JPWO2005048184A1 - 能動学習方法およびシステム - Google Patents
能動学習方法およびシステム Download PDFInfo
- Publication number
- JPWO2005048184A1 JPWO2005048184A1 JP2005515402A JP2005515402A JPWO2005048184A1 JP WO2005048184 A1 JPWO2005048184 A1 JP WO2005048184A1 JP 2005515402 A JP2005515402 A JP 2005515402A JP 2005515402 A JP2005515402 A JP 2005515402A JP WO2005048184 A1 JPWO2005048184 A1 JP WO2005048184A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- unknown
- label value
- sampling
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
Description
横軸:負例のうち正例と判断されたデータの個数/全負例数,
縦軸:正例のうち正例と判断されたデータの個数/全正例数.
ランダムな予測を行ったとき、ROC曲線は、原点と(1,1)を結ぶ対角線となる。
横軸:ラベル値が既知のデータ数/(ラベル値が未知+既知のデータ数),
縦軸:ラベル値が既知のデータの中の正例数/全正例数.
ランダムな予測を行ったとき。ヒット率は、原点と(1,1)を結ぶ対角線となる。また、限界は原点と(正例数/(ラベル値が未知+既知のデータ数),1)を結んだ線となる。
横軸:ラベル値が既知のデータ数,
縦軸:正しく判断されたデータの個数/ラベル値が既知のデータ数.
図1に示す本発明の第1の実施形態の能動学習システムは、ラベル値が既にわかっているデータ(すなわち既知データ)を蓄えておく記憶装置101と、記憶装置101内の既知データをサンプリングする時に重み付けを行うためのデータを生成するサンプリング重み付け装置102と、予測を行う時に重み付けを行うためのデータを生成する予測重み付け装置103と、次に学習すべきデータを選択するときに重み付けを行うためのデータを生成するデータ重み付け装置104と、複数の学習機械106と、記憶装置101からデータをサンプリングして対応する学習機械106に対してデータを供給する複数のサンプリング装置105と、複数の学習機械106からの学習結果をまとめる規則統合装置107と、規則統合装置107に接続した出力装置111と、複数の学習機械106での結果に基づき次に学習すべきデータを計算するデータ統合装置108と、データ統合装置108に接続した出力装置112と、次に学習すべきデータの出力結果に対て結果を入力する結果入力装置113と、ラベル値がわかっていないデータ(すなわち未知データ)を格納する記憶装置109と、この能動学習システム全体の制御を行う制御装置110と、を備えている。
次に、本発明の第2の実施形態について、図4を参照して説明する。図4に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、予測重み付け装置とデータ重み付け装置とが設けられていない点で、第1の実施形態のものと相違する。予測重み付け装置とデータ重み付け装置とが設けられていないことにより、規則統合装置107では、学習機械106から出てきた結果がすべて均等に取り扱われ、多数決などの手段によって最終的な規則が出力されることになる。具体的には、規則統合装置107は、各学習機械106が出力した結果について、ラベル値が離散値を取る場合にはクラスごとに、あるいはラベル値が連続値を取る場合には数値における区間ごとに、頻度を計算し、その値がもっとも大きな値となっているものを予想値として出力する。
次に、本発明の第3の実施形態について、図6を参照して説明する。図6に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、サンプリング重み付け装置とデータ重み付け装置とが設けられていない点で、第1の実施形態のものと相違する。サンプリング重み付け装置とデータ重み付け装置とが設けられていないことにより、各サンプリング装置105では既知のデータがすべて均等に取り扱われ、ランダムなサンプリングが行われる。またデータ統合装置108では、第2の実施形態の場合と同様に、出力結果が均等に扱われ、もっとも判断に迷うデータが出力されることになる。
次に、本発明の第4の実施形態について、図8を参照して説明する。図8に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、サンプリング重み付け装置と予測重み付け装置とが設けられていない点で、第1の実施形態のものと相違する。サンプリング重み付け装置と予測重み付け装置とが設けられていないことにより、各サンプリング装置105では既知のデータがすべて均等に取り扱われ、ランダムなサンプリングが行われる。また、規則統合装置107では、第2の実施形態の場合と同様に、学習機械106から出てきた結果がすべて均等に取り扱われ、多数決などの手段によって最終的な規則が出力されることになる。
次に、本発明の第5の実施形態について、図10を参照して説明する。図10に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、データ重み付け装置が設けられていない点で、第1の実施形態のものと相違する。データ重み付け装置が設けられていないことにより、データ統合装置108では、第2の実施形態の場合と同様に、出力結果が均等に扱われ、もっとも判断に迷うデータが出力されることになる。
次に、本発明の第6の実施形態について、図12を参照して説明する。図12に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、予測重み付け装置が設けられていない点で、第1の実施形態のものと相違する。予測重み付け装置が設けられていないことにより、規則統合装置107では、第2の実施形態の場合と同様に、学習機械106から出てきた結果がすべて均等に取り扱われ、多数決などの手段によって最終的な規則が出力されることになる。
次に、本発明の第7の実施形態について、図14を参照して説明する。図14に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、サンプリング重み付け装置が設けられていない点で、第1の実施形態のものと相違する。サンプリング重み付け装置が設けられていないことにより、各サンプリング装置105では既知のデータがすべて均等に取り扱われ、ランダムなサンプリングが行われる。
次に、本発明の第8の実施形態について、図16を参照して説明する。図16に示す能動学習システムは、第1の実施形態の能動学習システムと同様のものであるが、グループ生成装置115が付加されているとともに、データ統合装置とそのデータ統合装置に接続する出力装置とがデータ統合選択装置114で置き換えられている点で相違する。データ統合選択装置114は、第1の実施形態のシステム(図1参照)におけるデータ統合装置108と出力装置112の機能を合わせ持つものであるが、次に学習すべきデータを選択する際に、グループ生成装置115でのグループ分けにしたがって、相互のデータがなるべくグループに散らばるように選択する。グループ選択装置114は、記憶装置101に格納されたラベル値が既知のデータ、または記憶装置109に格納されたラベル値が未知のデータ、もしくはその両者のデータをグループ分けするものである。
次に、本発明の第9の実施形態について、図19を参照して説明する。図19に示す能動学習システムは、第8の実施形態の能動学習システムと同様のものであるが、データ選択装置116が新たに設けられ、また、データ統合選択装置の代わりに第1の実施形態の場合と同様のデータ統合装置108及び出力装置112が設けられている点で、第8の実施形態のものと相違する。データ選択装置118は、グループ生成装置115からのグループ情報にしたがって、各学習機械106での予測の対象となる未知データを記憶装置109から選択し、選択された未知データを各学習機械106に送るものである。
Claims (18)
- ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、複数の学習機械とを使用する能動学習方法であって、
前記複数の学習機械が、前記既知データに関し、前記記憶装置からそれぞれ独立にサンプリングを行った後に学習を行う段階と、
前記学習の結果として、前記複数の学習機械の出力結果を統合して出力する段階と、
前記複数の学習機械が、前記記憶装置から未知データを取り出して予測を行う段階と、
前記予測の結果に基づいて次に学習すべきデータを計算して出力する段階と、
前記次に学習すべきデータに対応するラベル値を入力する段階と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に追加する段階と、
を有し、
前記既知データをサンプリングするとき、前記複数の学習機械による学習の結果を統合するとき、及び、前記複数の学習機械による予測から次に学習すべきデータを計算するとき、のうちの少なくとも1つにおいて、均等でない重み付けを実行する、能動学習方法。 - 前記既知データ及び前記未知データにおいてグループ分けを行う段階をさらに有し、前記次に学習すべきデータを計算する際に、グループで散らばるようにデータを選択する、請求項1に記載の能動学習方法。
- 前記既知データ及び前記未知データにおいてグループ分けを行う段階をさらに有し、前記予測を行う段階において、グループで散らばるように前記各学習機械に前記未知データを供給する、請求項1に記載の能動学習方法。
- ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、
既知データの学習及び未知データの予測を行う複数の学習機械と、
前記学習機械ごとに設けられ、前記記憶装置から前記既知データをサンプリングして対応する学習機械に入力する複数のサンプリング装置と、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段と、
前記各学習機械が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段と、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に追加する制御手段と、
前記サンプリング装置ごとにサンプリング時の重みを設定するサンプリング重み付け手段と、
を有する能動学習システム。 - ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、
既知データの学習及び未知データの予測を行う複数の学習機械と、
前記学習機械ごとに設けられ、前記記憶装置から前記既知データをサンプリングして対応する学習機械に入力する複数のサンプリング装置と、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段と、
前記各学習機械が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段と、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に追加する制御手段と、
前記第1の統合手段で前記学習の結果を統合する際に用いられる重みを設定する予測重み付け手段と、
を有する、能動学習システム。 - 前記第1の統合手段で前記学習の結果を統合する際に用いられる重みを設定する予測重み付け手段を有する、請求項4に記載の能動学習システム。
- 前記第2の統合手段で次に学習すべきデータを選択する際に用いられる重みを設定するデータ重み付け手段を有する、請求項4乃至6のいずれか1項に記載の能動学習システム。
- 前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段をさらに有し、
前記第2の統合手段は前記次に学習すべきデータを計算する際に、グループで散らばるようにデータを選択する、請求項4乃至7のいずれか1項に記載の能動学習システム。 - 前記既知1データ及び前記未知データにおいてグループ分けを行うグループ生成手段と、
グループで散らばるように前記各学習機械に前記未知データを供給するデータ選択手段とをさらに有する、請求項4乃至7のいずれか1項に記載の能動学習システム。 - ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、
既知データの学習及び未知データの予測を行う複数の学習機械と、
前記学習機械ごとに設けられ、前記記憶装置から前記既知データをサンプリングして対応する学習機械に入力する複数のサンプリング装置と、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段と、
前記各学習機械が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段と、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に追加する制御手段と、
前記第2の統合手段で次に学習すべきデータを選択する際に用いられる重みを設定するデータ重み付け手段と、
を有する、能動学習システム。 - 前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段をさらに有し、
前記第2の統合手段は前記次に学習すべきデータを計算する際に、グループで散らばるようにデータを選択する、請求項10に記載の能動学習システム。 - 前記既知1データ及び前記未知データにおいてグループ分けを行うグループ生成手段と、
グループで散らばるように前記各学習機械に前記未知データを供給するデータ選択手段とをさらに有する、請求項10に記載の能動学習システム。 - ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、
既知データの学習及び未知データの予測を行う複数の学習機械と、
前記学習機械ごとに設けられ、前記記憶装置から前記既知データをサンプリングして対応する学習機械に入力する複数のサンプリング装置と、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段と、
前記各学習機械が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段と、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に制御手段と、
前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段と、
を有し、前記第2の統合手段は前記次に学習すべきデータを計算する際に、グループで散らばるようにデータを選択する、能動学習システム。 - ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶装置と、
既知データの学習及び未知データの予測を行う複数の学習機械と、
前記学習機械ごとに設けられ、前記記憶装置から前記既知データをサンプリングして対応する学習機械に入力する複数のサンプリング装置と、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段と、
前記各学習機械が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段と、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段と、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に制御手段と、
前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段と、
グループで散らばるように前記各学習機械に前記未知データを供給するデータ選択手段と、
を有する、能動学習システム。 - コンピュータを、
ラベル値が既知のデータを既知データとしラベル値が未知のデータを未知データとして前記既知データの集合と前記未知データの集合とを格納する記憶手段、
前記記憶手段から既知データをサンプリングするとともに既知データの学習及び未知データの予測を行う複数の学習手段、
前記各学習機械が前記既知データに基づいて行った学習の結果を統合する第1の統合手段、
前記各学習手段が前記未知データに基づいて行った予測の結果から次に学習すべきデータを計算して出力する第2の統合手段、
前記次に学習すべきデータに対応するラベル値を入力する結果入力手段、
前記ラベル値が入力されたデータを前記未知データの集合から削除して前記既知データの集合に追加する制御手段、
前記サンプリング装置でのサンプリング時の重み、前記第1の統合手段で用いられる重み、及び前記第2の統合手段で用いられる重みのうちの少なくとも1つの重みを設定する重み付け手段、
として機能させるプログラム。 - 前記コンピュータをさらに、前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段として機能させ、前記第2の統合手段において前記次に学習すべきデータを計算する際に、グループで散らばるようにデータが選択されるようにする、請求項15に記載のプログラム。
- 前記コンピュータをさらに、
前記既知データ及び前記未知データにおいてグループ分けを行うグループ生成手段、
グループで散らばるように前記各学習機械に前記未知データを供給するデータ選択手段、
として機能させる請求項15に記載のプログラム。 - コンピュータが読み取り可能な記録媒体であって、請求項15乃至17のいずれか1項に記載のプログラムを格納した記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2003386702 | 2003-11-17 | ||
JP2003386702 | 2003-11-17 | ||
PCT/JP2004/014917 WO2005048184A1 (ja) | 2003-11-17 | 2004-10-08 | 能動学習方法およびシステム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008333791A Division JP2009104632A (ja) | 2003-11-17 | 2008-12-26 | ラベル予測方法およびシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2005048184A1 true JPWO2005048184A1 (ja) | 2007-05-31 |
Family
ID=34587401
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005515402A Pending JPWO2005048184A1 (ja) | 2003-11-17 | 2004-10-08 | 能動学習方法およびシステム |
JP2008333791A Pending JP2009104632A (ja) | 2003-11-17 | 2008-12-26 | ラベル予測方法およびシステム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008333791A Pending JP2009104632A (ja) | 2003-11-17 | 2008-12-26 | ラベル予測方法およびシステム |
Country Status (4)
Country | Link |
---|---|
US (1) | US7483864B2 (ja) |
JP (2) | JPWO2005048184A1 (ja) |
GB (1) | GB2423395A (ja) |
WO (1) | WO2005048184A1 (ja) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4645288B2 (ja) * | 2005-04-28 | 2011-03-09 | 日本電気株式会社 | 能動学習方法および能動学習システム |
US20100023465A1 (en) * | 2006-10-19 | 2010-01-28 | Yukiko Kuroiwa | Active learning system, method and program |
JP2008117343A (ja) * | 2006-11-08 | 2008-05-22 | Nec Corp | 学習処理装置 |
JP5287251B2 (ja) * | 2006-11-24 | 2013-09-11 | 日本電気株式会社 | 分子間相互作用予測装置の性能評価システム、方法、及びプログラム |
JP5187635B2 (ja) * | 2006-12-11 | 2013-04-24 | 日本電気株式会社 | 能動学習システム、能動学習方法、及び能動学習用プログラム |
US20080275775A1 (en) * | 2007-05-04 | 2008-11-06 | Yahoo! Inc. | System and method for using sampling for scheduling advertisements in an online auction |
US8086549B2 (en) * | 2007-11-09 | 2011-12-27 | Microsoft Corporation | Multi-label active learning |
US8140450B2 (en) * | 2009-03-27 | 2012-03-20 | Mitsubishi Electric Research Laboratories, Inc. | Active learning method for multi-class classifiers |
JP2011203991A (ja) * | 2010-03-25 | 2011-10-13 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
EP2702538A1 (en) * | 2011-04-28 | 2014-03-05 | Kroll Ontrack Inc. | Electronic review of documents |
JP6362893B2 (ja) * | 2014-03-20 | 2018-07-25 | 株式会社東芝 | モデル更新装置及びモデル更新方法 |
CN105468887B (zh) * | 2014-09-10 | 2019-03-15 | 华邦电子股份有限公司 | 数据分析系统以及方法 |
US10387430B2 (en) | 2015-02-26 | 2019-08-20 | International Business Machines Corporation | Geometry-directed active question selection for question answering systems |
US10630560B2 (en) * | 2015-04-02 | 2020-04-21 | Behavox Ltd. | Method and user interfaces for monitoring, interpreting and visualizing communications between users |
US11915113B2 (en) * | 2019-03-07 | 2024-02-27 | Verint Americas Inc. | Distributed system for scalable active learning |
JP7333496B2 (ja) * | 2019-07-05 | 2023-08-25 | 公立大学法人会津大学 | ラベリングプログラム、ラベリング装置及びラベリング方法 |
GB202001468D0 (en) | 2020-02-04 | 2020-03-18 | Tom Tom Navigation B V | Navigation system |
US11501165B2 (en) | 2020-03-04 | 2022-11-15 | International Business Machines Corporation | Contrastive neural network training in an active learning environment |
JP7280921B2 (ja) * | 2021-06-15 | 2023-05-24 | 株式会社日立製作所 | 計算機システム、推論方法、及びプログラム |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6463930B2 (en) * | 1995-12-08 | 2002-10-15 | James W. Biondi | System for automatically weaning a patient from a ventilator, and method thereof |
US6158432A (en) * | 1995-12-08 | 2000-12-12 | Cardiopulmonary Corporation | Ventilator control system and method |
JPH1116754A (ja) | 1997-06-20 | 1999-01-22 | Tokin Corp | 積層コイル素子 |
US7318051B2 (en) * | 2001-05-18 | 2008-01-08 | Health Discovery Corporation | Methods for feature selection in a learning machine |
WO2000036426A2 (de) * | 1998-12-16 | 2000-06-22 | Siemens Aktiengesellschaft | Verfahren und anordnung zur vorhersage von messdaten anhand vorgegebener messdaten |
US6895081B1 (en) * | 1999-04-20 | 2005-05-17 | Teradyne, Inc. | Predicting performance of telephone lines for data services |
US6487276B1 (en) * | 1999-09-30 | 2002-11-26 | Teradyne, Inc. | Detecting faults in subscriber telephone lines |
JP2001229026A (ja) | 1999-12-09 | 2001-08-24 | Nec Corp | 知識発見方式 |
JP3855582B2 (ja) | 2000-03-06 | 2006-12-13 | Kddi株式会社 | 出力状態判定機能を有する並列ニューラルネットワーク処理システム |
DE10134229A1 (de) * | 2000-08-17 | 2002-02-28 | Ibm | Verfahren und System zum Ermitteln von Abweichungen in Datentabellen |
MY131000A (en) * | 2001-03-16 | 2007-07-31 | Dow Global Technologies Inc | High melt strength polymers and method of making same |
US7152029B2 (en) * | 2001-07-18 | 2006-12-19 | At&T Corp. | Spoken language understanding that incorporates prior knowledge into boosting |
US7143046B2 (en) * | 2001-12-28 | 2006-11-28 | Lucent Technologies Inc. | System and method for compressing a data table using models |
US7167871B2 (en) * | 2002-05-17 | 2007-01-23 | Xerox Corporation | Systems and methods for authoritativeness grading, estimation and sorting of documents in large heterogeneous document collections |
US7188117B2 (en) * | 2002-05-17 | 2007-03-06 | Xerox Corporation | Systems and methods for authoritativeness grading, estimation and sorting of documents in large heterogeneous document collections |
US7328146B1 (en) * | 2002-05-31 | 2008-02-05 | At&T Corp. | Spoken language understanding that incorporates prior knowledge into boosting |
US7136518B2 (en) * | 2003-04-18 | 2006-11-14 | Medispectra, Inc. | Methods and apparatus for displaying diagnostic data |
US7309867B2 (en) * | 2003-04-18 | 2007-12-18 | Medispectra, Inc. | Methods and apparatus for characterization of tissue samples |
US7282723B2 (en) * | 2002-07-09 | 2007-10-16 | Medispectra, Inc. | Methods and apparatus for processing spectral data for use in tissue characterization |
US7033577B2 (en) * | 2003-02-13 | 2006-04-25 | Playtex Products, Inc. | In vitro prediction of sunscreen PFA values |
-
2004
- 2004-10-08 WO PCT/JP2004/014917 patent/WO2005048184A1/ja active Application Filing
- 2004-10-08 GB GB0611998A patent/GB2423395A/en not_active Withdrawn
- 2004-10-08 US US10/579,336 patent/US7483864B2/en active Active
- 2004-10-08 JP JP2005515402A patent/JPWO2005048184A1/ja active Pending
-
2008
- 2008-12-26 JP JP2008333791A patent/JP2009104632A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20070094158A1 (en) | 2007-04-26 |
GB2423395A (en) | 2006-08-23 |
GB0611998D0 (en) | 2006-07-26 |
US7483864B2 (en) | 2009-01-27 |
JP2009104632A (ja) | 2009-05-14 |
WO2005048184A1 (ja) | 2005-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2009104632A (ja) | ラベル予測方法およびシステム | |
JP6954003B2 (ja) | データベースのための畳み込みニューラルネットワークモデルの決定装置及び決定方法 | |
Cumming et al. | Quantitative comparison and selection of home range metrics for telemetry data | |
US11562294B2 (en) | Apparatus and method for analyzing time-series data based on machine learning | |
KR20160084453A (ko) | 머신 러닝에서의 가중치의 생성 | |
Pappa et al. | Attribute selection with a multi-objective genetic algorithm | |
JP7232122B2 (ja) | 物性予測装置及び物性予測方法 | |
EP3745317A1 (en) | Apparatus and method for analyzing time series data based on machine learning | |
Neto et al. | EOCD: An ensemble optimization approach for concept drift applications | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN112836794B (zh) | 一种图像神经架构的确定方法、装置、设备及存储介质 | |
CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
JP2020126468A (ja) | 学習方法、学習プログラムおよび学習装置 | |
US7379843B2 (en) | Systems and methods for mining model accuracy display for multiple state prediction | |
JP5167596B2 (ja) | データセット選択装置および実験計画システム | |
Aho et al. | Rule ensembles for multi-target regression | |
Ghorbel et al. | Smart adaptive run parameterization (SArP): enhancement of user manual selection of running parameters in fluid dynamic simulations using bio-inspired and machine-learning techniques | |
Xie | Time series prediction based on recurrent LS-SVM with mixed kernel | |
CN111383052A (zh) | 一种智能柜选址模型建模方法、装置、服务器及存储介质 | |
Mandli et al. | Selection of most relevant features from high dimensional data using ig-ga hybrid approach | |
JP2021124949A (ja) | 機械学習モデル圧縮システム、プルーニング方法及びプログラム | |
Mahbub et al. | Multi-objective optimisation with multiple preferred regions | |
Antonsson et al. | Fuzzy fitness functions applied to engineering design problems | |
KR102522597B1 (ko) | WRF 모델의 물리과정 모수화 스킴 조합 최적화를 위한 μ-GA-WRF 결합 시스템 | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070911 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080723 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080922 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20081029 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20081128 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20081201 |