JPWO2020105468A1 - 情報処理装置、情報処理システム、情報処理方法及びプログラム - Google Patents
情報処理装置、情報処理システム、情報処理方法及びプログラム Download PDFInfo
- Publication number
- JPWO2020105468A1 JPWO2020105468A1 JP2020558269A JP2020558269A JPWO2020105468A1 JP WO2020105468 A1 JPWO2020105468 A1 JP WO2020105468A1 JP 2020558269 A JP2020558269 A JP 2020558269A JP 2020558269 A JP2020558269 A JP 2020558269A JP WO2020105468 A1 JPWO2020105468 A1 JP WO2020105468A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- sample
- parameters
- type
- information processing
- 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
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
特許文献1に開示された技術では、適応制御器として動作するコンピュータは、対象とする物理システムの時間発展がマルコフ過程として記述される際に、物理システムの状態に対する制御量を決定する。そして、このコンピュータは、物理システムの状態量を目標値に制御するための制御信号を、確率的な逐次的重点サンプリング法により適応的に生成する。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出手段と、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と、
前記新規パラメータサンプル生成手段により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出手段が前記パラメータの分布に対応するデータを算出するよう制御しつつ、前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理を繰り返すよう制御する繰り返し制御手段と
を備える。
前記情報処理装置と
前記シミュレータと
を備える。
情報処理装置によって、
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する第1の処理を実行し、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する第2の処理を実行し、
前記第2の処理により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記第1の処理を実行するよう制御しつつ、前記第1の処理及び前記第2の処理を繰り返すよう制御する。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出ステップと、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと、
前記新規パラメータサンプル生成ステップで生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出ステップを実行するよう制御しつつ、前記対応データ算出ステップ及び前記新規パラメータサンプル生成ステップの処理を繰り返すよう制御する繰り返し制御ステップと
をコンピュータに実行させる。
図1は、実施形態に係る情報処理システム10の構成の一例を示すブロック図である。図1に示すように、情報処理システム10は、情報処理装置100とシミュレータサーバ(シミュレータ)200とを備える。
例えば、観測データXnの要素は、観測対象を構成している構成要素の状態を表すものであってもよい。観測データYnの要素は、センサ等を用いて観測対象に関して観測された状態を表すものであってもよい。例えばユーザが、製造工場の生産性を分析したい場合、観測データXnは、当該製造工場における各設備の稼働状況を表すものであってもよい。観測データYnは、複数の設備によって構成されるラインにて製造される製品の個数を表すものであってもよい。また、観測データXnは、製造工場において製品の原材料となる素材を表していてもよい。この場合に、観測データXnによって表されている素材は、1つ以上の加工工程を経て製品に加工される。当該製品は、1種類の製品であるとは限らず、複数の製品(たとえば、製品A、製品B、副産物C)であってもよい。観測データYnは、たとえば、製品Aの個数、製品Bの個数、及び、副産物Cの個数(または、生産量等)を表している。
観測対象、および、観測データは、上述した例に限定されず、たとえば、加工工場における設備であってもよいし、ある施設を建設する場合における建設システムであってもよい。
繰り返し処理の1回目(t=1)、すなわち、1回のパラメータ推定処理では、ベイズの定理(式(3)参照)に基づいて、以下の式(5)で表される事後分布が得られる。なお、1回のパラメータ推定処理では、パラメータθの事前分布から得られた第1の所定数のサンプルに基づいて、第2の所定数のパラメータが得られる。事前分布から得るサンプル数(すなわち第1の所定数)と、パラメータ推定処理結果として得られるサンプル数(すなわち第2の所定数)は本実施の形態ではいずれもm個であるが、互いに異なってもよい。ただし、サンプル数は多いほど分布を適切に表現できる。
図2は、情報処理装置100のハードウェア構成の一例を示すブロック図である。情報処理装置100は、入出力インタフェース101、メモリ102、及びプロセッサ103を含む。
また、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non−transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体(例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ)、光磁気記録媒体(例えば光磁気ディスク)、CD−ROM(Read Only Memory)CD−R、CD−R/W、半導体メモリ(例えば、マスクROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、フラッシュROM、RAM(Random Access Memory))を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
式(9)に示されるように、パラメータθのサンプルデータは、dθ次元の実数として示され、事前分布π(θ)に従う。なお、事前分布π(θ)は、予めメモリ102に記憶されている。事前分布π(θ)は、例えば、ユーザが、シミュレーション対象に関して有する知識に応じた精度で予め設定されている。
これにより、シミュレータサーバ200には、当該m個のパラメータθと、第1種類のデータの観測データ(観測データXn)とが入力される。
1回目のパラメータ推定処理の場合、ステップS101において、第2種類サンプルデータ取得部112は、ステップS100で生成されたサンプルデータがパラメータとして設定されたモデルに従い算出された第2種類のサンプルデータを取得する。これに対し、2回目以降のパラメータ推定処理の場合、第2種類サンプルデータ取得部112は、後述するステップS103で生成されたサンプルデータをモデルのパラメータとして設定する。そして、そのモデルに従い算出された第2種類のサンプルデータを取得する。
新規パラメータサンプル生成部3は、対応データ算出部2が算出したパラメータの分布に対応するデータを用いて、所定の処理(たとえば、カーネルハーディングなど)に従い、パラメータの新たなサンプルを生成する。
また、繰り返し制御部4は新規パラメータサンプル生成部3により生成された新たなサンプル及び第1種のデータに対してシミュレータが作成した第2種類のデータを用いて、対応データ算出部2が前記パラメータの分布に対応するデータを算出するよう制御する。そして、繰り返し制御部4は対応データ算出部2及び新規パラメータサンプル生成部3の処理を繰り返すよう制御する。
このような構成によれば、ベイズ推定が行なわれる。このため、情報処理装置1は、パラメータの事後分布を取得することができる。
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出手段と、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と、
前記新規パラメータサンプル生成手段により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出手段が前記パラメータの分布に対応するデータを算出するよう制御しつつ、前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理を繰り返すよう制御する繰り返し制御手段と
を備える情報処理装置。
(付記2)
前記影響度が前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返しに伴い変化する
付記1に記載の情報処理装置。
(付記3)
繰り返しにおいて、前回の値以下の値が前記影響度に設定され、かつ、繰り返しにおいて、少なくとも1回は、前回の値よりも小さい値が前記影響度に設定される
付記2に記載の情報処理装置。
(付記4)
繰り返しにおいて、前回の値以上の値が前記影響度に設定され、かつ、繰り返しにおいて、少なくとも1回は、前回の値よりも大きい値が前記影響度に設定される
付記2に記載の情報処理装置。
(付記5)
前記影響度が、所定の等比数列に基づいて変化する
付記3又は4に記載の情報処理装置。
(付記6)
前記影響度が前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返しによらず一定である
付記1に記載の情報処理装置。
(付記7)
前記パラメータの分布に対応するデータは、カーネル平均であり、
前記対応データ算出手段は、前記影響度を逆温度として含むカーネル関数を用いて、前記カーネル平均を算出し、
前記新規パラメータサンプル生成手段は、前記対応データ算出手段によって算出された前記カーネル平均を用いて前記サンプルを生成する
付記1乃至付記6のいずれか1項に記載の情報処理装置。
(付記8)
前記対応データ算出手段は、下記の式で示される前記カーネル関数を用いたカーネルABC(Kernel Approximate Bayesian Computation)により、前記カーネル平均を算出する
付記7に記載の情報処理装置。
ただし、下記の式において、σは前記第2種類のデータについてのガウスノイズの標準偏差であり、nは前記第2種類のデータの要素数であり、βは前記逆温度であり、Yi及びYi’は前記第2種類のデータの値である。
繰り返し回数分の前記影響度の合計が1となるように繰り返しの各回の前記影響度が設定される
付記1乃至8のいずれか1項に記載の情報処理装置。
(付記10)
付記1乃至付記9のいずれか1項に記載の情報処理装置と
前記シミュレータと
を備える情報処理システム。
(付記11)
前記シミュレータが、前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返し後に、前記新規パラメータサンプル生成手段が生成した前記サンプルに基づき処理を実行する
付記10に記載の情報処理システム。
(付記12)
情報処理装置によって、
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する第1の処理を実行し、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する第2の処理を実行し、
前記第2の処理により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記第1の処理を実行するよう制御しつつ、前記第1の処理及び前記第2の処理を繰り返すよう制御する
情報処理方法。
(付記13)
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出ステップと、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと、
前記新規パラメータサンプル生成ステップで生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出ステップを実行するよう制御しつつ、前記対応データ算出ステップ及び前記新規パラメータサンプル生成ステップの処理を繰り返すよう制御する繰り返し制御ステップと
をコンピュータに実行させる
プログラムが格納された非一時的なコンピュータ可読媒体。
2 対応データ算出部
3 新規パラメータサンプル生成部
4 繰り返し制御部
10 情報処理システム
100 情報処理装置
101 入出力インタフェース
102 メモリ
103 プロセッサ
110 第1のパラメータサンプル生成部
112 第2種類サンプルデータ取得部
114 カーネル平均算出部
116 第2のパラメータサンプル生成部
118 繰り返し制御部
200 シミュレータサーバ
Claims (13)
- 観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出手段と、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成手段と、
前記新規パラメータサンプル生成手段により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出手段が前記パラメータの分布に対応するデータを算出するよう制御しつつ、前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理を繰り返すよう制御する繰り返し制御手段と
を備える情報処理装置。 - 前記影響度が前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返しに伴い変化する
請求項1に記載の情報処理装置。 - 繰り返しにおいて、前回の値以下の値が前記影響度に設定され、かつ、繰り返しにおいて、少なくとも1回は、前回の値よりも小さい値が前記影響度に設定される
請求項2に記載の情報処理装置。 - 繰り返しにおいて、前回の値以上の値が前記影響度に設定され、かつ、繰り返しにおいて、少なくとも1回は、前回の値よりも大きい値が前記影響度に設定される
請求項2に記載の情報処理装置。 - 前記影響度が、所定の等比数列に基づいて変化する
請求項3又は請求項4に記載の情報処理装置。 - 前記影響度が前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返しによらず一定である
請求項1に記載の情報処理装置。 - 前記パラメータの分布に対応するデータは、カーネル平均であり、
前記対応データ算出手段は、前記影響度を逆温度として含むカーネル関数を用いて、前記カーネル平均を算出し、
前記新規パラメータサンプル生成手段は、前記対応データ算出手段によって算出された前記カーネル平均を用いて前記サンプルを生成する
請求項1乃至請求項6のいずれか1項に記載の情報処理装置。 - 繰り返し回数分の前記影響度の合計が1となるように繰り返しの各回の前記影響度が設定される
請求項1乃至請求項8のいずれか1項に記載の情報処理装置。 - 請求項1乃至請求項9のいずれか1項に記載の情報処理装置と
前記シミュレータと
を備える情報処理システム。 - 前記シミュレータが、前記対応データ算出手段及び前記新規パラメータサンプル生成手段の処理の繰り返し後に、前記新規パラメータサンプル生成手段が生成した前記サンプルに基づき処理を実行する
請求項10に記載の情報処理システム。 - 情報処理装置によって、
観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する第1の処理を実行し、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する第2の処理を実行し、
前記第2の処理により生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記第1の処理を実行するよう制御しつつ、前記第1の処理及び前記第2の処理を繰り返すよう制御する
情報処理方法。 - 観測対象に入力を与えた場合に観測される複数の観測情報と、前記観測対象をパラメータのサンプルに基づきシミュレーションするシミュレータが複数の前記サンプル及び前記入力を表す第1種類のデータに対して作成した第2種類のデータとの差異と、前記パラメータの分布に対する前記サンプルの影響度とに応じて、各前記サンプルの重要度を決定し、前記パラメータの分布に対応するデータを算出する対応データ算出ステップと、
前記パラメータの分布に対応するデータを用いて、所定の処理に従い、前記パラメータの新たなサンプルを生成する新規パラメータサンプル生成ステップと、
前記新規パラメータサンプル生成ステップで生成された前記新たなサンプル及び前記第1種類のデータに対して前記シミュレータが作成した前記第2種類のデータを用いて、前記対応データ算出ステップを実行するよう制御しつつ、前記対応データ算出ステップ及び前記新規パラメータサンプル生成ステップの処理を繰り返すよう制御する繰り返し制御ステップと
をコンピュータに実行させる
プログラムが格納された非一時的なコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018219527 | 2018-11-22 | ||
JP2018219527 | 2018-11-22 | ||
PCT/JP2019/043821 WO2020105468A1 (ja) | 2018-11-22 | 2019-11-08 | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020105468A1 true JPWO2020105468A1 (ja) | 2021-09-30 |
JP7097541B2 JP7097541B2 (ja) | 2022-07-08 |
Family
ID=70773422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020558269A Active JP7097541B2 (ja) | 2018-11-22 | 2019-11-08 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220004908A1 (ja) |
JP (1) | JP7097541B2 (ja) |
WO (1) | WO2020105468A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022059189A1 (ja) * | 2020-09-18 | 2022-03-24 | 日本電気株式会社 | データ算出装置、データ算出方法および記録媒体 |
CN114766023B (zh) * | 2020-10-30 | 2023-05-16 | 京东方科技集团股份有限公司 | 数据处理方法、装置及系统、电子设备 |
CN113779875A (zh) * | 2021-08-31 | 2021-12-10 | 润联软件系统(深圳)有限公司 | 基于图神经模型的风力发电量预测方法及其相关设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180210413A1 (en) * | 2015-07-31 | 2018-07-26 | Schlumberger Technology Corporation | Method and apparatus of determining a state of a system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781782B2 (en) * | 2010-09-30 | 2014-07-15 | Siemens Aktiengesellschaft | System and method for conditional multi-output regression for machine condition monitoring |
US9864953B2 (en) * | 2013-05-30 | 2018-01-09 | President And Fellows Of Harvard College | Systems and methods for Bayesian optimization using integrated acquisition functions |
EP3440543A4 (en) * | 2016-04-05 | 2019-08-28 | Deakin University | SYSTEMS AND METHOD FOR MANUFACTURING A PRODUCT |
US10963540B2 (en) * | 2016-06-02 | 2021-03-30 | Brown University | Physics informed learning machine |
EP3973461A4 (en) * | 2019-05-23 | 2023-01-25 | Cognizant Technology Solutions U.S. Corporation | QUANTIFICATION OF THE PREDICTIVE UNCERTAINTY OF NEURAL NETWORKS BY RESIDUAL ESTIMATION WITH I/O-KERNEL |
-
2019
- 2019-11-08 WO PCT/JP2019/043821 patent/WO2020105468A1/ja active Application Filing
- 2019-11-08 US US17/295,294 patent/US20220004908A1/en active Pending
- 2019-11-08 JP JP2020558269A patent/JP7097541B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180210413A1 (en) * | 2015-07-31 | 2018-07-26 | Schlumberger Technology Corporation | Method and apparatus of determining a state of a system |
Non-Patent Citations (2)
Title |
---|
HASEGAWA TAKANORI: "Time-Series Filtering for Replicated Observations via a Kernel Approximate Bayesian Computation", IEEE TRANSACTIONS ON SIGNAL PROCESSING, vol. 66, no. 23, JPN6019047944, 1 October 2018 (2018-10-01), pages 6148 - 6161, XP011703588, ISSN: 0004774255, DOI: 10.1109/TSP.2018.2872864 * |
KAJIHARA TAKAFUMI: "Kernel Recursive ABC: Point Estimation with Intractable Likelihood", [ONLINE], JPN6019047939, 12 June 2018 (2018-06-12), pages 1802 - 08404, ISSN: 0004774254 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020105468A1 (ja) | 2020-05-28 |
US20220004908A1 (en) | 2022-01-06 |
JP7097541B2 (ja) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7097541B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
JP6922284B2 (ja) | 情報処理装置及びプログラム | |
Chiachio et al. | Approximate Bayesian computation by subset simulation | |
Durrant | winGamma: A non-linear data analysis and modelling tool with applications to flood prediction | |
EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
US20210232957A1 (en) | Relationship analysis device, relationship analysis method, and recording medium | |
CN113534679A (zh) | 系统监测模型生成方法、处理器芯片以及工业系统 | |
KR102045415B1 (ko) | 자동으로 최적의 통계 모델을 결정하는 방법 및 그 장치 | |
Brastein et al. | Analysing uncertainty in parameter estimation and prediction for grey-box building thermal behaviour models | |
JP6853955B2 (ja) | 人流パターン推定システム、人流パターン推定方法および人流パターン推定プログラム | |
CN117011673A (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
US20210224664A1 (en) | Relationship analysis device, relationship analysis method, and recording medium | |
JP2014041547A (ja) | 時系列データ解析装置、方法、及びプログラム | |
JPWO2019069865A1 (ja) | パラメータ推定システム、パラメータ推定方法およびパラメータ推定プログラム | |
Ferrie et al. | Likelihood-free methods for quantum parameter estimation | |
JP7198439B2 (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
JP2020086778A (ja) | 機械学習モデル構築装置および機械学習モデル構築方法 | |
JP6642431B2 (ja) | 流量予測装置、混合比推定装置、方法およびコンピュータ読み取り可能記録媒体 | |
Chamroukhi | Skew-normal mixture of experts | |
JP2005038216A (ja) | パラメータ調整装置 | |
Warner et al. | A computationally-efficient inverse approach to probabilistic strain-based damage diagnosis | |
JP6114209B2 (ja) | モデル処理装置、モデル処理方法、およびプログラム | |
JP5713877B2 (ja) | 入出力モデル推定装置、方法、及びプログラム | |
WO2024043337A1 (ja) | 推定装置、推定方法、及び推定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210511 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210511 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210526 |
|
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: 20220517 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7097541 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |