JP7197624B2 - タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 - Google Patents

タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 Download PDF

Info

Publication number
JP7197624B2
JP7197624B2 JP2021070306A JP2021070306A JP7197624B2 JP 7197624 B2 JP7197624 B2 JP 7197624B2 JP 2021070306 A JP2021070306 A JP 2021070306A JP 2021070306 A JP2021070306 A JP 2021070306A JP 7197624 B2 JP7197624 B2 JP 7197624B2
Authority
JP
Japan
Prior art keywords
individuals
individual
processor
population
network
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
Application number
JP2021070306A
Other languages
English (en)
Other versions
JP2022075471A (ja
Inventor
志明 陳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wistron Corp
Original Assignee
Wistron Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wistron Corp filed Critical Wistron Corp
Publication of JP2022075471A publication Critical patent/JP2022075471A/ja
Application granted granted Critical
Publication of JP7197624B2 publication Critical patent/JP7197624B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mobile Radio Communication Systems (AREA)

Description

本開示は、ニューラルネットワーク技術に関し、特に、共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法に関する。
地球上での進化はオープンなプロセスであり、共進化はしばしば異なる種に属する個体間で起こる。例として「キリン」と「樹木」の２種を取り上げる。キリンによって食べられず、より多くの日光を受けるために、より高い樹冠を有する樹木の子孫は、進化のプロセスの間、残る傾向がある。一方、より高い樹冠で葉を食べるために、より長い首を有するキリンの子孫も、進化のプロセスの間、残る傾向がある。
現行の第５世代通信システム（以下、５Ｇと称する）では、上述した「キリン」及び「樹木」の概念と類似する役割が存在するが、これらの役割の間には共進化の概念は存在しない。したがって、共進化プロセスは、現在、役割のパフォーマンスを改善するために使用されていないことがある。
例えば、５Ｇにおける「閉ループ制御」（オープン無線アクセスネットワーク（Ｏ－ＲＡＮ）におけるニアリアルタイム（ＲＴ）ＲＡＮインテリジェントコントローラ等）と「開ループ制御」（Ｏ－ＲＡＮにおける非リアルタイム（ＲＴ）ＲＡＮインテリジェントコントローラ等）とは、互いにある程度の関連性を有しているが、両者の関連する１又は複数のパラメータ／１又は複数の構成値は、共進化の特性を有していない。したがって、「閉ループ制御」及び「開ループ制御」は、共進化のプロセスを介して、改善されないこともある（より低い運営費（ＯＰＥＸ）の追求及び運営ネットワーク機能（ＯＰＮＦ）の改善等）。
加えて、５Ｇでは、「ユーザの挙動」と「ネットワークトポロジ」との間に類似した状態が存在する。例えば、一般的なユーザの挙動は、トラフィック、帯域幅、待機時間、電力消費、カバレッジ、及び接続等の１又は複数のパラメータ／１又は複数の構成値を含むことがあり、ユーザは、一般的に１又は複数のパラメータ／１又は複数の構成値が、多いトラフィック、高い帯域幅、少ない待機時間、低い電力消費、広いカバレッジ、及び安定した接続に発展することを期待する。加えて、ネットワークトポロジは、ノードの数、電力消費、リンクの数、発熱等の１又は複数のパラメータ／１又は複数の構成値を含むことがある。オペレータは、一般的に、少数のノード、低い電力消費、少数のリンク、及び低い発熱を有するネットワークトポロジを採用する傾向がある。しかしながら、「ユーザの挙動」と「ネットワークトポロジ」とは、互いにある程度の相関はあるものの、両者の関連する１又は複数のパラメータ／１又は複数の構成値は、共進化の特性を有しない。したがって、「ユーザの挙動」及び「ネットワークトポロジ」は、共進化プロセスを介して改善されないことがあった。
この観点から、本開示の実施形態は、共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法、並びにセンシングデータに基づいて１又は複数の行動を決定するためのシステム及び方法を提供する。
本開示の実施形態は、共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法であって、第１の個体群に属する複数の第１の個体と第２の個体群に属する複数の第２の個体とを取得するステップであって、前記第１の個体及び前記第２の個体は共進化プロセスを介して進化するステップと、複数のパターン生成ネットワークによって生成された複数のタスクネットワークを取得するステップと、マルチターゲット関数に基づいて各前記タスクネットワークを前記第１の個体及び前記第２の個体で訓練し、訓練後に各前記タスクネットワークの精度を評価するステップであって、前記マルチターゲット関数は、各前記タスクネットワークの複数の特性を含むステップと、各前記タスクネットワークの前記精度に基づいて対応する前記パターン生成ネットワークの適合性スコアを決定するステップであって、各前記パターン生成ネットワークの前記適合性スコアは、前記パターン生成ネットワークに対応する前記タスクネットワークの前記精度に正に相関するステップと、各前記パターン生成ネットワークの前記適合性スコアに基づいて前記パターン生成ネットワークから特定のパターン生成ネットワークを見つけ、前記タスクネットワークの中から前記特定のパターン生成ネットワークに対応する特定のタスクネットワークを選択するステップと、を含む。
本開示の実施形態は、センシングデータに基づいて１又は複数の行動を決定するための方法であって、センシングデータを取得し、前記センシングデータを入力特徴ベクトルにマッピングするステップであって、前記センシングデータは、第１の特定の個体に属する複数のセンシング属性を含み、前記第１の特定の個体は、第１の個体群に属するステップと、前記入力特徴ベクトルを特定のタスクネットワークに供給することによって、前記特定のタスクネットワークが出力特徴ベクトルを生成するステップであって、前記特定のタスクネットワークは、前記第１の個体群及び第２の個体群に基づいて訓練され、前記第１の個体は前記第１の個体群に属し、前記第２の個体は前記第２の個体群に属し、前記第１の個体及び前記第２の個体は共進化プロセスを介して進化するステップと、前記出力特徴ベクトルに従って出力行動を決定し、前記出力行動に基づいて第２の特定の個体を設定するステップであって、前記第２の特定の個体は前記第２の個体群に属するステップと、を含む。
本開示の実施形態は、センシング回路、通信回路、記憶回路、及びプロセッサを含む、センシングデータに基づいて１又は複数の行動を決定するためのシステムを提供する。前記記憶回路は、複数のモジュールを記録する。前記プロセッサは、前記記憶回路に結合され、前記モジュールにアクセスすることによって、前記センシング回路からセンシングデータを取得するステップと、前記センシングデータを入力特徴ベクトルにマッピングするステップであって、前記センシングデータは第１の特定の個体に属する複数のセンシング属性を含み、前記第１の特定の個体は第１の個体群に属するステップと、前記入力特徴ベクトルを特定のタスクネットワークに供給することによって、前記特定のタスクネットワークが出力特徴ベクトルを生成するステップであって、前記特定のタスクネットワークが前記第１の個体群及び第２の個体群に基づいて訓練されるステップと、前記出力特徴ベクトルに従って出力行動を決定するステップと、前記第２の個体群に属する第２の特定の個体に前記出力行動を送信するように前記通信回路を制御するステップであって、前記出力行動は前記第２の特定の個体を設定するように構成されるステップと、を実行する。
本開示によれば、ビッグデータに基づく訓練によって計画又は推論が完了し、規則を手動で設定する必要がない。
本開示の一実施形態による、サーバの概略図である。 本開示の一実施形態による、共進化プロセスに基づいてタスクネットワークを訓練及び選択するための方法のフローチャートである。 本開示の一実施形態による、複数の第１の個体及び複数の第２の個体を取得するステップのフローチャートである。 本開示の一実施形態による、異なるタイプの進化グラフを示す。 本開示の一実施形態による、第１の進化グラフにおける複製の概略図である。 本開示の一実施形態による、タスクネットワークを訓練するステップの概略図である。 本開示の一実施形態による、センシングデータに基づいて１又は複数の行動を決定するためのシステムの概略図である。 本開示の一実施形態による、センシングデータに基づいて１又は複数の行動を決定するための方法のフローチャートである。 本開示の一実施形態による、センシングデータに基づいて１又は複数の行動を決定するステップの概略図である。 本開示の一実施形態による、進化的記号計算の概略図である。
本開示の一実施形態によるサーバの概略図である図１を参照して、図１において、サーバ１００は、記憶回路１０２及びプロセッサ１０４を含んでもよい。記憶回路１０２は、例えば任意のタイプの固定型又は携帯型のランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、フラッシュメモリ、ハードディスク、他の同様のデバイス、又はこれらのデバイスの組合せであり、複数のコード又はモジュールを記憶するように構成されてもよい。
プロセッサ１０４は、記憶回路１０２に結合され、汎用プロセッサ、専用プロセッサ、従来のプロセッサ、デジタル信号プロセッサ、複数のマイクロプロセッサ、デジタル信号プロセッサコアと結合された１又は複数のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、任意の他のタイプの集積回路、ステートマシン、並びに進化したＲＩＳＣマシン（ＡＲＭ）及び同様の製品に基づくプロセッサとしてもよい。
本開示の一実施形態において、プロセッサ１０４が記憶回路１０２に記録されたモジュール及びプログラムコードにアクセスすることによって、本開示によって提案された共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法を実現してもよい。詳細については次のとおりである。
図２を参照して、図２は、本開示の一実施形態による共進化プロセスに基づいてタスクネットワークを訓練及び選択するための方法のフローチャートである。本実施形態の方法は、図１のサーバ１００によって実行されてもよい。以下、図２の各ステップの詳細について、図１に示す構成を参照して説明する。
まず、ステップＳ２１０において、プロセッサ１０４は、第１の個体群に属する複数の第１の個体と、第２の個体群に属する複数の第２の個体とを取得してもよい。
本開示の第１の実施形態において、第１の個体群及び第２の個体群は、例えば、それぞれ５Ｇにおける「閉ループ制御」及び「開ループ制御」である。この状況下では、第１の個体群に属する第１の個体は、それぞれ制御関数又は訓練済みモデルであってもよく、各複数の第１の個体は複数の異なる第１の遺伝子を有してもよい。
制御関数に属する第１の個体を例に取ると、その第１の遺伝子は、例えば、サービス品質管理（ＱｏＳ管理）、接続性管理、シームレスハンドオーバ制御等を含むが、これらに限定されない。
ＱｏＳ管理は、スループット、エンドツーエンドレイテンシ、ネットワークの可用性、及び信頼性パラメータ等の１又は複数のパラメータ／１又は複数の構成値を含んでもよいが、これらに限定されない。接続性管理は、上流側／下流側のデータレート、上流側／下流側のエリア通信容量、及び全体のユーザ密度等の１又は複数のパラメータ／１又は複数の構成値を含んでもよいが、これらに限定されない。シームレスハンドオーバ制御は、ハンドオーバのための最大速度等の１又は複数のパラメータ／１又は複数の構成値を含んでもよいが、これらに限定されない。
加えて、訓練済みモデルに属する第１の個体を例に取ると、その第１の遺伝子は、例えば、人工知能／機械学習モデルであるが、これらに限定されない。
第１の実施形態において、第１の個体の各第１の遺伝子は、例えば、特定のデータ構造（アレイ等）の形態でデータベースに格納されてもよい。例えば、制御関数に属する第１の個体に対応するデータ構造は、ＱｏＳ管理、接続性管理、シームレスハンドオーバ制御等の遺伝子に対応する複数のフィールドを含んでもよい。フィールドは、例えば、上記の様々なパラメータ／構成値を記録するように構成されてもよいが、本開示はこれに限定されない。
加えて、第２の個体群に属する複数の第２の個体は、それぞれ、ポリシー、意図、又はＲＡＮ分析であってもよく、各第２の個体は、複数の異なる第２の遺伝子を有してもよい。
ポリシーに属する第２の個体を例に取ると、その第２の遺伝子は、例えばサブポリシーを含む。意図に属する第２の個体を例に取ると、その第２の遺伝子は、例えば、１又は複数の行動及び１又は複数のパラメータ変化を含む。ＲＡＮ分析に属する第２の個体を例に取ると、その第２の遺伝子は、例えば、分析及び学習タスクを含む。
第１の実施形態において、第２の個体の各第２の遺伝子は、例えば、特定のデータ構造の形態でデータベースに記憶されてもよい。例えば、ポリシーに属する第２の個体に対応するデータ構造は、サブポリシー等の遺伝子に対応する複数のフィールドを含んでもよい。フィールドは、例えば、サブポリシーに関連する様々なパラメータ／構成値を記録するように構成されてもよいが、本開示はこれに限定されない。
当業者は、第１の実施形態における第１の個体の第１の遺伝子及び第２の個体の第２の遺伝子の関連する説明について、５Ｇの仕様書を参照してもよく、この点に関する詳細については本明細書で繰り返さない。
第２の実施形態において、第１の個体群及び第２の個体群は、例えば、それぞれ、５Ｇの「ユーザの挙動」及び「ネットワークトポロジ」である。この状況下で、第１の個体群に属する第１の個体は、ユーザの挙動に関連する様々な第１の遺伝子を含んでもよく、第２の個体群に属する第２の個体は、ネットワークトポロジに関連する様々な第２の遺伝子を含んでもよい。
例えば、第１の個体群に属する第１の個体は、ユーザの経験、ユーザの習慣、ユーザのタイプ、ユーザの密度、及びユーザの状況等の１又は複数のパラメータ／１又は複数の構成値を含んでもよいが、本開示はこれに限定されない。加えて、第２の個体群に属する第２の個体は、無線ユニット（ＲＵ）、分散ユニット（ＤＵ）、中央ユニット（ＣＵ）、及びモバイルエッジコンピューティング（ＭＥＣ）サーバ等の１又は複数のパラメータ／１又は複数の構成値を含んでもよいが、本開示はこれに限定されない。
第２の実施形態において、各第１の個体の各第１の遺伝子及び各第２の個体の各第２の遺伝子は、例えば、特定のデータ構造の形態でデータベースに格納されてもよい。関連する説明については第１の実施形態において見出すことができ、この点に関する詳細については本明細書では繰り返さない。
一実施形態において、第１の個体群に属する第１の個体及び第２の個体群に属する第２の個体は、以下、図３を参照して更に説明される共進化プロセスを介して進化してもよい。図３を参照して、図３は、本開示の一実施形態による複数の第１の個体及び複数の第２の個体を取得するステップのフローチャートである。
まず、ステップＳ３１１において、プロセッサ１０４は、第１の個体群に属する複数の第１の初期個体をランダムに生成し、第２の個体群に属する複数の第２の初期個体をランダムに生成してもよい。各第１の初期個体は、各第１の個体とちょうど同じように第１の遺伝子を有し、各第２の初期個体は各第２の遺伝子とちょうど同じように第２の遺伝子を有する。この状況下では、第１の初期個体及び第２の初期個体における各第１／第２の遺伝子の１又は複数のパラメータ／１又は複数の構成値は、例えばランダム値であるが、これに限定されない。
次に、ステップＳ３１２において、プロセッサ１０４は、新規性探索アルゴリズムに基づいて第１の初期個体において複数の第１の参照個体を見つけてもよく、各第１の参照個体の第１の遺伝子は第１の最小基準（ＭＣ）を満足してもよい。一実施形態では、プロセッサ１０４は、Ｋ最近接（ＫＮＮ）アルゴリズムに基づいて、第１の初期個体の中から第１の参照個体を見つけてもよい。この状況の下では、見つけられた各第１の参照個体は互いにある程度の差を有し、新規性探索及びＫＮＮの関連する詳細については関連する技術文献において見出すことができ、この点に関する詳細については本明細書で繰り返さない。
加えて、上述したように、各第１の参照個体は、対応する第１のＭＣを更に満足する。第１の実施形態を例に取ると、第１の個体群（例えば、制御関数又は訓練済みモデル）に属する第１の参照個体が満足する必要のある第１のＭＣは、例えば、対応する閉ループ制御を実行するように構成される能力（例えば、各遺伝子は、合理的な１又は複数のパラメータ／１又は複数の構成値を有する）であるが、これに限定されない。
第２の実施形態を例に取ると、第１の個体群（ユーザの挙動等）に属する第１の参照個体が満足する必要のある第１のＭＣは、例えば、合理的なユーザの経験（例えば、短い反応時間を必要とする）、ユーザの習慣（例えば、昼間の使用に慣れている）、ユーザのタイプ（例えば、若者）、ユーザの密度（例えば、高密度）、及びユーザの状況（例えば、拡張現実感（ＡＲ））を有する等の１又は複数のパラメータ／１又は複数の構成値であるが、これらに限定されない。
同様の概念に基づいて、ステップＳ３１３において、プロセッサ１０４は、新規性探索アルゴリズムに基づいて、第２の初期個体において複数の第２の参照個体を見つけてもよい。すなわち、プロセッサ１０４は、ＫＮＮアルゴリズムに基づいて、第２の初期個体の中から第２の参照個体を見つけてもよく、その結果、見つけられた第２の参照個体は、互いにある程度の差を有する。
加えて、各第２の参照個体の第２の遺伝子は、第２のＭＣを満足してもよい。第１の実施形態を例に取ると、第２の個体群（例えば、ポリシー、意図、又はＲＡＮ解析）に属する第２の参照個体が満足する必要のある第２のＭＣは、例えば、対応する開ループ制御を実行するように構成される能力（例えば、各遺伝子は合理的な１又は複数のパラメータ／１又は複数の構成値を有する）であるが、これに限定されない。
第２の実施形態を再び例に取ると、第２の個体群（例えば、ネットワークトポロジ）に属する第２の参照個体が満足する必要のある第２のＭＣは、例えば、合理的なＲＵ（例えば、多数のＲＵ）、ＤＵ（例えば、低エネルギー消費）、ＣＵ（例えば、高い計算量）、及びＭＥＣサーバ（例えば、多数のＭＥＣサーバ）等の１又は複数のパラメータ／１又は複数の構成値であるが、これらに限定されない。
第１の個体群に属する第１の参照個体及び第２の個体群に属する第２の参照個体が教示に基づいて取得された後、第１の参照個体及び第２の参照個体は、本開示の実施形態で提案される共進化プロセスを受けるように構成されてもよく、これについては以下で更に説明する。
次に、ステップＳ３１４において、プロセッサ１０４は、各第１の参照個体の第１の遺伝子に基づいて、各第１の参照個体の第１の適合度を決定してもよく、ステップＳ３１５において、プロセッサ１０４は、各第２の参照個体の第２の遺伝子に基づいて、各第２の参照個体の第２の適合度を決定してもよい。
一般的に、共進化プロセスは、協調的共進化（「ラン」と「ガ」の間等）と競合的共進化（「キリン」と「樹木」の間等）に大別され得る。本開示の第１の実施形態において、第１の個体群及び第２の個体群の共通の目標がＯＰＮＦを増加させ、ＯＰＥＸを減少させることであるため、第１の個体群及び第２の個体群の共進化は協調的共進化とみなしてもよい。
この状況下では、ＯＰＮＦを増加させ、ＯＰＥＸを減少させることができる第１の参照個体及び第２の参照個体は、より高い対応する第１／第２の適合度を有することができる。
これに対して、本開示の第２の実施形態において、第１の個体群の目標（例えば、多いトラフィック、高い帯域幅、少ない待機時間、低い電力消費、広いカバレッジ、及び安定した接続）は、第２の個体群の目標（例えば、より少ない数のノード、より低い電力消費、より少ない数のリンク、及びより少ない発熱）と大まかに対立する。したがって、第１の個体群及び第２の個体群の共進化は、競争的共進化とみなしてもよい。
この状況下で、多いトラフィック、高い帯域幅、少ない待機時間、低い電力消費、広いカバレッジ、及び安定した接続を有する第１の参照個体は、より高い対応する第１の適合度を有することができる。これに対して、より少ない数のノード、より低い電力消費、より少ない数のリンク、及びより低い発熱を有する第２の参照個体は、より高い対応する第２の適合度を有することができる。
各第１の参照個体の第１の適合度が決定された後、ステップＳ３１６において、プロセッサ１０４は、第１の参照個体を第１の進化グラフに割り当ててもよい。異なる実施形態において、設計者は、必要に応じて、適切な進化グラフを第１の進化グラフとして選択してもよい。
図４を参照して、図４は、本開示の一実施形態による異なるタイプの進化グラフを示す。図４は、合計４つの異なる進化グラフ４１０～４４０を示す。各進化グラフ４１０～４４０において、複数のノード（円で示す）は、同一の個体群に属する個体を表し、各ノードは、エッジを介して隣接ノードに接続される。図４では、各エッジは、対応するエッジ重みが割り当てられており、エッジ重みがより高いエッジがより厚く描かれている。加えて、各進化グラフ４１０～４４０は、ハブ（例えば、各進化グラフ４１０～４４０において破線で囲まれるエリア）とブランチとを含んでもよい。進化グラフ４１０～４４０に関する詳細は、Pavlogiannis, A.、Tkadlec, J.、Chatterjee, K. et al、“Construction of arbitrarily strong amplifiers of natural selection using evolutionary graph theory”、CommunBiol 1、71 (2018)において見出すことができ、この点の詳細については本明細書では繰り返さない。異なる実施形態において、各進化グラフ４１０～４４０は、特定のデータ構造、テンプレート等、設計者のニーズに応じて様々な可能な形態で存在してもよい。
一実施形態において、必要な第１の進化グラフが選択された後、プロセッサ１０４は、第１の進化グラフ内の第１のノードとして以前に取得された第１の参照個体を構成し、第１の参照個体を第１の進化グラフに割り当ててもよい。例えば、第１の進化グラフの各ブランチが特定のアプリケーションフィールド（アプリケーションフィールドは、例えば、スマートフォンの製造、自動運転車、ＩｏＴ、スマートメディカルケア、スマートトランスポーテーション等であり、アプリケーションフィールドは、１又は複数のパラメータ／１又は複数の構成値に格納されてもよく、或いは設計者によって定義されてもよい。）に対応すると仮定する場合、プロセッサ１０４は、特定のアプリケーションフィールドに関連する第１の参照個体を第１の進化グラフの対応するブランチに割り当て、特定のアプリケーションフィールドに関連しない第１の参照個体を第１の進化グラフのハブに割り当ててもよい。他の実施形態において、設計者が設計ニーズに応じて第１の参照個体を第１の進化グラフに割り当てるための方法を調整してもよいが、本開示はこれに限定されない。別の実施形態において、プロセッサ１０４は、第１の参照個体の１又は複数のパラメータ／１又は複数の構成値に従って第１の参照個体を第１の進化グラフに割り当てる。
同様に、各第２の参照個体の第２の適合度が決定された後、ステップＳ３１７において、プロセッサ１０４は、第２の参照個体を第２の進化グラフに割り当ててもよい。異なる実施形態において、設計者は、必要に応じて、適切な進化グラフを第２の進化グラフとして選択してもよい。加えて、プロセッサ１０４によって第２の参照個体を第２の進化グラフに割り当てる方法は、第１の参照個体を第１の進化グラフに割り当てるステップの関連する説明において見出すことができ、この点に関する詳細については本明細書では繰り返さない。
次に、ステップＳ３１８において、プロセッサ１０４は、第１の進化グラフにおいて複数の第１の子個体を複製してもよい。加えて、ステップＳ３１９において、プロセッサ１０４は、第２の進化グラフにおいて複数の第２の子個体を複製してもよい。本開示の実施形態において、第１の子個体は、複数の第１の世代に属し、第２の子個体は、複数の第２世代に属し、各第１の子個体及び各第２の子個体は、共進化プロセスを介して進化する。
第１の進化グラフを例に取ると、第１の進化グラフは、複数の第１のノードを含むものとして理解されてもよく、各第１のノードはその時点で第１の個体群に属する個体に対応するものとみなされてもよい（例えば、ある第１の参照個体又はその子；個体は対応する第１の適合度を有してもよい）。具体的には、第１の個体群の個体の新しい子が進化プロセスで現れ、より古い個体が進化プロセスで除去される。この状況下では、第１の進化グラフにおける各第１のノードは、まだ除去されていない個体に対応すると仮定される。
一実施形態において、第１の進化グラフに基づく複製中に、プロセッサ１０４は、（ａ）第１の個体群に属する個体の中から第１の候補個体（例えば、特定の第１の参照個体又はその子のうちの１つ）を選択し、第１のノードの中から第１の候補個体に対応する第１の特定のノードを見つけるステップと、（ｂ）第１の候補個体を複製して少なくとも１つの第２の候補個体（すなわち、第１の候補個体の子）を生成し、第１の特定のノードの各エッジのエッジ重みに基づいて、第１の特定のノードに隣接する少なくとも１つの隣接ノードを第２の候補個体に対応する少なくとも１つの第２の特定のノードで置換するステップと、（ｃ）累積進化時間（例えば、プロセッサ１０４が第１の参照個体を取得してから計算された累積時間）が時間閾値（必要に応じて設計者によって決定されてもよい）に達するとの決定に応じて、その時点で第１の個体群に含まれる個体を第１の子個体として構成し、累積進化時間が時間閾値に達しないとの決定に応じてステップ（ａ）に戻るステップと、を実行するように構成されてもよい。
図５を参照して、図５は、本開示の一実施形態による第１の進化グラフにおける複製の概略図である。図５において、考慮される第１の進化グラフ５００は、示されるパターン（いくつかのブランチ及びハブ５１０ａを含む）を有し、各ノード（円として示される）は、第１の個体群に含まれる個体であると仮定される。この実施形態において、第１の候補個体として選択される第１の個体群における各個体の確率が各個体の第１の適合度と正に相関してもよい。
図５に示されるように、進化ステージＳ１において、ある第１の候補個体が選択され、第１の候補個体がノード５１１（すなわち、第１の特定のノード）に対応し、ノード５１１の下のエッジのエッジ重みがより大きいと仮定する。この状況下では、第２の候補個体（すなわち、第１の候補個体の子）に対応するノード５１２（すなわち、第２の特定のノード）がノード５１１の下に本来位置するノードを置換する（すなわち、ノード５１１が下側に広がる）ことが容易になる。同様に、ノード５１２も、同様の方法に基づいて、下方のノードに向かって更に広がり、それによって、ステージＳ２における条件を形成してもよい。
ステージＳ３において、ノード５１１の子がハブ５１０ａに広がると、ノード５１１の子は、ステージＳ４で示されるように、引き続く複製によってハブ５１０ａの各ノードを徐々に置換してもよい。次に、ハブ５１０ａのノードは、ノード５１１の子が第１の進化グラフ５００全体を完全に置換するまで、（ステージＳ５に示されるように）他のブランチに広がり続けてもよい。
本開示の実施形態において、第１の進化グラフ５００の第２の特定のノードを構成して隣接ノードを置換するプロセッサ１０４の詳細については、Pavlogiannis, A.、Tkadlec, J.、Chatterjee, K. et al、“Construction of Arbitrarily strong amplifiers of natural selection using evolutionary graph theory”、CommunBiol 1、71 (2018)の強力なアンプの説明において見出すことができ、この点の詳細については本明細書では繰り返さない。
同様に、（その時点で第２の個体群に属する個体に対応してもよい）第２の進化グラフに基づいて複製する場合、プロセッサ１０４は、ステップ（ａ）～（ｃ）と同様の動作を実行してもよい。例えば、プロセッサ１０４は、（ｄ）第２の個体群に属する個体の中から第３の候補個体（例えば、ある第２の参照個体又はその子）を選択し、第２のノードの中から第３の候補個体に対応する第３の特定のノードを見つけるステップと、（ｅ）第３の候補個体を複製して、少なくとも１つの第４の候補個体（すなわち、第３の候補個体の子）を生成し、第３の特定のノードの各エッジのエッジ重みに基づいて、第３の特定のノードに隣接する少なくとも１つの隣接ノードを第４の候補個体に対応する少なくとも１つの第４の特定のノードで置換するステップと、（ｆ）累積進化時間（例えば、プロセッサ１０４が第２の参照個体を取得してから計算された累積時間）が時間閾値（必要に応じて設計者によって決定されてもよい）に達するとの決定に応じて、その時点で第２の個体群に含まれる個体を第２の子個体として構成し、累積進化時間が時間閾値に達していないとの決定に応じて、ステップ（ｄ）に戻るステップと、を実行するように構成されてもよい。
異なる実施形態において、プロセッサ１０４は、対応する第２／第４の候補個体を生成するよう第１／第３の候補個体を複製するための異なる方法を採用してもよい。
例えば、第１の実施形態において、選択された第１の候補個体（の第１の遺伝子）は、実際のＯＰＥＸ及びＯＰＮＦを得るために、対応する閉ループ制御を実現するように構成されてもよい。この状況下において、プロセッサ１０４は、第３の候補個体を選択した後、第３の候補個体の遺伝子の一部を変更することにより（すなわち、突然変異により）、第４の候補個体を生成してもよい。第４の候補個体は、開ループ制御に採用される標的のＯＰＥＸ及びＯＰＮＦとして理解されてもよい。一実施形態において、プロセッサ１０４は、第３の候補個体の遺伝子の一部を変更するための基礎として、実際のＯＰＥＸ及びＯＰＮＦを構成してもよい。例えば、実際のＯＰＥＸ及びＯＰＮＦが不十分である場合、プロセッサ１０４は、対応して、複製された第４の候補個体の遺伝子によって、開ループ制御において採用される標的のＯＰＥＸ及びＯＰＮＦを減少させてもよい。
次に、プロセッサ１０４が再び第１の個体群で複製を行う場合、第１の候補個体が選択された後、第１の候補個体の遺伝子の一部を変える（すなわち、変異させる）ことにより、第２の候補個体が生成されてもよい。第２の候補個体は、実際のＯＰＥＸ及びＯＰＮＦを得るために別の閉ループ制御を実現するように構成されてもよい。一実施形態において、プロセッサ１０４は、第１の候補個体の遺伝子の一部を変更するための基礎として、標的のＯＰＥＸ及びＯＰＮＦを構成してもよい。例えば、標的のＯＰＥＸ及びＯＰＮＦが高く設定されている場合、プロセッサ１０４は、ＯＰＥＸ及びＯＰＮＦを改善するように、第２の候補個体を生成する際に遺伝子の一部を調整してもよい。
このようにして、第１の実施形態の第１の個体群及び第２の個体群は、複製中に協調的共進化のパターンを形成することができる。
第２の実施形態において、第１の候補個体が第１の個体群（すなわち、ユーザの挙動）から選択された後、プロセッサ１０４は、第１の候補個体の遺伝子の一部を変更することによって（すなわち、突然変異によって）、第２の候補個体を生成してもよい。プロセッサ１０４は、例えば、第２の候補個体を生成する瞬間に、第２の個体群（すなわち、ネットワークトポロジ）における全ての個体の遺伝子に基づいて、第１の候補個体の遺伝子をどのように変化させるかを決定してもよい。例えば、その時点の第２の個体群の全個体がより小さい数のＲＵを有する場合、プロセッサ１０４は、第２の候補個体において、より長い応答時間を対応して選択し、「ユーザの経験」の遺伝子を設定してもよいが、本開示はこれに限定されない。
同様に、第３の候補個体が第２の個体群（すなわち、ネットワークトポロジ）において選択された後、プロセッサ１０４は、第３の候補個体の遺伝子の一部を変更することによって（すなわち、突然変異によって）、第４の候補個体を生成してもよい。プロセッサ１０４は、例えば、第４の候補個体を生成する瞬間に、第１の個体群（すなわち、ユーザの挙動）における全ての個体の遺伝子に基づいて、第３の候補個体の遺伝子をどのように変化させるかを決定してもよい。例えば、その時点での第２の個体群における全ての個体がより短い反応時間を有することを目的とする場合、プロセッサ１０４は、「ＲＵ」の遺伝子を設定するために、第４の候補個体においてわずかに多い数のＲＵを選択してもよいが、本開示はこれに限定されない。
しかしながら、運用コストを考慮すると、オペレータは、一般的に、必ずしも全てのユーザの要求に基づいて対応するようにハードウエアデバイスを配置するとは限らない。例えば、ユーザの挙動がトラフィックの１０％の増加、帯域幅の５％の増加、待機時間の２０％の減少、電力消費の３０％の減少、カバレッジの４０％の増加、及び接続安定性の５０％の増加を必要とする場合、プロセッサ１０４によって生成される第４の候補個体は、それらの要件を完全に満たさないことがある。むしろ、結果はそれらの要件よりもわずかに低い（例えば、ノード数の（２０％の代わりに）１０％の増加、電力消費の（３０％の代わりに）２０％の増加、リンクの数の（３５％の代わりに）２５％の増加、及び発熱の（２５％の代わりに）１５％の増加）。
このようにして、第２の実施形態における第１の個体群及び第２の個体群は、複製中に競合的共進化のパターンを形成することができる。加えて、第１／第２の実施形態において、共進化プロセスに進化標的が設定されていないので、共進化プロセスはオープンな共進化として理解してもよい。
本開示の実施形態において、第２の進化グラフにおいて隣接ノードを第４の特定のノードに置換するプロセッサ１０４の詳細がPavlogiannis, A.、Tkadlec, J.、Chatterjee, K. et al、“Construction of Arbitrarily strong amplifiers of natural selection using evolutionary graph theory”、CommunBiol 1、71 (2018)における強力なアンプの説明に見出すことができ、この点に関する詳細については本明細書では繰り返さない。
教示に従って第１の個体群の複数の第１の子個体を複製及び取得した後、プロセッサ１０４は、ステップＳ３２０を実行して、第１の子個体を第１の個体として定義してもよい。すなわち、第１の個体群が複製し続け、対応する時間閾値に達すると、プロセッサ１０４は、その時点で第１の個体群に属する個体をステップＳ２１０で言及された第１の個体とみなしてもよい。同様に、教示に従って第２の個体群の複数の第２の子個体を複製及び取得した後、プロセッサ１０４は、ステップＳ３２１を実行して、第２の子個体を第２の個体として定義してもよい。すなわち、第２の個体群が複製し続け、対応する時間閾値に達すると、プロセッサ１０４は、その時点で第２の個体群に属する個体をステップＳ２１０で言及された第２の個体とみなしてもよい。
再び図２を参照して、ステップＳ２１０において、第１の個体及び第２の個体が教示に従って取得された後、プロセッサ１０４は、ステップＳ２２０を実行して、複数のパターン生成ネットワークによって生成された複数のタスクネットワークを取得してもよい。
いくつかの実施形態において、第１の個体及び第２の個体が後続の動作において訓練データとして構成される必要があるので、ステップＳ２２０を実行する前に、プロセッサ１０４は、後続の訓練を容易にするために、訓練データとして構成されるのに適していない第１／第２の個体の一部をフィルタアウトするための追加の前処理を実行してもよいが、本開示はこれに限定されない。
一実施形態において、各パターン生成ネットワークは、例えば、合成パターン生成ネットワーク（ＣＰＰＮ）であり、プロセッサ１０４は、補強トポロジニューロエボリューション（ＮＥＡＴ）ネットワークを使用して、パターン生成ネットワークを生成してもよい。いくつかの実施形態において、ＮＥＡＴは、ＨｙｐｅｒＮＥＡＴアルゴリズムに基づいて、パターン生成ネットワークを進化させ、取得してもよい。加えて、ＮＥＡＴから進化したパターン生成ネットワークは、タスクネットワークを生成するように個別に構成されてもよい。パターン生成ネットワークを進化させ取得するＮＥＡＴの詳細、及びタスクネットワークを個別に生成するパターン生成ネットワークの詳細は、ＨｙｐｅｒＮＥＡＴの関連文献において見出すことができ、この点に関する詳細については本明細書では繰り返さない。
次に、ステップＳ２３０において、プロセッサ１０４は、マルチターゲット関数に基づいて、第１の個体及び第２の個体で各タスクネットワークを訓練し、訓練後の各タスクネットワークの精度を評価してもよい。
一実施形態において、第１の個体及び第２の個体は、ベストプラクティスに基づいて関連する人員によって手動で対応付け（ラベル付け）されてもよく、或いはアルゴリズムによって自動的に対応付け（ラベル付け）されてもよい。ベストプラクティスは、意図、過去の経験、又は理論的導出から導出されてもよいが、これらに限定されない。
例えば、「ユーザの挙動」（すなわち、第１の個体群）におけるあるユーザの挙動Ａ（すなわち、第１の個体）に関して、プロセッサ１０４は、ある設計者によって判定されたユーザの挙動Ａに対応する「ネットワークトポロジ」（すなわち、第２の個体群）においてネットワークトポロジＢを見つけ、ネットワークトポロジＢを対応する第２の個体として構成し、ネットワークトポロジＢにラベル付けしてもよいが、本開示はこれに限定されない。いくつかの実施形態において、第１の個体と第２の個体との間の対応する関係は、１対１（例えば、ネットワークトポロジに対応するユーザの挙動）又は多対１（例えば、ネットワークトポロジに対応する複数のユーザの挙動）であってもよいが、これらに限定されない。
次に、プロセッサ１０４は、互いに対応する第１の個体及び第２の個体に基づいて、各ＣＰＰＮによって生成されたタスクネットワークを訓練してもよい。
図６を参照して、図６は、本開示の一実施形態によるタスクネットワークを訓練するステップの概略図である。図６に示されるように、ＮＥＡＴネットワーク６０１によって進化されたＣＰＰＮ６０２は、タスクネットワーク６０３を生成してもよい。
この実施形態において、タスクネットワーク６０３は２層ネットワークであってもよい。各層は、複数のニューロンを含んでもよく、１つの層のニューロンは、他の層のニューロンとの接続のみを確立し、同じ層のニューロンとの接続を確立しない。異なるＣＰＰＮによって生成されるタスクネットワーク間の主な差は、２層ネットワークが異なる接続モードを有し、ニューロン接続の重みがタスクネットワークの訓練プロセス中に更新されるという事実にある。
図６では、タスクネットワーク６０３は、合計４つの入力値（ｘｉ,ｙｉ）、（ｘｊ,ｙｊ）等に基づいて任意の２つのニューロンの位置を定義してもよく、ＣＰＰＮの出力は、タスクネットワーク６０３内の任意の２つのニューロン間の接続の重みの値である。重みの値が０の場合、（ｘｉ,ｙｉ）は（ｘｊ,ｙｊ）に接続されていないことを意味する。
タスクネットワーク６０３を訓練する際、互いに対応するある第１の個体Ｃとある第２の個体Ｄに関して、プロセッサ１０４は、第１の個体Ｃを対応する入力特徴ベクトル６１１に変換し、入力特徴ベクトル６１１をタスクネットワーク６０３に入力することにより、タスクネットワーク６０３を訓練してもよい。一実施形態において、タスクネットワーク６０３が入力特徴ベクトル６１１を受け取った後、タスクネットワーク６０３は、それに応じて出力ベクトルを生成してもよく、プロセッサ１０４は、タスクネットワーク６０３内のニューロンの重みを調整して、出力ベクトルが第２の個体Ｄに対応する特徴ベクトルに近づくことを可能にしてもよいが、本開示はこれに限定されない。当業者にとって、互いに対応する第１の個体及び第２の個体に基づいてタスクネットワーク６０３をどのように訓練するかは、関連する技術文献において見出すことができ、この点に関する詳細については本明細書で繰り返さない。
異なる実施形態において、プロセッサ１０４がタスクネットワーク６０３を訓練する際にプロセッサ１０４によって採用されるマルチターゲット関数は、各タスクネットワーク６０３の複数の特性を含んでもよいことを理解されたい。
第１の実施形態を例に取ると、プロセッサ１０４によって採用されるマルチターゲット関数は、例えば、Ｆ（ｘ）＝Ｍ（ｆ１（ｘ），ｆ２（ｘ））＝Ｎｏｒｍ（ｆ１（ｘ））＋（１－Ｎｏｒｍ（ｆ２（ｘ））））であり、ｆ１（ｘ）は標的のＯＰＮＦに対応してもよく、ｆ２（ｘ）は標的のＯＰＥＸに対応してもよい。加えて、Ｎｏｒｍ（ｘ）演算子は、ｘを正規化し、ｘを０と１との間に制限するように構成されてもよい。
第１の実施形態のマルチターゲット関数に示されるように、タスクネットワーク６０３を訓練するプロセッサ１０４の方向は、ＯＰＮＦがより高く、ＯＰＥＸがより低くなる方向であるが、本開示はこれに限定されない。
第２の実施形態を例に取ると、プロセッサ１０４によって採用されるマルチターゲット関数は、例えば、Ｆ（ｘ）＝Ｍ（ｆ１（ｘ），ｆ２（ｘ），．．．，ｆｍ（ｘ））＝（１－Ｎｏｒｍ（ｆ１（ｘ）））＋（１－Ｎｏｒｍ（ｆ２（ｘ）））＋（１－Ｎｏｒｍ（ｆ３（ｘ）））＋（１－Ｎｏｒｍ（ｆ４（ｘ）））であり、ｆ１（ｘ）はノード数に対応し、ｆ２（ｘ）は消費電力に対応し、ｆ３（ｘ）はリンク数に対応し、ｆ４（ｘ）は発熱に対応してもよい。第２の実施形態のマルチターゲット関数に示されるように、タスクネットワーク６０３を訓練するプロセッサ１０４の方向は、ノード数がより少なく、消費電力量がより少なく、リンク数がより少なく、発熱量がより少ない方向であるが、本開示はこれに限定されない。
各ＣＰＰＮによって生成された各タスクネットワークに関して、プロセッサ１０４は、教示に従って各タスクネットワークを訓練してもよい。加えて、各タスクネットワークの訓練を完了した後、プロセッサ１０４は、各タスクネットワークの精度を評価してもよい。一実施形態において、各タスクネットワークの精度は、例えば、各タスクネットワークとマルチターゲット関数における所望の標的との間の近さとして理解してもよい。すなわち、各タスクネットワークがマルチターゲット関数において設定された標的に近いほど、各タスクネットワークの精度は高くなる。異なる実施形態において、精度は、例えば、訓練精度又は試験精度であるが、これらに限定されない。
各タスクネットワークの精度を評価した後、ステップＳ２４０において、プロセッサ１０４は、各タスクネットワークの精度に基づいて、対応するパターン生成ネットワークの適合性スコアを決定してもよい。図６を例に取ると、タスクネットワーク６０３の精度を評価した後、プロセッサ１０４は、それに応じてＣＰＰＮ６０２の適合性スコアを決定してもよい。一実施形態において、ＣＰＰＮ６０２の適合性スコアは、ＣＰＰＮ６０２に対応するタスクネットワーク６０３の精度と正に相関してもよい。すなわち、タスクネットワーク６０３の精度が高いほど、ＣＰＰＮ６０２の適合性スコアは高くなり、逆もまた同様である。別の実施形態において、精度は、必要に応じて適合性スコアに変換される。例えば、評価されたタスクネットワーク６０３の合計精度は、ＣＰＰＮ６０２の適合性スコアに変換されてもよい。重みが精度に割り当てられてもよく、相関係数が精度に割り当てられてもよく、或いは設計の必要性に応じて、予め設定された値が精度に加算され、精度と予め設定された値が共に加算されてもよいが、本開示はこれに限定されない。
次に、ステップＳ２５０において、プロセッサ１０４は、各パターン生成ネットワークの適合性スコアに基づいて、パターン生成ネットワークの中から特定のパターン生成ネットワークを見つけ、タスクネットワークの中から特定のパターン生成ネットワークに対応する特定のタスクネットワークを選択してもよい。一実施形態において、プロセッサ１０４は、パターン生成ネットワークの中で最も高い適合性スコアを有するパターン生成ネットワークを見つけ、当該パターン生成ネットワークを特定のパターン生成ネットワークとして構成してもよい。例えば、ＣＰＰＮ６０２がＮＥＡＴネットワーク６０１によって進化されたパターン生成ネットワークの中で最も高い適合性スコアを有すると仮定する場合、プロセッサ１０４は、それに応じて、タスクネットワーク６０３を特定のタスクネットワークとして選択してもよいが、本開示はこれに限定されない。
次に、プロセッサ１０４は、見つかった特定のパターン生成ネットワークと特定のパターン生成ネットワークから生成されたタスクネットワークのみを保持し、残りのＣＰＰＮ及びタスクネットワークを除去してもよい。明確に説明するために、ＣＰＰＮ６０２及びタスクネットワーク６０３は、それぞれ、特定のパターン生成ネットワーク及び特定のタスクネットワークの例として使用されるが、本開示はこれに限定されない。
次に、異なる実施形態において、特定のタスクネットワークは、第１の個体群の取得されたセンシングデータ（例えば、第１の実施形態における閉ループ制御の１又は複数のパラメータ／１又は複数の構成値、及び第２の実施形態におけるユーザの挙動の１又は複数のパラメータ／１又は複数の構成値）に基づいて、第２の個体群の例の１又は複数の行動の設定方法について、対応して推論を行うように構成されてもよい。
図７を参照して、図７は、本開示の実施形態によるセンシングデータに基づいて１又は複数の行動を決定するためのシステムの概略図である。図７において、システム７００は、センシング回路７０１、通信回路７０２、記憶回路７０３、及びプロセッサ７０４を含んでもよい。一実施形態において、センシング回路７０１は、第１の実施形態における閉ループ制御のある例の関連する１又は複数のパラメータ／１又は複数の構成値、又は第２の実施形態におけるユーザの挙動のある例の関連する１又は複数のパラメータ／１又は複数の構成値を取得するように構成されてもよい。加えて、通信回路７０２は、例えば、様々なタイプの無線トランシーバであってもよく、プロセッサ７０４の制御下で指定されたデバイスに信号／コマンドを送信してもよい。
記憶回路７０３及びプロセッサ７０４の様々な可能な実施形態は、記憶回路１０２及びプロセッサ１０４の説明において見出すことができ、この点に関する詳細については本明細書では繰り返さない。
図８を参照して、図８は、本開示の実施形態によるセンシングデータに基づいて１又は複数の行動を決定するための方法のフローチャートである。この実施形態の方法は、図７に示されるプロセッサ７０４によって実行されてもよいが、これに限定されない。加えて、図８の内容を明確に説明するために、図９を参照して以下において更に説明する。図９は、本開示の実施形態によるセンシングデータに基づいて１又は複数の行動を決定するステップの概略図である。
まず、ステップＳ８１０において、プロセッサ７０４は、センシングデータを取得し、センシングデータを入力特徴ベクトル９１１にマッピングしてもよい。センシングデータは、第１の特定の個体に属する複数のセンシング属性を含んでもよく、第１の特定の個体は、第１の個体群（例えば、第１の実施形態における「閉ループ制御」又は第２の実施形態における「ユーザの挙動」）に属してもよい。
例えば、第１の実施形態において、センシングデータは、ある閉ループ制御の例の制御関数、又は訓練済みモデルの関連する１又は複数のパラメータ／１又は複数の構成値であってもよい。加えて、第２の実施形態において、センシングデータは、例えば、あるユーザの挙動の例（例えば、特定のユーザの経験、ユーザの習慣、ユーザのタイプ、ユーザの密度、及びユーザの状況）の関連する１又は複数のパラメータ／１又は複数の構成値であってもよい。
異なる実施形態において、センシングデータは、システム７００に接続された他のデバイスによって提供されてもよいが、本開示はこれに限定されない。センシングデータを取得した後、プロセッサ１０４は、センシングデータを特定のタスクネットワーク９１２（例えば、タスクネットワーク６０３）に入力されるように構成され得る入力特徴ベクトル９１１にマッピングしてもよい。マッピングにおける関連する詳細については、関連する技術文献において見出すことができ、この点に関する詳細については本明細書では繰り返さない。
次に、ステップＳ８２０において、プロセッサ７０４は、特定のタスクネットワーク９１２が出力特徴ベクトル９１３を生成できるように、入力特徴ベクトル９１１を特定のタスクネットワーク９１２に供給してもよい（例えば、タスクネットワーク６０３がプロセッサ１０４によってシステム７００に提供されてもよい）。
第１の実施形態において、出力特徴ベクトル９１３は、例えば、ある開ループ制御の関連する１又は複数のパラメータ／１又は複数の構成値の組み合わせに対応する特徴ベクトルである。加えて、第２の実施形態において、出力特徴ベクトル９１３は、例えば、あるネットワークトポロジ（例えば、グラフ畳み込みネットワーク（ＧＣＮ）特徴）の関連する１又は複数のパラメータ／１又は複数の構成値の組み合わせに対応する特徴ベクトルである。
次に、ステップＳ８３０において、プロセッサ７０４は、出力特徴ベクトル９１３に従って出力行動を決定し、出力行動に基づいて第２の特定の個体を設定してもよい。第２の特定の個体は、第２の個体群（例えば、第１の実施形態における「開ループ制御」又は第２の実施形態における「ネットワークトポロジ」）に属してもよい。
一実施形態において、プロセッサ７０４は、出力特徴ベクトル９１３に完全に対応する出力行動を用いて第２の特定の個体を直接設定してもよい。例えば、第１の実施形態において、ある開ループ制御のパラメータ／構成値のある組み合わせに対応する出力特徴ベクトル９１３を生成した後、プロセッサ７０４は、開ループ制御のパラメータ／構成値の組み合わせを用いて、対応する開ループ制御を実行する。別の例では、第２の実施形態において、あるネットワークトポロジのパラメータ／構成値の組み合わせに対応する出力特徴ベクトル９１３を生成した後、プロセッサ７０４は、ネットワークトポロジのパラメータ／構成値の組み合わせでネットワークトポロジを設定してもよく、或いは変換後の特徴ベクトルに基づいてネットワークトポロジを構築してもよい。
しかしながら、出力特徴ベクトル９１３に完全に対応する出力行動を有する第２の特定の個体を設定することは、ある程度の適応性を欠くことがある。したがって、本開示の実施形態は、出力特徴ベクトル９１３に基づいて出力行動を決定するためにクラシファイア９１４を使用することによって、実行における適応性を改善することを更に提案する。
一実施形態において、プロセッサ７０４は、出力特徴ベクトル９１３をクラシファイア９１４に入力して、クラシファイア９１４が複数の予め設定された行動Ａ１～ＡＮの中から出力特徴ベクトル９１３に対応する特定の行動を見つけることを可能にしてもよい。次に、プロセッサ７０４は、見つけられた特定の行動を出力行動として定義してもよい。
いくつかの実施形態において、クラシファイア９１４（例えば、サポートベクターマシン（ＳＶＭ））は、ある訓練プロセスを介した訓練によって取得されてもよい。例えば、特定のタスクネットワーク９１２によって生成された様々な出力特徴ベクトルに関して、設計者は、各出力特徴ベクトルが予め設定された行動Ａ１～ＡＮのうちどの１つに対応すべきかを予め決定（すなわち、ラベル付け）してもよい。各予め設定された行動Ａ１～ＡＮは、ある出力特徴ベクトルに完全に対応する１又は複数の行動を含んでもよく、設計者が実行したい他の１又は複数の行動を含んでもよい。
このように、クラシファイア９１４の訓練を完了した後、クラシファイア９１４は、出力特徴ベクトル９１３を受信すると、クラシファイア９１４は、それに応じて、予め設定された行動Ａ１～ＡＮの中から出力特徴ベクトル９１３に対応する特定の行動を見つけることができる。特定の行動は、出力特徴ベクトル９１３に完全に対応する１又は複数の行動を含んでもよく、実行の適応性を改善するために他の追加の１又は複数の行動を含んでもよい。
例えば、第１の実施形態において、ある開ループ制御のパラメータ／構成値の組み合わせに対応する出力特徴ベクトル９１３を生成した後、プロセッサ７０４は、クラシファイア９１４が予め設定された行動Ａ１～ＡＮのうち出力特徴ベクトル９１３に対応する特定の行動を見つけることを可能にしてもよい。第１の実施形態において、特定の行動は、開ループ制御のパラメータ／構成値の組合せを用いて対応する開ループ制御を実行する関連する行動を含み、設計者によって共に実行され得る他の１又は複数の行動を含んでもよいが、本開示はこれに限定されない。
別の例では、第２の実施形態において、あるネットワークトポロジのパラメータ／構成値の組み合わせに対応する出力特徴ベクトル９１３を生成した後、プロセッサ７０４は、クラシファイア９１４が予め設定された行動Ａ１～ＡＮの中から出力特徴ベクトル９１３に対応する特定の行動を見つけることを可能にしてもよい。第２の実施形態において、特定の行動は、ネットワークトポロジのパラメータ／構成値の組合せを用いてネットワークトポロジを設定する関連する１又は複数の行動を含み、設計者によって共に実行され得る他の１又は複数の行動を含んでもよいが、本開示はこれに限定されない。
一実施形態において、出力行動を決定した後、プロセッサ７０４は、通信回路７０２を制御して第２の個体群に属する第２の特定の個体に出力行動を送信することによって、それに応じて第２の特定の個体を設定してもよい。例えば、第２の実施形態において、第２の特定の個体は、例えば、ネットワークトポロジの例であり、これは出力行動に従った変換後のＧＣＮの特徴によって形成されるベクトルによって記述されるネットワークに調整されてもよい。従って、新しい５Ｇネットワークトポロジは、ユーザの挙動にも再び影響する。
図１０を参照して、図１０は、本開示の一実施形態による進化的記号計算の概略図である。一実施形態において、本開示の実施形態によって実行される動作は、空間ＳＰ１（例えば、入力特徴ベクトル９１１）の条件に基づいて空間ＳＰ４（例えば、出力行動）に属する１又は複数の行動を決定するためにシンボリック関数ｆを使用するものとして大まかに理解されてもよい。しかしながら、本質的には、本開示の実施形態によって実行される動作は、空間ＳＰ１に属する条件を空間ＳＰ２内の第１のベクトルに変換し、第１のベクトルを空間ＳＰ３に属する第２のベクトルに変換し、第２のベクトルを空間ＳＰ４に属する１又は複数の行動に変換する、引き続いて起こるアクションである。一実施形態において、図１０に示される関数Ｆが上述の実施形態における特定のタスクネットワークに対応するものとして理解されてもよい。関数Ｆは、空間ＳＰ２に属する第１のベクトルを空間ＳＰ３に属する第２のベクトルに変換してもよいが、本開示はこれに限定されない。
別の観点から、現在の技術において、計画又は推論は、たいていルールエンジンによって行われる。本開示では、計画又は推論は、ビッグデータに基づく訓練によって完了し、ルールを手動で設定する必要がない。
要約すると、本開示の実施形態の共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法は、（１）オープンな共進化プロセスを介して、第１の個体群に属する複数の第１の個体、及び第２の個体群に属する複数の第２の個体を生成するステップと、（２）第１／第２の個体に基づいて各パターン生成ネットワークのタスクネットワークを訓練し、最も高い適合性スコアを有する特定のパターン生成ネットワーク及び最も高い適合性スコアを有する特定のパターン生成ネットワークによって生成された特定のタスクネットワークを見つけるステップと、の２つのステージを含むものとして大まかに理解されてもよい。
第１のステージにおいて、本開示の実施形態は、進化グラフ及び強力なアンプの概念を導入する。このようにして、個体群のうち適合性がより高い個体の子は、進化グラフ全体に広がり定着が容易化する可能性が高くなる。このようにして、複製によって得られた第１／第２の個体は、有利な遺伝子を有してもよく、それによって第２のステージにおける各タスクネットワークの訓練が容易になる。
加えて、第２のステージにおいて、対応するタスクネットワークの精度に基づいて各パターン生成ネットワークの適合性スコアが決定され、選択された特定のパターン生成ネットワークは、例えば、最も高い適合性スコアを有するので、対応するタスクネットワークは、その後センシングデータに基づいて１又は複数の行動を決定する特定のタスクネットワークとして構成されてもよい。
このように、第１の個体群に対応するセンシングデータが取得されると、特定のタスクネットワーク及びクラシファイアは、それに応じて適切な出力行動を決定することによって、第２の実施形態におけるユーザの挙動に従って第１の実施形態におけるＯＰＮＦを増大させ／ＯＰＥＸを減少させ、ネットワークトポロジの関連する１又は複数のパラメータ／１又は複数の構成値を調整してもよい。
本開示は、上述の実施形態において開示されたが、これらの実施形態は、本開示を限定するものではない。当業者は、本開示の精神及び範囲から逸脱することなく、いくつかの変更及び修正を行ってもよい。したがって、本開示の保護の範囲は、添付の特許請求の範囲によって定義される範囲に属する。
本開示によるタスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法は、第５世代通信システムのための共進化メカニズムに基づいてタスクネットワークを訓練及び選択する際に適用され得る。
１００ サーバ
１０２、７０３ 記憶回路
１０４、７０４ プロセッサ
４１０、４２０、４３０、４４０ 進化グラフ
５００ 第１の進化グラフ
５１１、５１２ ノード
５１０ａ ハブ
６０１ ＮＥＡＴネットワーク
６０２ ＣＰＰＮ
６０３ タスクネットワーク
６１１、９１１ 入力特徴ベクトル
７００ システム
７０１ センシング回路
７０２ 通信回路
９１２ 特定のタスクネットワーク
９１３ 出力特徴ベクトル
９１４ クラシファイア
Ａ１～ＡＮ 予め設定された行動
Ｓ１～Ｓ６ ステージ
Ｓ２１０～Ｓ２５０、Ｓ３１１～Ｓ３２１、Ｓ８１０～Ｓ８３０ ステップ
ＳＰ１～ＳＰ４ 空間

Claims (5)

  1. 共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法であって、
    プロセッサが、第１の個体群に属する複数の第１の個体と第２の個体群に属する複数の第２の個体とを取得するステップであって、前記第１の個体及び前記第２の個体は共進化プロセスを介して進化するステップと、
    前記プロセッサが、複数のパターン生成ネットワークによって生成された複数のタスクネットワークを取得するステップと、
    前記プロセッサが、マルチターゲット関数に基づいて各前記タスクネットワークを前記第１の個体及び前記第２の個体で訓練し、訓練後に各前記タスクネットワークの精度を評価するステップであって、前記マルチターゲット関数は、各前記タスクネットワークの複数の特性を含むステップと、
    前記プロセッサが、各前記タスクネットワークの前記精度に基づいて対応する前記パターン生成ネットワークの適合性スコアを決定するステップであって、各前記パターン生成ネットワークの前記適合性スコアは、前記パターン生成ネットワークに対応する前記タスクネットワークの前記精度に正に相関するステップと、
    前記プロセッサが、各前記パターン生成ネットワークの前記適合性スコアに基づいて前記パターン生成ネットワークから特定のパターン生成ネットワークを見つけ、前記タスクネットワークの中から前記特定のパターン生成ネットワークに対応する特定のタスクネットワークを選択するステップと、
    を含む、方法。
  2. 前記プロセッサが前記第１の個体群に属する前記第１の個体を取得するステップは、
    前記プロセッサが、前記第１の個体群に属する複数の第１の参照個体を取得するステップであって、各前記第１の参照個体は複数の第１の遺伝子を有するステップと、
    前記プロセッサが、各前記第１の参照個体の前記第１の遺伝子に基づいて各前記第１の参照個体の第１の適合性を決定するステップと、
    前記プロセッサが、前記第１の参照個体を第１の進化グラフに割り当て、前記第１の進化グラフにおいて複数の第１の子個体を複製するステップであって、各前記第１の子個体及び前記第２の個体群に属する複数の第２の子個体が共進化プロセスを介して複製されるステップと、
    前記プロセッサが、前記第１の子個体を前記第１の個体と定義するステップと、を含み、
    前記プロセッサが前記第２の個体群に属する前記第２の個体を取得するステップは、
    前記プロセッサが、前記第２の個体群に属する複数の第２の参照個体を取得するステップであって、各前記第２の参照個体は複数の第２の遺伝子を有するステップと、
    前記プロセッサが、各前記第２の参照個体の前記第２の遺伝子に基づいて各前記第２の参照個体の第２の適合性を決定するステップと、
    前記プロセッサが、前記第２の参照個体を第２の進化グラフに割り当て、前記第２の進化グラフにおいて、前記第２の子個体を複製するステップであって、前記第２の子個体及び前記第１の子個体は前記共進化プロセスを介して複製されるステップと、
    前記プロセッサが、前記第２の子個体を前記第２の個体と定義するステップと、を含み、
    前記プロセッサが前記第１の個体群に属する前記第１の参照個体を取得するステップ及び前記プロセッサが前記第２の個体群に属する前記第２の参照個体を取得するステップは、
    前記プロセッサが、前記第１の個体群に属する複数の第１の初期個体をランダムに生成し、前記第２の個体群に属する複数の第２の初期個体をランダムに生成するステップと、
    前記プロセッサが、新規性探索アルゴリズムに基づいて前記第１の初期個体の中から前記第１の参照個体を見つけ、前記新規性探索アルゴリズムに基づいて前記第２の初期個体の中から前記第２の参照個体を見つけるステップであって、各前記第１の参照個体の前記第１の遺伝子は第１の最小基準を満足し、各前記第２の参照個体の前記第２の遺伝子は第２の最小基準を満足するステップと、を含み、
    前記第１の進化グラフは複数の第１のノードを含み、前記第１のノードは前記第１の個体群に属する複数の個体に対応し、各前記第１のノードは少なくとも１つのエッジによって隣接ノードに接続されており、各前記少なくとも１つのエッジはエッジ重みが割り当てられており、前記方法は、
    （ａ）前記プロセッサが、前記第１の個体群に属する前記個体の中から第１の候補個体を選択し、前記第１のノードの中から前記第１の候補個体に対応する第１の特定のノードを見つけるステップと、
    （ｂ）前記プロセッサが、少なくとも１つの第２の候補個体を生成する前記第１の候補個体を複製し、前記第１の特定のノードの各前記少なくとも１つのエッジの前記エッジ重みに基づいて、前記第１の特定のノードに隣接する少なくとも１つの隣接ノードを前記少なくとも１つの第２の候補個体に対応する少なくとも１つの第２の特定のノードに置換するステップと、
    （ｃ）前記プロセッサが、累積進化時間が時間閾値に達するとの判断に応じてその時点で前記第１の個体群に含まれる前記個体を前記第１の子個体として構成し、前記累積進化時間が前記時間閾値に達していないとの決定に応じて（ａ）に戻るステップと、を含み、
    前記第１の候補個体が選択される確率が前記第１の候補個体の適合性と正の相関があり、前記第１の個体群に属する前記個体は第１の個体群キューに記録され、前記第１の個体群キューは予め設定された容量を有し、前記方法は、更に、
    前記プロセッサが、前記第１の個体群に属する前記個体及び前記少なくとも１つの第２の候補個体の総数が前記予め設定された容量よりも大きいとの決定に応じて、前記総数と前記予め設定された容量との差を取得するステップと、
    前記プロセッサが、前記第１の個体群キューから最も古い前記個体の中の一部を除去し、前記第１の個体群キューに前記少なくとも１つの第２の候補個体を追加するステップであって、前記個体の中の前記一部の数は前記差に相当するステップと、を含む、請求項１に記載の方法。
  3. 各前記パターン生成ネットワークは、合成パターン生成ネットワークであって、
    前記プロセッサが前記パターン生成ネットワークを取得するステップは、
    前記プロセッサが、補強トポロジネットワークのニューロエボリューションを用いて前記パターン生成ネットワークを生成するステップであって、
    前記特定のパターン生成ネットワークは、前記パターン生成ネットワークの中で最も高い適合性スコアを有するステップを含む、請求項１に記載の方法。
  4. センシングデータに基づいて行動を決定するための方法であって、
    プロセッサが、センシングデータを取得し、前記センシングデータを入力特徴ベクトルにマッピングするステップであって、前記センシングデータは、第１の特定の個体に属する複数のセンシング属性を含み、前記第１の特定の個体は、第１の個体群に属するステップと、
    前記プロセッサが、入力特徴ベクトルを特定のタスクネットワークに供給することによって、前記特定のタスクネットワークが出力特徴ベクトルを生成するステップであって、前記特定のタスクネットワークは、前記第１の個体群及び第２の個体群に基づいて訓練されるステップと、
    前記プロセッサが、前記出力特徴ベクトルに従って出力行動を決定し、前記出力行動に基づいて第２の特定の個体を設定するステップであって、前記第２の特定の個体は前記第２の個体群に属するステップと、
    を含み、
    前記特定のタスクネットワークは、前記第１の個体群に属する複数の第１の個体及び前記第２の個体群に属する複数の第２の個体に基づいて訓練され、前記第１の個体及び前記第２の個体は共進化プロセスを介して進化する、方法。
  5. 前記プロセッサが前記出力特徴ベクトルに従って前記出力行動を決定するステップは、
    前記プロセッサが、前記出力特徴ベクトルをクラシファイアに供給することによって、前記クラシファイアが複数の予め設定された行動の中から前記出力特徴ベクトルに対応する特定の行動を見つけるステップと、
    前記プロセッサが、前記特定の行動を前記出力行動と定義するステップと、を含む、請求項４に記載の方法。
JP2021070306A 2020-11-04 2021-04-19 タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 Active JP7197624B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109138475A TWI762015B (zh) 2020-11-04 2020-11-04 挑選任務網路的方法、基於感測資料決定動作的系統及方法
TW109138475 2020-11-04

Publications (2)

Publication Number Publication Date
JP2022075471A JP2022075471A (ja) 2022-05-18
JP7197624B2 true JP7197624B2 (ja) 2022-12-27

Family

ID=74884895

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021070306A Active JP7197624B2 (ja) 2020-11-04 2021-04-19 タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法

Country Status (6)

Country Link
US (1) US20220138587A1 (ja)
EP (1) EP3995998A1 (ja)
JP (1) JP7197624B2 (ja)
KR (1) KR20220060454A (ja)
CN (1) CN114528969A (ja)
TW (1) TWI762015B (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020170952A (ja) 2019-04-04 2020-10-15 セイコーエプソン株式会社 画像処理装置、機械学習装置、画像処理方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2548143A (en) * 2016-03-10 2017-09-13 Lancaster Univ Business Entpr Ltd Surface modelling
US11250328B2 (en) * 2016-10-26 2022-02-15 Cognizant Technology Solutions U.S. Corporation Cooperative evolution of deep neural network structures
US20190019197A1 (en) * 2017-07-13 2019-01-17 Asapp, Inc Determining to dispatch a technician for customer support
CN111279421B (zh) * 2017-09-29 2024-04-09 布里格姆妇女医院 人类胚胎的自动评价
CN108428005A (zh) * 2018-01-17 2018-08-21 中山大学 一种基于并行协同演化的高维多目标优化算法
US20200143243A1 (en) * 2018-11-01 2020-05-07 Cognizant Technology Solutions U.S. Corporation Multiobjective Coevolution of Deep Neural Network Architectures
US10839606B2 (en) * 2018-12-28 2020-11-17 National Tsing Hua University Indoor scene structural estimation system and estimation method thereof based on deep learning network
US11481639B2 (en) * 2019-02-26 2022-10-25 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty pulsation
US11556850B2 (en) * 2019-10-10 2023-01-17 Accenture Global Solutions Limited Resource-aware automatic machine learning system
CN111813500B (zh) * 2020-07-09 2022-11-22 西北工业大学 一种多目标云工作流调度方法及装置
WO2022035948A1 (en) * 2020-08-12 2022-02-17 Cognizant Technology Solutions U.S. Corporation System and method for generating parametric activation functions

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020170952A (ja) 2019-04-04 2020-10-15 セイコーエプソン株式会社 画像処理装置、機械学習装置、画像処理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Jonathan C. Brant, Kenneth O. Stanley，Minimal Criterion Coevolution: A New Approach to Open-Ended Search，Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2017)，2017年07月，pp.67-74，https://dl.acm.org/doi/pdf/10.1145/3071178.3071186，［2022年6月14日検索］

Also Published As

Publication number Publication date
JP2022075471A (ja) 2022-05-18
KR20220060454A (ko) 2022-05-11
US20220138587A1 (en) 2022-05-05
TW202219838A (zh) 2022-05-16
EP3995998A1 (en) 2022-05-11
CN114528969A (zh) 2022-05-24
TWI762015B (zh) 2022-04-21

Similar Documents

Publication Publication Date Title
Binh et al. Improved cuckoo search and chaotic flower pollination optimization algorithm for maximizing area coverage in wireless sensor networks
US11042802B2 (en) System and method for hierarchically building predictive analytic models on a dataset
JP2023510566A (ja) ニューラル・ネットワークのための適応的探索方法および装置
Hegazy et al. Comparative study between FPA, BA, MCS, ABC, and PSO algorithms in training and optimizing of LS-SVM for stock market prediction
Si et al. Dynamic topology representing networks
CN115329985B (zh) 无人集群智能模型训练方法、装置和电子设备
CN106789320A (zh) 一种用于优化无线传感器网络拓扑的多种群协同进化方法
Wang et al. LinSATNet: the positive linear satisfiability neural networks
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
JP7197624B2 (ja) タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法
Potvin et al. Artificial neural networks for combinatorial optimization
Feng et al. A clustering algorithm based on emotional preference and migratory behavior
Zhang et al. Genetic programming for ensemble learning in face recognition
CN110610231A (zh) 一种信息处理方法、电子设备和存储介质
CN114637720B (zh) 一种基于增长型环形som神经网络的片上光网络映射方法
Thathachar et al. Parallel algorithms for modules of learning automata
Wen et al. Self-generating vs. self-organizing, what's different?
Balevi et al. Synergies between cloud-fag-thing and brain-spinal cord-nerve networks
Ramachandra et al. Crop Recommendation Using Machine Learning
Cruz-Vega et al. Improved learning rule for LVQ based on granular computing
Li et al. Some classical constructive neural networks and their new developments
Yang et al. Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching
US20220215245A1 (en) System and method for training non-parametric machine learning model instances in a collaborative manner
US20230289563A1 (en) Multi-node neural network constructed from pre-trained small networks
Alade et al. Enhancing Extreme Learning Machines Using Cross-Entropy Moth-Flame Optimization Algorithm

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210420

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220915

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: 20221206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221215

R150 Certificate of patent or registration of utility model

Ref document number: 7197624

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150