JPWO2019189249A1 - 学習装置、学習方法、及びプログラム - Google Patents
学習装置、学習方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2019189249A1 JPWO2019189249A1 JP2020510958A JP2020510958A JPWO2019189249A1 JP WO2019189249 A1 JPWO2019189249 A1 JP WO2019189249A1 JP 2020510958 A JP2020510958 A JP 2020510958A JP 2020510958 A JP2020510958 A JP 2020510958A JP WO2019189249 A1 JPWO2019189249 A1 JP WO2019189249A1
- Authority
- JP
- Japan
- Prior art keywords
- division
- learning
- division condition
- condition
- conditions
- 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.)
- Granted
Links
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Machine Translation (AREA)
Abstract
Description
学習データに基づいて特徴量を生成する、特徴量生成部と、
前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、分割条件生成部と、
前記学習データを前記分割条件に基づいてグループに分割する、学習データ分割部と、
分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、学習データ評価部と、
分割前後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ノード生成部と、
を有することを特徴とする。
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を有することを特徴とする。
コンピュータに、
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を実行させる命令を含むプログラムを記録していることを特徴とする。
以下、本発明の実施の形態について、図1から図11を参照しながら説明する。
最初に、図4を用いて、本実施の形態における学習装置10の構成について説明する。図4は、学習装置の一例を示す図である。
F2、F1 and not F2、F1 xor F2)を適用して、図6に示す30通り(4C2×5通り)の分割条件61を生成する。
次に、本発明の実施の形態における学習装置の動作について図10を用いて説明する。図10は、学習装置の動作の一例を示す図である。以下の説明においては、適宜図1から図9を参酌する。また、本実施の形態では、学習装置を動作させることによって、学習方法が実施される。よって、本実施の形態における学習方法の説明は、以下の学習装置の動作説明に代える。
以上のように本実施の形態によれば、特徴量と複雑さ要件とに応じて生成した分割条件を用いて、学習データをグループに分割する。そして、分割前のグループと分割後のグループとを用いて、分割条件ごとに有意性を評価する。その結果、分割前後のグループにおいて、分割条件に有意性がある場合、分割条件に関連する分割条件決定木のノードを生成する。そうすることで、決定木には不要な分割条件を含まない、予測精度の高い決定木を生成することができる。言い換えれば、本質的な分割条件を適用した決定木が生成できる。
本発明の実施の形態におけるプログラムは、コンピュータに、図10に示すステップA1からA10を実行させるプログラムであればよい。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態における学習装置と学習方法とを実現することができる。この場合、コンピュータのプロセッサは、特徴量生成部11、分割条件生成部12、学習データ分割部13、学習データ評価部14、ノード生成部15、分割条件追加部16として機能し、処理を行なう。
ここで、実施の形態におけるプログラムを実行することによって、学習装置を実現するコンピュータについて図11を用いて説明する。図11は、学習装置を実現するコンピュータの一例を示す図である。
以上の実施の形態に関し、更に以下の付記を開示する。上述した実施の形態の一部又は全部は、以下に記載する(付記1)から(付記12)により表現することができるが、以下の記載に限定されるものではない。
学習データに基づいて特徴量を生成する、特徴量生成部と、
前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、分割条件生成部と、
前記学習データを前記分割条件に基づいてグループに分割する、学習データ分割部と、
分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、学習データ評価部と、
分割前後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ノード生成部と、
を有することを特徴とする学習装置。
付記1に記載の学習装置であって、
前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件生成部に前記分割条件を追加させる、分割条件追加部と、
を有することを特徴とする学習装置。
付記1又は2に記載の学習装置であって、
前記分割条件生成部は、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とする学習装置。
付記3に記載の学習装置であって、
前記分割条件生成部は、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量の数(F1、F2)が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とする学習装置。
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を有することを特徴とする学習方法。
付記5に記載の学習方法であって、
(f)前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件を追加させる、ステップと、
を有することを特徴とする学習方法。
付記5又は6に記載の学習方法であって、
前記(b)のステップにおいて、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とする学習方法。
付記7に記載の学習方法であって、
前記(b)のステップにおいて、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量(F1、F2)の数が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とする学習方法。
コンピュータに、
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割前後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を実行させる命令を含む、プログラムを記録しているコンピュータ読み取り可能な記録媒体。
付記9に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータは、
(f)前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件を追加させる、ステップを実行させる命令を更に含む、
プログラムを記録しているコンピュータ読み取り可能な記録媒体。
付記9又は10に記載のコンピュータ読み取り可能な記録媒体であって、
前記(b)のステップにおいて、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とするコンピュータ読み取り可能な記録媒体。
付記11に記載のコンピュータ読み取り可能な記録媒体であって、
前記(b)のステップにおいて、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量(F1、F2)の数が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とするコンピュータ読み取り可能な記録媒体。
11 特徴量生成部
12 分割条件生成部
13 学習データ分割部
14 学習データ評価部
15 ノード生成部
16 分割条件追加部
20 学習データ
30 入力装置
40 出力装置
50 決定木データ
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
コンピュータに、
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を実行させることを特徴とする。
コンピュータに、
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割前後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を実行させるプログラム。
付記9に記載のプログラムであって、
前記プログラムが、前記コンピュータは、
(f)前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件を追加させる、ステップを実行させるプログラム。
付記9又は10に記載のプログラムであって、
前記(b)のステップにおいて、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とするプログラム。
付記11に記載のプログラムであって、
前記(b)のステップにおいて、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量(F1、F2)の数が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とするプログラム。
Claims (12)
- 学習データに基づいて特徴量を生成する、特徴量生成部と、
前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、分割条件生成部と、
前記学習データを前記分割条件に基づいてグループに分割する、学習データ分割部と、
分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、学習データ評価部と、
分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ノード生成部と、
を有することを特徴とする学習装置。 - 請求項1に記載の学習装置であって、
前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件生成部に前記分割条件を追加させる、分割条件追加部と、
を有することを特徴とする学習装置。 - 請求項1又は2に記載の学習装置であって、
前記分割条件生成部は、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とする学習装置。 - 請求項3に記載の学習装置であって、
前記分割条件生成部は、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量の数(F1、F2)が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とする学習装置。 - (a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を有することを特徴とする学習方法。 - 請求項5に記載の学習方法であって、
(f)前記分割前後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件を追加させる、ステップと、
を有することを特徴とする学習方法。 - 請求項5又は6に記載の学習方法であって、
前記(b)のステップにおいて、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とする学習方法。 - 請求項7に記載の学習方法であって、
前記(b)のステップにおいて、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量(F1、F2)の数が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とする学習方法。 - コンピュータに、
(a)学習データに基づいて特徴量を生成する、ステップと、
(b)前記特徴量と前記特徴量の数を示す複雑さ要件とに応じて分割条件を生成する、ステップと、
(c)前記学習データを前記分割条件に基づいてグループに分割する、ステップと、
(d)分割前後のグループを用いて、前記分割条件ごとに有意性を評価する、ステップと、
(e)分割後のグループにおいて、前記分割条件に有意性がある場合、前記分割条件に関連する決定木のノードを生成する、ステップと、
を実行させる命令を含む、プログラムを記録しているコンピュータ読み取り可能な記録媒体。 - 請求項9に記載のコンピュータ読み取り可能な記録媒体であって、
前記プログラムが、前記コンピュータに、
(f)前記分割後のグループにおいて、すべての前記分割条件に有意性がない場合、前記複雑さ要件が示す前記特徴量の数を増加させ、前記分割条件を追加させる、ステップを実行させる命令を更に含む、
プログラムを記録しているコンピュータ読み取り可能な記録媒体。 - 請求項9又は10に記載のコンピュータ読み取り可能な記録媒体であって、
前記(b)のステップにおいて、前記特徴量間の関係性を表す論理演算子を用いて、前記分割条件を生成する
ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 請求項11に記載のコンピュータ読み取り可能な記録媒体であって、
前記(b)のステップにおいて、前記複雑さ要件が示す、前記分割条件で使用する前記特徴量(F1、F2)の数が二つである場合、前記分割条件を、以下の条件を用いて生成する
F1 and F2
not F1 and F2
F1 or F2
F1 and not F2
F1 xor F2
ことを特徴とするコンピュータ読み取り可能な記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018066057 | 2018-03-29 | ||
JP2018066057 | 2018-03-29 | ||
PCT/JP2019/012984 WO2019189249A1 (ja) | 2018-03-29 | 2019-03-26 | 学習装置、学習方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019189249A1 true JPWO2019189249A1 (ja) | 2021-02-12 |
JP6888737B2 JP6888737B2 (ja) | 2021-06-16 |
Family
ID=68060021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020510958A Active JP6888737B2 (ja) | 2018-03-29 | 2019-03-26 | 学習装置、学習方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210012214A1 (ja) |
JP (1) | JP6888737B2 (ja) |
WO (1) | WO2019189249A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7059220B2 (ja) * | 2019-02-15 | 2022-04-25 | 株式会社日立製作所 | 機械学習プログラム検証装置および機械学習プログラム検証方法 |
US20200394527A1 (en) * | 2019-06-12 | 2020-12-17 | International Business Machines Corporation | Prediction model |
JP2023113393A (ja) * | 2022-02-03 | 2023-08-16 | 株式会社日立製作所 | 推定器学習装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
JP2011028519A (ja) * | 2009-07-24 | 2011-02-10 | Nippon Hoso Kyokai <Nhk> | データ分類装置及びプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7233931B2 (en) * | 2003-12-26 | 2007-06-19 | Lee Shih-Jong J | Feature regulation for hierarchical decision learning |
US8095498B2 (en) * | 2008-12-17 | 2012-01-10 | International Business Machines Corporation | Data mining model interpretation, optimization, and customization using statistical techniques |
US20120036094A1 (en) * | 2009-03-06 | 2012-02-09 | Kabushiki Kaisha Toshiba | Learning apparatus, identifying apparatus and method therefor |
US9177247B2 (en) * | 2011-09-23 | 2015-11-03 | Fujitsu Limited | Partitioning medical binary decision diagrams for analysis optimization |
CA2875710C (en) * | 2012-06-22 | 2021-06-29 | John Wayne Cancer Institute | Molecular malignancy in melanocytic lesions |
EP2892417A1 (en) * | 2012-09-07 | 2015-07-15 | Children's Medical Center Corporation | Detection of epileptogenic brains with non-linear analysis of electromagnetic signals |
US20160019337A1 (en) * | 2013-03-15 | 2016-01-21 | Htg Molecular Diagnostics, Inc. | Subtyping lung cancers |
US10963810B2 (en) * | 2014-06-30 | 2021-03-30 | Amazon Technologies, Inc. | Efficient duplicate detection for machine learning data sets |
CN105718493B (zh) * | 2014-12-05 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 基于决策树的搜索结果排序方法及其装置 |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
-
2019
- 2019-03-26 JP JP2020510958A patent/JP6888737B2/ja active Active
- 2019-03-26 US US16/982,781 patent/US20210012214A1/en active Pending
- 2019-03-26 WO PCT/JP2019/012984 patent/WO2019189249A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157814A (ja) * | 2002-11-07 | 2004-06-03 | Fuji Electric Holdings Co Ltd | 決定木生成方法およびモデル構造生成装置 |
JP2011028519A (ja) * | 2009-07-24 | 2011-02-10 | Nippon Hoso Kyokai <Nhk> | データ分類装置及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6888737B2 (ja) | 2021-06-16 |
WO2019189249A1 (ja) | 2019-10-03 |
US20210012214A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10824959B1 (en) | Explainers for machine learning classifiers | |
JP6888737B2 (ja) | 学習装置、学習方法、及びプログラム | |
AU2018260855A1 (en) | Hybrid cloud migration delay risk prediction engine | |
US20100275186A1 (en) | Segmentation for static analysis | |
US11302096B2 (en) | Determining model-related bias associated with training data | |
US11556785B2 (en) | Generation of expanded training data contributing to machine learning for relationship data | |
GB2530516A (en) | Intelligent Software Test Augmenting | |
US11455554B2 (en) | Trustworthiness of artificial intelligence models in presence of anomalous data | |
Faria | Non-determinism and failure modes in machine learning | |
US9582189B2 (en) | Dynamic tuning of memory in MapReduce systems | |
Kumara et al. | FOCloud: feature model guided performance prediction and explanation for deployment configurable cloud applications | |
WO2016084327A1 (ja) | 資源予測装置、資源予測方法、資源予測プログラムおよび分散処理システム | |
CN109800775B (zh) | 文件聚类方法、装置、设备及可读介质 | |
Sewal et al. | A machine learning approach for predicting execution statistics of spark application | |
Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
US20160004982A1 (en) | Method and system for estimating the progress and completion of a project based on a bayesian network | |
Panahi et al. | Control performance analysis of automotive cyber-physical systems: A study on efficient formal verification | |
JP5555238B2 (ja) | ベイジアンネットワーク構造学習のための情報処理装置及びプログラム | |
JP7508841B2 (ja) | システム検証プログラム生成装置、システム検証プログラム生成方法およびシステム検証プログラム生成プログラム | |
US11855849B1 (en) | Artificial intelligence based self-organizing event-action management system for large-scale networks | |
JP6908126B2 (ja) | 構成管理装置、構成管理方法および構成管理プログラム | |
Wongkampoo et al. | Atom-task precondition technique to optimize large scale GUI testing time based on parallel scheduling algorithm | |
CN112486615B (zh) | 基于拓扑路径的决策流执行方法、装置、设备及存储介质 | |
CN117809849B (zh) | 一种认知功能障碍老人行走姿态的分析方法及系统 | |
US11243832B2 (en) | Dynamically analyzing diagnostic operations data via machine learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200827 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200827 |
|
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: 20210420 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210503 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6888737 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |