JP7409326B2 - サーバおよび学習システム - Google Patents

サーバおよび学習システム Download PDF

Info

Publication number
JP7409326B2
JP7409326B2 JP2020566109A JP2020566109A JP7409326B2 JP 7409326 B2 JP7409326 B2 JP 7409326B2 JP 2020566109 A JP2020566109 A JP 2020566109A JP 2020566109 A JP2020566109 A JP 2020566109A JP 7409326 B2 JP7409326 B2 JP 7409326B2
Authority
JP
Japan
Prior art keywords
devices
information
learning
machine learning
server
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
Application number
JP2020566109A
Other languages
English (en)
Other versions
JPWO2020148959A1 (ja
Inventor
久浩 菅沼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Sony Group Corp
Original Assignee
Sony Corp
Sony Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Corp, Sony Group Corp filed Critical Sony Corp
Publication of JPWO2020148959A1 publication Critical patent/JPWO2020148959A1/ja
Application granted granted Critical
Publication of JP7409326B2 publication Critical patent/JP7409326B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Telephonic Communication Services (AREA)
  • Selective Calling Equipment (AREA)

Description

本開示は、学習処理を行うシステムに用いられるサーバ、およびそのようなサーバを備えた学習システムに関する。
電子機器には、学習処理を行うものがある。例えば、特許文献１には、機械学習処理を行う装置が開示されている。
特開２０１８－１６５９８３号公報
ところで、学習処理を行う装置が複数ある場合には、複数の装置を用いて効率的に学習処理を行うことが望まれている。
効率的な学習処理を実現することができるサーバおよび学習システムを提供することが望ましい。
本開示の一実施の形態における第１のサーバは、記憶部と、処理部と、通信部とを備えている。記憶部は、複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶するように構成される。処理部は、複数のデバイス情報に基づいて、複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定するように構成される。通信部は、１以上のデバイスに対して学習処理の実行を指示するように構成される。各デバイス情報は、対応するデバイスの位置を示す位置情報を含む。処理部は、複数のデバイスについての位置情報に基づいて複数のデバイスの間の距離を算出し、その算出結果に基づいて１以上のデバイスを決定する。
本開示の一実施の形態における第２のサーバは、記憶部と、処理部と、通信部とを備えている。記憶部は、複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶するように構成される。処理部は、複数のデバイス情報に基づいて、複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定するように構成される。通信部は、１以上のデバイスに対して学習処理の実行を指示するように構成される。各デバイス情報は、対応するデバイスの位置を示す位置情報を含む。処理部は、複数のデバイスについての位置情報に基づいて各デバイスの移動経路を取得し、その取得結果に基づいて１以上のデバイスを決定する。
本開示の一実施の形態における第１の学習システムは、サーバと、複数のデバイスとを備えている。サーバは、記憶部と、処理部と、通信部とを有している。記憶部は、複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶するように構成される。処理部は、複数のデバイス情報に基づいて、複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定するように構成される。通信部は、１以上のデバイスに対して学習処理の実行を指示するように構成される。各デバイス情報は、対応するデバイスの位置を示す位置情報を含む。処理部は、複数のデバイスについての位置情報に基づいて複数のデバイスの間の距離を算出し、その算出結果に基づいて１以上のデバイスを決定する。
本開示の一実施の形態における第２の学習システムは、サーバと、複数のデバイスとを備えている。サーバは、記憶部と、処理部と、通信部とを有している。記憶部は、複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶するように構成される。処理部は、複数のデバイス情報に基づいて、複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定するように構成される。通信部は、１以上のデバイスに対して学習処理の実行を指示するように構成される。各デバイス情報は、対応するデバイスの位置を示す位置情報を含む。処理部は、複数のデバイスについての位置情報に基づいて各デバイスの移動経路を取得し、その取得結果に基づいて１以上のデバイスを決定する。
本開示の一実施の形態における第１のサーバ、第２のサーバ、第１の学習システム、および第２の学習システムでは、記憶部に、複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給された複数のデバイス情報が記憶される。複数のデバイス情報のそれぞれは、対応するデバイスについての情報を含む。そして、複数のデバイス情報に基づいて、複数のデバイスのうちの学習処理を行うべき１以上のデバイスが決定され、決定された１以上のデバイスに対して学習処理の実行が指示される。
本開示の一実施の形態に係る学習システムの一構成例を表す構成図である。 図１に示したサーバの一構成例を表すブロック図である。 図２に示したセンサ情報データベースの一構成例を表す表である。 図２に示したデバイス情報データベースの一構成例を表す表である。 図１に示したデバイスの一構成例を表すブロック図である。 第１の実施の形態に係るサーバの一動作例を表すフローチャートである。 一実施の形態に係る指示情報の一例を表す表である。 第１の実施の形態に係る学習システムの一動作例を表すシーケンス図である。 第１の実施の形態に係る学習システムの他の動作例を表すシーケンス図である。 第１の実施の形態に係る学習システムの他の動作例を表すシーケンス図である。 第２の実施の形態に係るサーバの一動作例を表すフローチャートである。 第２の実施の形態に係る学習システムの一動作例を表すシーケンス図である。 第２の実施の形態に係る学習システムの一動作例を表す説明図である。 第３の実施の形態に係るサーバの一動作例を表すフローチャートである。 図１４に示した経路ベクトルテーブルの一構成例を表す表である。 図１４に示した経路重複テーブルの一構成例を表す表である。
以下、本開示の実施の形態について、図面を参照して詳細に説明する。なお、説明は以下の順序で行う。
１．第１の実施の形態
２．第２の実施の形態
３．第３の実施の形態
＜１．第１の実施の形態＞
［構成例］
図１は、一実施の形態に係る学習システム（学習システム１）の一構成例を表すものである。学習システム１は、サーバ１０と、複数のデバイス２０（デバイス２０Ａ，２０Ｂ，２０Ｃ，…）とを備えている。
複数のデバイス２０のそれぞれは、通信機能を有するデバイスであり、例えば、ＩｏＴ（Internet Of Thing）デバイスやセンサデバイスである。このようなデバイス２０は、例えば、スマートフォン、スマートメータ、デジタルカメラ、ドローン、車両などに適用される。複数のデバイス２０は、公衆通信網１０１を介してサーバ１０に接続され、サーバ１０との間で通信可能に構成される。公衆通信網１０１は、例えば、３Ｇ（3rd Generation）、ＬＴＥ（Long Term Evolution）、ＬＰＷＡＮ（Low Power Wide Area Network）、無線ＬＡＮ（Local Area Network）などを用いることができる。また、複数のデバイス２０は、例えば閉域通信網１０２を介して互いに接続され、互いに通信可能に構成される。なお、これに限定されるものではなく、複数のデバイス２０は、公衆通信網１０１を介して互いに接続されてもよい。
デバイス２０は、例えば複数のセンサ２７（後述）を有しており、センサ２７の検出結果に基づいて機械学習処理を行う。センサ２７は、例えば、温度センサ、気圧センサ、湿度センサ、ＧＰＳ（Global Positioning System）センサ、加速度センサ、イメージセンサ、マイクなどの様々なセンサを用いることができる。また、デバイス２０は、例えば、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含むデバイス情報ＩＮＦＤ、センサ２７の検出結果を含むセンサ情報ＩＮＦＳ、機械学習処理により得られた機械学習モデルＭをサーバ１０に送信することができる。また、デバイス２０は、例えば、センサ情報ＩＮＦＳおよび機械学習モデルＭを他のデバイス２０に送信することができる。サーバ１０は、複数のデバイス２０から送信されたセンサ情報ＩＮＦＳをセンサ情報データベースＤＢＳに蓄積するとともに、複数のデバイス２０から送信されたデバイス情報ＩＮＦＤをデバイス情報データベースＤＢＤに蓄積する。サーバ１０は、例えば、デバイス情報データベースＤＢＤを参照して、複数のデバイス２０のうちの、機械学習処理を行うべき１以上のデバイス２０を決定する。そして、サーバ１０は、決定された１以上のデバイス２０に対して、機械学習処理の実行を指示する。これにより、学習システム１では、効率的に分散機械学習を行うことができるようになっている。
（サーバ１０）
図２は、サーバ１０の一構成例を表すものである。サーバ１０は、通信部１１と、入力部１２と、出力部１３と、メモリ１４と、ストレージ１５と、処理部１６とを有している。
通信部１１は、公衆通信網１０１を介して複数のデバイス２０と通信可能に構成される。通信部１１は、有線通信を行うようにしてもよいし、無線通信を行うようにしてもよい。有線通信の場合には、例えば、電話回線、イーサネット（登録商標）、インフィニバンド、光回線などを用いることができる。また、無線通信の場合には、例えば、無線ＬＡＮ、３Ｇ、ＬＴＥ、ブルートゥース（登録商標）などを用いることができる。この例では、１つの通信部１１を設けたが、これに限定されるものではなく、例えば複数（例えば２つ）の通信部１１を設けてもよい。この場合、例えば、２つの通信部１１のうちの一方が有線通信を行い、他方が無線通信を行うようにしてもよい。
入力部１２は、ユーザの操作を受け付けるように構成される。入力部１２は、例えば、マウス、キーボード、タッチパネル、マイク、カメラなどを用いることができる。この例では、１つの入力部１２を設けたが、これに限定されるものではなく、例えば複数の入力部１２を設けてもよい。複数の入力部１２は、例えば、上記マウスなどのうちの２種類以上を含んでもよい。
出力部１３は、処理部１６からの指示に基づいてユーザに対して情報を出力することにより、ユーザに情報を提供するように構成される。出力部１３は、例えば、ＣＲＴ（Cathode Ray Tube）、液晶ディスプレイ、プロジェクタなどを用いることができる。なお、これらに限定されるものではなく、例えば、プリンタを用いてもよい。この例では、１つの出力部１３を設けたが、これに限定されるものではなく、例えば複数の出力部１３を設けてもよい。この場合、複数の出力部１３は、例えば、１種類の出力部（例えば液晶ディスプレイ）のみを含んでもよいし、複数種類の出力部を含んでもよい。
メモリ１４は、処理部１６がプログラムを実行する際に使用するデータを記憶するように構成される。メモリ１４は、例えば、ＲＡＭ（Random Access Memory）を用いて構成される。具体的には、ＲＡＭ１４は、例えば、ＤＲＡＭ（Dynamic RAM）、ＭＲＡＭ（Magnetoresistive RAM）、ＮＶＲＡＭ（Non-Volatile RAM）などを用いることができる。
ストレージ１５は、各種プログラムを記憶するように構成される。ストレージ１５は、例えば、ハードディスク、ＳＳＤ（Solid State Drive）、テープメディアなどを用いることができる。ストレージ１５は、センサ情報データベースＤＢＳ、およびデバイス情報データベースＤＢＤを記憶している。この例では、１つのストレージ１５を設けたが、これに限定されるものではなく、例えば、複数のストレージ１５を設けてもよい。この場合、複数のストレージ１５は、例えば、１種類のストレージ（例えばハードディスク）のみを含んでもよいし、複数種類のストレージを含んでもよい。
センサ情報データベースＤＢＳは、複数のデバイス２０から送信されたセンサ情報ＩＮＦＳが蓄積されたデータベースである。
図３は、センサ情報データベースＤＢＳの一構成例を表すものである。センサ情報データベースＤＢＳでは、データ識別子ＤＳと、デバイス識別子ＤＶと、センサ情報ＩＮＦＳとが、互いに関連づけて管理されている。センサ情報ＩＮＦＳは、あるデバイス２０から送信された、センサ２７の検出結果についての情報を含んでいる。具体的には、センサ情報ＩＮＦＳは、センサ情報ＩＮＦＳが送信された時刻、そのデバイス２０がセンサ情報ＩＮＦＳを送信した時のそのデバイス２０の位置、デバイス２０におけるセンサ２７の検出結果などについての情報を含んでいる。デバイス２０の位置は、そのデバイス２０の複数のセンサ２７に含まれるＧＰＳセンサにより得られる。センサ２７の検出結果は、例えば、センサ２７が温度センサである場合には温度データであり、センサ２７が気圧センサである場合には気圧データであり、センサ２７が湿度センサである場合には湿度データであり、センサ２７が加速度センサである場合には加速度データであり、センサ２７がイメージセンサである場合には動画データや静止画データなどの画像データであり、センサ２７がマイクである場合には音声データである。デバイス識別子ＤＶは、複数のデバイス２０を識別するためのコードであり、複数のデバイス２０にそれぞれ割り当てられている。データ識別子ＤＳは、センサ情報データベースＤＢＳに記憶されたセンサ情報ＩＮＦＳを識別するためのコードである。センサ情報データベースＤＢＳでは、センサ情報ＩＮＦＳと、そのセンサ情報ＩＮＦＳに割り当てられたデータ識別子ＤＳと、そのセンサ情報ＩＮＦＳを送信したデバイス２０に割り当てられたデバイス識別子ＤＶとが、互いに関連づけて管理されるようになっている。
デバイス情報データベースＤＢＤは、複数のデバイス２０から送信されたデバイス情報ＩＮＦＤが蓄積されたデータベースである。
図４は、デバイス情報データベースＤＢＤの一構成例を表すものである。デバイス情報データベースＤＢＤは、複数のデバイス２０から送信されたデバイス情報ＩＮＦＤを含むように構成される。デバイス情報データベースＤＢＤでは、データ識別子ＤＤと、デバイス識別子ＤＶと、デバイス情報ＩＮＦＤとが、互いに関連づけて管理されている。デバイス情報ＩＮＦＤは、あるデバイス２０から送信されたそのデバイス２０についての情報であり、この例では、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含んでいる。具体的には、デバイス情報ＩＮＦＤは、デバイス情報ＩＮＦＤが送信された時刻、そのデバイス２０がデバイス情報ＩＮＦＤを送信した時のそのデバイス２０の位置、そのデバイス２０の加速度、そのデバイス２０のＣＰＵ（Central Processing Unit）の性能、そのデバイス２０のＧＰＵ（Graphics Processing Unit）の性能、そのデバイス２０におけるＣＰＵ使用率、そのデバイス２０におけるメモリ使用量、そのデバイス２０におけるストレージ使用量、そのデバイス２０におけるバッテリ消費量などの情報を含んでいる。デバイス２０の位置は、そのデバイス２０の複数のセンサ２７に含まれるＧＰＳセンサにより得られる。デバイス２０の加速度は、そのデバイス２０の複数のセンサ２７に含まれる加速度センサにより得られる。データ識別子ＤＤは、デバイス情報データベースＤＢＤに記憶されたデバイス情報ＩＮＦＤを識別するためのコードである。デバイス情報データベースＤＢＤでは、デバイス情報ＩＮＦＤと、そのデバイス情報ＩＮＦＤに割り当てられたデータ識別子ＤＤと、そのデバイス情報ＩＮＦＤを送信したデバイス２０に割り当てられたデバイス識別子ＤＶとが、互いに関連づけて管理されるようになっている。
処理部１６は、サーバ１０の動作を制御するとともに、様々な処理を行うように構成される。処理部１６は、例えば、ＣＰＵ、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）などを用いて構成される。処理部１６は、例えばこれらのＣＰＵなどのうちの２つ以上を含んでもよい。また、処理部１６は、例えばＧＰＵを有していてもよい。処理部１６は、センサ情報受信部１６Ａと、デバイス情報受信部１６Ｂと、情報入力部１６Ｃと、情報出力部１６Ｄと、学習指示部１６Ｅとを有している。
センサ情報受信部１６Ａは、デバイス２０から通信部１１を介して供給されたセンサ情報ＩＮＦＳを受信するとともに、このセンサ情報ＩＮＦＳを、そのセンサ情報ＩＮＦＳを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、センサ情報データベースＤＢＳに登録するように構成される。
デバイス情報受信部１６Ｂは、デバイス２０から通信部１１を介して供給されたデバイス情報ＩＮＦＤを受信するとともに、このデバイス情報ＩＮＦＤを、そのデバイス情報ＩＮＦＤを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、デバイス情報データベースＤＢＤに登録するように構成される。
情報入力部１６Ｃは、ユーザが入力部１２を操作することにより指示した情報を受け取るように構成される。
情報出力部１６Ｄは、出力部１３が出力すべき情報を、出力部１３に対して供給するように構成される。
学習指示部１６Ｅは、例えばユーザからの指示を受け取った情報入力部１６Ｃからの指示に基づいて、デバイス２０に対して機械学習処理の開始を指示するように構成される。学習指示部１６Ｅは、例えば、デバイス情報データベースＤＢＤを参照して、複数のデバイス２０のうちの、機械学習処理を行うべき１以上のデバイス２０を決定する。また、学習指示部１６Ｅは、例えば、センサ情報データベースＤＢＳに含まれるセンサ情報ＩＮＦＳに基づいてその１以上のデバイス２０に機械学習処理を行わせる場合には、センサ情報データベースＤＢＳから、その１以上のデバイス２０に対して送信すべきセンサ情報ＩＮＦＳを選択するようになっている。
（デバイス２０）
図５は、デバイス２０の一構成例を表すものである。デバイス２０は、通信部２１と、入力部２２と、出力部２３と、メモリ２４と、ストレージ２５と、電源部２６と、複数のセンサ２７と、処理部２８とを有している。
通信部２１は、公衆通信網１０１を介してサーバ１０と通信可能に構成されるともに、閉域通信網１０２を介して他のデバイス２０と通信可能に構成される。通信部２１は、有線通信を行うようにしてもよいし、無線通信を行うようにしてもよい。有線通信の場合には、例えば、電話回線、イーサネット、インフィニバンド、光回線などを用いることができる。また、無線通信の場合には、例えば、無線ＬＡＮ、３Ｇ、ＬＴＥ、ＬＰＷＡ、ブルートゥースなどを用いることができる。この例では、１つの通信部２１を設けたが、これに限定されるものではなく、例えば複数（例えば２つ）の通信部２１を設けてもよい。この場合、２つの通信部のうちの一方が有線通信を行い、他方が無線通信を行うようにしてもよい。
入力部２２は、ユーザの操作を受け付けるように構成される。具体的には、入力部２２は、例えば、ユーザによる電源のオンオフ操作や、コマンド実行操作などを受け付けるようになっている。入力部２２は、例えば、スイッチ、キーボード、マウス、タッチパネル、マイク、カメラなどを用いることができる。この例では、入力部２２を設けたが、これに限定されるものではなく、入力部２２を設けなくてもよい。
出力部２３は、処理部２８からの指示に基づいてユーザに対して情報を出力することにより、ユーザに情報を提供するように構成される。具体的には、出力部２３は、例えば、ＣＰＵリソースやバッテリ残量などのデバイス２０の状態や、複数のセンサ２７の検出結果（例えば温度データや湿度データなど）を表示することができるようになっている。出力部２３は、例えば、液晶ディスプレイ、ＬＥＤ（Light Emitting Diode）などのインジケータ、メータ針、スピーカなどを用いることができる。この例では、出力部２３を設けたが、これに限定されるものではなく、出力部２３を設けなくてもよい。
メモリ２４は、処理部２８がプログラムを実行する際に使用するデータ、複数のセンサ２７の検出結果、機械学習モデルＭなどを記憶するように構成される。メモリ２４は、例えば、ＲＡＭを用いて構成される。
ストレージ２５は、各種プログラムを記憶するように構成される。ストレージ２５は、例えば、フラッシュメモリ、ＳＳＤ、ＲＯＭ（Read Only Memory）、ハードディスクなどを用いることができる。この例では、１つのストレージ２５を設けたが、これに限定されるものではなく、例えば、複数のストレージ２５を設けてもよい。この場合、複数のストレージ２５は、１種類のストレージ（例えばフラッシュメモリ）のみを含んでもよいし、複数種類のストレージを含んでもよい。
電源部２６は、デバイス２０に対して電源供給を行うように構成される。電源部２６は、この例では、電源部２６は、バッテリを含んでいる。なお、これに限定されるものではなく、例えば商用電源から供給された交流電源信号を直流電源信号に変換するＡＣ／ＤＣコンバータを含んでもよい。また、電源部２６は、発電する機能を有していてもよい。具体的には、電源部２６は、例えば、太陽光、電波、振動、熱（温度差）、圧力により発電を行うことができる。この例では、電源部２６を１つ設けたが、これに限定されるものではなく、例えば複数の電源部２６を設けてもよい。この場合、電源部２６は、１種類の電源部（例えばバッテリ）のみを含んでもよいし、複数種類の電源部を含んでもよい。
複数のセンサ２７は、例えば、温度センサ、気圧センサ、湿度センサ、ＧＰＳセンサ、加速度センサ、イメージセンサ、マイクなどを用いることができる。デバイス２０は、センサ２７の検出結果を、メモリ２４に記憶する。そして、デバイス２０は、このセンサ２７の検出結果を含むセンサ情報ＩＮＦＳを、サーバ１０や他のデバイス２０に送信するようになっている。
処理部２８は、デバイス２０の動作を制御するとともに、様々な処理を行うように構成される。処理部２８は、例えば、ＣＰＵ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡなどを用いて構成される。処理部２８は、例えばこれらのＣＰＵなどのうちの２つ以上を含んでもよい。また、処理部２８は、例えばＧＰＵを有していてもよい。
処理部２８は、学習処理部２８Ａを有している。学習処理部２８Ａは、サーバ１０からの学習指示に基づいて、機械学習処理を行うことにより機械学習モデルＭを生成するように構成される。学習処理部２８Ａは、例えば、センサ２７の検出結果や、サーバ１０や他のデバイス２０から供給されたセンサ情報ＩＮＦＳを用いて、機械学習処理を行うようになっている。
ここで、ストレージ１５は、本開示における「記憶部」の一具体例に対応する。デバイス情報ＩＮＦＤは、本開示における「デバイス情報」の一具体例に対応する。処理部１６は、本開示における「処理部」の一具体例に対応する。通信部１１は、本開示における「通信部」の一具体例に対応する。複数のデバイス２０は、本開示における「複数のデバイス」の一具体例に対応する。機械学習モデルＭは、本開示における「学習モデル情報」の一具体例に対応する。
［動作および作用］
続いて、本実施の形態の学習システム１の動作および作用について説明する。
（全体動作概要）
まず、図１を参照して、学習システム１の全体動作概要を説明する。デバイス２０は、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含むデバイス情報ＩＮＦＤをサーバ１０に送信する。また、デバイス２０は、センサ２７の検出結果を含むセンサ情報ＩＮＦＳをサーバ１０に送信する。
サーバ１０は、複数のデバイス２０から送信されたデバイス情報ＩＮＦＤを、そのデバイス情報ＩＮＦＤを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、デバイス情報データベースＤＢＤに登録する。また、サーバ１０は、複数のデバイス２０から送信されたセンサ情報ＩＮＦＳを、そのセンサ情報ＩＮＦＳを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、センサ情報データベースＤＢＳに登録する。
サーバ１０は、例えば、入力部１２を操作したユーザの指示に基づいて、デバイス情報データベースＤＢＤを参照して、複数のデバイス２０のうちの、機械学習処理を行うべき１以上のデバイス２０を決定する。そして、サーバ１０は、決定された１以上のデバイス２０に対して、機械学習処理の実行を指示する。
（詳細動作）
以下に、学習システム１を、撮影画像を利用して通行する人々や迷子の子供などを監視するシステムに適用する場合を例に挙げて説明する。この例では、複数のセンサ２７がイメージセンサ（イメージセンサ２７Ａ）を含み、デバイス２０が、このイメージセンサ２７Ａの検出結果に基づいて機械学習処理を行う。このシステムでは、例えば、迷子の子供の画像に基づいて１以上のデバイス２０に機械学習処理を行わせ、機械学習モデルＭを生成させる。そして、複数のデバイス２０が、この機械学習モデルＭを用いて、この迷子の子供のトラッキングを行う。以下に、この例について詳細に説明する。
デバイス２０のイメージセンサ２７Ａは、例えば撮影動作を行い続けることにより画像データを生成する。デバイス２０は、この画像データをストレージ２５に記憶させる。また、デバイス２０の処理部２８は、この画像データに基づいてセンサ情報ＩＮＦＳを生成し、通信部２１はこのセンサ情報ＩＮＦＳをサーバ１０に送信する。サーバ１０の通信部１１は、このセンサ情報ＩＮＦＳを受信し、処理部１６のセンサ情報受信部１６Ａは、このセンサ情報ＩＮＦＳを、そのセンサ情報ＩＮＦＳを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、センサ情報データベースＤＢＳに登録する。このようにして、サーバ１０のセンサ情報データベースＤＢＳには、複数のデバイス２０から送信された画像データ（センサ情報ＩＮＦＳ）が登録される。
また、デバイス２０の処理部２８は、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含むデバイス情報ＩＮＦＤを生成し、通信部２１はこのデバイス情報ＩＮＦＤをサーバ１０に間欠的に送信する。サーバ１０の通信部１１は、このデバイス情報ＩＮＦＤを受信し、処理部１６のデバイス情報受信部１６Ｂは、このデバイス情報ＩＮＦＤを、そのデバイス情報ＩＮＦＤを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、デバイス情報データベースＤＢＤに登録する。このようにして、サーバ１０のデバイス情報データベースＤＢＤには、複数のデバイス２０から送信された、コンテキストやコンピューティングリソースなどについての情報（デバイス情報ＩＮＦＤ）が登録される。
サーバ１０の出力部１３は、例えば、サーバ１０の入力部１２が受け付けたユーザ操作に基づいて、センサ情報データベースＤＢＳに含まれる画像データなどの情報や、デバイス情報データベースＤＢＤに含まれるコンテキストやコンピューティングリソースなどについての情報を表示する。例えば、サーバ１０の出力部１３は、複数のデバイス２０により撮影された複数の画像を同時に表示することができる。
例えば、監視員は、サーバ１０の出力部１３に表示された情報を見ながら人々を監視する。そして、監視員は、例えば迷子の子供を見つけた場合に、入力部１２を操作することにより、その迷子の子供の画像に基づいて、複数のデバイス２０のうちの１以上のデバイス２０に機械学習処理を行わせるように指示を行う。例えば、監視者が、入力部１２を操作することにより、機械学習処理を行うべき１以上のデバイス２０を選択してもよいし、以下に示すように、学習指示部１６Ｅが、機械学習処理を行うべき１以上のデバイス２０を選択してもよい。そして、学習指示部１６Ｅが、機械学習処理を行うように指示する指示情報ＭＳＧを生成し、通信部１１が、その指示情報ＭＳＧを、機械学習処理を行うべき１以上のデバイス２０に対して送信する。
図６は、サーバ１０の学習指示部１６Ｅの一動作例を表すものである。学習指示部１６Ｅは、機械学習処理によりある程度精度の高い機械学習モデルＭを得るために必要な画像の枚数（必要枚数）をあらかじめ決定しておく。また、学習指示部１６Ｅは、例えば、機械学習処理により、どのくらいの時間（学習制限時間）以内で機械学習モデルＭを生成すべきかをあらかじめ決定しておく。学習指示部１６Ｅは、これらの必要枚数および学習制限時間に基づいて、以下に示すようにして、複数のデバイス２０のうちの１以上のデバイス２０に機械学習処理を行わせるように指示を行う。
まず、学習指示部１６Ｅは、デバイス情報データベースＤＢＤを参照して、各デバイス２０における１枚の画像の学習処理時間をそれぞれ推定する（ステップＳ１０１）。具体的には、学習指示部１６Ｅは、機械学習モデルＭの演算量と、デバイス情報データベースＤＢＤに含まれる、各デバイス２０におけるＣＰＵ性能、ＣＰＵ使用率、メモリ使用量などに基づいて、各デバイス２０における１枚の画像の学習処理時間をそれぞれ推定する。機械学習モデルＭの演算量の単位は、積和演算量や、ＦＬＯＰＳ（Floating-point Operations Per Second）などを用いることができる。例えば、コンピューティングリソースに余裕があるデバイス２０については、学習処理時間が短くなり、コンピューティングリソースに余裕が少ないデバイス２０については、学習処理時間が長くなる。
次に、学習指示部１６Ｅは、ステップＳ１０１において推定した、各デバイス２０における１枚の画像に係る学習処理時間に基づいて、各デバイス２０における、必要枚数の画像の学習処理時間をそれぞれ推定する（ステップＳ１０２）。
次に、学習指示部１６Ｅは、複数のデバイス２０に、学習制限時間内に機械学習処理を終了できるデバイス２０があるかどうかを確認する（ステップＳ１０３）。
ステップＳ１０３において、学習制限時間内に機械学習処理を終了できるデバイス２０がある場合（ステップＳ１０３において“Ｙ”）には、サーバ１０は、そのデバイス２０に対して、機械学習処理を行うように指示する（ステップＳ１０４）。具体的には、学習指示部１６Ｅが、機械学習処理を行うように指示する指示情報ＭＳＧを生成し、通信部１１が、その指示情報ＭＳＧを、そのデバイス２０に対して送信する。例えば、そのようなデバイス２０が複数ある場合には、サーバ１０は、そのような複数のデバイス２０のうちの１つを選択し、選択した１つのデバイス２０に対して機械学習処理を行うように指示する。
ステップＳ１０３において、学習制限時間内に機械学習処理を終了できるデバイス２０がない場合（ステップＳ１０３において“Ｎ”）には、学習指示部１６Ｅは、各デバイス２０における、学習制限時間内に機械学習処理を行うことができる画像数を推定する（ステップＳ１０５）。
次に、学習指示部１６Ｅは、ステップＳ１０５における推定結果に基づいて、複数のデバイス２０のうちの２以上のデバイス２０を用いて機械学習処理を終了させることができるかどうかを確認する（ステップＳ１０６）。具体的には、例えば、学習指示部１６Ｅは、貪欲法などのアルゴリズムを用いて、複数のデバイス２０のうちの２以上のデバイス２０の組み合わせを調べることにより、２以上のデバイス２０を用いて機械学習処理を終了させることができるかどうかを確認する。
ステップＳ１０６において、２以上のデバイス２０を用いて機械学習処理を終了させることができる場合（ステップＳ１０６において“Ｙ”）には、サーバ１０は、その２以上のデバイス２０に対して、機械学習処理を行うように指示する（ステップＳ１０７）。具体的には、学習指示部１６Ｅが、機械学習処理を行うように指示する指示情報ＭＳＧを生成し、通信部１１が、その指示情報ＭＳＧを、その２以上のデバイス２０に対して送信する。
ステップＳ１０６において、２以上のデバイス２０を用いて機械学習処理を終了させることができない場合（ステップＳ１０６において“Ｎ”）には、出力部１３は、学習制限時間内に機械学習処理を終了させることができない旨を表示する（ステップＳ１０８）。これにより、管理者は、学習制限時間内に機械学習処理を終了することができない旨を把握する。
以上で、このフローは終了する。
この例では、学習制限時間および必要枚数に基づいて、機械学習処理を行うべき１以上のデバイス２０を決定したが、これに限定されるものではない。例えば、バッテリ消費量をさらに考慮してもよい。具体的には、例えば、学習指示部１６Ｅは、複数のデバイス２０のうちの、バッテリ残量が所定量以上であるデバイス２０について、図６に示した処理を実行してもよい。
また、例えば、トラッキング対象の数を考慮してもよい。すなわち、例えばトラッキング対象である子供の数が増加すると、機械学習処理に必要な画像数（必要枚数）が増加する。学習指示部１６Ｅは、この必要枚数を考慮して、機械学習処理を行うべき１以上のデバイス２０を決定することができる。
また、例えば、トラッキング対象の移動速度を考慮してもよい。サーバ１０は、デバイス２０から送信された画像データに基づいて、トラッキング対象の移動速度を推定することができる。サーバ１０は、この移動速度に基づいて、トラッキング対象が、そのデバイス２０のイメージセンサ２７Ａの撮影範囲から外れるまでの時間を推定することができる。学習指示部１６Ｅは、このようにして推定した時間を、学習制限時間として用いることにより、機械学習処理を行うべき１以上のデバイス２０を決定することができる。
次に、デバイス２０に対して機械学習処理を行うように指示する指示情報ＭＳＧについて、詳細に説明する。
図７は、指示情報ＭＳＧの一例を表すものである。指示情報ＭＳＧは、例えば、“学習を実施する時間”、“学習用データの保存場所”、“機械学習処理に使用するデータ”、および“機械学習モデルＭの保存場所”についての情報を含んでいる。
“学習を実施する時間”は、機械学習処理を行うべき時間を指示する情報である。“学習を実施する時間”を、例えば、デバイス２０が指示情報ＭＳＧを受信してから所定の時間に設定することができる。この所定の時間は、例えば、１０分、２０分、…、１時間、１日などに設定することができる。また、“学習を実施する時間”を、例えば、具体的な時刻を用いて設定してもよい。例えば、１時から２時まで、のように設定することができる。
“学習用データの保存場所”は、機械学習処理に使用可能な学習用データ（この例では画像データ）の場所を指示する情報である。“学習用データの保存場所”は、例えば、デバイス２０のストレージ２５に設定することができる。この場合には、デバイス２０の学習処理部２８Ａは、例えば、ストレージ２５に記憶された画像データに基づいて機械学習処理を行うことができる。また、“学習用データの保存場所”は、例えば、ＵＲＬ（Uniform Resource Locator）／ＵＲＩ（Uniform Resource Identifier）に設定することができる。この場合には、学習処理部２８Ａは、例えば、このＵＲＬ／ＵＲＩに基づいてネットワークにおける図示しないサーバなどにアクセスすることにより画像データを取得し、この画像データに基づいて機械学習処理を行うことができる。また、“学習用データの保存場所”は、例えば、あるデバイス２０のデバイス識別子ＤＶに設定することができる。この場合には、学習処理部２８Ａは、例えば、そのデバイス識別子ＤＶが割り当てられたデバイス２０に記憶された画像データに基づいて機械学習処理を行うことができる。
“機械学習処理に使用するデータ”は、実際に機械学習処理に使用すべきデータである。例えば静止画データの場合には、その静止画データのファイル名を用いて、“機械学習処理に使用するデータ”を指定することができる。具体的には、“file001.jpgからfile100.jpgまで”のように複数のファイル名を用いることができる。この場合には、デバイス２０の学習処理部２８Ａは、設定された複数のファイルに基づいて機械学習処理を行うことができる。また、例えば動画データの場合には、タイムスタンプを用いて、開始時間（例えば０１：００）および終了時間（例えば０２：００）により“機械学習処理に使用するデータ”を指定することができる。この場合には、学習処理部２８Ａは、“開始時間”から“終了時間”までの期間におけるデータに基づいて機械学習処理を行うことができる。また、例えば、“機械学習処理に使用するデータ”を、指示情報ＭＳＧを受信した後に撮影した複数（例えば１０枚）の画像の画像データに設定することができる。この場合には、デバイス２０のイメージセンサ２７Ａは、デバイス２０が指示情報ＭＳＧを受信した後に１０回撮影を行い、学習処理部２８Ａは、この撮影により得られた１０個の画像データに基づいて機械学習処理を行うことができる。
“機械学習モデルＭの保存場所”は、例えばすでに生成された機械学習モデルＭを用いて機械学習処理を行うことによりその機械学習モデルＭを更新する場合に設定するものであり、すでに生成された機械学習モデルＭの場所を指示する情報である。“機械学習モデルＭの保存場所”は、例えば、デバイス２０のストレージ２５に設定することができる。この場合には、デバイス２０の学習処理部２８Ａは、例えば、ストレージ２５に記憶された機械学習モデルＭに基づいて機械学習処理を行うことができる。また、“機械学習モデルＭの保存場所”は、例えば、ＵＲＬ／ＵＲＩに設定することができる。この場合には、学習処理部２８Ａは、例えば、このＵＲＬ／ＵＲＩに基づいてネットワークにおける図示しないサーバなどにアクセスすることにより機械学習モデルＭを取得し、この機械学習モデルＭに基づいて機械学習処理を行うことができる。また、“機械学習モデルＭの保存場所”は、例えば、あるデバイス２０のデバイス識別子ＤＶに設定することができる。この場合には、学習処理部２８Ａは、例えば、そのデバイス識別子ＤＶが割り当てられたデバイス２０に記憶された機械学習モデルＭに基づいて機械学習処理を行うことができる。また、“機械学習モデルＭの保存場所”は、例えば、“受信待機”に設定することができる。この場合には、デバイス２０は、サーバ１０から後に機械学習モデルＭが送信されるまで待機する。これにより、学習処理部２８Ａは、サーバ１０から送信された機械学習モデルＭに基づいて機械学習処理を行うことができる。
図８は、機械学習処理を行うべき２つのデバイス２０（デバイス２０Ａ，２０Ｂ）を決定した場合における、学習システム１の一動作例を表すものである。
サーバ１０の学習指示部１６Ｅは、例えば、図６に示した処理を行うことにより、機械学習処理を行うべき１以上のデバイス２０を決定する（ステップＳ１１１）。この例では、学習指示部１６Ｅは、２つのデバイス２０Ａ，２０Ｂを、機械学習処理を行うべきデバイス２０として決定する。
次に、サーバ１０の学習指示部１６Ｅは指示情報ＭＳＧ（指示情報ＭＳＧＡ）を生成し、通信部１１はこの指示情報ＭＳＧＡをデバイス２０Ａに対して送信する（ステップＳ１１２）。同様に、サーバ１０の学習指示部１６Ｅは指示情報ＭＳＧ（指示情報ＭＳＧＢ）を生成し、通信部１１はこの指示情報ＭＳＧＢをデバイス２０Ｂに対して送信する（ステップＳ１１３）。デバイス２０Ａの通信部２１は、この指示情報ＭＳＧＡを受信し、同様に、デバイス２０Ｂの通信部２１は、この指示情報ＭＳＧＢを受信する。
次に、デバイス２０Ａの学習処理部２８Ａは、指示情報ＭＳＧＡに基づいて、学習用データおよび機械学習モデルＭを準備し、これらの学習用データおよび機械学習モデルＭに基づいて機械学習処理を行う（ステップＳ１１４）。そして、学習処理部２８Ａは、機械学習処理の処理結果に基づいて、機械学習モデルＭを更新することにより、機械学習モデルＭＡを生成する。同様に、デバイス２０Ｂの学習処理部２８Ａは、指示情報ＭＳＧＢに基づいて、学習用データおよび機械学習モデルＭを準備し、これらの学習用データおよび機械学習モデルＭに基づいて機械学習処理を行う（ステップＳ１１５）。そして、デバイス２０Ｂの学習処理部２８Ａは、機械学習処理の処理結果に基づいて、機械学習モデルＭを更新することにより、機械学習モデルＭＢを生成する。
次に、デバイス２０Ａの通信部２１は、生成した機械学習モデルＭＡをサーバ１０に対して送信する（ステップＳ１１６）。同様に、デバイス２０Ｂの通信部２１は、生成した機械学習モデルＭＢをサーバ１０に対して送信する（ステップＳ１１７）。サーバ１０の通信部１１は、機械学習モデルＭＡ，ＭＢを受信する。
次に、サーバ１０の学習指示部１６Ｅは、機械学習モデルＭＡ，ＭＢに基づいて、機械学習処理が成功しているかどうかを検証し、機械学習処理が成功している場合には、機械学習モデルＭＡ，ＭＢを統合することにより機械学習モデルＭを生成する（ステップＳ１１８）。
そして、サーバ１０の通信部１１は、ステップＳ１１８において統合した機械学習モデルＭを、他のデバイス２０（デバイス２０Ｃ）に対して送信する（ステップＳ１１９）。このデバイス２０Ｃの通信部２１は、この機械学習モデルＭを受信する。
以上で、このシーケンスは終了する。
この例では、デバイス２０Ａ，２０Ｂは、ステップＳ１１４，Ｓ１１５において機械学習モデルＭＡ，ＭＢを生成し、生成した機械学習モデルＭＡ，ＭＢをサーバ１０に送信するようにしたが、これに限定されるものではない。これに代えて、図９に示すように、デバイス２０Ａは、機械学習処理（ステップＳ１２４）における学習途中のデータをサーバ１０に送信し（ステップＳ１２６）、デバイス２０Ｂは、機械学習処理（ステップＳ１２５）における学習途中のデータをサーバ１０に送信してもよい（ステップＳ１２７）。この場合には、サーバ１０は、例えば、自らが有する機械学習モデルＭに、デバイス２０Ａ，２０Ｂから送信された学習途中のデータを適用することにより、この機械学習モデルＭを更新してもよい。ここで、機械学習処理における学習途中のデータは、本開示における「学習モデル情報」の一具体例に対応する。
また、この例では、デバイス２０Ａ，２０Ｂは、機械学習モデルＭＡ，ＭＢをサーバ１０に送信し、サーバ１０が、機械学習モデルＭＡ，ＭＢを統合し、統合された機械学習モデルＭをデバイス２０Ｃに送信したが、これに限定されるものではない。これに代えて、図１０に示すように、デバイス２０Ａは、機械学習モデルＭＡをデバイス２０Ｃに送信し（ステップＳ１３６）、デバイス２０Ｂは、機械学習モデルＭＢをデバイス２０Ｃに送信し（ステップＳ１３７）、デバイス２０Ｃの学習処理部２８Ａが、機械学習モデルＭＡ，ＭＢに基づいて、機械学習処理が成功しているかどうかを検証し、機械学習処理が成功している場合には、機械学習モデルＭＡ，ＭＢを統合することにより機械学習モデルＭを生成してもよい（ステップＳ１３８）。また、図９の例と同様に、デバイス２０Ａが、機械学習処理における学習途中のデータをデバイス２０Ｃに送信し、デバイス２０Ｂが、機械学習処理における学習途中のデータをデバイス２０Ｃに送信し、デバイス２０Ｃが、例えば、自らが有する機械学習モデルＭに、デバイス２０Ａ，２０Ｂから送信された学習途中のデータを適用することにより、この機械学習モデルＭを更新してもよい。
このように、学習システム１では、デバイス情報データベースＤＢＤに基づいて、機械学習処理を行うべき１以上のデバイス２０を決定するようにした。これにより、学習システム１では、例えば、複数のデバイス２０におけるコンテキストやコンピューティングリソースに基づいて、機械学習処理を行うべき１以上のデバイス２０を決定することができる。その結果、学習システム１では、例えば、コンピューティングリソースに余裕があるデバイス２０に機械学習処理を行わせることができるので、効率的に分散機械学習を行うことができる。
また、学習システム１では、学習制限時間や必要枚数を設定し、これらの学習制限時間や必要枚数の条件を満たすように、機械学習処理を行うべき１以上のデバイス２０を決定した。これにより、学習システム１では、例えば、複数のデバイス２０のうちの、必要最小限の数のデバイス２０に機械学習処理を行わせることができるので、効率的に分散機械学習を行うことができる。
また、学習システム１では、サーバ１０からの指示に基づいて、デバイス２０が機械学習処理を行うようにしたので、タイムリーに機械学習処理を行うことができるので、効率的に機械学習モデルＭの精度を高めることができる。
すなわち、分散機械学習を行う方法としては、例えば、複数のコンピュータやサーバをネットワークで互いに接続し、システム全体で蓄積したデータに基づいて並列的に機械学習処理を行うことにより機械学習モデルを得る方法が考えられる。この方法は、定常的または周期的な現象の学習には適しているが、例えば即時性が低いため、一時的な現象の学習には適していない。一方、本実施の形態に係る学習システム１では、サーバ１０からの指示に基づいて、デバイス２０が機械学習処理を行うようにしたので、サーバ１－からの指示に基づいて、一時的な現象をタイムリーに学習する行うことができる。これにより、学習システム１では、効率的に機械学習モデルＭの精度を高めることができる。
また、学習システム１では、学習制限時間を設定し、この学習制限時間の条件を満たすように、機械学習処理を行うべき１以上のデバイス２０を決定した。これにより、例えば、監視対象となる人物が移動していく場合でも、その人物が撮影画像に収まっているであろう短い時間を学習制限時間に設定することにより、短い時間で機械学習処理を行うことができる。そして、学習システム１では、例えばその直後に、他のデバイス２０が撮影した画像を用いて、すぐにトラッキングを開始することができる。これにより、学習システム１では、センサの検出対象が移動する場合でも、効率的に機械学習処理を行うことができる。
［効果］
以上のように本実施の形態では、デバイス情報データベースに基づいて、機械学習処理を行うべき１以上のデバイスを決定するようにしたので、効率的に分散機械学習を行うことができる。
＜２．第２の実施の形態＞
次に、第２の実施の形態に係る学習システム２について説明する。本実施の形態は、デバイス２０の位置に基づいて、複数のデバイス２０をクラスタリングすることにより、機械学習処理を行うべきデバイス２０を決定するものである。なお、上記第１の実施の形態に係る学習システム１と実質的に同一の構成部分には同一の符号を付し、適宜説明を省略する。
学習システム２は、図１に示したように、サーバ３０を備えている。サーバ３０は、図２に示したように、処理部３６を有している。処理部３６は、学習指示部３６Ｅを有している。学習指示部３６Ｅは、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、複数のデバイス２０をクラスタリングすることにより、機械学習処理を行うべき１以上のデバイス２０を決定するようになっている。
以下に、学習システム２を、農場における温度や湿度などの気象情報を監視するシステムに適用する場合を例に挙げて説明する。このシステムでは、農場内の様々な位置にデバイス２０を設置する。このデバイス２０の複数のセンサ２７は、温度センサや湿度センサなどを含む。デバイス２０は、これらのセンサ２７の検出結果に基づいて機械学習処理を行う。
デバイス２０の処理部２８は、温度センサや湿度センサなどの検出結果に基づいてセンサ情報ＩＮＦＳを生成し、通信部２１はこのセンサ情報ＩＮＦＳをサーバ３０に送信する。サーバ３０の通信部１１は、このセンサ情報ＩＮＦＳを受信し、処理部３６のセンサ情報受信部１６Ａは、このセンサ情報ＩＮＦＳを、そのセンサ情報ＩＮＦＳを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、センサ情報データベースＤＢＳに登録する。このようにして、サーバ３０のセンサ情報データベースＤＢＳには、複数のデバイス２０から送信された、センサ２７の検出結果（センサ情報ＩＮＦＳ）が登録される。
また、デバイス２０の処理部２８は、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含むデバイス情報ＩＮＦＤを生成し、通信部２１はこのデバイス情報ＩＮＦＤをサーバ３０に間欠的に送信する。サーバ３０の通信部１１は、このデバイス情報ＩＮＦＤを受信し、処理部３６のデバイス情報受信部１６Ｂは、このデバイス情報ＩＮＦＤを、そのデバイス情報ＩＮＦＤを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、デバイス情報データベースＤＢＤに登録する。このようにして、サーバ３０のデバイス情報データベースＤＢＤには、複数のデバイス２０から送信された、コンテキストやコンピューティングリソースなどについての情報（デバイス情報ＩＮＦＤ）が登録される。
サーバ３０の出力部１３は、例えば、サーバ３０の入力部１２が受け付けたユーザ操作に基づいて、センサ情報データベースＤＢＳに含まれる温度や湿度などの情報や、デバイス情報データベースＤＢＤに含まれるコンテキストやコンピューティングリソースなどについての情報を表示する。
サーバ３０は、例えば、監視員からの指示に基づいて、または、サーバ３０において定義された条件を満たした場合に、複数のデバイス２０のうちの１以上のデバイス２０に機械学習処理を行わせるように指示を行う。学習指示部３６Ｅは、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、複数のデバイス２０をクラスタリングすることにより、機械学習処理を行うべき１以上のデバイス２０を決定する。学習指示部３６Ｅは、機械学習処理を行うように指示する指示情報ＭＳＧを生成する。指示情報ＭＳＧは、図７に示したように、学習用データに関する情報や、使用すべき機械学習モデルＭについての情報を含む。そして、通信部１１は、その指示情報ＭＳＧを、機械学習処理を行うべき１以上のデバイス２０に対して送信する。
図１１は、サーバ３０の学習指示部３６Ｅの一動作例を表すものである。
まず、学習指示部３６Ｅは、センサ情報データベースＤＢＳを参照して、デバイス識別子ＤＶのリストを生成する（ステップＳ２０１）。
次に、学習指示部３６Ｅは、ステップＳ２０１において生成したデバイス識別子ＤＶのリスト、およびデバイス情報データベースＤＢＤに基づいて、デバイス識別子ＤＶとそのデバイス識別子ＤＶに関連づけられたデバイス２０の位置との対応関係を示す位置テーブルＴＢＬを生成する（ステップＳ２０２）。
そして、学習指示部３６Ｅは、ステップＳ２０２において生成した位置テーブルＴＢＬに基づいて、複数のデバイス２０の間の物理距離をそれぞれ算出し、その物理距離が所定の距離εよりも短い複数のデバイス２０が１つのクラスタを構成するようにクラスタリングを行う（ステップＳ２０３）。具体的には、学習指示部３６Ｅは、例えば、あるデバイス２０（デバイス２０Ｘ）の位置と、他のデバイス２０（デバイス２０Ｙ）の位置との間の物理距離が所定の距離εよりも短い場合には、これらのデバイス２０Ｘ，２０Ｙは同じ１つのクラスタを構成するようにクラスタリングする。
以上で、このフローは終了する。これにより、全てのデバイス２０は、複数のクラスタのいずれかに属するようになる。
サーバ３０は、同じクラスタに属する複数のデバイス２０における、同じ時間帯でのセンサ２７の検出結果に基づいて、そのクラスタに属する複数のデバイス２０に機械学習処理を行わせる。サーバ３０は、そのクラスタに属する複数のデバイス２０に供給する学習用データをそれぞれ決定し、指示情報ＭＳＧを、そのクラスタに属する複数のデバイス２０に対して送信する。
図１２は、機械学習処理を行うべき複数のデバイス２０（デバイス２０Ａ～２０Ｃ）を決定した場合における、学習システム２の一動作例を表すものである。図１３は、学習システム２の一動作例を表すものである。図１３に示したように、学習システム２では、クラスタ９１，９２を含む複数のクラスタが生成される。クラスタ９１は、この例では３つのデバイス２０Ａ～２０Ｃを含んでいる。
サーバ３０の学習指示部３６Ｅは、例えば、図１１に示した処理を行うことにより、機械学習処理を行うべき１以上のデバイス２０を決定する（ステップＳ２１１）。この例では、学習指示部３６Ｅは、図１３に示したように、クラスタ９１を構成する３つのデバイス２０Ａ～２０Ｃを、機械学習処理を行うべきデバイス２０として決定する。
次に、サーバ３０の学習指示部３６Ｅは指示情報ＭＳＧ（指示情報ＭＳＧＡ）を生成し、通信部１１はこの指示情報ＭＳＧＡをデバイス２０Ａに対して送信する（ステップＳ２１２）。同様に、サーバ３０の学習指示部３６Ｅは指示情報ＭＳＧ（指示情報ＭＳＧＢ）を生成し、通信部１１はこの指示情報ＭＳＧＢをデバイス２０Ｂに対して送信する（ステップＳ２１３）。また、サーバ３０の学習指示部３６Ｅは指示情報ＭＳＧ（指示情報ＭＳＧＣ）を生成し、通信部１１はこの指示情報ＭＳＧＣをデバイス２０Ｃに対して送信する（ステップＳ２１４）。デバイス２０Ａの通信部２１は、この指示情報ＭＳＧＡを受信し、デバイス２０Ｂの通信部２１は、この指示情報ＭＳＧＢを受信し、デバイス２０Ｃの通信部２１は、この指示情報ＭＳＧＣを受信する。
次に、デバイス２０Ａの学習処理部２８Ａは、指示情報ＭＳＧＡに基づいて、学習用データおよび機械学習モデルＭを準備し、これらの学習用データおよび機械学習モデルＭに基づいて機械学習処理を行う（ステップＳ２１５）。そして、学習処理部２８Ａは、機械学習処理の処理結果に基づいて、機械学習モデルＭを更新することにより、機械学習モデルＭＡを生成する。同様に、デバイス２０Ｂの学習処理部２８Ａは、指示情報ＭＳＧＢに基づいて、学習用データおよび機械学習モデルＭを準備し、これらの学習用データおよび機械学習モデルＭに基づいて機械学習処理を行う（ステップＳ２１６）。そして、デバイス２０Ｂの学習処理部２８Ａは、機械学習処理の処理結果に基づいて、機械学習モデルＭを更新することにより、機械学習モデルＭＢを生成する。同様に、デバイス２０Ｃの学習処理部２８Ａは、指示情報ＭＳＧＣに基づいて、学習用データおよび機械学習モデルＭを準備し、これらの学習用データおよび機械学習モデルＭに基づいて機械学習処理を行う（ステップＳ２１７）。そして、デバイス２０Ｃの学習処理部２８Ａは、機械学習処理の処理結果に基づいて、機械学習モデルＭを更新することにより、機械学習モデルＭＣを生成する。
次に、デバイス２０Ａの通信部２１は、生成した機械学習モデルＭＡをサーバ３０に対して送信する（ステップＳ２１８）。同様に、デバイス２０Ｂの通信部２１は、生成した機械学習モデルＭＢをサーバ３０に対して送信し（ステップＳ２１９）、デバイス２０Ｃの通信部２１は、生成した機械学習モデルＭＣをサーバ３０に対して送信する（ステップＳ２２０）。サーバ３０の通信部１１は、機械学習モデルＭＡ，ＭＢ，ＭＣを受信する。
次に、サーバ３０の学習指示部３６Ｅは、機械学習モデルＭＡ，ＭＢ，ＭＣに基づいて、機械学習処理が成功しているかどうかを検証し、機械学習処理が成功している場合には、機械学習モデルＭＡ，ＭＢ，ＭＣを統合することにより機械学習モデルＭを生成する（ステップＳ２２１）。
そして、サーバ３０の通信部１１は、ステップＳ２２１において統合した機械学習モデルＭを、クラスタ９１に属する全てのデバイス２０（デバイス２０Ａ～２０Ｃ）に対して送信する（ステップＳ２２２）。デバイス２０Ａ～２０Ｃの通信部２１は、この機械学習モデルＭを受信する。
以上で、このシーケンスは終了する。
この例では、デバイス２０Ａ～２０Ｃは、ステップＳ２１５～Ｓ２１７において機械学習モデルＭＡ～ＭＣを生成し、生成した機械学習モデルＭＡ～ＭＣをサーバ３０に送信するようにしたが、これに限定されるものではない。これに代えて、上記第１の実施の形態の場合（図９）と同様に、デバイス２０Ａ～２０Ｃは、機械学習処理における学習途中のデータをサーバ３０に送信してもよい。この場合には、サーバ３０は、例えば、自らが有する機械学習モデルＭに、デバイス２０Ａ～２０Ｃから送信された学習途中のデータを適用することにより、この機械学習モデルＭを更新してもよい。
このように、学習システム２では、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、複数のデバイス２０をクラスタリングすることにより、機械学習処理を行うべき１以上のデバイス２０を決定するようにした。これにより、位置が互いに近い複数のデバイス２０のセンサ２７により、ほぼ同じ時間帯に得られた検出結果に基づいて、機械学習処理を行うことができるので、検出対象である事象の位置や時刻のずれに強い、ロバスト性が高い機械学習モデルＭを得ることができる。すなわち、例えば、複数のデバイス２０のセンサ２７により得られた検出結果に基づいて、各デバイス２０において機械学習処理をそれぞれ別々に行う場合には、各デバイス２０において得られた機械学習モデルＭが、そのデバイス２０の位置に応じたものになるおそれがある。この場合には、機械学習モデルＭを生成したデバイス２０とは異なるデバイス２０が、その機械学習モデルＭを使用して様々な演算処理を行う場合には、演算精度が悪化するおそれがある。一方、学習システム２では、複数のデバイス２０をクラスタリングするようにしたので、位置が互いに近い複数のデバイス２０のセンサ２７により得られた検出結果に基づいて、機械学習処理を行うことができる。よって、学習システム２では、ロバスト性が高い機械学習モデルＭを得ることができる。その結果、学習システム２では、機械学習モデルＭを使用して様々な演算処理を行う場合に、演算精度を高めることができる。
以上のように本実施の形態では、デバイス情報データベースに含まれる、デバイスの位置についての情報に基づいて、複数のデバイスをクラスタリングすることにより、機械学習処理を行うべき１以上のデバイスを決定するようにしたので、ロバスト性が高い機械学習モデルを得ることができる。
＜３．第３の実施の形態＞
次に、第３の実施の形態に係る学習システム３について説明する。本実施の形態は、デバイス２０の移動経路に基づいて、機械学習処理を行うべき１以上のデバイスを決定するものである。なお、上記第１の実施の形態に係る学習システム１と実質的に同一の構成部分には同一の符号を付し、適宜説明を省略する。
学習システム３は、図１に示したように、サーバ４０を備えている。サーバ４０は、図２に示したように、処理部４６を有している。処理部４６は、学習指示部４６Ｅを有している。学習指示部４６Ｅは、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、デバイス２０の移動経路を求めることにより、機械学習処理を行うべき１以上のデバイス２０を決定するようになっている。
以下に、学習システム３を、路面状況を監視するシステムに適用する場合を例に挙げて説明する。このシステムでは、道路を走行する複数の車両にデバイス２０を搭載する。このデバイス２０の複数のセンサ２７は、例えば、路面から受ける圧力を検出するセンサや、タイヤと路面との摩擦を検出するセンサなどを含む。デバイス２０が、これらのセンサ２７の検出結果に基づいて機械学習処理を行う。なお、この他、例えば、ドローンにデバイス２０を搭載し、大気の状態を検出するシステムにも適用可能である。
デバイス２０の処理部２８は、複数のセンサ２７の検出結果に基づいてセンサ情報ＩＮＦＳを生成し、通信部２１はこのセンサ情報ＩＮＦＳをサーバ４０に送信する。サーバ４０の通信部１１は、このセンサ情報ＩＮＦＳを受信し、処理部３６のセンサ情報受信部１６Ａは、このセンサ情報ＩＮＦＳを、そのセンサ情報ＩＮＦＳを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、センサ情報データベースＤＢＳに登録する。このようにして、サーバ４０のセンサ情報データベースＤＢＳには、複数のデバイス２０から送信された、センサ２７の検出結果（センサ情報ＩＮＦＳ）が登録される。
また、デバイス２０の処理部２８は、デバイス２０のコンテキストやコンピューティングリソースなどについての情報を含むデバイス情報ＩＮＦＤを生成し、通信部２１はこのデバイス情報ＩＮＦＤをサーバ４０に間欠的に送信する。デバイス情報ＩＮＦＤは、図４に示した情報に加えて、例えば、目的地や経由地についての情報を含んでいてもよい。サーバ４０の通信部１１は、このデバイス情報ＩＮＦＤを受信し、処理部４６のデバイス情報受信部１６Ｂは、このデバイス情報ＩＮＦＤを、そのデバイス情報ＩＮＦＤを送信したデバイス２０のデバイス識別子ＤＶと関連づけて、デバイス情報データベースＤＢＤに登録する。このようにして、サーバ４０のデバイス情報データベースＤＢＤには、複数のデバイス２０から送信された、コンテキストやコンピューティングリソースなどについての情報（デバイス情報ＩＮＦＤ）が登録される。
サーバ４０の出力部１３は、例えば、サーバ４０の入力部１２が受け付けたユーザ操作に基づいて、センサ情報データベースＤＢＳに含まれる、路面から受ける圧力についての情報、タイヤと路面との摩擦についての情報、デバイス情報データベースＤＢＤに含まれるコンテキストやコンピューティングリソースなどについての情報を表示する。
サーバ４０は、例えば、監視員からの指示に基づいて、または、サーバ４０において定義された条件を満たした場合に、複数のデバイス２０のうちの１以上のデバイス２０に機械学習処理を行わせるように指示を行う。学習指示部４６Ｅは、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、デバイス２０の移動経路を求めることにより、機械学習処理を行うべき１以上のデバイス２０を決定する。学習指示部４６Ｅは、機械学習処理を行うように指示する指示情報ＭＳＧを生成する。指示情報ＭＳＧは、図７に示したように、学習用データに関する情報や、使用すべき機械学習モデルＭについての情報を含む。そして、通信部１１は、その指示情報ＭＳＧを、機械学習処理を行うべき１以上のデバイス２０に対して送信する。
図１４は、サーバ４０の学習指示部４６Ｅの一動作例を表すものである。
まず、学習指示部４６Ｅは、センサ情報データベースＤＢＳを参照して、デバイス識別子ＤＶのリストを生成する（ステップＳ３０１）。
次に、学習指示部４６Ｅは、ステップＳ３０１において生成したデバイス識別子ＤＶのリスト、およびデバイス情報データベースＤＢＤに基づいて、各デバイス２０の位置の変化を示す経路ベクトルを算出することにより、経路ベクトルテーブルＴＢＬ２を生成する（ステップＳ３０２）。
図１５は、経路ベクトルテーブルＴＢＬ２の一例を表すものである。経路ベクトルテーブルＴＢＬ２では、経路ベクトルは、デバイス識別子ＤＶおよびベクトル識別子と関連づけられている。経路ベクトルは、始点座標および終点座標についての情報を有している。ベクトル識別子は、複数の経路ベクトルを識別するためのコードである。
次に、学習指示部４６Ｅは、ステップＳ３０２において生成した経路ベクトルテーブルＴＢＬ２に含まれる複数の経路ベクトルに基づいて、同じような経路を通過した複数のデバイス２０を特定することにより、経路重複テーブルＴＢＬ３を生成する（ステップＳ３０３）。具体的には、学習指示部４６Ｅは、経路ベクトル間の距離Ｄを算出することにより、複数のデバイス２０が同じような経路を通過したかどうかを確認する。経路ベクトル間の距離Ｄは、例えばユークリッド距離を用いることができる。
図１６は、経路重複テーブルＴＢＬ３の一例を表すものである。経路重複テーブルＴＢＬ３では、同じような経路を通過した複数のデバイス２０のデバイス識別子ＤＶが、経路識別子と関連づけられている。経路識別子は、複数の経路を識別するためのコードである。
以上で、このフローは終了する。これにより、全てのデバイス２０が、複数の経路識別子のいずれかに関連づけられる。
サーバ４０は、同じ経路識別子に関連づけられた複数のデバイス２０におけるセンサ２７の検出結果に基づいて、その経路識別子に関連づけられた複数のデバイス２０に、機械学習処理を行わせる。サーバ４０は、その経路識別子に関連づけられた複数のデバイス２０に供給する学習用データをそれぞれ決定し、指示情報ＭＳＧを、その経路識別子に関連づけられた複数のデバイス２０に対して送信する。これ以降の動作は、第２の実施の形態に係る学習システム２の場合（図１２）と同様である。
このように、学習システム３では、デバイス情報データベースＤＢＤに含まれる、デバイス２０の位置についての情報に基づいて、デバイス２０の移動経路を求めることにより、機械学習処理を行うべき１以上のデバイス２０を決定するようにした。これにより、移動経路がほぼ同じである複数のデバイス２０のセンサ２７により得られた検出結果に基づいて、その経路についての機械学習処理を行うことができるので、短い時間で、精度の高い機械学習モデルＭを得ることができる。その結果、学習システム３では、機械学習モデルＭを使用して、その移動経路に係る路面状況などを、より高い精度で把握することができる。
また、学習システム３では、移動する車両にデバイス２０を搭載し、サーバ４０からの指示に基づいてデバイス２０が機械学習処理を行うようにしたので、効率的に分散機械学習を行うことができる。すなわち、例えば、システム全体で蓄積したデータに基づいて機械学習処理を行うことにより機械学習モデルを得る方法では、デバイス２０がある経路を通過してから、システムが機械学習処理を開始するまで、そのデバイス２０のセンサ２７の検出結果はそのまま蓄積されてしまう。一方、学習システム３では、サーバ４０からの指示に基づいてデバイス２０が機械学習処理を行うことができるので、デバイス２０は、タイムリーに機械学習処理を行うことができるので、効率的に分散機械学習を行うことができる。
以上のように本実施の形態では、デバイス情報データベースに含まれる、デバイスの位置についての情報に基づいて、デバイスの移動経路を求めることにより、機械学習処理を行うべき１以上のデバイスを決定するようにしたので、短い時間で、精度の高い機械学習モデルを得ることができる。
以上、いくつかの実施の形態を挙げて本技術を説明したが、本技術はこれらの実施の形態等には限定されず、種々の変形が可能である。
例えば、上記の各実施の形態では、デバイス情報ＩＮＦＤに含まれる、位置についての情報や、コンピューティングリソースについての情報に基づいて、機械学習処理を行うべき１以上のデバイス２０を決定したが、これに限定されるものではなく、デバイス情報ＩＮＦＤに含まれる、デバイス２０のコンテキストに係る様々な情報に基づいて、１以上のデバイス２０を決定することができる。
例えば、各実施の形態の技術を組み合わせてもよい。
なお、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、また他の効果があってもよい。
なお、本技術は以下のような構成とすることができる。以下の構成の本技術によれば、効率的な学習処理を実現することができる。
（１）複数のデバイスにそれぞれ対応し、前記複数のデバイスから供給された複数のデバイス情報を記憶する記憶部と、
前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
を備えたサーバ。
（２）各デバイス情報は、対応するデバイスのリソースを示すリソース情報を含み、
前記処理部は、前記学習処理の演算量、前記学習処理の処理対象であるデータの量、および前記複数のデバイスについての前記リソース情報に基づいて、前記１以上のデバイスを決定する
前記（１）に記載のサーバ。
（３）各デバイス情報は、対応するデバイスの位置を示す位置情報を含み、
前記処理部は、前記複数のデバイスについての前記位置情報に基づいて前記１以上のデバイスを決定する
前記（１）または（２）に記載のサーバ。
（４）前記処理部は、前記複数のデバイスについての前記位置情報に基づいて前記複数のデバイスの間の距離を算出し、その算出結果に基づいて前記１以上のデバイスを決定する
前記（３）に記載のサーバ。
（５）前記処理部は、前記複数のデバイスについての前記位置情報に基づいて各デバイスの移動経路を取得し、その取得結果に基づいて前記１以上のデバイスを決定する
前記（３）に記載のサーバ。
（６）前記通信部は、前記１以上のデバイスに対して前記学習処理の処理対象であるデータを送信する
前記（１）から（５）のいずれかに記載のサーバ。
（７）前記通信部は、前記１以上のデバイスに対して、前記学習処理の処理対象であるデータの取得をさらに指示する
前記（１）から（５）のいずれかに記載のサーバ。
（８）前記複数のデバイスのそれぞれは、センサを有し、
前記学習処理の処理対象であるデータは、前記複数のデバイスのうちの１以上の前記センサの検出結果である
前記（６）または（７）に記載のサーバ。
（９）前記１以上のデバイスは、２以上のデバイスを含み、
前記通信部は、前記２以上のデバイスのそれぞれから送信された、前記学習処理により得られた学習モデル情報を受信し、
前記処理部は、２以上の前記学習モデル情報を統合する
前記（１）から（８）のいずれかに記載のサーバ。
（１０）前記通信部は、統合された前記学習モデル情報を、前記複数のデバイスのうちの前記２以上のデバイス以外の第１のデバイスに送信する
前記（９）に記載のサーバ。
（１１）前記通信部は、統合された前記学習モデル情報を、前記２以上のデバイスに送信する
前記（９）に記載のサーバ。
（１２）サーバと
複数のデバイスと
を備え、
前記サーバは、
前記複数のデバイスにそれぞれ対応し、前記複数のデバイスから供給された複数のデバイス情報を記憶する記憶部と、
前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
を有する
学習システム。
（１３）前記１以上のデバイスは、２以上のデバイスを含み、
前記複数のデバイスのうちの前記２以上のデバイス以外の複数のデバイスは、第１のデバイスを含み、
前記２以上のデバイスのそれぞれは、前記学習処理を行うことにより学習モデル情報を生成し、前記学習モデル情報を前記第１のデバイスに送信し、
前記第１のデバイスは、２以上の前記学習モデル情報を統合する
前記（１２）に記載の学習システム。
（１４）前記１以上のデバイスは、単一の第２のデバイスであり
前記複数のデバイスは、第１のデバイスを含み、
前記第２のデバイスは、前記学習処理を行うことにより学習モデル情報を生成し、前記学習モデル情報を前記第１のデバイスに送信する
前記（１２）に記載の学習システム。
本出願は、日本国特許庁において２０１９年１月１５日に出願された日本特許出願番号２０１９－００４０３０号を基礎として優先権を主張するものであり、この出願のすべての内容を参照によって本出願に援用する。
当業者であれば、設計上の要件や他の要因に応じて、種々の修正、コンビネーション、サブコンビネーション、および変更を想到し得るが、それらは添付の請求の範囲やその均等物の範囲に含まれるものであることが理解される。

Claims (13)

  1. 複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶する記憶部と、
    前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
    前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
    を備え、
    各デバイス情報は、対応するデバイスの位置を示す位置情報を含み、
    前記処理部は、前記複数のデバイスについての前記位置情報に基づいて前記複数のデバイスの間の距離を算出し、その算出結果に基づいて前記１以上のデバイスを決定する
    サーバ。
  2. 各デバイス情報は、対応するデバイスのリソースを示すリソース情報を含み、
    前記処理部は、前記学習処理の演算量、前記学習処理の処理対象であるデータの量、および前記複数のデバイスについての前記リソース情報に基づいて、前記１以上のデバイスを決定する
    請求項１に記載のサーバ。
  3. 前記通信部は、前記１以上のデバイスに対して前記学習処理の処理対象であるデータを送信する
    請求項１に記載のサーバ。
  4. 前記通信部は、前記１以上のデバイスに対して、前記学習処理の処理対象であるデータの取得をさらに指示する
    請求項１に記載のサーバ。
  5. 前記複数のデバイスのそれぞれは、センサを有し、
    前記学習処理の処理対象であるデータは、前記複数のデバイスのうちの１以上の前記センサの検出結果である
    請求項３に記載のサーバ。
  6. 前記１以上のデバイスは、２以上のデバイスを含み、
    前記通信部は、前記２以上のデバイスのそれぞれから送信された、前記学習処理により得られた学習モデル情報を受信し、
    前記処理部は、２以上の前記学習モデル情報を統合する
    請求項１に記載のサーバ。
  7. 前記通信部は、統合された前記学習モデル情報を、前記複数のデバイスのうちの前記２以上のデバイス以外の第１のデバイスに送信する
    請求項６に記載のサーバ。
  8. 前記通信部は、統合された前記学習モデル情報を、前記２以上のデバイスに送信する
    請求項６に記載のサーバ。
  9. 複数のデバイスにそれぞれ対応し、複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶する記憶部と、
    前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
    前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
    を備え、
    各デバイス情報は、対応するデバイスの位置を示す位置情報を含み、
    前記処理部は、前記複数のデバイスについての前記位置情報に基づいて各デバイスの移動経路を取得し、その取得結果に基づいて前記１以上のデバイスを決定する
    サーバ。
  10. サーバと
    複数のデバイスと
    を備え、
    前記サーバは、
    前記複数のデバイスにそれぞれ対応し、前記複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶する記憶部と、
    前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
    前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
    を有し、
    各デバイス情報は、対応するデバイスの位置を示す位置情報を含み、
    前記処理部は、前記複数のデバイスについての前記位置情報に基づいて前記複数のデバイスの間の距離を算出し、その算出結果に基づいて前記１以上のデバイスを決定する
    学習システム。
  11. 前記１以上のデバイスは、２以上のデバイスを含み、
    前記複数のデバイスのうちの前記２以上のデバイス以外の複数のデバイスは、第１のデバイスを含み、
    前記２以上のデバイスのそれぞれは、前記学習処理を行うことにより学習モデル情報を生成し、前記学習モデル情報を前記第１のデバイスに送信し、
    前記第１のデバイスは、２以上の前記学習モデル情報を統合する
    請求項１０に記載の学習システム。
  12. 前記１以上のデバイスは、単一の第２のデバイスであり
    前記複数のデバイスは、第１のデバイスを含み、
    前記第２のデバイスは、前記学習処理を行うことにより学習モデル情報を生成し、前記学習モデル情報を前記第１のデバイスに送信する
    請求項１０に記載の学習システム。
  13. サーバと
    複数のデバイスと
    を備え、
    前記サーバは、
    前記複数のデバイスにそれぞれ対応し、前記複数のデバイスからそれぞれ供給され、それぞれが、対応するデバイスについての情報を含む複数のデバイス情報を記憶する記憶部と、
    前記複数のデバイス情報に基づいて、前記複数のデバイスのうちの学習処理を行うべき１以上のデバイスを決定する処理部と、
    前記１以上のデバイスに対して前記学習処理の実行を指示する通信部と
    を有し、
    各デバイス情報は、対応するデバイスの位置を示す位置情報を含み、
    前記処理部は、前記複数のデバイスについての前記位置情報に基づいて各デバイスの移動経路を取得し、その取得結果に基づいて前記１以上のデバイスを決定する
    学習システム。
JP2020566109A 2019-01-15 2019-10-18 サーバおよび学習システム Active JP7409326B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019004030 2019-01-15
JP2019004030 2019-01-15
PCT/JP2019/041042 WO2020148959A1 (ja) 2019-01-15 2019-10-18 サーバおよび学習システム

Publications (2)

Publication Number Publication Date
JPWO2020148959A1 JPWO2020148959A1 (ja) 2021-12-02
JP7409326B2 true JP7409326B2 (ja) 2024-01-09

Family

ID=71614474

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020566109A Active JP7409326B2 (ja) 2019-01-15 2019-10-18 サーバおよび学習システム

Country Status (5)

Country Link
US (1) US20220019940A1 (ja)
EP (1) EP3913548A4 (ja)
JP (1) JP7409326B2 (ja)
CN (1) CN113168588B (ja)
WO (1) WO2020148959A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210075694A (ko) * 2019-12-13 2021-06-23 현대자동차주식회사 저전력 통신을 이용한 차량 제어 장치 및 그 방법
US11916754B2 (en) * 2021-09-03 2024-02-27 Qualcomm Incorporated Configuring a user equipment for machine learning

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008046729A (ja) 2006-08-11 2008-02-28 Kddi Corp 動画像話題分割装置
JP2011145833A (ja) 2010-01-13 2011-07-28 Hitachi High-Technologies Corp データ分散管理システム及びデータ分散管理方法
JP2017107385A (ja) 2015-12-09 2017-06-15 日本電信電話株式会社 タスク割当装置、方法、及びプログラム
JP2017146679A (ja) 2016-02-15 2017-08-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 リスト作成装置、処理装置、リソース情報取得システム、分散処理システム、リスト作成方法及び分散処理方法
JP2018129718A (ja) 2017-02-09 2018-08-16 日本電気株式会社 管理サーバ、通信システム、管理サーバの制御方法、及びプログラム
WO2018173121A1 (ja) 2017-03-21 2018-09-27 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8775337B2 (en) * 2011-12-19 2014-07-08 Microsoft Corporation Virtual sensor development
US10101786B2 (en) * 2014-12-22 2018-10-16 Intel Corporation Holistic global performance and power management
JP2016191973A (ja) * 2015-03-30 2016-11-10 日本電気株式会社 情報転送装置、学習システム、情報転送方法及びプログラム
JP2017091431A (ja) * 2015-11-17 2017-05-25 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
JP2017182114A (ja) * 2016-03-28 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
JP6866095B2 (ja) * 2016-09-26 2021-04-28 キヤノン株式会社 学習装置、画像識別装置、学習方法、画像識別方法及びプログラム
US20180096261A1 (en) * 2016-10-01 2018-04-05 Intel Corporation Unsupervised machine learning ensemble for anomaly detection
KR102370063B1 (ko) * 2017-03-28 2022-03-04 삼성전자주식회사 얼굴 인증 방법 및 장치
US10607155B2 (en) * 2017-03-30 2020-03-31 Intel Corporation Diagnosing slow tasks in distributed computing
JP2019004030A (ja) 2017-06-14 2019-01-10 株式会社デンソー 半導体装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008046729A (ja) 2006-08-11 2008-02-28 Kddi Corp 動画像話題分割装置
JP2011145833A (ja) 2010-01-13 2011-07-28 Hitachi High-Technologies Corp データ分散管理システム及びデータ分散管理方法
JP2017107385A (ja) 2015-12-09 2017-06-15 日本電信電話株式会社 タスク割当装置、方法、及びプログラム
JP2017146679A (ja) 2016-02-15 2017-08-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 リスト作成装置、処理装置、リソース情報取得システム、分散処理システム、リスト作成方法及び分散処理方法
JP2018129718A (ja) 2017-02-09 2018-08-16 日本電気株式会社 管理サーバ、通信システム、管理サーバの制御方法、及びプログラム
WO2018173121A1 (ja) 2017-03-21 2018-09-27 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム

Also Published As

Publication number Publication date
JPWO2020148959A1 (ja) 2021-12-02
WO2020148959A1 (ja) 2020-07-23
US20220019940A1 (en) 2022-01-20
CN113168588B (zh) 2023-11-24
CN113168588A (zh) 2021-07-23
EP3913548A1 (en) 2021-11-24
EP3913548A4 (en) 2022-03-09

Similar Documents

Publication Publication Date Title
WO2021059714A1 (ja) 占有グリッドマップ生成装置、占有グリッドマップ生成システム、占有グリッドマップ生成方法、およびプログラム
US11875551B2 (en) Collecting and processing data from vehicles
CN111602153A (zh) 自动化的本地化机器学习训练
JP7409326B2 (ja) サーバおよび学習システム
US10635108B2 (en) Centralized scheduling system using global store for operating autonomous driving vehicles
JP5150744B2 (ja) 情報配信装置、システム、及び情報表示装置
WO2018077236A1 (zh) 分布式机器学习方法和系统
AU2014235416B2 (en) Real world analytics visualization
JP7111175B2 (ja) 物体認識システム、認識装置、物体認識方法および物体認識プログラム
US9995816B2 (en) Methods for indoor positioning and apparatuses using the same
CA3051298C (en) Displaying content on an electronic display based on an environment of the electronic display
US10911747B1 (en) Systems and methods for utilizing modeling to automatically determine configuration parameters for cameras
WO2018146762A1 (ja) 情報処理装置、車載装置、情報処理方法、通信方法、情報処理プログラム及び通信プログラム
JP2023021913A (ja) システム・オン・チップの性能を向上させるために、処理タスクを分離式アクセラレータにオフロードすること
US11128981B2 (en) Cellular network delivery of travel safety alerts
WO2023273467A1 (zh) 真值数据确定、神经网络训练、行驶控制方法及装置
JP2014160420A (ja) 活動状況処理装置及び活動状況処理方法
KR20210071283A (ko) 드론을 이용하는 구조물 안전점검 유지관리 방법 및 시스템
US20210241171A1 (en) Machine learning feature engineering
KR102006080B1 (ko) 블랙박스 영상 제공 방법 및 이를 수행하는 장치들
JP7261892B2 (ja) 占有格子地図管理装置
US20220414498A1 (en) System and method for decentralized distributed model adaptation
US10713312B2 (en) System and method for context-launching of applications
US11222152B2 (en) Interest-based distributed simulation system
WO2019052389A1 (zh) 一种移动机器人中的任务优化方法及设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220901

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230912

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231030

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: 20231121

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231204

R151 Written notification of patent or utility model registration

Ref document number: 7409326

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151