JP7207540B2 - 学習支援装置、学習支援方法、及びプログラム - Google Patents
学習支援装置、学習支援方法、及びプログラム Download PDFInfo
- Publication number
- JP7207540B2 JP7207540B2 JP2021528632A JP2021528632A JP7207540B2 JP 7207540 B2 JP7207540 B2 JP 7207540B2 JP 2021528632 A JP2021528632 A JP 2021528632A JP 2021528632 A JP2021528632 A JP 2021528632A JP 7207540 B2 JP7207540 B2 JP 7207540B2
- Authority
- JP
- Japan
- Prior art keywords
- error
- pattern
- learning
- cause
- countermeasure
- 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
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
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、特徴パターン抽出手段と、
抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、誤差寄与度算出手段と、
を有することを特徴とする。
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出し、
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する
ことを特徴とする。
コンピュータに、
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、ステップと、
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、ステップと、
を実行させることを特徴とする。
以下、本発明の第一の実施の形態について、図1から図3を参照しながら説明する。
最初に、図1を用いて、第一の実施の形態における学習支援装置1の構成について説明する。図1は、学習支援装置の一例を示す図である。
続いて、図2を用いて、第一の実施の形態における学習支援装置1Aを有するシステムの構成を説明する。図2は、第一の実施の形態における学習支援装置を有するシステムの一例を示す図である。
図2に示すように、第一の実施の形態におけるシステムは、予測モデル管理システム10Aと、入力装置20と、出力装置30と、分析データ記憶部40とを有する。
予測モデル管理システム10Aは、予測モデル管理装置11と、出力情報生成部12と、残差記憶部13と、学習支援装置1Aとを有する。
予測モデル管理装置11は、モデル学習部101と、モデル評価部102と、残差算出部103とを有する。
学習支援装置1Aは、特徴パターン抽出部2、誤差寄与度算出部3に加えて、サンプル分類部4を有する。
例えば、予測誤差が大きいサンプルを正例とし、予測誤差が小さいサンプルを負例とし、予測モデルの学習に用いた特徴量を説明変数とし、正例と負例を判別する決定木を学習する。
例えば、aprioriアルゴリズムなどを用いてもよい。この方法では、第一ステップとして、誤差の大きいサンプルのクラスタと誤差の小さいサンプルのクラスタそれぞれにおける頻出アイテムセットをaprioriアルゴリズムを用いて抽出する。
次に、第一の実施の形態における学習支援装置の動作について図4を用いて説明する。図4は、第一の実施の形態における学習支援装置の動作の一例を示す図である。以下の説明においては、適宜図2から図3を参照する。また、第一の実施の形態では、学習支援装置を動作させることによって、学習支援方法が実施される。よって、第一実施の形態における学習支援方法の説明は、以下の学習支援装置の動作説明に代える。
以上のように第一の実施の形態によれば、特徴量のパターン、特徴量のパターンの誤差寄与度などの情報を生成できるので、出力装置30を通じて、予測モデルの予測精度を向上させるために用いる情報を、利用者に提供できる。したがって、利用者は、予測モデルの予測精度が改善される作業を容易に行うことができる。
第一の実施の形態におけるプログラムは、コンピュータに、図4に示すステップA1からA5を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、第一の形態における学習支援装置と学習支援方法とを実現することができる。この場合、コンピュータのプロセッサは、サンプル分類部4、特徴パターン抽出部2、誤差寄与度算出部3、出力情報生成部12として機能し、処理を行なう。
以下、本発明の第二の実施の形態について、図5から図6を参照しながら説明する。
続いて、図5を用いて、第二の実施の形態における学習支援装置1Bを有するシステムの構成を説明する。図5は、第二の実施の形態における学習支援装置を有するシステムの一例を示す図である。
図5に示すように、第二の実施の形態におけるシステムは、予測モデル管理システム10B、入力装置20、出力装置30、分析データ記憶部40を有する。予測モデル管理システム10Bは、予測モデル管理装置11、出力情報生成部12、残差記憶部13、学習支援装置1Bを有する。予測モデル管理装置11は、モデル学習部101、モデル評価部102、残差算出部103を有する。
学習支援装置1Bは、特徴パターン抽出部2、誤差寄与度算出部3、サンプル分類部4に加え、原因推定部51と、原因推定ルール記憶部52と、対策推定部53と、対策推定ルール記憶部54とを有する。
次に、第二の実施の形態における学習支援装置の動作について図6を用いて説明する。図6は、第二の実施の形態における学習支援装置の動作の一例を示す図である。以下の説明においては、適宜図5を参照する。また、第二の実施の形態では、学習支援装置を動作させることによって、学習支援方法が実施される。よって、第二の実施の形態における学習支援方法の説明は、以下の学習支援装置の動作説明に代える。
以上のように第二の実施の形態によれば、特徴量のパターン、特徴量のパターンの誤差寄与度などの情報を生成できるので、出力装置30を通じて、予測モデルの予測精度を向上させるために用いる情報を利用者に提供できる。したがって、利用者は、予測モデルの予測精度が改善される作業を容易に行うことができる。
第二の実施の形態におけるプログラムは、コンピュータに、図6に示すステップA1からA5、ステップB1からB4を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、第二の形態における学習支援装置と学習支援方法とを実現することができる。この場合、コンピュータのプロセッサは、サンプル分類部4、特徴パターン抽出部2、誤差寄与度算出部3、原因推定部51、対策推定部53、出力情報生成部12として機能し、処理を行なう。
以下、本発明の第三の実施の形態について、図7から図8を参照しながら説明する。
[システム構成]
続いて、図7を用いて、第三の実施の形態における学習支援装置1Cを有するシステムの構成を説明する。図7は、第三の実施の形態における学習支援装置を有するシステムの一例を示す図である。
図7に示すように、第三の実施の形態におけるシステムは、予測モデル管理システム10C、入力装置20、出力装置30、分析データ記憶部40を有する。予測モデル管理システム10Cは、予測モデル管理装置11、出力情報生成部12、残差記憶部13、学習支援装置1Cを有する。予測モデル管理装置11は、モデル学習部101、モデル評価部102、残差算出部103を有する。
学習支援装置1Cは、特徴パターン抽出部2、誤差寄与度算出部3、サンプル分類部4、原因推定部51、原因推定ルール記憶部52、対策推定部53、対策推定ルール記憶部54に加え、フィードバック部70と、原因記憶部71と、対策記憶部72と、原因推定ルール学習部73と、対策推定ルール学習部74と、を有する。
第三の実施の形態における学習支援装置の動作について図8を用いて説明する。図8は、第三の実施の形態における学習支援装置の動作の一例を示す図である。以下の説明においては、適宜図7を参照する。また、第三の実施の形態では、学習支援装置を動作させることによって、学習支援方法が実施される。よって、第三の実施の形態における学習支援方法の説明は、以下の学習支援装置の動作説明に代える。
以上のように第三の実施の形態によれば、特徴量のパターン、特徴量のパターンの誤差寄与度などの情報を生成できるので、出力装置30を通じて、予測モデルの予測精度を向上させるために用いる情報を利用者に提供できる。したがって、利用者は、予測モデルの予測精度が改善される作業を容易に行うことができる。
第三の実施の形態におけるプログラムは、コンピュータに、図8に示すステップC1からC5を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、第三の実施の形態における学習支援装置と学習支援方法とを実現することができる。この場合、コンピュータのプロセッサは、サンプル分類部4、特徴パターン抽出部2、誤差寄与度算出部3、原因推定部51、対策推定部53、出力情報生成部12、フィードバック部70、原因記憶部71、対策記憶部72、原因推定ルール学習部73、対策推定ルール学習部74として機能し、処理を行なう。
ここで、第一、第二、第三の実施の形態におけるプログラムを実行することによって、学習支援装置を実現するコンピュータについて図9を用いて説明する。図9は、第一、第二、第三の実施の形態における学習支援装置を実現するコンピュータの一例を示すブロック図である。
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する(付記1)から(付記18)により表現することができるが、以下の記載に限定されるものではない。
残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、特徴パターン抽出部と、
抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、誤差寄与度算出部と、
を有することを特徴とする学習支援装置。
付記1に記載の学習支援装置であって、
前記特徴量のパターンから、誤差原因を推定する誤差原因推定ルールを用いて、前記誤差原因を推定する、原因推定部
を有することを特徴とする学習支援装置。
付記2に記載の学習支援装置であって、
前記誤差原因と前記特徴量のパターンとを用いて学習をし、前記誤差原因推定ルールを生成する、原因推定ルール学習部
を有することを特徴とする学習支援装置。
付記1又は2に記載の学習支援装置であって、
前記特徴量のパターンから、誤差原因を解消するための対策を推定する対策推定ルールを用いて、前記対策を推定する、対策推定部
を有することを特徴とする学習支援装置。
付記4に記載の学習支援装置であって、
前記対策と前記特徴量のパターンとを用いて学習をし、前記対策推定ルールを生成する、対策推定ルール学習部
を有することを特徴とする学習支援装置。
付記1に記載の学習支援装置であって、
前記特徴量のパターンと前記誤差寄与度とを用いて、出力装置に出力するための出力情報を生成し、前記出力装置に出力する
ことを特徴とする学習支援装置。
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、ステップと
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、ステップと、
を有することを特徴とする学習支援方法。
付記7に記載の学習支援方法であって、
(c)前記特徴量のパターンから、誤差原因を推定する原因推定ルールを用いて、前記誤差原因を推定する、ステップ
を有することを特徴とする学習支援方法。
付記8に記載の学習支援方法であって、
(d)前記誤差原因と前記特徴量のパターンとを用いて学習をし、前記誤差原因推定ルールを生成する、ステップ
を有することを特徴とする学習支援方法。
付記7又は8に記載の学習支援方法であって、
(e)前記特徴量のパターンから、誤差原因を解消するための対策を推定する対策推定ルールを用いて、前記対策を推定する、ステップ
を有することを特徴とする学習支援方法。
付記10に記載の学習支援方法であって、
(f)前記対策と前記特徴量のパターンとを用いて学習をし、前記対策推定ルールを生成する、ステップ
を有することを特徴とする学習支援方法。
付記7に記載の学習支援方法であって、
前記特徴量のパターンと前記誤差寄与度とを用いて、出力装置に出力するための出力情報を生成し、前記出力装置に出力する、ステップ
を有することを特徴とする学習支援方法。
コンピュータに、
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、ステップと、
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、ステップと、
を実行させるプログラム。
付記13に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
(c)前記特徴量のパターンから、誤差原因を推定する誤差原因推定ルールを用いて、前記誤差原因を推定する、ステップ
を実行させるプログラム。
付記14に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
(d)前記誤差原因と前記特徴量のパターンとを用いて学習をし、前記誤差原因推定ルールを生成する、ステップ
を実行させるプログラム。
付記13又は14に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
(e)前記特徴量のパターンから、誤差原因を解消するための対策を推定する対策推定ルールを用いて、前記対策を推定する、ステップ
を実行させるプログラム。
付記16に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
(f)前記対策と前記特徴量のパターンとを用いて学習をし、前記対策推定ルールを生成する、ステップ
を実行させるプログラム。
付記13に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
前記特徴量のパターンと前記誤差寄与度とを用いて、出力装置に出力するための出力情報を生成し、前記出力装置に出力する、ステップ
を実行させるプログラム。
2 特徴パターン抽出部
3 誤差寄与度算出部
4 サンプル分類部
10A、10B、10C 予測モデル管理システム
20 入力装置
30 出力装置
40 分析データ記憶部
11 予測モデル管理装置
101 モデル学習部
102 モデル評価部
103 残差算出部
12 出力情報生成部
13 残差記憶部
51 原因推定部
52 原因推定ルール記憶部
53 対策推定部
54 対策推定ルール記憶部
70 フィードバック部
71 原因記憶部
72 対策記憶部
73 原因推定ルール学習部
74 対策推定ルール学習部
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
Claims (10)
- 残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、特徴パターン抽出手段と、
抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、誤差寄与度算出手段と、
を有することを特徴とする学習支援装置。 - 請求項1に記載の学習支援装置であって、
前記特徴量のパターンから、誤差原因を推定する誤差原因推定ルールを用いて、前記誤差原因を推定する、原因推定手段
を有することを特徴とする学習支援装置。 - 請求項2に記載の学習支援装置であって、
前記誤差原因と前記特徴量のパターンとを用いて学習をし、前記誤差原因推定ルールを生成する、原因推定ルール学習手段
を有することを特徴とする学習支援装置。 - 請求項1又は2に記載の学習支援装置であって、
前記特徴量のパターンから、誤差原因を解消するための対策を推定する対策推定ルールを用いて、前記対策を推定する、対策推定手段
を有することを特徴とする学習支援装置。 - 請求項4に記載の学習支援装置であって、
前記対策と前記特徴量のパターンとを用いて学習をし、前記対策推定ルールを生成する、対策推定ルール学習手段
を有することを特徴とする学習支援装置。 - 請求項1に記載の学習支援装置であって、
前記特徴量のパターンと前記誤差寄与度とを用いて、出力装置に出力するための出力情報を生成し、前記出力装置に出力する
ことを特徴とする学習支援装置。 - コンピュータが、
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出するステップと、
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出するステップと、
を実行することを特徴とする学習支援方法。 - 請求項7に記載の学習支援方法であって、
前記コンピュータが、
(c)前記特徴量のパターンから、誤差原因を推定する誤差原因推定ルールを用いて、前記誤差原因を推定するステップ
を実行する学習支援方法。 - コンピュータに、
(a)残差に基づいて分類されたサンプルと、予測モデルの学習に用いた特徴量とを用いて、前記分類されたサンプルを差別化する特徴量のパターンを抽出する、ステップと、
(b)抽出した前記特徴量のパターンと前記残差とを用いて、前記特徴量のパターンの予測誤差に対する誤差寄与度を算出する、ステップと、
を実行させるプログラム。 - 請求項9に記載のプログラムであって、
前記プログラムが、前記コンピュータに、
(c)前記特徴量のパターンから、誤差原因を推定する誤差原因推定ルールを用いて、前記誤差原因を推定する、ステップ
を実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/024832 WO2020255414A1 (ja) | 2019-06-21 | 2019-06-21 | 学習支援装置、学習支援方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2020255414A1 JPWO2020255414A1 (ja) | 2020-12-24 |
JPWO2020255414A5 JPWO2020255414A5 (ja) | 2022-02-15 |
JP7207540B2 true JP7207540B2 (ja) | 2023-01-18 |
Family
ID=74037617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021528632A Active JP7207540B2 (ja) | 2019-06-21 | 2019-06-21 | 学習支援装置、学習支援方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220327394A1 (ja) |
JP (1) | JP7207540B2 (ja) |
WO (1) | WO2020255414A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022180749A1 (ja) * | 2021-02-25 | 2022-09-01 | 日本電気株式会社 | 分析装置、分析方法、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 |
JPWO2022201320A1 (ja) * | 2021-03-23 | 2022-09-29 | ||
WO2023181230A1 (ja) * | 2022-03-24 | 2023-09-28 | 日本電気株式会社 | モデル分析装置、モデル分析方法、及び、記録媒体 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170172493A1 (en) | 2015-12-17 | 2017-06-22 | Microsoft Technology Licensing, Llc | Wearable system for predicting about-to-eat moments |
-
2019
- 2019-06-21 WO PCT/JP2019/024832 patent/WO2020255414A1/ja active Application Filing
- 2019-06-21 US US17/618,098 patent/US20220327394A1/en active Pending
- 2019-06-21 JP JP2021528632A patent/JP7207540B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170172493A1 (en) | 2015-12-17 | 2017-06-22 | Microsoft Technology Licensing, Llc | Wearable system for predicting about-to-eat moments |
Non-Patent Citations (1)
Title |
---|
ZHANG, Jiawei et al.,Manifold: A Model-Agnostic Framework for Interpretation and Diagnosis of Machine Learning Models,2018年08月01日,pp.1-10,https://arxiv.org/abs/1808.00196 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020255414A1 (ja) | 2020-12-24 |
WO2020255414A1 (ja) | 2020-12-24 |
US20220327394A1 (en) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10311368B2 (en) | Analytic system for graphical interpretability of and improvement of machine learning models | |
Nolle et al. | Analyzing business process anomalies using autoencoders | |
US20200401939A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
Lee et al. | A data-driven approach to selection of critical process steps in the semiconductor manufacturing process considering missing and imbalanced data | |
Boucher et al. | Software metrics thresholds calculation techniques to predict fault-proneness: An empirical comparison | |
Li et al. | Pyodds: An end-to-end outlier detection system with automated machine learning | |
JP7207540B2 (ja) | 学習支援装置、学習支援方法、及びプログラム | |
US11562262B2 (en) | Model variable candidate generation device and method | |
KR20050007306A (ko) | 혼합형 수치 및/또는 비수치 데이터의 처리 | |
Nair et al. | Covariate shift: A review and analysis on classifiers | |
US20190311258A1 (en) | Data dependent model initialization | |
US11748448B2 (en) | Systems and techniques to monitor text data quality | |
US20220076157A1 (en) | Data analysis system using artificial intelligence | |
CN112016097A (zh) | 一种预测网络安全漏洞被利用时间的方法 | |
Neutatz et al. | Data Cleaning and AutoML: Would an optimizer choose to clean? | |
Suleman et al. | Google play store app ranking prediction using machine learning algorithm | |
Liefooghe et al. | Dominance, indicator and decomposition based search for multi-objective QAP: landscape analysis and automated algorithm selection | |
JP2023145767A (ja) | 語彙抽出支援システムおよび語彙抽出支援方法 | |
US20230206134A1 (en) | Rank Distillation for Training Supervised Machine Learning Models | |
Lu et al. | Multi-class malware classification using deep residual network with Non-SoftMax classifier | |
Johnpaul et al. | Representational primitives using trend based global features for time series classification | |
Silva et al. | Systematic analysis of the impact of label noise correction on ML Fairness | |
Ingle et al. | Software Quality Analysis with Clustering Method | |
Grbovic et al. | A boosting method for process fault detection with detection delay reduction and label denoising | |
US20210182881A1 (en) | Automated confounded audience resolution system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211118 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221121 |
|
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: 20221219 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7207540 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |