JP7536361B2 - 自動化された機械学習方法及びその装置 - Google Patents

Description

本開示（ｄｉｓｃｌｏｓｕｒｅ）の技術的思想は、自動化された機械学習方法及びその装置に関する。

機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）は、ＡＩの一分野であって、データに基づいてコンピューターを学習させるアルゴリズムと技術を開発する分野であり、イメージ処理、映像認識、音声認識、インターネット検索などの多様な分野における核心技術であり、予測（ｐｒｅｄｉｃｔｉｏｎ）、オブジェクト検出（ｄｅｔｅｃｔｉｏｎ）、オブジェクト分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）、オブジェクト分割（ｓｅｇｍｅｎｔａｔｉｏｎ）、異常検知（ａｎｏｍａｌｙ ｄｅｔｅｃｔｉｏｎ）などに卓越した成果を示す。

このような機械学習を通じて目標とする性能の学習モデル導き出すためには、機械学習のためのニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を適宜選択することが求められる。しかし、ニューラルネットワークの選択に際して、絶対的な基準が存在していないことから、適用しようと分野または入力データの特性に適するニューラルネットワークを選ぶことはかなり難題であるしかない。

例えば、データセットの種類によって、深い層のネットワークの方が、性能が良いことができ、むしろ層が深くなくても十分に性能を導き出せることもあり、特に、産業体の場合、推論時間（ｉｎｆｅｒｅｎｃｅ ｔｉｍｅ）を非常に重要なものと考える場合があるため、深いネットワークが不向きであることもある。

また、学習モデルの性能は、ユーザによって設定される複数のハイパーパラメーター（ｈｙｐｅｒ ｐａｒａｍｅｔｅｒ）に影響を受けるようになるので、このようなハイパーパラメーターを入力データなどの特性に合わせて設定することも機械学習において重要なイシューである。

ところが、機械学習のブラックボックスの特性上、入力データセットに好適なハイパーパラメーターを把握するためには、起こり得るすべての場合の数に対して非常に消耗的な実験過程が必要であり、とりわけ、非専門家である場合、いかなるハイパーパラメーターが有意味な変化を導き出すか推測もされにくいという問題点がある。

本開示の技術的思想に基づく自動化された機械学習装置及びその装置が達成しようとする技術的課題は、入力データなどの特性に適するようにネットワーク関数及びそのパラメーターを速かに自動で最適化することができる自動化された機械学習方法及び装置を提供することにある。

本開示の技術的思想に基づく方法及びそのための装置が達成しようとする技術的課題は、前述した課題に限定されなく、言及されていないまた他の課題は、下記の記述から当業者にとって明確に理解されることができるはずである。

本開示の技術的思想に基づく一態様によれば、自動化された機械学習方法は、学習モデルの性能に影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録する段階と、入力された学習条件に基づいて、前記第１パラメーターセットの中で前記学習モデルの生成に用いる少なくとも一つの第２パラメーターセットを選定する段階と、前記第２パラメーターセット及び所定の入力データセットに基づいてネットワーク関数に対する学習を進めることにより、前記第２パラメーターセットのそれぞれに対応する前記学習モデルを生成し、前記学習モデルのそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出する段階と、前記検証スコアをもとに、生成された前記学習モデルのいずれか一つを適用モデルで選択する段階と、を含むことができる。

例示的な実施の形態によれば、前記第１パラメーターセットを登録する段階は、前記少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることで、複数の候補パラメーターセットを生成する段階と、前記候補パラメーターセットのそれぞれに対して第１データセットを通じて前記ネットワーク関数に対する学習を進めて交差検証を行う段階と、前記交差検証の結果によって、前記候補パラメーターセットの中で少なくとも一つを前記第１パラメーターセットとして決定する段階と、を含むことができる。

例示的な実施の形態によれば、前記交差検証を行う段階及び前記第１パラメーターセットとして決定する段階は、前記第１データセットと異なる少なくとも一つの第２データセットに基づいて繰り返し行われることができる。

例示的な実施の形態によれば、前記交差検証の結果は、前記候補パラメーターセットのそれぞれに対して算出された前記交差検証による検証スコアの平均及び標準偏差を含み、前記第１パラメーターセットとして決定する段階では、前記検証スコアの平均及び標準偏差に基づき統計的比較を行うことで、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を有する前記候補パラメーターセットを前記第１パラメーターセットとして決定することができる。

例示的な実施の形態によれば、前記第１パラメーターセットは、ネットワーク関数の種類、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）の中で少なくとも一つに関するパラメーターの設定データを含むことができる。

例示的な実施の形態によれば、前記学習条件は、学習環境、推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）、及び検索範囲の中で少なくとも一つに関する条件を含むことができる。

例示的な実施の形態によれば、前記第２パラメーターを選定する段階は、前記第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び前記推論速度の中で少なくとも一つを基準として整列する段階と、入力された前記学習条件によって、前記整列された第１パラメーターセットの中で上位の所定の割合を前記第２パラメーターセットに選定する段階と、を含むことができる。

例示的な実施の形態によれば、前記検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出される。

本開示の技術的思想に基づく一態様によれば、自動化された機械学習装置は、自動化された機械学習のためのプログラムを格納するメモリーと、前記プログラムを実行することで、学習モデルの性能に影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録し、入力された学習条件に基づいて、前記第１パラメーターセットの中で前記学習モデルの生成に用いる少なくとも一つの第２パラメーターセットを選定し、前記第２パラメーターセット及び所定の入力データセットに基づいてネットワーク関数に対する学習を進めることで、前記第２パラメーターセットのそれぞれに対応する前記学習モデルを生成し、前記学習モデルのそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出して、前記検証スコアに基づき、生成された前記学習モデルのいずれか一つを適用モデルで選択するように制御するプロセッサーと、を含むことができる。

例示的な実施の形態によれば、前記プロセッサーは、前記少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることで、複数の候補パラメーターセットを生成し、前記候補パラメーターセットのそれぞれ対して第１データセットを通じて前記ネットワーク関数に対する学習を進めて交差検証を行い、前記交差検証の結果によって、前記候補パラメーターセットの中で少なくとも一つを前記第１パラメーターセットとして決定するように制御することができる。

例示的な実施の形態によれば、前記プロセッサーは、前記第１データセットと異なる少なくとも一つの第２データセットに基づいて前記交差検証及び前記交差検証の結果による前記第１パラメーターセットの決定を繰り返し行うように制御することができる。

例示的な実施の形態によれば、前記プロセッサーは、前記候補パラメーターセットのそれぞれに対して前記交差検証による検証スコアの平均及び標準偏差を算出し、前記検証スコアの平均及び標準偏差に基づき統計的比較を行うことにより、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を有する前記候補パラメーターセットを前記第１パラメーターセットとして決定するように制御することができる。

例示的な実施の形態によれば、前記第１パラメーターセットは、ネットワーク関数の種類、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）の中で少なくとも一つに関するパラメーターの設定データを含むことができる。

例示的な実施の形態によれば、前記学習条件は、学習環境、推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）、及び検索範囲の中で少なくとも一つに関する条件を含むことができる。

例示的な実施の形態によれば、前記プロセッサーは、前記第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び前記推論速度の中で少なくとも一つを基準として整列し、入力された前記学習条件によって、前記整列された第１パラメーターセットの中で上位の所定の割合を前記第２パラメーターセットに選定するように制御することができる。

例示的な実施の形態によれば、前記検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出される。

本開示の技術的思想に基づく実施の形態に係る自動化された機械学習方法及びそのための装置によれば、ユーザが学習条件および入力データなどを入力するだけで好適なネットワーク関数の選択及びハイパーパラメーターの最適化を自動で行うように具現されることで、非専門家でも容易に学習モデルを生成して活用することができる。

また、本開示の技術的思想に基づく実施の形態に係る自動化された機械学習方法及びそのための装置によれば、一定した基準値以上の性能を有する有意味なハイパーパラメーターの組み合わせをあらかじめ検索及び登録することで、ハイパーパラメーターの最適化に要する検索範囲及び時間を最小化することができる。

本開示の技術的思想に基づく方法及びそのための装置によって得られる効果は、前述した効果に限定されなく、言及されていないまた他の効果は、下記の記述から本開示の属する技術分野における通常の知識を持つ者に明確に理解できるだろう。

本開示で引用される図面をより十分に理解すべく、各図面の簡単な説明が提供される。
図１は、ネットワーク関数のパラメーターの最適化を説明するための図である。 図２は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法を説明するための流れ図である。 図３は、図２のＳ２１０段階の一実施の形態を示す図である。 図４は、図２のＳ２２０段階の一実施の形態を示す図である。 図５は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法において、パラメーターセットをプリセットグループに登録する過程を例示的に示す図である。 図６は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法において、学習条件を入力するためのユーザインターフェースを例示的に示す図である。 図７は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習装置の構成を簡略に示したブロック図である。

本開示の技術的思想は、種々の変更を加えることができ、いろいろな実施の形態を有することができるところ、特定の実施の形態を図面に例示しこれを詳しく説明する。しかし、これは本開示の技術的思想を特定の実施形態に対して限定しようとするわけではなく、本開示の技術的思想の範囲に含まれるすべての変更、均等物ないし代替物を含むものと理解されなければならない。

本開示の技術的思想を説明するにおいて、関連の公知技術に対する具体的な説明が本開示の要旨を無駄に濁らす恐れがあると判断される場合、その詳細な説明を省略する。また、本開示の説明過程で用いられる数字（例えば、第１、第２など）は、一つの構成要素を他の構成要素と区分するための識別記号に過ぎないものである。

また、本開示において、一構成要素が他の構成要素と「連結さる」または「接続される」などのように言及された時には、前記一構成要素が前記他の構成要素と直接連結されるまたは直接接続されることもできるが、特に反対の記載が存在しない以上、その中間に別の構成要素を介して連結または接続されることもできると理解されなければならない。

また、本開示に記載された「…部」、「…機」、「…子」、「…モジュール」などの用語は、少なくとも一つの機能や動作を処理する単位を意味し、これはプロセッサー（Ｐｒｏｃｅｓｓｏｒ）、マイクロプロセッサー（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｅｒ）、マイクロコントローラー（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ）、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＰＵ（Ａｃｃｅｌｅｒａｔｅ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのようなハードウェアやソフトウェア、またはハードウェアとソフトウェアとの結合で具現できる。

そして、本開示での構成部に対する区分は、各構成部が担当する主機能別に区分したものに過ぎないことを明確にしようとする。すなわち、後述する２つ以上の構成部が一つの構成部で一体化されるか、もしくは一つの構成部がより細分化された、機能別に２つ以上に分化されて具備されてもよい。そして、以下で説明する構成部のそれぞれは、自分が担う主機能に加えて、他の構成部が担う機能のうちの一部または全部の機能を追加的に遂行することもでき、構成部の各々が担う主機能の中で一部の機能が他の構成部によって専担されて遂行されてもよいことは勿論である。

以下、本開示の実施の形態を順次詳しく説明する。

本明細書に亘って、ネットワーク関数は、神経網ネットワーク及び／またはニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）と同じ意味で使われることができる。ここで、ニューラルネットワーク（神経網）は、一般に、ノードと呼ばれることができる相互連結された計算単位の集合で構成されることができ、これらのノードは、ニューロンとも呼ばれる。ニューラルネットワークは、通常複数のノードを含んでなる。ニューラルネットワークを構成するノードは、一つ以上のリンクによって相互連結されることができる。

ニューラルネットワークを構成するノード中の一部は、最初入力ノードからの距離に基づいて一つの層（ｌａｙｅｒ）を構成することができる。例えば、最初入力ノードから距離がｎであるノードの集合は、ｎ層を構成することができる。

本明細書で説明するニューラルネットワークは、入力層と出力層のほかに、複数の隠れ層を含むディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＤＮＮ）を含むことができる。ディープニューラルネットワークは、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＣＮＮ）、回帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＲＮＮ）などを含むことができる。

図１は、ネットワーク関数のパラメーターの最適化を説明するための図である。

ネットワーク関数は、相異なるデータセットに対する学習によって、異なる学習モデルを生成することができる。このとき、ネットワーク関数から生成された学習モデルの性能（速度、品質など）は、少なくとも一つのパラメーターの設定値によって影響を受けることができる。ここで、パラメーターは、ユーザによって直接設定可能であり、学習モデルに有意味な変化を与えることができる変数、すなわち、ハイパーパラメーター（ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）を指称することができる。例えば、ハイパーパラメーターは、ネットワーク関数（またはアキテクチャー）の種類、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）などに関する変数を含むことができる。

このように、パラメーターの設定値によって学習モデルの性能が変わるから、学習モデルの生成及び適用において学習しようとするデータセットの特性に適するようにパラメーターを最適化することが前もって要求される。

図１は、パラメーターの最適化のために用いられる一つの方法であって、グリッドサーチ（ｇｒｉｄ ｓｅａｒｃｈ）を概念的に示している。

グリッドサーチとは、特定の検索範囲内で学習モデルの性能に有意味な変化を与えることができるパラメーターに対して、可能なすべての組み合わせの設定値を検索することをいい、例えば、異なるように組み合わせられたパラメーターの設定値に基づいて、所定のデータセットを通じてネットワーク関数を交差検証して、学習モデルの性能を確認する方法によって、パラメーターの設定値を最適化することができる。

ところが、グリッドサーチ方式も、可能なすべてのパラメーターの設定値の組み合わせを対象として検証を行うことから、検索の範囲及び費用が大きくなるしかないため、以下では、検索範囲及び費用を最小化することができる本開示の一実施の形態に係る自動化された機械学習方法及び装置について説明することにする。

図２は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法を説明するための流れ図であり、図３は、図２のＳ２１０段階の一実施の形態を示しており、図４は、図２のＳ２２０段階の一実施の形態を示す。

本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法は、演算能力を持つパソコン（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ワークステーション（Ｗｏｒｋ Ｓｔａｔｉｏｎ）、サーバー用コンピューター装置などで遂行されるか、前記自動化された機械学習方法を遂行するためのプログラム組み込み（ｅｍｂｅｄｄｅｄ）の別途の装置などで遂行されることができる。

また、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法は、一つ以上の演算装置で遂行されることもできる。例えば、本開示の一実施の形態に係る自動化された機械学習方法の中で少なくとも一つ以上の段階は、クライアントデバイスにおいて、他の段階はサーバーデバイスにおいて遂行されてもよい。このような場合、クライアントデバイスとサーバーデバイスは、ネットワークで連結されて演算結果を送受信することができる。または、本開示の一実施の形態に係る自動化された機械学習方法は、分散コンピューティング技術によって遂行されてもよい。

Ｓ２１０段階で、機械学習装置は、学習モデルに影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録することができる。

一実施の形態において、パラメーターは、図１を参照して前述したハイパーパラメーターを指すことができ、ネットワーク関数の種類（例えば、ＣＮＮの種類など）、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）の中で少なくとも一つに関するパラメーターを含むことができる。例えば、第１パラメーターセットは、学習モデルに対して所定の基準値以上の性能を発揮させ得る少なくとも一つのハイパーパラメーターの設定データの組み合わせで構成されることができる。

一実施の形態において、Ｓ２１０ 段階は、図３に示されているように、Ｓ２１１～Ｓ２１４段階を含むことができる。

Ｓ２１１段階で、機械学習装置は、少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることにより、候補パラメーターセットを生成することができる。例えば、候補パラメーターセットにはネットワーク関数の種類、オプティマイザー、学習速度、及びデータオーグメンテーションの中で少なくとも一つに関するパラメーターが含まれることができ、これらのパラメーターに対する設定データは、夫々の候補パラメーターセット別に異なる組み合わせを持つことができる。

次いで、Ｓ２１２段階で、機械学習装置は、生成された候補パラメーターセットのそれぞれに対して第１データセットを通じてネットワーク関数に対する学習を進めることで、交差検証を行うことができる。例えば、機械学習装置はハイパーパラメーターをそれぞれの候補パラメーターセットに含まれた設定データに基づいて設定し、第１データセットをｋ個のフォルダに分割した後、ネットワーク関数に対する学習及び交差検証を進行し、それぞれの候補パラメーターセットに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）の平均及び標準偏差を算出することができる。

次に、Ｓ２１３段階で、機械学習装置は、交差検証の結果によって、候補パラメーターセットの中で少なくとも一つをプリセットグループ（ｐｒｅｓｅｔ ｇｒｏｕｐ）に登録することができる。例えば、機械学習装置は、Ｓ２１２段階で算出した検証スコアの平均及び標準偏差に基づき統計的比較を行い、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を有する候補パラメーターセットをプリセットグループに登録することができる。

それから、Ｓ２１４段階で、機械学習装置は、Ｓ２１２及びＳ２１３段階を第１データセットと異なる少なくとも一つの第２データセットに基づいて繰り返し行うことができる。これによって、例えば、異なるデータセットに対応する複数のプリセットグループ内にそれぞれ少なくとも一つのパラメーターセットがそれぞれ登録されることができる。

Ｓ２２０段階で、機械学習装置は少なくとも一つのプリセットグループに登録された第１パラメーターセットの中で学習モデルの生成に使用する少なくとも一つの第２パラメーターセットを選定することができる。

一実施の形態で、Ｓ２２０段階は、図４に示されているように、Ｓ２２１～Ｓ２２３段階を含むことができる。

Ｓ２２１段階において、機械学習装置は、学習条件に対するユーザ入力を受信することができる。例えば、機械学習装置は、ユーザ端末または自らのディスプレイ部に所定のユーザインターフェースを提供し、これによって、入力される学習条件を受信することができる。一実施の形態で、学習条件は学習環境（ＰＣまたは組み込み機器）、推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）、及び検索範囲の中で少なくとも一つに関する条件を含むことができる。ここで、検索範囲に関する条件は、プリセットグループに登録された第１パラメーターセットの中でどれくらいを使用（すなわち、第２パラメーターセットで選定する割合）するかを決めるための条件を指すことができる。

実施の形態によって、Ｓ２２１段階で、機械学習装置はユーザ端末から入力データセットをさらに受信することができる。

次いで、Ｓ２２２段階において、少なくとも一つのプリセットグループに登録された第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）の中で少なくとも一つを基準として整列することができる。

例えば、機械学習装置は、ユーザによって入力された学習環境に対応してアキテクチャーを基準として第１パラメーターセットを１次整列し、引き続き、Ｓ２１０段階を通じて第１パラメーターセットのそれぞれに対して記録された推論速度に基づき（すなわち、推論速度が高い順に）、第１パラメーターセットを２次整列することができる。

次に、Ｓ２２３段階で、機械学習装置は、ユーザが入力した学習条件によって、Ｓ２２２段階を通じて整列された第１パラメーターセットの中で上位の所定の割合を第２パラメーターセットに選定することができる。

一実施の形態で、機械学習装置は、ユーザが入力した推論速度レベル及び／または検索範囲レベルに基づいて第１パラメーターセットの中で一定した割合を第２パラメーターセットに選定することができる。例えば、機械学習装置は、ユーザが入力した推論速度がレベル３であれば、上位２０％を第２パラメーターセットに選定し、レベル２であれば、上位５０％を第２パラメーターセットに選定し得る。

一実施の形態で、Ｓ２２２及びＳ２２３段階は、プリセットグループ別に個別遂行されることができる。すなわち、複数のプリセットグループが存在する場合、プリセットグループ別に、それに含まれた第１パラメーターセットに対する整列及び第２パラメーターセットの選定が行われることができる。

Ｓ２３０段階で、選定された第２パラメーターセット及び入力データセットに基づいてネットワーク関数に対する学習を進行することで、相異なる学習モデルを生成し、生成された学習モデルにそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出することができる。

例えば、第２パラメーターセットの設定データをもってネットワーク関数のハイパーパラメーターを設定し、入力データセットの少なくとも一部を学習データとしてネットワーク関数に入力して、ネットワーク関数を学習させることで学習モデルを生成することができる。

一実施の形態で、検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出されることができる。例えば、機械学習装置は学習モデルがオブジェクト検出（ｄｅｔｅｃｔｉｏｎ）及び／または分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）のためのものであれば、再現率に基づいて検証スコアを算出し、学習モデルがオブジェクト分割（ｓｅｇｍｅｎｔａｔｉｏｎ）のためのものであれば、再現率と精密度が組み合わせられたＦ１スコアをもとに検証スコアを算出するように構成されることができるが、これに限定するものではない。

Ｓ２４０段階で、機械学習装置は、Ｓ２３０段階で算出された検証スコアをもとに生成された学習モデルのいずれか一つを適用モデルで選択することができる。

一実施の形態で、機械学習装置は算出された検証スコアが最も高い学習モデルを適用モデルで選択することができる。また、一実施の形態において、機械学習装置は算出された検証スコアが最も高い学習モデルが複数である場合、より上位に整列された第２パラメーターセットによって生成された学習モデルを適用モデルで選択することができる。

次に、適用モデルが決められれば、機械学習装置は入力データセットの一部であるテストセットを通じて適用モデルを評価し、適用モデルを通じてユーザが要求する結果を導出することができる。

図５は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法において、パラメーターセットをプリセットグループに登録する過程を例示的に示す。

図５に示されているように、少なくとも一つのハイパーパラメーターに対する相異なる組み合わせの設定データを含む候補パラメーターセットに対して、異なる６つのデータセットを利用して所定の基準値以上の性能を持つ候補パラメーターをプリセットグループに登録することができる。

この時、機械学習装置はデータセットに対応する６つのプリセットグループをそれぞれ生成し、それぞれのデータセットを利用した交差検証過程を繰り返し行うことで、データセットに対応するプリセットグループに候補パラメーターセットを登録するように具現されることができる。

プリセットグループに登録されたパラメーターセットに関する情報は、機械学習装置又は機械学習装置と通信する外部サーバーなどに保存されることができる。

図６は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習方法において、学習条件を入力するためのユーザインターフェースを例示的に示している。

機械学習装置は、ユーザ端末またはそれ自体に具備されたディスプレイ部を通じて学習条件に対するユーザ入力を受信するためのユーザインターフェースを提供することができる。

例えば、ユーザインターフェースには学習環境を設定するための領域６１０、検索空間のレベルを設定するための領域６２０、及び推論速度のレベルを設定するための領域６３０を含むことができる。

ユーザは、このようなユーザインターフェースを介して、プリセットグループに登録されたパラメーターに対して、如何なる環境に合わせてパラメーターセットを選択するか、また、レベル別に登録されたパラメーターの中で何パーセントを利用するかを設定することができる。

図７は、本開示の技術的思想に基づく一実施の形態に係る自動化された機械学習装置の構成を簡略に示したブロック図である。

通信部７１０は、プロセッサー７４０の制御によって外部装置（ユーザ端末など）または外部サーバーとデータまたは信号を送受信することができる。通信部７１０は、有無線通信部を含むことができる。通信部７１０が有線通信部を含む場合、通信部７１０は、 構内通信網（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ；ＬＡＮ）、広域通信網（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ；ＷＡＮ）、付加価置通信網（Ｖａｌｕｅ Ａｄｄｅｄ Ｎｅｔｗｏｒｋ；ＶＡＮ）、移動通信網（ｍｏｂｉｌｅ ｒａｄｉｏ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｎｅｔｗｏｒｋ）、衛星通信網、及びこれらの相互組み合わせによって通信を行うようにする一つ以上の構成要素を含むことができる。また、通信部７１０が無線通信部を含む場合、通信部７１０は、セルラー移動通信、無線ＲＡＮ（例えば、ワイファイ（Ｗｉ－Ｆｉ））などを利用して無線でデータまたは信号を送受信することができる。

入力部７２０は、外部の操作によって、多様なユーザ命令を受信することができる。このために、入力部７２０は一つ以上の入力装置を含む、または連結することができる。例えば、入力部７２０は、キーパッド、マウスなど多様な入力のためのインターフェースと連結されてユーザ命令を受信することができる。このために、入力部７２０は、ＵＳＢポートだけでなく、サンダーボルトなどのインターフェースを含んでもよい。また、入力部７２０は、タッチスクリーン、ボタンなどの多様な入力装置を含む、またはこれらと結合して外部からのユーザ命令を受信することができる。

メモリー７３０は、プロセッサー７４０の動作のためのプログラムを保存することができ、入出力されるデータを臨時または永久保存することができる。メモリー７３０は、フラッシュメモリー（ｆｌａｓｈ ｍｅｍｏｒｙ）型、ハードディスク（ｈａｒｄ ｄｉｓｋ）型、マルチメディアカードマイクロ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ）型、カード型のメモリー（例えば、ＳＤまたはＸＤメモリーなど）、ＲＡＭ、ＳＲＡＭ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ、ＰＲＯＭ、磁気メモリー、磁気ディスク、光ディスクの中で少なくとも一つのタイプの記憶媒体を含むことができる。

また、メモリー７３０は、多様なネットワーク関数及びアルゴリズムを保存することができ、デバイス７００を駆動して制御するための多様なデータ、プログラム（一つ以上の指令）、アプリケーション、ソフトウェア、命令、コードなどを保存することができる。

プロセッサー７４０は、デバイス７００の全般的な動作を制御することができる。プロセッサー７４０はメモリー７３０に保存される一つ以上のプログラムを実行することができる。プロセッサー７４０は、中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＣＰＵ）、グラフィック処理装置（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＧＰＵ）または本開示の技術的思想による方法が遂行される専用のプロセッサーを意味することができる。

一実施の形態で、プロセッサー７４０は学習モデルの性能に影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録することができる。

一実施の形態で、プロセッサー７４０は、少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることで、複数の候補パラメーターセットを生成し、候補パラメーターセットのそれぞれに対して第１データセットに通じてネットワーク関数に対する学習を進めて交差検証を行い、交差検証の結果によって、候補パラメーターセットの中で少なくとも一つを第１パラメーターセットとして決定するように制御することができる。

一実施の形態で、プロセッサー７４０は、第１データセットと異なる少なくとも一つの第２データセットに基づいて前記交差検証と前記交差検証の結果による前記第１パラメーターセットの決定を繰り返し行うように制御することができる。

一実施の形態で、プロセッサー７４０は、候補パラメーターセットのそれぞれに対して交差検証による検証スコアの平均及び標準偏差を算出し、検証スコアの平均及び標準偏差に基づき統計的比較を遂行することで、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を持つ候補パラメーターセットを第１パラメーターセットとして決定するように制御することができる。

一実施の形態で、プロセッサー７４０は入力された学習条件に基づいて、第１パラメーターセットの中で学習モデルの生成に用いる少なくとも一つの第２パラメーターセットを選定することができる。

一実施の形態で、プロセッサー７４０は第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び推論速度の中で少なくとも一つを基準として整列し、入力された前記学習条件によって、整列された第１パラメーターセットの中で上位の所定の割合を前記第２パラメーターセットに選定するように制御することができる。

一実施の形態で、プロセッサー７４０は第２パラメーターセット及び所定の入力データセットに基づいてネットワーク関数に対する学習を進行することで、第２パラメーターセットのそれぞれに対応する学習モデルを生成し、学習モデルそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出して、検証スコアをもとに、生成された学習モデルのいずれか一つを適用モデルとして選択するように制御することができる。この時、検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出されることができる。

また、図７には不図示であるが、機械学習デバイス７００は、出力部、ディスプレイ部などをさらに含むことができる。

出力部は、視覚、聴覚、振動などに係わる出力を発生させるためのものであり、ディスプレイ部、音響出力部、モーターなどを含むことができる。

ディスプレイ部は、プロセッサー７４０の制御によって、学習条件、入力データセットなどの入力のためのユーザインターフェース、学習モデルの出力などを表示することができる。ディスプレイ部は、ディスプレイモジュールを含むことができる。ディスプレイモジュールは、ディスプレイパネル、ディスプレイ駆動部、及びタッチパネルを含むことができる。

以上のような本開示の技術的思想に基づく多様な実施の形態によれば、ユーザが学習条件と入力データなどを入力することだけで、好適なネットワーク関数の選択及びハイパーパラメーターの最適化を自動で遂行するように具現されることで、非専門家であっても容易に学習モデルを生成して活用することができる。

また、本開示の技術的思想に基づく多様な実施の形態によれば、一定した基準値以上の性能を提供する有意味なハイパーパラメーターの組み合わせを、事前に検索してプリセットグループとして登録することで、ハイパーパラメーターの最適化に要する検索範囲及び時間を最小化することができる。

一実施の形態に係る自動化された機械学習方法は、多様なコンピューター手段を通じて遂行されることができるプログラム命令の形態で具現されてコンピューターで読み取り可能な媒体に記録されることができる。前記コンピューターで読み取り可能な媒体は、プログラム命令、データファイル、データ構造などを単独でもしくは組み合わせて含むことができる。前記媒体に記録されるプログラム命令は、本開示のために特別に設計されて構成されたものであってもよく、コンピューターソフトウェアの当業者に公知されている使用可能なものであってもよい。コンピューターで読み取り可能な記録媒体としては、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体（ｍａｇｎｅｔｉｃ ｍｅｄｉａ）、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体（ｏｐｔｉｃａｌ ｍｅｄｉａ）、光フロッピーディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌ ｍｅｄｉａ）、及びＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ、フラッシュメモリーなどのようなプログラム命令を保存して遂行するように特別に構成されたハードウェア装置が挙げられる。プログラム命令としては、コンパイラーによって作成されるような機械語コードだけではなく、インタプリターなどを用いて コンピューターによって実行できる高級言語コードが挙げられる。

また、開示の実施の形態による自動化された機械学習方法は、コンピュータープログラム製品（ｃｏｍｐｕｔｅｒ ｐｒｏｇｒａｍ ｐｒｏｄｕｃｔ）に含まれて提供されることができる。コンピュータープログラム製品は、商品として販売者及び購買者間に取り引きされることができる。

コンピュータープログラム製品は、Ｓ／Ｗプログラム、Ｓ／Ｗプログラムが保存されたコンピューターで読み取り可能な記憶媒体を含むことができる。例えば、コンピュータープログラム製品は、電子デバイスの製造会社または電子マーケット（例えば、Ｇｏｏｇｌｅプレーストア、アップストア）を通じて電子的に配布されるＳ／Ｗプログラム形態の商品（例えば、ダウンロード可能なアップ）を含むことができる。電子的配布のために、Ｓ／Ｗプログラムの少なくとも一部は、記憶媒体に保存されるか、臨時的に生成されることができる。この場合、記憶媒体は、製造会社のサーバー、電子マーケットのサーバー、またはＳＷプログラムを臨時的に保存する中継サーバーの記憶媒体になることができる。

コンピュータープログラム製品は、サーバー及びクライアント装置で構成されるシステムにおいて、サーバーの記憶媒体またはクライアント装置の記憶媒体を含むことができる。または、サーバーまたはクライアント装置と通信接続される第３装置（例えば、スマートフォン）が存在する場合、コンピュータープログラム製品は第３装置の記憶媒体を含むことができる。または、コンピュータープログラム製品は、サーバーからクライアント装置または第３装置へ伝送されるか、第３装置からクライアント装置から伝送されるＳ／Ｗプログラムそれ自体を含むことができる。

この場合、サーバー、クライアント装置及び第３装置のいずれか一つがコンピュータープログラム製品を実行して、開示の実施の形態による方法を遂行することができる。または、サーバー、クライアント装置及び第３装置の中で２以上がコンピュータープログラム製品を実行して開示の実施の形態による方法を分散して実施することができる。

例えば、サーバー（例で、クラウドサーバーまたは人工知能サーバーなど）がサーバーに保存されたコンピュータープログラム製品を実行して、サーバーと通信接続されたクライアント装置が、開示の実施の形態による方法を遂行するように制御することができる。

以上、実施の形態について詳細に説明したが、本開示の権利範囲はこれらに限定されるもではなく、添付の特許請求の範囲で規定している本開示の基本概念を利用した当業者の種々の変形及び改良形態も本開示の権利範囲に属する。

Claims (15)

1. 自動化された機械学習方法であって、
   学習モデルの性能に影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録する段階と、
   入力された学習条件に基づいて、前記第１パラメーターセットの中で前記学習モデルの生成に用いる少なくとも一つの第２パラメーターセットを選定する段階と、
   前記第２パラメーターセット及び所定の入力データセットに基づいてネットワーク関数に対する学習を進めることにより、前記第２パラメーターセットのそれぞれに対応する前記学習モデルを生成し、前記学習モデルのそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出する段階と、
   前記検証スコアをもとに、生成された前記学習モデルのいずれか一つを適用モデルで選択する段階と、を含む構成において、
   前記第１パラメーターセットを登録する段階は、
   前記少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることで、複数の候補パラメーターセットを生成する段階と、
   前記候補パラメーターセットのそれぞれに対して第１データセットを通じて前記ネットワーク関数に対する学習を進めて交差検証を行う段階と、
   前記交差検証の結果によって、前記候補パラメーターセットの中で少なくとも一つを前記第１パラメーターセットとして決定する段階と、
   を含む、方法。
2. 前記交差検証を行う段階及び前記第１パラメーターセットとして決定する段階は、前記第１データセットと異なる少なくとも一つの第２データセットに基づいて繰り返し行われる、請求項１に記載の方法。
3. 前記交差検証の結果は、前記候補パラメーターセットのそれぞれに対して算出された前記交差検証による検証スコアの平均及び標準偏差を含み、
   前記第１パラメーターセットとして決定する段階では、
   前記検証スコアの平均及び標準偏差に基づき統計的比較を行うことで、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を有する前記候補パラメーターセットを前記第１パラメーターセットとして決定する、請求項１に記載の方法。
4. 前記第１パラメーターセットは、ネットワーク関数の種類、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）の中で少なくとも一つに関するパラメーターの設定データを含む、請求項１に記載の方法。
5. 前記学習条件は、学習環境、推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）、及び検索範囲の中で少なくとも一つに関する条件を含む、請求項１に記載の方法。
6. 前記第２パラメーターを選定する段階は、
   前記第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び前記推論速度の中で少なくとも一つを基準として整列する段階と、
   入力された前記学習条件によって、前記整列された第１パラメーターセットの中で上位の所定の割合を前記第２パラメーターセットに選定する段階と、を含む、請求項５に記載の方法。
7. 前記検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出される、請求項１に記載の方法。
8. 自動化された機械学習装置であって、
   自動化された機械学習のためのプログラムを格納するメモリーと、
   前記プログラムを実行することで、学習モデルの性能に影響を及ぼす少なくとも一つのパラメーターに対する相異なる設定データの組み合わせを含む少なくとも一つの第１パラメーターセットを登録し、入力された学習条件に基づいて、前記第１パラメーターセットの中で前記学習モデルの生成に用いる少なくとも一つの第２パラメーターセットを選定し、前記第２パラメーターセット及び所定の入力データセットに基づいてネットワーク関数に対する学習を進めることで、前記第２パラメーターセットのそれぞれに対応する前記学習モデルを生成し、前記学習モデルのそれぞれに対する検証スコア（ｖａｌｉｄａｔｉｏｎ ｓｃｏｒｅ）を算出して、前記検証スコアに基づき、生成された前記学習モデルのいずれか一つを適用モデルで選択するように制御するプロセッサーと、を含む構成において、
   前記プロセッサーは、
   前記少なくとも一つのパラメーターに対して相異なる設定データを組み合わせることで、複数の候補パラメーターセットを生成し、前記候補パラメーターセットのそれぞれ対して第１データセットを通じて前記ネットワーク関数に対する学習を進めて交差検証を行い、前記交差検証の結果によって、前記候補パラメーターセットの中で少なくとも一つを前記第１パラメーターセットとして決定するように制御する、装置。
9. 前記プロセッサーは、
   前記第１データセットと異なる少なくとも一つの第２データセットに基づいて前記交差検証及び前記交差検証の結果による前記第１パラメーターセットの決定を繰り返し行うように制御する、請求項８に記載の装置。
10. 前記プロセッサーは、
    前記候補パラメーターセットのそれぞれに対して前記交差検証による検証スコアの平均及び標準偏差を算出し、前記検証スコアの平均及び標準偏差に基づき統計的比較を行うことにより、所定の基準値（ｂａｓｅｌｉｎｅ）よりも高い性能を有する前記候補パラメーターセットを前記第１パラメーターセットとして決定するように制御する、請求項８に記載の装置。
11. 前記第１パラメーターセットは、ネットワーク関数の種類、オプティマイザー（ｏｐｔｉｍｉｚｅｒ）、学習速度（ｌｅａｒｎｉｎｇ ｒａｔｅ）、及びデータオーグメンテーション（ｄａｔａ ａｕｇｍｅｎｔａｔｉｏｎ）の中で少なくとも一つに関するパラメーターの設定データを含む、請求項８に記載の装置。
12. 前記学習条件は、学習環境、推論速度（ｉｎｆｅｒｅｎｃｅ ｓｐｅｅｄ）、及び検索範囲の中で少なくとも一つに関する条件を含む、請求項８に記載の装置。
13. 前記プロセッサーは、
    前記第１パラメーターセットをアキテクチャー（ａｒｃｈｉｔｅｃｔｕｒｅ）及び前記推論速度の中で少なくとも一つを基準として整列し、入力された前記学習条件によって、前記整列された第１パラメーターセットの中で上位の所定の割合を前記第２パラメーターセットに選定するように制御する、請求項１２に記載の装置。
14. 前記検証スコアは、再現率（ｒｅｃａｌｌ）、精密度（ｐｒｅｃｉｓｉｏｎ）、正確度（ａｃｃｕｒａｃｙ）、及びこれらの組み合わせの中で少なくとも一つに基づいて算出される、請求項８に記載の装置。
15. 請求項１～７のいずれか一項に記載の方法を実行するために記録媒体に格納されたコンピュータープログラム。
    

Images