JP7384322B2 - 予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム - Google Patents
予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム Download PDFInfo
- Publication number
- JP7384322B2 JP7384322B2 JP2023524840A JP2023524840A JP7384322B2 JP 7384322 B2 JP7384322 B2 JP 7384322B2 JP 2023524840 A JP2023524840 A JP 2023524840A JP 2023524840 A JP2023524840 A JP 2023524840A JP 7384322 B2 JP7384322 B2 JP 7384322B2
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- model
- cluster
- predictive model
- clusters
- 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
- 238000000034 method Methods 0.000 title claims description 134
- 239000000463 material Substances 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 12
- 230000009897 systematic effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000007637 random forest analysis Methods 0.000 description 9
- 230000000052 comparative effect Effects 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
[1]材料特性の予測モデル作成方法であって、
学習用データセットを取得するステップと、
前記学習用データセットとクラスタリングモデルを用いて、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類するステップと、
前記各クラスターの重心間の距離を算出するステップと、
前記クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータとを用いて、前記クラスター間の重みを算出するステップと、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデル{Mi}1≦i≦Nを生成するステップと、を有することを特徴とする材料特性の予測モデル作成方法。
[2]前項1に記載の予測モデル作成方法に引き続いて行う材料特性の予測方法であって、
予測用データを取得するステップと、
前記学習済みクラスタリングモデルを用いて、前記予測用データがN個に分類された学習用データセットクラスターのうちクラスターpに属することを特定するステップと、
前記予測用データを入力として、前記クラスターpに対応する学習済み予測モデルMpを用いて予測値を求めるステップと、を有することを特徴とする材料特性の予測方法。
[3]前項1に記載の材料特性の予測モデル作成方法であって、
前項1に記載のクラスタリングモデルを構築するステップにおいて、K-means法、Nearest Neighbor法、階層的クラスタリング法、混合ガウス法、DBSCAN法、t-SNE法、自己組織化マップ法のうち、いずれか1つまたは複数のクラスタリング手法を用いることを特徴とする材料特性の予測モデル作成方法。
[4]前項1に記載の材料特性の予測モデル作成方法であって、
前項1に記載のクラスターの重心間の距離を算出するステップにおいて、ユークリッド距離法、マンハッタン距離法、マハラノビス距離法、ミンコフスキー距離法、コサイン距離法、最短距離法、最長距離法、重心法、群平均法、ward法、Kullback-Leiblerダイバージェンス、Jensen―Shannonダイバージェンス、Dynamic time warping、Earth mover's distanceのうち、いずれか1つまたは複数の組合せを用いて距離を算出することを特徴とする材料特性の予測モデル作成方法。
[5]前項1に記載の材料特性の予測モデル作成方法であって、
前記学習用データセットの特徴を表すパラメータとして、前記学習用データセットの特性値に係る系統誤差、標準偏差、分散、変動係数、分位数、尖度、歪度のうち、いずれか1つまたは複数のパラメータを用いることを特徴とする材料特性の予測モデル作成方法。
[6]前項1に記載の材料特性の予測モデル作成方法であって、
前記重みを算出するステップにおいて、指数関数型、逆数型、逆数の累乗型のうち、いずれか1つまたは複数の重み関数を用いることを特徴とする材料特性の予測モデル作成方法。
[7]材料特性の予測モデル作成装置であって、
学習用データセットが入力されることで、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類するクラスタリングモデルと、
分類された前記各クラスターの重心間の距離を算出し、算出された各クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータとを用いて、前記各クラスター間の重みを算出する重み定義部と、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデルを生成する予測モデル{Mi}1≦i≦Nと、を有することを特徴とする予測モデル作成装置。
[8]材料特性の予測装置であって、
予測用データが入力されることで、前記予測用データがN個に分類されたクラスターのうちクラスターpに属することを特定する、前項7に記載の予測モデル作成装置により作成された学習済みクラスタリングモデルと、
特定された前記クラスターpに対応し、予測用データを入力として予測値を求める、前項7に記載の予測モデル作成装置により作成された学習済み予測モデルMpと、
求められた予測値を出力する出力部と、を有することを特徴とする材料特性の予測装置。
[9]材料特性の予測モデル作成プログラムであって、
学習用データセットを取得する工程と、
前記学習用データセットとクラスタリングモデルを用いて、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類する工程と、
前記各クラスターの重心間の距離を算出する工程と、
前記クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータを用いて、前記クラスター間の重みを算出する工程と、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデル{Mi}1≦i≦Nを生成する工程と、をコンピュータに実行させるための予測モデル作成プログラム。
[10]材料特性の予測プログラムであって、
予測用データを取得する工程と、
前項9に記載の予測モデル作成プログラムにより作成された学習済みクラスタリングモデルを用いて、前記予測用データがN個に分類された学習用データセットクラスターのうちクラスターpに属することを特定する工程と、
前記予測用データを入力として、特定された前記クラスターpに対応し、前項9に記載の予測モデルMpを用いて予測値を求める工程と、をコンピュータに実行させるための予測プログラム。
はじめに、予測モデル作成装置及び予測装置の機能構成について説明する。予測モデル作成装置は、試作時の設計条件と、試作した材料の特性値とを含む学習用データセットを用いて予測モデルの生成を行う予測モデル作成装置を例に説明する。また、予測装置は、予測モデル作成装置において作成された学習済み予測モデルを用いて新たな設計条件のもとで試作する材料の特性値を予測する予測装置を例に説明する。
・クラスタリングモデル121、
・重み定義部122、
・予測モデル123、
として機能する(図1(a)参照)。
のうちのいずれか1つまたは複数の学習手法のもとで学習が行われるモデルであるとする。
のうちのいずれか1つまたは複数の組合せを用いて距離を算出することができる。
のうちいずれか1つまたは複数を用いて定義される。
"ランダムフォレスト、決定木、勾配ブースティング、アダブースト、バギング、線形、部分最小二乗、ラッソ、線形リッジ、エラスティックネット"、
のうちのいずれか1つまたは複数の組合せを用いることができる。
・学習済みクラスタリングモデル131、
・学習済み予測モデル132、
・出力部133、
として機能する(図1(b)参照)。
<予測モデル作成装置及び予測装置のハードウェア構成>
次に、予測モデル作成装置120及び予測装置130のハードウェア構成について説明する。なお、予測モデル作成装置120及び予測装置130は、同様のハードウェア構成を有するため、ここでは、図2を用いて、予測モデル作成装置120及び予測装置130のハードウェア構成をまとめて説明する。
次に、学習処理の流れについて説明する。図3は、学習処理の流れを示すフローチャートである。
<予測処理の流れ>
次に、予測処理の流れについて説明する。図4は、予測処理の流れを示すフローチャートである。
以上の説明から明らかなように、実施形態に係る予測装置130は、
・入力データをクラスタリングするための学習済みクラスタリングモデル131と、クラスターpに対応した学習済み予測モデル132を有する。
・適切な重みのもとで、学習済み予測モデル132により予測された特性値を予測データとして、出力する。
本発明の予測方法の具体的な実施例を、公知のデータセットを用いて説明する。なお、本発明による特性予測は材料系分野に限らず適用が可能である。
(1)手順1
以下で学習手順の説明を行う。
手順1で得た学習用データセットを用いて、scikit-learnに格納されているクラスタリングアルゴリズムであるK―Means法を用いて学習を行い、学習済みクラスタリングモデルを得た。
手順2で学習した学習済みクラスタリングモデルを用い、学習用データセットを入力することで、N個にクラスター分類された学習用データセットクラスターを得た。ここでは、エルボー法で行った結果として、2個のクラスターを得た。
手順3でクラスター分類された学習用データセットクラスターに対し、各クラスター間の重心間の距離{lij}1≦i≦N,1≦j≦NをN(N-1)/2通り算出した。ここでは、各クラスター間の重心間の距離として、ユークリッド距離を用いた。
手順4で算出したクラスター間の距離{lij}1≦i≦N,1≦j≦Nと、学習用データセットの特徴を表すパラメータとを用いて、前記クラスター間の重み{Wij}1≦i≦N,1≦j≦Nを算出した。ここでは、学習用データセットの特徴を表すパラメータとして、学習用データセットのMEDVの標準偏差を用いた。また、クラスター間の重みとして下記式(1)で表される重み関数を用いた。なお、任意定数として、α=1.0を用いた。
手順2で生成した学習用データセットクラスターと手順5で生成した各クラスターごとの重みとを、scikit-learnに格納されているランダムフォレスト回帰アルゴリズムを予測モデルとして用い、各クラスターに対して予測モデルMiに学習させ、2つの学習済み予測モデルを得た。なお、ここでは、重みを適用した学習の方法として、scikit-learnに格納されているランダムフォレスト回帰アルゴリズムのfit関数内のパラメータに重みを入力した。
(7)手順7
以下で予測手順の説明を行う。
予測用データを入力として、手順6で作成した、予測用データの属するクラスターpに対応する学習済み予測モデルMpを用いて特性値を予測し、予測された特性値を予測データとして出力した。
本発明の予測方法の予測精度を求めた。予測精度は、下記式(2)によって定義されるR2値を評価指標とした。R2値は、1に近いほど予測精度が高い。
一方、比較例として、手順2のクラスタリングを行わず、手順5にある重みを用いないことを除いて、図6および図7のフローチャートに示すように、実施例と同様に予測モデルの作成の予測を行い、R2値を算出した。
上記各実施形態において、予測モデル作成装置と予測装置とは別体の装置として説明した。しかしながら、予測モデル作成装置と予測装置とは一体の装置により構成されてもよい。
120 :予測モデル作成装置
121 :クラスタリングモデル
122 :重み定義部
123 :予測モデル
130 :予測装置
131 :学習済みクラスタリングモデル
132 :学習済み予測モデル
133 :出力部
Claims (10)
- コンピュータが実行する、材料特性の予測モデル作成方法であって、
学習用データセットを取得するステップと、
前記学習用データセットとクラスタリングモデルを用いて、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類するステップと、
前記各クラスターの重心間の距離を算出するステップと、
前記クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータとを用いて、前記クラスター間の重みを算出するステップと、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデル{Mi}1≦i≦Nを生成するステップと、を有することを特徴とする材料特性の予測モデル作成方法。 - 請求項1に記載の予測モデル作成方法に引き続いて行う材料特性の予測方法であって、
予測用データを取得するステップと、
前記学習済みクラスタリングモデルを用いて、前記予測用データがN個に分類された学習用データセットクラスターのうちクラスターpに属することを特定するステップと、
前記予測用データを入力として、前記クラスターpに対応する学習済み予測モデルMpを用いて予測値を求めるステップと、を有することを特徴とする材料特性の予測方法。 - 請求項1に記載の材料特性の予測モデル作成方法であって、
請求項1に記載のクラスタリングモデルを構築するステップにおいて、K-means法、Nearest Neighbor法、階層的クラスタリング法、混合ガウス法、DBSCAN法、t-SNE法、自己組織化マップ法のうち、いずれか1つまたは複数のクラスタリング手法を用いることを特徴とする材料特性の予測モデル作成方法。 - 請求項1に記載の材料特性の予測モデル作成方法であって、
請求項1に記載のクラスターの重心間の距離を算出するステップにおいて、ユークリッド距離法、マンハッタン距離法、マハラノビス距離法、ミンコフスキー距離法、コサイン距離法、最短距離法、最長距離法、重心法、群平均法、ward法、Kullback-Leiblerダイバージェンス、Jensen―Shannonダイバージェンス、Dynamic time warping、Earth mover's distanceのうち、いずれか1つまたは複数の組合せを用いて距離を算出することを特徴とする材料特性の予測モデル作成方法。 - 請求項1に記載の材料特性の予測モデル作成方法であって、
前記学習用データセットの特徴を表すパラメータとして、前記学習用データセットの特性値に係る系統誤差、標準偏差、分散、変動係数、分位数、尖度、歪度のうち、いずれか1つまたは複数のパラメータを用いることを特徴とする材料特性の予測モデル作成方法。 - 請求項1に記載の材料特性の予測モデル作成方法であって、
前記重みを算出するステップにおいて、指数関数型、逆数型、逆数の累乗型のうち、いずれか1つまたは複数の重み関数を用いることを特徴とする材料特性の予測モデル作成方法。 - 材料特性の予測モデル作成装置であって、
学習用データセットが入力されることで、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類するクラスタリングモデルと、
分類された前記各クラスターの重心間の距離を算出し、算出された各クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータとを用いて、前記各クラスター間の重みを算出する重み定義部と、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデルを生成する予測モデル{Mi}1≦i≦Nと、を有することを特徴とする予測モデル作成装置。 - 材料特性の予測装置であって、
予測用データが入力されることで、前記予測用データがN個に分類されたクラスターのうちクラスターpに属することを特定する、請求項7に記載の予測モデル作成装置により作成された学習済みクラスタリングモデルと、
特定された前記クラスターpに対応し、予測用データを入力として予測値を求める、請求項7に記載の予測モデル作成装置により作成された学習済み予測モデルMpと、
求められた予測値を出力する出力部と、を有することを特徴とする材料特性の予測装置。 - 材料特性の予測モデル作成プログラムであって、
学習用データセットを取得する工程と、
前記学習用データセットとクラスタリングモデルを用いて、学習済みクラスタリングモデルを生成するとともに、前記学習用データセットをN個のクラスターに分類する工程と、
前記各クラスターの重心間の距離を算出する工程と、
前記クラスターの重心間の距離と前記学習用データセットの特徴を表すパラメータを用いて、前記クラスター間の重みを算出する工程と、
前記クラスターごとに、クラスターと前記重みを用いて学習済み予測モデル{Mi}1≦i≦Nを生成する工程と、をコンピュータに実行させるための予測モデル作成プログラム。 - 材料特性の予測プログラムであって、
予測用データを取得する工程と、
請求項9に記載の予測モデル作成プログラムにより作成された学習済みクラスタリングモデルを用いて、前記予測用データがN個に分類された学習用データセットクラスターのうちクラスターpに属することを特定する工程と、
前記予測用データを入力として、特定された前記クラスターpに対応し、請求項9に記載の予測モデルMpを用いて予測値を求める工程と、をコンピュータに実行させるための予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023178718A JP2023182783A (ja) | 2021-09-29 | 2023-10-17 | 材料製造方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021159474 | 2021-09-29 | ||
JP2021159474 | 2021-09-29 | ||
PCT/JP2022/034047 WO2023053918A1 (ja) | 2021-09-29 | 2022-09-12 | 予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023178718A Division JP2023182783A (ja) | 2021-09-29 | 2023-10-17 | 材料製造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2023053918A1 JPWO2023053918A1 (ja) | 2023-04-06 |
JP7384322B2 true JP7384322B2 (ja) | 2023-11-21 |
Family
ID=85782400
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023524840A Active JP7384322B2 (ja) | 2021-09-29 | 2022-09-12 | 予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム |
JP2023178718A Pending JP2023182783A (ja) | 2021-09-29 | 2023-10-17 | 材料製造方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023178718A Pending JP2023182783A (ja) | 2021-09-29 | 2023-10-17 | 材料製造方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4411602A1 (ja) |
JP (2) | JP7384322B2 (ja) |
CN (1) | CN118043826A (ja) |
WO (1) | WO2023053918A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
JP2020533700A (ja) | 2017-09-29 | 2020-11-19 | 日本電気株式会社 | 回帰装置、回帰方法、及びプログラム |
WO2020261449A1 (ja) | 2019-06-26 | 2020-12-30 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7232122B2 (ja) | 2019-05-10 | 2023-03-02 | 株式会社日立製作所 | 物性予測装置及び物性予測方法 |
JP7312409B2 (ja) | 2020-04-01 | 2023-07-21 | 株式会社大一商会 | 遊技機 |
-
2022
- 2022-09-12 EP EP22875790.2A patent/EP4411602A1/en active Pending
- 2022-09-12 JP JP2023524840A patent/JP7384322B2/ja active Active
- 2022-09-12 WO PCT/JP2022/034047 patent/WO2023053918A1/ja active Application Filing
- 2022-09-12 CN CN202280065867.8A patent/CN118043826A/zh active Pending
-
2023
- 2023-10-17 JP JP2023178718A patent/JP2023182783A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086896A (ja) | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | 適応的予測モデル構築方法及び適応的予測モデル構築システム |
JP2020533700A (ja) | 2017-09-29 | 2020-11-19 | 日本電気株式会社 | 回帰装置、回帰方法、及びプログラム |
WO2020261449A1 (ja) | 2019-06-26 | 2020-12-30 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法、予測方法、学習プログラム、及び予測プログラム |
Also Published As
Publication number | Publication date |
---|---|
CN118043826A (zh) | 2024-05-14 |
JP2023182783A (ja) | 2023-12-26 |
WO2023053918A1 (ja) | 2023-04-06 |
JPWO2023053918A1 (ja) | 2023-04-06 |
EP4411602A1 (en) | 2024-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Analyzing software measurement data with clustering techniques | |
EP3942384A1 (en) | Systems and methods for model fairness | |
WO2019088972A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
WO2021034932A1 (en) | Automated path-based recommendation for risk mitigation | |
US11663492B2 (en) | Alife machine learning system and method | |
US20200151574A1 (en) | Computer-readable recording medium having stored therein learning program, learning method, and learning apparatus | |
JP2023546021A (ja) | 機械学習モデルにおける反実仮想説明のためのシステム及び方法 | |
US11748600B2 (en) | Quantization parameter optimization method and quantization parameter optimization device | |
KR20200046189A (ko) | 생성적 적대 신경망에 기반한 협업 필터링을 위한 방법 및 시스템 | |
Adegboye et al. | Algorithmic trading with directional changes | |
CN110334720A (zh) | 业务数据的特征提取方法、装置、服务器和存储介质 | |
JP7384322B2 (ja) | 予測モデル作成方法、予測方法、予測モデル作成装置、予測装置、予測モデル作成プログラム、予測プログラム | |
JP2007133477A (ja) | 利用者の行動を支援するシステム | |
JP2018501556A (ja) | 複数のバイナリサポートベクターマシンによるクラスの事後確率の計算 | |
US20230042464A1 (en) | Methods and systems for of generating an instantaneous quote of any part without toolpathing | |
US20220207368A1 (en) | Embedding Normalization Method and Electronic Device Using Same | |
CN113553401A (zh) | 一种文本处理方法、装置、介质和电子设备 | |
CN113191527A (zh) | 一种基于预测模型进行人口预测的预测方法及装置 | |
Dzemyda et al. | Data science: new issues, challenges and applications | |
JP7224263B2 (ja) | モデル生成方法、モデル生成装置及びプログラム | |
CN111860556A (zh) | 一种模型的处理方法、装置及存储介质 | |
JP6230501B2 (ja) | 縮約素性生成装置、情報処理装置、方法、及びプログラム | |
KR102631386B1 (ko) | 인공지능 모델의 학습 방법, 학습 시스템 및 이를 위한컴퓨터 프로그램 | |
KR102499435B1 (ko) | 인공 지능 기반 신용 평가 모델 생성 방법 및 장치 | |
KR102266853B1 (ko) | 다중 유형 페어와이즈 기반 아이템 추천 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230516 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230516 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230908 |
|
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: 20231010 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231023 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7384322 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |