JP7481902B2 - 管理計算機、管理プログラム、及び管理方法 - Google Patents
管理計算機、管理プログラム、及び管理方法 Download PDFInfo
- Publication number
- JP7481902B2 JP7481902B2 JP2020088804A JP2020088804A JP7481902B2 JP 7481902 B2 JP7481902 B2 JP 7481902B2 JP 2020088804 A JP2020088804 A JP 2020088804A JP 2020088804 A JP2020088804 A JP 2020088804A JP 7481902 B2 JP7481902 B2 JP 7481902B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- accuracy
- model
- data
- prediction
- 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
- 238000007726 management method Methods 0.000 title claims description 57
- 238000000034 method Methods 0.000 claims description 115
- 230000008569 process Effects 0.000 claims description 107
- 230000006872 improvement Effects 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 description 34
- 238000009826 distribution Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Description
図1は、実施形態1の管理計算機1の構成を示す図である。管理計算機1は、学習モデル(本実施形態では機械学習モデルとするが限定しない)を用いて推論を行う人工知能(AI:Artificial Intelligence)システムを管理する計算機である。管理計算機1は、学習データセット記憶部11、精度向上予測モデル生成部12、精度向上予測モデル記憶部13、新規収集データセット記憶部14、再学習精度予測部15、及び再学習判定部16を有する。学習データセット記憶部11は、学習データセット11Dを記憶する。
図5は、実施形態1の精度向上予測モデル生成処理を示すフローチャートである。精度向上予測モデル生成処理は、後述の再学習精度予測処理(図6)及び再学習判定処理(図7)に先立って事前に実行される。
図6は、実施形態1の再学習精度予測処理を示すフローチャートである。先ずステップS21では、再学習精度予測部15は、新規収集データセット14Dを含む再学習用データセットを取得する。次にステップS22では、再学習精度予測部15は、ステップS21で取得した再学習用データセットの特徴量(データ数)を算出する。
図7は、実施形態1の再学習実行要否判定処理を示すフローチャートである。先ずステップS31では、再学習判定部16は、再学習精度予測処理のステップS24で登録された再学習精度を取得する。次にステップS32では、再学習判定部16は、運用中モデル101aの精度を取得する。次にステップS33では、再学習判定部16は、再学習実行要否を判定する。
実施形態1では、学習データセット11Dのデータ数と精度に基づいて精度向上予測モデル13Mを生成し、精度向上予測モデル13Mと再学習用データセットに基づいて再学習実行否判定を行うとした。これに対し、実施形態2では、特徴量を、実施形態1のデータ数から学習期間に置き換え、データ数と精度の相関グラフ(図2)を、図10に示す学習期間(学習データの収集期間)と精度の相関に置き換えたものとする。図10は、学習期間と精度の相関グラフを示す図である。その他は実施形態1と同様である。
実施形態3では、学習データセット11Dを特徴量に基づいてグループ化(例えばクラスタリング)し、グループ毎のデータセットの特徴量と精度の相関に基づいて各精度向上予測モデル13Mを生成する。また、再学習用データセットを特徴量に基づいてグループ化し、各クラスタの精度向上予測モデル13Mと、新規グループ及び学習データセット11Dをグループ化した既存グループとに基づいて再学習実行要否判定を行う。その他は実施形態1と同様である。以下、グループ化を、クラスタリングを例として説明する。また、精度との相関を求めるデータセットの特徴量は、データ数とする。
実施形態4では、実施形態1の再学習実行要否判定に、次の判定処理を加える。すなわち、再学習判定部16は、データ数に基づく再学習精度が基準値に達することに加え、ある特徴量に対し、再学習用データの確率分布(以下「分布」)が運用中モデル101aの学習データの分布と同程度とみなせる場合に、十分な学習データが収集できたとし、再学習実行可と判定する。分布を比較する特徴量は、1つでもよいし、複数でもよい。
新規収集データセット14Dを含んだ再学習用データを用いて機械学習モデルを再学習した場合、モデルを構成する内部パラメータθに大きな影響を与える場合がある。実施形態5では、内部パラメータθが大きく変動した場合は、運用中モデル101aの精度への影響も大きいとみなし、再学習実行要否を判定する。
ΔθZ=θ―Z-θ=Iup,param(Z)・・・(1)
上記式(1)において、Z:運用中モデル101a生成時の学習データ、θ:運用中モデル101aを構成する内部パラメータである。
上記実施形態1~5に加えて実施可能な実施形態を示す。
再学習判定部16は、再学習実行要否判定で再学習精度が十分でないため再学習実行不可と判定した場合に、再学習用データの拡充の推奨を、表示部17に表示するなどして推奨する。再学習用データの拡充方法には、運用中モデル101aの学習データを流用する、再学習用データのデータオーギュメンテーション(水増し)を行う、再学習用データの偏りを是正するように能動的にデータ取得する(例えばデータ数が他と比較して少ない期間のデータを補充する)、などがある。この推奨に応じて再学習用データが拡充されることにより、再学習精度を向上させることができる。
上記実施形態では、1つの管理対象システム(機械学習モデル)につき1つの精度向上予測モデル13Mを作成するとした。しかし、これに限らず、共通する特徴を持つ複数の管理対象システムに対して1つの精度向上予測モデルを生成するようにしてもよい。すなわち、精度向上予測モデル13Mを、学習モデルを用いて推論を行うシステムを特徴付ける特徴量毎に生成する。
運用中モデル101aが再学習モデルで更新される都度、精度向上予測モデル13Mを更新してもよい。これにより、精度向上予測モデル13Mの精度を向上させることができる。
データセットの特徴量の値に対する精度の相関グラフを作成する際、データセットの特徴量(データ数、データの学習期間、クラスタ内データ数、データの歪度、尖度、標準偏差、分散等)と、精度向上予測モデル作成のための学習用のデータセットの決定方法は、次の通りである。なお、学習用のデータセットと、評価用のデータセットは事前に一般的な方法で分離されているものとする。
図16は、管理計算機1及び機械学習モデル生成部18を実現するコンピュータのハードウェアを示す図である。管理計算機1及び機械学習モデル生成部18を実現するコンピュータ5000では、CPU(Central Processing Unit)に代表されるプロセッサ5300、RAM(Random Access Memory)等の主記憶装置(メモリ)5400、入力装置5600(例えばキーボード、マウス、タッチパネル等)、及び出力装置5700(例えば外部ディスプレイモニタに接続されたビデオグラフィックカード)が、メモリコントローラ5500を通して相互接続される。
Claims (13)
- 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記判定処理において前記再学習の実行不可と判定した場合に、判定時以降の前記再学習モデルの精度の予測に基づいて、前記再学習の実行時期を予測する処理
を実行することを特徴とする管理計算機。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記判定処理において前記再学習の実行不可と判定した場合に、判定時以降の前記再学習モデルの精度と、前記システムにて運用中の学習モデルの精度の予測に基づいて、前記再学習の実行時期を予測する処理
を実行することを特徴とする管理計算機。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記生成処理において、前記精度向上予測モデルを、学習モデルを用いて推論を行うシステムの特徴毎に生成し、
前記システムの特徴に基づいて、前記予測処理において用いる精度向上予測モデルを、前記特徴毎に生成された複数の精度向上予測モデルから選択する選択処理
を実行し、
前記予測処理において、前記選択処理で選択された精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する
ことを特徴とする管理計算機。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記生成処理において、前記精度向上予測モデルを、前記学習データをグループ化した各グループ内のデータの特徴量と各グループ内の学習データを用いて学習した場合の各学習モデルの精度の相関に基づいて、各グループ毎に生成し、
前記予測処理において、前記再学習用データをグループ化した各グループ中で、前記学習データをグループ化した既存グループとは異なる新規グループを検出した際、各グループ毎の前記精度向上予測モデルと、前記新規グループ内のデータの特徴量及び前記既存グループ内のデータの特徴量の何れか一方又は両方とに基づいて、前記再学習モデルの精度を予測する
ことを特徴とする管理計算機。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記学習データの特徴量は、各学習データの影響関数であり、
前記プロセッサは、
前記生成処理において、前記学習モデルの影響関数と該影響関数に応じた該学習モデルの精度の変化量の相関に基づく前記精度向上予測モデルを生成し、
前記予測処理において、前記精度向上予測モデルと前記再学習用データの影響関数から、前記再学習モデルの精度の変化量を予測し、
前記判定処理において、予測した前記再学習モデルの精度の変化量に基づいて、前記再学習の実行要否を判定する
ことを特徴とする管理計算機。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機であって、
メモリと協働して処理を行うプロセッサを有し、
前記プロセッサは、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記学習データをグループ化し、
前記生成処理において、前記精度向上予測モデルを、前記グループ化した各グループからそれぞれ同数だけサンプリングした学習データの特徴量と、該学習データを用いて学習した場合の学習モデルの精度の相関に基づいて生成する
ことを特徴とする管理計算機。 - 請求項1~6の何れか一項に記載の管理計算機としてコンピュータを機能させるための管理プログラム。
- 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記判定処理において前記再学習の実行不可と判定した場合に、判定時以降の前記再学習モデルの精度の予測に基づいて、前記再学習の実行時期を予測する処理
を実行することを特徴とする管理方法。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記判定処理において前記再学習の実行不可と判定した場合に、判定時以降の前記再学習モデルの精度と、前記システムにて運用中の学習モデルの精度の予測に基づいて、前記再学習の実行時期を予測する処理
を実行することを特徴とする管理方法。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記生成処理において、前記精度向上予測モデルを、学習モデルを用いて推論を行うシステムの特徴毎に生成し、
前記システムの特徴に基づいて、前記予測処理において用いる精度向上予測モデルを、前記特徴毎に生成された複数の精度向上予測モデルから選択する選択処理
を実行し、
前記予測処理において、前記選択処理で選択された精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する
ことを特徴とする管理方法。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記生成処理において、前記精度向上予測モデルを、前記学習データをグループ化した各グループ内のデータの特徴量と各グループ内の学習データを用いて学習した場合の各学習モデルの精度の相関に基づいて、各グループ毎に生成し、
前記予測処理において、前記再学習用データをグループ化した各グループ中で、前記学習データをグループ化した既存グループとは異なる新規グループを検出した際、各グループ毎の前記精度向上予測モデルと、前記新規グループ内のデータの特徴量及び前記既存グループ内のデータの特徴量の何れか一方又は両方とに基づいて、前記再学習モデルの精度を予測する
ことを特徴とする管理方法。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記学習データの特徴量は、各学習データの影響関数であり、
前記管理計算機が、
前記生成処理において、前記学習モデルの影響関数と該影響関数に応じた該学習モデルの精度の変化量の相関に基づく前記精度向上予測モデルを生成し、
前記予測処理において、前記精度向上予測モデルと前記再学習用データの影響関数から、前記再学習モデルの精度の変化量を予測し、
前記判定処理において、予測した前記再学習モデルの精度の変化量に基づいて、前記再学習の実行要否を判定する
ことを特徴とする管理方法。 - 学習モデルを用いて推論を行うシステムを管理する管理計算機が実行する管理方法であって、
前記管理計算機が、
前記学習モデルの学習に用いられた学習データの特徴量と該学習モデルの精度の相関に基づいて、前記システムの運用開始時以降に該システムから収集された新規収集データを含む再学習用データを用いて再学習を実行した場合の再学習モデルの精度を予測するための精度向上予測モデルを生成する生成処理と、
前記精度向上予測モデルと前記再学習用データの特徴量から、前記再学習モデルの精度を予測する予測処理と、
予測した前記再学習モデルの精度に基づいて、前記再学習の実行要否を判定する判定処理と
を実行し、
前記学習データをグループ化し、
前記生成処理において、前記精度向上予測モデルを、前記グループ化した各グループからそれぞれ同数だけサンプリングした学習データの特徴量と、該学習データを用いて学習した場合の学習モデルの精度の相関に基づいて生成する
ことを特徴とする管理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020088804A JP7481902B2 (ja) | 2020-05-21 | 2020-05-21 | 管理計算機、管理プログラム、及び管理方法 |
US17/209,341 US20210365813A1 (en) | 2020-05-21 | 2021-03-23 | Management computer, management program, and management method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020088804A JP7481902B2 (ja) | 2020-05-21 | 2020-05-21 | 管理計算機、管理プログラム、及び管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021184139A JP2021184139A (ja) | 2021-12-02 |
JP7481902B2 true JP7481902B2 (ja) | 2024-05-13 |
Family
ID=78608177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020088804A Active JP7481902B2 (ja) | 2020-05-21 | 2020-05-21 | 管理計算機、管理プログラム、及び管理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210365813A1 (ja) |
JP (1) | JP7481902B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11651281B2 (en) * | 2020-05-18 | 2023-05-16 | International Business Machines Corporation | Feature catalog enhancement through automated feature correlation |
US20220180244A1 (en) * | 2020-12-08 | 2022-06-09 | Vmware, Inc. | Inter-Feature Influence in Unlabeled Datasets |
US11928464B2 (en) * | 2022-03-25 | 2024-03-12 | Dell Products L.P. | Systems and methods for model lifecycle management |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016152053A1 (ja) | 2015-03-23 | 2016-09-29 | 日本電気株式会社 | 精度推定モデル生成システムおよび精度推定システム |
JP2017049674A (ja) | 2015-08-31 | 2017-03-09 | 富士通株式会社 | 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法 |
JP2019106089A (ja) | 2017-12-14 | 2019-06-27 | キヤノン株式会社 | 情報処理装置、情報処理方法、コンピュータプログラム |
JP2020062914A (ja) | 2018-10-15 | 2020-04-23 | トヨタ自動車株式会社 | 情報提供装置 |
-
2020
- 2020-05-21 JP JP2020088804A patent/JP7481902B2/ja active Active
-
2021
- 2021-03-23 US US17/209,341 patent/US20210365813A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016152053A1 (ja) | 2015-03-23 | 2016-09-29 | 日本電気株式会社 | 精度推定モデル生成システムおよび精度推定システム |
JP2017049674A (ja) | 2015-08-31 | 2017-03-09 | 富士通株式会社 | 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法 |
JP2019106089A (ja) | 2017-12-14 | 2019-06-27 | キヤノン株式会社 | 情報処理装置、情報処理方法、コンピュータプログラム |
JP2020062914A (ja) | 2018-10-15 | 2020-04-23 | トヨタ自動車株式会社 | 情報提供装置 |
Also Published As
Publication number | Publication date |
---|---|
US20210365813A1 (en) | 2021-11-25 |
JP2021184139A (ja) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10910107B1 (en) | Computer network architecture for a pipeline of models for healthcare outcomes with machine learning and artificial intelligence | |
Acebes et al. | Stochastic earned value analysis using Monte Carlo simulation and statistical learning techniques | |
Iqbal et al. | Adaptive prediction models for data center resources utilization estimation | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
US10990904B1 (en) | Computer network architecture with machine learning and artificial intelligence and automated scalable regularization | |
JP6849915B2 (ja) | 比較プログラム、比較方法および比較装置 | |
US20180240041A1 (en) | Distributed hyperparameter tuning system for machine learning | |
US8380642B2 (en) | Methods and systems for self-improving reasoning tools | |
US9875142B2 (en) | System and method for efficient task scheduling in heterogeneous, distributed compute infrastructures via pervasive diagnosis | |
US9189750B1 (en) | Methods and systems for sequential feature selection based on significance testing | |
WO2018071005A1 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US11605465B1 (en) | Computer network architecture with machine learning and artificial intelligence and patient risk scoring | |
CN113366473A (zh) | 用于自动选择用于数据流时间序列预测的模型的方法和系统 | |
JP2020187417A (ja) | 物性予測装置及び物性予測方法 | |
JP7207540B2 (ja) | 学習支援装置、学習支援方法、及びプログラム | |
CN115705322A (zh) | 一种数据库管理系统、数据处理方法及设备 | |
Wu et al. | Feature selection in the data stream based on incremental Markov boundary learning | |
Li et al. | An adaptive prognostics method based on a new health index via data fusion and diffusion process | |
JP2016194914A (ja) | 混合モデル選択の方法及び装置 | |
Friebe et al. | Adaptive runtime estimate of task execution times using bayesian modeling | |
GB2465861A (en) | A reasoning inference making tool for recommending actions based on a hybridisation of a data driven model and knowledge based logic. | |
Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
US20230004870A1 (en) | Machine learning model determination system and machine learning model determination method | |
Doddaiah et al. | Class-Specific Explainability for Deep Time Series Classifiers | |
US20230214668A1 (en) | Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230220 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240205 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240327 |
|
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: 20240416 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240426 |