JP7495008B2 - 情報提示プログラム、情報提示方法および情報提示装置 - Google Patents

Description

本発明は、情報提示プログラム等に関する。

機械学習によって、データから有用な知見を発見することが求められている。従来技術では、完璧な機械学習を行うことが難しいため、複数の学習モデルを生成して、ユーザに提示している。

図２０は、従来技術を説明するための図である。従来技術では、データを基にして機械学習（Wide Learning）を実行する場合に、パラメータ、乱数シード、前処理を調整することで、複数の学習モデルを生成し、ユーザに提示する。ユーザは、提示された複数の学習モデルの仮説セットを基にして、学習モデル全体の共通点や差異を把握し、有用な知見を発見するための学習モデルを選択することになる。

図２１は、学習モデルの仮説セットの一例を示す図である。学習モデルの仮説セットは、学習モデルの出力結果を説明するための情報であり、たとえば、仮説および重みを有する。仮説は、複数の属性の組で示される。重みは、該当する仮説が、どの程度、学習モデルの出力結果に影響を与えるのかを示す。重みが正の値の場合には、重みが大きいほど、該当する仮説が「Ｔｕｒｅ」と判定される場合に、より影響を与えた仮説であることを示す。重みが負の値の場合には、重みが小さいほど、該当する仮説が「ＦＡＬＳＥ」と判定される場合に、より影響を与えた仮説であることを示す。

図２１において、仮説セット１－１を、比較対象の一方の学習モデル（第１学習モデル）の仮説セットとし、仮説セット１－２を、他方の学習モデル（第２学習モデル）の仮説セットとする。図２１に示す例では、仮説セット１－１の各仮説と、仮説セット８－２の各仮説のうち、仮説「属性Ｄ１－２∧属性Ｆ１－１∧属性Ｆ１－２」等の一部の仮説について、共通しているものの、大部分の仮説について共通していない。

図２２は、各仮説セットの仮説と重さとの関係を示す図である。図２２の縦軸は、第１学習モデルの仮説の重さを示す軸である。横軸は、第２学習モデルの仮説の重さを示す軸である。たとえば、図２２のグラフにおいて、プロットされた複数のポイントのうち、ポイントＰ１は、仮説セット８－１の仮説「属性Ａ１－１∧属性Ｂ１－１∧属性Ｃ１－１」に対応する。ポイントＰ２は、仮説セット８－２の仮説「属性Ｇ１－１」に対応する。ポイントＰ３は、仮説セット８－１，８－２で共通する仮説「属性Ｄ１－２∧属性Ｆ１－１∧属性Ｆ１－２」に対応する。その他のポイントに関する説明を省略する。

図２１、図２２に示すように、複数の学習モデルの仮説セットを比較しても、大部分の仮説が一致しないため、ユーザ自身が、複数の学習モデルの仮説セットを参照しても、学習モデル間の関係を判断することは難しい。

このため、従来技術では、全ての学習モデルの集合から、目的関数の降順に上位Ｋ個の学習モデルを列挙する対応を行っている。

Satoshi Hara, Takanori Maehara "Enumerate Lasso Solutions for Feature Selection" AAAI-17 Satoshi Hara, Masakazu Ishihata "Approximate and Exact Enumeration of Rule Models" AAAI-18

しかしながら、上位Ｋ個の学習モデルに含まれる知見に偏りが存在する場合、従来技術のように、上位Ｋ個の学習モデルを列挙すると、知見の網羅性が低くなる。

図２３は、従来技術の問題点を説明するための図である。図２３に示す空間７では、学習モデルが類似しているほど近くに配置されるものとする。たとえば、複数の学習モデル６－１～６－１３のうち、上位Ｋ個の学習モデルを、学習モデル６－１，６－２，６－３，６－５，６－７とする。そうすると、従来技術では、学習モデル６－１，６－２，６－３，６－５，６－７が列挙され、他の学習モデル６－４，６－６，６－８～６－１３が列挙されず、領域７ａの知見を得ることができなくなる。

図２３で説明したように、目的関数の降順に上位Ｋ個の学習モデルを列挙すると、類似した学習モデルを列挙する恐れがあり、有用な知見を発見するための学習モデルを選択することが困難となる。

また、図２１及び図２２で説明したように、ユーザ自身が、学習モデルの仮説セットを比較して、類似する学習モデルの共通点や差異を把握することも難しく、上位Ｋ個の学習モデルの仮説セットであっても、大部分の仮説が一致しない場合が多い。

すなわち、複雑化した学習モデル同士の比較を容易に行うことが求められている。

１つの側面では、本発明は、複雑化した学習モデル同士の比較を容易に行うことができる情報提示プログラム、情報提示方法および情報提示装置を提供することを目的とする。

第１の案では、コンピュータに次の処理を実行させる。コンピュータは、学習データを用いた機械学習を実行することで、複数の学習モデルを生成する。コンピュータは、複数の学習モデルそれぞれから抽出された、それぞれが１以上の説明変数の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報を生成する。

複雑化した学習モデル同士の比較を容易にすることができる。

図１は、本実施例に係る情報提示装置の処理を説明するための図である。 図２は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（１）である。 図３は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（２）である。 図４は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（３）である。 図５は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（４）である。 図６は、本実施例に係る情報提示装置の構成を示す機能ブロック図である。 図７は、学習データのデータ構造の一例を示す図である。 図８は、仮説データベースのデータ構造の一例を示す図である。 図９は、共通仮説セットテーブルのデータ構造の一例を示す図である。 図１０は、共通する仮説セットを特定する処理手順を示すフローチャートである。 図１１は、仮説セット間で矛盾する仮説を除外する処理を説明するための図である。 図１２は、仮説セット間で共通する仮説を生成する処理を説明するための図である。 図１３は、共通する仮説セットに対する学習モデルの関係を示す図である。 図１４は、仮説の重みを考慮した結論部を更新する処理を説明するための図である。 図１５は、本実施例に係る情報提示装置の処理手順を示すフローチャートである。 図１６は、類似度算出処理の処理手順を示すフローチャート（１）である。 図１７は、学習モデル間の重みの累積値の散布図の一例を示す図である。 図１８は、類似度算出処理の処理手順を示すフローチャート（２）である。 図１９は、実施例の情報提示装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。 図２０は、従来技術を説明するための図である。 図２１は、学習モデルの仮説セットの一例を示す図である。 図２２は、各仮説セットの仮説と重さとの関係を示す図である。 図２３は、従来技術の問題点を説明するための図である。

以下に、本願の開示する情報提示プログラム、情報提示方法および情報提示装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。

本実施例に係る情報提示装置の処理の一例について説明する。図１は、本実施例に係る情報提示装置の処理を説明するための図である。情報提示装置は、学習データを用いた機械学習を実行することで、複数の学習モデルＭ１，Ｍ２，Ｍ３，Ｍ４，・・・Ｍｎを生成する。以下の説明では適宜、複数の学習モデルＭ１～Ｍｎをまとめて、「学習モデルＭ」と表記する。

情報提示装置は、学習モデルＭから仮説セットを取得する。学習モデルＭの仮説セットは、学習モデルＭの出力結果を説明する情報となる。図１に示す例では、学習モデルＭ１の仮説セットＨ１には、仮説ｈｙ１，ｈｙ２，ｈｙ３，ｈｙ４，ｈｙ５が含まれる。学習モデルＭ２の仮説セットＨ２には、仮説ｈｙ１，ｈｙ２，ｈｙ３，ｈｙ４，ｈｙ６が含まれる。学習モデルＭ３の仮説セットＨ３には、仮説ｈｙ１，ｈｙ２，ｈｙ３，ｈｙ４，ｈｙ７が含まれる。

学習モデルＭ４の仮説セットＨ４には、仮説ｈｙ１，ｈｙ２，ｈｙ８，ｈｙ９が含まれる。学習モデルＭｎの仮説セットＨｎには、仮説ｈｙ１，ｈｙ２，ｈｙ８，ｈｙ１０，ｈｙ１２が含まれる。他の学習モデルＭの仮説セットの説明を省略する。

情報提示装置は、学習モデルＭの仮説セットを基にして類似度判定を実行し、学習モデルＭを類似する学習モデルＭ同士に分類する。図１に示す例では、情報提示装置は、学習モデルＭ１，Ｍ２，Ｍ３を、第１グループに分類する。情報提示装置は、学習モデルＭ４、Ｍｎ等を、第２グループに分類する。他の学習モデルおよび他のグループに関する説明を省略する。

情報提示装置は、第１グループに属する学習モデルＭ１～Ｍ３の仮説セットＨ１～Ｈ３を比較し、共通する仮説ｈｙ１，ｈｙ２，ｈｙ３，ｈｙ４を特定する。情報提示装置は、第２グループに属する学習モデルＭ４、Ｍｎ等の仮説セットＨ４、Ｈｎ等を比較し、共通する仮説ｈｙ１，ｈｙ２，ｈｙ８を特定する。

情報提示装置は、第１グループで共通する「仮説１，ｈｙ２，ｈｙ３，ｈｙ４」と、第２グループで共通する「仮説ｈｙ１，ｈｙ２，ｈｙ８」とを比較して、第１，２グループで共通する「仮説ｈｙ１，ｈｙ２」を特定する。

情報提示装置は、上記の実行結果を基にして、共通仮説セットＨｃ１，Ｈｃ２－１，Ｈｃ２－２と、固有仮説セットＨｃ３－１，Ｈｃ３－２，Ｈｃ３－３，Ｈｃ３－ｎとを接続した階層情報を生成する。

共通仮説セットＨｃ１は、全ての学習モデルＭで共通する「仮説ｈｙ１，ｈｙ２」が含まれる。共通仮説セットＨｃ２－１は、第１グループに属する学習モデルＭ１～Ｍ３で共通する仮説セットであって、共通仮説セットＨｃ１の仮説を除いた「仮説ｈｙ３，ｈｙ４」が含まれる。共通仮説セットＨｃ２－２は、第２グループに属する学習モデルＭ４、Ｍｎ等で共通する仮説セットであって、共通仮説セットＨｃ１の仮説を除いた「仮説ｈｙ８」が含まれる。

固有仮説セットＨｃ３－１は、学習モデルＭ１に含まれる仮説セットＨ１のうち、共通仮説セットＨｃ１，Ｈｃ２－１の仮説を除いた学習モデルＭ１固有の「仮説ｈｙ５」が含まれる。固有仮説セットＨｃ３－２は、学習モデルＭ２に含まれる仮説セットＨ２のうち、共通仮説セットＨｃ１，Ｈｃ２－１の仮説を除いた学習モデルＭ２固有の「仮説ｈｙ６」が含まれる。固有仮説セットＨｃ３－３は、学習モデルＭ３に含まれる仮説セットＨ３のうち、共通仮説セットＨｃ１，Ｈｃ２－１の仮説を除いた学習モデルＭ３固有の「仮説ｈｙ７」が含まれる。

固有仮説セットＨｃ３－４は、学習モデルＭ４に含まれる仮説セットＨ４のうち、共通仮説セットＨｃ１，Ｈｃ２－２の仮説を除いた学習モデルＭ４固有の「仮説ｈｙ９」が含まれる。固有仮説セットＨｃ３－ｎは、学習モデルＭｎに含まれる仮説セットＨｎのうち、共通仮説セットＨｃ１，Ｈｃ２－２の仮説を除いた学習モデルＭｎ固有の「仮説ｈｙ１０，ｈｙ１１，ｈｙ１２」が含まれる。

図１で説明したように、情報提示装置は、学習モデルＭそれぞれから抽出された、１以上の属性（説明変数）の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報を生成する。ユーザが、階層情報を参照することによって、複雑化した学習モデル同士の比較を容易にすることができる。

続いて、本実施例に係る情報提示装置が、学習モデルＭの仮説セットを基にして類似度判定する処理について説明する。図２は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（１）である。情報提示装置は、比較が困難な学習モデル同士でも、仮説の粒度を揃えて、重さの累積値を算出することで、類似度を算出することが可能になる。

図２では、学習モデルＭ１の仮説セットＨ１－１と、学習モデルＭ２の仮説セットＨ２－１とを用いて説明する。仮説セットＨ１－１には、仮説ｈｙ１－１，ｈｙ１－２，ｈｙ１－３が含まれているものとする。仮説セットＨ２－１には、仮説ｈｙ２－１，ｈｙ２－１，ｈｙ３－１が含まれているものとする。

仮説ｈｙ１－１は、属性「当選１回」、「親族に政治家あり」、「主張＿ＡＢＣ法案」、「順位率＿０．８未満」の組み合わせからなる仮説であり、重みが「－０．９５」となる。仮説ｈｙ１－２は、属性「￢新人（新人の否定）」、「親族に政治家あり」、「主張＿ＡＢＣ法案」、「順位率＿０．８未満」の組み合わせからなる仮説であり、重みが「－０．９６」となる。仮説ｈｙ１－３は、属性「現職」、「親族に政治家あり」、「主張＿ＡＢＣ法案」、「順位率＿０．８未満」の組み合わせからなる仮説であり、重みが「－０．８５」となる。属性は、説明変数の一例である。

仮説ｈｙ１－３の各属性と、仮説ｈｙ１－１の各属性とを比較すると、仮説ｈｙ１－３の属性「現職」は、仮説ｈｙ１－１の属性「当選１回」を包含する。その他の属性は、仮説ｈｙ１－１，ｈｙ１－３とで一致するため、仮説ｈｙ１－３は、仮説ｈｙ１－１を包含する仮説となる。

仮説ｈｙ１－３の各属性と、仮説ｈｙ１－２の各属性とを比較すると、仮説ｈｙ１－３の属性「現職」は、仮説ｈｙ１－２の属性「￢新人」を包含する。その他の属性は、仮説ｈｙ１－２，ｈｙ１－３とで一致するため、仮説ｈｙ１－３は、仮説ｈｙ１－２を包含する仮説となる。

仮説ｈｙ２－１は、属性「￢新人」からなる仮説であり、重みが「０．６９」となる。仮説ｈｙ２－２は、属性「主張＿ＡＢＣ法案」からなる仮説であり、重みが「０．８１」となる。仮説ｈｙ２－３は、属性「当選１回」からなる仮説であり、重みが「０．８２」となる。仮説ｈｙ２－４は、属性「順位率＿０．８未満」からなる仮説であり、重みが「－０．９４」となる。

図２に示す仮説セットＨ１－１と、仮説セットＨ２－１とは、仮説の粒度が揃っておらず、比較することができない。情報提示装置は、図３、図４に示すように、仮説セットＨ１－１と仮説セットＨ２－１との仮説の粒度を揃える処理を実行する。

図３は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（２）である。図３では、情報提示装置は、仮説セットＨ１－１に、仮説セットＨ２－１の仮説ｈｙ２－１～ｈｙ２－４に対応する仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´を追加する。情報提示装置は、仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´に対応する仮説が、仮説セットＨ１－１に存在しないため、仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´の重み（初期値）を０に設定する。

仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´は、仮説ｈｙ１－１に包含される。また、仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´は、仮説ｈｙ１－１に包含される。また、仮説ｈｙ１－１と、仮説ｈｙ１－２とは相互に包含関係があるものとする。

情報提示装置は、仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´の重み（重みは０）を、包含先の仮説ｈｙ１－１の重みに加算する。また、情報提示装置は、仮説ｈｙ１－１と、仮説ｈｙ１－２とは相互に包含関係があるため、仮説ｈｙ１－１の重みに、仮説ｈｙ１－２の重みを加算することで、仮説ｈｙ１－１の重みを「－１．９３」に更新する。

情報提示装置は、仮説ｈｙ２－１´，ｈｙ２－２´，ｈｙ２－３´，ｈｙ２－４´の重み（重みは０）を、包含先の仮説ｈｙ１－２の重みに加算する。また、情報提示装置は、仮説ｈｙ１－１と、仮説ｈｙ１－２とは相互に包含関係があるため、仮説ｈｙ１－２の重みに、仮説ｈｙ１－１の重みを加算することで、仮説ｈｙ１－２の重みを「－１．９３」に更新する。

情報提示装置は、仮説ｈｙ１－１と、仮説ｈｙ１－２とが相互に包含関係にあるため、仮説ｈｙ１－１の重み、あるいは、仮説ｈｙ１－２の重みを、包含先の仮説ｈｙ１－３の重みに加算することで、仮説ｈｙ１－３の重みを「－２．７８」に更新する。

情報提示装置は、図３の処理を実行して、仮説セットＨ１－１のベクトルＶ１－１を算出する。仮説セットＨ１－１のベクトルＶ１－１は、各仮説ｈｙ２－１´～ｈｙ２－４´、ｈｙ１－１～ｈｙ１－３をそれぞれ次元とし、各次元の値を、各仮説の重みとするベクトルとなる。たとえば、ベクトルＶ１－１＝［０、０、０、０、－１．９３、－１．９３、－２．７８］となる。

図４は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（３）である。図４では、情報提示装置は、仮説セットＨ２－１に、仮説セット１－１の仮説ｈｙ１－１～ｈｙ１－３に対応する仮説ｈｙ１－１´，ｈｙ１－２´，ｈｙ１－３´を追加する。情報提示装置は、仮説ｈｙ１－１´，ｈｙ１－２´，ｈｙ１－３´に対応する仮説が、仮説セットＨ２－１に存在しないため、仮説ｈｙ１－１´，ｈｙ１－２´，ｈｙ１－３´の重み（初期値）を０に設定する。

仮説ｈｙ２－１，ｈｙ２－２，ｈｙ２－３，ｈｙ２－４は、仮説ｈｙ１－１に包含される。また、仮説ｈｙ２－１，ｈｙ２－２，ｈｙ２－３，ｈｙ２－４は、仮説ｈｙ１－１に包含される。また、仮説ｈｙ１－１と、仮説ｈｙ１－２とは相互に包含関係がある。

情報提示装置は、仮説ｈｙ１－１´と、仮説ｈｙ１－２´とは相互に包含関係があるため、仮説ｈｙ１－１´に仮説ｈｙ１－２´の重み（初期値０）を加算する。また、情報提示装置は、仮説ｈｙ２－１，ｈｙ２－２，ｈｙ２－３，ｈｙ２－４の重み（初期値）を、包含先の仮説ｈｙ１－１´の重みに加算することで、仮説ｈｙ１－１´の重みを「１．３９」に更新する。

情報提示装置は、仮説ｈｙ１－１´と、仮説ｈｙ１－２´とは相互に包含関係があるため、仮説ｈｙ１－２´に仮説ｈｙ１－１´の重み（初期値０）を加算する。また、情報提示装置は、仮説ｈｙ２－１，ｈｙ２－２，ｈｙ２－３，ｈｙ２－４の重み（初期値）を、包含先の仮説ｈｙ１－２´の重みに加算することで、仮説ｈｙ１－２´の重みを「１．３９」に更新する。

情報提示装置は、仮説ｈｙ１－１´と、仮説ｈｙ１－２´とが相互に包含関係にあるため、仮説ｈｙ１－１´の重み、あるいは、仮説ｈｙ１－２´の重みを、包含先の仮説ｈｙ１－３´の重みに加算することで、仮説ｈｙ１－３´の重みを「１．３９」に更新する。

情報提示装置は、図４の処理を実行して、仮説セットＨ２－１のベクトルＶ２－１を算出する。仮説セットＨ２－１のベクトルＶ２－１は、各仮説ｈｙ２－１～ｈｙ２－４、ｈｙ１－１´～ｈｙ１－３´をそれぞれ次元とし、各次元の値を、各仮説の重みとするベクトルとなる。たとえば、ベクトルＶ２－１＝［０．６９、０．８１、０．８２、－０．９４、１．３９、１．３９、１．３９］となる。

図５は、本実施例に係る情報提示装置が実行する類似度判定の処理を説明するための図（４）である。情報提示装置は、仮説セットＨ１－１のベクトルＶ１－１と、仮説セットＨ２－１のベクトルＶ２－１とを比較して、仮説セットＨ１－１と、仮説セットＨ１－２との類似度を算出する。図２～図５で説明したように、情報提示装置は、仮説の粒度を揃えて、重さの累積値を算出し、ベクトルの各次元の値として用いることで、類似度を算出することが可能となる。情報提示装置は、学習モデルＭの全ての組み合わせについて、類似度を算出する処理を実行することで、学習モデルＭの類似度を算出する。情報提示装置は、類似度が閾値以上となる学習モデルを同一のグループに分類し、図１で説明した処理を実行する。

次に、本実施例に係る情報提示装置の構成の一例について説明する。図６は、本実施例に係る情報提示装置の構成を示す機能ブロック図である。図６に示すように、この情報提示装置１００は、通信部１１０と、入力部１２０と、表示部１３０と、記憶部１４０と、制御部１５０とを有する。

通信部１１０は、有線又は無線で外部装置等に接続され、外部装置等との間で情報の送受信を行う。たとえば、通信部１１０は、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、図示しないネットワークに接続されていてもよい。

入力部１２０は、各種の情報を、情報提示装置１００に入力する入力装置である。入力部１２０は、キーボードやマウス、タッチパネル等に対応する。

表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。表示部１３０は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、タッチパネル等に対応する。

記憶部１４０は、学習データ１４１と、学習モデルテーブル１４２と、仮説データベース１４３と、共通仮説セットテーブル１４４と、階層情報１４５とを有する。記憶部１４０は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子や、ＨＤＤ（Hard Disk Drive）などの記憶装置に対応する。

学習データ１４１は、仮説と、この仮説に対応するラベルとを対応付けたデータである。図７は、学習データのデータ構造の一例を示す図である。図７に示すように、この学習データ１４１は、項番と、仮説と、ラベルとを対応付ける。項番は、各仮説を識別する番号である。仮説は、複数の属性の組み合わせを示すものであり、例えば、各属性は、ＡＮＤ条件等によって関連付けられる。属性は、説明変数に対応する。ラベルは、仮説に対応する正解ラベルであり、「Ｔｕｒｅ」または「Ｆａｌｓｅ」が設定される。

学習モデルテーブル１４２は、複数の学習モデルＭを保持するテーブルである。学習モデルは、学習部１５１によって生成される。学習モデルテーブル１４２のデータ構造の説明は省略する。

仮説データベース１４３は、学習モデルＭから抽出される仮説セットを保持するテーブルである。図８は、仮説データベースのデータ構造の一例を示す図である。図８に示すように、この仮説データベース１４３は、識別情報と、仮説セットと、重みとを対応付ける。識別情報は、学習モデルＭを識別する情報である。仮説セットは、学習モデルを説明するための情報であり、学習モデルから抽出される。仮説セットには、複数の仮説が含まれる。仮説は、１つ以上の属性（説明変数）によって表現される。重みは、各仮説に設定される重みである。

共通仮説セットテーブル１４４は、各学習モデルの仮説セットのうち、共通する仮説セットを保持するテーブルである。図９は、共通仮説セットテーブルのデータ構造の一例を示す図である。図９に示すように、共通仮説セットテーブル１４４は、比較識別情報と、共通仮説セットとを有する。比較識別情報は、比較対象とする学習モデルＭの組を識別する情報である。共通仮説セットは、比較した各学習モデルＭの仮説セットにおいて、共通する仮説セット（１以上の仮説）を示す。

階層情報１４５は、学習モデルＭの仮説セットにおいて、共通する仮説を示す共通仮説セットと、差分となる仮説を示す固有仮説セットとを階層的に接続した情報を示す。たとえば、階層情報１４５は、図１で説明した共通仮説セットＨｃ１，Ｈｃ２－１，Ｈｃ２－２、固有仮説セットＨｃ３－１～Ｈｃ３－ｎに対応する。なお、以下の説明では、適宜、共通仮説セットを、仮説セットＨ_{ｃｏｍｍｏｎ}と表記する。

制御部１５０は、学習部１５１と、分類部１５２と、生成部１５３を有する。制御部１５０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などによって実現できる。また、制御部１５０は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などのハードワイヤードロジックによっても実現できる。

学習部１５１は、学習データ１４１を基にして、機械学習を実行することで、学習モデルＭを生成する。学習部１５１は、機械学習を実行する場合に、学習モデルＭのパラメータ、乱数シード、前処理等を変更することによって、複数の学習モデルＭを生成する。学習部１５１は、生成した複数の学習モデルＭを、学習モデルテーブル１４２に登録する。

たとえば、学習部１５１は、特許文献（特開２０２０－４６８８８）等に記載された技術を基にして、機械学習を実行してもよいし、他の従来技術を用いて、機械学習を実行してもよい。機械学習によって生成された学習モデルＭには、かかる学習モデルＭの出力結果を説明するための仮説セットが含まれており、各仮説にはそれぞれ重みが設定される。なお、学習部１５１は、図示しない複数の学習データを更に用いて、異なる学習モデルＭを生成してもよい。

分類部１５２は、複数の学習モデルＭを類似度に応じて複数のグループに分類する。同一のグループに属する学習モデルは、相互に類似しているものとする。分類部１５２は、学習モデルＭの分類結果を、生成部１５３に出力する。以下において、分類部１５２の処理の一例について説明する。たとえば、分類部１５２は、仮説データベースを生成する処理、学習モデルの類似度を特定する処理、学習モデルを分類する処理を実行する。

分類部１５２が仮説データベース１４３を生成する処理について説明する。分類部１５２は、学習モデルテーブル１４２に登録された学習モデルＭから、学習モデルＭの仮説セットと、この仮説セットに含まれる重みとを抽出し、仮説データベース１４３に登録する。分類部１５２は、仮説セットと、重みとを仮説データベース１４３に登録する場合に、学習モデルＭの識別情報と対応付ける。分類部１５２は、各学習モデルＭについて上記処理を繰り返し実行する。

分類部１５２が学習モデルの類似度を特定する処理について説明する。分類部１５２が、類似度を特定する処理は、上述した図２～図５で説明した処理に対応する。分類部１５２は、類似度の比較を行う学習モデルを選択する。たとえば、分類部１５２は、識別情報「Ｍ１」の学習モデルＭ１と、識別情報「Ｍ２」の学習モデルＭ２とを選択した場合について説明する。

分類部１５２は、仮説データベース１４３を基にして、学習モデルＭ１の仮説セットと、学習モデルＭ１の仮説セットとを比較する。便宜的に、学習モデルＭ１の仮説セットを第１仮説セットと表記し、学習モデルＭ２の仮説セットを第２仮説セットと表記する。

分類部１５２は、第２仮説セットに存在する仮説であって、第１仮説セットに存在しない仮説を、第１仮説セットに追加する。分類部１５２は、第１仮説セットに存在する仮説であって、第２仮説セットに存在しない仮説を、第２仮説セットに追加する。分類部１５２が、かかる処理を実行することで、第１仮説セットの仮説の粒度と、第２仮説セットの仮説の粒度とを揃える。

分類部１５２は、第１仮説セットおよび第２仮説セットについて、仮説の粒度を揃えた後に、仮説の包含関係を判定する。分類部１５２は、どのように包含関係を判定してもよいが、たとえば、各属性に関する包含関係を定義したテーブルを基にして、各仮説の包含関係を判定する。かかるテーブルでは、「当選１回」、「￢新人」が、「現職」に包含される等の情報が定義される。

分類部１５２は、第１仮説セットおよび第２仮説セットについて、仮説の包含関係を基にして、仮説に設定された重みの累積値を算出することで、各仮説に重みを割り当てる。分類部１５２が、累積値を算出して、重みを算出し、各仮説の重みを割り当てる処理は、図４、図５で説明した処理に対応する。

分類部１５２は、第１仮説セットの各仮説をそれぞれ次元とし、各次元の値を各仮説の累積値とする第１ベクトルを特定する。分類部１５２は、第２仮説セットの各仮説をそれぞれ次元とし、各次元の値を各仮説の累積値とする第２ベクトルを特定する。分類部１５２は、第１ベクトルと第２ベクトルとの距離を類似度として特定する。

分類部１５２は、全ての学習モデルＭの組み合わせについて上記処理を繰り返し実行することで、各学習モデル同士の類似度を特定する。

分類部１５２が学習モデルを分類する処理について説明する。学習部１５１は、上記の処理を実行することで、学習モデル同士の類似度を特定し、類似度が閾値以上となる学習モデル同士を同一のグループに分類する。たとえば、分類部１５２は、学習モデルＭ１と、学習モデルＭ２との類似度が閾値以上となり、学習モデルＭ２と、学習モデルＭ３との類似度が閾値以上となる場合には、学習モデルＭ１，Ｍ２，Ｍ３を同一のグループに分類する。分類部１５２は、上記の処理を実行することで、複数の学習モデルを、複数のグループに分類し、分類結果を、生成部１５３に出力する。

ここで、分類部１５２が仮説の粒度を揃えるために、各仮説セットに追加した仮説は、分類部１５２がベクトルを生成する場合にのみ利用されるものであり、以下で説明する生成部１５３では用いられないものとする。

生成部１５３は、図１で説明した処理を実行することで、共通仮説セット（たとえば、共通仮説セットＨｃ１，Ｈｃ２－１，Ｈｃ２－２、固有仮説セット（たとえば、固有仮説セットＨｃ３－１～Ｈｃ３－ｎ）を階層的に接続した階層情報１４５を生成する。生成部１５３は、階層情報１４５を、表示部１３０に出力して表示させてもよいし、ネットワークに接続された外部装置に階層情報１４５を送信してもよい。

生成部１５３は、図１で説明したように、同一のグループに分類された学習モデルＭの仮説セットの比較を行って、同一のグループにおける共通仮説セットを特定する。また、生成部１５３は、各グループの共通仮説セットの比較を行って、異なるグループ間の共通仮説セットを特定するものとする。

ここで、生成部１５３が、共通する仮説セットを特定する処理手順の一例について説明する。図１０は、共通する仮説セットを特定する処理手順を示すフローチャートである。図１０では一例として、学習モデルＭｎの仮説セットＨ_ｎと、他の学習モデルＭの仮説セットとで共通する共通仮説セットを特定する場合について説明する。

情報提示装置１００の生成部１５３は、仮説データベース１４３から、学習モデルＭｎの仮説セットＨ_ｎを取得する（ステップＳ１０）。生成部１５３は、仮説データベース１４３から、学習モデルＭの一覧を取得する（ステップＳ１１）。

生成部１５３は、学習モデルＭの一覧のうち、未判定の学習モデルＭの仮説セットＨ_ｉを取得する（ステップＳ１２）。生成部１５３は、仮説セットＨ_ｉと仮説セットＨ_ｎとの間で矛盾する仮説を除外する（ステップＳ１３）。ここでは、矛盾する仮説を除外した仮説セットＨ_ｉと仮説セットＨ_ｎをそれぞれ、仮説セットＨ_ｉ´と仮説セットＨ_ｎ´と表記する。

生成部１５３は、仮説セットＨ_ｉ´と仮説セットＨ_ｎ´とで共通する仮説セットＨ_{ｃｏｍｍｏｎ}を生成する（ステップＳ１４）。生成部１５３は、仮説セットＨ_{ｃｏｍｍｏｎ}をもつ学習モデルの情報を共通仮説セットテーブル１４４に登録し、仮説セットＨ_{ｃｏｍｍｏｎ}に対応する学習モデルの関係を記録する（ステップＳ１５）。

生成部１５３は、一覧に含まれる全ての学習モデルＭに対して処理を実行していない場合には（ステップＳ１６，Ｎｏ）、ステップＳ１２に移行する。生成部１５３は、一覧に含まれる全ての学習モデルＭに対して処理を実行した場合には（ステップＳ１６，Ｙｅｓ）、処理を終了する。

ここで、図１０のステップＳ１３で説明した仮説セット間で矛盾する仮説を除外する処理の一例について説明する。図１１は、仮説セット間で矛盾する仮説を除外する処理を説明するための図である。たとえば、生成部１５３は、「矛盾判定」を次のように実行する。生成部１５３は、二つの仮説「Ｈ１：Ｃ１→Ｒ１」、「Ｈ２：Ｃ２→Ｒ２」に対し、条件部が包含関係「Ｃ１⊃Ｃ２∨Ｃ１⊂Ｃ２」にあり、かつ、結論部が排他関係「Ｒ１∨Ｒ２→φ」にある場合、Ｈ１とＨ２とが矛盾している（Ｔｒｕｅ）と判定する。

図１１では、学習モデルＭｎの仮説セットＨ_ｎと、学習モデルＭ１の仮説セットＨ_１とを用いて説明を行う。

学習モデルＭｎの仮説セットＨ_ｎには、仮説｛Ｈ_ｎ，１，Ｈ_ｎ，２，Ｈ_ｎ，３，Ｈ_ｎ，４，Ｈ_ｎ，５｝が含まれるものとする。各仮説は、以下に示すものとする。各仮説のＡ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆは、属性（説明変数）の一例である。

Ｈ_ｎ，１：Ａ→Ｔｕｒｅ
Ｈ_ｎ，２：Ｂ∧Ｆ→Ｔｕｒｅ
Ｈ_ｎ，３：Ｃ→Ｔｕｒｅ
Ｈ_ｎ，４：Ｄ→Ｆａｌｓｅ
Ｈ_ｎ，５：Ｅ→Ｔｕｒｅ

学習モデルＭ１の仮説セットＨ_１には、仮説｛Ｈ_１，１，Ｈ_１，２，Ｈ_１，３，Ｈ_１，４，Ｈ_１，５｝が含まれるものとする。各仮説は、以下に示すものとする。各仮説のＡ、Ｂ、Ｃ、Ｄ、Ｅ、Ｆは、属性（説明変数）の一例である。

Ｈ_１，１：Ａ→Ｔｕｒｅ
Ｈ_１，２：Ｂ→Ｔｕｒｅ
Ｈ_１，３：Ｃ∧Ｄ→Ｔｕｒｅ
Ｈ_１，４：Ｅ→Ｆａｌｓｅ

生成部１５３は、上記の矛盾判定を実行すると、仮説セットＨ_ｎのＨ_ｎ，４と、仮説セットＨ_１のＨ_１，３とが矛盾していると判定する。また、生成部１５３は、仮説セットＨ_ｎのＨ_ｎ，５と、仮説セットＨ_１のＨ_１，４とが矛盾していると判定する。

生成部１５３は、矛盾判定の結果を基にして、仮説セットＨ_ｎから、矛盾するＨ_ｎ，４，Ｈ_ｎ，５を除外することで、仮説セットＨ_ｎ´を生成する。生成部１５３は、矛盾判定の結果を基にして、仮説セットＨ_１から、矛盾するＨ_１，４，Ｈ_１，５を除外することで、仮説セットＨ_１´を生成する。

続いて、図１０のステップＳ１４で説明した仮説セット間で共通する仮説を生成する処理の一例について説明する。図１２は、仮説セット間で共通する仮説を生成する処理を説明するための図である。たとえば、生成部１５３は、「共通仮説生成」を次のように実行する。生成部１５３は、二つの仮説「Ｈ１：Ｃ１→Ｒ１」、「Ｈ２：Ｃ２→Ｒ２」に対し、条件部が包含関係「Ｃ１⊃Ｃ２∨Ｃ１⊂Ｃ２」にあるか否かを判定する。生成部１５３は、条件部が包含関係にある場合、条件部の共通部分を「Ｃｃ＝Ｃ１∧Ｃ２」とし、結論部の共通部分を「Ｒｃ＝Ｒ１∧Ｒ２」として、「Ｃｃ→Ｒｃ」を共通の仮説とする。

図１２では、学習モデルＭｎの仮説セットＨ_ｎ´（矛盾する仮説を取り除いた仮説セットＨ_ｎ）と、学習モデルＭ１の仮説セットＨ_１´（矛盾する仮説を取り除いた仮説セットＨ_１）とを用いて説明を行う。

学習モデルＭｎの仮説セットＨ_ｎ´には、仮説｛Ｈ_ｎ，１，Ｈ_ｎ，２，Ｈ_ｎ，３｝が含まれるものとする。学習モデルＭ１の仮説セットＨ_１´には、仮説｛Ｈ_１，１，Ｈ_１，２，Ｈ_１，３｝が含まれるものとする。

生成部１５３は、仮説セットＨ_ｎ´の仮説Ｈ_ｎ，１と、仮説セットＨ_１´のＨ_１，１とが一致するため、共通仮説「Ｈ_ｃ，１：Ａ→Ｔｒｕｅ」を生成する。

生成部１５３は、仮説セットＨ_ｎ´の仮説Ｈ_ｎ，２と、仮説セットＨ_１´の仮説Ｈ_１，２とに対する共通仮説生成について説明する。生成部１５３は、仮説Ｈ_ｎ，２の条件部「Ｂ∧Ｆ」と、仮説Ｈ_１，２の条件部「Ｂ」とが包含関係「Ｂ∧Ｆ⊃Ｂ∨Ｂ∧Ｆ⊂Ｂ」にある。このため、生成部１５３は、条件部の共通部「Ｃｃ＝（Ｂ）∧（Ｂ∧Ｆ）」＝「Ｃｃ＝Ｂ∧Ｂ∧Ｆ」＝「Ｃｃ＝Ｂ∧Ｆ」を生成する。生成部１５３は、結論部の共通部「Ｔｒｕｅ」を生成する。上記の処理により、生成部１５３は、仮説Ｈ_ｎ，２と、仮説Ｈ_１，２と共通仮説「Ｂ∧Ｆ→Ｔｒｕｅ」を生成する。

生成部１５３が、上記の処理を実行することで、学習モデルＭｎの仮説セットＨ_ｎ´と、学習モデルＭ１の仮説セットＨ_１´とで共通する仮説セットＨ_{ｃｏｍｍｏｎ}を生成する。たとえば、共通する仮説セットＨ_{ｃｏｍｍｏｎ}には、仮説｛Ｈ_ｃ，１，Ｈ_ｃ，２｝が含まれる。各仮説は、次に示すものとする。

Ｈ_ｃ，１：Ａ→Ｔｒｕｅ
Ｈ_ｃ，２：Ｂ∧Ｆ→Ｔｒｕｅ

生成部１５３は、図１２で行った処理の結果を基にして、共通する仮説セットＨ_{ｃｏｍｍｏｎ}に対応する学習モデルの関係を記録する。

図１３は、共通する仮説セットに対する学習モデルの関係を示す図である。図１３で示す例では、学習モデルＭ１に対応する仮説セットＨ_１と、学習モデルＭｎに対応する仮説セットＨ_ｎとで共通する仮説セットＨ_{ｃｏｍｍｏｎ}を示している。生成部１５３は、図１３で示した、共通する仮説セットに対する学習モデルの関係を、記憶部１４０の共通仮説セットテーブル１４４に登録する。たとえば、生成部１５３は、比較した学習モデルＭの識別情報の組と、共通する仮説セットＨ_{ｃｏｍｍｏｎ}とを対応付けて、共通仮説セットテーブル１４４に登録する。

ところで、生成部１５３は、仮説セットに含まれる仮説に重みが設定されている場合には、包含関係にある仮説の重みを考慮して、仮説の結論部を更新する。図１４は、仮説の重みを考慮した結論部を更新する処理を説明するための図である。図１４に示す例では、学習モデルＭｎの仮説セットＨ_ｎを用いて説明する。仮説｛Ｈ_ｎ，１，Ｈ_ｎ，２，Ｈ_ｎ，３，Ｈ_ｎ，４，Ｈ_ｎ，５｝が含まれるものとする。各仮説は、以下に示すものとする。Ｈ_ｎ，１，Ｈ_ｎ，２，Ｈ_ｎ，３，Ｈ_ｎ，４，Ｈ_ｎ，５の重みをそれぞれ、０．２，０．３，０．４，－０．３，０．２とする。

Ｈ_ｎ，１：Ａ→Ｔｕｒｅ（重み：０．２）
Ｈ_ｎ，２：Ｂ∧Ｆ→Ｔｕｒｅ（重み：０．３）
Ｈ_ｎ，３：Ｃ→Ｔｕｒｅ（重み：０．４）
Ｈ_ｎ，４：Ｄ→Ｆａｌｓｅ（重み：－０．３）
Ｈ_ｎ，５：Ｅ→Ｔｕｒｅ（重み：０．２）

ここで、仮説Ｈ_ｎ，３は、仮説Ｈ_ｎ，４および仮説Ｈ_ｎ，５に包含されるものとする。この場合には、生成部１５３は、仮説Ｈ_ｎ，３の重み「０．４」を、包含先の仮説Ｈ_ｎ，４の重み「－０．３」に加算することで、仮説Ｈ_ｎ，４の重みを「０．１」に更新する。また、仮説Ｈ_ｎ，４の重みが負の値から正の値に変化したため、仮説Ｈ_ｎ，４の結論部を「Ｔｕｒｅ」に更新する。

生成部１５３は、仮説Ｈ_ｎ，３の重み「０．４」を、包含先の仮説Ｈ_ｎ，５の重み「０．２」に加算することで、仮説Ｈ_ｎ，５の重みを「０．６」に更新する。また、仮説Ｈ_ｎ，５の重みが正の値から変化しないため、仮説Ｈ_ｎ，５の結論部を「Ｔｕｒｅ」のままにする。

生成部１５３が、上記処理を実行することで、同一のグループに属する各学習モデルの仮説セットで共通する仮説セットを特定する処理を繰り返し実行する。同様にして、生成部１５３は、各グループの仮説セットを基にして、各グループの仮説セットで共通する仮説セットを特定する。生成部１５３が、かかる処理を実行することで、たとえば、図１で説明した共通仮説セットＨｃ１，Ｈｃ２－１，Ｈｃ２－２と、固有仮説セットＨｃ３－１，Ｈｃ３－２，Ｈｃ３－３，Ｈｃ３－ｎを特定する。また、生成部１５３は、共通仮説セットＨｃ１，Ｈｃ２－１，Ｈｃ２－２と、固有仮説セットＨｃ３－１，Ｈｃ３－２，Ｈｃ３－３，Ｈｃ３－ｎを階層的に接続した階層情報１４５を生成する。

次に、本実施例に係る情報提示装置１００の処理手順について説明する。図１５は、本実施例に係る情報提示装置の処理手順を示すフローチャートである。図１５に示すように、情報提示装置１００の学習部１５１は、学習データ１４１を基にして、複数の学習モデルＭを生成し、学習モデルテーブル１４２に登録する（ステップＳ１０１）。

情報提示装置１００の分類部１５２は、学習モデルテーブル１４２の学習モデルＭから仮説セットおよび仮説の重みを抽出し、仮説データベース１４３に登録する（ステップＳ１０２）。分類部１５２は、類似度処理を実行する（ステップＳ１０３）。

分類部１５２は、各学習モデルＭの類似度を基にして、学習モデルを複数のグループに分類する（ステップＳ１０４）。情報提示装置１００の生成部１５３は、共通仮説特定処理を実行する（ステップＳ１０５）。

生成部１５３は、共通仮説特定処理の結果を基にして、階層情報１４５を生成する（ステップＳ１０６）。生成部１５３は、階層情報１４５を、表示部１３０に出力する（ステップＳ１０７）。

次に、図１５のステップＳ１０３に示した類似度算出処理の処理手順の一例について説明する。図１６は、類似度算出処理の処理手順を示すフローチャート（１）である。

図１６に示すように、情報提示装置１００の分類部１５２は、比較対象の学習モデルＭの仮説セットの粒度を揃える（ステップＳ２０１）。分類部１５２は、比較対象の学習モデルＭの仮説セットに含まれる仮説の条件部を全て列挙する（ステップＳ２０２）。

分類部１５２は、列挙された仮説の条件部の間の包含関係を判定する（ステップＳ２０３）。分類部１５２は、学習モデルＭ毎に、各仮説の重みの累積値を算出し、ベクトルを特定する（ステップＳ２０４）。

分類部１５２は、各学習モデルＭのベクトルを基にして、類似度を算出する（ステップＳ２０５）。

なお、図１５のステップＳ１０５に示した共通仮説特定処理の処理手順は、図１０で説明した処理手順に対応する。

次に、図１６等で分類部が算出した重みの累積値に関する散布図の一例について説明する。図１７は、学習モデル間の重みの累積値の散布図の一例を示す図である。図１７において、学習モデルＭｎと、学習モデルＭｎとの散布図を、散布図（ｎ，ｍ）とする。散布図（ｎ，ｍ）の縦軸は、学習モデルＭｎの仮説の累積値を示す軸である。散布図（ｎ，ｍ）の横軸は、学習モデルＭｍの仮説の累積値を示す軸である。

図１７において、類似度が閾値以上となるような学習モデルＭの組の散布図は、散布図（１，２）に示すような散布図となる。すなわち、学習モデルＭ１と、学習モデルＭ２とは類似する学習モデルとなる。なお、散布図（１、３），（２、３），（４，３），（５，３）に示すように、累積値の正負が、各学習モデルで異なる場合もあり得る。

次に、本実施例に係る情報提示装置１００の効果について説明する。情報提示装置１００は、学習データ１４１を用いた機械学習を実行することで、複数の学習モデルＭを生成する。情報提示装置１００は、複数の学習モデルそれぞれから抽出された、それぞれが１以上の説明変数の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報１４５を生成する。ユーザが、かかる階層情報１４５を参照することで、複数の学習モデルＭから、複数の学習モデルＭの仮説の共通性、差異を見ることが可能となり、複雑化した学習モデル同士の比較を容易にすることができる。

情報提示装置１００は、比較対象の一方の学習モデルの仮説セット及び他方の学習モデルの仮説セットで共通する共通仮説と、差分となる差分仮説とを特定し、差分仮説の上層に、共通仮説を配置することで階層情報１４５を生成する。共通仮説は、図１の共通仮説セットに対応し、差分仮説は、図１の固有仮説セットに対応する。情報提示装置１００が上記の処理を実行することで、ユーザは、学習モデルＭ間で共通する仮説と、学習モデルＭ固有の仮説とを容易に把握することができる。

情報提示装置１００は、学習モデルＭから抽出される仮説セットを基にして、学習モデルの類似度を特定し、特定した類似度を基にして、複数の学習モデルを複数のグループに分類する。情報提示装置１００は、分類結果を基にして、共通仮説および差分仮説を特定する。これによって、類似した学習モデルの仮説セットに基づく、共通仮説、差分仮説を特定することができる。

情報提示装置１００は、比較対象の各学習モデルＭの仮説セットの仮説の粒度を揃え、仮説セットの累積値を基にして、比較対象の各学習モデルＭの類似度を特定する。これによって、比較対象の学習モデルの仮説が完全に対応いていなくても、各学習モデルＭの類似度を特定することができる。

なお、分類部１５２が実行する類似度算出処理の処理手順は、図１６の処理手順に限定されるものではなく、たとえば、図１８に示す類似度算出処理を実行してもよい。

図１８は、類似度算出処理の処理手順を示すフローチャート（２）である。情報提示装置１００の分類部１５２は、図１８に示すように、情報提示装置１００の分類部１５２は、比較対象の学習モデルＭの仮説セットの粒度を揃える（ステップＳ３０１）。分類部１５２は、比較対象の学習モデルＭの仮説セットに含まれる仮説の条件部を全て列挙する（ステップＳ３０２）。

分類部１５２は、列挙された仮説の間の重複割合を算出する（ステップＳ３０３）。ステップＳ３０３の処理において、分類部１５２は、粒度を合わせるための追加した仮説を除いて、重複割合を算出してもよい。

分類部１５２は、列挙された仮説の条件部の間の包含関係を判定する（ステップＳ３０４）。分類部１５２は、学習モデルＭ毎に、各仮説の重みの累積値を算出し、累積値に重複割合を乗算することで、累積値を補正する（ステップＳ３０５）。

分類部１５２は、補正した累積値によって、各学習モデルのベクトルを特定する（ステップＳ３０６）。分類部１５２は、各学習モデルＭのベクトルを基にして、類似度を算出する（ステップＳ３０７）。

図１８で説明したように、情報提示装置１００の分類部１５２は、比較対象となる学習モデルＭの重複割合を基にして、累積値を補正し、ベクトルを算出する。これによって、比較対象となる学習モデルＭのベクトルが、学習モデルＭの仮説セットの重複割合によって調整されるため、各学習モデルＭの類似度をより正確に算出することができる。

また、上述した情報提示装置１００の分類部１５２は、比較対象の学習モデルＭの仮説セットの粒度を揃えて、学習モデルのベクトルを算出していたが、これに限定されるものではない。たとえば、分類部１５２は、比較対象の学習モデルＭの仮説セットを比較して、共起する仮説を特定し、特定した仮説のみを用いて、ベクトルを算出し、学習モデルＭの類似度を特定してもよい。これによって、仮説の粒度を揃える処理がスキップされるため、処理を簡略化しつつ、類似する学習モデルＭを特定することができる。

次に、上記実施例に示した情報提示装置１００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図１９は、実施例の情報提示装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。

図１９に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置２０４と、インタフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１～２０７は、バス２０８に接続される。

ハードディスク装置２０７は、学習プログラム２０７ａ、分類プログラム２０７ｂ、生成プログラム２０７ｃを有する。また、ＣＰＵ２０１は、各プログラム２０７ａ～２０７ｃを読み出してＲＡＭ２０６に展開する。

学習プログラム２０７ａは、学習プロセス２０６ａとして機能する。分類プログラム２０７ｂは、分類プロセス２０６ｂとして機能する。生成プログラム２０７ｃは、生成プロセス２０６ｃとして機能する。

学習プロセス２０６ａの処理は、学習部１５１の処理に対応する。分類プロセス２０６ｂの処理は、分類部１５２の処理に対応する。生成プロセス２０６ｃの処理は、生成部１５３の処理に対応する。

なお、各プログラム２０７ａ～２０７ｃについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくても良い。たとえば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が各プログラム２０７ａ～２０７ｃを読み出して実行するようにしてもよい。

１００ 情報提示装置
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４１ 学習データ
１４２ 学習モデルテーブル
１４３ 仮説データベース
１４４ 共通仮説セットテーブル
１４５ 階層情報
１５０ 制御部
１５１ 学習部
１５２ 分類部
１５３ 生成部

Claims (7)

1. コンピュータに、
   学習データを用いた機械学習を実行することで、複数の学習モデルを生成し、
   前記複数の学習モデルそれぞれから抽出された、それぞれが１以上の説明変数の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報を生成する
   処理を実行させることを特徴とする情報提示プログラム。
2. 前記生成する処理は、第１の学習モデルから抽出された複数の第１の仮説及び第２の学習モデルから抽出された複数の第２の仮説で共通する仮説を示す共通仮説と、前記複数の第１の仮説及び前記複数の第２の仮説で異なる仮説を示す差分仮説とを特定し、前記差分仮説の上層に、前記共通仮説を配置することで前記階層情報を生成することを特徴とする請求項１に記載の情報提示プログラム。
3. 前記複数の学習モデルから抽出される複数の仮説を基にして、各学習モデルの類似度を特定し、特定した類似度を基にして、前記複数の学習モデルを複数のグループに分類する処理を更に実行し、前記生成する処理は、前記分類する処理の分類結果を基にして、前記共通仮説および前記差分仮説を特定することを特徴とする請求項２に記載の情報提示プログラム。
4. 前記分類する処理は、前記複数の第１の仮説と、前記複数の第２の仮説とを揃え、前記複数の第１の仮説の重みの累積値と、前記複数の第２の仮説の重みの累積値とを基にして、前記第１の学習モデルと、前記第２の学習モデルとの類似度を特定することを特徴とする請求項３に記載の情報提示プログラム。
5. 前記分類する処理は、前記複数の第１の仮説と、前記複数の第２の仮説と重複割合を基にして、前記累積値を補正する処理を更に実行することを特徴とする請求項４に記載の情報提示プログラム。
6. コンピュータが実行する情報提示方法であって、
   学習データを用いた機械学習を実行することで、複数の学習モデルを生成し、
   前記複数の学習モデルそれぞれから抽出された、それぞれが１以上の説明変数の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報を生成する
   処理を実行させることを特徴とする情報提示方法。
7. 学習データを用いた機械学習を実行することで、複数の学習モデルを生成する学習部と、
   前記複数の学習モデルそれぞれから抽出された、それぞれが１以上の説明変数の組み合わせで規定される複数の仮説について、共通する仮説と、差分となる仮説との関係を階層構造で表す階層情報を生成する生成部と
   を有することを特徴とする情報提示装置。

Images