JP7167992B2 - ラベル修正装置 - Google Patents

Description

本発明は、ラベル修正装置、ラベル修正方法、記録媒体に関する。

プラントや工場などにおいて、設置された各種センサなどから時系列のデータを取得して、取得した時系列のデータからシステムの状態を判定することがある。このようなシステムの状態判定は、ディープラーニングなどの機械学習を使って行うことがあることが知られている。

機械学習を活用した時系列データに基づくシステムの状態判定を行う際に用いられる技術の一つとして、例えば、特許文献１がある。特許文献１には、センサの測定データにラベルを付与する情報処理装置が記載されている。具体的には、情報処理装置は、測定データ取得部と、特性データ取得部と、教師データ生成部と、を備えている。特許文献１によると、特性データ取得部はセンサの保全によって取得されるセンサの特性データを取得する。また、教師データ生成部は、センサの測定データに対して、特性データをラベル情報として対応づけた教師データを生成する。特許文献１によると、上記のような構成により、保全作業に伴うコストの上昇の低減を図ることが出来る。

特開２０１８－８１６１９号公報

測定データに対して与えられるラベルは誤っていることがある。そのため、ラベルが不正確であると判断される場合、ラベルを修正することが望ましい。

ここで、上記のような時系列のデータの場合、システムの状態はある程度長い期間続き、時系列点１点ごとにシステムの状態が変化することは起きにくいという特性を有している。そのため、ラベルの修正を行う場合には、上記のような時系列のデータが有する特性を考慮することが好ましい。しかしながら、時系列のデータが有する特性を考慮して、ラベルの修正を行う技術は知られていない。そのため、時系列のデータが有する特性を考慮しつつラベルの修正を行うことが出来ない、という問題が生じていた。

そこで、本発明の目的は、時系列のデータが有する特性を考慮しつつラベルの修正を行うことを可能とするラベル修正装置、ラベル修正方法、記録媒体を提供することにある。

かかる目的を達成するため本発明の一形態であるラベル修正装置は、
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部と、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する修正部と、
を有する
という構成をとる。

また、本発明の他の形態であるラベル修正方法は、
ラベル修正装置が、
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力し、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する
という構成をとる。

また、本発明の他の形態である記録媒体は、
ラベル修正装置に、
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部と、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する修正部と、
を実現するためのプログラムを記録したコンピュータが読み取り可能な記録媒体である。

本発明は、以上のように構成されることにより、時系列のデータが有する特性を考慮しつつラベルの修正を行うことを可能とするラベル修正装置、ラベル修正方法、記録媒体を提供することが可能となる。

本発明の第１の実施形態における学習装置の構成の一例を示すブロック図である。 センサが取得する時系列データの一例を示す図である。 ラベル情報の一例を示す図である。 高信頼度期間情報が示す高信頼度期間の一例を示す図である。 修正困難度スコア情報が示す修正困難度スコアの一例を示す図である。 修正困難度スコア情報が示す修正困難度スコアの他の一例を示す図である。 修正困難度スコア情報が示す修正困難度スコアの一例を示す図である。 分類結果情報が示す分類結果の一例を示す図である。 修正スコア情報が示す修正スコアの一例を示す図である。 修正スコアを算出する際の修正案の例を示す図である。 修正スコアを提示する際の表示の一例を示す図である。 学習装置の動作の一例を示すフローチャートである。 ラベル修正装置の構成の一例を示すブロック図である。

［第１の実施形態］
本発明の第１の実施形態を図１から図１２までを参照して説明する。図１は、学習装置１の構成の一例を示すブロック図である。図２は、センサ１１が取得する時系列データ１５１の一例を示す図である。図３は、ラベル情報１５２の一例を示す図である。図４は、高信頼度期間情報１５３が示す高信頼度期間の一例を示す図である。図５から図７は、修正困難度スコア情報１５５が示す修正困難度スコアの一例を示す図である。図８は、分類結果情報１５６が示す分類結果の一例を示す図である。図９は、修正スコア情報１５７が示す修正スコアの一例を示す図である。図１０は、修正案の例を示す図である。図１１は、修正スコアを提示する際の表示の一例を示す図である。図１２は、学習装置１の動作の一例を示すフローチャートである。

学習装置１（ラベル修正装置）は、工業プラントや制御・管理プラント、工場などの各種システムの監視を行う。例えば、学習装置１は、１以上のセンサ１１から取得した時系列のデータである時系列データ１５１と、入力されたラベル情報１５２と、に基づいて、通常運転、高負荷運転、異常運転、停止、などのシステムの状態に応じたデータの特徴を学習する。そして、学習装置１は、学習した結果に基づいて、今の状態が上記システムの状態のいずれに該当するか判断する。

また、後述するように、本実施形態における学習装置１は、システムの状態はある程度長い期間続き、時系列点１点ごとにシステムの状態が入れ替わることはない、という時系列のデータが有する特性を踏まえた上で、ラベル情報１５２を修正する。具体的には、例えば、学習装置１は、所定の条件に基づいて、システムの状態が変化する点（例えば、時刻）を示すシステム状態変化点を変更（例えば、移動、追加、削除など）する、ブロックごとに付与されたシステム状態ラベルを一括変更する、などの方法により、ラベル情報１５２を修正する。これにより、学習装置１は、時系列点１点ごとにシステムの状態が入れ替わるなどの時系列のデータに対する修正としては不合理な修正を行うおそれを抑制しつつ、ラベル情報１５２を修正する。換言すると、学習装置１が行う学習ラベル情報１５２の修正には、システム状態変化点の変更、及び、システム状態ラベルの一括変更を含む。更に、システム状態変化点の変更には、システム状態変化点の移動、システム状態変化点の追加、及び、システム状態変化点の削除を含む。なお、後述するように、本実施形態の場合、システム状態変化点により、時系列データ１５１は複数のブロックに分割される。つまり、ブロックとは、システム状態変化点により区切られた時系列データ１５１の一部をいう。

図１は、学習装置１の構成の一例を示している。図１を参照すると、学習装置１は、例えば、主な構成要素として、センサ１１と、操作入力部１２と、画面表示部１３と、通信Ｉ／Ｆ部１４と、記憶部１５と、演算処理部１６と、を有している。

センサ１１は、例えば１分ごとなど時系列点ごとのデータを取得することで時系列のデータを取得する。センサ１１は、例えば、圧力計や温度計、流量計などの物理センサである。

本実施形態においては、学習装置１が有するセンサの数や種類については特に限定しない。学習装置１は、例えば、１以上の任意の数や種類のセンサ１１を有することが出来る。

操作入力部１２は、キーボードやマウスなどの操作入力装置からなる。操作入力部１２は、学習装置１を操作するユーザの操作を検出して演算処理部１６に出力する。例えば、学習装置１を操作するユーザは、操作入力部１２を介して、後述するラベル情報１５２の入力、高信頼度期間情報１５３の入力、採用する修正案の選択、などの各種入力操作を行う。

画面表示部１３は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ、液晶ディスプレイ）などの画面表示装置からなる。画面表示部１３は、演算処理部１６からの指示に応じて、時系列データ１５１などの各種情報を画面表示する。

通信Ｉ／Ｆ部１４は、通信回線を介して接続された各種装置との間でデータ通信を行う。

記憶部１５は、ハードディスクやメモリなどの記憶装置である。記憶部１５は、演算処理部１６における各種処理に必要な処理情報やプログラム１５８を記憶する。プログラム１５８は、演算処理部１６に読み込まれて実行されることにより各種処理部を実現する。プログラム１５８は、通信Ｉ／Ｆ部１４などのデータ入出力機能を介して外部装置や記憶媒体から予め読み込まれ、記憶部１５に保存されている。記憶部１５で記憶される主な情報としては、例えば、時系列データ１５１と、ラベル情報１５２と、高信頼度期間情報１５３と、分類モデル１５４と、修正困難度スコア情報１５５と、分類結果情報１５６と、修正スコア情報１５７と、プログラム１５８と、などがある。

時系列データ１５１は、センサ１１が取得した時系列のデータを示している。換言すると、時系列データ１５１は、センサ１１が取得した各時系列点のデータの集合からなる時系列のデータを示している。換言すると、時系列データ１５１には、複数の時系列点のデータが含まれている。

本実施形態の場合、学習装置１は、１以上のセンサ１１を有している。そのため、例えば、学習装置１が２以上の複数のセンサ１１を含む場合、時系列データ１５１には、複数のセンサ１１が取得した複数の時系列データが含まれる。

図２は、時系列データ１５１の一例を示している。図２で示す場合、時系列データ１５１には、センサＡ、センサＢ、センサＣ、センサＤの４つのセンサ１１が取得した時系列のデータが含まれている。このように、時系列データ１５１には、センサ１１の数に応じた時系列のデータが含まれる。

ラベル情報１５２は、時系列データ１５１に対して付与されるラベルを示している。本実施形態の場合、ラベル情報１５２は、システム状態変化点（状態変化点）と、システム状態変化点によって区切られた各ブロックに対して付与されるシステム状態ラベル（ラベル）と、から構成される。後述するように、ラベル情報１５２は、例えば、学習装置１を操作するユーザによる操作により入力される。ラベル情報１５２は、学習装置１のラベル情報入力部１６２が時系列データ１５１などに基づいて自動的に入力するよう構成しても構わない。

ここで、システム状態変化点とは、時系列のデータの状態が変化する点のことをいう。システム状態変換点は、センサ１１により監視するシステムの状態が変化する点（例えば、時刻）を示している。システム状態変化点により、時系列データ１５１は、複数のブロックに分割される。また、システム状態ラベルは、システム状態変化点によって区切られた各ブロックに対して付与されるラベルであり、システムの状態を示している。つまり、本実施形態の場合、同一のブロックに属する時系列点のデータに対して、同一のシステム状態ラベルが付与される。システム状態ラベルには、例えば、システム状態Ａ（通常運転）、システム状態Ｂ（高負荷運転）、システム状態Ｃ（異常運転）、システム状態Ｄ（停止）、などがある。システム状態ラベルは、後述する分類モデル学習部１６４による学習を行う際や、修正部１６７によるラベル情報１５２の修正を行う際などに用いられる。なお、システム状態ラベルは、異常運転をより細かく判別するなど、上記例示したもの以外であっても構わない。

図３は、図２で示す時系列データ１５１に対して付与されるラベル情報１５２の一例を示している。例えば、図３で示す場合、時系列データ１５１は、４つのシステム状態変化点で区切られている。また、図３で示す場合、４つのシステム状態変化点で区切られた５つのブロックに対して、図３の左から右に向かって順番に、システム状態Ａ（通常状態）、システム状態Ｂ（高負荷運転）、システム状態Ａ（通常運転）、システム状態Ｃ（異常運転）、システム状態Ｄ（停止）、の４種類のシステム状態ラベルが付与されている。換言すると、例えば、図３で示すうち一番左側のブロックに属する時系列点には、システム状態Ａ（通常運転）のシステム状態ラベルが付与されている。

このように、ラベル情報１５２は、時系列データ１５１を区切るシステム状態変化点と、システム状態変化点によって区切られた各ブロックに対して付与されるシステム状態ラベルと、から構成される。なお、ラベル情報１５２に含まれるシステム状態変化点の数やシステム状態ラベルの数、種類は、上記例示した以外であっても構わない。

高信頼度期間情報１５３は、時系列データ１５１のうち、信頼性が高いと判断される期間（例えば、ラベル付けが誤っているおそれが低いと考えられる期間）である高信頼度期間を示している。後述するように、高信頼度期間情報１５３が示す高信頼度期間内の時系列点のシステム状態ラベルに基づいて、最初の学習が行われる。そのため、高信頼度期間は、上述したラベル情報１５２に含まれるすべての種類のシステム状態ラベルに対して設定されることが望ましい。つまり、上述した例の場合、システム状態Ａ（通常状態）、システム状態Ｂ（高負荷運転）、システム状態Ｃ（異常運転）、システム状態Ｄ（停止）、のすべての種類に対して高信頼度期間が設定されていることが望ましい。

後述するように、高信頼度期間は、例えば、学習装置１を操作するユーザによる操作により入力される。高信頼度期間は、学習装置１の高信頼度期間情報入力部１６３が、システム状態変化点からの距離などに基づいて入力されても構わない。

図４は、図２で示す時系列データ１５１に対して入力された高信頼度期間の一例を示している。図４では、システム状態Ａ（通常運転）とシステム状態Ｄ（停止）中の所定期間に対して高信頼度期間が入力されている。図４で示す場合、システム状態Ａ（通常運転）とシステム状態Ｄ（停止）中の高信頼度期間は、例えば、システム状態変化点から予め定められた値（任意の値で構わない）以上離れている。なお、図４では、システム状態Ｂとシステム状態Ｃに対して高信頼度期間が入力されていない。そのため、システム状態Ｂとシステム状態Ｃに対しては、図４で図示しない時系列のデータ中のどこかの期間に対して、高信頼度期間の入力が行われていることが望ましい。

分類モデル１５４は、分類モデル学習部１６４による学習の結果として生成されるモデルである。後述するように、分類モデル学習部１６４は、高信頼度期間情報１５３が示す高信頼度期間を対象とした学習を行う。そのため、分類モデル１５４は、高信頼度期間を対象とした学習の結果として生成されるモデルである、ということも出来る。換言すると、分類モデル１５４は、時系列データ１５１のうちの一部に対する学習の結果として生成されるモデルである。

修正困難度スコア１５５は、ラベルを修正する際の困難度を示す値である修正困難度スコアを示している。修正困難度スコアは、例えば、分類モデル学習部１６４による学習が行われなかった時系列点を対象として、修正困難度スコア計算部１６５により算出される。

修正困難度スコアは、例えば、値が大きくなれば大きくなるほどシステム状態変化点やシステム状態ラベルの修正が困難であることを示している。後述するように、例えば、修正困難度スコアは、時系列データと、システム状態変化点と、に基づいて算出することが出来る。具体的には、例えば、修正困難度スコアは、時系列データを構成する各時系列点のシステム状態変化点からの離れ具合と、時系列点と同一のブロックに分類モデル学習部１６４による学習が行われた期間を含むか否か、に基づいて算出することが出来る。なお、後述するように、修正困難度スコアは、修正案を採用する際の目安となる修正スコアを算出する際にも用いられる。そのため、修正困難度スコアは、ラベル情報１５２を修正する際に、後述する分類部１６６による分類の結果を補正する値である、ということも出来る。

図５は、ラベル情報１５２に含まれるシステム状態ラベルと、分類モデル学習部１６４による学習が行われたか否か（つまり、高信頼度期間内であるか否か）を示す学習済みフラグと、修正困難度スコアと、の対応の一例を示す図である。図５では、時系列点「１２：０４」と「１２：０５」の間にシステム状態変化点がある場合について例示している。

図５で示す場合、「１２：００」「１２：０１」の時刻の時系列点のデータに対しては、既に分類モデル学習部１６４による学習が行われている。そのため、システム状態ラベルの修正は不可能であり、修正困難度スコア計算部１６５による修正困難度スコアの算出は行われない。その結果、修正困難度スコアは「（修正不可）」となっている。このように、分類モデル学習部１６４による学習が行われた時系列点（つまり、高信頼度期間内の時系列点）については、修正困難度スコアの算出は行われない。

また、図５の場合、「１２：０２」に対応する修正困難度スコアは「０．８」であり、「１２：０３」に対応する修正困難度スコアは「０．７」であり、「１２：０４」に対応する修正困難度スコアは「０．６」である。同様に、図５の場合、「１２：０５」に対応する修正困難度スコアは「０．２」であり、「１２：０６」に対応する修正困難度スコアは「０．３」であり、「１２：０７」に対応する修正困難度スコアは「０．４」であり、「１２：０８」に対応する修正困難度スコアは「０．５」である。

このように、図５で示す場合、修正困難度スコアは、システム状態変化点からの離れ具合が大きくなれば大きくなるほど、大きな値となっている。また、修正困難度スコアは、学習済みフラグが丸である（つまり、分類モデル学習部１６４による学習が既に行われた）期間を含むブロックに属している場合、大きな値となっている。なお、修正困難度スコアの詳細な算出方法は、後述する。

なお、時系列のデータは、システム状態変化点によりブロックに分割される。そのため、図６で示すように、ブロック内の各時系列点は、両端にシステム状態変化点を有することがある。このような場合、修正困難度スコアは、例えば、より近い方のシステム状態変化点からの離れ具合に基づいて算出することが出来る。例えば、図６で示す場合、「１２：０７」に対応する修正困難度スコアが「０．４」であり、「１２：０８」に対応する修正困難度スコアが「０．３」であり、「１２：０９」に対応する修正困難度スコアが「０．２」である。

図７は、図２で示す時系列データ１５１に対して修正困難度スコアを算出した場合の、修正困難度スコアの傾向の一例を示している。図７を参照すると、修正困難度スコアは、システム状態変化点からの離れ具合が大きくなれば大きくなるほど、大きな値となっていることが分かる。また、修正困難度スコアは、高信頼度期間情報１５３が入力されている（つまり、分類モデル学習部１６４による学習が既に行われた）期間を含むブロックに属している場合、大きな値となっていることが分かる。

分類結果情報１５６は、分類部１６６による分類の結果を示している。後述するように、分類部１６６は、分類モデル学習部１６４による学習に用いられなかった時系列点について、時系列点のデータの特徴と、分類モデル学習部１６４が生成した分類モデル１５４と、に基づいて、時系列点の分類を行う。そのため、分類結果情報１５６は、分類モデル学習部１６４による学習に用いられなかった時系列点に対する分類の結果を示している。

図８は、図５に分類結果情報１５６を加えた際の一例を示す図である。図８を参照すると、「１２：００」と「１２：０１」は分類モデル学習部１６４による学習に用いられた時系列点であるため、分類の結果を示していない。また、図８を参照すると、例えば、「１２：０２」に対応する分類結果が「システム状態Ａ」であり、「１２：０３」に対する分類結果が「システム状態Ａ」であり、「１２：０４」に対する分類結果が「システム状態Ｂ」である。また、「１２：０５」に対する分類結果が「システム状態Ｃ」であり、「１２：０６」に対する分類結果が「システム状態Ｃ」であり、「１２：０７」に対する分類結果が「システム状態Ｂ」であり、「１２：０８」に対する分類結果が「システム状態Ｃ」である。

図８で示す場合、「１２：０２」、「１２：０３」、「１２：０７」の時系列点については、最初にラベル情報入力部１６２により付与されたシステム状態ラベルと、分類部１６６による分類の結果と、に差異が生じていない。一方、上記以外の時系列点である、「１２：０４」、「１２：０５」、「１２：０６」、「１２：０８」の時系列点については、最初にラベル情報入力部１６２により付与されたシステム状態ラベルと、分類部１６６による分類の結果と、に差異が生じている。このように、最初にユーザなどにより入力されるシステム状態ラベルと、分類部１６６による分類の結果と、には、齟齬が生じることがある。

修正スコア情報１５７は、修正スコアを示している。修正スコアとは、修正後に分類が正しくなり、かつ、修正が容易な度合いを示すスコアである。修正スコアは、修正案の採用可否を判断する目安として用いることが可能である。修正スコアは、修正部１６７が、分類部１６６による分類の結果及び修正困難度スコアを用いて算出する。

修正スコアは、例えば、値が大きくなれば大きくなるほど、修正により、分類部１６６による分類結果と実際に付与されるシステム状態ラベルとの齟齬が少なくなることを示している。また、修正スコアは、値が大きくなれば大きくなるほど、修正が容易であり合理的であることを示している。例えば、修正スコアは、修正により分類が正しくなる時系列点の数の合計と、修正により分類が間違いになる時系列点の数の合計と、対象となる修正困難度スコアの合計と、に基づいて算出することが出来る。

図９は、修正案ごとの修正スコアの値の一例を示している。また、図１０は、各修正案が想定する修正の具体例を示している。例えば、図１０を参照すると、「修正案１」では、システム状態変化点を、「１２：０４」と「１２：０５」の間から「１２：０３」と「１２：０４」の間に移動させる。図９を参照すると、上記のような修正案１を行った際の修正スコアは、例えば、「０．４」となる。また、図１０を参照すると、「修正案２」では、システム状態変化点を、「１２：０４」と「１２：０５」の間から「１２：０２」と「１２：０３」の間に移動させる。図９を参照すると、上記のような修正案１を行った際の修正スコアは、例えば、「－１．３」となる。このように、修正スコア情報１５７には、各修正案を行った際の修正スコアが含まれる。

演算処理部１６は、ＭＰＵなどのマイクロプロセッサとその周辺回路を有し、記憶部１５からプログラム１５８を読み込んで実行することにより、上記ハードウェアとプログラム１５８とを協働させて各種処理部を実現する。演算処理部１６で実現される主な処理部として、例えば、データ取得部１６１と、ラベル情報入力部１６２と、高信頼度情報期間入力部１６３と、分類モデル学習部１６４と、修正困難度スコア計算部１６５と、分類部１６６と、修正部１６７と、がある。

データ取得部１６１は、センサ１１が取得した各時系列点のデータを取得する。そして、データ取得部１６１は、センサ１１から取得したデータを時系列データ１５１として記憶部１５に格納する。

ラベル情報入力部１６２は、ラベル情報１５２の入力を受け付ける入力部である。そして、ラベル情報入力部１６２は、受け付けたラベル情報１５２を記憶部１５に格納する。上述したように、ラベル情報入力部１６２が入力を受け付けるラベル情報１５２には、システム状態変化点と、システム状態ラベルと、が含まれている。

例えば、画面表示部１３上に、図２で示すような時系列データ１５１が表示されているとする。このような場合、ラベル情報入力部１６２は、例えば、画面表示部１３上に表示した時系列データ１５１に対する、ユーザによる操作入力部１２を介した入力を受け付けることで、システム状態変化点と、システム状態ラベルと、を含むラベル情報１５２の入力を受け付ける。このように、ラベル情報入力部１６２は、例えば、画面表示部１３上に表示した時系列データ１５１に対するユーザの入力を受け付けることで、ラベル情報１５２の入力を受け付ける。その結果、画面表示部１３上には、例えば、図３で示すように、時系列データ１５１とともにラベル情報１５２が表示される。

または、例えば、ラベル情報入力部１６２は、時系列データ１５１などに基づいて、自動的にラベル情報１５２の入力を受け付ける。本実施形態においては、自動的にラベル情報１５２の入力を受け付ける際の処理については特に限定しない。ラベル情報入力部１６２は、既知の方法を用いてラベル情報１５２の入力を受け付けることが出来る。

なお、ラベル情報入力部１６２により入力されるラベル情報１５２は、時系列のデータが有する特性を踏まえていることが望ましい。そのため、例えば、システム状態変化点間には、所定の期間が設けられている。換言すると、例えば、ラベル情報入力部１６２は、システム状態変化点とシステム状態変化点との間に、予め定められた基準（任意の値で構わない）以上の時系列点を含むように、ラベル情報１５２の入力を受け付ける。

高信頼度期間情報入力部１６３は、高信頼度期間の入力を受け付ける。そして、高信頼度期間情報入力部１６３は、受け付けた高信頼度期間を示す高信頼度期間情報１５３を記憶部１５に格納する。

例えば、画面表示部１３上に、図２で示すような時系列データ１５１が表示されているとする。または、画面表示部１３上には、図３で示すように、時系列データ１５１とラベル情報１５２が表示されているとする。このような場合、高信頼度期間情報入力部１６３は、例えば、画面表示部１３上に表示した時系列データ１５１に対する、ユーザによる操作入力部１２を介した入力を受け付けることで、高信頼度期間の入力を受け付ける。この際、高信頼度期間はシステム状態変化点をまたいでも構わない。このように、高信頼度期間情報入力部１６３は、例えば、画面表示部１３上に表示した時系列データ１５１に対するユーザの入力を受け付けることで、高信頼度期間の入力を受け付ける。

または、例えば、高信頼度期間情報入力部１６３は、システム状態変化点からの離れ具合などに基づいて、自動的に高信頼度期間の入力を受け付ける。例えば、高信頼度期間情報入力部１６３は、システム状態変化点から予め定められた任意の値以上離れている期間を高信頼度期間とする。なお、高信頼度期間情報入力部１６３は、システム状態ラベルごとの高信頼度期間内の時系列点の数や、システム状態ラベルごとの高信頼度期間と高信頼度期間外の期間の割合など、システム状態変化点からの離れ具合以外の情報も参照して、高信頼度期間を判断しても構わない。

分類モデル学習部１６４は、高信頼度期間情報１５３が示す高信頼度期間を対象とした学習を行う学習部である。例えば、分類モデル学習部１６４は、上記高信頼度期間内に属する時系列点のデータの特徴と、当該時系列点に付与されたシステム状態ラベルと、に基づくディープラーニングにより、分類モデル１５４を生成する。その後、分類モデル学習部１６４は、生成した分類モデル１５４を記憶部１５に格納する。このように、分類モデル学習部１６４は、時系列データ１５１が示す時系列のデータのうち一部の期間である高信頼度期間を対象とした学習を行って分類モデル１５４を生成する。

なお、本実施形態においては、分類モデル学習部１６４が学習を行う際の処理については特に限定しない。例えば、分類モデル学習部１６４は、ニューラルネットワークを用いた学習を行うなど、既知の手段を用いた学習を行うことが出来る。

修正困難度スコア計算部１６５は、分類モデル学習部１６４による学習が行われなかった時系列点を対象として、修正困難度スコアを算出する。そして、修正困難度スコア計算部１６５は、算出した修正困難度スコアを修正困難度スコア情報１５５として、記憶部１５に格納する。

例えば、修正困難度スコア計算部１６５は、時系列データ１５１を構成する各時系列点のシステム状態変化点からの離れ具合と、時系列点と同一のブロックに分類モデル学習部１６４による学習が行われた期間を含むか否か、に基づいて、修正困難度スコアを算出する。例えば、修正困難度スコア計算部１６５は、同じブロック内に学習済みの時系列点がある場合は＋０．４、ない場合は＋０、システム状態変化点から時系列点が１点離れるごとに＋０．１、という計算を行うことで、算出の対象となる各時系列点の修正困難度スコアを算出する。なお、上述したように、ブロック内の各時系列点は、両端にシステム状態変化点を有している場合がある。このような場合、修正困難度スコア計算部１６５は、時系列点により近い方のシステム状態変化点を基準として、上記修正困難度スコアの算出を行うことが出来る。

具体的には、例えば、図５で示す場合、修正困難度スコア計算部１６５は、「１２：０２」の時系列点に対して、同じブロック内に学習済みの時系列点があるため＋０．４、また、システム状態変化点からの離れ具合に応じて＋０．４の合計「０．８」を修正困難度スコアとして算出する。同様に、図５で示す場合、例えば、修正困難度スコア計算部１６５は、「１２：０５」の時系列点に対して、同じブロック内に学習済みの時系列点がないため＋０、また、システム状態変化点からの離れ具合に応じて＋０．２の合計「０．２」を修正困難度スコアとして算出する。また、図６で示すように両端にシステム状態変化点を有している場合、修正困難度スコア計算部１６５は、例えば「１２：０８」の時系列点に対して、同じブロック内に学習済みの時系列点がないため＋０、また、「１２：０８」の時系列点により近い図６の右側のシステム状態変化点を基準にした離れ具合に応じて＋０．３の合計「０．３」を修正困難度スコアとして算出する。

このように、修正困難度スコア計算部１６５は、時系列データを構成する各時系列点のデータのシステム状態変化点からの離れ具合と、時系列点と同一のブロックに分類モデル学習部１６４による学習が行われた期間を含むか否か、に基づいて、修正困難度スコアを算出する。換言すると、修正困難度スコア計算部１６５は、システム状態ラベルの変更が容易であるか否か、システム状態変化点の変更が容易であるか否か、という観点から、修正困難度スコアを算出する。つまり、同じブロック内に学習済みの時系列点がある場合、システム状態ラベルの修正は困難になる。そのため、修正困難度スコア計算部１６５は、同じブロック内に学習済みの時系列点がある場合、修正困難度スコアを高くする。また、時系列点がシステム状態変化点から離れるほど、システム状態変化点をよい大きく移動させることが必要になり、システム状態変化点の移動は困難になる。そのため、修正困難度スコア計算部１６５は、システム状態変化点からの離れ具合に応じて、修正困難度スコアを加算する。

なお、修正困難度スコア計算部１６５による計算の方法は、あくまで一例である。修正困難度スコア計算部１６５は、上記例示した以外の方法を用いて修正困難度スコアを算出しても構わない。

分類部１６６は、分類モデル学習部１６４による学習に用いられなかった時系列点について、当該時系列点のデータの特徴と、分類モデル学習部１６４が生成した分類モデル１５４と、に基づいて、時系列点の分類を行う。つまり、分類部１６６は、時系列データ１５１中の所定期間を対象とした学習の結果生成される分類モデル１５４に基づいて、上記所定期間外の期間の時系列点を対象とした分類を行う。例えば、本実施形態の場合、分類部１６６は、時系列点の状態を、システム状態Ａ（通常運転）、システム状態Ｂ（高負荷運転）、システム状態Ｃ（異常運転）、システム状態Ｄ（停止）のいずれかに分類する。分類部１６６は、上記例示した以外の分類を行っても構わない。

なお、分類部１６６は、時系列のデータが有する特性を考慮せずに、分類モデル１５４に基づく分類を行う。そのため、分類部１６６による分類の結果は、時系列点１点ごとにシステムの状態が入れ替わることがある（図８参照）など、時系列のデータに対する分類としては不合理なものになるおそれがある。そこで、本実施形態においては、分類部１６６による分類の結果をそのままラベル情報１５２の修正に用いることはない。後述する修正部１６７による処理を経ることで、時系列のデータが有する特性を踏まえた修正を行うことが可能となる。

修正部１６７は、修正案ごとに修正スコアを算出する。そして、修正部１６７は、算出した修正スコアを修正スコア情報１５７として記憶部１５に格納する。また、修正部１６７は、算出した修正スコアを画面表示部１３に表示する。そして、修正部１６７は、ユーザによる入力に応じて、採用する修正案を決定する。その後、修正部１６７は、採用した修正案を反映する。つまり、修正部１６７は、採用した修正案を含むようラベル情報１５２を変更する。

例えば、修正部１６７は、システム状態変化点を移動させる、システム状態変化点を追加または削除する、ブロックに付与されたシステム状態ラベルを一括変更する、上記の組み合わせ、などの修正案ごとに修正スコアを算出する。

具体的には、図１０で示す場合、修正スコアを算出する対象となる修正案１は、「１２：０４」と「１２：０５」の間にあるシステム状態変化点を「１２：０３」と「１２：０４」の間に移動させる案である。また、修正案５は、システム状態変化点より右側のブロックに付与するシステム状態ラベルをシステム状態Ｂ（高負荷運転）からシステム状態Ｃ（異常運転）に一括変更する案である。また、修正案６は、「１２：０７」と「１２：０８」の間にシステム状態変化点を追加して、「１２：０４」と「１２：０５」の間のシステム状態変化点と追加したシステム状態変化点との間のブロックのシステム状態ラベルをシステム状態Ｃ（異常運転）に変更する案である。このように、修正スコアを算出する対象となる修正案には、システム状態変化点の変更やシステム状態ラベルの一括変更、その組み合わせなどがある。

また、修正部１６７による修正スコアの算出は、例えば、下記式に基づいて行われる。
分類が正しくなる時系列点の数の合計－分類が間違いになる時系列点の合計－修正困難度スコアの合計

例えば、図９、図１０参照すると、上述した修正案１の場合、システム状態変化点が「１２：０３」と「１２：０４」の間に移動することで、「１２：０４」の属するブロックが変動する。これにより、「１２：０４」に付与されるシステム状態ラベルがシステム状態Ａ（通常運転）からシステム状態Ｂ（高負荷運転）へと変化する。その結果、ラベル情報入力部１６２により入力されたシステム状態ラベルと、分類部１６６による分類の結果と、が正しくなる。そのため、修正部１６７は、修正スコアとして、１－０－０．６＝０．４を算出する。また、修正案５の場合、「１２：０５」、「１２：０６」、「１２：０７」、「１２：０８」に付与されるシステム状態ラベルがシステム状態Ｂ（高負荷運転）からシステム状態Ｃ（異常運転）に変化する。その結果、「１２：０５」、「１２：０６」、「１２：０８」のシステム状態ラベルは正しくなるが、「１２：０７」のシステム状態ラベルは間違ったものとなる。そのため、修正部１６７は、修正スコアとして、３－１－（０．２＋０．３＋０．４＋０．５）＝０．６を算出する。同様に、修正案６の場合、「１２：０５」、「１２：０６」、「１２：０７」に付与されるシステム状態ラベルがシステム状態Ｂ（高負荷運転）からシステム状態Ｃ（異常運転）に変化する。その結果、「１２：０５」、「１２：０６のシステム状態ラベルは正しくなるが、「１２：０７」のシステム状態ラベルは間違ったものとなる。そのため、修正部１６７は、修正スコアとして、２－１－（０．２＋０．３＋０．４）＝０．１を算出する。

例えば以上のように、修正部１６７は、複数の修正案について修正スコアを算出する。そして、修正部１６７は、算出した修正スコアを画面表示部１３に表示させる。この際、修正部１６７は、例えば図１１で示すように、算出した修正スコアをランキング形式に並び替えた上で、画面表示部１３に表示させる。例えば、図１１では、修正スコアが高い方がより上方に位置するよう並び替えている。その後、修正部１６７は、操作入力部１２などを介したユーザから入力を受け付けることで、採用する修正案を決定する。そして、修正部１６７は、採用した修正案を反映する。つまり、修正部１６７は、ラベル情報１５２を更新する。なお、修正部１６７は、例えば、図１０で示すような修正案を可視化したものと一緒にランキング形式の修正スコアを表示するなど、上記例示した以外の表示を行っても構わない。また、修正部１６７は、予め定められた基準に基づいて、採用する修正スコアを決定するよう構成しても構わない。例えば、修正部１６７は、予め定められた閾値（任意の値で構わない）を有している。そして、修正部１６７は、予め定められた閾値以上となる修正スコアを有する修正案を採用する修正案として決定する。

なお、修正部１６７は、システム状態変化点によって区切られるブロックの大きさ（例えば、ブロックに含まれる時系列点の数）が予め定められた閾値以下とならない修正案のみを修正スコアの算出対象とすることが望ましい。例えば、システム状態変化点を移動させたり、新たに追加したりする場合、ブロックの大きさが過度に小さくなってしまい、時系列のデータの特性を無視した修正案になってしまうおそれがある。上記のようにブロックの大きさに基づいて修正案を選択することで、修正部１６７は、上記のようなおそれを低減させた修正案に基づく修正スコアの算出を行うことが可能となる。

また、ユーザにより採用された修正案の期間は、信頼性が高い。そのため、高信頼度期間情報入力部１６３は、ユーザにより採用された修正案の期間を高信頼度期間に追加することが出来る。つまり、高信頼度期間情報入力部１６３は、修正部１６７による修正の結果を受けて、高信頼度期間情報１５３の更新を行うことが出来る。また、分類モデル学習部１６４は、新たに追加された期間を含む高信頼度期間を対象とした学習を行うことが出来る。また、その結果を受けて、分類部１６６は、新たに学習した分類モデル１５４による新たな分類を行う。以上のように、学習装置１は、修正部１６７による修正の結果を反映した処理を再度行うよう構成することが出来る。

以上が、学習装置１の構成についての説明である。

次に、学習装置１の動作について説明する。図１２は、学習装置１の動作の一例を示している。

図１２を参照すると、データ取得部１６１は、センサ１１が取得した各時系列点のデータを取得する。そして、データ取得部１６１は、センサ１１から取得したデータを時系列データ１５１として記憶部１５に格納する。また、データ取得部１６１が取得した時系列データ１５１を、画面表示部１３上に表示する（ステップＳ１０１）。

ラベル情報入力部１６２は、例えば、画面表示部１３上に表示した時系列データ１５１に対する、ユーザによる操作入力部１２を介した入力を受け付けることで、システム状態変化点と、システム状態ラベルと、を含むラベル情報１５２の入力を受け付ける（ステップＳ１０２）。または、ラベル情報入力部１６２は、時系列データ１５１などに基づいて、自動的にラベル情報１５２の入力を受け付ける。

高信頼度期間情報入力部１６３は、高信頼度期間情報１５３の入力を受け付ける（ステップＳ１０３）。高信頼度期間情報１５３の入力も、例えば、画面表示部１３上に表示した時系列データ１５１に対する、ユーザによる操作入力部１２を介した入力を受け付けることで行われる。または、高信頼度期間情報入力部１６３は、例えば、システム状態変化点からの離れ具合などに基づいて、自動的に高信頼度期間情報１５３の入力を受け付ける。

分類モデル学習部１６４は、高信頼度期間情報１５３が入力されている期間を対象とした学習を行う（ステップＳ１０４）。例えば、分類モデル学習部１６４は、上記期間内に属する時系列点のデータの特徴と、当該時系列点に付与されたシステム状態ラベルと、に基づくディープラーニングにより、分類モデル１５４を生成する。

修正困難度スコア計算部１６５は、分類モデル学習部１６４による学習が行われなかった時系列点を対象として、修正困難度スコアを算出する（ステップＳ１０５）。また、分類部１６６は、分類モデル学習部１６４による学習に用いられなかった時系列点について、当該時系列点のデータの特徴と、分類モデル学習部１６４が生成した分類モデル１５４と、に基づいて、時系列点の分類を行う（ステップＳ１０６）。

なお、ステップＳ１０５の処理とステップＳ１０６の処理は、どちらが先に行っても構わない。また、ステップＳ１０５の処理とステップＳ１０６の処理は、並行して行われても構わない。

修正部１６７は、修正案ごとに修正スコアを算出する（ステップＳ１０７）。そして、修正部１６７は、算出した修正スコアを画面表示部１３に表示する。この際、修正部１６７は、算出した修正スコアを例えばランキング形式で画面表示部１３に表示する（ステップＳ１０８）。また、修正部１６７は、操作入力部１２などを介して入力されたユーザからの選択結果である、採用する修正案の入力を受け付ける（ステップＳ１０９）。これに応じて、修正部１６７は、受け付けた採用案を反映する。

修正部１６７が採用する修正案の入力を受け付けた場合（ステップＳ１１０、Ｙｅｓ）、高信頼度期間情報入力部１６３は、ユーザにより採用された修正案の期間を高信頼度期間情報１５３に追加する。また、分類モデル学習部１６４は、新たに追加された期間を含む高信頼度期間情報１５３が入力されている期間を対象とした学習を行う（ステップＳ１１１）。その後、ステップＳ１０５の処理に戻る。以降、上述した処理と同様の処理を行う。一方、修正部１６７が採用する修正案の入力を受け付けなかった場合（ステップＳ１１０、Ｎｏ）、処理を終了する。

以上が、学習装置１の動作の一例である。

このように、本実施形態における学習装置１は、ラベル情報入力部１６２と、高信頼度期間情報入力部１６３と、分類モデル学習部１６４と、修正困難度スコア計算部１６５と、分類部１６６と、修正部１６７と、を有している。このような構成により、分類モデル学習部１６４は、高信頼度期間情報入力部１６３により入力されたシステム状態ラベルの信頼度が高いと判断される期間のみを対象として、学習をすることが出来る。また、分類部１６６は、分類モデル学習部１６４による学習に用いられなかった時系列点について、時系列点の分類を行うことが出来る。その結果、修正部１６７は、分類部１６６による分類の結果と、修正困難度スコア計算部１６５による算出結果と、に基づいて、ラベル情報入力部１６２により入力されたシステム状態ラベルの修正を行うことが出来る。これにより、時系列データ１５１のうち信頼度が高い期間の学習結果に基づいて、信頼度が低い期間に付与されたシステム状態ラベルの修正を行うことが可能となる。

また、本実施形態の場合、修正部１６７は、システム状態変化点を移動させる、システム状態変化点を追加、または、削除する、ブロックに付与されたシステム状態ラベルを一括変更する、上記の組み合わせ、などの修正案ごとに修正スコアを算出するよう構成されている。そして、修正部１６７は、上記修正案のうちのユーザにより選択された修正案を反映させるよう構成されている。このような構成によると、時系列点１点ごとにシステムの状態が入れ替わるなど、時系列のデータの特性を踏まえない修正を行うおそれを低減させることが出来る。その結果、時系列のデータの特性を考慮しつつシステム状態ラベルの修正を行うことが可能となる。

また、本実施形態の場合、修正部１６７は、修正困難度スコアを考慮した修正スコアを算出するよう構成されている。このような構成により、ユーザは、修正困難度スコアを考慮した修正スコアに基づいて、採用する修正案を決定することが可能となる。ここで、修正困難度スコアは、システム状態ラベルを修正する際の困難度をしており、システム状態ラベルの変更が合理的であるか否かを判断する際の基準となる。そのため、上記のような構成とすることで、ユーザが合理的な判断を行う際の基準となる修正スコアをより的確に提示することが可能となる。

なお、学習装置１は、必ずしも１台の情報処理装置により構成される必要はない。学習装置１は、上述した各機能を有する複数台の情報処理装置により実現されても構わない。

また、本実施形態においては、学習装置１は、工業プラントや制御・管理プラント、工場などの各種システムの監視を行うとした。しかしながら、学習装置１の適用先は、上記例示したシステムなど、物理的なデータを扱う場合に限定されない。学習装置１は、時系列点１点ごとにシステムの状態が入れ替わるおそれが少ないなど、時系列のデータの特性を有するシステム全般に適用することが出来る。センサ１１も、必ずしも物理センサでなくても構わない。

また、本実施形態においては、学習装置１がセンサ１１を有するとした。しかしながら、必ずしも学習装置１がセンサ１１を有していなくても構わない。例えば、データ取得部１６１は、学習装置１外部のセンサ１１からネットワークなどを介して時系列データ１５１を取得するよう構成しても構わない。

また、本実施形態において、学習装置１は、修正困難度スコアを用いることとした。しかしながら、学習装置１は、必ずしも修正困難度スコアを用いなくても構わない。つまり、学習装置１は、修正困難度スコア計算部１６５を有していなくても構わない。この場合、修正部１６７は、例えば、分類が正しくなる時系列点の数の合計と分類が間違いになる時系列点の合計とに基づいて修正スコアを算出するよう構成することが出来る。

［第２の実施形態］
次に、本発明の第２の実施形態について、図１３を参照して説明する。図１３は、ラベル修正装置２の構成の一例を示すブロック図である。

図１３を参照すると、ラベル修正装置２は、入力部２１と、修正部２２と、を有している。例えば、ラベル修正装置２は、プログラムを記憶する記憶装置とＣＰＵ（Central Processing Unit）などの演算装置とを有している。例えば、ラベル修正装置２は、記憶装置が記憶するプログラムを演算装置が実行することで、上記処理部を実現する。

入力部２１は、時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する。

修正部２２は、状態変化点と、時系列のデータと、ラベルと、に基づいて、ラベルを修正する。

このように、ラベル修正装置２は、入力部２１と、修正部２２と、を有している。このような構成により、ラベル修正装置２は、修正部２２によりラベルを変更することが出来る。このような構成によると、ブロックごとに付与されたラベルの修正を行うため、時系列のデータの特性を考慮したラベルの修正を行うことが出来る。

また、上述したラベル修正装置２は、コンピュータであるラベル修正装置２に所定のプログラムが組み込まれることで実現できる。具体的に、本発明の他の形態であるプログラムは、ラベル修正装置２に、時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部２１と、状態変化点と、時系列のデータと、ラベルと、に基づいて、ラベルを修正する修正部２２と、を実現するためのプログラムである。

また、上述したラベル修正装置２により実行されるラベル修正方法は、ラベル修正装置２が、時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力し、状態変化点と、時系列のデータと、ラベルと、に基づいて、前記ラベルを修正する、という方法である。

上述した構成を有する、プログラム、または、ラベル修正方法、または、プログラムを記録したコンピュータが読み取り可能な記録媒体、の発明であっても、上記ラベル修正装置２と同様の作用・効果を有するために、上述した本発明の目的を達成することが出来る。

＜付記＞
上記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。以下、本発明におけるラベル修正装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。

（付記１）
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部と、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する修正部と、
を有する
ラベル修正装置。
（付記２）
付記１に記載のラベル修正装置であって、
前記時系列のデータのうち一部の期間を対象とした学習を行って分類モデルを生成する学習部と、
前記分類モデルを用いて、前記学習部による学習の対象とならない期間を対象とした分類を行う分類部と、
を有し、
前記修正部は、前記状態変化点と、前記分類部による分類の結果と、に基づいて、前記ラベルを修正する
ラベル修正装置。
（付記３）
付記２に記載のラベル修正装置であって、
前記ラベルを修正する際の困難度を示す修正困難度スコアを算出する計算部を有し、
前記修正部は、前記分類部による分類の結果及び前記修正困難度スコアを用いて、前記ラベルを修正する、
ラベル修正装置。
（付記４）
付記３に記載のラベル修正装置であって、
前記計算部は、前記状態変化点からの離れ具合と、前記学習部による学習が行われた範囲と、に基づいて、前記修正困難度スコアを算出する
ラベル修正装置。
（付記５）
付記３又は付記４に記載のラベル修正装置であって、
前記修正部は、前記状態変化点を変更することにより前記分類部による分類の結果と前記ラベルとが正しくなる数から、前記ラベルを修正することにより前記分類部による分類の結果と前記入力部により入力されたラベルとが間違ったものになる数と前記修正困難度スコアとを減算することで、修正後に分類が正しくなり、かつ、修正が容易な度合いを示す修正スコアを算出し、当該修正スコアに基づいて前記ラベルを修正する、
ラベル修正装置。
（付記６）
付記１から付記５までのいずれか１項に記載のラベル修正装置であって、
前記修正部は、前記状態変化点を変更することで前記ラベルを修正する
ラベル修正装置。
（付記７）
付記６に記載のラベル修正装置であって、
前記修正部は、前記状態変化点を移動させることで前記状態変化点を変更する
ラベル修正装置。
（付記８）
付記６又は付記７に記載のラベル修正装置であって、
前記修正部は、前記状態変化点を追加または削除することで前記状態変化点を変更する
ラベル修正装置。
（付記９）
付記１から付記８までのいずれか１項に記載のラベル修正装置であって、
前記修正部は、前記ブロックに付与された前記ラベルを一括変更することで、前記ラベルを修正する
ラベル修正装置。
（付記１０）
ラベル修正装置が、
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力し、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する
ラベル修正方法。
（付記１１）
ラベル修正装置に、
時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部と、
前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、前記ラベルを修正する修正部と、
を実現するためのプログラムを記録したコンピュータが読み取り可能な記録媒体。

なお、上記各実施形態及び付記において記載したプログラムは、記憶装置に記憶されていたり、コンピュータが読み取り可能な記録媒体に記録されていたりする。例えば、記録媒体は、フレキシブルディスク、光ディスク、光磁気ディスク、及び、半導体メモリ等の可搬性を有する媒体である。

以上、上記各実施形態を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることが出来る。

１ 学習装置
１１ センサ
１２ 操作入力部
１３ 画面表示部
１４ 通信Ｉ／Ｆ部
１５ 記憶部
１５１ 時系列データ
１５２ ラベル情報
１５３ 高信頼度期間情報
１５４ 分類モデル
１５５ 修正困難度スコア情報
１５６ 分類結果情報
１５７ 修正スコア情報
１５８ プログラム
１６ 演算処理部
１６１ データ取得部
１６２ ラベル情報入力部
１６３ 高信頼度期間情報入力部
１６４ 分類モデル学習部
１６５ 修正困難度スコア計算部
１６６ 分類部
１６７ 修正部
２ ラベル修正装置
２１ 入力部
２２ 修正部

Claims (8)

1. 時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力する入力部と、
   前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、予め付与された前記ラベルを修正する修正部と、
   前記時系列のデータのうち一部の期間を対象とした学習を行って分類モデルを生成する学習部と、
   前記分類モデルを用いて、前記学習部による学習の対象とならない期間を対象とした分類を行う分類部と、
   を有し、
   前記修正部は、前記状態変化点と、前記分類部による分類の結果と、に基づいて、前記ラベルを修正し、
   前記ラベルを修正する際の困難度を示す修正困難度スコアを算出する計算部を有し、
   前記修正部は、前記分類部による分類の結果及び前記修正困難度スコアを用いて、前記ラベルを修正する、
   ラベル修正装置。
2. 請求項１に記載のラベル修正装置であって、
   前記計算部は、前記状態変化点からの離れ具合と、前記学習部による学習が行われた範囲と、に基づいて、前記修正困難度スコアを算出する
   ラベル修正装置。
3. 請求項１又は請求項２に記載のラベル修正装置であって、
   前記修正部は、前記状態変化点を変更することにより前記分類部による分類の結果と前記ラベルとが正しくなる数から、前記ラベルを修正することにより前記分類部による分類の結果と前記入力部により入力されたラベルとが間違ったものになる数と前記修正困難度スコアとを減算することで、修正後に分類が正しくなり、かつ、修正が容易な度合いを示す修正スコアを算出し、当該修正スコアに基づいて前記ラベルを修正する、
   ラベル修正装置。
4. 請求項１から請求項３までのいずれか１項に記載のラベル修正装置であって、
   前記修正部は、前記状態変化点を変更することで前記ラベルを修正する
   ラベル修正装置。
5. 請求項４に記載のラベル修正装置であって、
   前記修正部は、前記状態変化点を移動させることで前記状態変化点を変更する
   ラベル修正装置。
6. 請求項４又は請求項５に記載のラベル修正装置であって、
   前記修正部は、前記状態変化点を追加または削除することで前記状態変化点を変更する
   ラベル修正装置。
7. 情報処理装置が、
   時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力し、
   前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、予め付与された前記ラベルを修正し、
   前記時系列のデータのうち一部の期間を対象とした学習を行って分類モデルを生成し、
   前記分類モデルを用いて、学習の対象とならない期間を対象とした分類を行い、
   前記ラベルを修正する際には、前記状態変化点と、分類の結果と、に基づいて、前記ラベルを修正し、
   前記ラベルを修正する際の困難度を示す修正困難度スコアを算出し、
   前記ラベルを修正する際には、分類の結果及び前記修正困難度スコアを用いて、前記ラベルを修正する、
   ラベル修正方法。
8. 情報処理装置に、
   時系列のデータの状態が変化する点である状態変化点で区切られたブロックごとにラベルが付与された学習用データを入力し、
   前記状態変化点と、前記時系列のデータと、前記ラベルと、に基づいて、予め付与された前記ラベルを修正し、
   前記時系列のデータのうち一部の期間を対象とした学習を行って分類モデルを生成し、
   前記分類モデルを用いて、学習の対象とならない期間を対象とした分類を行い、
   前記ラベルを修正する際には、前記状態変化点と、分類の結果と、に基づいて、前記ラベルを修正し、
   前記ラベルを修正する際の困難度を示す修正困難度スコアを算出し、
   前記ラベルを修正する際には、分類の結果及び前記修正困難度スコアを用いて、前記ラベルを修正する、
   処理を実現するためのプログラム。

Images