装置。 - 学習用データと前記学習用データの正解値とを取得する入力部と、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出する特徴抽出部と、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する類似度算出部と、
前記類似度に基づいて推論値を出力する推論部と、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御する出力制御部と、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録する記録制御部と、
前記正解値と前記推論値と前記類似度と前記修正データとに基づいて評価結果を得る評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行うととともに前記プロトタイプの更新を行う更新部と、
を備える、学習装置。 - 前記類似度算出部は、複数の学習用データそれぞれにおいて、前記推論部に出力した類似度と、前記類似度に対応する特徴量とを、保存データとして保存し、
前記更新部は、前記プロトタイプと最も類似度が高い特徴量を類似特徴量として前記保存データから検出し、前記類似特徴量によって前記プロトタイプを上書きするとともに、前記類似特徴量が抽出された学習用データの前記類似特徴量に対応する領域データによって前記プロトタイプの前記元データを更新する、
請求項4に記載の学習装置。 - 前記更新部は、前記類似特徴量によって前記プロトタイプを上書きした場合、前記プロトタイプの更新を停止する、
請求項5に記載の学習装置。 - 前記更新部は、前記プロトタイプの元データを、前記第1のニューラルネットワークの重みパラメータの更新後の特徴抽出部に入力させたことに基づいて出力される特徴量によって、前記プロトタイプを更新する、
請求項4に記載の学習装置。 - 学習用データと前記学習用データの正解値とを取得する入力部と、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出する特徴抽出部と、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する類似度算出部と、
前記類似度と第2のニューラルネットワークとに基づいて推論値を出力する推論部と、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御する出力制御部と、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録する記録制御部と、
前記正解値と前記推論値と前記類似度と前記修正データとに基づいて評価結果を得る評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行い、前記正解値と前記推論値と前記類似度と前記修正データとに基づいて前記第2のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備える、学習装置。 - 前記出力制御部は、前記類似度が前記出力部によって出力されるように前記出力部を制御する、
請求項1~8のいずれか一項に記載の学習装置。 - 前記出力制御部は、前記推論値が前記出力部によって出力されるように前記出力部を制御する、
請求項1~9のいずれか一項に記載の学習装置。 - 前記記録制御部は、前記修正データを入力する操作に基づいて、前記修正データを前記記憶部に記録する、
請求項1~10のいずれか一項に記載の学習装置。 - 前記学習装置は、前記重みパラメータの更新後の第1のニューラルネットワークの第1の精度に基づく所定の処理を実行する処理実行部を備える、
請求項1~11のいずれか一項に記載の学習装置。 - 前記処理実行部は、前記第1の精度が所定の精度よりも低い場合に、前記第1のニューラルネットワークの重みパラメータの更新の停止、または、所定の警告情報の出力を実行する、
請求項12に記載の学習装置。 - 前記所定の精度は、あらかじめ定められた値、または、前記評価結果に基づく重みパラメータの更新前における第1のニューラルネットワークの第2の精度である、
請求項13に記載の学習装置。 - 前記処理実行部は、前記評価結果に基づく重みパラメータの更新前における第1のニューラルネットワークの第2の精度と前記第1の精度とが出力されるように制御する、
請求項12に記載の学習装置。 - 学習用データと前記学習用データの正解値とを取得することと、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出することと、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力することと、
前記類似度に基づいて推論値を出力することと、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御することと、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録することと、
前記正解値と前記推論値とに基づく第1の誤差と、前記類似度と前記修正データとに基づく第2の誤差とに基づいて評価結果を得ることと、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行うことと、
を備える、学習方法。 - コンピュータを、
学習用データと前記学習用データの正解値とを取得する入力部と、
前記学習用データと第1のニューラルネットワークとに基づいて特徴量を抽出する特徴抽出部と、
前記特徴量の一部または全部の領域と所定の元データから抽出された特徴量であるプロトタイプとの類似度を算出して出力する類似度算出部と、
前記類似度に基づいて推論値を出力する推論部と、
前記学習用データと前記プロトタイプの前記元データとが出力部によって出力されるように前記出力部を制御する出力制御部と、
ユーザによって入力された操作に基づいて前記類似度の修正データを記憶部に記録する記録制御部と、
前記正解値と前記推論値とに基づく第1の誤差と、前記類似度と前記修正データとに基づく第2の誤差とに基づいて評価結果を得る評価部と、
前記評価結果に基づいて、前記第1のニューラルネットワークの重みパラメータの更新を行う更新部と、
を備える、学習装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020146624A JP7107340B2 (ja) | 2020-09-01 | 2020-09-01 | 学習装置、学習方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020146624A JP7107340B2 (ja) | 2020-09-01 | 2020-09-01 | 学習装置、学習方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022041434A JP2022041434A (ja) | 2022-03-11 |
JP7107340B2 true JP7107340B2 (ja) | 2022-07-27 |
Family
ID=80500297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020146624A Active JP7107340B2 (ja) | 2020-09-01 | 2020-09-01 | 学習装置、学習方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7107340B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310753A (ja) | 2003-03-24 | 2004-11-04 | Fuji Photo Film Co Ltd | データ学習装置およびプログラムならびに画像の意味判定装置 |
JP2011145791A (ja) | 2010-01-13 | 2011-07-28 | Hitachi Ltd | 識別器学習画像生成プログラム、方法、及びシステム |
WO2020066257A1 (ja) | 2018-09-26 | 2020-04-02 | 国立研究開発法人理化学研究所 | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 |
-
2020
- 2020-09-01 JP JP2020146624A patent/JP7107340B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004310753A (ja) | 2003-03-24 | 2004-11-04 | Fuji Photo Film Co Ltd | データ学習装置およびプログラムならびに画像の意味判定装置 |
JP2011145791A (ja) | 2010-01-13 | 2011-07-28 | Hitachi Ltd | 識別器学習画像生成プログラム、方法、及びシステム |
WO2020066257A1 (ja) | 2018-09-26 | 2020-04-02 | 国立研究開発法人理化学研究所 | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP2022041434A (ja) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10922628B2 (en) | Method and apparatus for machine learning | |
US11023806B2 (en) | Learning apparatus, identifying apparatus, learning and identifying system, and recording medium | |
JP6182242B1 (ja) | データのラベリングモデルに係る機械学習方法、コンピュータおよびプログラム | |
KR102052624B1 (ko) | 기계 학습 방법 및 장치 | |
KR20200048474A (ko) | 전이 학습을 위한 기반 모델 결정 방법 및 그 방법을 지원하는 장치 | |
WO2016062095A1 (zh) | 视频分类方法和装置 | |
KR102355489B1 (ko) | 약물-표적 단백질의 상호작용을 예측하는 방법 및 그 방법을 수행하는 장치 | |
CN111063392B (zh) | 基于神经网络的基因突变致病性检测方法、系统及介质 | |
JP5123759B2 (ja) | パターン検出器の学習装置、学習方法及びプログラム | |
KR20200008845A (ko) | 전자 장치, 영상 처리 방법 및 컴퓨터 판독가능 기록 매체 | |
JP2024500938A (ja) | 医用画像における状態特徴の自動注釈付け | |
JP2019204505A (ja) | オブジェクト検出装置及び方法及び記憶媒体 | |
JP7210489B2 (ja) | 学習装置、学習方法および学習プログラム | |
JP7107340B2 (ja) | 学習装置、学習方法およびプログラム | |
EP3614314A1 (en) | Method and apparatus for generating chemical structure using neural network | |
KR20200061154A (ko) | 시각 및 텍스트 정보를 포함하는 다이어그램의 분석 방법 및 장치 | |
JP7489275B2 (ja) | 情報処理装置、情報処理システムおよび情報処理方法 | |
CN113901880A (zh) | 一种实时事件流识别方法及系统 | |
JP7143906B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
JP7402140B2 (ja) | 登録装置、登録方法、および登録プログラム | |
US20240203595A1 (en) | Characteristics of patient influencing disease progession | |
KR102264041B1 (ko) | 유전자 알고리즘 기반의 단계적인 피처 선택을 이용한 기계학습 방법 및 장치 | |
KR102512598B1 (ko) | 헤어 스타일링 가상 체험용 인공 신경망의 학습을 위한 학습 데이터 생성 장치 및 방법, 및 이를 이용한 헤어 스타일링 가상 체험 장치 및 방법 | |
US20230260662A1 (en) | Generative manifold networks for prediction and simulation of complex systems | |
CN111933217B (zh) | 一种基于深度学习的dna模体长度预测方法及预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200901 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
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: 20220614 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220627 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7107340 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |