JP7198439B2 - 情報処理装置、情報処理システム、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理システム、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JP7198439B2 JP7198439B2 JP2020550507A JP2020550507A JP7198439B2 JP 7198439 B2 JP7198439 B2 JP 7198439B2 JP 2020550507 A JP2020550507 A JP 2020550507A JP 2020550507 A JP2020550507 A JP 2020550507A JP 7198439 B2 JP7198439 B2 JP 7198439B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- type
- kernel
- parameter
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 42
- 238000003672 processing method Methods 0.000 title description 4
- 238000009826 distribution Methods 0.000 claims description 112
- 238000004364 calculation method Methods 0.000 claims description 90
- 238000012937 correction Methods 0.000 claims description 51
- 238000004088 simulation Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 description 58
- 230000006870 function Effects 0.000 description 41
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 9
- 238000013179 statistical model Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
例えば、特許文献1には、気象予測モデルを用いて定期的に気象予測を行う気象予測システムが記載されている。この気象予測システムは、気象予測モデルに観測データを同化して気象予測を行い、気象予測の演算に用いる演算パラメータを予測時刻に応じて変更する。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出手段と、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と
を備える。
情報処理装置によって、
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出し、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出ステップと、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと
をコンピュータに実行させる。
以下、図面を参照して本発明の実施の形態について説明する。
図1は、実施形態に係る情報処理システム10の構成の一例を示すブロック図である。図1に示すように、情報処理システム10は、情報量規準算出装置100とシミュレータサーバ(シミュレータ)200とを備える。なお、情報量規準算出装置100は情報処理装置と称されることがある。
例えば、観測データXnの要素は、観測対象を構成している構成要素の状態を表すものであってもよい。観測データYnの要素は、センサ等を用いて観測対象に関して観測された状態を表すものであってもよい。例えばユーザが、製造工場の生産性を分析したい場合、観測データXnは、当該製造工場における各設備の稼働状況を表すものであってもよい。観測データYnは、複数の設備によって構成されるラインにて製造される製品の個数を表すものであってもよい。また、観測データXnは、製造工場において製品の原材料となる素材を表していてもよい。この場合に、観測データXnによって表されている素材は、1つ以上の加工工程を経て製品に加工される。当該製品は、1種類の製品であるとは限らず、複数の製品(たとえば、製品A、製品B、副産物C)であってもよい。観測データYnは、たとえば、製品Aの個数、製品Bの個数、及び、副産物Cの個数(または、生産量等)を表している。
観測対象、および、観測データは、上述した例に限定されず、たとえば、加工工場における設備であってもよいし、ある施設を建設する場合における建設システムであってもよい。
また、Fn(β)をβについて微分することにより得られる関数F’n(β)は、以下の式(9)のように表すことができる。
また、式(7)の定義と式(6)とから、以下の式(12)が成り立つ。なお、式(12)において、β=1/log nである。
上述の通り、尤度関数p(y|x,θ)が解析的に数式として表現できない場合、すなわち尤度関数p(y|x,θ)が微分できない場合、式(5)の右辺は算出できない。そのような場合には、第2種類のデータを予測するモデルのパラメータθの事後分布に従うサンプルデータを用いて、以下の式(13)を計算することによりWBICを算出できることが知られている。なお、式(13)において、事後分布に従うサンプルデータは、
図2は、情報量規準算出装置100のハードウェア構成の一例を示すブロック図である。情報量規準算出装置100は、入出力インタフェース101、メモリ102、及びプロセッサ103を含む。
また、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、CD-ROM(Read Only Memory)CD-R、CD-R/W、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM(Random Access Memory))を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
式(14)に示されるように、パラメータθのサンプルデータは、dθ次元の実数として示され、事前分布π(θ)に従う。なお、事前分布π(θ)は、予めメモリ102に記憶されている。事前分布π(θ)は、例えば、ユーザが、シミュレーション対象に関して有する知識に応じた精度で予め設定されている。
次に、実施の形態2について説明する。カーネルABCの特性により、実施の形態1で示したWBICの算出方法は、MCMC法を用いたWBICの算出とは異なる結果となることがある。これは、以下のような理由によるものと考えられる。
具体的には、補正部120は、以下に説明する2つの補正方法のいずれかにより、補正を行なう。ここで、2つの補正方法を説明するために、Fn(β,σ)、すなわち式(7)の数式について漸近展開された数式を示す。以下の式(31)は、Fn(β,σ)について漸近展開された数式である。
この場合、補正部120は、式(31)に異なるβの値を設定した2つの数式から得られる、実対数閾値λを除外して表された関係と、式(28)で示される関係とを用いることで、情報量規準算出部118が算出したWBICを補正する。実対数閾値λが除外された関係を用いているため、第1の方法では、一般的に計算が困難である実対数閾値λの計算をすることなく、補正することができる。
Ln(θ0)の近似による算出が可能である場合、補正部120は上述した第1の補正方法により補正を行なえばよい。しかしながら、Ln(θ0)の近似による算出ができない場合、第1の補正方法は用いることができない。この場合、補正部120は、第2の補正方法により補正を行なえばよい。
なお、β1は1以外の定数であり、β2はβ1以外かつ1以外の定数である。具体的には、β1=σ0 2/σ1 2であり、β2=σ0 2/σ2 2である。ただし、σ2≠σ1である。
新規パラメータサンプル生成部3は、対応データ算出部2が算出したパラメータの分布に対応するデータを用いて、所定の処理(たとえば、カーネルハーディングなど)に従い、パラメータの新たなサンプルを生成する。
このような構成によれば、情報処理装置1は、効率的にパラメータを算出することができる。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出手段と、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と
を備える情報処理装置。
(付記2)
前記新規パラメータサンプル生成手段により生成された前記パラメータのサンプルに基づいて、前記シミュレータにおけるモデルについてのWBIC(Widely Applicable Bayesian Information Criterion)を算出する情報量規準算出手段を
さらに備える付記1に記載の情報処理装置。
(付記3)
前記各観測情報の寄与度は、一定、または、略一定である
付記2に記載の情報処理装置。
(付記4)
前記パラメータの事前分布に従う前記複数のサンプルを生成する事前パラメータサンプル生成手段と、
前記事前パラメータサンプル生成手段によって生成された前記複数のサンプルに基づき、前記シミュレータが作成した前記第2種類のデータを取得する第2種類サンプルデータ取得手段と
をさらに備える付記1乃至付記3のいずれか1項に記載の情報処理装置。
(付記5)
前記パラメータの分布に対応するデータは、カーネル平均であり、
前記対応データ算出手段は、前記寄与度を逆温度として含むカーネル関数を用いて、前記カーネル平均を算出し、
前記新規パラメータサンプル生成手段は、前記対応データ算出手段によって算出された前記カーネル平均を用いて前記サンプルを生成する
付記1乃至付記3のいずれか1項に記載の情報処理装置。
(付記6)
前記対応データ算出手段は、下記の式で示される前記カーネル関数を用いたカーネルABC(Kernel Approximate Bayesian Computation)により、前記カーネル平均を算出する
付記5に記載の情報処理装置。
ただし、下記の式において、σは前記第2種類のデータについてのガウスノイズの標準偏差であり、nは前記第2種類のデータの要素数であり、βは前記逆温度であり、Yi及びYi’は前記第2種類のデータの値である。
逆温度を含むようにベイズ自由エネルギーの定義式を拡張した数式である第1の数式における前記逆温度の値を1とし且つ標準偏差の値を第1の標準偏差値とした場合のWBICと、前記第1の数式における前記逆温度の値を1以外の所定の値とし且つ標準偏差の値を第2の標準偏差値とした場合のWBICとの関係である第1の関係を用いて、前記情報量規準算出手段が算出した前記WBICを補正する補正手段をさらに有し、
前記モデルは、ガウスノイズを伴う回帰関数によりモデル化されており、
前記第1の標準偏差値は、前記観測情報の分布と前記第2種類のデータの分布の類似度を測るためのスケールを示す値であり、
前記第2の標準偏差値は、前記回帰関数に対する前記ガウスノイズの標準偏差の値である
付記2に記載の情報処理装置。
(付記8)
前記補正手段は、前記第1の数式について漸近展開された数式である第2の数式に異なる逆温度の値を設定した2つの数式から得られる、実対数閾値を除外して表された関係である第2の関係と、前記第1の関係とを用いることで、前記情報量規準算出手段が算出した前記WBICを補正する
付記7に記載の情報処理装置。
(付記9)
前記補正手段は、前記第1の数式について漸近展開された数式である第2の数式に異なる逆温度の値を設定した3つの数式から得られる、実対数閾値及びエントロピーを除外して表された関係である第3の関係と、前記第1の関係とを用いることで、前記情報量規準算出手段が算出した前記WBICを補正する
付記7に記載の情報処理装置。
(付記10)
前記入力と、前記入力を与えた場合の前記観測情報とを用いて、前記新規パラメータサンプル生成手段によって算出された前記新たなサンプルに関する尤度を算出し、算出した前記尤度に基づき前記WBICを補正する補正手段
をさらに有する付記3に記載の情報処理装置。
(付記11)
前記WBICを補正する補正手段
をさらに有し、
前記情報量規準算出手段は、2つの異なる寄与度に対して、それぞれ、前記WBICを算出し
前記補正手段は、前記情報量規準算出手段によって算出された前記WBICに関して、前記寄与度に従った加重平均を算出する
付記3に記載の情報処理装置。
(付記12)
付記1乃至付記11のいずれか1項に記載の情報処理装置と
前記シミュレータと
を備え、
前記シミュレータは、前記新規パラメータサンプル生成手段が生成した前記サンプルに基づき処理を実行する
情報処理システム。
(付記13)
情報処理装置によって、
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出し、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する
情報処理方法。
(付記14)
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記複数の観測情報における各観測情報の寄与度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出ステップと、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと
をコンピュータに実行させる
プログラムが格納された非一時的なコンピュータ可読媒体。
2 対応データ算出部
3 新規パラメータサンプル生成部
10 情報処理システム
100 情報量規準算出装置
101 入出力インタフェース
102 メモリ
103 プロセッサ
110 第1のパラメータサンプル生成部
112 第2種類サンプルデータ取得部
114 カーネル平均算出部
116 第2のパラメータサンプル生成部
118 情報量規準算出部
120 補正部
200 シミュレータサーバ
300 情報量規準算出装置
Claims (8)
- 第1種類のデータの入力を受けて第2種類のデータを出力するモデルのパラメータの事前分布に基づいて、前記パラメータのサンプルを生成する事前パラメータサンプル生成手段と、
前記事前パラメータサンプル生成手段により生成された前記パラメータのサンプルが設定された前記モデルに前記第1種類のデータの観測データが入力されることにより予測される前記第2種類のデータの予測値を、前記パラメータのサンプルそれぞれに対して取得する第2種類サンプルデータ取得手段と、
逆温度が含まれるカーネル関数と前記パラメータのサンプルと前記第2種類のデータの予測値とを用いて、カーネルABC(Kernel Approximate Bayesian Computation)により、前記パラメータの事後分布を示すカーネル平均を算出する対応データ算出手段と、
前記カーネル平均を用いて、カーネルハーディングにより、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と
を備える情報処理装置。 - 前記新規パラメータサンプル生成手段により生成された前記パラメータのサンプルに基づいて、前記モデルについてのWBIC(Widely Applicable Bayesian Information Criterion)を算出する情報量規準算出手段を
さらに備える請求項1に記載の情報処理装置。 - 前記逆温度は、前記第2種類のデータに対して、一定、または、略一定である
請求項2に記載の情報処理装置。 - 逆温度を含むようにベイズ自由エネルギーの定義式を拡張した数式である第1の数式における前記逆温度の値を1とし且つ標準偏差の値を第1の標準偏差値とした場合のWBICと、前記第1の数式における前記逆温度の値を1以外の所定の値とし且つ標準偏差の値を第2の標準偏差値とした場合のWBICとの関係である第1の関係を用いて、前記情報量規準算出手段が算出した前記WBICを補正する補正手段をさらに有し、
前記モデルは、ガウスノイズを伴う回帰関数によりモデル化されており、
前記第1の標準偏差値は、前記第2種類のデータの観測データの分布と前記第2種類のデータの予測値の分布の類似度を測るためのスケールを示す値であり、
前記第2の標準偏差値は、前記回帰関数に対する前記ガウスノイズの標準偏差の値である
請求項2に記載の情報処理装置。 - 請求項1乃至請求項5のいずれか1項に記載の情報処理装置と
前記モデルにしたがったシミュレーション処理を行なうシミュレータと
を備え、
前記シミュレータは、前記新規パラメータサンプル生成手段が生成した前記サンプルに基づき処理を実行する
情報処理システム。 - 情報処理装置によって、
第1種類のデータの入力を受けて第2種類のデータを出力するモデルのパラメータの事前分布に基づいて、前記パラメータのサンプルを生成し、
生成された前記パラメータのサンプルが設定された前記モデルに前記第1種類のデータの観測データが入力されることにより予測される前記第2種類のデータの予測値を、前記パラメータのサンプルそれぞれに対して取得し、
逆温度が含まれるカーネル関数と前記パラメータのサンプルと前記第2種類のデータの予測値とを用いて、カーネルABC(Kernel Approximate Bayesian Computation)により、前記パラメータの事後分布を示すカーネル平均を算出し、
前記カーネル平均を用いて、カーネルハーディングにより、前記パラメータの新たなサンプルを生成する
情報処理方法。 - 第1種類のデータの入力を受けて第2種類のデータを出力するモデルのパラメータの事前分布に基づいて、前記パラメータのサンプルを生成する事前パラメータサンプル生成ステップと、
前記事前パラメータサンプル生成ステップで生成された前記パラメータのサンプルが設定された前記モデルに前記第1種類のデータの観測データが入力されることにより予測される前記第2種類のデータの予測値を、前記パラメータのサンプルそれぞれに対して取得する第2種類サンプルデータ取得ステップと、
逆温度が含まれるカーネル関数と前記パラメータのサンプルと前記第2種類のデータの予測値とを用いて、カーネルABC(Kernel Approximate Bayesian Computation)により、前記パラメータの事後分布を示すカーネル平均を算出する対応データ算出ステップと、
前記カーネル平均を用いて、カーネルハーディングにより、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと
をコンピュータに実行させる
プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018188190 | 2018-10-03 | ||
JP2018188190 | 2018-10-03 | ||
PCT/JP2019/038940 WO2020071430A1 (ja) | 2018-10-03 | 2019-10-02 | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020071430A1 JPWO2020071430A1 (ja) | 2021-09-02 |
JP7198439B2 true JP7198439B2 (ja) | 2023-01-04 |
Family
ID=70055213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020550507A Active JP7198439B2 (ja) | 2018-10-03 | 2019-10-02 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210389502A1 (ja) |
JP (1) | JP7198439B2 (ja) |
WO (1) | WO2020071430A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018049390A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 特性値推定装置および特性値推定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781782B2 (en) * | 2010-09-30 | 2014-07-15 | Siemens Aktiengesellschaft | System and method for conditional multi-output regression for machine condition monitoring |
US10074054B2 (en) * | 2013-05-30 | 2018-09-11 | President And Fellows Of Harvard College | Systems and methods for Bayesian optimization using non-linear mapping of input |
CA3015025A1 (en) * | 2016-04-05 | 2017-10-12 | Deakin University | Systems and methods for making a product |
-
2019
- 2019-10-02 WO PCT/JP2019/038940 patent/WO2020071430A1/ja active Application Filing
- 2019-10-02 JP JP2020550507A patent/JP7198439B2/ja active Active
- 2019-10-02 US US17/282,707 patent/US20210389502A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018049390A (ja) | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 特性値推定装置および特性値推定方法 |
Non-Patent Citations (2)
Title |
---|
Takafumi Kajihara、ほか3名,Kernel Recusive ABC: Point Estimation with Intractable Likelihood,arXiv [ONLINE],バージョン2,2018年06月12日,p.1-18,[検索日:2019/11/20],[URL:https://arxiv.org/abs/1802.08404] |
木佐森慶一、ほか4名,機械学習とシミュレーションの融合,計算工学,日本,一般社団法人日本計算工学会,2017年04月30日,第22巻,第2号,p.11-15 |
Also Published As
Publication number | Publication date |
---|---|
WO2020071430A1 (ja) | 2020-04-09 |
US20210389502A1 (en) | 2021-12-16 |
JPWO2020071430A1 (ja) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Smith et al. | Bayesian modeling of uncertainty in ensembles of climate models | |
Liang et al. | Error and uncertainty quantification and sensitivity analysis in mechanics computational models | |
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
JP7097541B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
JP5186278B2 (ja) | 外れ値検出方法、外れ値検出装置およびプログラム | |
RU2374682C2 (ru) | Способ прогнозирования результатов измерений и устройство его реализующее | |
JP2001502831A (ja) | 測定可能な時系列の統計的依存性の分類方法 | |
US20210224664A1 (en) | Relationship analysis device, relationship analysis method, and recording medium | |
Yanuar | The estimation process in Bayesian structural equation modeling approach | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
JP2016031714A (ja) | 重回帰分析装置および重回帰分析方法 | |
Wang et al. | Bayesian maximum entropy method for stochastic model updating using measurement data and statistical information | |
JP7198439B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
CN116187153B (zh) | 基于层次贝叶斯的水工结构数字孪生模型更新方法 | |
JP7231829B2 (ja) | 機械学習プログラム、機械学習方法および機械学習装置 | |
Manurung et al. | GPD threshold estimation using measure of surprise | |
Apputhurai et al. | Accounting for uncertainty in extremal dependence modeling using Bayesian model averaging techniques | |
JP6642431B2 (ja) | 流量予測装置、混合比推定装置、方法およびコンピュータ読み取り可能記録媒体 | |
CN105389406B (zh) | 基于故障的单位加权累计数的整车设计可靠性评估方法 | |
Sánchez et al. | Computer-based model calibration and uncertainty analysis: terms and concepts | |
JP6558861B2 (ja) | 生存確率推定装置、方法、及びプログラム | |
FORBES | Nonlinear least squares and Bayesian inference | |
Pak et al. | Inference for exponential parameter under progressive type-ii censoring from imprecise lifetime | |
Crespo | Forward and inverse approaches to model calibration for uncertain data | |
Astuti et al. | Model components selection in bayesian model averaging using occam's window for microarray data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210324 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210324 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210407 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220707 |
|
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: 20221108 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20221119 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20221121 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7198439 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |