JP7346110B2 - システム、方法、及びプログラム - Google Patents
システム、方法、及びプログラム Download PDFInfo
- Publication number
- JP7346110B2 JP7346110B2 JP2019127056A JP2019127056A JP7346110B2 JP 7346110 B2 JP7346110 B2 JP 7346110B2 JP 2019127056 A JP2019127056 A JP 2019127056A JP 2019127056 A JP2019127056 A JP 2019127056A JP 7346110 B2 JP7346110 B2 JP 7346110B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- input
- model
- result
- prediction result
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
しかしながら、特許文献1のような従来技術では、学習済モデルの偏りについては何ら考慮されておらず、公平性を担保することができなかった。
本発明は、学習済モデルの偏りを補正し公平性を担保することができるシステムを提供することを目的とする。
図1は、本発明の実施例1に係るシステムの全体構成を示す模式図である。
本発明の実施例1に係るシステム100は、公平性管理システム101、予測システム102、及び業務システム103を有して構成される。公平性管理システム101、予測システム102、及び業務システム103は、それぞれが1台以上の情報処理装置で構成されている。複数のシステムが1台の情報処理装置で構成されていてもよい。ここで情報処理装置は、パーソナルコンピュータなどの各種コンピュータ、又は仮想マシンなどのことである。仮想マシンは、例えばソフトウェアプログラムで動作をエミュレートした仮想のコンピュータなどである。この情報処理装置の一例である情報処理装置200については、図2を用いて後述する。公平性管理システム101は、予測システム102で動作する学習済モデルが公平性を担保できているかを監視するシステムである。学習済モデルは、学習モデルを学習用データで学習させることで作成される。学習済モデルは、機械学習により作成されたモデルである。
そして、本実施例において、学習済モデルの予測結果を用いたアウトプットについて、そのような公平性が担保されるということは、そのような基準に対しての公平さを満たしている状態であるといえる。なお、公平性を判断するための基準は、例えば、学習済モデルを運用するユーザーなどが設定することができる。
図2は、図1に示したシステム100を構成する情報処理装置の内部構成の一例を示すブロック図である。
図1に示した公平性管理システム101、予測システム102、及び業務システム103のそれぞれは、図2の情報処理装置200によって構成される。
情報処理装置200は、本実施例に係るシステム100の動作を制御するプログラムを実行するCPU201を有する。CPUは、Central Processing Unitの略称である。情報処理装置200は、システムバス204を有する。CPU201は、システムバス204に接続される各ハードウェアを総括的に制御する。情報処理装置200は、HDD210及びディスクコントローラー209を有する。HDDは、Hard Disk Driveの略称である。HDD210は、記憶装置の一例であり、ここでは大容量記憶装置である。HDD210は、CPU201で実行されるプログラムを記憶する。ディスクコントローラー209は、HDD210を制御する。
図3(A)は、図1に示した公平性管理システム101の機能構成の一例を示すブロック図である。
公平性管理システム101は、プレゼンテーション部301、公平性管理部302、閾値格納部303、予測結果格納部304、再学習部305、フィードバックデータ格納部306、及び通信部307を有する。図3(A)に示す公平性管理システム101が有する各構成は、公平性管理システム101のHDD210に記憶されているプログラムを、CPU201がメモリー202に読み出して実行することによって実現される。
公平性管理部302は、学習済モデル及び学習モデルが公平性を担保できているかを判断するソフトウェアモジュールである。公平性を担保できているかを判断する処理については、図7及び図8を用いて後述する。
閾値格納部303は、表1を用いて後述する閾値管理テーブルを格納するソフトウェアモジュールである。
予測結果格納部304は、表2を用いて後述する予測結果管理テーブル、及び表3を用いて後述する予測結果統計テーブルを格納するソフトウェアモジュールである。
再学習部305は、本番で運用されている後述する予測システム102の学習済モデル341と同じ学習状態の学習済モデルを学習モデルとして再学習させるソフトウェアモジュールである。
フィードバックデータ格納部306は、表4を用いて後述するフィードバックデータ管理テーブルを格納するソフトウェアモジュールである。
通信部307は、ネットワーク104を介して、予測システム102、及び業務システム103と通信するためのソフトウェアモジュールである。
図3(B)は、予測システム102の機能構成の一例を示すブロック図である。
予測システム102は、学習済モデル341、学習済モデル差し替え部342、及び通信部343を有する。図3(B)に示す予測システム102が有する各構成は、予測システム102のHDD210に記憶されているプログラムを、CPU201がメモリー202に読み出して実行することによって実現される。
学習済モデル差し替え部342は、学習済モデル341を差し替えるソフトウェアモジュールである。
通信部343は、ネットワーク104を介して、公平性管理システム101、及び業務システム103と通信するためのソフトウェアモジュールである。予測システム102は、公平性管理システム101と通信し、業務システム103とは通信しないものであってもよい。
図3(C)は、業務システム103の機能構成の一例を示すブロック図である。
業務システム103は、プレゼンテーション部371、ロジック部372、及び通信部373を有する。図3(C)に示す業務システム103が有する各構成は、業務システム103のHDD210に記憶されているプログラムを、CPU201がメモリー202に読み出して実行することによって実現される。
ロジック部372は、プレゼンテーション部371から渡されたデータを処理するソフトウェアモジュールである。
通信部373は、ネットワーク104を介して、公平性管理システム101、及び予測システム102と通信するためのソフトウェアモジュールである。業務システム103は、公平性管理システム101と通信し、予測システム102とは通信しないものであってもよい。
表1から表4は、公平性管理システム101が管理するテーブルの例を示す表である。
閾値管理IDは、閾値情報を一意に識別するためのIDである。
項目は、公平性管理システム101が公平性を担保するために監視する入力データの項目である。例えば、表1の1行目においては、性別が監視する項目であることを示している。公平性を担保するために監視する入力データの項目としては、性別、国籍、地域性、学歴、人種、年齢、及び収入などが挙げられる。
監視対象の値は、学習済モデル341の偏りにより不利になっていないかを監視する値を示している。例えば、表1の1行目においては、不利になっていないかを監視する値が女性であることを示している。監視する値である「女性」は、第1の入力値の一例である。性別を「女性」とした入力データを用いた学習済モデル341の予測結果が第1の予測結果である。
比較対象の値は、監視対象の値の列の値が不利になっていないかを判断するための比較対象の値を示している。例えば、表1の1行目においては、比較対象の値が男性であることを示している。比較対象の値である「男性」は、第2の入力値の一例である。
閾値は、どの程度であれば公平性を担保できるかを示す閾値である。例えば、表1の1行目においては、閾値が0.9であることを示している。
期待の結果は、学習済モデル341の予測結果が何であれば有利となるのかを示している。例えば、表1の1行目においては、予測結果が承認であれば有利になることを示している。
つまり、表1の1行目の閾値管理IDがF001である閾値情報は、入力データの性別の項目において、女性の承認率/男性の承認率<0.9であれば学習済モデル341に偏りが生じており、女性が不利になっていると判断することを示している。
予測IDは、予測結果情報を一意に示すIDである。
性別、年齢、及び収入は、公平性管理システム101から予測システム102に対して予測を依頼したときの入力データの項目を示している。予測結果テーブルは、この他に、勤続年数などの入力データの項目も有してもよい。
予測結果は、予測システム102が予測した結果を示している。
業務システム103が、公平性管理システム101を介して、予測システム102にローンの承認可否を予測依頼する処理については、図6を用いて後述する。
項目は、統計をとった入力データの項目を示している。
値は、統計をとった入力データの値を示している。
申請数は、予測システム102に予測を依頼した数を示している。
承認数は、予測システム102が予測結果を承認として返してきた数を示している。
例えば、表3の1行目においては、性別が女性である申請は100件であり、予測システム102は、そのうちの40件を承認と予測したことを示している。
フィードバックデータIDは、フィードバックデータを一意に識別するIDである。
性別、年齢、及び収入は、業務システム103から公平性管理システム101に対して予測を依頼したときの入力データの項目を示している。フィードバックデータ管理テーブルは、この他に、勤続年数などの入力データの項目も有してもよい。
最終結果は、業務システム103で承認可否を決定した結果を示している。
図4は、公平性管理システム101のプレゼンテーション部301が生成するUIの一例である。本UIは、例えば、公平性管理システム101の利用者が使用するパソコンのブラウザからのリクエストに応じてプレゼンテーション部301が生成し、そのパソコンのブラウザに表示される。パソコンは、パーソナルコンピュータの略称である。このパソコンは、ネットワーク104に接続され、公平性管理システム101と通信可能である。このパソコンは、公平性管理システム101と別の構成であってもよいし、公平性管理システム101を構成するものであってもよい。
プルダウン401は、公平性管理システム101が公平性を担保するために監視する入力データの項目(表1の項目に対応)を設定するためのプルダウンである。
プルダウン402は、学習済モデル341の偏りにより不利になっていないかを監視する値(表1の監視対象の値に対応)を設定するプルダウンである。
プルダウン403は、プルダウン402で設定した監視する値が不利になっていないかを判断するための比較対象の値(表1の比較対象の値に対応)を設定するためのプルダウンである。
テキストボックス404は、どの程度であれば公平性を担保できるかを示す値(表1の閾値に対応)を設定するためのテキストボックスである。
プルダウン405は、学習済モデル341の予測結果が何であれば有利となるのかを示す結果(表1の期待の結果に対応)を設定するためのプルダウンである。
ボタン406は、閾値情報設定画面400で入力された内容で、閾値情報を設定するためのボタンである。プレゼンテーション部301は、パソコンのブラウザからのリクエストによってボタン406が押下されたことを検知すると、閾値格納部303を介して表1に示した閾値管理テーブルに、閾値情報設定画面400で入力された閾値情報を保存する。
ボタン407は、閾値情報の設定をキャンセルするためのボタンである。
図5、図6、及び図7を用いて、業務システム103が、公平性管理システム101及び予測システム102と連携して、ローンの申請を審査する処理について説明する。
テキストボックス501は、ローンの申請者(ローン審査の対象者)の氏名を入力するためのテキストボックスである。
テキストボックス502は、ローンの申請者の住所を入力するためのテキストボックスである。
プルダウン503は、ローンの申請者の性別を設定するためのプルダウンである。
プルダウン504は、ローンの申請者の年齢を設定するためのプルダウンである。
プルダウン505は、ローンの申請者の収入を設定するためのプルダウンである。
ローン審査画面500は、その他、勤続年数などのローンの申請者の情報を入力するコントロールを有してもよい。ここで、コントロールとは、例えば、テキストボックス、プルダウン、又はボタンのようなUI部品を指す。
ボタン506は、ローン審査画面500で設定されているローンの申請者の情報で承認可否を予測するためのボタンである。ボタン506が押下されると、これを受けた業務システム103は、図6を用いて後述する処理を実行する。
プルダウン507は、ローンの承認可否を設定するためのプルダウンである。ボタン506が押下されて予測が行われると、その予測結果がプルダウン507に設定される。
ボタン508は、ローン審査画面500で入力されている内容でローン承認可否を決定するためのボタンである。
ボタン509は、ローンの審査をキャンセルするためのボタンである。
ステップS701で、閾値格納部303は、表1で示した閾値管理テーブルから閾値情報を1件取得して、ステップS702に遷移する。
ステップS702で、公平性管理部302は、閾値情報を取得できたかを判断する。公平性管理部302は、閾値情報を取得できた場合は、ステップS703に遷移する。公平性管理部302は、閾値情報を取得できなかった場合は、すべての閾値情報についての確認処理が終了したと判断して処理を終了する。
例えば、閾値情報の閾値管理IDがF001であった場合、比率は、女性の承認率/男性の承認率となる。予測結果統計情報から女性の申請数は100であり承認数は40であるため、女性の承認率は0.4である。また、男性の申請数は200であり承認数は100であるため、男性の承認率は0.5である。そのため、比率は0.8となる。
予測結果の「承認」は、予測結果が所定の予測結果であることの一例である。申請数は、第1の入力値を含む入力を用いて第1のモデルにより予測した予測総数の一例である。承認数は、第1の入力値を含む入力を用いて第1のモデルにより予測した予測結果が所定の予測結果であった回数の一例である。女性の承認率は、第1の割合の一例である。男性の承認率は、第2の割合の一例である。
ステップS605で、予測システム102の通信部343は、ステップS604で予測した予測結果を公平性管理システム101に応答する。
ステップS606で、公平性管理システム101の予測結果格納部304は、ステップS603で予測依頼した入力データとステップS605で受信した予測結果を、予測結果情報として、表2で示した予測結果テーブルにレコードを追加する。
ステップS607で、公平性管理システム101の予測結果格納部304は、ステップS603で予測依頼した入力データとステップS605で受信した予測結果から表3で示した予測結果統計テーブルを更新する。例えば、入力データの性別の項目の値が女性で、予測結果が承認であった場合、予測結果格納部304は、表3の予測結果統計テーブルの1行目の申請数と承認数をそれぞれ1件加算する。
ステップS609で、業務システム103のプレゼンテーション部371は、ステップS608で受信した予測結果をローン審査画面500のプルダウン507に表示するUIを生成する。ローンの申請を審査する担当者は、予測結果をそのまま受け入れる場合、ブラウザに表示されるローン審査画面500のボタン508を押下して確定する。ローンの申請を審査する担当者は、予測結果と異なる結果としたい場合は、プルダウン507を操作して選択肢を変更してからボタン508を押下して確定する。業務システム103のプレゼンテーション部371が、ボタン508を押下されたことを検知するとステップS610に遷移する。
ステップS611で、公平性管理システム101のフィードバックデータ格納部306は、ステップS610で受信したフィードバックデータを表4で示したフィードバックデータ管理テーブルに格納する。この処理は、第2の予測結果に対するフィードバックを受け付ける受付手段の一例である。このように、ステップS704で学習済モデル341が公平であるかを判断して、ステップS705で予測依頼の内容を書き換えることによって、すぐに公平性を担保できるようになる。
次に図8、及び図9を用いて、公平性管理システム101が学習モデルの再学習を行い、予測システム102の学習済モデル341を差し替えるまでの処理について説明する。
ステップS802で、再学習部305は、ステップS801で取得したフィードバックデータを学習用データと検証用データに分割してステップS803に遷移する。検証用データとは、学習モデルが、学習済モデルとしての条件を満たしているかを検証するためのデータであり、一般的に検証用データは学習には使用しないようにして、学習用データとは別に用意する。
ステップS803で、再学習部305は、学習用データの水増しを行い、ステップS804に遷移する。本実施例によれば、学習用データの水増しを行うことで、フィードバックデータが大量に貯まる前であっても再学習させることができ、再学習した学習済モデルをより早く作成することができる。ステップS803の処理の詳細については、図9を用いて後述する。なお、ステップS803の処理は、必要に応じて行う処理であり、規定量のフィードバックデータが集まっているならば、水増しなしに、再学習を行ってもよい。
ステップS805で、再学習部305は、ステップS802で作成した検証用データを入力データとして、ステップS804で再学習した学習モデルで予測を行い、ステップS806に遷移する。この再学習した学習モデルは、第2のモデルの一例である。
ステップS806で、再学習部305は、ステップS805の処理で出力された予測結果と入力データから予測結果統計情報を作成し、ステップS807に遷移する。
ステップS808で、公平性管理部302は、閾値情報を取得できたかを判断する。公平性管理部302は、閾値情報を取得できた場合は、ステップS809に遷移する。公平性管理部302は、閾値情報を取得できなかった場合は、すべての閾値情報について公平性を担保できる状態になっていると判断してステップS811に遷移する。
ステップS809で、公平性管理部302は、ステップS806で作成した予測結果統計情報から比率を計算しステップS810に遷移する。比率の計算方法はステップS703と同じである。
ステップS810で、公平性管理部302は、ステップS809で計算した比率が、ステップS807で取得した閾値情報の閾値を下回っているかを判断する。この判断処理は、ステップS704の処理と同じ処理である。この判断処理は、第2のモデルによる検証用の入力を用いた予測の結果が、所定の条件を満たすか否かを判定する判定手段の一例である。公平性管理部302は、比率が閾値を下回っている場合は、再学習した学習モデルは、まだ公平性を担保できる状態ではないと判断して処理を終了する。公平性管理部302は、比率が閾値を下回っていない場合は、再学習した学習モデルはステップS807で取得した閾値情報については公平性が担保されていると判断してステップS807に遷移する。
ステップS851で、予測システム102の通信部343は、学習済モデル341の差し替えの要求があったかを監視する。予測システム102は、学習済モデル341の差し替えの要求があった場合は、ステップS852に遷移する。予測システム102は、学習済モデル341の差し替えの要求がなかった場合は、ステップS851で学習済モデル341の差し替えの要求の監視を続ける。
ステップS852で、学習済モデル差し替え部342は、ステップS8851で受信した学習済モデルと予測システム102の学習済モデル341とを差し替えて処理を終了する。この差し替える処理は、第1のモデルを、第2のモデルに差し替える差し替え手段の一例である。このように本実施例によれば、学習済モデル341を、フィードバックデータを用いて再学習して作成した、公平性を担保できる状態の学習済モデルに差し替えることができる。この再学習して作成した、公平性を担保できる状態の学習済モデルに差し替える処理は、第2のモデルを作成する作成手段の一例である。
ステップS901で、再学習部305は、追加の学習用データを空で定義してステップS902に遷移する。
再学習部305は、ステップS902からステップS906までの処理を、学習用データの数だけ繰り返し行う。
ステップS903で、再学習部305は、フィードバックデータから作成した学習用データが、ステップS705の処理で予測依頼が書き換えられたものであるかを判断する。再学習部305は、予測依頼が書き換えられたものであった場合は、ステップS904に遷移する。再学習部305は、予測依頼が書き換えられたものでなかった場合は、ステップS906に遷移する。
ステップS905で、再学習部305は、ステップS904で水増しにより作成された学習用データを追加の学習用データに追加する。
ステップS907で、再学習部305は、ステップS905の追加の学習用データを、ステップS804の再学習で用いる学習用データに追加して、処理を終了する。
以上、本発明によれば、再学習部305は、公平性を担保するために入力データの書き換え、フィードバックデータを用いて公平性を担保できる学習済モデルを作成する。このことで、本発明によれば、すぐに公平性を担保できるようにしつつ、再学習した学習済モデルに自動的に差し替えできる。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
102 予測システム
103 業務システム
Claims (6)
- 機械学習により作成された第1のモデルを管理するシステムであって、
第1の入力値を含む入力を用いた前記第1のモデルによる予測の結果である第1の予測結果が所定の条件を満たす場合に、前記入力に含まれる当該第1の入力値を第2の入力値に置換する置換手段と、
前記置換が行われた後の入力を用いた前記第1のモデルによる予測の結果である第2の予測結果を保存する保存手段と、
前記第2の予測結果に対するフィードバックを受け付ける受付手段と、
前記受け付けたフィードバックに基づき、前記第1の入力値を含む入力と前記第2の予測結果とからなる学習用データを用いた機械学習を行うことで第2のモデルを作成する作成手段と、を有し、
前記所定の条件は、前記第1の入力値を含む入力を用いた前記第1のモデルによる予測の結果と、前記第2の入力値を含む入力を用いた前記第1のモデルによる予測の結果と、の間に偏りがある場合に満たされる条件である
ことを特徴とするシステム。 - 前記第2のモデルによる検証用の入力を用いた予測の結果が、前記所定の条件を満たすか否かを判定する判定手段をさらに有する
ことを特徴とする請求項1に記載のシステム。 - 前記第2のモデルを作成するために、前記第1の入力値を含む入力と前記第2の予測結果とからなる学習用データに基づき、当該入力の少なくとも一部の値が重複する学習用データを生成する生成手段をさらに有し、
前記作成手段は、前記第1の入力値を含む入力と前記第2の予測結果とからなる学習用データと、前記生成手段で生成された学習用データと、を用いて機械学習を行うことで前記第2のモデルを作成する
ことを特徴とする請求項1又は2に記載のシステム。 - 前記第1の入力値を含む入力を用いて前記第1のモデルにより予測した予測結果が所定の予測結果であった回数の、前記第1の入力値を含む入力を用いて前記第1のモデルにより予測した予測総数に対する割合を第1の割合とし、
前記第2の入力値を含む入力を用いて前記第1のモデルにより予測した予測結果が前記所定の予測結果であった回数の、前記第2の入力値を含む入力を用いて前記第1のモデルにより予測した予測総数に対する割合を第2の割合とし、
前記所定の条件は、前記第1の割合と前記第2の割合との比率に応じた条件である
ことを特徴とする請求項1から3のいずれか1項に記載のシステム。 - 機械学習により作成された第1のモデルを管理するシステムで実行される方法であって、
第1の入力値を含む入力を用いた前記第1のモデルによる予測の結果である第1の予測結果が所定の条件を満たす場合に、前記入力に含まれる当該第1の入力値を第2の入力値に置換する置換工程と、
前記置換が行われた後の入力を用いた前記第1のモデルによる予測の結果である第2の予測結果を保存する保存工程と、
前記第2の予測結果に対するフィードバックを受け付ける受付工程と、
前記受け付けたフィードバックに基づき、前記第1の入力値を含む入力と前記第2の予測結果とからなる学習用データを用いた機械学習を行うことで第2のモデルを作成する作成工程と、を有し、
前記所定の条件は、前記第1の入力値を含む入力を用いた前記第1のモデルによる予測の結果と、前記第2の入力値を含む入力を用いた前記第1のモデルによる予測の結果と、の間に偏りがある場合に満たされる条件である
ことを特徴とする方法。 - 請求項1乃至4のいずれか1項に記載のシステムの各手段としてコンピュータを機能させるためのプログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127056A JP7346110B2 (ja) | 2019-07-08 | 2019-07-08 | システム、方法、及びプログラム |
PCT/JP2020/019792 WO2021005891A1 (ja) | 2019-07-08 | 2020-05-19 | システム、方法、及びプログラム |
CN202080049471.5A CN114072821A (zh) | 2019-07-08 | 2020-05-19 | 系统、方法和程序 |
US17/568,163 US20220129793A1 (en) | 2019-07-08 | 2022-01-04 | System, method, and non-transitory storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127056A JP7346110B2 (ja) | 2019-07-08 | 2019-07-08 | システム、方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021012593A JP2021012593A (ja) | 2021-02-04 |
JP7346110B2 true JP7346110B2 (ja) | 2023-09-19 |
Family
ID=74114186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019127056A Active JP7346110B2 (ja) | 2019-07-08 | 2019-07-08 | システム、方法、及びプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220129793A1 (ja) |
JP (1) | JP7346110B2 (ja) |
CN (1) | CN114072821A (ja) |
WO (1) | WO2021005891A1 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023073967A1 (ja) * | 2021-10-29 | 2023-05-04 | 富士通株式会社 | 精度判定プログラム、精度判定装置、および精度判定方法 |
JP2023108831A (ja) | 2022-01-26 | 2023-08-07 | 富士通株式会社 | データ修正プログラム、データ修正方法、及び、情報処理装置 |
JP2023113047A (ja) | 2022-02-02 | 2023-08-15 | 富士通株式会社 | 機械学習プログラム,機械学習方法及び情報処理装置 |
JP2023176667A (ja) | 2022-05-31 | 2023-12-13 | 富士通株式会社 | 判定プログラム、判定装置、および判定方法 |
JP2024029832A (ja) | 2022-08-23 | 2024-03-07 | 富士通株式会社 | 判定プログラム、判定装置、および判定方法 |
US11928730B1 (en) | 2023-05-30 | 2024-03-12 | Social Finance, Inc. | Training machine learning models with fairness improvement |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172249A (ja) | 2005-12-21 | 2007-07-05 | Fujitsu Ltd | 文書分類プログラム、文書分類装置、および文書分類方法 |
US20080103996A1 (en) | 2006-10-31 | 2008-05-01 | George Forman | Retraining a machine-learning classifier using re-labeled training samples |
-
2019
- 2019-07-08 JP JP2019127056A patent/JP7346110B2/ja active Active
-
2020
- 2020-05-19 CN CN202080049471.5A patent/CN114072821A/zh active Pending
- 2020-05-19 WO PCT/JP2020/019792 patent/WO2021005891A1/ja active Application Filing
-
2022
- 2022-01-04 US US17/568,163 patent/US20220129793A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007172249A (ja) | 2005-12-21 | 2007-07-05 | Fujitsu Ltd | 文書分類プログラム、文書分類装置、および文書分類方法 |
US20080103996A1 (en) | 2006-10-31 | 2008-05-01 | George Forman | Retraining a machine-learning classifier using re-labeled training samples |
Non-Patent Citations (1)
Title |
---|
奥井 環 ほか,第4回 実装・テスト モデルの不確実性を取り除く手法の確立は今後の課題,日経SYSTEMS,日本,日経BP社,2018年01月14日,第310号,pp.62-67,ISSN:1881-1620 |
Also Published As
Publication number | Publication date |
---|---|
WO2021005891A1 (ja) | 2021-01-14 |
CN114072821A (zh) | 2022-02-18 |
US20220129793A1 (en) | 2022-04-28 |
JP2021012593A (ja) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7346110B2 (ja) | システム、方法、及びプログラム | |
Chung et al. | Adaptive personalization using social networks | |
Chien et al. | Data-driven innovation to capture user-experience product design: An empirical study for notebook visual aesthetics design | |
Pérez et al. | Group decision making problems in a linguistic and dynamic context | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
Saxena et al. | Auto-adaptive learning-based workload forecasting in dynamic cloud environment | |
US9436913B2 (en) | Adaptive probabilistic computer-controlled method and system | |
CN109815459A (zh) | 生成被调整到目标受众词汇的文本内容的目标概要 | |
US10803377B2 (en) | Content presentation based on a multi-task neural network | |
Himabindu et al. | Conformal matrix factorization based recommender system | |
WO2021196435A1 (zh) | 一种信息推荐方法及相关设备 | |
Bogaert et al. | The added value of Facebook friends data in event attendance prediction | |
CN111708682B (zh) | 数据预测方法、装置、设备及存储介质 | |
EP3437055A2 (en) | Method and system for determining optimized customer touchpoints | |
JP2020184126A (ja) | 情報処理装置及びプログラム | |
Parmar | A multidisciplinary approach to ICT development | |
Sutton et al. | A reinforcement learning and synthetic data approach to mobile notification management | |
Pise et al. | Evolving learners’ behavior in data mining | |
JP2023550510A (ja) | 推薦方法、装置、電子機器及び記憶媒体 | |
JP2021012594A (ja) | システム、方法、及びプログラム | |
KR20210148877A (ko) | 전자 장치 및 이의 제어 방법 | |
Wolters et al. | Predicting activities of interest in the remainder of customer journeys under online settings | |
US20190236410A1 (en) | Bootstrapping recommendation systems from passive data | |
Burghardt et al. | Emergent instabilities in algorithmic feedback loops | |
Martinez et al. | Fuzzy Simulation of Human Behaviour in the Health-e-Living System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220628 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230530 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230724 |
|
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: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230906 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7346110 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |