WO2017175434A1 - 情報処理装置、情報処理方法および情報提供方法 - Google Patents

情報処理装置、情報処理方法および情報提供方法 Download PDF

Info

Publication number
WO2017175434A1
WO2017175434A1 PCT/JP2017/000441 JP2017000441W WO2017175434A1 WO 2017175434 A1 WO2017175434 A1 WO 2017175434A1 JP 2017000441 W JP2017000441 W JP 2017000441W WO 2017175434 A1 WO2017175434 A1 WO 2017175434A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
learning setting
user
setting
information processing
Prior art date
Application number
PCT/JP2017/000441
Other languages
English (en)
French (fr)
Inventor
慎吾 高松
啓 福井
井手　直紀
愉希夫 大渕
由幸 小林
Original Assignee
ソニー株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ソニー株式会社 filed Critical ソニー株式会社
Priority to EP17778813.0A priority Critical patent/EP3441912A1/en
Priority to US16/076,396 priority patent/US11593635B2/en
Priority to JP2018510231A priority patent/JP6897673B2/ja
Publication of WO2017175434A1 publication Critical patent/WO2017175434A1/ja

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the present disclosure relates to an information processing apparatus, an information processing method, and an information providing method.
  • the learning setting according to the information related to the past learning process in which the similarity with the information related to the learning process specified by the user is higher than the predetermined similarity is learned as a recommendation target for the user.
  • An information processing apparatus includes a data acquisition unit that is acquired as a setting and a display control unit that controls display according to the learning setting of the recommendation target.
  • the learning setting according to the information related to the past learning process in which the similarity with the information related to the learning process specified by the user is higher than the predetermined similarity is learned as a recommendation target for the user.
  • an information processing method including obtaining as a setting and controlling a display according to the learning setting of the recommendation object by a processor.
  • the learning setting according to the information related to the past learning process in which the similarity with the information related to the learning process specified by the user is higher than the predetermined similarity is learned as a recommendation target for the user.
  • an information providing method including searching as a setting and controlling transmission of the learning setting of the recommendation target by a processor.
  • a hardware configuration of the information processing apparatus will be described. A hardware configuration of the information providing apparatus will be described.
  • a plurality of constituent elements having substantially the same functional configuration may be distinguished by adding different numerals after the same reference numerals. However, when it is not necessary to particularly distinguish each of a plurality of constituent elements having substantially the same functional configuration, only the same reference numerals are given.
  • Deep Learning the selection of learning settings is important. However, in order to obtain an index for selecting a learning setting, it is generally necessary to execute a learning process that takes a long time. Therefore, in this specification, a technique that can shorten the time required for selecting the learning setting will be mainly described. In this specification, it is mainly assumed that Deep Learning is used as learning. However, the learning mode is not particularly limited to Deep Learning.
  • FIG. 1 is a diagram illustrating a configuration example of an information processing system according to an embodiment of the present disclosure.
  • the information processing system 1 according to the present embodiment includes an information processing device 10 and an information providing device 20.
  • the information processing apparatus 10 and the information providing apparatus 20 can communicate via the communication network 931.
  • the information providing apparatus 20 provides a cloud service for learning processing to the information processing apparatus 10
  • this cloud service it is possible to execute learning processing and acquire learning results from a browser displayed by the information processing apparatus 10.
  • the present embodiment is not limited to such an example.
  • the cloud service provided to the information processing apparatus 10 by the information providing apparatus 20 may be performed by the information processing apparatus 10 by itself instead of the information providing apparatus 20.
  • the learning process is performed by selecting a data set and a learning setting and executing a parameter optimization algorithm on the data set and the learning setting.
  • the learning result includes learning settings and optimized parameters.
  • the learning setting includes a network structure. Also, as shown below, learning settings can also include optimization algorithms, error functions, regularization, mini-batch numbers, input data preprocessing, and the like.
  • hyper parameter means a parameter selected before the optimization algorithm is executed
  • parameter means a parameter optimized by the optimization algorithm, and depends on each layer of the network. Retained.
  • the network structure includes a graph structure showing a connection relation of each layer constituting the network, a type of each layer constituting the network, a shape of an output from each layer, a hyper parameter of each layer, and the like.
  • the graph structure indicating the connection relationship of each layer is a graph structure in which a layer (Affine layer or the like) is an edge, and a numerical group (for example, a vector, a tensor, or the like) that is an input to the layer and an output from the layer is a node. Equivalent to.
  • the maxout layer includes a 50-dimensional vector as an example of the shape of the output, and the number of values that take max in each dimension of the output as an example of the hyperparameter.
  • Optimized algorithm includes optimization algorithm type and hyperparameters.
  • An example of an optimization algorithm is adagrad.
  • An example of a hyperparameter of the optimization algorithm is a learning coefficient.
  • the error function includes the error function type and hyperparameter.
  • An example of the type of error function is a square error.
  • Regularization includes regularization types and hyperparameters.
  • An example of the type of regularization is L1 regularization.
  • Examples of regularization hyperparameters include regularization term coefficients.
  • the number of mini-batches corresponds to the number of data used in a single mini-batch when mini-batch learning is performed by optimization.
  • the input data preprocessing includes the type of input data preprocessing and hyper parameters. Examples of the types of input data preprocessing include normalization processing and pre-learning by Auto Encoder.
  • a search history is a set of search history trees.
  • the search history tree includes the same data set ID and various information corresponding thereto (for example, the learning setting, the performance of the learning setting obtained by the optimization algorithm, the execution time of the optimization algorithm, and the optimization algorithm executed immediately before. Set of learned learning settings, etc.).
  • Prediction accuracy is calculated by using the evaluation data set to calculate the value of the error function after performing the training process using the parameter training data set when parameter training (for learning) and evaluation are provided. It may be an average value of error function values calculated and calculated by each data sample.
  • the learning setting performance is not limited to the prediction accuracy.
  • the performance of the learning setting may be the number of parameters included in the learning setting (the smaller the number of parameters, the higher the performance), or the calculation amount from input to output in the network structure (the smaller the calculation amount, the lower the calculation amount). High performance).
  • the learning setting performance may be a memory size used from input to output in the network structure (the smaller the memory size, the higher the performance).
  • the learning setting performance may be any combination of the prediction accuracy, the number of parameters, the calculation amount, and the memory size.
  • the search history is accumulated in the cloud service.
  • the search history may include a search history for learning settings. Further, the search history may include a search history by a learning process executed based on the user's own operation and a search history of a learning process executed based on another user's operation.
  • the user specifies a data set corresponding to the problem to be solved.
  • the learning setting recommendation is provided to the user based on the search history.
  • the form of the information processing apparatus 10 is not particularly limited.
  • the information processing apparatus 10 may be a game machine, a smartphone, a mobile phone, a tablet terminal, or a PC (Personal Computer). May be.
  • the information providing apparatus 20 is assumed to be a computer such as a server.
  • FIG. 2 is a block diagram illustrating a functional configuration example of the information processing apparatus 10 according to the present embodiment.
  • the information processing apparatus 10 includes an operation unit 110, a control unit 120, a communication unit 130, a storage unit 140, and a display unit 150.
  • these functional blocks included in the information processing apparatus 10 will be described.
  • the operation unit 110 has a function of accepting user operations.
  • the operation unit 110 may include an input device such as a mouse and a keyboard.
  • the operation part 110 since it should just have the function to receive a user's operation, it may also include a touch panel.
  • the method employed by the touch panel is not particularly limited, and may be a capacitance method, a resistance film method, an infrared method, or an ultrasonic method.
  • the operation unit 110 may include a camera.
  • the control unit 120 executes control of each unit of the information processing apparatus 10. As illustrated in FIG. 2, the control unit 120 includes an operation acquisition unit 121, a transmission control unit 122, a data acquisition unit 123, and a display control unit 124. Details of these functional blocks included in the control unit 120 will be described later.
  • the control part 120 may be comprised with CPU (Central Processing Unit; Central processing unit) etc., for example.
  • CPU Central Processing Unit
  • the control unit 120 is configured by a processing device such as a CPU, the processing device may be configured by an electronic circuit.
  • the communication unit 130 has a function of performing communication with the information providing apparatus 20.
  • the communication unit 130 is configured by a communication interface.
  • the communication unit 130 can communicate with the information providing apparatus 20 via the communication network 931 (FIG. 1).
  • the storage unit 140 is a recording medium that stores a program executed by the control unit 120 and stores data necessary for executing the program.
  • the storage unit 140 temporarily stores data for calculation by the control unit 120.
  • the storage unit 140 may be a magnetic storage unit device, a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the display unit 150 has a function of displaying various information.
  • the display unit 150 may be a liquid crystal display, an organic EL (Electro-Luminescence) display, or an HMD (Head Mount Display).
  • the display unit 150 may be a display of another form as long as it has a function of displaying various types of information.
  • FIG. 3 is a block diagram illustrating a functional configuration example of the information providing apparatus 20 according to the present embodiment.
  • the information providing apparatus 20 includes a control unit 220, a communication unit 230, and a storage unit 240.
  • these functional blocks provided in the information providing apparatus 20 will be described.
  • the control unit 220 executes control of each unit of the information providing apparatus 20. As illustrated in FIG. 3, the control unit 220 includes an acquisition unit 221, a learning processing unit 222, a search processing unit 223, and a transmission control unit 224. Details of these functional blocks included in the control unit 220 will be described later.
  • the control unit 220 may be configured by, for example, a CPU (Central Processing Unit). When the control unit 220 is configured by a processing device such as a CPU, the processing device may be configured by an electronic circuit.
  • the communication unit 230 has a function of performing communication with the information processing apparatus 10.
  • the communication unit 230 is configured by a communication interface.
  • the communication unit 230 can communicate with the information processing apparatus 10 via the communication network 931 (FIG. 1).
  • the storage unit 240 is a recording medium that stores a program executed by the control unit 220 and stores data necessary for executing the program.
  • the storage unit 240 temporarily stores data for calculation by the control unit 220.
  • the storage unit 240 may be a magnetic storage unit device, a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • FIG. 4 is a diagram illustrating an example of a database stored by the storage unit 240 of the information providing apparatus 20.
  • the storage unit 240 includes a data set database 260 and a learning setting search history database 270.
  • the storage unit 240 also stores a user database 280.
  • the data set database 260 stores information in which the data set ID 261 and the data set 262 are associated with each other.
  • the learning setting search history database 270 stores information in which the data set ID 271, the learning setting 272, the accuracy 273, and the user ID 274 are associated with each other.
  • the user database 280 stores information in which the group ID 281 and the user ID 282 are associated with each other.
  • the user needs to register his / her user ID and his / her group ID in the user database 280. That is, the user database 280 stores information in which the user ID of the user is associated with the group ID to which the user belongs.
  • the user ID may be information that can uniquely identify the user, and may be a user account or the like.
  • information indicating the relationship with other users may be further registered.
  • a dataset is required to execute the learning process. Therefore, the user designates a data set to be used for the learning process when executing the learning process.
  • the data set designated by the user is uploaded to the information providing apparatus 20, the data set is associated with the data set ID 261 and stored as the data set 262.
  • learning settings are required to execute the learning process. Therefore, the user specifies learning settings when executing the learning process.
  • the learning setting designated by the user is uploaded to the information providing apparatus 20.
  • a learning process is executed by the learning processing unit 222 based on the data set and learning settings specified by the user. Further, in the information providing apparatus 20, after the learning process is executed, the accuracy of the learning setting obtained by the learning process is calculated, and the data set ID, the learning setting, the accuracy, and the user ID obtained by the learning process are calculated. , Data set ID 271, learning setting 272, accuracy 273, and user ID 274. The information providing apparatus 20 recommends learning settings to the user using various information stored in the database.
  • This embodiment may be applied to any scene.
  • the present embodiment can be applied to a situation in which a user registers a data set for image classification in the information providing apparatus 20 and causes the information providing apparatus 20 to execute a learning process to solve an image classification problem.
  • a part factory identifies whether a part is defective or not by image classification.
  • the data set includes photographs of a plurality of parts and labels indicating whether or not each photograph is defective.
  • the operation acquisition unit 121 acquires the operation.
  • Information related to the learning process specified by the user is controlled to be transmitted to the information providing apparatus 20 by the transmission control unit 122.
  • information related to the learning process is acquired by the acquisition unit 221, and related to the past learning process in which the similarity with the information related to the learning process is higher than a predetermined similarity by the search processing unit 223.
  • the learning setting corresponding to the information to be searched is searched.
  • the learning setting obtained by the search processing unit 223 is transmitted to the information processing apparatus 10 by the transmission control unit 224.
  • the data acquisition unit 123 acquires the learning setting received by the communication unit 130 as the learning setting of the recommendation target for the user.
  • the display control part 124 controls the display according to the learning setting of recommendation object. According to such a configuration, it is possible to shorten the time required for selecting the learning setting.
  • FIG. 5 is a diagram illustrating an example of a recommendation target learning setting display screen.
  • the learning setting display screen G ⁇ b> 10 displayed and controlled by the display control unit 124 displays the learning setting for the recommendation target (in the example illustrated in FIG. 5, the network structure, the optimization algorithm, the error function, the regularization, The number of mini-batches and input data pre-processing) and the accuracy of the learning setting for the recommendation target are included.
  • the specific contents of the information and search history related to the learning process specified by the user are not limited.
  • the information related to the learning process specified by the user includes a data set specified by the user, and the information related to the past learning process includes the data set used in the past learning process. May include.
  • the information related to the learning process may include a learning setting specified by the user, and the information related to the past learning process may include a learning setting in which the learning process has been performed in the past. .
  • the search processing unit 223 searches for a learning setting in which learning processing has been performed in the past using a data set whose similarity with a data set specified by the user is higher than a predetermined similarity. Obtained from the history, the transmission control unit 224 may control transmission of the learning setting acquired by the search processing unit 223 to the information processing apparatus 10. At this time, the data acquisition unit 123 may acquire the learning setting received from the information providing device 20 as the learning setting for the recommendation target.
  • the calculation of the similarity between the data sets may be performed in any way.
  • the similarity between the data sets may be calculated based on the similarity between the feature information of the data sets, may be calculated based on the similarity between the statistics of the data sets, or may be calculated by both. (For example, it may be calculated by the sum of both).
  • the feature information and statistics of the dataset may be registered in the dataset database 260 along with the dataset.
  • FIG. 6 is a diagram illustrating an example of a data set registration screen.
  • the data set registration screen G30 that is displayed and controlled by the display control unit 124 includes a directory G31 in which the data set is stored, and feature information of the data set (in the example shown in FIG. 6, the data type G32). , Task G33, data set description G34) and registration button G35.
  • the directory G31 in which the data set is stored is designated by the user, one of the items of the data type G32 is selected, one of the items of the task G33 is selected, and is freely described in the data set description G34. Assume that G35 is selected.
  • the statistics of the data set (for example, the number of learning samples, the average value of image sizes included in the learning data, the label bias value, etc.) is calculated by the learning processing unit 222, and the statistics of the data set and the data set
  • the feature information and the data set are registered in the data set database 260.
  • the similarity between the feature information of the data sets may be calculated in any way (the similarity between the statistics of the data sets may be calculated in the same manner as the similarity between the feature information of the data sets).
  • the similarity between the feature information of the data sets may be represented by discrete values. At this time, if the feature information of the data sets match, the similarity between the feature information of the data sets may be “1: similar”, and if the feature information of the data sets do not match, the data The similarity between sets of feature information may be “0: not similar”.
  • the similarity between the feature information of the data sets may be represented by continuous values.
  • the similarity between the feature information of the data sets may be expressed by exp ( ⁇ (Euclidean distance)) using the Euclidean distance between the feature information of the data sets.
  • the similarity between the feature information of the data sets may be represented by the cosine similarity of the bag of words vector converted from the text.
  • data other than the similarity between data sets may be additionally considered.
  • the search processing unit 223 has an accuracy higher than a predetermined accuracy among learning settings related to a learning process using a data set whose similarity with a data set specified by the user is higher than a predetermined similarity.
  • You may acquire the learning setting which has as a learning setting of recommendation object from search history.
  • the data acquisition part 123 may acquire the learning setting received from the information provision apparatus 20 as a learning setting of recommendation object.
  • the data acquisition unit 123 may acquire a plurality of learning settings received from the information providing apparatus 20 as a plurality of recommendation target learning settings.
  • the display control unit 124 may control the display according to the learning setting of the plurality of recommendation objects according to at least one of the similarity and the accuracy.
  • FIG. 7 is a diagram showing another example of the recommendation target learning setting display screen.
  • the learning setting display screen G ⁇ b> 40 displayed and controlled by the display control unit 124 has a network structure as an example of the recommendation target learning setting, the accuracy of the learning setting of the recommendation target, and the similarity between the data sets. It is included.
  • the learning settings may be arranged in a predetermined direction (for example, from top to bottom) in descending order of accuracy. Further, as shown in FIG. 7, the learning settings may be arranged in a predetermined direction (for example, from top to bottom) in descending order of the data set similarity.
  • the display of the learning setting for the recommendation target may be selectable by the user.
  • the display control unit 124 may control the display of the details of the learning setting for the recommendation target (such as the learning setting display screen G10 illustrated in FIG. 5).
  • the display control unit 124 displays a learning setting search history tree including the learning setting of the recommendation target (such as the learning setting search history tree display screen G50 illustrated in FIG. 9). The display may be controlled.
  • the information related to the learning process includes the learning setting specified by the user
  • the information related to the past learning process includes the learning setting in which the learning process has been performed in the past. Including.
  • the search processing unit 223 acquires from the search history a learning setting whose similarity with the learning setting specified by the user is higher than a predetermined similarity, and the transmission control unit 224 The transmission of the learning setting acquired by the unit 223 to the information processing apparatus 10 may be controlled.
  • the data acquisition unit 123 may acquire the learning setting received from the information providing device 20 as the learning setting for the recommendation target.
  • the calculation of the similarity between the learning settings may be performed in any manner.
  • the similarity between learning settings may be calculated by the sum of the similarities between corresponding elements in the two learning settings.
  • the similarity between elements may be calculated when the types of information included in the elements match (for example, the types of information included in the optimization algorithm are the type of learning algorithm and the value of the hyperparameter).
  • the calculation of the similarity between elements can be performed in the same manner as the calculation of the similarity between data sets.
  • the graph kernel technique described in the following reference can be used to calculate the similarity of the graph structure in the network structure.
  • the search processing unit 223 is a learning setting in which the similarity to the learning setting specified by the user is higher than a predetermined similarity, and the learning setting having higher accuracy than the learning setting specified by the user. You may acquire as learning setting of recommendation object from search history. And a data acquisition part may acquire the learning setting received from the information provision apparatus 20 as a learning setting of recommendation object.
  • the search processing unit 223 is a learning setting in which the similarity with the learning setting specified by the user is higher than a predetermined similarity, and the learning setting with the highest frequency of appearing in the learning setting search history database 270.
  • You may acquire as a learning setting of recommendation object.
  • a data acquisition part may acquire the learning setting received from the information provision apparatus 20 as a learning setting of recommendation object.
  • the search processing unit 223 is a learning setting in which the similarity to the learning setting specified by the user is higher than a predetermined similarity, and according to the accuracy and the frequency of appearance in the learning setting search history database 270.
  • the learning setting (for example, the learning setting that maximizes the product of the accuracy and the frequency of appearance in the learning setting search history database 270) may be acquired as the learning setting for the recommendation target.
  • a data acquisition part may acquire the learning setting received from the information provision apparatus 20 as a learning setting of recommendation object.
  • the display control unit 124 may control the display of the learning setting for the recommendation target.
  • the display control unit 124 may control the display of the learning setting display screen G10 as illustrated in FIG.
  • the display control part 124 may control the display of the difference of the learning setting of the recommendation object with respect to the learning setting designated by the user. Note that the display of the difference may be limited to a case where the similarity between learning settings is higher than a predetermined similarity.
  • FIG. 8 is a diagram showing another example of the recommended setting learning setting display screen.
  • the difference D1 indicates that “Tanh layer” included in the learning setting designated by the user is changed to “Relu layer”. It is displayed.
  • the learning setting display screen G20 displays a difference D2 indicating that the learning coefficient included in the learning setting designated by the user is changed to “0.1”.
  • the prediction accuracy is displayed for each difference on the learning setting display screen G20.
  • the prediction accuracy is calculated by calculating an average value of the past accuracy increase in the recommended change and applying the average value to the accuracy of the learning setting specified by the user.
  • the learning setting element to be recommended may be designated by the user. In this case, a change of only the designated element may be recommended.
  • the display of the recommended change may be selectable by the user.
  • the display control unit 124 may control the display of the details of the learning setting for the recommendation target (such as the learning setting display screen G10 illustrated in FIG. 5).
  • the display control unit 124 displays a learning setting search history tree (such as the learning setting search history tree display screen G50 illustrated in FIG. 9) including the learning setting of the recommendation target. May be controlled.
  • FIG. 9 is a diagram illustrating an example of a learning setting search history tree display screen. As illustrated in FIG. 9, the display control unit 124 can control the display of the learning setting search history tree display screen G50 as a learning setting search history tree including the learning setting of the recommendation target.
  • the learning setting of the recommendation target may be acquired. That is, the search processing unit 223 obtains the most accurate learning setting from the past learning setting search history tree whose similarity with the learning setting search history tree executed based on the user's operation is higher than the predetermined similarity. To do. And the data acquisition part 123 may acquire the learning setting received from the information provision apparatus 20 as a learning setting of recommendation object.
  • Similarity between learning setting search history trees may be calculated in any way.
  • the similarity between learning setting search history trees may be calculated by the sum of the similarities between corresponding learning settings in two learning setting search history trees. The calculation of the similarity between learning settings is as described above.
  • the similarity of the similarity calculation target is calculated by the sum of the similarities of the corresponding elements included in the similarity calculation target.
  • the influence of each element may be considered. That is, a weight scalar value is assigned to each element, and the similarity of the similarity calculation target is calculated by the weighted sum of the similarities between corresponding elements included in the similarity calculation target. May be.
  • the user can execute the learning process using the learning setting for the recommendation target.
  • a part selected from the learning setting for the recommendation target may be used for executing the learning process, or a plurality of learning settings for the recommendation target may be used in combination.
  • a parameter included in the recommendation target learning setting may be used as an initial value.
  • a group can be created by a user, and the created user becomes a host of the group.
  • the host can define users belonging to the group by inviting other users to the group.
  • the learning setting search history tree is referred to, but some users may not want to disclose their learning setting search history tree to all other users. In that case, the user performs an operation for designating the disclosure range of the learning setting search history tree.
  • the search processing unit 223 discloses the user's learning setting search history tree only to other users belonging to the same group as the user. Thereby, the access right to the learning setting search history tree can be controlled.
  • the learning setting search history tree accessible only to a user who has registered as a friend.
  • the user can make a setting such that a part of his / her learning setting search history tree is disclosed, a part is disclosed only to the group, and a part is not disclosed to other users.
  • FIG. 10 is a block diagram illustrating a hardware configuration example of the information processing apparatus 10 according to the embodiment of the present disclosure.
  • the information processing apparatus 10 includes a CPU (Central Processing unit) 801, a ROM (Read Only Memory) 803, and a RAM (Random Access Memory) 805.
  • the information processing apparatus 10 may also include a host bus 807, a bridge 809, an external bus 811, an interface 813, an input device 815, an output device 817, a storage device 819, a drive 821, a connection port 823, and a communication device 825.
  • the information processing apparatus 10 may include an imaging device 833 and a sensor 835 as necessary.
  • the information processing apparatus 10 may have a processing circuit called DSP (Digital Signal Processor) or ASIC (Application Specific Integrated Circuit) instead of or together with the CPU 801.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • the CPU 801 functions as an arithmetic processing device and a control device, and controls all or a part of the operation in the information processing device 10 according to various programs recorded in the ROM 803, the RAM 805, the storage device 819, or the removable recording medium 827.
  • the ROM 803 stores programs used by the CPU 801, calculation parameters, and the like.
  • the RAM 805 temporarily stores programs used in the execution of the CPU 801, parameters that change as appropriate during the execution, and the like.
  • the CPU 801, the ROM 803, and the RAM 805 are connected to each other by a host bus 807 configured by an internal bus such as a CPU bus. Further, the host bus 807 is connected to an external bus 811 such as a PCI (Peripheral Component Interconnect / Interface) bus via a bridge 809.
  • PCI Peripheral Component Interconnect / Interface
  • the input device 815 is a device operated by the user, such as a mouse, a keyboard, a touch panel, a button, a switch, and a lever.
  • the input device 815 may include a microphone that detects the user's voice.
  • the input device 815 may be, for example, a remote control device using infrared rays or other radio waves, or may be an external connection device 829 such as a mobile phone corresponding to the operation of the information processing device 10.
  • the input device 815 includes an input control circuit that generates an input signal based on information input by the user and outputs the input signal to the CPU 801. The user operates the input device 815 to input various data to the information processing device 10 or instruct a processing operation.
  • An imaging device 833 which will be described later, can also function as an input device by imaging a user's hand movement, a user's finger, and the like. At this time, the pointing position may be determined according to the movement of the hand or the direction of the finger.
  • the output device 817 is configured by a device that can notify the user of the acquired information visually or audibly.
  • the output device 817 includes, for example, an LCD (Liquid Crystal Display), a PDP (Plasma Display Panel), an organic EL (Electro-Luminescence) display, a display device such as a projector, a hologram display device, a sound output device such as a speaker and headphones, As well as a printer device.
  • the output device 817 outputs the result obtained by the processing of the information processing device 10 as a video such as text or an image, or outputs it as a sound or sound.
  • the output device 817 may include a light or the like for brightening the surroundings.
  • the storage device 819 is a data storage device configured as an example of a storage unit of the information processing device 10.
  • the storage device 819 includes, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the storage device 819 stores programs executed by the CPU 801, various data, various data acquired from the outside, and the like.
  • the drive 821 is a reader / writer for a removable recording medium 827 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, and is built in or externally attached to the information processing apparatus 10.
  • the drive 821 reads information recorded on the mounted removable recording medium 827 and outputs the information to the RAM 805. Further, the drive 821 writes a record in the attached removable recording medium 827.
  • the connection port 823 is a port for directly connecting a device to the information processing apparatus 10.
  • the connection port 823 can be, for example, a USB (Universal Serial Bus) port, an IEEE 1394 port, a SCSI (Small Computer System Interface) port, or the like.
  • the connection port 823 may be an RS-232C port, an optical audio terminal, an HDMI (registered trademark) (High-Definition Multimedia Interface) port, or the like.
  • the communication device 825 is a communication interface configured with a communication device for connecting to the communication network 931, for example.
  • the communication device 825 can be, for example, a communication card for wired or wireless LAN (Local Area Network), Bluetooth (registered trademark), or WUSB (Wireless USB).
  • the communication device 825 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), or a modem for various communication.
  • the communication device 825 transmits and receives signals and the like using a predetermined protocol such as TCP / IP with the Internet and other communication devices, for example.
  • the communication network 931 connected to the communication device 825 is a wired or wireless network, such as the Internet, home LAN, infrared communication, radio wave communication, or satellite communication.
  • the image pickup apparatus 833 uses various members such as an image pickup element such as a CCD (Charge Coupled Device) or a CMOS (Complementary Metal Oxide Semiconductor), and a lens for controlling the formation of a subject image on the image pickup element. It is an apparatus that images a real space and generates a captured image.
  • the imaging device 833 may capture a still image, or may capture a moving image.
  • the sensor 835 is, for example, various sensors such as an acceleration sensor, a gyro sensor, a geomagnetic sensor, an optical sensor, and a sound sensor.
  • the sensor 835 acquires information about the state of the information processing apparatus 10 itself, such as the attitude of the information processing apparatus 10, and information about the surrounding environment of the information processing apparatus 10, such as brightness and noise around the information processing apparatus 10. To do.
  • the sensor 835 may include a GPS sensor that receives a GPS (Global Positioning System) signal and measures the latitude, longitude, and altitude of the apparatus.
  • GPS Global Positioning System
  • FIG. 11 is a block diagram illustrating a hardware configuration example of the information providing apparatus 20 according to the embodiment of the present disclosure.
  • the information providing apparatus 20 includes a CPU (Central Processing unit) 901, a ROM (Read Only Memory) 903, and a RAM (Random Access Memory) 905. Further, the information providing apparatus 20 may include a host bus 907, a bridge 909, an external bus 911, an interface 913, a storage apparatus 919, a drive 921, a connection port 923, and a communication apparatus 925.
  • the information processing apparatus 10 may include a processing circuit called a DSP (Digital Signal Processor) or ASIC (Application Specific Integrated Circuit) instead of or in addition to the CPU 901.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • the CPU 901 functions as an arithmetic processing device and a control device, and controls all or a part of the operation within the information providing device 20 according to various programs recorded in the ROM 903, the RAM 905, the storage device 919, or the removable recording medium 927.
  • the ROM 903 stores programs and calculation parameters used by the CPU 901.
  • the RAM 905 temporarily stores programs used in the execution of the CPU 901, parameters that change as appropriate during the execution, and the like.
  • the CPU 901, the ROM 903, and the RAM 905 are connected to each other by a host bus 907 configured by an internal bus such as a CPU bus. Further, the host bus 907 is connected to an external bus 911 such as a PCI (Peripheral Component Interconnect / Interface) bus via a bridge 909.
  • PCI Peripheral Component Interconnect / Interface
  • the storage device 919 is a data storage device configured as an example of a storage unit of the information providing device 20.
  • the storage device 919 includes, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the storage device 919 stores programs executed by the CPU 901, various data, various data acquired from the outside, and the like.
  • the drive 921 is a reader / writer for a removable recording medium 927 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, and is built in or externally attached to the information providing apparatus 20.
  • the drive 921 reads information recorded on the attached removable recording medium 927 and outputs the information to the RAM 905.
  • the drive 921 writes a record in the attached removable recording medium 927.
  • the connection port 923 is a port for directly connecting a device to the information providing apparatus 20.
  • the connection port 923 can be, for example, a USB (Universal Serial Bus) port, an IEEE 1394 port, a SCSI (Small Computer System Interface) port, or the like.
  • the connection port 923 may be an RS-232C port, an optical audio terminal, an HDMI (registered trademark) (High-Definition Multimedia Interface) port, or the like.
  • the communication device 925 is a communication interface configured with, for example, a communication device for connecting to the communication network 931.
  • the communication device 925 can be, for example, a communication card for wired or wireless LAN (Local Area Network), Bluetooth (registered trademark), or WUSB (Wireless USB).
  • the communication device 925 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), or a modem for various communication.
  • the communication device 925 transmits and receives signals and the like using a predetermined protocol such as TCP / IP with the Internet and other communication devices, for example.
  • the communication network 931 connected to the communication device 925 is a wired or wireless network, such as the Internet, a home LAN, infrared communication, radio wave communication, or satellite communication.
  • the learning setting according to the similarity between the information related to the learning process specified by the user and the search history in the past learning process is set as a recommendation target for the user.
  • An information processing apparatus includes a data acquisition unit that is acquired as a learning setting, and a display control unit that controls display according to the learning setting of the recommendation target.
  • a high-performance learning setting is automatically determined.
  • the position of each component is not particularly limited.
  • the example in which the learning processing unit 222, the data set database 260, and the learning setting search history database 270 are provided in the information providing apparatus 20 has been described above.
  • some or all of the learning processing unit 222, the data set database 260, and the learning setting search history database 270 may be provided in the information processing apparatus 10.
  • the information processing system 1 may not include the information providing apparatus 20.
  • the following configurations also belong to the technical scope of the present disclosure.
  • (1) Data acquisition for acquiring learning settings corresponding to information related to past learning processes whose similarity to information related to learning processes specified by the user is higher than a predetermined similarity as learning settings for a user to be recommended
  • a display control unit that controls display according to the learning setting of the recommendation target;
  • An information processing apparatus comprising: (2) The data acquisition unit acquires the performance of learning setting of the recommendation target, The display control unit controls display of the performance; The information processing apparatus according to (1).
  • Information related to the learning process specified by the user includes a data set specified by the user;
  • the information related to the past learning process includes a data set used for the past learning process.
  • the data acquisition unit acquires, as the recommendation target learning setting, a learning setting in which learning processing has been performed in the past using a data set whose similarity with a data set specified by the user is higher than a predetermined similarity.
  • the data acquisition unit is higher than a predetermined performance among learning settings in which learning processing has been performed in the past using a data set whose similarity with a data set specified by the user is higher than a predetermined similarity Acquiring a learning setting having performance as a learning setting of the recommendation target; The information processing apparatus according to (4).
  • the display control unit controls display according to the learning setting of the plurality of recommendation targets according to at least one of the similarity and the performance when the learning setting of the recommendation target is acquired by the data acquisition unit. , The information processing apparatus according to (4) or (5). (7) The similarity is calculated based on the similarity of at least one of the feature information and statistics of the data sets, The information processing apparatus according to any one of (4) to (6). (8) The display control unit controls display of the similarity; The information processing apparatus according to any one of (4) to (7). (9) The information related to the learning process includes a learning setting specified by the user, The information related to the past learning process includes a learning setting in which the learning process has been performed in the past. The information processing apparatus according to (1) or (2).
  • the data acquisition unit acquires a learning setting whose similarity with a learning setting specified by the user is higher than a predetermined similarity as the learning setting of the recommendation target;
  • the data acquisition unit is a learning setting having a higher degree of similarity to a learning setting specified by the user than a predetermined similarity and having a higher performance than the learning setting specified by the user. Obtained as a learning setting for the recommendation object, The information processing apparatus according to (9) or (10).
  • (12) The data acquisition unit is a learning setting whose similarity with a learning setting specified by the user is higher than a predetermined similarity, and which has the highest frequency of appearing in the learning setting search history. Get as learning settings for The information processing apparatus according to (9) or (10).
  • the data acquisition unit is a learning setting whose similarity with the learning setting specified by the user is higher than a predetermined similarity, and the learning setting according to the performance and the frequency of appearance in the learning setting search history Obtained as a learning setting for the recommendation object,
  • the information processing apparatus according to (9) or (10).
  • the display control unit controls the display of the learning setting of the recommendation target or the display of the difference of the learning setting of the recommendation target with respect to the learning setting specified by the user;
  • the information processing apparatus according to any one of (9) to (13).
  • the display control unit is configured to display a learning setting search history tree including the learning setting of the recommendation object or learning of the recommendation object when display of the learning setting of the recommendation object or display of the difference is selected by a user.
  • the display control unit controls display of a learning setting search history tree including learning settings of the recommendation target; The information processing apparatus according to any one of (1) to (15).
  • the data acquisition unit acquires a learning setting with the highest performance from a past learning setting search history tree whose similarity with a learning setting search history tree executed based on the user's operation is higher than a predetermined similarity.
  • the information processing apparatus includes: An operation acquisition unit that acquires an operation for specifying a disclosure range of a learning setting search history executed based on the user's operation; The information processing apparatus according to (1).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • User Interface Of Digital Computer (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】学習設定の選択に要する時間を短縮することが可能な技術が提供されることが望まれる。 【解決手段】ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得するデータ取得部と、前記推薦対象の学習設定に応じた表示を制御する表示制御部と、を備える、情報処理装置が提供される。

Description

情報処理装置、情報処理方法および情報提供方法
　本開示は、情報処理装置、情報処理方法および情報提供方法に関する。
　近年、ニューラルネットワークを用いた学習に関する技術として様々な技術が存在する（例えば、特許文献１参照）。ニューラルネットワークは大きく三つの層（入力層、中間層および出力層）に分けられる。このうち、中間層を複数有するネットワークを用いた学習は、Ｄｅｅｐ　Ｌｅａｒｎｉｎｇと呼ばれている。
特開平５－１３５０００号公報
　ここで、Ｄｅｅｐ　Ｌｅａｒｎｉｎｇにおいては、学習設定の選択が重要である。しかし、学習設定を選択するための指標を得るためには、長時間を要する学習処理を実行する必要があるのが一般的である。そこで、学習設定の選択に要する時間を短縮することが可能な技術が提供されることが望まれる。
　本開示によれば、ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得するデータ取得部と、前記推薦対象の学習設定に応じた表示を制御する表示制御部と、を備える、情報処理装置が提供される。
　本開示によれば、ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得することと、プロセッサにより、前記推薦対象の学習設定に応じた表示を制御することと、を含む、情報処理方法が提供される。
　本開示によれば、ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として検索することと、プロセッサにより、前記推薦対象の学習設定の送信を制御することと、を含む、情報提供方法が提供される。
　以上説明したように本開示によれば、適切な学習設定の選択に要する時間を短縮することが可能な技術が提供される。なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
本開示の一実施形態に係る情報処理システムの構成例を示す図である。 同実施形態に係る情報処理装置の機能構成例を示すブロック図である。 同実施形態に係る情報提供装置の機能構成例を示すブロック図である。 情報提供装置の記憶部によって記憶されるデータベースの例を示す図である。 推薦対象の学習設定表示画面の例を示す図である。 データセット登録画面の例を示す図である。 推薦対象の学習設定表示画面の他の例を示す図である。 推薦対象の学習設定表示画面の他の例を示す図である。 学習設定探索履歴ツリー表示画面の例を示す図である。 情報処理装置のハードウェア構成について説明する。 情報提供装置のハードウェア構成について説明する。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　また、本明細書および図面において、実質的に同一の機能構成を有する複数の構成要素を、同一の符号の後に異なる数字を付して区別する場合もある。ただし、実質的に同一の機能構成を有する複数の構成要素の各々を特に区別する必要がない場合、同一符号のみを付する。
　なお、説明は以下の順序で行うものとする。
　０．背景
　１．本開示の実施形態
　　１．１．システム構成例
　　１．２．機能構成例
　　１．３．情報処理システムの機能詳細
　　１．４．ハードウェア構成例
　２．むすび
　＜０．背景＞
　ニューラルネットワークを用いた学習に関する技術として様々な技術が存在する（例えば、特開平５－１３５０００号公報参照）。ニューラルネットワークは大きく三つの層（入力層、中間層および出力層）に分けられる。このうち、中間層を複数有するネットワークを用いた学習は、Ｄｅｅｐ　Ｌｅａｒｎｉｎｇと呼ばれている。
　Ｄｅｅｐ　Ｌｅａｒｎｉｎｇにおいては、学習設定の選択が重要である。しかし、学習設定を選択するための指標を得るためには、長時間を要する学習処理を実行する必要があるのが一般的である。そこで、本明細書においては、学習設定の選択に要する時間を短縮することが可能な技術について主に説明する。なお、本明細書においては、学習としてＤｅｅｐ　Ｌｅａｒｎｉｎｇを用いることを主に想定するが、学習の形態は、特にＤｅｅｐ　Ｌｅａｒｎｉｎｇに限定されない。
　＜１．本開示の実施形態＞
　［１．１．システム構成例］
　まず、図面を参照しながら本開示の一実施形態に係る情報処理システムの構成例について説明する。図１は、本開示の一実施形態に係る情報処理システムの構成例を示す図である。図１に示したように、本実施形態に係る情報処理システム１は、情報処理装置１０および情報提供装置２０を備える。情報処理装置１０および情報提供装置２０は、通信ネットワーク９３１を介して通信を行うことが可能である。
　本明細書においては、情報提供装置２０が情報処理装置１０に学習処理のクラウドサービスを提供する例を説明する。本クラウドサービスにおいては、情報処理装置１０によって表示されるブラウザから学習処理の実行と学習結果の取得を行うことが可能である。しかし、本実施形態は、かかる例に限定されない。例えば、情報提供装置２０によって情報処理装置１０に提供されるクラウドサービスは、情報提供装置２０の代わりに、情報処理装置１０によって自ら行われてもよい。
　学習処理は、データセットおよび学習設定を選択し、データセットおよび学習設定に対してパラメータ最適化アルゴリズムを実行することによって実施される。学習結果は、学習設定と最適化されたパラメータとを含む。また、学習設定は、ネットワーク構造を含む。また、以下に示すように、学習設定は、最適化アルゴリズム、誤差関数、正則化、ミニバッチ数および入力データ前処理などをも含み得る。
　なお、以下の説明において、「ハイパーパラメータ」は、最適化アルゴリズムの実施前に選択されるパラメータを意味し、「パラメータ」は、最適化アルゴリズムによって最適化されるパラメータを意味し、ネットワークの各層によって保持される。
　ネットワーク構造は、ネットワークを構成する各層の連結関係を示すグラフ構造、ネットワークを構成する各層の種類、各層からの出力の形状、各層のハイパーパラメータなどを含む。ここで、各層の連結関係を示すグラフ構造は、層（Ａｆｆｉｎｅ層など）をエッジとし、層に対する入力および層からの出力となる数値群（例えば、ベクトル、テンソルなど）をノードとしたグラフ構造に相当する。
　各層の種類の例としては、ｍａｘｏｕｔ層が挙げられる。ｍａｘｏｕｔ層は、出力の形状の例として、５０次元ベクトルが挙げられ、ハイパーパラメータの例として、出力の各次元でｍａｘを取る値の数が挙げられる。
　最適化アルゴリズムは、最適化アルゴリズムの種類およびハイパーパラメータを含む。最適化アルゴリズムの例としては、ａｄａｇｒａｄが挙げられる。最適化アルゴリズムのハイパーパラメータの例としては、学習係数が挙げられる。
　誤差関数は、誤差関数の種類およびハイパーパラメータを含む。誤差関数の種類の例としては、二乗誤差が挙げられる。
　正則化は、正則化の種類およびハイパーパラメータを含む。正則化の種類の例としては、Ｌ１正則化が挙げられる。正則化のハイパーパラメータの例としては、正則化項の係数が挙げられる。
　ミニバッチ数は、最適化でミニバッチ学習を行う場合において１回のミニバッチで使用されるデータ数に相当する。
　入力データ前処理は、入力データ前処理の種類およびハイパーパラメータを含む。入力データ前処理の種類の例としては、正規化処理、Ａｕｔｏ　Ｅｎｃｏｄｅｒによる事前学習などが挙げられる。
　本明細書においては、上記のクラウドサービスを複数のユーザが利用し、学習設定の探索履歴を複数のユーザの間で共有することを考える。探索履歴は、探索履歴ツリーの集合である。また、探索履歴ツリーは、同一のデータセットＩＤとそれに対応する各種情報（例えば、学習設定、最適化アルゴリズムにより得られた学習設定の性能、最適化アルゴリズムの実行時刻および直前に最適化アルゴリズムが実行された学習設定など）の集合である。
　本明細書においては、学習設定の性能として予測精度を用いる場合を主に説明する。予測精度は、データセットとしてパラメータ訓練用（学習用）と評価用とが設けられる場合に、パラメータ訓練用データセットを用いた学習処理の実行後に、評価用データセットを用いて誤差関数の値を算出し、各データサンプルによって算出された誤差関数の値の平均値であってよい。しかし、学習設定の性能は予測精度に限定されない。
　学習設定の性能は、学習設定に含まれるパラメータ数であってもよいし（パラメータ数が小さいほど高性能）、ネットワーク構造における入力から出力までの計算量であってもよい（計算量が少ないほど高性能）。あるいは、学習設定の性能は、ネットワーク構造における入力から出力までに利用されるメモリサイズであってもよい（メモリサイズが小さいほど高性能）。あるいは、学習設定の性能は、予測精度、パラメータ数、計算量およびメモリサイズのうちの任意の組み合わせであってもよい。
　本実施形態においては、クラウドサービスにおいて探索履歴が蓄積される。探索履歴には、学習設定の探索履歴が含まれ得る。また、探索履歴には、ユーザ自身の操作に基づいて実行された学習処理による探索履歴および他のユーザの操作に基づいて実行された学習処理の探索履歴が含まれ得る。ユーザは解決したい問題に対応するデータセットを指定する。そして、ユーザが学習設定を定めるに際して、探索履歴に基づいて学習設定の推薦がユーザに提供される。
　なお、情報処理装置１０の形態は特に限定されない。例えば、情報処理装置１０は、ゲーム機であってもよいし、スマートフォンであってもよいし、携帯電話であってもよいし、タブレット端末であってもよいし、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）であってもよい。また、情報提供装置２０は、サーバなどのコンピュータであることが想定される。
　以上、本実施形態に係る情報処理システム１の構成例について説明した。
　［１．２．機能構成例］
　続いて、本実施形態に係る情報処理装置１０の機能構成例について説明する。図２は、本実施形態に係る情報処理装置１０の機能構成例を示すブロック図である。図２に示したように、情報処理装置１０は、操作部１１０、制御部１２０、通信部１３０、記憶部１４０および表示部１５０を備える。以下、情報処理装置１０が備えるこれらの機能ブロックについて説明する。
　操作部１１０は、ユーザの操作を受け付ける機能を有する。例えば、操作部１１０は、マウス、キーボードなどの入力装置を含んでよい。また、操作部１１０は、ユーザの操作を受け付ける機能を有していればよいため、タッチパネルを含んでもよい。タッチパネルが採用する方式は特に限定されず、静電容量方式であってもよいし、抵抗膜方式であってもよいし、赤外線方式であってもよいし、超音波方式であってもよい。また、操作部１１０は、カメラを含んでもよい。
　制御部１２０は、情報処理装置１０の各部の制御を実行する。図２に示したように、制御部１２０は、操作取得部１２１、送信制御部１２２、データ取得部１２３および表示制御部１２４を有する。制御部１２０が有するこれらの機能ブロックの詳細は後に説明する。なお、制御部１２０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ；中央演算処理装置）などで構成されていてよい。制御部１２０がＣＰＵなどといった処理装置によって構成される場合、かかる処理装置は、電子回路によって構成されてよい。
　通信部１３０は、情報提供装置２０との間で通信を行う機能を有する。例えば、通信部１３０は、通信インターフェースにより構成される。例えば、通信部１３０は、通信ネットワーク９３１（図１）を介して、情報提供装置２０との間で通信を行うことが可能である。
　記憶部１４０は、制御部１２０によって実行されるプログラムを記憶したり、プログラムの実行に必要なデータを記憶したりする記録媒体である。また、記憶部１４０は、制御部１２０による演算のためにデータを一時的に記憶する。記憶部１４０は、磁気記憶部デバイスであってもよいし、半導体記憶デバイスであってもよいし、光記憶デバイスであってもよいし、光磁気記憶デバイスであってもよい。
　表示部１５０は、各種情報を表示する機能を有する。例えば、表示部１５０は、液晶ディスプレイであってもよいし、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイであってもよいし、ＨＭＤ（Ｈｅａｄ　Ｍｏｕｎｔ　Ｄｉｓｐｌａｙ）であってもよい。しかし、表示部１５０は、各種情報を表示する機能を有すれば、他の形態のディスプレイであってもよい。
　以上、本実施形態に係る情報処理装置１０の機能構成例について説明した。
　続いて、本実施形態に係る情報提供装置２０の機能構成例について説明する。図３は、本実施形態に係る情報提供装置２０の機能構成例を示すブロック図である。図３に示したように、情報提供装置２０は、制御部２２０、通信部２３０および記憶部２４０を備える。以下、情報提供装置２０が備えるこれらの機能ブロックについて説明する。
　制御部２２０は、情報提供装置２０の各部の制御を実行する。図３に示したように、制御部２２０は、取得部２２１、学習処理部２２２、検索処理部２２３および送信制御部２２４を有する。制御部２２０が有するこれらの機能ブロックの詳細は後に説明する。なお、制御部２２０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ；中央演算処理装置）などで構成されていてよい。制御部２２０がＣＰＵなどといった処理装置によって構成される場合、かかる処理装置は、電子回路によって構成されてよい。
　通信部２３０は、情報処理装置１０との間で通信を行う機能を有する。例えば、通信部２３０は、通信インターフェースにより構成される。例えば、通信部２３０は、通信ネットワーク９３１（図１）を介して、情報処理装置１０との間で通信を行うことが可能である。
　記憶部２４０は、制御部２２０によって実行されるプログラムを記憶したり、プログラムの実行に必要なデータを記憶したりする記録媒体である。また、記憶部２４０は、制御部２２０による演算のためにデータを一時的に記憶する。記憶部２４０は、磁気記憶部デバイスであってもよいし、半導体記憶デバイスであってもよいし、光記憶デバイスであってもよいし、光磁気記憶デバイスであってもよい。
　以上、本実施形態に係る情報提供装置２０の機能構成例について説明した。
　［１．３．情報処理システムの機能詳細］
　続いて、情報処理システム１の機能詳細について説明する。図４は、情報提供装置２０の記憶部２４０によって記憶されるデータベースの例を示す図である。図４に示すように、記憶部２４０は、データセットデータベース２６０と学習設定探索履歴データベース２７０とを含む。また、記憶部２４０は、ユーザデータベース２８０を記憶する。
　データセットデータベース２６０は、データセットＩＤ２６１とデータセット２６２とが関連付けられた情報を格納する。また、学習設定探索履歴データベース２７０は、データセットＩＤ２７１と学習設定２７２と精度２７３とユーザＩＤ２７４とが関連付けられた情報を格納する。ユーザデータベース２８０は、グループＩＤ２８１とユーザＩＤ２８２とが関連付けられた情報を格納する。
　ユーザは、自身のユーザＩＤと自身の所属するグループＩＤとをユーザデータベース２８０に登録する必要がある。すなわち、ユーザデータベース２８０には、ユーザ自身のユーザＩＤとユーザ自身の所属するグループＩＤとが関連付けられた情報が格納されている。ユーザＩＤは、ユーザを一意に識別可能な情報であればよく、ユーザのアカウントなどであってよい。また、ユーザデータベース２８０には、他のユーザとの関係性を示す情報がさらに登録されてもよい。
　学習処理の実行にはデータセットが必要となる。そこで、ユーザは、学習処理の実行に際して、学習処理に用いるデータセットを指定する。ユーザによって指定されたデータセットが情報提供装置２０にアップロードされると、データセットＩＤ２６１と関連付けられてデータセット２６２として格納される。また、学習処理の実行には学習設定が必要となる。そこで、ユーザは、学習処理の実行に際して、学習設定を指定する。ユーザによって指定された学習設定は、情報提供装置２０にアップロードされる。
　情報提供装置２０においては、ユーザによって指定されたデータセットおよび学習設定に基づいて学習処理が学習処理部２２２によって実行される。また、情報提供装置２０においては、学習処理が実行された後は、学習処理によって得られた学習設定の精度が算出され、データセットＩＤ、学習処理によって得られた学習設定、精度およびユーザＩＤが、データセットＩＤ２７１、学習設定２７２、精度２７３およびユーザＩＤ２７４として格納される。情報提供装置２０においては、かかるデータベースに格納された各種情報を用いて、ユーザに学習設定を推薦する。
　本実施形態はどのような場面に適用されてもよい。例えば、本実施形態は、ユーザが画像分類用のデータセットを情報提供装置２０に登録し、情報提供装置２０に学習処理を実行させて画像分類問題を解決する場面に適用され得る。一例として、部品工場において部品が欠陥品か否かの識別を画像分類によって行う場合が想定される。かかる場合、データセットには、複数の部品の写真と各写真に対する欠陥品か否かを示すラベルとが含まれる。このデータセットを利用してクラウドサービスから取得された学習結果を利用すれば、工場のラインにおいて部品の画像から部品が欠陥品か否かの予測を実行できるようになる。
　具体的に、本実施形態において、ユーザが学習処理に関連する情報を指定する操作を行うと、操作取得部１２１によってかかる操作が取得される。ユーザによって指定された学習処理に関連する情報は、送信制御部１２２によって情報提供装置２０に送信制御される。情報提供装置２０においては、取得部２２１によって学習処理に関連する情報が取得され、検索処理部２２３によって学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定が検索される。
　検索処理部２２３によって得られた学習設定は、送信制御部２２４によって情報処理装置１０に送信制御される。情報処理装置１０において、通信部１３０によって学習設定が受信されると、データ取得部１２３は、通信部１３０によって受信された学習設定をユーザへの推薦対象の学習設定として取得する。そして、表示制御部１２４は、推薦対象の学習設定に応じた表示を制御する。かかる構成によれば、学習設定の選択に要する時間を短縮することが可能となる。
　このとき、データ取得部１２３は、推薦対象の学習設定の精度を探索履歴から取得し、表示制御部１２４は、精度の表示を制御するとよい。図５は、推薦対象の学習設定表示画面の例を示す図である。図５を参照すると、表示制御部１２４によって表示制御される学習設定表示画面Ｇ１０には、推薦対象の学習設定（図５に示した例では、ネットワーク構造、最適化アルゴリズム、誤差関数、正則化、ミニバッチ数および入力データ前処理）と推薦対象の学習設定の精度とが含まれている。
　ここで、ユーザによって指定される学習処理に関連する情報および探索履歴の具体的な内容は限定されない。第一の例として、ユーザによって指定される学習処理に関連する情報は、ユーザによって指定されるデータセットを含み、過去の学習処理に関連する情報は、過去の学習処理に用いられたデータセットを含んでよい。また、第二の例として、学習処理に関連する情報は、ユーザによって指定される学習設定を含み、過去の学習処理に関連する情報は、過去に学習処理が実施された学習設定を含んでよい。まず、第一の例について説明する。
　例えば、第一の例において、検索処理部２２３は、ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いて過去に学習処理が実施された学習設定を探索履歴から取得し、送信制御部２２４は、検索処理部２２３によって取得された学習設定の情報処理装置１０への送信を制御してよい。このとき、データ取得部１２３は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。ここで、データセット同士の類似度の算出はどのようになされてもよい。
　一例として、データセット同士の類似度は、データセットの特徴情報同士の類似度によって算出されてもよいし、データセットの統計量同士の類似度によって算出されてもよいし、双方によって算出されてもよい（例えば、双方の和によって算出されてもよい）。例えば、データセットの特徴情報および統計量は、データセットとともにデータセットデータベース２６０に登録されてよい。図６は、データセット登録画面の例を示す図である。
　図６に示すように、表示制御部１２４によって表示制御されるデータセット登録画面Ｇ３０には、データセットが格納されたディレクトリＧ３１、データセットの特徴情報（図６に示した例では、データタイプＧ３２、タスクＧ３３およびデータセットの説明Ｇ３４）および登録ボタンＧ３５が含まれる。
　ユーザによって、データセットが格納されたディレクトリＧ３１が指定され、データタイプＧ３２の項目のいずれかが選択され、タスクＧ３３の項目のいずれかが選択され、データセットの説明Ｇ３４に自由記述され、登録ボタンＧ３５が選択された場合を想定する。かかる場合、学習処理部２２２によってデータセットの統計量（例えば、学習サンプルの数、学習データに含まれる画像サイズの平均値、ラベルの偏り値など）が算出され、データセットの統計量とデータセットの特徴情報とデータセットとがデータセットデータベース２６０に登録される。
　データセットの特徴情報同士の類似度はどのように算出されてもよい（データセットの統計量同士の類似度もデータセットの特徴情報同士の類似度と同様に算出され得る。）。例えば、データセットの特徴情報同士の類似度は離散値によって表されてもよい。このとき、データセットの特徴情報同士が一致すれば、データセットの特徴情報同士の類似度は「１：類似している」であってよく、データセットの特徴情報同士が一致しなければ、データセットの特徴情報同士の類似度は「０：類似していない」であってよい。
　あるいは、データセットの特徴情報同士の類似度は連続値によって表されてもよい。このとき、データセットの特徴情報同士の類似度は、データセットの特徴情報同士のユークリッド距離を用いて、ｅｘｐ（－（ユークリッド距離））によって表されてよい。あるいは、データセットの特徴情報がテキスト情報である場合、データセットの特徴情報同士の類似度は、テキストから変換されたｂａｇ　ｏｆ　ｗｏｒｄｓベクトルのコサイン類似度によって表されてもよい。
　また、データセット同士の類似度以外のデータが追加的に考慮されてもよい。例えば、検索処理部２２３は、ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いた学習処理に関連する学習設定のうち、所定の精度よりも高い精度を有する学習設定を探索履歴から推薦対象の学習設定として取得してもよい。そして、データ取得部１２３は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。
　また、検索処理部２２３によって学習設定が複数取得される場合も想定される。すなわち、データ取得部１２３は、情報提供装置２０から受信された複数の学習設定を複数の推薦対象の学習設定として取得する場合がある。かかる場合、表示制御部１２４は、類似度および精度の少なくともいずれか一方に従って当該複数の推薦対象の学習設定に応じた表示を制御してもよい。
　図７は、推薦対象の学習設定表示画面の他の例を示す図である。図７を参照すると、表示制御部１２４によって表示制御される学習設定表示画面Ｇ４０には、推薦対象の学習設定としての例としてのネットワーク構造と推薦対象の学習設定の精度とデータセット同士の類似度が含まれている。図７に示したように、学習設定は、精度の高い順に所定方向（例えば、上から下に）に配置されてよい。また、図７に示したように、学習設定は、データセット類似度の高い順に所定方向（例えば、上から下に）に配置されてよい。
　なお、推薦対象の学習設定の表示は、ユーザによって選択可能であってもよい。推薦対象の学習設定の表示が選択された場合、表示制御部１２４は、推薦対象の学習設定の詳細（図５に示した学習設定表示画面Ｇ１０など）の表示を制御してもよい。あるいは、推薦対象の学習設定の表示が選択された場合、表示制御部１２４は、推薦対象の学習設定を含む学習設定探索履歴ツリー（図９に示した学習設定探索履歴ツリー表示画面Ｇ５０など）の表示を制御してもよい。
　続いて、第二の例について説明する。上記したように、第二の例において、学習処理に関連する情報は、ユーザによって指定される学習設定を含み、過去の学習処理に関連する情報は、過去に学習処理が実施された学習設定を含む。
　例えば、第二の例において、検索処理部２２３は、ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定を探索履歴から取得し、送信制御部２２４は、検索処理部２２３によって取得された学習設定の情報処理装置１０への送信を制御してよい。このとき、データ取得部１２３は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。ここで、学習設定同士の類似度の算出はどのようになされてもよい。
　一例として、学習設定同士の類似度は、２つの学習設定において対応する要素同士の類似度の和によって算出されてもよい。要素同士の類似度は、要素に含まれる情報の種類が一致する場合に算出されてよい（例えば、最適化アルゴリズムに含まれる情報の種類は、学習アルゴリズムの種類とハイパーパラメータの値である）。要素同士の類似度の算出は、データセット同士の類似度の算出と同様になされ得る。ネットワーク構造におけるグラフ構造の類似度の算出には、下記参考文献に記載のグラフカーネル手法が利用され得る。
　（参考文献）鹿島久嗣，「カーネル法による構造データの解析」，電子情報通信学会技術研究報告．ＰＲＭＵ，パターン認識・メディア理解１０４（６７０），６１－６６，２００５－０２－１８．
　また、学習設定同士の類似度以外のデータが追加的に考慮されてもよい。例えば、検索処理部２２３は、ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、ユーザによって指定される学習設定よりも高い精度を有する学習設定を探索履歴から推薦対象の学習設定として取得してもよい。そして、データ取得部は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。
　あるいは、検索処理部２２３は、ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、学習設定探索履歴データベース２７０に登場する頻度が最も高い学習設定を推薦対象の学習設定として取得してもよい。そして、データ取得部は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。
　また、精度と頻度との双方が考慮されてもよい。例えば、検索処理部２２３は、ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、精度と学習設定探索履歴データベース２７０に登場する頻度とに応じた学習設定（例えば、精度と学習設定探索履歴データベース２７０に登場する頻度との積が最大となる学習設定）を推薦対象の学習設定として取得してもよい。そして、データ取得部は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。
　表示制御部１２４は、推薦対象の学習設定の表示を制御してよい。例えば、表示制御部１２４は、図５に示したような学習設定表示画面Ｇ１０の表示を制御してよい。あるいは、表示制御部１２４は、ユーザによって指定される学習設定に対する推薦対象の学習設定の差分の表示を制御してもよい。なお、差分の表示がなされる場合としては、学習設定同士の類似度が所定の類似度よりも高い場合に限定されてよい。
　図８は、推薦対象の学習設定表示画面の他の例を示す図である。図８を参照すると、表示制御部１２４によって表示制御される学習設定表示画面Ｇ２０には、ユーザによって指定される学習設定に含まれる「Ｔａｎｈ層」を「Ｒｅｌｕ層」に変更する旨が差分Ｄ１として表示されている。また、学習設定表示画面Ｇ２０には、ユーザによって指定される学習設定に含まれる学習係数を「０．１」に変更する旨が差分Ｄ２として表示されている。
　学習設定表示画面Ｇ２０には、それぞれの差分に対して予測精度が表示されている。予測精度は、推薦された変更における過去の精度の上昇の平均値を算出し、ユーザによって指定される学習設定の精度にその平均値を適用することによって計算される。また、ユーザによって推薦対象の学習設定要素が指定可能にされてもよい。この場合、指定された要素のみの変更が推薦されてもよい。
　なお、推薦された変更（差分Ｄ１または差分Ｄ２）の表示は、ユーザによって選択可能であってもよい。推薦された変更が選択された場合、表示制御部１２４は、推薦対象の学習設定の詳細（図５に示した学習設定表示画面Ｇ１０など）の表示を制御してもよい。あるいは、推薦された変更の表示が選択された場合、表示制御部１２４は、推薦対象の学習設定を含む学習設定探索履歴ツリー（図９に示した学習設定探索履歴ツリー表示画面Ｇ５０など）の表示を制御してもよい。
　上記においては、推薦対象の学習設定が表示される例を説明した。しかし、表示制御部１２４は、推薦対象の学習設定を含む学習設定探索履歴ツリーの表示を制御してもよい。図９は、学習設定探索履歴ツリー表示画面の例を示す図である。図９に示すように、表示制御部１２４は、推薦対象の学習設定を含む学習設定探索履歴ツリーとして学習設定探索履歴ツリー表示画面Ｇ５０の表示を制御することが可能である。
　また、上記においては、データセット同士の類似度および学習設定同士の類似度に基づいて、推薦対象の学習設定が取得される例を説明したが、学習設定探索履歴ツリー同士の類似度に基づいて、推薦対象の学習設定が取得されるようにしてもよい。すなわち、検索処理部２２３は、ユーザの操作に基づいて実行された学習設定探索履歴ツリーとの類似度が所定の類似度よりも高い過去の学習設定探索履歴ツリーから最も精度の高い学習設定を取得する。そして、データ取得部１２３は、情報提供装置２０から受信された学習設定を推薦対象の学習設定として取得してよい。
　学習設定探索履歴ツリー同士の類似度はどのように算出されてもよい。例えば、学習設定探索履歴ツリー同士の類似度は、２つの学習設定探索履歴ツリーにおいて対応する学習設定同士の類似度の和によって算出されてもよい。学習設定同士の類似度の算出については、既に説明した通りである。
　なお、上記においては、類似度算出対象の類似度が、類似度算出対象に含まれる対応する要素同士の類似度の和によって算出される例を説明した。しかし、各要素の影響が考慮されてもよい。すなわち、各要素に重みスカラー値を割り当て、類似度算出対象の類似度は、類似度算出対象に含まれる対応する要素同士の類似度の重み付き和によって、類似度算出対象の類似度が算出されてもよい。
　推薦対象の学習設定が表示されると、ユーザは、推薦対象の学習設定を利用して学習処理を実行させることが可能である。例えば、推薦対象の学習設定から選択された一部が学習処理の実行に利用されてもよいし、複数の推薦対象の学習設定が組み合わされて利用されてもよい。また、推薦対象の学習設定に含まれるパラメータが初期値として利用されてもよい。
　続いて、グループとユーザフレンド情報に基づく探索履歴へのアクセス方法について説明する。本クラウドサービスでは、グループとユーザフレンド登録をすることができる。グループは、ユーザが作成することができ、作成したユーザがグループのホストとなる。ホストは、他のユーザをグループに招待することによって、グループに所属するユーザを定めることができる。
　上記においては、学習設定探索履歴ツリーが参照されたが、ユーザによっては他のユーザ全員には自身の学習設定探索履歴ツリーを公開したくない場合がある。その場合、ユーザは、学習設定探索履歴ツリーの公開範囲を指定するための操作を行う。操作取得部１２１によってかかる操作が取得されると、検索処理部２２３は、ユーザと同じグループに属する他のユーザに対してのみユーザの学習設定探索履歴ツリーを公開する。これによって、学習設定探索履歴ツリーに対するアクセス権をコントロールすることができる。
　同様に、ユーザがフレンド登録したユーザに対してのみ自身の学習設定探索履歴ツリーをアクセス可能とすることができる。また、ユーザは、自身の学習設定探索履歴ツリーのうち一部を公開し、一部をグループのみに公開し、一部を他のユーザに公開しない、といった設定をすることも可能である。
　［１．４．ハードウェア構成例］
　次に、図１０を参照して、本開示の実施形態に係る情報処理装置１０のハードウェア構成について説明する。図１０は、本開示の実施形態に係る情報処理装置１０のハードウェア構成例を示すブロック図である。
　図１０に示すように、情報処理装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）８０１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）８０３、およびＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）８０５を含む。また、情報処理装置１０は、ホストバス８０７、ブリッジ８０９、外部バス８１１、インターフェース８１３、入力装置８１５、出力装置８１７、ストレージ装置８１９、ドライブ８２１、接続ポート８２３、通信装置８２５を含んでもよい。さらに、情報処理装置１０は、必要に応じて、撮像装置８３３、およびセンサ８３５を含んでもよい。情報処理装置１０は、ＣＰＵ８０１に代えて、またはこれとともに、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）またはＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）と呼ばれるような処理回路を有してもよい。
　ＣＰＵ８０１は、演算処理装置および制御装置として機能し、ＲＯＭ８０３、ＲＡＭ８０５、ストレージ装置８１９、またはリムーバブル記録媒体８２７に記録された各種プログラムに従って、情報処理装置１０内の動作全般またはその一部を制御する。ＲＯＭ８０３は、ＣＰＵ８０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ８０５は、ＣＰＵ８０１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一時的に記憶する。ＣＰＵ８０１、ＲＯＭ８０３、およびＲＡＭ８０５は、ＣＰＵバスなどの内部バスにより構成されるホストバス８０７により相互に接続されている。さらに、ホストバス８０７は、ブリッジ８０９を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ　Ｃｏｍｐｏｎｅｎｔ　Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス８１１に接続されている。
　入力装置８１５は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなど、ユーザによって操作される装置である。入力装置８１５は、ユーザの音声を検出するマイクロフォンを含んでもよい。入力装置８１５は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置１０の操作に対応した携帯電話などの外部接続機器８２９であってもよい。入力装置８１５は、ユーザが入力した情報に基づいて入力信号を生成してＣＰＵ８０１に出力する入力制御回路を含む。ユーザは、この入力装置８１５を操作することによって、情報処理装置１０に対して各種のデータを入力したり処理動作を指示したりする。また、後述する撮像装置８３３も、ユーザの手の動き、ユーザの指などを撮像することによって、入力装置として機能し得る。このとき、手の動きや指の向きに応じてポインティング位置が決定されてよい。
　出力装置８１７は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。出力装置８１７は、例えば、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）、ＰＤＰ（Ｐｌａｓｍａ　Ｄｉｓｐｌａｙ　Ｐａｎｅｌ）、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ、プロジェクタなどの表示装置、ホログラムの表示装置、スピーカおよびヘッドホンなどの音声出力装置、ならびにプリンタ装置などであり得る。出力装置８１７は、情報処理装置１０の処理により得られた結果を、テキストまたは画像などの映像として出力したり、音声または音響などの音声として出力したりする。また、出力装置８１７は、周囲を明るくするためライトなどを含んでもよい。
　ストレージ装置８１９は、情報処理装置１０の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置８１９は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。このストレージ装置８１９は、ＣＰＵ８０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
　ドライブ８２１は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体８２７のためのリーダライタであり、情報処理装置１０に内蔵、あるいは外付けされる。ドライブ８２１は、装着されているリムーバブル記録媒体８２７に記録されている情報を読み出して、ＲＡＭ８０５に出力する。また、ドライブ８２１は、装着されているリムーバブル記録媒体８２７に記録を書き込む。
　接続ポート８２３は、機器を情報処理装置１０に直接接続するためのポートである。接続ポート８２３は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍ　Ｉｎｔｅｒｆａｃｅ）ポートなどであり得る。また、接続ポート８２３は、ＲＳ－２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）ポートなどであってもよい。接続ポート８２３に外部接続機器８２９を接続することで、情報処理装置１０と外部接続機器８２９との間で各種のデータが交換され得る。
　通信装置８２５は、例えば、通信ネットワーク９３１に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置８２５は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カードなどであり得る。また、通信装置８２５は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ、または、各種通信用のモデムなどであってもよい。通信装置８２５は、例えば、インターネットや他の通信機器との間で、ＴＣＰ／ＩＰなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置８２５に接続される通信ネットワーク９３１は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などである。
　撮像装置８３３は、例えば、ＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）またはＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）などの撮像素子、および撮像素子への被写体像の結像を制御するためのレンズなどの各種の部材を用いて実空間を撮像し、撮像画像を生成する装置である。撮像装置８３３は、静止画を撮像するものであってもよいし、また動画を撮像するものであってもよい。
　センサ８３５は、例えば、加速度センサ、ジャイロセンサ、地磁気センサ、光センサ、音センサなどの各種のセンサである。センサ８３５は、例えば情報処理装置１０の筐体の姿勢など、情報処理装置１０自体の状態に関する情報や、情報処理装置１０の周辺の明るさや騒音など、情報処理装置１０の周辺環境に関する情報を取得する。また、センサ８３５は、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）信号を受信して装置の緯度、経度および高度を測定するＧＰＳセンサを含んでもよい。
　次に、図１１を参照して、本開示の実施形態に係る情報提供装置２０のハードウェア構成について説明する。図１１は、本開示の実施形態に係る情報提供装置２０のハードウェア構成例を示すブロック図である。
　図１１に示すように、情報提供装置２０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）９０３、およびＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）９０５を含む。また、情報提供装置２０は、ホストバス９０７、ブリッジ９０９、外部バス９１１、インターフェース９１３、ストレージ装置９１９、ドライブ９２１、接続ポート９２３、通信装置９２５を含んでもよい。情報処理装置１０は、ＣＰＵ９０１に代えて、またはこれとともに、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）またはＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）と呼ばれるような処理回路を有してもよい。
　ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１９、またはリムーバブル記録媒体９２７に記録された各種プログラムに従って、情報提供装置２０内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一時的に記憶する。ＣＰＵ９０１、ＲＯＭ９０３、およびＲＡＭ９０５は、ＣＰＵバスなどの内部バスにより構成されるホストバス９０７により相互に接続されている。さらに、ホストバス９０７は、ブリッジ９０９を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ　Ｃｏｍｐｏｎｅｎｔ　Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９１１に接続されている。
　ストレージ装置９１９は、情報提供装置２０の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１９は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。このストレージ装置９１９は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
　ドライブ９２１は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２７のためのリーダライタであり、情報提供装置２０に内蔵、あるいは外付けされる。ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録を書き込む。
　接続ポート９２３は、機器を情報提供装置２０に直接接続するためのポートである。接続ポート９２３は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍ　Ｉｎｔｅｒｆａｃｅ）ポートなどであり得る。また、接続ポート９２３は、ＲＳ－２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）ポートなどであってもよい。接続ポート９２３に外部接続機器９２９を接続することで、情報提供装置２０と外部接続機器９２９との間で各種のデータが交換され得る。
　通信装置９２５は、例えば、通信ネットワーク９３１に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９２５は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カードなどであり得る。また、通信装置９２５は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ、または、各種通信用のモデムなどであってもよい。通信装置９２５は、例えば、インターネットや他の通信機器との間で、ＴＣＰ／ＩＰなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置９２５に接続される通信ネットワーク９３１は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などである。
　＜２．むすび＞
　以上説明したように、本開示の実施形態によれば、ユーザによって指定される学習処理に関連する情報と過去の学習処理における探索履歴との類似度に応じた学習設定をユーザへの推薦対象の学習設定として取得するデータ取得部と、前記推薦対象の学習設定に応じた表示を制御する表示制御部と、を備える、情報処理装置が提供される。
　かかる構成によれば、学習設定の選択に要する時間を短縮することが可能となる。また、本開示の実施形態によれば、高性能な学習設定が自動的に決定される。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　例えば、上記した情報処理システム１の動作が実現されれば、各構成の位置は特に限定されない。例えば、上記では、学習処理部２２２、データセットデータベース２６０および学習設定探索履歴データベース２７０が情報提供装置２０に備えられる例を説明した。しかし、学習処理部２２２、データセットデータベース２６０および学習設定探索履歴データベース２７０の一部または全部は、情報処理装置１０に備えられてもよい。
　例えば、学習処理部２２２、データセットデータベース２６０および学習設定探索履歴データベース２７０が情報処理装置１０に備えられる場合、情報処理システム１は情報提供装置２０を有していなくてもよい。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏し得る。
　なお、以下のような構成も本開示の技術的範囲に属する。
（１）
　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得するデータ取得部と、
　前記推薦対象の学習設定に応じた表示を制御する表示制御部と、
　を備える、情報処理装置。
（２）
　前記データ取得部は、前記推薦対象の学習設定の性能を取得し、
　前記表示制御部は、前記性能の表示を制御する、
　前記（１）に記載の情報処理装置。
（３）
　前記ユーザによって指定される学習処理に関連する情報は、前記ユーザによって指定されるデータセットを含み、
　前記過去の学習処理に関連する情報は、過去の学習処理に用いられたデータセットを含む、
　前記（１）または（２）に記載の情報処理装置。
（４）
　前記データ取得部は、前記ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いた過去に学習処理が実施された学習設定を前記推薦対象の学習設定として取得する、
　前記（３）に記載の情報処理装置。
（５）
　前記データ取得部は、前記ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いた過去に学習処理が実施された学習設定のうち、所定の性能よりも高い性能を有する学習設定を前記推薦対象の学習設定として取得する、
　前記（４）に記載の情報処理装置。
（６）
　前記表示制御部は、前記データ取得部によって前記推薦対象の学習設定が複数取得された場合、前記類似度および性能の少なくともいずれか一方に従って当該複数の推薦対象の学習設定に応じた表示を制御する、
　前記（４）または（５）に記載の情報処理装置。
（７）
　前記類似度は、データセット同士の特徴情報および統計量の少なくともいずれか一方の類似度に基づいて算出される、
　前記（４）～（６）のいずれか一項に記載の情報処理装置。
（８）
　前記表示制御部は、前記類似度の表示を制御する、
　前記（４）～（７）のいずれか一項に記載の情報処理装置。
（９）
　前記学習処理に関連する情報は、前記ユーザによって指定される学習設定を含み、
　前記過去の学習処理に関連する情報は、過去に学習処理が実施された学習設定を含む、
　前記（１）または（２）に記載の情報処理装置。
（１０）
　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定を前記推薦対象の学習設定として取得する、
　前記（９）に記載の情報処理装置。
（１１）
　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、前記ユーザによって指定される学習設定よりも高い性能を有する学習設定を前記推薦対象の学習設定として取得する、
　前記（９）または（１０）に記載の情報処理装置。
（１２）
　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、学習設定探索履歴に登場する頻度が最も高い学習設定を前記推薦対象の学習設定として取得する、
　前記（９）または（１０）に記載の情報処理装置。
（１３）
　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、性能と学習設定探索履歴に登場する頻度とに応じた学習設定を前記推薦対象の学習設定として取得する、
　前記（９）または（１０）に記載の情報処理装置。
（１４）
　前記表示制御部は、前記推薦対象の学習設定の表示、または、前記ユーザによって指定される学習設定に対する前記推薦対象の学習設定の差分の表示を制御する、
　前記（９）～（１３）のいずれか一項に記載の情報処理装置。
（１５）
　前記表示制御部は、前記推薦対象の学習設定の表示、または、前記差分の表示がユーザによって選択された場合、前記推薦対象の学習設定を含む学習設定探索履歴ツリー、または、前記推薦対象の学習設定の詳細の表示を制御する、
　前記（１４）に記載の情報処理装置。
（１６）
　前記表示制御部は、前記推薦対象の学習設定を含む学習設定探索履歴ツリーの表示を制御する、
　前記（１）～（１５）のいずれか一項に記載の情報処理装置。
（１７）
　前記データ取得部は、前記ユーザの操作に基づいて実行された学習設定探索履歴ツリーとの類似度が所定の類似度よりも高い過去の学習設定探索履歴ツリーから最も性能の高い学習設定を取得する、
　前記（１）に記載の情報処理装置。
（１８）
　前記情報処理装置は、
　前記ユーザの操作に基づいて実行された学習設定探索履歴の公開範囲を指定するための操作を取得する操作取得部を備える、
　前記（１）に記載の情報処理装置。
（１９）
　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得することと、
　プロセッサにより、前記推薦対象の学習設定に応じた表示を制御することと、
　を含む、情報処理方法。
（２０）
　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として検索することと、
　プロセッサにより、前記推薦対象の学習設定の送信を制御することと、
　を含む、情報提供方法。
　１　　　情報処理システム
　１０　　情報処理装置
　１１０　操作部
　１２０　制御部
　１２１　操作取得部
　１２２　送信制御部
　１２３　データ取得部
　１２４　表示制御部
　１３０　通信部
　１４０　記憶部
　１５０　表示部
　２０　　情報提供装置
　２２０　制御部
　２２１　取得部
　２２２　学習処理部
　２２３　検索処理部
　２２４　送信制御部
　２３０　通信部
　２４０　記憶部
　２６０　データセットデータベース
　２６２　データセット
　２７０　学習設定探索履歴データベース
　２７２　学習設定
　２７３　精度
　２８０　ユーザデータベース

Claims (20)

  1. 　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得するデータ取得部と、
    　前記推薦対象の学習設定に応じた表示を制御する表示制御部と、
    　を備える、情報処理装置。
  2. 　前記データ取得部は、前記推薦対象の学習設定の性能を取得し、
    　前記表示制御部は、前記性能の表示を制御する、
    　請求項１に記載の情報処理装置。
  3. 　前記ユーザによって指定される学習処理に関連する情報は、前記ユーザによって指定されるデータセットを含み、
    　前記過去の学習処理に関連する情報は、過去の学習処理に用いられたデータセットを含む、
    　請求項１に記載の情報処理装置。
  4. 　前記データ取得部は、前記ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いて過去に学習処理が実施された学習設定を前記推薦対象の学習設定として取得する、
    　請求項３に記載の情報処理装置。
  5. 　前記データ取得部は、前記ユーザによって指定されるデータセットとの類似度が所定の類似度よりも高いデータセットを用いて過去に学習処理が実施された学習設定のうち、所定の性能よりも高い性能を有する学習設定を前記推薦対象の学習設定として取得する、
    　請求項４に記載の情報処理装置。
  6. 　前記表示制御部は、前記データ取得部によって前記推薦対象の学習設定が複数取得された場合、前記類似度および性能の少なくともいずれか一方に従って当該複数の推薦対象の学習設定に応じた表示を制御する、
    　請求項４に記載の情報処理装置。
  7. 　前記類似度は、データセット同士の特徴情報および統計量の少なくともいずれか一方の類似度に基づいて算出される、
    　請求項４に記載の情報処理装置。
  8. 　前記表示制御部は、前記類似度の表示を制御する、
    　請求項４に記載の情報処理装置。
  9. 　前記学習処理に関連する情報は、前記ユーザによって指定される学習設定を含み、
    　前記過去の学習処理に関連する情報は、過去に学習処理が実施された学習設定を含む、
    　請求項１に記載の情報処理装置。
  10. 　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定を前記推薦対象の学習設定として取得する、
    　請求項９に記載の情報処理装置。
  11. 　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、前記ユーザによって指定される学習設定よりも高い性能を有する学習設定を前記推薦対象の学習設定として取得する、
    　請求項９に記載の情報処理装置。
  12. 　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、学習設定探索履歴に登場する頻度が最も高い学習設定を前記推薦対象の学習設定として取得する、
    　請求項９に記載の情報処理装置。
  13. 　前記データ取得部は、前記ユーザによって指定される学習設定との類似度が所定の類似度よりも高い学習設定であり、かつ、性能と学習設定探索履歴に登場する頻度とに応じた学習設定を前記推薦対象の学習設定として取得する、
    　請求項９に記載の情報処理装置。
  14. 　前記表示制御部は、前記推薦対象の学習設定の表示、または、前記ユーザによって指定される学習設定に対する前記推薦対象の学習設定の差分の表示を制御する、
    　請求項９に記載の情報処理装置。
  15. 　前記表示制御部は、前記推薦対象の学習設定の表示、または、前記差分の表示がユーザによって選択された場合、前記推薦対象の学習設定を含む学習設定探索履歴ツリー、または、前記推薦対象の学習設定の詳細の表示を制御する、
    　請求項１４に記載の情報処理装置。
  16. 　前記表示制御部は、前記推薦対象の学習設定を含む学習設定探索履歴ツリーの表示を制御する、
    　請求項１に記載の情報処理装置。
  17. 　前記データ取得部は、前記ユーザの操作に基づいて実行された学習設定探索履歴ツリーとの類似度が所定の類似度よりも高い過去の学習設定探索履歴ツリーから最も性能の高い学習設定を取得する、
    　請求項１に記載の情報処理装置。
  18. 　前記情報処理装置は、
    　前記ユーザの操作に基づいて実行された学習設定探索履歴の公開範囲を指定するための操作を取得する操作取得部を備える、
    　請求項１に記載の情報処理装置。
  19. 　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として取得することと、
    　プロセッサにより、前記推薦対象の学習設定に応じた表示を制御することと、
    　を含む、情報処理方法。
  20. 　ユーザによって指定される学習処理に関連する情報との類似度が所定の類似度よりも高い過去の学習処理に関連する情報に応じた学習設定をユーザへの推薦対象の学習設定として検索することと、
    　プロセッサにより、前記推薦対象の学習設定の送信を制御することと、
    　を含む、情報提供方法。
PCT/JP2017/000441 2016-04-06 2017-01-10 情報処理装置、情報処理方法および情報提供方法 WO2017175434A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP17778813.0A EP3441912A1 (en) 2016-04-06 2017-01-10 Information processing device, information processing method, and information providing method
US16/076,396 US11593635B2 (en) 2016-04-06 2017-01-10 Information processing device, method of processing information, and method of providing information
JP2018510231A JP6897673B2 (ja) 2016-04-06 2017-01-10 情報処理装置、情報処理方法および情報提供方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016076340 2016-04-06
JP2016-076340 2016-04-06

Publications (1)

Publication Number Publication Date
WO2017175434A1 true WO2017175434A1 (ja) 2017-10-12

Family

ID=60001003

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/000441 WO2017175434A1 (ja) 2016-04-06 2017-01-10 情報処理装置、情報処理方法および情報提供方法

Country Status (4)

Country Link
US (1) US11593635B2 (ja)
EP (1) EP3441912A1 (ja)
JP (1) JP6897673B2 (ja)
WO (1) WO2017175434A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027089A (ko) * 2018-08-30 2020-03-12 한양대학교 산학협력단 하이브리드 아이템 추천 방법 및 장치
WO2020157939A1 (ja) * 2019-01-31 2020-08-06 富士通株式会社 情報処理装置、学習履歴管理システム及び学習履歴管理プログラム
JP2021526063A (ja) * 2018-09-04 2021-09-30 深▲セン▼先進技術研究院 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体
JP7260704B1 (ja) 2022-08-29 2023-04-18 株式会社博報堂Ｄｙホールディングス 情報処理システム、コンピュータプログラム、及び情報処理方法
WO2023175947A1 (ja) * 2022-03-18 2023-09-21 日本電気株式会社 情報処理装置、制御方法及び記憶媒体

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021188354A1 (en) * 2020-03-14 2021-09-23 DataRobot, Inc. Automated and adaptive design and training of neural networks

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06124196A (ja) * 1992-10-12 1994-05-06 Hitachi Ltd モデル作成支援システム
JP2001067223A (ja) * 1999-08-25 2001-03-16 Sumitomo Metal Ind Ltd 問題解決方法、問題解決システム、及び記録媒体

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5598509A (en) * 1992-08-28 1997-01-28 Hitachi, Ltd. Method of configuring a neural network and a diagnosis/recognition system using the same
JP4487517B2 (ja) * 2003-08-28 2010-06-23 ソニー株式会社 情報提供装置及び情報提供方法、並びにコンピュータ・プログラム
JP2005352900A (ja) * 2004-06-11 2005-12-22 Canon Inc 情報処理装置、情報処理方法、パターン認識装置、及びパターン認識方法
JP5169831B2 (ja) * 2006-10-19 2013-03-27 日本電気株式会社 能動学習システム、方法およびプログラム
JP4577410B2 (ja) * 2008-06-18 2010-11-10 ソニー株式会社 画像処理装置、画像処理方法およびプログラム
US8712930B1 (en) * 2010-08-09 2014-04-29 Google Inc. Encoding digital content based on models for predicting similarity between exemplars
US8645298B2 (en) * 2010-10-26 2014-02-04 Microsoft Corporation Topic models
US20120158623A1 (en) * 2010-12-21 2012-06-21 Microsoft Corporation Visualizing machine learning accuracy
JP6471934B2 (ja) * 2014-06-12 2019-02-20 パナソニックＩｐマネジメント株式会社 画像認識方法、カメラシステム
JP6090286B2 (ja) * 2014-10-31 2017-03-08 カシオ計算機株式会社 機械学習装置、機械学習方法、分類装置、分類方法、プログラム
US10248653B2 (en) * 2014-11-25 2019-04-02 Lionbridge Technologies, Inc. Information technology platform for language translation and task management
JP5965557B1 (ja) * 2016-01-29 2016-08-10 株式会社リクルートホールディングス 類似度学習システム及び類似度学習方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06124196A (ja) * 1992-10-12 1994-05-06 Hitachi Ltd モデル作成支援システム
JP2001067223A (ja) * 1999-08-25 2001-03-16 Sumitomo Metal Ind Ltd 問題解決方法、問題解決システム、及び記録媒体

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FEURER, MATTHIAS ET AL.: "Initializing Bayesian Hyperparameter Optimization via Meta-Learning,", PROCEEDINGS OF THE TWENTY-NINTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, 16 February 2015 (2015-02-16), pages 1128 - 1135, XP055429085, Retrieved from the Internet <URL:http:www.aaai.org/ocs/index.php/AAAI/AAAI15/paper/view/10029/9349> [retrieved on 20170202] *
See also references of EP3441912A4 *
SMITH, MICHAEL R. ET AL., AN EASY TO USE REPOSITORY FOR COMPARING AND IMPROVING MACHINE LEARNING ALGORITHM USAGE, 5 June 2014 (2014-06-05), pages 1 - 7, XP055429070, Retrieved from the Internet <URL:https:arxiv.org/pdf/1405.7292v2.pdf> [retrieved on 20170202] *
SMITH, MICHAEL R. ET AL.: "Recommending Learning Algorithms and Their Associated Hyperparameters", 7 July 2014 (2014-07-07), pages 1 - 2, XP055429064, Retrieved from the Internet <URL:https:arxiv.org/pdf/1407.1890v1.pdf> [retrieved on 20170202] *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200027089A (ko) * 2018-08-30 2020-03-12 한양대학교 산학협력단 하이브리드 아이템 추천 방법 및 장치
KR102195894B1 (ko) * 2018-08-30 2020-12-29 한양대학교 산학협력단 하이브리드 아이템 추천 방법 및 장치
JP2021526063A (ja) * 2018-09-04 2021-09-30 深▲セン▼先進技術研究院 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体
JP7304901B2 (ja) 2018-09-04 2023-07-07 深▲セン▼先進技術研究院 不整脈検出方法、装置、電子装置およびコンピュータ記憶媒体
WO2020157939A1 (ja) * 2019-01-31 2020-08-06 富士通株式会社 情報処理装置、学習履歴管理システム及び学習履歴管理プログラム
JPWO2020157939A1 (ja) * 2019-01-31 2021-10-14 富士通株式会社 情報処理装置、学習履歴管理システム及び学習履歴管理プログラム
WO2023175947A1 (ja) * 2022-03-18 2023-09-21 日本電気株式会社 情報処理装置、制御方法及び記憶媒体
JP7260704B1 (ja) 2022-08-29 2023-04-18 株式会社博報堂Ｄｙホールディングス 情報処理システム、コンピュータプログラム、及び情報処理方法
JP2024032488A (ja) * 2022-08-29 2024-03-12 株式会社博報堂Ｄｙホールディングス 情報処理システム、コンピュータプログラム、及び情報処理方法

Also Published As

Publication number Publication date
JPWO2017175434A1 (ja) 2019-02-14
EP3441912A4 (en) 2019-02-13
JP6897673B2 (ja) 2021-07-07
EP3441912A1 (en) 2019-02-13
US11593635B2 (en) 2023-02-28
US20190050730A1 (en) 2019-02-14

Similar Documents

Publication Publication Date Title
JP6897673B2 (ja) 情報処理装置、情報処理方法および情報提供方法
US11908176B2 (en) Data recognition model construction apparatus and method for constructing data recognition model thereof, and data recognition apparatus and method for recognizing data thereof
CN102708120B (zh) 生活流式传输
JP7154678B2 (ja) 目標の位置取得方法、装置、コンピュータ機器及びコンピュータプログラム
WO2019120032A1 (zh) 模型构建方法、拍照方法、装置、存储介质及终端
US11317018B2 (en) Camera operable using natural language commands
US11417052B2 (en) Generating ground truth datasets for virtual reality experiences
WO2017168922A1 (ja) 情報処理装置、情報処理方法および情報提供方法
US11657085B1 (en) Optical devices and apparatuses for capturing, structuring, and using interlinked multi-directional still pictures and/or multi-directional motion pictures
JP2015526168A (ja) 拡張現実を制御するための方法および装置
WO2020221121A1 (zh) 视频查询方法、装置、设备及存储介质
CN111797850A (zh) 视频分类方法、装置、存储介质及电子设备
CN117413296A (zh) 用于密集估计的具有相关表征的体积采样
CN111797873A (zh) 场景识别方法、装置、存储介质及电子设备
KR102605355B1 (ko) 이미지 기반 정보 제공 방법 및 장치
CN111797867A (zh) 系统资源优化方法、装置、存储介质及电子设备
WO2020207297A1 (zh) 信息处理方法、存储介质及电子设备
CN115023732A (zh) 信息处理装置、信息处理方法和信息处理程序
WO2017199505A1 (ja) 情報処理装置、情報処理方法およびプログラム
US20240153184A1 (en) Real-time hand-held markerless human motion recording and avatar rendering in a mobile platform
US20230237089A1 (en) Method of processing multimodal retrieval tasks, and an apparatus for the same
US20230421985A1 (en) Localization using Audio and Visual Data
US20150154210A1 (en) Computer ecosystem with automatically curated content
CN118173088A (zh) 智能设备的控制命令触发方法、装置、设备和存储介质
WO2014177751A1 (en) Method and apparatus for finding a location

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2018510231

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2017778813

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2017778813

Country of ref document: EP

Effective date: 20181106

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17778813

Country of ref document: EP

Kind code of ref document: A1