JP7131356B2 - 最適化装置、最適化プログラムおよび最適化方法 - Google Patents
最適化装置、最適化プログラムおよび最適化方法 Download PDFInfo
- Publication number
- JP7131356B2 JP7131356B2 JP2018231731A JP2018231731A JP7131356B2 JP 7131356 B2 JP7131356 B2 JP 7131356B2 JP 2018231731 A JP2018231731 A JP 2018231731A JP 2018231731 A JP2018231731 A JP 2018231731A JP 7131356 B2 JP7131356 B2 JP 7131356B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- multiple regression
- unit
- model
- learning
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Complex Calculations (AREA)
- Machine Translation (AREA)
Description
図1は、実施形態にかかる最適化装置の機能的構成を例示するブロック図である。図1に示す最適化装置1は、目的変数と、説明変数とを含む学習データの入力を受け付ける。そして、最適化装置1は、受け付けた学習データに対して、式(1)に関する最適化問題を解いてデータがスパースなところ(例えば値の殆どが定数(≒0))を抽出するスパース推定に関する演算処理を行う。
Binary:ai=2i
Unary:ai≡1
Sequential:ai=i
Fibonacci:ai=ai-1+ai-2
次に、最適化装置1が実行する最適化方法における処理の流れについて説明する。図2は、実施形態にかかる最適化装置1の動作例を示すフローチャートである。
以上のように、最適化装置1は、データ分割部12と、イジングモデルアニーリング部13と、モデル候補判定部16と、スパース構造反映部14とを有する。データ分割部12は、入力部10より入力された、目的変数と説明変数とを含む学習データを複数の分割データに分割する。イジングモデルアニーリング部13は、分割された各分割データにおいて、学習データの構造抽出に用いるためのTrainデータ(第1のデータ)に対してL0正則化の正則化処理を実行し、ゼロとなる要素(第1の要素)を抽出する。具体的には、イジングモデルアニーリング部13は、Trainデータに基づいてβを整数近似によるイジング形式で表したデータのアニーリングによりL0正則化の正則化処理を行い、βj=0となる要素を抽出する。
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・統合の具体的状態は図示のものに限られず、その全部又は一部を、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又は物理的に分散・統合して構成することができる。例えば、入力部10、ビット数計算部11、データ分割部12、イジングモデルアニーリング部13、スパース構造反映部14、重回帰部15、モデル候補判定部16、スパース構造判定部17および出力部18の各処理部が適宜統合されてもよい。また、各処理部の処理が適宜複数の処理部の処理に分離されてもよい。さらに、各処理部にて行なわれる各処理機能は、その全部又は任意の一部が、CPU(Central Processing Unit)及び該CPU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、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、最適化プログラムを実行するコンピュータシステムの一例を説明する。図10は、最適化プログラムを実行するコンピュータの構成の一例を示す図である。
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出する正則化処理部と、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出する誤差比算出部と、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する出力部と、
を有することを特徴とする最適化装置。
ことを特徴とする付記1に記載の最適化装置。
ことを特徴とする付記2に記載の最適化装置。
ことを特徴とする付記1乃至3のいずれか一に記載の最適化装置。
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出し、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出し、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する、
処理をコンピュータが実行することを特徴とする最適化方法。
ことを特徴とする付記5に記載の最適化方法。
ことを特徴とする付記6に記載の最適化方法。
ことを特徴とする付記5乃至7のいずれか一に記載の最適化方法。
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出し、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出し、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する、
処理をコンピュータに実行させることを特徴とする最適化プログラム。
ことを特徴とする付記9に記載の最適化プログラム。
ことを特徴とする付記10に記載の最適化プログラム。
ことを特徴とする付記9乃至11のいずれか一に記載の最適化プログラム。
10…入力部
11…ビット数計算部
12…データ分割部
13…イジングモデルアニーリング部
14…スパース構造反映部
15…重回帰部
16…モデル候補判定部
17…スパース構造判定部
18…出力部
20…パラメータテーブル
21…学習データテーブル
22…分割データテーブル
23…スパース候補記録テーブル
24…重回帰結果記録テーブル
25…候補モデルテーブル
400…コンピュータ
410…CPU
420…HDD
420A…最適化プログラム
440…RAM
500…バス
C1、C2…ケース
Claims (6)
- 目的変数と説明変数とを含む学習データを複数の分割データに分割する分割部と、
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出する正則化処理部と、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出する誤差比算出部と、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する出力部と、
を有することを特徴とする最適化装置。 - 前記正則化処理部は、前記第1のデータに基づいてイジング形式で表したデータのアニーリングにより前記正則化処理を行う、
ことを特徴とする請求項1に記載の最適化装置。 - 前記イジング形式で表す際の2進展開に用いる数列数をlとし、前記アニーリングの上限ビット数をNbとし、前記学習データの列数をnとした場合に、n(l+2)≦Nbを満たす最大の整数であるlを前記2進展開に用いる数列数とする計算部をさらに有する、
ことを特徴とする請求項2に記載の最適化装置。 - 前記分割部は、前記学習データの分割後のデータに含まれる係数の上限および係数の下限が所定の条件を満たす前記分割データに分割する、
ことを特徴とする請求項1乃至3のいずれか一項に記載の最適化装置。 - 目的変数と説明変数とを含む学習データを複数の分割データに分割し、
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出し、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出し、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する、
処理をコンピュータが実行することを特徴とする最適化方法。 - 目的変数と説明変数とを含む学習データを複数の分割データに分割し、
分割された各分割データにおいて、前記学習データの構造抽出に用いるための第1のデータに対して正則化処理を実行し、ゼロとなる第1の要素を抽出し、
分割された各分割データのテストデータにおいて、前記学習データの誤差比の算出に用いるための第2のデータに対し、前記第2のデータに対する重回帰を行なった結果である第1の重回帰と、前記第2のデータから前記第1の要素を除いた第3のデータに対する重回帰を行なった結果である第2の重回帰との誤差比が所定値以上であるモデルを候補モデルとして抽出し、
抽出された各候補モデルについて、ゼロが所定回数以上の要素をゼロに置換したモデルを出力する、
処理をコンピュータに実行させることを特徴とする最適化プログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018231731A JP7131356B2 (ja) | 2018-12-11 | 2018-12-11 | 最適化装置、最適化プログラムおよび最適化方法 |
US16/690,335 US11556849B2 (en) | 2018-12-11 | 2019-11-21 | Optimization apparatus, non-transitory computer-readable storage medium for storing optimization program, and optimization method |
EP19211445.2A EP3667571A1 (en) | 2018-12-11 | 2019-11-26 | Optimization apparatus, optimization program, and optimization method |
CN201911226680.8A CN111310930B (zh) | 2018-12-11 | 2019-12-04 | 优化装置、优化方法和非暂态计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018231731A JP7131356B2 (ja) | 2018-12-11 | 2018-12-11 | 最適化装置、最適化プログラムおよび最適化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020095397A JP2020095397A (ja) | 2020-06-18 |
JP7131356B2 true JP7131356B2 (ja) | 2022-09-06 |
Family
ID=68696305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018231731A Active JP7131356B2 (ja) | 2018-12-11 | 2018-12-11 | 最適化装置、最適化プログラムおよび最適化方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11556849B2 (ja) |
EP (1) | EP3667571A1 (ja) |
JP (1) | JP7131356B2 (ja) |
CN (1) | CN111310930B (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724203B (zh) * | 2020-06-15 | 2024-02-27 | 中山世达模型制造有限公司 | 基于多重回归模型的产品加工价格预估方法及系统 |
JP2023010414A (ja) | 2021-07-09 | 2023-01-20 | 富士通株式会社 | モデル生成プログラム、モデル生成方法、および情報処理装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014160456A (ja) | 2013-02-20 | 2014-09-04 | Nec Corp | 疎変数最適化装置、疎変数最適化方法および疎変数最適化プログラム |
US20170061328A1 (en) | 2015-09-02 | 2017-03-02 | Qualcomm Incorporated | Enforced sparsity for classification |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005222422A (ja) | 2004-02-06 | 2005-08-18 | Ishihara Sangyo Kaisha Ltd | データ解析方法及びそのシステム |
CN101893884B (zh) * | 2010-06-30 | 2012-07-04 | 浙江大学 | 密炼机的橡胶混炼过程中质量指标数据的软测量方法 |
CN108256651B (zh) | 2013-06-28 | 2022-09-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
US9846214B2 (en) | 2014-12-29 | 2017-12-19 | Toshiba Medical Systems Corporation | Magnetic resonance image reconstruction for undersampled data acquisitions |
US9760834B2 (en) * | 2015-09-30 | 2017-09-12 | Hampton Creek, Inc. | Discovery systems for identifying entities that have a target property |
JP6564412B2 (ja) * | 2017-03-21 | 2019-08-21 | ファナック株式会社 | 機械学習装置及び熱変位補正装置 |
CN108108820A (zh) * | 2017-12-20 | 2018-06-01 | 第四范式(北京)技术有限公司 | 用于选择机器学习样本的特征的方法及系统 |
CN108764568B (zh) * | 2018-05-28 | 2020-10-23 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN113168891A (zh) * | 2018-09-14 | 2021-07-23 | 西北大学 | 用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用 |
-
2018
- 2018-12-11 JP JP2018231731A patent/JP7131356B2/ja active Active
-
2019
- 2019-11-21 US US16/690,335 patent/US11556849B2/en active Active
- 2019-11-26 EP EP19211445.2A patent/EP3667571A1/en not_active Withdrawn
- 2019-12-04 CN CN201911226680.8A patent/CN111310930B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014160456A (ja) | 2013-02-20 | 2014-09-04 | Nec Corp | 疎変数最適化装置、疎変数最適化方法および疎変数最適化プログラム |
US20170061328A1 (en) | 2015-09-02 | 2017-03-02 | Qualcomm Incorporated | Enforced sparsity for classification |
Non-Patent Citations (1)
Title |
---|
NEVEN, Hartmut et al.,"Training a Binary Classifier with the Quantum Adiabatic Algorithm",arXiv [online],2008年11月,[2022年07月21日検索],インターネット<URL:https://arxiv.org/abs/0811.0416v1>,0811.0416v1 |
Also Published As
Publication number | Publication date |
---|---|
US11556849B2 (en) | 2023-01-17 |
EP3667571A1 (en) | 2020-06-17 |
US20200184375A1 (en) | 2020-06-11 |
JP2020095397A (ja) | 2020-06-18 |
CN111310930B (zh) | 2023-07-21 |
CN111310930A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6231944B2 (ja) | 学習モデル作成装置、判定システムおよび学習モデル作成方法 | |
JP7131356B2 (ja) | 最適化装置、最適化プログラムおよび最適化方法 | |
US20200160201A1 (en) | Clinical case search and generation system and method based on a probabilistic encoder-generator framework | |
US20180246856A1 (en) | Analysis method and analysis device | |
JP7119820B2 (ja) | 予測プログラム、予測方法および学習装置 | |
KR20210034462A (ko) | 픽셀 별 주석을 생성하는 생성적 적대 신경망(gan)을 학습시키는 방법 | |
US20220188513A1 (en) | Synonym determination method, computer-readable recording medium having synonym determination program recorded therein, and synonym determination device | |
Zohrizadeh et al. | Image segmentation using sparse subset selection | |
JP7274434B2 (ja) | 流用設計支援システム及び流用設計支援方法 | |
JP7259935B2 (ja) | 情報処理システム、情報処理方法およびプログラム | |
Zhu et al. | A hybrid model for nonlinear regression with missing data using quasilinear kernel | |
US20230273771A1 (en) | Secret decision tree test apparatus, secret decision tree test system, secret decision tree test method, and program | |
US20210342642A1 (en) | Machine learning training dataset optimization | |
CN112561569B (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
CN114358011A (zh) | 命名实体提取方法与装置以及电子设备 | |
Mahzarnia et al. | Multivariate functional group sparse regression: functional predictor selection | |
JP7292235B2 (ja) | 分析支援装置及び分析支援方法 | |
JP5276503B2 (ja) | データ解析装置、データ解析プログラムおよびその記録媒体 | |
US20230325304A1 (en) | Secret decision tree test apparatus, secret decision tree test system, secret decision tree test method, and program | |
JP6532829B2 (ja) | 撹乱データ再構築誤差推定装置、撹乱データ再構築誤差推定方法、プログラム | |
US20230376790A1 (en) | Secret decision tree learning apparatus, secret decision tree learning system, secret decision tree learning method, and program | |
WO2022239245A1 (ja) | 学習方法、推論方法、学習装置、推論装置、及びプログラム | |
JPWO2019171537A1 (ja) | 意味推定システム、方法およびプログラム | |
CN112115609B (zh) | 功耗仿真评估方法及装置 | |
JP2019153056A (ja) | 情報処理装置、及び情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210909 |
|
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: 20220726 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220729 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220808 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7131356 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |