JP7132263B2 - 情報処理装置、情報処理方法及びプログラム - Google Patents

Description

本発明の一実施形態は、情報処理装置、情報処理方法及びプログラムに関する。

センサデータなど時系列データのクラス分類では、分類性能に加えて分類の根拠を明確にする必要もある。分類の根拠を明確にする時系列のクラス分類技術として、分類器に加えて分類に有効な少数の部分波形パターンであるshapeletsを同時に学習するshapelets学習法が近年盛んに研究されている。
一方、学習時に必要となるクラスのラベル付けは人間が入力／決定する場合が多いため、ラベルの振り間違えが発生しうる。また、ノイズなどの影響で専門家であっても時系列サンプルによっては正確なラベル付け自体が難しいという問題がある。

KDD '14 Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining, Pages 392-401／Josif Grabocka et al IJCAI '17 Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence. Pages 2110-2116. ／Hao Li et al.

本発明の一実施形態では、時系列データを精度よく複数のクラスに分類できる情報処理装置、情報処理方法及びプログラムを提供するものである。

上記の課題を解決するために、本発明の一実施形態によれば、複数のクラスにクラス分けされた複数の時系列データに基づいて、複数の部分波形パターンを前記複数のクラスに分類する第１分類部と、
前記部分波形パターンを、同一クラスの前記時系列データにフィッティングさせることにより、前記部分波形パターンの形状を更新する部分波形更新部と、
前記更新された部分波形パターンと前記時系列データの分類及び解釈の困難度とに基づいて前記複数の時系列データを前記複数のクラスに再分類する第２分類部と、を備える、情報処理装置が提供される。

第１の実施形態による情報処理装置の概略構成を示すブロック図。 shapeletsの形状の学習と、各時系列データのクラス分類の学習手法を模式的に説明する図。 新たな時系列データに対するクラス分類を示す図。 第１の実施形態による情報処理装置の処理動作を示すフローチャート。 表示部に表示される具体例を示す図。 スライドバーで分類性能を重視する設定を行う例を示す図。 図６Ａの位置にスライドバーを移動させたときのshapeletの形状及びクラス分類結果を示す図。 スライドバーで解釈性能を重視する設定を行う例を示す図。 図７Ａの位置にスライドバーを移動させたときのshapeletの形状及びクラス分類結果を示す図。 第６の実施形態による情報処理装置の概略構成を示すブロック図。 熟練者と非熟練者によるラベル付けしたサンプルの一例を示す図。 熟練者のラベル付けの例を示す図。

以下、図面を参照して、情報処理装置の実施形態について説明する。以下では、情報処理装置の主要な構成部分を中心に説明するが、情報処理装置には、図示又は説明されていない構成部分や機能が存在しうる。以下の説明は、図示又は説明されていない構成部分や機能を除外するものではない。

（第１の実施形態）
以下の説明では、時系列データセットをＴ、時系列データの数をＩ個、各時系列データの長さをＱ、部分波形パターンであるshapeletsの個数をＫ個、各shapeletの長さをＬとして与えられたときを考える。Shapeletとは、時系列データに含まれる代表的な部分波形パターンである。時系列データとは、例えば種々のセンサの出力データである。時系列データは、波形の形状が任意に変更しうる連続値のデータ列である。個々の時系列データの部分列に、shapeletが一致する必要はない。

本実施形態では、個々の時系列データを複数のクラスに分類する。以下では、説明を簡略化するために、正常と異常の２つのクラスに分類する例を主に説明する。なお、実際には、３つ以上のクラスに分類する場合もありうる。本明細書では、クラスに分類することを、ラベルを付けると呼ぶ。ラベルはクラスを識別する情報である。また、本明細書では、入力される時系列データをサンプルと呼ぶことがある。

以下では説明を簡略化するために、各時系列データの長さは同じとし、各shapeletsの長さも同じとして議論するが、本実施形態は、shapeletsの長さが異なる場合にも、同様に適用可能である。また、時系列データは等間隔のサンプリングでデータが取得されており、欠損はないものとする。

これらの変数に加えて、本実施形態では、Ｉ個のサンプルの分類＆解釈困難度をＶ、正例の時系列データにフィットするshapeletsの集合をＫ＋、負例の時系列データにフィットするshapeletsの集合をＫ－とする。分類＆解釈困難度とは、時系列データの分類及び解釈のしにくさを表す困難度を意味する。分類＆解釈困難度は、時系列データの分類性能と解釈性能を考慮して決定される。正例の時系列データとは、正常と判断される時系列データを指す。負例の時系列データとは、異常と判断される時系列データを指す。

本実施形態による情報処理装置は、分類境界の重みｗ、部分波形パターンであるshapeletsの形状Ｓ、サンプルの分類＆解釈困難度Ｖ、正例の時系列データにフィットするshapeletsの集合Ｋ＋、負例の時系列データにフィットするshapeletsの集合Ｋ－を求めることができる。分類境界とは、例えば２次元空間に配置された正常と異常の時系列データを識別する境界線を指す。

なお、分類境界の重みｗはＫ次元のベクトルであり、バイアス項は簡略化のため省略する、ＳはＫ×Ｌの行列であり、時系列データセットはＩ×Ｑの行列である。ＶはＩ次元のベクトルである。

図１は第１の実施形態による情報処理装置１の概略構成を示すブロック図である。図１の情報処理装置１は、入力部２と、第１分類部３と、部分波形更新部４と、第２分類部５と、困難度更新部６とを備えている。

入力部２は、クラスラベル付き学習用時系列データセットを入力する。ここで、shapeletsの個数と長さなどを入力に加えても良いが、加えない場合はデフォルト値としてshapeletsの個数Ｋを１００個、shapeletsの長さＬをＱ×０．１などと決めてもよい。加えて、入力部２は、上述した行列Ｓと重みｗを初期化する。例えば、重みｗの初期化は全ての要素を０とする。行列Ｓの初期化は時系列データセットから長さＬのセグメントを抽出してｋ－ｍｅａｎｓ法などのクラスタリングを行う。これにより、Ｋ個のクラスタのセントロイドを初期化したＳとする。また、波形パターンフィッティング条件として、以下のように一部または全てのshapeletsを特定のクラスラベルに割り当てることもできる。例えば、正例（正常なクラスの時系列データ）にフィットするshapelets数として１個以上を割り当ててもよい。また、負例（異常なクラスの時系列データ）にフィットするshapelets数として０個以上を割り当ててもよい。

図１の情報処理装置１内の第１分類部３は、複数のクラスにクラス分けされた複数の時系列データに基づいて、複数の部分波形パターンであるshapeletsを複数のクラスに分類する。例えば、第１分類部３は、複数の時系列データを正常と異常の２つのクラスに分類する。なお、本明細書では、２つのクラスに分類する例を示すが、３つ以上のクラスに分類する場合もありうる。

第１分類部３は、特徴量生成機能を有する。特徴量生成機能では、クラス分けされた時系列データに対して、Ｋ（Ｋは２以上の整数）次元の特徴ベクトルを計算する。各特徴ベクトルの要素は、Ｋ個の部分波形パターンであるshapeletsと時系列データとの距離である。

部分波形更新部４は、部分波形パターンであるshapeletsを同一クラスの時系列データにフィッティングさせることにより、部分波形パターンを更新する。部分波形パターンの時間長は、時系列データの時間長よりも短い。部分波形更新部４は、部分波形パターンを時系列データの時間軸方向にずらしながら、部分波形パターンと時系列データとの波形形状の比較を行い、部分波形パターンに最も類似する時系列データの部分波形部分が見つかると、その部分波形部分の波形形状に合わせて、部分波形パターンの波形形状を変更する。部分波形更新部４は、クラス分類時の損失が少なく、かつ分類＆解釈困難度が低い時系列データを優先させて部分波形パターンとのフィッティングを行って、部分波形パターンであるshapeletsの形状を更新する。ここで、クラス分類時の損失とは、クラス分類を間違う可能性を指す。

第２分類部５は、部分波形更新部４で更新された部分波形パターンと分類＆解釈困難度とに基づいて複数の時系列データを複数のクラスに再分類する。ここでは、クラス分類時の損失が少なく、かつ分類＆解釈困難度が低い時系列データを優先して、再分類を行う。分類＆解釈困難度が低い時系列データとは、分類性能と解釈性能の少なくとも一方に優れた時系列データを指す。

困難度更新部６は、第２分類部５による再分類結果に基づいて、時系列データの分類及び解釈の困難度を算出する。ここでは、クラス分類時の損失が少なく、かつ割り当てられたクラスの部分波形パターン（shapelets）とのフィッティング性に優れた時系列データの分類＆解釈困難度が小さくなるようにする。

図１の第１分類部３、部分波形更新部４、第２分類部５、及び困難度更新部６の処理は、所定回数繰り返し実行されて、部分波形パターンの形状が学習されるとともに、複数のクラスを分類する分類境界の位置が学習される。第２分類部５は、更新された部分波形パターンと困難度更新部６で算出された困難度とに基づいて、複数の時系列データを複数のクラスに再分類する。このように、部分波形更新部４、第２分類部５、及び困難度更新部６の処理を繰り返し実行することにより、複数の部分波形パターン（shapelets）の波形形状を、複数の時系列データによりよくフィッティングさせることができるとともに、複数の時系列データを複数のクラスに精度よく分類させることができる。

図２は、shapelets（部分波形パターン）の形状の学習と、各時系列データのクラス分類の学習手法を模式的に説明する図である。図２の例では、正常な時系列データｄ１～ｄ３と異常な時系列データｄ４～ｄ６が入力され、正常な時系列データｄ１～ｄ３から正例のshapelete ｗ１０を検出し、異常な時系列データｄ４～ｄ６から負例のshapelete ｗ１１を検出し、これらshapeletsと各時系列データｄ１～ｄ６との距離により、各時系列データｄ１～ｄ６を二次元空間上にプロットしている。二次元空間の横軸は負例のshapelete ｗ１１からの各時系列データの距離を示し、縦軸は正例のshapelete ｗ１０からの各時系列データの距離を示す。

二次元空間には、正常を表す丸印のプロットと、異常を表す×印のプロットとがある。丸印のプロットは二次元空間の右下付近の領域に存在することが多いのに対し、×印のプロットは二次元空間の左上付近の領域に存在することが多い。第１分類部３及び第２分類部５は、これら２つの領域を区分けする分類境界１５を学習する。

第１分類部３及び第２分類部５による学習が終わると、図３のような新たな時系列データｄ７～ｄ９が入力されたときに、学習された第１分類部３及び第２学習部を用いることで、時系列データｄ７とｄ８は正常なクラスに、時系列データｄ９は異常なクラスに容易に分類することができる。

図１の情報処理装置１は、出力部７を備えていてもよい。出力部７は、時系列データと複数の部分波形パターンとの類似度を示す情報と、時系列データに対応する困難度とを出力する。部分波形更新部４は、時系列データを時間軸方向にずらしながら複数の部分波形パターンとの距離を算出する処理を繰り返して、最小の距離を類似度とすることができる。

図１の情報処理装置１は、表示部８を備えていてもよい。表示部８は、出力部７から出力された複数の時系列データのそれぞれと複数の部分波形パターンとの類似度を示す情報に、対応する分類＆解釈困難度を加味した複数の指標（例えばプロット）を表示するとともに、複数の指標を複数のクラスに分類するための境界情報を表示することができる。指標は例えばプロットである。

図１の情報処理装置１は、誤り検出部９を備えていてもよい。誤り検出部９は、分類＆解釈困難度に基づいて、複数の時系列データのクラス分けの誤りを検出する。分類＆解釈困難度が高いほど、時系列データを分類及び解釈することが困難であることを示しており、誤ったクラスに分類されている可能性が高い。そこで、誤り検出部９は、分類＆解釈困難度が高い時系列データについては、クラス分けが誤りであると判断する。誤り検出部９は、クラス分けの誤りを検出した時系列データの情報を出力したり、表示部８に表示してもよい。

図１の情報処理装置１は、クラス訂正部１０を備えていてもよい。クラス訂正部１０は、誤り検出部９で誤りが検出された時系列データのクラスを自動的に訂正する。時系列データのクラス分類であるラベル付けは、作業者が行うことが多く、作業者の熟練度により、ラベル付けの精度が異なる。そこで、クラス訂正部１０を設けて、自動的にクラスを訂正できるようにすれば、作業者の熟練度によらず、一定の精度でクラス分類を行うことができる。

図１の情報処理装置１内の入力部２は、学習ペースに関する情報を入力してもよい。上述したように、部分波形パターンの更新や時系列データの再分類は、学習を繰り返すことで、精度を上げることができる。学習は、複数段階に分けて行うのが効果的である。入力部２は、入力される複数の時系列データの数を複数回にわたって段階的に増やす学習ペースに関する情報を入力してもよい。例えば、学習ペースは、学習の序盤、中盤、終盤で、入力される時系列データの数を段階的に増やしてもよい。あるいは、学習の序盤、中盤、終盤のいずれでも、一定の数の時系列データを入力してもよい。

図１の情報処理装置１内の入力部２は、分類＆解釈困難度の条件を入力してもよい。例えば、情報処理装置１の保守点検作業の前後では、情報処理装置１の安定度が異なるため、保守点検作業の後は、保守点検作業の前よりも、分類＆解釈困難度を低く設定する情報を入力してもよい。困難度更新部６は、第２分類部５による再分類結果と、入力部２から入力された困難度の条件とに基づいて、困難度を算出する。

図１の情報処理装置１内の入力部２は、分類性能及び解釈性能のどちらをどの程度重視するかを示す重み情報を入力してもよい。第２分類部５は、部分波形更新部４で更新された部分波形パターンと重み情報とに基づいて複数の時系列データを複数のクラスに再分類してもよい。

図１の情報処理装置１内の入力部２は、部分波形パターンのフィッティングの条件を入力してもよい。部分波形更新部４は、フィッティングの条件が指定された部分波形パターンについて、指定された条件に基づいて部分波形パターンを更新し、フィッティングの条件が指定されていない部分波形パターンについては、最もよくフィッティングしている時系列データに基づいて部分波形パターンを更新することができる。

図１の情報処理装置１内の入力部２は、特定のクラスに分類可能な部分波形パターンの最小数及び最大数の少なくとも一方の条件を入力してもよい。第１分類部３は、入力部２に入力された条件を満たす数の部分波形パターンを特定のクラスに割り当てることができる。

図４は第１の実施形態による情報処理装置１の処理動作を示すフローチャートである。まず、Ｋ（例えばＫは１個以上の整数）個の部分波形パターンを初期化するとともに、分類＆解釈困難度も初期化する（ステップＳ１）。このステップＳ１では、Ｋ個の部分波形パターンとして、予め用意した初期パターンを選択する。これら部分波形パターンはshapeletsと呼ばれる。

次に、現状のＫ個の部分波形パターンを各クラスに割り当てる（ステップＳ２、Ｓ３）。フィッティングの条件にて各クラスの部分波形パターンの数が決まっている場合、その数までの部分波形パターンを、時系列データにフィッティングさせて、各部分波形パターンのクラスを決める。より具体的には、部分波形パターンを、時系列データの時間軸に沿って移動させながら時系列データとの距離を算出し、時系列データに対してＫ個の部分波形パターンとの最小距離をＫ次元特徴ベクトルとして生成する（ステップＳ２）。次に、最小距離となるＫ個の部分波形パターンのクラスを決定する（ステップＳ３）。ステップＳ２及びＳ３の処理は、図１の第１分類部３が行う。

次に、現状のＫ個の部分波形パターンの形状を更新する（ステップＳ４）。この処理は、部分波形更新部４が行う。この処理では、クラス分類の損失が削減され、かつ分類＆解釈困難度が低い時系列データが優先されるように割り当てられたクラスの時系列データに部分波形パターンがフィッティングするように、部分波形パターンの形状を更新する。部分波形パターンの形状の更新には、勾配法を用いてもよい。

次に、更新された部分波形パターンに基づいて複数の時系列データを前記複数のクラスに再分類する（ステップＳ５）。この処理は、第２分類部５が行う。この処理では、クラス分類の損失が削減され、かつ分類＆解釈困難度が低い時系列データを優先させて、複数のクラスへの再分類を行う。線形分類器を用いる場合には、重みを更新する。重みの更新は、勾配法を用いてもよい。

次に、現状の分類＆解釈困難度を更新する（ステップＳ６）。この処理は、困難度更新部６が行う。この処理では、クラス分類の損失が削減され、かつ割り当てられたクラスの時系列データと部分波形パターンとのフィッティングがよくなるように分類＆解釈困難度を更新する。

次に、入力部２で入力された学習ペースに合わせて、段階的に分類＆解釈困難度のより高い時系列データを学習するように、学習に用いる時系列データを選択する（ステップＳ７）。

次に、ステップＳ２～Ｓ７の処理を、予め設定した所定回数繰り返したか否かを判定する（ステップＳ８）。

まだ、所定回数に到達していなければ、ステップＳ２～Ｓ７の処理を繰り返す。所定回数に到達すると、誤ってクラス分けした時系列データを検出する（ステップＳ９）。この処理は、誤り検出部９が行う。次に、誤りが検出された時系列データのクラスを自動的に訂正する（ステップＳ１０）。この処理は、クラス訂正部１０が行う。

次に、学習及びクラス訂正後の時系列データのクラス分け情報と、各時系列データの分類＆解釈困難度の情報を出力する（ステップＳ１１）。この処理は、出力部７が行う。次に、出力部７から出力された複数の時系列データのそれぞれと複数の部分波形パターンとの類似度を示す情報を、対応する困難度を加味して表す複数の指標を表示するとともに、複数の指標を複数のクラスに分類する分類境界１５を表示する（ステップＳ１２）。

図５は表示部８に表示される具体例を示す図である。図５の二次元空間の横軸は正例のシェープレットからの各時系列データの距離を示し、縦軸は負例のシェープレットからの各時系列データの距離を示している。図５では、正常なクラスに分類されるプロットは円形、異常なクラスに分類されるプロットは三角形にしている。なお、プロットの形状は任意である。各プロットは、各時系列データと部分波形パターンとの類似度に応じた位置に配置されている。また、各プロットは、分類＆解釈困難度に応じた色又は濃淡度合いで表示されている。さらに、正常と異常を分類するための分類境界１５が表示されている。

これにより、各時系列データのクラスを容易に識別でき、また、各時系列データの分類＆解釈困難度も視覚的に把握できる。図５において、分類境界１５から離れた位置にある時系列データほど、正常又は異常のクラス判定を精度よく行うことができることを示している。逆の言い方をすれば、分類境界１５に近い位置にある時系列データは、正常又は異常のクラス判定を誤る可能性が高いことを示している。

図５の左側には、２つの時系列データＤ１、Ｄ２の特徴を示している。時系列データＤ１は、正常なクラスの部分波形パターンｗ１にフィッティングする部分波形を有する。このため、時系列データＤ１は、二次元空間上のプロットｐ１に対応づけられ、正常なクラスに分類される。これに対して、時系列データＤ２は、正常なクラスの部分波形パターンｗ１にフィッティングする部分波形は持っていない。このため、時系列データＤ２は、二次元空間上のプロットｐ２に対応づけられ、本来的には異常なクラスに分類されるべきであるが、誤ってクラス分けされた結果、正常なクラスを意味する円形のプロットｐ２に対応づけられている。そこで、誤り検出部９は、表示部８に表示された複数のプロットのうち、誤ってクラス分けされたプロットｐ２を検出し、クラス訂正部１０にて正しいクラスのプロットｐ３に自動訂正する。なお、自動訂正する代わりに、誤り検出部９が検出したクラスを強調表示するなどして、作業者に手動で訂正させてもよい。

クラス訂正部１０がクラスの訂正を行うか否かを判断する基準として、例えば、分類＆解釈困難度が０．８以上の場合としてもよい。あるいは、時系列データと部分波形パターンとの距離、すなわちフィッティング誤差が０．５以上の場合としてもよい。

このように、第１の実施形態では、部分波形パターンを時系列データにフィッティングさせることにより、部分波形パターンの形状を更新し、更新後の部分波形パターンと時系列データの分類及び解釈困難度に基づいて、複数の時系列データを複数のクラスに再分類する。これにより、複数の時系列データを精度よく複数のクラスに分類することができる。また、複数の時系列データを誤ってクラス分けした場合でも、図５のように、各時系列データを、クラス数に応じた多次元空間にプロットし、かつ各プロットに分類＆解釈困難度の情報を付与することで、誤ってクラス分けされた時系列データを容易に検出でき、自動でクラスの訂正を行うことができる。

（第２の実施形態）
第２の実施形態は、分類性能及び解釈性能のどちらをどの程度重視するかを示す重み情報をユーザが指定できるようにしたものである。第２の実施形態による情報処理装置１は、図１と同様のブロック構成を備えている。

第２の実施形態による情報処理装置１内の入力部２は、図６Ａのようなスライドバー２０を表示部８に表示させて、ユーザがマウス等でスライドバー２０を任意の位置に移動させることができるようにしている。

図６Ａのスライドバー２０は、左側ほど時系列データの分類性能を重視し、右側ほど解釈性能を重視するものである。スライドバー２０の位置によって、分類性能と解釈性能のどちらをどの程度重視するかを示す重み情報が得られる。図６Ａは分類性能を重視する位置にスライドバー２０を移動させる例を示している。

図６Ａのように分類性能を重視する場合、部分波形パターンが正例または負例の代表的な時系列データにフィットしにくくなることで解釈性を犠牲にするが、分類性能が高い部分波形パターと分類器（第１分類部３及び第２分類部５）を学習することができる。

図６Ｂは、図６Ａの位置にスライドバー２０を移動させたときのshapeletの形状及びクラス分類結果を示す図である。図６Ａの位置にスライドバー２０を移動させると、分類性能が重視されるため、shapelets（部分波形パターン）ｗ２、ｗ３は屈曲点が多くなり、shapeletsの波形の特徴を把握しにくくなる。ただし、二次元空間上のプロットは、分類境界１５の両側に正例と負例が整然と分かれており、クラス分類が正しく行われていることがわかる。

一方、図７Ａは解釈性能を重視する位置にスライドバー２０を移動させる例を示している。図７Ａのように解釈性能を重視する場合、部分波形パターンが正例または負例の代表的な時系列データにフィットし解釈性を向上させるが、分類性能は低下する可能性がある。

図７Ｂは、図７Ａの位置にスライドバー２０を移動させたときのshapeletの形状及びクラス分類結果を示す図である。図７Ａの位置にスライドバー２０を移動させると、解釈性能が重視されるため、shapelets（部分波形パターン）ｗ４、ｗ５は屈曲点が少ないため、shapeletsの波形の特徴を把握しやすくなる。ただし、二次元空間上のプロットは、分類境界１５の両側に正例と負例の一部が入り交じっており、クラス分類が正しく行われない場合があることがわかる。

これにより、分類性能が多少下がっても解釈しやすい部分波形パターンを知りたい場合や、逆に解釈性は殆ど必要無いがクラス分類性能を少しでも向上したい場合など、事業ニーズに適した部分波形パターンとクラス分類を得ることができる。

このように、第２の実施形態では、分類性能と解釈性能のどちらをどの程度重視するかをユーザが任意に設定できるため、ユーザの意向に応じて、クラス分類を行いやすくしたり、あるいはshapeletsの波形の特徴を把握しやすくすることができる。

（第３の実施形態）
第３の実施形態は、クラスのラベル付けを行う作業員の熟練度を推定したり、非熟練者がラベル付けを行う際のサポートを行うものである。

図８は第３の実施形態による情報処理装置１ａの概略構成を示すブロック図である。図８の情報処理装置１は、図１のブロック構成に加えて、熟練度推定部１１と、熟練者判定部１２とを備えている。

また、図８の情報処理装置１ａ内の入力部２は、複数の時系列データをクラス分けした作業者の情報を入力する。より詳細には、入力部２は、作業員の情報と、その作業員がラベル付けした時系列データとを対応づけて入力する。

本実施形態では、複数の作業員が複数の時系列データをランダムに選択して、ラベル付け（クラス分け）を行うことを前提としている。複数の作業員の中には、熟練者もいれば、非熟練者もいるものとする。

熟練度推定部１１は、第２分類部５によるクラス分けと困難度更新部６で算出された困難度とに基づいて、作業員のラベル付けに関する熟練度を推定する。より具体的には、各作業者がラベル付けした時系列データについて、第２分類部５によるクラス分けと分類＆解釈困難度を表す統計値を算出する。統計値は、平均値でもよい。例えば、特定の作業者がラベルを付けた時系列データの分類＆解釈困難度が高い場合、その作業者の統計値を低くする。統計値が低いほど、熟練度が低いと推定する。

熟練者判定部１２は、熟練度推定部１１で推定された熟練度に基づいて、作業者が熟練者か、非熟練者かを判定する。そして、非熟練者には、熟練者がラベル付けした時系列データに基づいて学習された部分波形パターンを提示する。これにより、非熟練者は、時系列データをクラス分けする際に、どのような部分波形の特徴に着目すればよいかを学ぶことができ、短時間で熟練度を向上させることができる。

図９は熟練者と非熟練者によるラベル付けしたサンプルの一例を示す図である。図９では、横軸を正例のシェープレットとの距離、縦軸を負例のシェープレットとの距離にして、各時系列データのサンプルをプロットしている。図９では、熟練者による正例のサンプルを丸プロット、負例のサンプルを上向き三角プロットとし、非熟練者による正例のサンプルを四角プロット、負例のサンプルを下向き三角プロットで表している。本来だと、分類境界１５よりも下側に負例のサンプルのプロットが位置し、分類境界１５よりも上側に正例のサンプルのプロットが位置するはずであるが、非熟練者によるラベル付けでは、多くの誤りが生じている。

熟練者判定部１２は、図９の結果から作業者の熟練度を判定することができる。熟練者判定部１２は、非熟練者に対して、図１０のような熟練者が時系列データ（サンプル）Ｄ３のどこに着目してShapelets ｗ６，ｗ７を設定してラベル付けを行ったかの情報を提供することで、非熟練者を教育することができる。

このように、第３の実施形態では、時系列データをクラス分けした作業員の熟練度を、第２分類部５によるクラス分けと分解＆解釈困難度に基づいて推定し、熟練度の低い非熟練者に対しては、熟練度の高い熟練者がクラス分けした時系列データを提示することで、クラス分けのコツを非熟練者に学ばせることができ、非熟練者を短時間で習熟させて、クラス分けの誤りを削減することができる。

上述した実施形態で説明した情報処理装置１、１ａの少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、情報処理装置１、１ａの少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ－ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。

また、情報処理装置１、１ａの少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。

本開示の態様は、上述した個々の実施形態に限定されるものではなく、当業者が想到しうる種々の変形も含むものであり、本開示の効果も上述した内容に限定されない。すなわち、特許請求の範囲に規定された内容およびその均等物から導き出される本開示の概念的な思想と趣旨を逸脱しない範囲で種々の追加、変更および部分的削除が可能である。

１、１ａ 情報処理装置、２ 入力部、３ 第１分類部、４ 部分波形更新部、５ 第２分類部、６ 困難度更新部、７ 出力部、８ 表示部、９ 誤り検出部、１０ クラス訂正部、１１ 熟練度推定部、１２ 熟練者判定部

Claims (19)

1. 複数のクラスにクラス分けされた複数の時系列データに基づいて、前記複数の時系列データを特徴づける複数の部分波形パターンを前記複数のクラスに分類する第１分類部と、
   前記部分波形パターンを、同一クラスの前記時系列データにフィッティングさせることにより、前記部分波形パターンの形状を更新する部分波形更新部と、
   前記更新された部分波形パターンと前記時系列データの分類及び解釈のしにくさを表す困難度とに基づいて前記複数の時系列データを前記複数のクラスに再分類する第２分類部と、を備える、情報処理装置。
2. 前記第２分類部による再分類結果に基づいて、前記時系列データの前記困難度を更新する困難度更新部と、を備える、請求項１に記載の情報処理装置。
3. 前記第１分類部、前記部分波形更新部、前記第２分類部、及び前記困難度更新部の処理は、所定回数繰り返し実行され、
   前記第２分類部は、前記更新された部分波形パターンと前記困難度更新部で算出された困難度とに基づいて、前記複数の時系列データを前記複数のクラスに再分類する、請求項２に記載の情報処理装置。
4. 前記時系列データと前記複数の部分波形パターンとの類似度を示す情報と、前記時系列データに対応する前記困難度とを出力する出力部を備える、請求項２又は３に記載の情報処理装置。
5. 前記部分波形更新部は、前記時系列データを時間軸方向にずらしながら前記複数の部分波形パターンとの距離を算出する処理を繰り返して、最小の距離を前記類似度とする請求項４に記載の情報処理装置。
6. 前記出力部から出力された前記複数の時系列データのそれぞれと前記複数の部分波形パターンとの類似度を示す情報に、対応する前記困難度を加味した複数の指標を表示するとともに、前記複数の指標を前記複数のクラスに分類するための境界情報を表示する表示部を備える、請求項４又は５に記載の情報処理装置。
7. 前記困難度に基づいて、前記複数の時系列データのクラス分けの誤りを検出する、誤り検出部を備える、請求項２乃至６のいずれか一項に記載の情報処理装置。
8. 前記誤り検出部で誤りが検出された時系列データのクラスを訂正するクラス訂正部を備える、請求項７に記載の情報処理装置。
9. 入力される前記複数の時系列データの数を複数回にわたって段階的に増やす学習ペースに関する情報を入力する第１情報入力部を備え、
   前記第２分類部は、前記学習ペースに従って前記複数の時系列データを前記複数のクラスに再分類する処理を繰り返し実行し、
   前記困難度更新部は、前記学習ペースに従って前記困難度を算出する処理を繰り返し実行する、請求項２乃至８のいずれか一項に記載の情報処理装置。
10. 前記困難度の条件を入力する第２情報入力部を備え、
    前記困難度更新部は、前記第２分類部による再分類結果と前記困難度の条件とに基づいて、前記困難度を算出する、請求項２乃至８のいずれか一項に記載の情報処理装置。
11. 分解性能及び解釈性能のどちらをどの程度重視するかを示す重み情報を入力する第３情報入力部を備え、
    前記困難度更新部は、前記第２分類部による再分類結果と前記重み情報とに基づいて前記困難度を算出し、
    前記第２分類部は、前記更新された部分波形パターンと前記重み情報とに基づいて前記複数の時系列データを前記複数のクラスに再分類する、請求項２乃至１０のいずれか一項に記載の情報処理装置。
12. 前記部分波形パターンのフィッティングの条件を入力する第４情報入力部を備え、
    前記部分波形更新部は、フィッティングの条件が指定された部分波形パターンについて、前記条件に基づいて前記部分波形パターンを更新し、フィッティングの条件が指定されていない部分波形パターンについては、最もよくフィッティングしている時系列データに基づいて前記部分波形パターンを更新する、請求項２乃至１１のいずれか一項に記載の情報処理装置。
13. 特定のクラスに分類可能な前記部分波形パターンの最小数及び最大数の少なくとも一方の条件を入力する第５情報入力部を備え、
    前記第１分類部は、前記第５情報入力部に入力された前記条件を満たす数の部分波形パターンを前記特定のクラスに割り当てる、請求項２乃至１２のいずれか一項に記載の情報処理装置。
14. 前記複数の時系列データをクラス分けした作業者の情報を入力する第６情報入力部と、
    前記第２分類部によるクラス分けと前記困難度更新部で算出された前記困難度とに基づいて、前記作業者のクラス分けに関する熟練度を推定する熟練度推定部と、を備える、請求項２乃至１２のいずれか一項に記載の情報処理装置。
15. 前記推定された熟練度に基づいて、前記作業者が熟練者か、非熟練者かを判定する熟練者判定部を備える、請求項１４に記載の情報処理装置。
16. 前記熟練者判定部にて前記非熟練者であると判定された場合に、前記熟練者がクラス分けした前記複数の部分波形パターンのクラス分けの情報を前記非熟練者に提示する提示部を備える、請求項１５に記載の情報処理装置。
17. 複数のクラスにクラス分けされた複数の時系列データに基づいて、複数の部分波形パターンを前記複数のクラスに分類する第１分類部と、
    前記部分波形パターンを、同一クラスの前記時系列データにフィッティングさせることにより、前記部分波形パターンを更新する部分波形更新部と、
    前記更新された部分波形パターンと前記時系列データの分離及び解釈のしにくさを表す困難度とに基づいて前記複数の時系列データを前記複数のクラスに再分類する第２分類部と、
    前記複数の時系列データのそれぞれと前記複数の部分波形パターンとの類似度を示す情報を、対応する前記困難度を加味して表す複数の指標を表示するとともに、前記複数の指標を前記複数のクラスに分類する境界情報を表示する表示部と、を備える、情報処理装置。
18. 複数のクラスにクラス分けされた複数の時系列データに基づいて、複数の部分波形パターンを前記複数のクラスに分類し、
    前記部分波形パターンを、同一クラスの前記時系列データにフィッティングさせることにより、前記部分波形パターンの形状を更新し、
    前記更新された部分波形パターンと前記時系列データの分類及び解釈のしにくさを表す困難度とに基づいて前記複数の時系列データを前記複数のクラスに再分類する、情報処理方法。
19. コンピュータに、
    複数のクラスにクラス分けされた複数の時系列データに基づいて、複数の部分波形パターンを前記複数のクラスに分類するステップと、
    前記部分波形パターンを、同一クラスの前記時系列データにフィッティングさせることにより、前記部分波形パターンの形状を更新するステップと、
    前記更新された部分波形パターンと前記時系列データの分類及び解釈のしにくさを表す困難度とに基づいて前記複数の時系列データを前記複数のクラスに再分類するステップと、を実行させる、プログラム。

Images