JP7287490B2 - 学習装置、学習方法、及び、プログラム - Google Patents
学習装置、学習方法、及び、プログラム Download PDFInfo
- Publication number
- JP7287490B2 JP7287490B2 JP2021554809A JP2021554809A JP7287490B2 JP 7287490 B2 JP7287490 B2 JP 7287490B2 JP 2021554809 A JP2021554809 A JP 2021554809A JP 2021554809 A JP2021554809 A JP 2021554809A JP 7287490 B2 JP7287490 B2 JP 7287490B2
- Authority
- JP
- Japan
- Prior art keywords
- class
- prediction
- classes
- grouping
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Description
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力する予測手段と、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出するグループ化手段と、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出する損失算出手段と、
算出された損失に基づいて、前記予測モデルを更新するモデル更新手段と、
を備える。
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する。
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位k個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する処理をコンピュータに実行させる。
(ハードウェア構成)
図1は、第1実施形態に係る学習装置のハードウェア構成を示すブロック図である。図示のように、学習装置100は、入力IF(InterFace)12と、プロセッサ13と、メモリ14と、記録媒体15と、データベース(DB)16と、を備える。
次に、第1実施形態の第1実施例について説明する。
(1)機能構成
図2は、第1実施例に係る学習装置100の機能構成を示すブロック図である。図示のように、学習装置100は、予測部20と、グループ化部30と、損失算出部40と、モデル更新部50とを備える。学習時には、訓練用入力データ(以下、単に「入力データ」と呼ぶ。)xtrainと、訓練用目標データ(以下、単に「目標データ」と呼ぶ。)ttrainが用意される。入力データxtrainは予測部20に入力され、目標データttrainはグループ化部30に入力される。また、学習の対象となる初期モデルf(winit)はモデル更新部50に入力される。なお、学習の開始時には、初期モデルf(winit)が予測部20に設定されている。
図3は、第1実施例による学習処理のフローチャートである。この処理は、図1に示すプロセッサ13が予め用意されたプログラムを実行し、図2に示す各要素として動作することにより実現される。なお、学習処理の開始時には、予測部20及びモデル更新部50には、初期モデルf(winit)が設定されている。
本実施例では、複数のクラスをグループ化する方法としては以下のものが考えられる。以下、グループ化により作成されたクラスを「グループ化クラス」と呼ぶ。
図4(A)は、予測確率の上位k個をグループ化する方法を示す。この方法で得られたグループ化クラスが上記のtopkクラスである。前述のように、グループ化部30は、予測分類情報ybが示す各クラスの予測確率を大きさ順に並び替え、上位k個のクラスをグループ化して1つのグループ化クラスとする。例えば、k=3とすると、予測確率が上位の3クラスによりグループ化クラスが構成される。
図4(B)は、予測確率の(k+1)位以下をグループ化する方法を示す。この方法は、予測分類情報ybが示す各クラスの予測確率を大きさ順に並び替え、上位k個以外のクラス、即ち、予測確率が上位k+1以下であるクラスをグループ化して1つのグループ化クラスとする。例えば、k=3とすると、予測確率が上位である3クラス以外のクラスによりグループ化クラスが構成される。この場合、グループ化クラスの予測確率は、予測確率の上位k個に正解が含まれない確率を示すものとなる。
上記の上位k個をグループ化する方法と、(k+1)位以下をグループ化する方法を併用してもよい。
図4(C)は、予測確率の1位と上位k個の両方をグループ化する方法を示す。この方法では、予測分類情報ybが示す各クラスの予測確率のうち、1位のクラスと、前述のtopkクラスの両方を使用する。k=3の例では、予測確率が上位3位までのクラスをまとめてtop3クラスを作成し、さらに予測確率が1位のクラス(「top1クラス」と呼ぶ。)をtop3クラスとは別に1つのクラスとして取り扱う。この場合、topkクラスに正解がある確率が高くなると同時に、top1クラスが正解となる確率が高くなるようにモデルの学習が行われる。
上記の実施形態では、式(5)に示すように、グループ化クラスに属する複数のクラスの予測確率の和をそのグループ化クラスの予測確率としている。この方法は、1つの入力データがいずれか1つのクラスを持つ場合に使用される。これに対し、1つの入力データが複数の分類結果を同時に持ちうる問題(いわゆるマルチクラス問題)の場合には、グループ化クラスの予測確率は、「k個のどのクラスでもない事象」の背反事象の確率となり、以下の式で与えられる。
次に、本発明の第2実施例について説明する。第1実施例では、topkクラスについて、予測分類情報y’bと目標データt’を変形し、損失を求めている。その代わりに、第2実施例では、topkクラスについて目標データt’のみを変形し、損失を求める。
図5は、第2実施例に係る学習装置100xの機能構成を示すブロック図である。図示のように、学習装置100xは、第1実施形態に係る学習装置100におけるグループ化部30の代わりにグループ化部60を備える。グループ化部60は、並び替え部61と、目標変形部62を備える。予測部20から出力される予測分類情報ybは、グループ化部60と損失算出部40に入力される。この点以外は、学習装置100xの構成は第1実施形態の学習装置100と同様であるので、共通する部分の説明は行わない。
図6は、第2実施例による学習処理のフローチャートである。この処理は、図1に示すプロセッサ13が予め用意されたプログラムを実行し、図5に示す各要素として動作することにより実現される。なお、学習処理の開始時には、予測部20及びモデル更新部50には、初期モデルf(winit)が設定されている。
第2実施例においても、第1実施形態と同様に、(A)~(D)の方法で複数のクラスをグループ化することができる。
(A)上位k個をグループ化
この場合の変形目標データt’’jは、前述の式(11)及び(12)で与えられる。
この場合の変形目標データt’’jは以下の式で与えられる。
この場合の変形目標データt’’jは以下の式で与えられる。
この場合の変形目標データt’’jは以下の式で与えられる。
次に、本発明の第3実施例について説明する。第1実施例では、topkクラスについて、予測分類情報y’bと目標データt’を変形し、損失を求めている。第3実施例では、代わりに、topkクラスについて、グループ化するクラスの数であるkを変えて、予測分類情報yb’kと目標データt’kとを複数組生成し、生成された複数組のグループ化分類情報(yb’,t’)を用いて単一の損失を混合損失として求める。
図7は、第3実施例に係る学習装置100yの機能構成を示すブロック図である。図示のように、この学習装置100yは、第1実施例に係る学習装置100におけるグループ化部30の代わりに複数グループ化部30yを備え、損失算出部40の代わりに混合損失算出部40yを備える。予測部20、モデル更新部50は、第1実施例と同じである。
(2)学習処理
図8は、第3実施例による学習処理のフローチャートである。この処理は、図1に示すプロセッサ13が予め用意されたプログラムを実行し、図7に示す各要素として動作することにより実現される。なお、学習処理の開始時には、予測部20及びモデル更新部50には、初期モデルf(winit)が設定されている。
次に、第1実施形態に係る情報統合システムについて説明する。図9は、情報統合システム200の構成を示すブロック図である。情報統合システム200は、図示のように、第1実施例に係る学習装置100又は第2実施例に係る学習装置100xと、分類装置210と、関連情報DB220と、情報統合部230とを備える。
次に、本発明の第2実施形態について説明する。図10は、第2実施形態に係る学習装置の機能構成を示すブロック図である。なお、学習装置80のハードウェア構成は、図1と同様である。図示のように、学習装置80は、予測部81と、グループ化部82と、損失算出部83と、モデル更新部84とを備える。
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力する予測部と、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出するグループ化部と、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出する損失算出部と、
算出された損失に基づいて、前記予測モデルを更新するモデル更新部と、
を備える学習装置。
前記グループ化クラスの予測確率は、当該グループ化クラスを構成するk個のクラスのいずれかに正解が含まれる確率である付記1に記載の学習装置。
前記グループ化部は、前記予測部が出力したクラス毎の予測確率を大きさ順に並び替え、前記k個のクラスを決定する付記1又は2に記載の学習装置。
前記グループ化部は、前記グループ化クラスを構成するk個のクラスの予測確率を当該グループ化クラスの予測確率に置き換えた変形予測結果と、前記グループ化クラスを構成するk個のクラスの目標データの値を当該グループ化クラスの目標データの値に置き換えた変形目標データと、を生成する変形部を備え、
前記損失算出部は、前記変形予測結果と、前記変形目標データとに基づいて前記損失を計算する付記1乃至3のいずれか一項に記載の学習装置。
前記変形部は、前記グループ化クラスを構成するk個のクラスの予測確率の和を当該グループ化クラスの予測確率とし、前記グループ化クラスを構成するk個のクラスに含まれる目標データの値の和を当該グループ化クラスの目標データの値とする付記4に記載の学習装置。
前記グループ化部は、前記グループ化クラスを構成するk個のクラスの予測確率を用いて目標データを変形して変形目標データを生成する変形部を備え、
前記損失算出部は、前記予測部から出力された予測結果と、前記変形目標データとに基づいて前記損失を計算する付記1乃至3のいずれか一項に記載の学習装置。
前記変形部は、前記グループ化クラスを構成するk個のクラスの目標データの値の和を、当該k個のクラスの予測確率に応じて配分した値を、前記k個のクラス各々の目標データの値とする付記6に記載の学習装置。
前記グループ化部は、前記予測部が出力したクラス毎の予測確率と、既定値とに基づいて前記kの値を決定する付記1乃至7のいずれか一項に記載の学習装置。
前記変形部は、前記kの値を複数用いて、複数組の変形予測結果と変形目標データとを生成し、
前記損失算出部は、前記複数組の変形予測結果と変形目標データとに基づいて、単一の前記損失を算出する付記4又は5に記載の学習装置。
前記損失算出部は、グループ化するクラスの数毎に、前記変形予測結果と、前記変形目標データを用いて算出した損失を合成したものを前記損失とする付記9に記載の学習装置。
前記損失算出部は、グループ化するクラスの数毎に、前記変形予測結果と、前記変形目標データを用いて算出した損失を比較し、最大の値を前記損失とする付記9に記載の学習装置。
(付記12)
前記損失算出部は、グループ化するクラスの数毎に損失を算出する際に、前記変形予測結果の代わりに前記変形予測結果を変形した値を用い、前記変形目標データの代わりに前記変形目標データを変形した値を用いる付記10又は11に記載の学習装置。
付記1乃至12のいずれか一項に記載の学習装置と、
前記学習装置により学習済みの予測モデルを用いて、実用入力データを、前記グループ化クラスを含む複数のクラスに分類する1次分類装置と、
追加情報を用いて、前記実用入力データを、前記グループ化クラスを構成するk個のクラスのいずれかにさらに分類する2次分類装置と、
を備える情報統合システム。
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する学習方法。
予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位k個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する処理をコンピュータに実行させるプログラムを記録した記録媒体。
20 予測部
30、60 グループ化部
31、61 並び替え部
32 変形部
40 損失算出部
50 モデル更新部
62 目標変形部
200 情報統合システム
210 分類装置
220 関連情報DB
230 情報統合部
Claims (10)
- 予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力する予測手段と、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出するグループ化手段と、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出する損失算出手段と、
算出された損失に基づいて、前記予測モデルを更新するモデル更新手段と、
を備える学習装置。 - 前記グループ化クラスの予測確率は、当該グループ化クラスを構成するk個のクラスのいずれかに正解が含まれる確率である請求項1に記載の学習装置。
- 前記グループ化手段は、前記予測手段が出力したクラス毎の予測確率を大きさ順に並び替え、前記k個のクラスを決定する請求項1又は2に記載の学習装置。
- 前記グループ化手段は、前記グループ化クラスを構成するk個のクラスの予測確率を当該グループ化クラスの予測確率に置き換えた変形予測結果と、前記グループ化クラスを構成するk個のクラスの目標データの値を当該グループ化クラスの目標データの値に置き換えた変形目標データと、を生成する変形手段を備え、
前記損失算出手段は、前記変形予測結果と、前記変形目標データとに基づいて前記損失を計算する請求項1乃至3のいずれか一項に記載の学習装置。 - 前記変形手段は、前記グループ化クラスを構成するk個のクラスの予測確率の和を当該グループ化クラスの予測確率とし、前記グループ化クラスを構成するk個のクラスに含まれる目標データの値の和を当該グループ化クラスの目標データの値とする請求項4に記載の学習装置。
- 前記グループ化手段は、前記グループ化クラスを構成するk個のクラスの予測確率を用いて目標データを変形して変形目標データを生成する変形手段を備え、
前記損失算出手段は、前記予測手段から出力された予測結果と、前記変形目標データとに基づいて前記損失を計算する請求項1乃至3のいずれか一項に記載の学習装置。 - 前記変形手段は、前記グループ化クラスを構成するk個のクラスの目標データの値の和を、当該k個のクラスの予測確率に応じて配分した値を、前記k個のクラス各々の目標データの値とする請求項6に記載の学習装置。
- 前記グループ化手段は、前記予測手段が出力したクラス毎の予測確率と、既定値とに基づいて前記kの値を決定する請求項1乃至7のいずれか一項に記載の学習装置。
- 予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位のk個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する学習方法。 - 予測モデルを用いて入力データを複数のクラスに分類し、クラス毎の予測確率を予測結果として出力し、
前記クラス毎の予測確率に基づいて、前記予測確率が上位k個に含まれるk個のクラスにより構成されるグループ化クラスを生成し、当該グループ化クラスの予測確率を算出し、
前記グループ化クラスを含む複数のクラスの予測確率に基づいて損失を算出し、
算出された損失に基づいて、前記予測モデルを更新する処理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 |
---|---|---|---|
JPPCT/JP2019/043909 | 2019-11-08 | ||
PCT/JP2019/043909 WO2021090484A1 (ja) | 2019-11-08 | 2019-11-08 | 学習装置、情報統合システム、学習方法、及び、記録媒体 |
PCT/JP2020/008844 WO2021090518A1 (ja) | 2019-11-08 | 2020-03-03 | 学習装置、情報統合システム、学習方法、及び、記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021090518A1 JPWO2021090518A1 (ja) | 2021-05-14 |
JPWO2021090518A5 JPWO2021090518A5 (ja) | 2022-06-28 |
JP7287490B2 true JP7287490B2 (ja) | 2023-06-06 |
Family
ID=75848295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021554809A Active JP7287490B2 (ja) | 2019-11-08 | 2020-03-03 | 学習装置、学習方法、及び、プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220405534A1 (ja) |
JP (1) | JP7287490B2 (ja) |
WO (2) | WO2021090484A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255824B (zh) * | 2021-06-15 | 2023-12-08 | 京东科技信息技术有限公司 | 训练分类模型和数据分类的方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250809A (ja) | 2012-05-31 | 2013-12-12 | Casio Comput Co Ltd | 多クラス識別器、方法、およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5060224B2 (ja) * | 2007-09-12 | 2012-10-31 | 株式会社東芝 | 信号処理装置及びその方法 |
-
2019
- 2019-11-08 WO PCT/JP2019/043909 patent/WO2021090484A1/ja active Application Filing
-
2020
- 2020-03-03 WO PCT/JP2020/008844 patent/WO2021090518A1/ja active Application Filing
- 2020-03-03 US US17/772,793 patent/US20220405534A1/en active Pending
- 2020-03-03 JP JP2021554809A patent/JP7287490B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013250809A (ja) | 2012-05-31 | 2013-12-12 | Casio Comput Co Ltd | 多クラス識別器、方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20220405534A1 (en) | 2022-12-22 |
WO2021090484A1 (ja) | 2021-05-14 |
JPWO2021090518A1 (ja) | 2021-05-14 |
WO2021090518A1 (ja) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7930700B1 (en) | Method of ordering operations | |
JP7232122B2 (ja) | 物性予測装置及び物性予測方法 | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
JP7287490B2 (ja) | 学習装置、学習方法、及び、プログラム | |
CN110717537B (zh) | 训练用户分类模型、执行用户分类预测的方法及装置 | |
JP2019053491A (ja) | ニューラルネットワーク評価装置、ニューラルネットワーク評価方法、およびプログラム | |
US20210248293A1 (en) | Optimization device and optimization method | |
JP7136217B2 (ja) | 決定リスト学習装置、決定リスト学習方法および決定リスト学習プログラム | |
CN117493920A (zh) | 一种数据分类方法及装置 | |
US8495070B2 (en) | Logic operation system | |
US20220366242A1 (en) | Information processing apparatus, information processing method, and storage medium | |
WO2022252694A1 (zh) | 神经网络优化方法及其装置 | |
US20040193573A1 (en) | Downward hierarchical classification of multivalue data | |
KR20200052411A (ko) | 영상 분류 장치 및 방법 | |
JP2019185121A (ja) | 学習装置、学習方法及びプログラム | |
WO2020218246A1 (ja) | 最適化装置、最適化方法、及びプログラム | |
Christodoulou et al. | Improving the performance of classification models with fuzzy cognitive maps | |
CN114186706A (zh) | 基于整数规划的法院案件均衡分配方法、系统及电子设备 | |
JP6463961B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP4202339B2 (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
JP7263567B1 (ja) | 情報選択システム、情報選択方法及び情報選択プログラム | |
WO2023209983A1 (ja) | パラメータ生成装置、システム、方法およびプログラム | |
KR102399833B1 (ko) | 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법 | |
JP2005157788A (ja) | モデル同定装置,モデル同定プログラム及びモデル同定方法 | |
Barai et al. | Neuro-fuzzy models for constructability analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220422 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220422 |
|
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: 20230425 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7287490 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |