JP7201270B1 - 情報処理方法、プログラム及び情報処理装置 - Google Patents

情報処理方法、プログラム及び情報処理装置 Download PDF

Info

Publication number
JP7201270B1
JP7201270B1 JP2021176197A JP2021176197A JP7201270B1 JP 7201270 B1 JP7201270 B1 JP 7201270B1 JP 2021176197 A JP2021176197 A JP 2021176197A JP 2021176197 A JP2021176197 A JP 2021176197A JP 7201270 B1 JP7201270 B1 JP 7201270B1
Authority
JP
Japan
Prior art keywords
learning
data
information processing
extended
target data
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
JP2021176197A
Other languages
English (en)
Other versions
JP2023065826A (ja
Inventor
望 窪田
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to JP2021176197A priority Critical patent/JP7201270B1/ja
Priority to US17/976,532 priority patent/US20230137995A1/en
Priority to CN202211336064.XA priority patent/CN116050493A/zh
Application granted granted Critical
Publication of JP7201270B1 publication Critical patent/JP7201270B1/ja
Publication of JP2023065826A publication Critical patent/JP2023065826A/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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06N3/094—Adversarial learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

【課題】所定のデータに対して、有意なデータ拡張アルゴリズムを提供すること。【解決手段】情報処理方法は、情報処理装置に備えられるプロセッサが、任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、所定の学習を行う学習モデルに拡張データを入力して学習を行うこと、学習の学習結果が所望の結果を示す場合、対象データに関する情報と、任意のデータ拡張アルゴリズムに関する情報とを関連付けること、を実行する。【選択図】図８

Description

本発明は、情報処理方法、プログラム及び情報処理装置に関する。
近年、敵対的生成ネットワークを用いて生成される画像を用いて訓練データを拡張する技術が知られている（例えば、特許文献１参照）。
中国特許出願公開第１１１４０１４４５号明細書
ここで、データ拡張に関し、学習モデルに入力する際に所望の結果（例えば正しい分類結果又は正しくない分類結果）を得られるようにデータ拡張を行いたいというニーズがある。しかしながら、任意のデータ拡張アルゴリズムを用いてデータ拡張をしても、ユーザが所望するデータとは異なるデータになってしまうケースがある。例えば、Ｇｏｏｄを示す親指アップの画像の天地が逆になると、Ｂａｄを示す親指ダウンの画像になり、意味が全く逆になり、所望の結果が得られない。
そこで、本発明は、所定のデータに対して、有意なデータ拡張アルゴリズムを提供可能にする情報処理方法、プログラム及び情報処理装置を提供する。
本発明の一態様に係る情報処理方法は、情報処理装置に備えられるプロセッサが、任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、所定の学習を行う学習モデルに前記拡張データを入力して学習を行うこと、前記学習の学習結果が所望の結果を示す場合、前記対象データに関する情報と、前記任意のデータ拡張アルゴリズムに関する情報とを関連付けること、を実行する。
本発明によれば、所定のデータに対して、有意なデータ拡張アルゴリズムを提供可能にする情報処理方法、プログラム及び情報処理装置を提供することができる。
実施形態に係るシステム構成の一例を示す図である。 実施形態に係る情報処理装置の物理的構成の一例を示す図である。 実施形態に係るサーバの処理ブロックの一例を示す図である。 実施形態に係る情報処理装置の処理ブロックの一例を示す図である。 実施形態に係る関数ライブラリの一例を示す図である。 実施形態に係る対象データに関する情報及び有意なデータ拡張アルゴリズムに関する情報の関連データの一例を示す図である。 実施形態に係る所定範囲の例を示す図である。 実施形態に係るサーバの処理例を示すフローチャートである。 実施形態に係る情報処理装置２０の処理例を示すフローチャートである。
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
＜システム構成＞
図１は、実施形態に係るシステム構成の一例を示す図である。図１に示す例では、サーバ１０と、各情報処理装置２０Ａ、２０Ｂ、２０Ｃ、２０Ｄとが、ネットワークを介してデータ送受信可能なように接続される。情報処理装置を個別に区別しない場合は情報処理装置２０とも表記する。
サーバ１０は、データを収集、分析可能な情報処理装置であり、１つ又は複数の情報処理装置から構成されてもよい。情報処理装置２０は、スマートフォン、パーソナルコンピュータ、タブレット端末、サーバ、コネクティッドカーなど、機械学習を実行可能な情報処理装置である。なお、情報処理装置２０は、脳波をセンシングする侵襲型又は非侵襲型の電極に直接的又は間接的に接続されており、脳波データを解析、送受信可能な装置でもよい。
図１に示すシステムでは、サーバ１０は、データごとに、ユーザが所望するデータを得られるデータ拡張アルゴリズム（以下「有意なデータ拡張アルゴリズム」ともいう。）を関連付ける。このため、サーバ１０は、様々なデータ拡張アルゴリズムを用いて対象データを拡張し、拡張されたデータ（以下「拡張データ」ともいう。）に対して所定の学習を行い、学習結果を取得する。この学習結果が所望の学習結果であれば、サーバ１０は、対象データとデータ拡張アルゴリズムとを関連付ける。
例えば、対象データを含む訓練データを増やして学習モデルの精度を高めたいユーザは、データ拡張アルゴリズムを用いて対象データから拡張データを生成し、訓練データを増やす。このとき、教師あり学習が行われる場合、拡張データすべてに対してラベルを付与するアノテーションを行うことになり、ユーザの手間が増大してしまう。
一方で、人手によるラベルが付与された対象データに対し、対象データの特徴の意味を変えずにデータを改変して拡張させることができれば、拡張データに対して対象データと同じラベルを付与することが可能になる。よって、本開示の技術では、対象データの学習結果に基づき、ユーザが所望する学習結果となるような有意なデータ拡張アルゴリズムを見つけ出し、対象データに有意なデータ拡張アルゴリズムを関連付ける。
例えば、対象データを画像データとする場合、データ拡張アルゴリズムには、反転、輝度変更、回転、平行移動、合成などの処理があり、これらのアルゴリズムは全て数式化して関数として表現することが可能である。数式化された関数は、重みを用いて線形結合したり、整数階又は分数階の微積分を行ったりすることで、データ拡張アルゴリズムを増やしたり、数式を複雑化したりすることが可能になる。その結果、データ拡張アルゴリズムにより生成される拡張データの量を増やすことでき、学習モデルの精度向上に寄与することができる。以下、本実施形態の各装置の構成について説明する。
＜ハードウェア構成＞
図２は、実施形態に係る情報処理装置１０の物理的構成の一例を示す図である。情報処理装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。
本実施形態では、情報処理装置１０が一台のコンピュータで構成される場合について説明するが、情報処理装置１０は、複数のコンピュータ又は複数の演算部が組み合わされて実現されてもよい。また、図１で示す構成は一例であり、情報処理装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。
ＣＰＵ１０ａは、プロセッサの一例であり、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、例えば、所定の学習モデルを用いて学習を行うプログラム（学習プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂに格納したりする。
ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行するプログラム、各学習モデル、各学習モデルのパラメータに関するデータ、学習対象データの特徴量に関するデータ、この特徴量と有意なデータ拡張アルゴリズムとの対応関係を示すデータなどを記憶してもよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。
ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば学習プログラムや、書き換えが行われないデータを記憶してよい。
通信部１０ｄは、情報処理装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークに接続されてよい。
入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。
表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆが演算結果を表示することは、ＸＡＩ（eXplainable AI：説明可能なＡＩ）に貢献し得る。表示部１０ｆは、例えば、学習結果や、学習に関連するデータを表示してもよい。
学習プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な非一時的な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。情報処理装置１０では、ＣＰＵ１０ａが学習プログラムを実行することにより、後述する図２を用いて説明する様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、情報処理装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。また、情報処理装置１０は、ＧＰＵ（Graphical Processing Unit）やＡＳＩＣ（Application Specific Integrated Circuit）を備えていてもよい。
なお、情報処理装置２０の構成は、図２に示す情報処理装置１０の構成と同様であるため、その説明を省略する。また、情報処理装置１０と情報処理装置２０とは、データ処理を行う基本的な構成であるＣＰＵ１０ａやＲＡＭ１０ｂ等を有していればよく、入力部１０ｅや表示部１０ｆは設けられなくてもよい。また、入力部１０ｅや表示部１０ｆは、外部からインターフェースを用いて接続されてもよい。
＜処理構成＞
図３は、実施形態に係る情報処理装置（サーバ）１０の処理ブロックの一例を示す図である。情報処理装置１０は、取得部１１、学習部１２、関連付け部１３、出力部１４、拡張部１５、及び記憶部１６を備える。情報処理装置１０は、汎用のコンピュータで構成されてもよい。
取得部１１は、情報処理装置２０から、任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得する。例えば、取得部１１は、対象データが画像データの場合、反転、輝度変更、回転、平行移動、合成などのデータ拡張アルゴリズムを用いて対象データが拡張された１又は複数の拡張データを取得する。
また、取得部１１は、情報処理装置２０から対象データを取得してもよい。この場合、情報処理装置２０から取得された対象データが、後述する拡張部１５により任意のデータ拡張アルゴリズムを用いてデータ拡張され、取得部１１は、拡張部１５により拡張された拡張データを取得してもよい。
対象データは、学習対象データであり、例えば、画像データ、系列データ及びテキストデータの少なくともいずれかを含む。ここで、画像データは、静止画のデータと、動画のデータとを含む。系列データは、音声データや株価のデータなどを含む。
対象データが画像データである場合、データ拡張アルゴリズムは、例えば、所定の敵対的サンプル生成アルゴリズムを含んでもよい。具体例としては、データ拡張アルゴリズムは、公知のＦＧＳＭ（Fast Gradient Sign Method）、ＤｅｅｐＦｏｏｌ、ＩＧＳＭ（Iterative Gradient Sign Method）、Ｃ＆Ｗ（Carlini & Wagner）、ＪＳＭＡ（Jacobian-Based Saliency Map Approach）のいずれか１つ、又は任意の組み合わせによるアルゴリズムでもよい。また、データ拡張アルゴリズムは、１ピクセルアタックを行うアルゴリズムでもよく、上述した方法で生成された画像データにさらに、１ピクセルアタックを行ってもよい。また、データ拡張アルゴリズムは、その他、ＧＡＮｓ（Generative adversarial networks）などの敵対的生成ネットワークを用いて敵対的な画像を生成するアルゴリズムでもよい。なお、上述した例を含む公知の敵対的サンプル生成アルゴリズムは、将来的に公知になる敵対的サンプル生成アルゴリズムを含んでもよい。
また、対象データが画像データである場合、データ拡張アルゴリズムは、画像データの少なくとも一部に変更を加える所定のアルゴリズムを含んでもよい。具体例としては、データ拡張アルゴリズムは、以下の少なくとも１つの公知の編集方法を含む。データ拡張が行われる際、いずれの編集方法について、所定量だけ編集が加えられるように設定されていればよい。
・水平及び／又は垂直に画像をシフトする
・水平方向及び／又は垂直方向に画像を反転させる
・回転させる （回転角度はランダム）
・明度を変える
・ズームイン又はズームアウトする
・画像の一部をくり抜く、削除する
・背景色を変える
・背景を置き換える
・Ｍｉｘｕｐ又はＣｕｔＭｉｘ
・色空間モデルを変更する
また、対象データが系列データである場合、データ拡張アルゴリズムは、例えば周波数変換を行ってフィルタリングする手法を含む。対象データがテキストデータの場合、例えば形態素解析や、ＴＦ／ＩＤＦなどを用いて出現頻度の低いもの又は高いものをカットする手法を含む。その他、データ拡張アルゴリズムは、対象データに改変を加えるアルゴリズムを含んでもよい。
これにより、データ拡張アルゴリズムを用いて事前に対象データを効率よく拡張することが可能になる。また、上述したアルゴリズムを用いれば自動的に学習データを拡張することができ、学習データの拡張処理を容易にすることが可能である。また、データ拡張の目的に応じて、データ拡張アルゴリズムを取捨選択してもよい。例えば、敵対的サンプル生成アルゴリズムをまとめた第１関数ライブラリと、画像編集アルゴリズムをまとめた第２関数ライブラリとが生成されると、ユーザは関数ライブラリを指定することで目的に応じたデータ拡張を行うことができる。具体的には、敵対的生成アルゴリズムに対抗するための学習モデルが生成される場合は、第１関数ライブラリが選択されればよく、多少対象データに改変を加えて訓練データを増やす場合は、第２関数ライブラリが選択されるとよい。
学習部１２は、所定の学習を行う学習モデル１２ａに、取得部１１により取得された拡張データを入力して学習を行う。学習の種類は、対象データ、解くべき問題などによって適宜決定されればよい。例えば、学習モデル１２ａは、弱学習器として用いられる学習モデルであり、決定木分類モデル、Ｋ－ｍｅａｎｓ分類モデル、ロジスティック回帰分類モデル、統計モデルなどのいずれかの学習モデルを適用可能である。また、学習部１２は、学習モデル１２ａとして、バギングと決定木を利用したランダムフォレストや、ブースティングと決定木を利用したＸＧｂｏｏｓｔ、比較的単純なニューラルネットワークを用いる学習モデルなどのいずれかも適用可能である。
また、学習部１２は、強学習器として適用可能である、ニューラルネットワークを用いる所定の学習モデルであってもよい。所定の学習モデル１２ａは、例えば、画像認識モデル、系列データ解析モデル、ロボットの制御モデル、強化学習モデル、音声認識モデル、音声生成モデル、画像生成モデル、自然言語処理モデル等の少なくとも１つを含む。また、所定の学習モデル１２ａの具体例としては、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＤＮＮ（Deep Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、双方向ＬＳＴＭ、ＤＱＮ（Deep Q-Network）、ＶＡＥ（Variational AutoEncoder）、ＧＡＮｓ（Generative Adversarial Networks）、ｆｌｏｗ－ｂａｓｅｄ生成モデル等のいずれかでもよい。
また、学習モデル１２ａは、学習済みモデルを枝刈り（Pruning）、量子化（Quantization）、蒸留（Distillation）又は転移（Transfer）して得られるモデルを含む。なお、これらは一例に過ぎず、学習部１２は、これら以外の問題について、学習モデルの機械学習を行ってもよい。
例えば、学習部１２は、対象データを画像データとし、学習モデル１２ａをＣＮＮとする場合、画像内の対象物が正しく分類されるか否かの分類問題を解くとする。学習部１２は、画像データを学習モデル１２ａに入力し、画像データ内の対象物を正しく認識できるか否かを学習結果として出力する。
関連付け部１３は、学習部１２の学習の学習結果が所望の結果を示す場合、対象データに関する情報と、任意のデータ拡張アルゴリズムに関する情報とを関連付ける。例えば、分類問題の学習結果が出力される場合、拡張データの分類結果が正しい分類を示せば、関連付け部１３は、対象データの特徴情報と、正しい分類結果を示す拡張データを生成したデータ拡張アルゴリズムの識別情報とを関連付ける。なお、拡張データの分類結果が正しくない分類を示す場合に、関連付け処理が行われてもよい。また、有意なデータ拡張アルゴリズムは、分類結果（正解又は不正解など）とともに対象データに関連付けられてもよい。
以上の処理によれば、サーバ１０は、様々な対象データに対して有意なデータ拡張アルゴリズムを関連付けることができ、例えば、生成される拡張データには対象データと同じラベルを付与することができ、アノテーションの負担を減らすことが可能になる。また、関連付け部１３は、拡張データに対して、対象データのラベルを自動で関連付ける（付与する）ことも可能になる。
出力部１４は、所定のリクエストに応じて、対象データに関する情報とデータ拡張アルゴリズムに関する情報とが関連付けられた関連データや、対象データに対応する有意なデータ拡張アルゴリズムに関する情報や、データ拡張アルゴリズムに対応する対象データに関する情報などを情報処理装置２０などに出力する。
拡張部１５は、任意のデータ拡張アルゴリズムを用いて対象データの拡張を行う。例えば、拡張部１５は、上述したデータ拡張アルゴリズムのうちのいずれかを用いて、画像データや系列データなどの対象データの拡張データを生成する。また、拡張部１５は、データ拡張アルゴリズムの関数のパラメータを変更して、複数の拡張データを生成してもよい。なお、拡張部１５は、必ずしもサーバ１０に必要な構成ではない。
記憶部１６は、１又は複数のデータ拡張アルゴリズム１６ａと、所定数以上のデータが集まった関連データ１６ｂ（例えば図６）を記憶する。データ拡張アルゴリズム１６ａは、後述する図５に示すように、関連するデータ拡張アルゴリズムの集合である関数ライブラリとして記憶されてもよい。
また、任意のデータ拡張アルゴリズムは、データ拡張可能な複数の関数が重みを用いて結合された結合関数を含んでもよい。例えば、結合関数は、各関数にそれぞれ重みを付与して線形結合し、各重みの合計は１とする。このとき、拡張部１５は、各重みを所定基準に従って順に変更していくとする。
この場合、学習部１２は、結合関数の重みを段階的に変化させながら生成された各拡張データを用いて学習を行うことを含んでもよい。学習部１２は、重みが変更されるごとに、変更後の重みを有する結合関数を用いて生成された拡張データを学習モデル１２ａに入力して学習結果を得る。
重みが変更されるごとに学習結果が得られると、関連付け部１３は、学習の学習結果が所望の結果を示す境界の重みを特定し、境界の重みと対象データに関する情報とを関連付けることを含んでもよい。例えば、境界の重みとは、順に重みが変更されるときに、分類結果が第１結果（例、正解）を示す重みから、第１結果とは異なる第２結果（例、不正解）を示す重みに切り替わる前の重みのことをいう。具体例としては、Ｗ1（複数の重みの集合でもよい）、Ｗ2、Ｗ3と重みを順に変えていくときに、Ｗnまでは分類結果は正解を示すが、Ｗn+1で分類結果が不正解となる場合、Ｗnを境界の重みとする。なお、境界の重みは、データ拡張アルゴリズムに関する情報の一例である。
以上の処理によれば、データ拡張アルゴリズムに結合関数が含まれる場合、対象データごとに、結合関数の重みの境界値を見出すことができ、その対象データについては、境界値まで重みを適宜変更することで様々な結合関数を生成することができ、これらの有意な結合関数を用いて、拡張データを増やすことが可能になる。
また、任意のデータ拡張アルゴリズムは、整数階又は分数階の微分又は積分可能な関数を含んでもよい。例えば、拡張部１５は、所定の関数に対して、整数階微分を所定階数行い、次に、分数階微分を所定階数行い、さらに、微分を積分に変えて様々な関数を生成してもよい。
この場合、学習部１２は、関数の整数階又は分数階を段階的に変化させながら生成された各拡張データを用いて学習を行うことを含んでもよい。例えば、学習部１２は、整数階又は分数階の微分階数又は積分階数が段階的に変更されるごとに、変更後の関数を用いて生成された拡張データを学習モデル１２ａに入力して学習結果を得る。
整数階又は分数階の微分又は積分が変更されるごとに学習結果が得られると、関連付け部１３は、所定の学習の学習結果が所望の結果を示す境界の整数階又は分数階を特定し、境界の整数階又は分数階と対象データに関する情報とを関連付けることを含んでもよい。例えば境界の整数階又は分数階とは、階数が順に変更されるとき、分類結果が第１結果（例、正解）を示す階数から、第１結果とは異なる第２結果（例、不正解）を示す階数に切り替わるときの階数をいう。具体例としては、Ｎ1（階数）、Ｎ2、Ｎ3と階数を順に変えていくときに、Ｎnまでは分類結果は正解を示すが、Ｎn+1で分類結果が不正となる場合、Ｎnを境界の階数とする。なお、境界の階数は、データ拡張アルゴリズムに関する情報の一例である。
以上の処理によれば、データ拡張アルゴリズムに微分又は積分可能な関数が含まれる場合、対象データごとに、微分又は積分の階数の境界値を見出すことができ、その対象データについては、境界値まで階数を適宜変更することで様々な関数を生成することができ、これらの有意な関数を用いて、拡張データを増やすことが可能になる。
また、対象データは、所定のデータセットの中の少なくとも一つのデータでもよい。この場合、関連付け部１３は、所定のデータセットの特徴情報と、任意のデータ拡張アリゴリズムに関する情報とを関連付けることを含んでもよい。例えば、データセットの特徴情報は、画像データ、系列データなどのジャンルやカテゴリに関する情報や、あるカテゴリの中での種類に関する情報などを含む。種類に関する情報は、例えば、画像データの場合、動物、車両、生体情報などを含み、系列データの場合、音、株価などを含む。なお、データセットの特徴情報は、対象データに関する情報の一例である。
以上の処理によれば、データセットの特徴情報と、有意なデータ拡張アルゴリズムに関する情報とを関連付けておくことで、あるデータセットの特徴が取得されると、そのデータセットに対する有意なデータ拡張アルゴリズムを特定することができるようになる。また、データセットと、１又は複数の有意なデータ拡張アルゴリズムとを含むライブラリの生成が可能になる。
また、関連付け部１３は、学習部１２の学習結果が、所望の結果であることを示す数値で表される場合、数値が所望の結果に関する所定範囲に入る任意のデータ拡張アルゴリズムに関する情報と、対象データに関する情報とを関連付けることを含んでもよい。例えば、所定の学習が分類問題である場合、シグモイド関数などを用いて学習結果を０から１の間の数値で表現することが可能であり、例えば、０．５以上であれば正解を示し、０．５未満であれば不正解を示すなどの基準を設けることが可能である。この場合、例えば、関連付け部１３は、学習結果が０．７～１．０の範囲に入る場合に、その拡張データを生成したデータ拡張アルゴリズムに関する情報と、対象データに関する情報とを関連付けてもよい。なお、関連付け部１３は、学習結果が所定範囲に入る場合、この所定範囲内の境界となる上述した重みや階数を、対象データに関する情報とに関連付けてもよい。
以上の処理によれば、関連付けの基準をより明確にすることが可能であり、また、所定範囲を適宜変更することで、ユーザが所望する学習結果となる拡張データを生成したデータ拡張アルゴリズムと、対象データとを関連付けることが可能となる。
図４は、実施形態に係る情報処理装置２０の処理ブロックの一例を示す図である。情報処理装置２０は、出力部２１、取得部２２、拡張部２３、学習部２４、及び記憶部２５を備える。情報処理装置２０は、汎用のコンピュータで構成されてもよい。
出力部２１は、対象データに関する情報を他の情報処理装置に出力する。例えば、出力部２１は、学習対象データをサーバ１０に出力する。なお、出力部２１は、学習対象データの特徴情報をサーバ１０に出力してもよい。
取得部２２は、他の情報処理装置により、複数のデータ拡張アルゴリズムの中から、対象データに関する情報に関連付けられたデータ拡張アルゴリズムが特定され、特定されたデータ拡張アルゴリズムに関する情報を他の情報処理装置から取得する。例えば、取得部２２は、サーバ１０により、学習対象データに関する情報に基づき特定されたデータ拡張アルゴリズムに関する情報をサーバ１０から取得する。データ拡張アルゴリズムに関する情報は、データ拡張アルゴリズム自体でもよいし、データ拡張アルゴリズムを識別する情報でもよい。
拡張部２３は、対象データに対し、他の情報処理装置により特定されたデータ拡張アルゴリズムに関する情報に基づくデータ拡張アルゴリズムを適用してデータ拡張を行う。例えば、拡張部２３は、学習対象データを、サーバ１０により特定されたデータ拡張アルゴリズムに学習対象データを適用し、拡張データを生成する。また、拡張部２３は、サーバ１０の拡張部１５と同様の機能を有する。
学習部２３は、所定の学習を行う学習モデル２３ａに学習対象データ及び拡張データを入力して学習を行う。学習部２３は、学習後の学習結果をサーバ１０にフィードバックしてもよい。学習結果は、例えば、調整後のハイパーパラメータや、学習精度などを含んでもよい。学習部２３は、対象データの種類、及び／又は、解くべき問題に応じて、学習モデル２３ａを選択してもよい。
また、所定の学習モデル２３ａは、ニューラルネットワークを含む学習モデルであり、例えば、画像認識モデル、系列データ解析モデル、ロボットの制御モデル、強化学習モデル、音声認識モデル、音声生成モデル、画像生成モデル、自然言語処理モデル等の少なくとも１つを含む。また、具体例としては、所定の学習モデル２３ａは、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＤＮＮ（Deep Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、双方向ＬＳＴＭ、ＤＱＮ（Deep Q-Network）、ＶＡＥ（Variational AutoEncoder）、ＧＡＮｓ（Generative Adversarial Networks）、ｆｌｏｗ－ｂａｓｅｄ生成モデル等のいずれかでもよい。
また、学習モデル２３ａは、学習済みモデルを枝刈り（Pruning）、量子化（Quantization）、蒸留（Distillation）又は転移（Transfer）して得られるモデルを含む。なお、これらは一例に過ぎず、学習部２３は、これら以外の問題について、学習モデルの機械学習を行ってもよい。
記憶部２５は、学習部２３に関するデータを記憶する。記憶部２５は、学習対象データや、拡張データ、サーバ１０から取得したデータ、学習途中のデータなどを含むデータ２５ａを記憶する。
これにより、情報処理装置２０は、対象データに対し、有意なデータ拡張アルゴリズムがサーバ１０から通知されることで、対象データと同様の特徴を有する拡張データを生成することができる。また、情報処理装置２０は、拡張データを用いることで訓練データの数を効率よく増やすことができ、学習モデルの精度を向上させることが可能になる。
＜データ例＞
図５は、実施形態に係る関数ライブラリの一例を示す図である。図５に示す例では、関数の識別情報（ＩＤ）ごとに、データ拡張アルゴリズムの関数が関連付けられている。例えば、関数ＩＤが「Ａ００１」には、シフト変換を行う関数が対応付けられ、関数ＩＤ「Ａ００２」には、拡大又は縮小を行う関数が対応付けられてもよい。また、関数ＩＤに、関数のグループが対応付けられてもよい。例えば、画像の編集に関する関数群や、敵対的生成アルゴリズムなどである。また、関数ＩＤに、上述した結合関数や、整数階又は分数階の微分又は積分される対象の関数が関連付けられてもよい。また、対象データの種類ごとに、対応するデータ拡張アルゴリズムを含む関数ライブラリがあってもよい。
サーバ１０の拡張部１５又は情報処理装置２０の拡張部２３は、図５に示す関数ライブラリに含まれる関数の中から所定の関数を選択して拡張データを生成する。
図６は、実施形態に係る対象データに関する情報及び有意なデータ拡張アルゴリズムに関する情報の関連データの一例を示す図である。図６に示す例では、データの種類を示す「データＡ」に、関数ＩＤ「Ａ００１」、「Ａ００３」などの複数の有意なデータ拡張アルゴリズムが関連付けられている。また、データの種類を示す「データＥ」には、関数ＩＤ「Ａ００１０」の各重みの境界値（Ｗ1，Ｗ2，・・・）が関連付けられており、データの種類を示す「データＨ」には、関数ＩＤ「Ａ００２０」の整数階又は分数階の境界値（Ｎ1）が関連付けられている。
＜所定範囲の活用例＞
図７は、実施形態に係る所定範囲の例を示す図である。図７に示す例では、学習部１２によりシグモイド関数を用いて学習結果が出力される。学習結果が１．０に近い値の方が、分類精度が高いとする。このとき、所定範囲Ｒ１は、分類精度が高い学習結果を自動で抽出することを可能にし、この所定範囲Ｒ１に含まれる拡張データには、対象データと同じ正解ラベルを自動で付与することが可能になる。なお、所定範囲Ｒ１は、０からの所定範囲でもよく、この場合は不正解のラベルが拡張データに付与される。
所定範囲Ｒ２は、中央値の０・５を含む所定範囲であり、学習による分類が適切に行われていない可能性がある。この所定範囲Ｒ２に含まれる拡張データが抽出され、抽出された拡張データに対しては、人手がラベル付けを行ってもよい。例えば、誤って分類された拡張データを生成したデータ拡張アルゴリズムは、対象データの関連付け対象から外してもよい。これにより、誤分類されやすい拡張データを生成するデータ拡張アルゴリズムを、関連付け対象から外すことが可能になる。
＜処理例＞
図８は、実施形態に係るサーバ１０の処理例を示すフローチャートである。ステップＳ１０２において、サーバ１０の取得部１２は、任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得する。また、サーバ１０の取得部１２は、情報処理装置２０から、対象データを受信してもよい。サーバ１０は、対象データを受信する場合は、拡張部１５により拡張データを生成し、取得部１２が、拡張部１５により拡張された拡張データを取得してもよい。
ステップＳ１０４において、サーバ１０の学習部１２は、所定の学習を行う学習モデル１２ａに拡張データを入力して学習を行う。所定の学習は、対象データによって適宜選択されてもよい。例えば、対象データが画像データの場合、所定の学習は、分類問題を解く学習であり、対象データが系列データの場合、所定の学習は、クラスタリングを行う学習などである。
ステップＳ１０６において、サーバ１０の関連付け部１３は、学習の学習結果が所望の結果を示す場合、対象データに関する情報と、任意のデータ拡張アルゴリズムに関する情報とを関連付ける。例えば、所望の結果は、例えば、対象データに付与されたラベルと同じ分類に分類された場合、異なる分類に分類された場合、又は誤分類されやすい所定範囲に分類された場合などのいずれかである。
以上、実施形態に係るサーバ１０の処理によれば、データごとに有意なデータ拡張アルゴリズムを関連付けておくことにより、所定のデータに対して、有意なデータ拡張アルゴリズムを提供することが可能になる。
次に、ユーザ側の情報処理装置２０の処理について説明する。図９は、実施形態に係る情報処理装置２０の処理例を示すフローチャートである。ステップＳ２０２において、情報処理装置２０の出力部２１は、対象データに関する情報を他の情報処理装置に出力する。例えば、出力部２１は、学習対象データ又は学習対象データの特徴情報をサーバ１０に出力する。
ステップＳ２０４において、情報処理装置２０の取得部２２は、他の情報処理装置により、複数のデータ拡張アルゴリズムの中から、対象データに関する情報に関連付けられたデータ拡張アルゴリズムが特定され、特定されたデータ拡張アルゴリズムに関する情報を他の情報処理装置から取得する。例えば、取得部２２は、対象データに関連付けられた有意なデータ拡張アルゴリズムに関する情報を、サーバ１０から取得する。
ステップＳ２０６において、情報処理装置２０の拡張部２３は、対象データに対し、サーバ１０により特定されたデータ拡張アルゴリズムに関する情報に基づくデータ拡張アルゴリズムを適用してデータ拡張を行う。例えば、拡張部２３は、有意なデータ拡張アルゴリズムに対象データを入力して拡張データを生成する。
また、所望の学習結果が正解の学習結果の場合、拡張部２３は、拡張データに、対象データのラベルを付与してもよい。所望の学習結果が不正解の結果の場合、拡張部２３は、拡張データに、対象データのラベルとは異なるラベル（例、不正解レベル）を付与してもよい。
情報処理装置１０の学習部２４は、対象データ及び拡張データを訓練データとして、教師あり学習を行う。学習部２４の学習モデル２４ａは、対象データや目的に応じて適宜適切なモデルが設定されればよく、訓練データの数を増やすことで、学習モデル２４ａの精度向上を図ることができる。
以上、実施形態に係る情報処理装置１０によれば、対象データに対して有意なデータ拡張アルゴリズムを知ることができ、所望の拡張データを生成するデータ拡張を行うことができる。その結果、情報処理装置１０は、訓練データを効率よく増やすことができ、学習モデルの精度を向上させることが可能になる。また、ラベル付けに伴うユーザの手間を省くことが可能になる。
以上、実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
上記実施形態では、情報処理装置１０の学習部２４は、他の装置に実装されてもよく、この場合、情報処理装置１０は、拡張データを他の装置に送信してもよい。
１…情報処理システム、１０…情報処理装置、１０ａ…ＣＰＵ、１０ｂ…ＲＡＭ、１０ｃ…ＲＯＭ、１０ｄ…通信部、１０ｅ…入力部、１０ｆ…表示部、１１…取得部、１２…学習部、１２ａ…学習モデル、１３…関連付け部、１４…出力部、１５…拡張部、１６…記憶部、２１…出力部、２２…取得部、２３…拡張部、２４…学習部、２４ａ…学習モデル、２５…記憶部

Claims (6)

  1. 情報処理装置に備えられるプロセッサが、
    データ拡張可能な複数の関数が重みを用いて結合された結合関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記結合関数の重みを段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の重みを特定し、前記境界の重みと前記対象データに関する情報とを関連付けること、
    を実行する、情報処理方法。
  2. 情報処理装置に備えられるプロセッサが、
    整数階又は分数階の微分又は積分可能な関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記関数の整数階又は分数階を段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の整数階又は分数階を特定し、前記境界の整数階又は分数階と前記対象データに関する情報とを関連付けること、
    を実行する、情報処理方法。
  3. 情報処理装置に備えられるプロセッサに、
    データ拡張可能な複数の関数が重みを用いて結合された結合関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記結合関数の重みを段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の重みを特定し、前記境界の重みと前記対象データに関する情報とを関連付けること、
    を実行させる、プログラム。
  4. プロセッサを含む情報処理装置であって、
    前記プロセッサが、
    データ拡張可能な複数の関数が重みを用いて結合された結合関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記結合関数の重みを段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の重みを特定し、前記境界の重みと前記対象データに関する情報とを関連付けること、
    を実行する、情報処理装置。
  5. 情報処理装置に備えられるプロセッサに、
    整数階又は分数階の微分又は積分可能な関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記関数の整数階又は分数階を段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の整数階又は分数階を特定し、前記境界の整数階又は分数階と前記対象データに関する情報とを関連付けること、
    を実行させる、プログラム。
  6. プロセッサを含む情報処理装置であって、
    前記プロセッサが、
    整数階又は分数階の微分又は積分可能な関数を含む任意のデータ拡張アルゴリズムを用いて対象データが拡張された拡張データを取得すること、
    所定の学習を行う学習モデルに前記拡張データを入力して学習を行うことであって、前記関数の整数階又は分数階を段階的に変化させながら生成された各拡張データを用いて学習を行うことを含む、前記学習を行うこと、
    前記学習の学習結果が所望の結果を示す境界の整数階又は分数階を特定し、前記境界の整数階又は分数階と前記対象データに関する情報とを関連付けること、
    を実行する、情報処理装置。
JP2021176197A 2021-10-28 2021-10-28 情報処理方法、プログラム及び情報処理装置 Active JP7201270B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021176197A JP7201270B1 (ja) 2021-10-28 2021-10-28 情報処理方法、プログラム及び情報処理装置
US17/976,532 US20230137995A1 (en) 2021-10-28 2022-10-28 Information processing method, storage medium, and information processing apparatus
CN202211336064.XA CN116050493A (zh) 2021-10-28 2022-10-28 信息处理方法、记录介质以及信息处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021176197A JP7201270B1 (ja) 2021-10-28 2021-10-28 情報処理方法、プログラム及び情報処理装置

Publications (2)

Publication Number Publication Date
JP7201270B1 true JP7201270B1 (ja) 2023-01-10
JP2023065826A JP2023065826A (ja) 2023-05-15

Family

ID=84817430

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021176197A Active JP7201270B1 (ja) 2021-10-28 2021-10-28 情報処理方法、プログラム及び情報処理装置

Country Status (3)

Country Link
US (1) US20230137995A1 (ja)
JP (1) JP7201270B1 (ja)
CN (1) CN116050493A (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020140466A (ja) 2019-02-28 2020-09-03 富士通株式会社 訓練データ拡張装置、方法、及びプログラム
JP2020166397A (ja) 2019-03-28 2020-10-08 パナソニックＩｐマネジメント株式会社 画像処理装置、画像処理方法、及びプログラム
JP2020166418A (ja) 2019-03-28 2020-10-08 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP2020166443A (ja) 2019-03-28 2020-10-08 株式会社日立製作所 データ加工方法レコメンドシステム、データ加工方法レコメンド方法、及びデータ加工方法レコメンドプログラム
JP2021518939A (ja) 2018-05-18 2021-08-05 グーグル エルエルシーＧｏｏｇｌｅ ＬＬＣ データ拡張方策の学習

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021518939A (ja) 2018-05-18 2021-08-05 グーグル エルエルシーＧｏｏｇｌｅ ＬＬＣ データ拡張方策の学習
JP2020140466A (ja) 2019-02-28 2020-09-03 富士通株式会社 訓練データ拡張装置、方法、及びプログラム
JP2020166397A (ja) 2019-03-28 2020-10-08 パナソニックＩｐマネジメント株式会社 画像処理装置、画像処理方法、及びプログラム
JP2020166418A (ja) 2019-03-28 2020-10-08 キヤノン株式会社 情報処理装置、情報処理方法およびプログラム
JP2020166443A (ja) 2019-03-28 2020-10-08 株式会社日立製作所 データ加工方法レコメンドシステム、データ加工方法レコメンド方法、及びデータ加工方法レコメンドプログラム

Also Published As

Publication number Publication date
JP2023065826A (ja) 2023-05-15
CN116050493A (zh) 2023-05-02
US20230137995A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
EP3743827A1 (en) Training image and text embedding models
US20200288204A1 (en) Generating and providing personalized digital content in real time based on live user context
CN110737756B (zh) 确定针对用户输入数据的应答的方法、装置、设备和介质
EP3759616A1 (en) Training image and text embedding models
US11416534B2 (en) Classification of electronic documents
CN112395487B (zh) 信息推荐方法、装置、计算机可读存储介质及电子设备
CN117217284A (zh) 一种数据处理方法及其装置
CN115879508A (zh) 一种数据处理方法及相关装置
CN113569018A (zh) 问答对挖掘方法及装置
JP7201270B1 (ja) 情報処理方法、プログラム及び情報処理装置
CN116910357A (zh) 一种数据处理方法及相关装置
CN117251619A (zh) 一种数据处理方法及相关装置
CN110020195B (zh) 文章推荐方法及装置、存储介质、电子设备
JP6570698B1 (ja) 設定装置、設定方法及び設定プログラム
CN116204709A (zh) 一种数据处理方法及相关装置
CN115408611A (zh) 菜单推荐方法、装置、计算机设备和存储介质
CN111797622B (zh) 用于生成属性信息的方法和装置
JP7257553B2 (ja) 化粧品製品推奨のための方法及び装置
CN113822324A (zh) 基于多任务模型的图像处理方法、装置及相关设备
AU2021276239A1 (en) Identifying claim complexity by integrating supervised and unsupervised learning
KR20220101807A (ko) Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 장치 및 방법
KR102549939B1 (ko) Sns 텍스트 기반의 사용자의 인테리어 스타일 분석 모델 제공 서버, 사용자 단말 및 방법
CN116644176A (zh) 一种摘要生成方法及其相关设备
WO2024114659A1 (zh) 一种摘要生成方法及其相关设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211028

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20211028

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220131

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220329

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220620

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220818

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: 20221028

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20221128

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: 7201270

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150