JP7143895B2

JP7143895B2 - 情報処理装置、情報処理方法、およびプログラム

Info

Publication number: JP7143895B2
Application number: JP2020547772A
Authority: JP
Inventors: 力江藤
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2018-09-27
Filing date: 2018-09-27
Publication date: 2022-09-29
Anticipated expiration: 2038-09-27
Also published as: US20210405004A1; WO2020065890A1; JPWO2020065890A1; US12072325B2

Description

本発明は、情報処理装置、伝達関数生成方法、およびプログラムに関する。

何らかの入力に対して応答（出力）を行う物理システムを利用して、その物理システムの出力から別の情報を得る技術が開発されている。

例えば、ガスをセンサで測定することにより、ガスに関する情報を得る技術が開発されている。例えば、下記特許文献１は、未知試料の入力に対する化学センサの出力を基に求められる伝達関数を使って、未知試料を識別する技術を開示している。具体的には、１）未知試料の量が時間的に変化する入力を化学センサに与え、２）上記化学センサからの時間的に変化する応答を測定し、３）上記入力および上記応答に基づいて上記未知試料の伝達関数を求め、４）求めた伝達関数に基づいて上記未知試料を識別する、という技術が開示されている。

特開２０１８－０８７７２２号公報

Riki Eto, Ryohei Fujimaki, Satoshi Morinaga, Hiroshi Tamano, "Fully-Automatic Bayesian Piecewise Sparse Linear Models", Proceedings of the Seventeenth International Conference on Artificial Intelligence and Statistics, PMLR 33:238-246, 2014.

しかしながら、上記特許文献１の技術は、センサといった物理システムの入出力関係の線形性を前提としている。そのため、物理システムの入出力関係が非線形である場合には識別（予測）の精度が低下する虞がある。

本発明は、上記の課題に鑑みてなされたものである。本発明の目的の一つは、入出力関係が非線形な物理システムの出力を用いた予測を精度よく行う技術を提供することである。

本発明の情報処理装置は、
入出力を有する物理システムの使用環境を示す使用環境情報を取得する使用環境情報取得手段と、
使用環境に基づく区分を示す区分情報と対応付けて前記物理システムの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択するモデル選択手段と、
前記選択された予測モデルを用いて、前記物理システムの出力に基づく予測を行う予測手段と、
を備える。

本発明の情報処理方法は、
コンピュータが、
入出力を有する物理システムの使用環境を示す使用環境情報を取得し、
使用環境に基づく区分を示す区分情報と対応付けて前記物理システムの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択し、
前記選択された予測モデルを用いて、前記物理システムの出力に基づく予測を行う、
ことを含む。

本発明のプログラムは、コンピュータに、上述の情報処理方法を実行させる。

本発明によれば、物理システムの特性を、当該物理システムの特性が非線形である場合も含めて、伝達関数により表現することが可能となる。

上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。

本発明に係る情報処理装置の概要を説明するための図である。情報処理装置の機能構成例を示す図である。物理システムの一例として挙げたセンサの入出力時系列データについて説明するための図である。異種混合学習によって生成される、予測モデルと区分情報との対応関係の一例を模式的に示す図である。情報処理装置を実現するための計算機を例示する図である。情報処理装置により実行される処理の流れを例示するフローチャートである。予測モデルと区分情報と対応付け情報の一例を示す図である。

以下、本発明の実施形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。

なお、以下に示す説明において、特に説明する場合を除き、各装置の各構成要素は、ハードウエア単位の構成ではなく、機能単位のブロックを示している。各装置の各構成要素は、任意のコンピュータのＣＰＵ、メモリ、メモリにロードされた本図の構成要素を実現するプログラム、そのプログラムを格納するハードディスクなどの記憶メディア、ネットワーク接続用インタフェースを中心にハードウエアとソフトウエアの任意の組合せによって実現される。そして、その実現方法、装置には様々な変形例がある。

［実施形態］
＜概要＞
まず、図１を用いて、本発明に係る情報処理装置２０の概要について説明する。図１は、本発明に係る情報処理装置２０の概要を説明するための図である。本発明に係る情報処理装置２０は、与えられた入力に対して何らかの出力を行う物理システム１０（例えば、センサ）の出力を基に予測を行うためのモデル（以下、「予測モデル」とも表記）をその物理システム１０の使用環境に応じて選択し、当該選択された予測モデルを用いて予測を行う。

ここで、本発明で対象となる物理システム１０については、複数の予測モデルが予め作成されている。物理システム１０の複数の予測モデルは、例えば図示されるように、その物理システム１０の使用環境に応じた区分を示す区分情報と対応付けられて、情報処理装置２０がアクセス可能な所定の記憶領域に記憶されている。情報処理装置２０は、対象とする物理システム１０の使用環境を示す情報（以下、「使用環境情報」とも表記）を基に、その使用環境に対応する予測モデルを選択する。そして、情報処理装置２０は、選択した予測モデルを用いて物理システム１０の出力を基に予測を行い、その予測結果を出力する。

＜機能構成例＞
図２は、情報処理装置２０の機能構成例を示す図である。図２に示されるように、情報処理装置２０は、使用環境情報取得部２１０、モデル選択部２２０、および予測部２３０を備える。

使用環境情報取得部２１０は、入出力を有する物理システムの使用環境情報を取得する。使用環境情報取得部２１０は、物理システム１０の使用環境を示す使用環境情報を取得する。モデル選択部２２０は、使用環境情報取得部２１０が取得した使用環境情報を用いて、複数の予測モデルの中から一の予測モデルを選択する。ここで、図１を用いて説明したように、複数の予測モデルは、使用環境に基づく区分を示す区分情報と対応付けて所定の記憶領域に記憶されている。モデル選択部２２０は、使用環境情報取得部２１０が取得した使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択する。そして、予測部２３０は、モデル選択部２２０により選択された予測モデルを用いて、物理システム１０の出力に基づく予測を行い、その結果を図示しない出力装置（例えば、ディスプレイなど）に出力する。

＜物理システムについて＞
入出力を有する物理システムの一例としては、センサが挙げられる。センサは、検出対象となる物体の状態や性質、あるいは物理量などの情報を入力として、その入力を電気的な信号に変換して出力する装置である。なお、センサの種類は特に限定されない。例えば、以下において、においセンサの例を説明するが、センサは、機械量、光、熱、放射線、電気、磁気などを検知するセンサであってもよい。

図３は、物理システムの一例として挙げたセンサの入出力時系列データについて説明するための図である。図３において、センサ（物理システム１０）は、ガスに含まれる分子（におい成分）が付着する受容体を有し、その受容体における分子の付着と離脱に応じて検出値が変化するセンサ（におい成分を検知するにおいセンサ）である。なお、センサによってセンシングされているガスを、対象ガスと呼ぶ。ここで、センサに対する入力は、当該センサが対象ガスをセンシングしている期間に存在する。別の観点で言えば、対象ガスのサンプリングおよびパージを制御する信号の周期（サンプリング周期）が、センサに対する入力である。なお、「サンプリング」とはセンサを対象ガスに曝すことを、「パージ」とは対象ガスをセンサから取り除くことをそれぞれ意味する。このサンプリング周期（信号入力値）の時系列データを、入力時系列データ１２と呼ぶ。また、入力時系列データ１２で示される入力に応じてセンサから出力される検出値の時系列データを、出力時系列データ１４と呼ぶ。以下の説明において、必要に応じ、入力時系列データ１２および出力時系列データ１４を、それぞれ、ＵおよびＹとも表記する。また、入力時系列データ１２の時刻ｔの信号入力値および出力時系列データ１４の時刻ｔの検出値を、それぞれ、ｕ（ｔ）およびｙ（ｔ）とも表記する。Ｕは、ｕ（ｔ）が列挙されたベクトルとなる。Ｙは、ｙ（ｔ）が列挙されたベクトルとなる。

例えばセンサは、膜型表面応力（Membrane-type Surface stress Sensor；ＭＳＳ)である。ＭＳＳは、受容体として、分子が付着する官能膜を有しており、その官能膜に対する分子の付着と離脱によってその官能膜の支持部材に生じる応力が変化する。ＭＳＳは、この応力の変化に基づく検出値を出力する。なお、センサは、ＭＳＳには限定されず、受容体に対する分子の付着と離脱に応じて生じる、センサの部材の粘弾性や動力学特性（質量や慣性モーメントなど）に関連する物理量の変化に基づいて検出値を出力するものであればよく、カンチレバー式、膜型、光学式、ピエゾ、振動応答などの様々なタイプのセンサを採用することができる。

ここで、センサがにおいセンサである場合、その使用環境の具体例としては、例えば、気温、湿度、気圧、夾雑ガスの種類、パージガスの種類、におい成分のサンプリング周期、センシング対象物とセンサとの距離、センサの周囲に存在する物体などが挙げられる。なお、夾雑ガスの種類は、センサを対象ガスに曝す操作（サンプリング）において、対象のにおい成分と共にセンサに供給されるガスの種類である。具体的には、夾雑ガスの種類としては、窒素等の不活性ガス、および空気等が挙げられる。パージガスの種類はセンサから測定対象のガスを取り除く操作（パージ）においてセンサに供給されるガスである。具体的にはパージガスとしては、窒素等の不活性ガス、および空気等が挙げられる。におい成分のサンプリング周期は、センサを測定対象のガスに曝す操作と、センサから測定対象のガスを取り除く操作を繰り返し行う場合の繰り返し周期である。対象物とセンサとの距離は、特定の対象物の周囲にセンサを配置して検出を行う場合の、対象物とセンサとの距離である。センサの周囲に存在する物体は、特定の対象物の周囲に物理システム１０を配置して検出を行う場合の、対象物の種類である。

＜前処理について＞
本発明において、物理システム１０の複数の予測モデルが、その物理システム１０の使用環境に応じた区分を示す区分情報と対応付けられて、予め用意されていることが前提となっている。予測モデルと区分情報との対応付けは、例えば以下に説明する方法で生成され得る。但し、以下で説明する方法は、あくまで一例であって、本発明を何ら制限しない。

まず、情報処理装置２０は、物理システム１０の入力および出力の時系列データ（以下、「入出力時系列データ」とも表記）を用いて、当該物理システムのＡＲＸ（Auto-Regressive with eXogenous input）モデルを生成する。ここで、情報処理装置２０は、所定の区分毎の入出力時系列データを用いて、ＡＲＸモデルをその区分毎に生成する。なお「区分」は、対象とする物理システムの入出力関係が線形となる条件または環境により定められる。一例として、対象とする物理システムの入出力関係が、如何なる条件（環境）下であっても、完全に線形となる場合を考える。この場合、入出力時系列データの区分の数は１つとなる。そして、この場合、情報処理装置２０は、当該１つの区分の入出力時系列データを用いて、１つのＡＲＸモデルを生成する。他の一例として、対象とする物理システムの入出力関係が特定の条件（環境）に応じて変動し、その物理システムが全体として非線形な特性を有している場合を考える。この場合、その物理システムは、特定の条件（環境）に限定して見れば、局所的な線形性を有していると言える。つまり、入出力時系列データの区分の数は、局所的な線形性を示す特定の条件（環境）の数に応じて複数となる。そして、この場合、情報処理装置２０は、当該物理システムにおいて局所的な線形性を示す区分（部分的に線形性を示す区分）毎の時系列データを用いて、区分毎にＡＲＸモデルを生成する。本発明では、物理システム１０の入出力特性は基本的に非線形であり、その物理システム１０の入出力時系列データについては複数の区分があるものと仮定する。

具体的には、情報処理装置２０は、まず、対象とする物理システムの特性を示す伝達関数を導出するための入力データとして、区分毎の入力時系列データ１２および出力時系列データ１４のペアを取得する。区分毎の入力時系列データ１２および出力時系列データ１４は、例えば、情報処理装置２０がアクセス可能な記憶領域（例えば、情報処理装置２０のストレージデバイスなど）に記憶されていてもよいし、物理システム１０から直接取得してもよい。

そして、情報処理装置２０は、区分毎の入力時系列データ１２および出力時系列データ１４のペアを用いて、区分毎のＡＲＸモデルを生成する。情報処理装置２０は、既知の手法を用いて、区分毎の入力時系列データ１２および出力時系列データ１４のペアからＡＲＸモデルのパラメータを推定（ＡＲＸモデルを生成）することができる。

そして、情報処理装置２０は、生成された区分毎のＡＲＸモデルを用いて、物理システムの伝達関数を区分毎に生成する。情報処理装置２０は、例えば以下で説明する手順により、区分毎のＡＲＸモデルから、区分毎の伝達関数を生成することができる。

ここで、物理システムのＡＲＸモデルは、以下の式（１）で表される。式（１）において、ｙ（ｔ）は物理システムの出力（出力時系列データ１４）、ｕ（ｔ）は物理システムに対する入力（入力時系列データ１２）、ａ_ｉは自己回帰係数、ｂ_ｉは外生入力計数である。情報処理装置２０は、区分毎に分類された入力時系列データ１２および出力時系列データ１４の組み合わせを用いて、下記式（１）で示されるＡＲＸモデルを区分毎に生成することができる。

情報処理装置２０は、このように区分毎に生成されたＡＲＸモデルを用いて、対象の物理システムの入出力関係を表す伝達関数を、その区分毎に生成する。情報処理装置２０は、上記式（１）で示される区分毎のＡＲＸモデルをｚ変換した結果を用いて、ｚ領域における伝達関数を区分毎に得ることができる。具体的には、情報処理装置２０は、上記式（１）をｚ変換した結果を用いて、以下の式（２）を得ることができる。下記式（２）において、Ｙ（ｚ）／Ｕ（ｚ）は、物理システムの入力Ｕに対する出力Ｙのｚ変換の比（すなわち、ｚ領域における伝達関数）である。

さらに、情報処理装置２０は、上記式（２）において、「ｚ＝ｅ^ｉωΔｔ」とすることにより、上記式（２）で示されるｚ領域における伝達関数を、フーリエ変換に基づく伝達関数に変換する。ここで、ｉは虚数、ωはフーリエ変換における周波数、Δｔは測定データを記録する時間間隔である。この処理の結果として、情報処理装置２０は、対象の物理システム１０の入出力に関する特性を伝達関数により表現するモデルを得ることができる。

ここで、物理システム１０の入出力関係は、その物理システムの使用環境（使用条件）に影響を受ける場合がある。例えばセンサなどの場合、入力を出力に変換するための機構の特性がセンサの測定環境（測定条件）に応じて変わり、その結果、センサの特性が全体として非線形となる場合がある。具体的な例として、センサの一構成要素としてばねが存在する場合に、ばね係数が気温や湿度などによって変動することで、そのセンサの特性が非線形となり得る。しかしながら、気温や湿度といった測定環境（測定条件）を細かく分類していくことで、局所的に線形性を有する区分を見つけ出すことができる。ここから、入出力時系列データの区分は、例えば、そのセンサの測定環境に基づいて決定することができる。

また、気温、湿度、および気圧といった測定環境（測定条件）に基づく区分について、その境界（閾値）は、例えば、異種混合学習を利用して自動的に決定することができる。異種混合学習とは、「入力データを決定木形式のルールによって場合分けし、各場合で異なる説明変数を組み合わせた線形モデルで予測する予測モデル（異種混合予測モデル）」を、データから自動的に学習する技術である。異種混合学習は、（１）予測式の数を決める問題、（２）各予測式に利用される説明変数の数と種類（組合せ）を決める問題、（３）データを分割するルール構造（＝区分）を決める問題、という３つの「モデル選択問題」を同時に解くことができる。なお、異種混合学習の詳細については、例えば、上述の非特許文献１に開示されている。この異種混合学習によって、物理システム１０の予測モデル毎に区分情報との対応関係が生成され、ストレージデバイス１０８０などの記憶領域に記憶される。また、上述の「モデル選択問題」を解決可能な他の手法が、異種混合学習の代わりに利用されてもよい。また、情報処理装置２０を操作する人物が、入力時系列データ１２および出力時系列データ１４の各組み合わせを確認し、予測モデル毎の区分を決定してもよい。

図４は、異種混合学習によって生成される、予測モデルと区分情報との対応関係の一例を模式的に示す図である。図４には、物理システム１０の全体的な入出力特性をモデル化した状態が示されている。図４に例示される物理システム１０のモデルは、複数のノードを含んだ階層構造を有する。そして一以上の中間ノードには分岐の条件として分岐式が位置し、最下層のノードには伝達関数が位置する。本図において条件Ａ、条件Ｂ１および条件Ｂ２は、分岐の条件である。伝達関数１から伝達関数４は、分岐条件に基づく区分毎の物理システム１０の入出力データから導出される伝達関数である。

最下層に位置する各伝達関数に辿りつくまでに経由する中間ノードの分岐条件の組み合わせが、上述の区分に該当する。中間ノードの構造は、例えば、異種混合学習の結果として自動的に生成される。情報処理装置２０は、ＡＲＸモデルの区分（そのＡＲＸモデルの生成に用いた入出力時系列データの区分）に基づいて、そのＡＲＸモデルから導出した伝達関数を紐付けるべき位置を決定することができる。具体的な例として、情報処理装置２０が、「条件Ａ＝ＦＡＬＳＥ、かつ、条件Ｂ２＝ＴＲＵＥ」という区分に属する入出力時系列データを基に生成されたＡＲＸモデルから、ある伝達関数を生成したとする。この場合、情報処理装置２０は、「条件Ａ＝ＦＡＬＳＥ、かつ、条件Ｂ２＝ＴＲＵＥ」という区分から、その伝達関数を、図４の「伝達関数３」の位置に紐付けることができる。

そして、それぞれの伝達関数を用いて得られる特徴量から、分岐条件ごとに予測モデル（予測式）が生成される。例えば、予測モデル（予測式）は特徴量の線形和であり、ｚ＝ＷＸ＋ｂで表される。ここで、Ｘは物理システム１０（センサ）の出力に基づく特徴量ベクトル、Ｗは特徴量ベクトルＸの各要素（特徴量）に対応する重み係数を示す重み係数ベクトル、ｂは定数である。そして、得られるｚが予測結果を示す。予測モデル（予測式）は判別に用いられても良いし、回帰予測に用いられても良い。たとえば、あるにおい成分の有無の判別に用いられる予測モデル（予測式）では、ｚが予め定められた基準以上である場合、測定対象のガスに検出対象のにおい成分が含まれていると判断し、基準未満である場合、測定対象のガスに検出対象のにおい成分が含まれていないと判断することができる。回帰予測の例としては、飲料等の製品のにおいに基づく製造品質の予測や呼気の測定による体内状態の予測等が挙げられる。

ここで、分岐条件毎の学習データを用いて、例えばＬＡＳＳＯ（Least Absolute Shrinkage and Selection Operator）などのスパース学習を実行することによって、各特徴量の重み付けが異なる予測モデル（予測式）が分岐条件毎に生成される。このように生成された予測モデル（予測式）は、その予測モデル（予測式）に対応する分岐条件を示す情報（すなわち、区分情報）と対応付けて、情報処理装置２０がアクセス可能な記憶領域（例えば、情報処理装置２０のストレージデバイスなど）に記憶される。

なお、情報処理装置２０以外の他の装置が、情報処理装置２０の代わりに、ここで説明した各工程を実行し、情報処理装置２０はその他の装置が生成した結果を利用してもよい。

＜ハードウエア構成例＞
情報処理装置２０の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、情報処理装置２０の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図５は、情報処理装置２０を実現するための計算機１０００を例示する図である。計算機１０００は任意の計算機である。例えば計算機１０００は、ＰＣ（Personal Computer）やサーバマシンなどの据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末などの可搬型の計算機である。計算機１０００は、情報処理装置２０を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０４０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field－Programmable Gate Array）などの種々のプロセッサである。メモリ１０６０は、ＲＡＭ（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、ＳＳＤ（Solid State Drive）、メモリカード、又はＲＯＭ（Read Only Memory）などを用いて実現される補助記憶装置である。

入出力インタフェース１１００は、計算機１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。その他にも例えば、入出力インタフェース１１００には、センサなどの物理システム１０が接続される。ただし、センサなどの物理システム１０は必ずしも計算機１０００と直接接続されている必要はない。例えば、センサなどの物理システム１０は、計算機１０００と共有している記憶装置に入力時系列データ１２や出力時系列データ１４を記憶させてもよい。

ネットワークインタフェース１１２０は、計算機１０００を通信網に接続するためのインタフェースである。この通信網は、例えばＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）である。ネットワークインタフェース１１２０が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。

ストレージデバイス１０８０は、情報処理装置２０の各機能構成部（使用環境情報取得部２１０、モデル選択部２２０、予測部２３０など）を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

＜処理の流れ＞
以下、図を用いて、情報処理装置２０により実行される処理の流れを説明する。図６は、情報処理装置２０により実行される処理の流れを例示するフローチャートである。

まず、使用環境情報取得部２１０は、対象とする物理システム１０の使用環境情報を取得する（Ｓ１０２）。そして、モデル選択部２２０は、使用環境情報が示す使用環境に合致する区分を、予め用意された複数の予測モデルの情報（例：図７）を用いて特定する（Ｓ１０４）。図７は、予測モデルと区分情報と対応付ける情報の一例を示す図である。図７に例示される情報は、例えば、ストレージデバイス１０８０などに記憶されている。図７に例示される情報では、温度に関する２つの閾値Ｔ_１およびＴ_２、並びに、湿度に関する閾値Ｈ_１によって４つの区分が定義されており、各々の区分に対して異なる予測モデルが設定されている。一例として、Ｓ１０２の処理で取得された使用環境情報が「温度Ｔ＞閾値Ｔ_１かつ温度Ｔ≧閾値Ｔ_２」を示している場合、モデル選択部２２０は、図７に示される情報を用いて「予測モデル２」を選択することができる。

そして、予測部２３０は、対象とする物理システム１０の出力データを取得する（Ｓ１０６）。予測部２３０は、例えば、入出力インタフェース１１００またはネットワークインタフェース１１２０を介して接続された物理システム１０からリアルタイムの出力データを取得してもよい。また、予測部２３０は、物理システム１０の出力データを蓄積する記憶装置（図示せず）を経由して、物理システム１０の出力データを取得してもよい。そして、予測部２３０は、Ｓ１０４の処理で選択された予測モデルを用いて、取得した出力データまたは当該出力データから得られる特徴データに基づく予測を実行し、その予測結果をユーザ用のディスプレイなどに出力する（Ｓ１０８）。

＜作用・効果＞
以上、本実施形態では、まず、物理システム１０の出力データを基に予測を行うための予測モデルが、その物理システム１０の使用環境に応じて選択される。言い換えると、物理システム１０の使用環境に応じて適切な予測モデルが選択される。そして、当該選択された予測モデルを用いて物理システム１０の出力データに基づく予測が行われる。これにより、物理システム１０の出力データから誤った予測結果が得られる可能性を低減させ、その予測の精度を向上させる効果が期待できる。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。

また、上述の説明で用いたフローチャートでは、複数の工程（処理）が順番に記載されているが、その工程の実行順序は、その記載の順番に制限されない。上述の実施形態において、図示される工程の順番を内容的に支障のない範囲で変更することができる。
上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
１．
入出力を有する物理システムの使用環境を示す使用環境情報を取得する使用環境情報取得手段と、
使用環境に基づく区分を示す区分情報と対応付けて前記物理システムの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択するモデル選択手段と、
前記選択された予測モデルを用いて、前記物理システムの出力に基づく予測を行う予測手段と、
を備える情報処理装置。
２．
前記物理システムはセンサである、
１．に記載の情報処理装置。
３．
前記センサは、におい成分を検知するにおいセンサである、
２．に記載の情報処理装置。
４．
前記センサがにおいセンサである場合において、前記使用環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む、
３．に記載の情報処理装置。
５．
前記予測モデルと前記区分情報との対応関係は、異種混合学習により生成される、
１．から４．のいずれか１つに記載の情報処理装置。
６．
コンピュータが、
入出力を有する物理システムの使用環境を示す使用環境情報を取得し、
使用環境に基づく区分を示す区分情報と対応付けて前記物理システムの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択し、
前記選択された予測モデルを用いて、前記物理システムの出力に基づく予測を行う、
ことを含む情報処理方法。
７．
前記物理システムはセンサである、
６．に記載の情報処理方法。
８．
前記センサは、におい成分を検知するにおいセンサである、
７．に記載の情報処理方法。
９．
前記センサがにおいセンサである場合において、前記使用環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む、
８．に記載の情報処理方法。
１０．
前記予測モデルと前記区分情報との対応関係は、異種混合学習により生成される、
６．から９．のいずれか１つに記載の情報処理方法。
１１．
コンピュータに、６．から１０．のいずれか１つに記載の情報処理方法を実行させるプログラム。

Claims

におい成分を検知するにおいセンサの使用環境を示す使用環境情報を取得する使用環境情報取得手段と、
使用環境に基づく区分を示す区分情報と対応付けて前記においセンサの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択するモデル選択手段と、
前記選択された予測モデルを用いて、前記においセンサの出力に基づく予測を行う予測手段と、
を備える情報処理装置。
前記使用環境は、温度、湿度、気圧、夾雑ガスの種類、パージガスの種類、前記におい成分のサンプリング周期、対象物と前記センサとの距離、前記センサの周囲に存在する物体のうち少なくともいずれかを含む、
請求項１に記載の情報処理装置。
前記予測モデルと前記区分情報との対応関係は、異種混合学習により生成される、
請求項１または２に記載の情報処理装置。
コンピュータが、
におい成分を検知するにおいセンサの使用環境を示す使用環境情報を取得し、
使用環境に基づく区分を示す区分情報と対応付けて前記においセンサの複数の予測モデルを記憶する記憶手段から、前記使用環境情報が示す使用環境に合致する区分の区分情報と対応付けられた予測モデルを選択し、
前記選択された予測モデルを用いて、前記においセンサの出力に基づく予測を行う、
ことを含む情報処理方法。
コンピュータに、請求項４に記載の情報処理方法を実行させるプログラム。