JP7271216B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents
情報処理装置、情報処理方法、およびプログラム Download PDFInfo
- Publication number
- JP7271216B2 JP7271216B2 JP2019027784A JP2019027784A JP7271216B2 JP 7271216 B2 JP7271216 B2 JP 7271216B2 JP 2019027784 A JP2019027784 A JP 2019027784A JP 2019027784 A JP2019027784 A JP 2019027784A JP 7271216 B2 JP7271216 B2 JP 7271216B2
- Authority
- JP
- Japan
- Prior art keywords
- nodes
- network
- node
- reward
- assumed
- 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
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
h1#=α1,1・W・h1+α1,2・W・h2+α1,3・W・h3+α1,4・W・h4 …(1)
図2は、第1の実施形態の手法により、グラフ構造のデータからニューラルネットワークを生成する様子を示す図である。図示するように、第1の実施形態の情報処理装置は、実ノードRNだけでなく、実エッジREを含めた想定ノードANを設定し、想定ノードANの第k-1層の特徴量を、接続関係にある他の想定ノードAN、およびその想定ノードAN自身の第k層の特徴量に伝播させるニューラルネットワークを生成する。kは1以上の自然数であり、k=0の層は、例えば入力層を意味する。
h1#=α1,1・W・h1+α1,12・W・h12+α1,13・W・h13+α1,14・W・h14 …(2)
h1##=α1,1・W・h1#+α1,12・W・h12#+α1,13・W・h13#+α1,14・W・h14# …(3)
以下、第2の実施形態について説明する。第2の実施形態において、情報処理装置は、想定ノードANの元となる実ノードRNと実エッジの少なくとも一方に対して種別を設定し(換言すると、想定ノードANに対して種別を設定し)、種別ごとに、係数を設定する際の規則を変更する。より具体的に、情報処理装置は、想定ノードANの種別ごとに、その想定ノードANから伝播する特徴量を規定する係数αi,jを決定するための伝播行列Wを異ならせる。
種別が「A」である実ノードRN(A)は、種別が「L」である実エッジRE(L)のみが接続されたものである。
種別が「B」である実ノードRN(B)は、種別が「L」である実エッジRE(L)と種別が「T」である実エッジRE(T)との双方が接続されたものである。
種別が「L」である実エッジRE(L)と、種別が「T」である実エッジRE(T)は、自身に接続された実ノードRNの特徴量の伝播特性が互いに異なるものである。
A、B、L、Tに続く数字は、実ノードRN、実エッジRE、想定ノードANとしての識別子である。以下、A1、B1、L1、T2などの符号は、想定ノードANの識別子であると共に、それらの特徴量を示すものとする。
1.大規模性
社会インフラへの適用には、基本的に規模の大きさと拡張性が必要になる。たとえば、電力送電配電網を考えると、バス(設備機器や需要負荷などの接続点)数として1万以上の大規模回路網となることもある。
2.多様性
従来のニューラルネットワークを応用した入力情報は、多くが、均一の属性信号であった。たとえば、画像処理の場合、入力は、画素信号という一種類の情報であったり、その特徴信号であった。しかしながら、社会インフラの場合、その入力信号数(次元)は数千以上となる場合があり、ネットワーク層も数十層というような大きな規模になる場合がある。上述の電力送電配電網を考えると、発電機、変圧器、負荷、トランス、電線など多種の設備がつながった大規模システムである。
3.変動性
通常、社会インフラ自体は運用期間が長く、その間に機器の保守、改良、置換が繰り返され、その都度、運用管理の見直しや投資検討が行われている。このように社会インフラの部分的改善、変更に対して、モデルの再学習を行うことなく追従する機能が求められている。
上記各実施形態では、実ノードRNと実エッジREを想定ノードとした後は、これらをニューラルネットワーク上では区別せずに処理を行うものとしたが、実ノードRNに基づく想定ノードANに対する処理と、実エッジREに基づく想定ノードANに対する処理とを、タイミングをずらしながら交互に行うようにしてもよい。図10は、変形例に係るニューラルネットワークの一例を示す図である。このように構成することで、ある実ノードRNの状態を、より速やかに隣接する(一つの実エッジを介して接続された)他の実ノードに伝播させることができる。また、この場合、実エッジからの伝播については、グラフアテンションネットワークの規則とは異なる規則で情報を伝播させてもよい。
以下、第3の実施形態について説明する。以降の実施形態において学習する対象のアクション決定ネットワークは、制御対象ないし解析対象の構造を表すグラフ構造のネットワークであれば十分であり、第1または第2の実施形態で説明したグラフアテンションネットワークは、あくまで好適な一例である。但し、以下では一例としてグラフアテンションネットワークを採用するものとして説明する。
図13は、第3の実施形態の適用例(その1)を示す図である。本図に示す電力潮流計算モデルは、IEEEの標準電力系統システムモデルであり、ここでは、14本のバスを含む。これをバスB1~B14とする。バスには、各々、負荷が接続されている。また、バスの中には、発電機が接続されたものがあり(本例では、バスB1、B2、B3、B6)、バスB4とバスB7の間は変圧器t47で接続され、バスB4とバスB9の間は変圧器t49で接続され、バスB5とバスB6の間は変圧器t56で接続されている。その他のバス同士はライン(送電線)で接続されている。バスB9には、電力の接地潮流分を制御するためのシャント回路b9が接続されている。変圧器のタップ切替スイッチ、シャント回路の定数の切替スイッチが、アクション空間として制御可能なシステムを想定する。この場合、アクションは、4変数(4次元)となる。
以下、第4の実施形態について説明する。第4の実施形態では、更に、報酬共有ネットワークを導入して強化学習を行う。以下、構成図を省略するが、第4の実施形態に係る想定ノードメタグラフ化部を想定ノードメタグラフ化部36B、強化学習部を強化学習部70Bと称して説明する。
T*p=(0||np||Tp) p=1,2 …(5)
L*q=(0||nq||Lq) q=1,2 …(6)
ek ij=a(W*k・h*j,W*k・h*i) …(7)
ak ij=softmax_j(ek ij) …(8)
h*’i=σ{Σj∈Ni(ak ij・W・h’i)} …(9)
h*d=(R||n||hd) d=1,2,…,8 …(10)
Ai(t)=Ri(t)-Vi(s) i=1,…,4 …(11)
Lpi=log{p(a|s)・Ai(t)} …(12)
Lvi=Ai(t)2 …(13)
ATp(t)=RTp(t)-VTp(s) p=1,2 …(14)
Lpp=log{p(a|s)・ATp(t)} …(15)
Lvp=Ap(t)2 …(16)
h*→=(h*1,h*2,…,h*8) …(17)
αk=softmax(W*Tk,r*k)=exp(W*Tk)/Σj∈Kexp(WTj・rj) …(18)
Rki=αk・Ri …(19)
Rk=Σj∈IRiK
以下、第5の実施形態について説明する。第5の実施形態は、第3または第4の実施形態における強化学習ネットワークの中間層と出力層との間に、LSTM(Long Short Term Memory)などの時系列処理層を追加したものである。図18は、図16に示す強化学習ネットワークにLSTMを適用した様子を示す図である。それぞれのLSTMは、ノード種類ごとに同じものが使用されてよい。時系列処理層を追加することで、各ノードの状態遷移を考慮した学習が可能となる。
以下、第6の実施形態について説明する。第6の実施形態は、第3~第5の実施形態のいずれかの構成に加えて、報酬分配部を更に備えるものである。以下では、第3の実施形態に報酬分配部が付加された例について説明する。
近年、人工知能を産業領域に活用する試みが進められている。人工知能技術としては、おもに、Deep Learningやその関連技術が多く、画像認識、故障解析、特性予測など適用範囲が広がっている。また、こうした対象の時系列的な最適運用を考えるために、強化学習の応用が広がっている。交通や電力系統、コンピュータネットワークといったインフラに関わる分野では、対象がグラフ構造を持っている場合も多い。グラフ構造を持つ対象に強化学習を適用する場合、アクションや報酬がノードに紐付いて与えられることがある。たとえば、交通網での渋滞を最小化する工事スケジュールの問題を考える。この場合、アクションは工事対象の道路というノードにひも付き、報酬である渋滞度も、道路というノードごとに算出される。この場合、アクションと報酬にはある近傍関係が成り立つことが想定される。先程の例では、ある道路が工事を行った場合、その近傍の道路の渋滞度には大きく影響するが、遠方の道路への影響は軽微であると考えられる。以後、報酬を算出するノードを報酬ノード、アクションを行うノードを被操作ノードと呼ぶ。これらは対象のグラフの構造に含まれるノードの部分集合として定義され、排他的ではない。
被操作ノードと報酬ノードには近傍関係が考えられる。これを無視することは、各報酬がどのノードのアクションによって生じたものなのかを考えないということであり、要因分析を困難にする。
関連性の弱いノードから得られた報酬は、被操作ノードにとっては報酬にノイズが含まれていることと等価であり、モデルの収束性を下げる。制御対象が大規模化し、被操作ノード、報酬ノードの数が増えると、互いの関連性が不明瞭になり、各被操作ノードにそれと相関の低い報酬ノードからの報酬が流れ込み、モデルの学習速度が低下することが想定される。
Rt=Dφ・R’t+1 …(22)
以下、第6の実施形態の適用例について説明する。図20は、将来報酬ベクトルRt+1を導出する様子の一例を示す図である。図20は、時刻tに各被操作ノードNa1~Na3が行動ベクトルA_t(図では(0,1,1))で表される行動をとり、時刻t+1に遷移した状態と、そこで得られた報酬を示している。グラフ上に報酬ノードNr1~Nr4と、被操作ノードNa1~Na3が定義されている。報酬ノードには報酬ベクトルrt+1が与えられ、被操作ノードには、その被操作ノードが将来得る報酬ベクトルRt+1が与えられている。報酬分配部90は、これらの報酬を各被操作ノードに分配する。
以下、第6の実施形態の変形例について説明する。第6実施形態は、同時刻に複数のエージェントが行動する、マルチエージェントの方式に適用されるものとしたが、この変形例では同時刻に行動する被操作ノードは一つであるものとする。
10 データ取得部
20 グラフ構造のデータ
30 ネットワーク処理部
32 実ノード・実エッジ隣接関係抽出部
34 種別設定部
36、36A 想定ノードメタグラフ化部
40 メタグラフコンボリューション部
50 想定ノード特徴量
60 出力部
70 強化学習部
80 アクション決定ネットワーク
90 報酬分配部
100 シミュレータ
Claims (8)
- ノード同士の接続関係を記述したグラフ構造のデータであって、実ノードが実エッジで接続されたグラフ構造のデータを取得するデータ取得部と、
前記データ取得部により取得されたグラフ構造のデータにおける前記実ノードと前記実エッジを共に想定ノードに置換し、接続関係にある想定ノード同士を接続すると共に、接続関係にある想定ノードのうち入力層側にある想定ノードの特徴量にグラフアテンションネットワークに基づく係数が乗算された値の合計が、出力層側にある想定ノードの特徴量として計算される第1のネットワークを設定する設定部と、
前記第1のネットワークにおいて、
前記想定ノードのうち入力層にある予め定められた一以上の評価対象ノードに対応する出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、且つ、
前記想定ノードのうち入力層にある予め定められた一以上の被操作ノードに対応する出力層の特徴量が、前記評価対象ノードの出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、
前記第1のネットワークのパラメータを導出する強化学習部と、
を備える情報処理装置。 - 前記設定部は、評価対象ノードを複数備えるように前記第1のネットワークを設定し、 前記強化学習部は、前記複数の評価対象ノードのそれぞれの出力層における特徴量が、対応する複数の報酬のそれぞれに近づくように、前記第1のネットワークのパラメータを導出する、
請求項1記載の情報処理装置。 - 前記強化学習部は、前記複数の評価対象ノードのそれぞれの出力層における特徴量について重要度を設定し、重要度の高い特徴量を優先的に報酬に近づけるように、前記第1のネットワークのパラメータを導出する、
請求項2記載の情報処理装置。 - 前記設定部は、前記被操作ノードを複数備えるように前記第1のネットワークを設定し、
前記強化学習部は、前記複数の被操作ノードのそれぞれの出力層における特徴量が、前記複数の評価対象ノードのそれぞれの出力層における特徴量を報酬に近づける特徴量となるように、前記第1のネットワークのパラメータを導出する、
請求項1から3のうちいずれか1項記載の情報処理装置。 - 前記設定部は、前記第1のネットワークの少なくとも一部と同形態である第2のネットワークを、前記第1のネットワークにおける前記出力層の評価対象ノードに連結させて設定し、
前記強化学習部は、前記第1のネットワークのパラメータと、前記第2のネットワークのパラメータとを同時に導出する、
請求項1から4のうちいずれか1項記載の情報処理装置。 - 前記強化学習部は、前記被操作ノードの前記第1のネットワークにおける出力層の特徴量を、前記被操作ノードの前記第2のネットワークにおける出力層のノードから得られる報酬に近づけるように、前記第1のネットワークおよび前記第2のネットワークのパラメータを導出する、
請求項5記載の情報処理装置。 - コンピュータが、
ノード同士の接続関係を記述したグラフ構造であって、実ノードが実エッジで接続されたグラフ構造のデータのデータを取得し、
前記取得されたグラフ構造のデータにおける前記実ノードと前記実エッジを共に想定ノードに置換し、接続関係にある想定ノード同士を接続すると共に、接続関係にある想定ノードのうち入力層側にある想定ノードの特徴量にグラフアテンションネットワークに基づく係数が乗算された値の合計が、出力層側にある想定ノードの特徴量として計算される第1のネットワークを設定し、
前記第1のネットワークにおいて、
前記想定ノードのうち入力層にある予め定められた一以上の評価対象ノードに対応する出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、且つ、
前記想定ノードのうち入力層にある予め定められた一以上の被操作ノードに対応する出力層の特徴量が、前記評価対象ノードの出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、
前記第1のネットワークのパラメータを導出する、
情報処理方法。 - コンピュータに、
ノード同士の接続関係を記述したグラフ構造であって、実ノードが実エッジで接続されたグラフ構造のデータのデータを取得させ、
前記取得されたグラフ構造のデータにおける前記実ノードと前記実エッジを共に想定ノードに置換し、接続関係にある想定ノード同士を接続すると共に、接続関係にある想定ノードのうち入力層側にある想定ノードの特徴量にグラフアテンションネットワークに基づく係数が乗算された値の合計が、出力層側にある想定ノードの特徴量として計算される第1のネットワークを設定させ、
前記第1のネットワークにおいて、
前記想定ノードのうち入力層にある予め定められた一以上の評価対象ノードに対応する出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、且つ、
前記想定ノードのうち入力層にある予め定められた一以上の被操作ノードに対応する出力層の特徴量が、前記評価対象ノードの出力層の特徴量をシミュレータに入力した場合の報酬が大きくなるように、
前記第1のネットワークのパラメータを導出させる、
プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019027784A JP7271216B2 (ja) | 2019-02-19 | 2019-02-19 | 情報処理装置、情報処理方法、およびプログラム |
US16/789,515 US11593618B2 (en) | 2019-02-19 | 2020-02-13 | Data processing apparatus, data processing method, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019027784A JP7271216B2 (ja) | 2019-02-19 | 2019-02-19 | 情報処理装置、情報処理方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020135390A JP2020135390A (ja) | 2020-08-31 |
JP7271216B2 true JP7271216B2 (ja) | 2023-05-11 |
Family
ID=72042581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019027784A Active JP7271216B2 (ja) | 2019-02-19 | 2019-02-19 | 情報処理装置、情報処理方法、およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US11593618B2 (ja) |
JP (1) | JP7271216B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6843780B2 (ja) * | 2018-01-18 | 2021-03-17 | ヤフー株式会社 | 情報処理装置、学習済みモデル、情報処理方法、およびプログラム |
CN112162196B (zh) * | 2020-08-27 | 2022-06-17 | 浙江工业大学 | 一种基于图注意力网络的电机故障诊断方法 |
CN112287605B (zh) * | 2020-11-04 | 2022-05-10 | 浙江大学 | 一种基于图卷积网络加速的潮流校核方法 |
EP4310747A1 (en) * | 2021-03-18 | 2024-01-24 | Toshiba Energy Systems & Solutions Corporation | Information processing device, information processing method, and program |
CN113688191B (zh) * | 2021-08-27 | 2023-08-18 | 阿里巴巴(中国)有限公司 | 特征数据生成方法、电子设备、存储介质 |
CN115187151B (zh) * | 2022-09-13 | 2022-12-09 | 北京锘崴信息科技有限公司 | 基于联邦学习的排放可信分析方法及金融信息评价方法 |
CN115423052B (zh) * | 2022-11-07 | 2023-03-24 | 南京大经中医药信息技术有限公司 | 基于多图注意力的中医证型分类方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016194248A1 (ja) | 2015-06-03 | 2016-12-08 | 三菱電機株式会社 | 推論装置及び推論方法 |
JP2017182710A (ja) | 2016-03-31 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法および情報提供方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018005739A (ja) | 2016-07-06 | 2018-01-11 | 株式会社デンソー | ニューラルネットワークの強化学習方法及び強化学習装置 |
US11879656B2 (en) * | 2018-04-04 | 2024-01-23 | International Business Machines Corporation | Initialization of radial base function neural network nodes for reinforcement learning incremental control system |
CN112154461A (zh) * | 2018-05-18 | 2020-12-29 | 渊慧科技有限公司 | 用于多代理环境中的行为预测和强化学习的图神经网络系统 |
US10599686B1 (en) * | 2018-09-27 | 2020-03-24 | Babylon Partners Limited | Method and system for extracting information from graphs |
-
2019
- 2019-02-19 JP JP2019027784A patent/JP7271216B2/ja active Active
-
2020
- 2020-02-13 US US16/789,515 patent/US11593618B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016194248A1 (ja) | 2015-06-03 | 2016-12-08 | 三菱電機株式会社 | 推論装置及び推論方法 |
JP2017182710A (ja) | 2016-03-31 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法および情報提供方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG, Ziwei, et al.,Deep Learning on Graphs: A Survey,arxiv.org [online],2018年12月11日,https://arxiv.org/pdf/1812.04202v1.pdf |
中島 功太ほか,深層強化学習を用いた無線LAN最適チャネル制御,電子情報通信学会技術研究報告,日本,2019年01月21日,Vol.118 No.428,p. 13-18 |
Also Published As
Publication number | Publication date |
---|---|
US11593618B2 (en) | 2023-02-28 |
JP2020135390A (ja) | 2020-08-31 |
US20200265295A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7271216B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
Montalto et al. | Neural networks with non-uniform embedding and explicit validation phase to assess Granger causality | |
US20210064978A1 (en) | Information processing device, information processing method, and storage medium | |
Lytvynenko et al. | Hybrid methods of GMDH-neural networks synthesis and training for solving problems of time series forecasting | |
CN109635246B (zh) | 一种基于深度学习的多属性数据建模方法 | |
Emtiyaz et al. | Customers behavior modeling by semi-supervised learning in customer relationship management | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
Hosni et al. | Software effort estimation using classical analogy ensembles based on random subspace | |
KR20190141581A (ko) | 데이터 예측을 위한 인공신경망을 학습하는 방법 및 장치 | |
Hasanluo et al. | Software cost estimation by a new hybrid model of particle swarm optimization and k-nearest neighbor algorithms | |
Veeramsetty et al. | Short term active power load forecasting using machine learning with feature selection | |
Zhou et al. | Functional networks and applications: A survey | |
Khan et al. | Dynamic feedback neuro-evolutionary networks for forecasting the highly fluctuating electrical loads | |
Müller-Hannemann et al. | Towards Improved Robustness of Public Transport by a Machine-Learned Oracle | |
WO2020255634A1 (ja) | 情報処理システム及び情報処理方法 | |
Papageorgiou et al. | Bagged nonlinear hebbian learning algorithm for fuzzy cognitive maps working on classification tasks | |
Ntarlas et al. | Unsupervised learning methods for foreign investment using fuzzy cognitive maps | |
Markus et al. | Predicting telephone traffic congestion using multi layer feedforward neural networks | |
Choudhary et al. | Estimation of wind power using different soft computing methods | |
Theis et al. | Masking neural networks using reachability graphs to predict process events | |
Yu et al. | Dynamic link prediction using restricted Boltzmann machine | |
Cardoso et al. | Diversity-driven wide learning for training distributed classification models | |
Kamire et al. | Real Property Value Prediction Capability Using Fuzzy Logic and ANFIS | |
JP7425210B2 (ja) | 情報処理システムおよび最適解探索処理方法 | |
WO2024116608A1 (ja) | 計算機システム及び情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210922 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220819 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220830 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221028 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221223 |
|
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: 20230328 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230426 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7271216 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |