WO2019167367A1 - メタデータ生成装置、メタデータ生成方法及びプログラム - Google Patents

メタデータ生成装置、メタデータ生成方法及びプログラム Download PDF

Info

Publication number
WO2019167367A1
WO2019167367A1 PCT/JP2018/043936 JP2018043936W WO2019167367A1 WO 2019167367 A1 WO2019167367 A1 WO 2019167367A1 JP 2018043936 W JP2018043936 W JP 2018043936W WO 2019167367 A1 WO2019167367 A1 WO 2019167367A1
Authority
WO
WIPO (PCT)
Prior art keywords
metadata
data
processing module
probability density
input data
Prior art date
Application number
PCT/JP2018/043936
Other languages
English (en)
French (fr)
Inventor
紘 今井
哲二 大和
泰司 吉川
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Priority to US16/964,270 priority Critical patent/US20210034672A1/en
Priority to CN201880086446.7A priority patent/CN111602409B/zh
Publication of WO2019167367A1 publication Critical patent/WO2019167367A1/ja

Links

Images

Classifications

    • 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
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/908—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom

Definitions

  • the present invention relates to a metadata generation device, a metadata generation method, and a program.
  • Patent Document 1 discloses a virtual sensor generation device that generates a virtual sensor.
  • a real sensor existing within a predetermined range is detected, and a virtual sensor is generated by using the detected real sensor (see Patent Document 1).
  • the virtual sensor as disclosed in Patent Document 1 includes, for example, a real sensor (an example of a device) and a processing module.
  • the processing module is, for example, a learned model generated by using a plurality of learning data, and processing the sensing data (an example of input data) output by an actual sensor, Generate different output data.
  • the present invention has been made to solve such a problem, and an object thereof is metadata associated with a processing module, which is useful for avoiding input of inappropriate data to the processing module.
  • a metadata generation apparatus, a metadata generation method, and a program that can generate metadata are provided.
  • the metadata generation device is configured to generate metadata associated with a processing module.
  • the processing module is a learned model generated by using a plurality of learning data, and is configured to generate output data different from the input data based on at least one input data.
  • Each of the plurality of learning data includes input data and a correct answer label of output data associated with the input data.
  • the metadata generation apparatus includes a probability density function generation unit and a metadata generation unit.
  • the probability density function generation unit is configured to generate a probability density function of a plurality of input data each associated with a common correct answer label.
  • the metadata generation unit is configured to generate metadata based on the probability density function.
  • the processing module is a learned model generated by using a plurality of learning data. Since the learned model is based on the attribute of the device that has output the learning data, a desired result is not always output when data output by a device having a completely different attribute is input.
  • metadata is based on a probability density function of a plurality of input data (included in learning data) each associated with a common correct label (included in learning data). Is generated.
  • the metadata reflects the attribute of the device that has output the learning data.
  • a device that outputs input data to the processing module a device having an attribute close to that of the device that has output the learning data can be selected. Input can be avoided. Therefore, according to the metadata generation apparatus, it is possible to generate metadata useful for avoiding inappropriate data input to the processing module.
  • the probability density function generation unit may be configured to generate a probability density function for each correct label included in the plurality of learning data.
  • this metadata generation device a probability density function of input data is generated for each correct answer label, and metadata is generated based on the plurality of generated probability density functions. Therefore, according to this metadata generation apparatus, it is possible to generate metadata that reflects the attribute of the device that has output the learning data in more detail.
  • the input data may be sensing data output by a sensing device.
  • the processing module may be configured to generate output data based on a plurality of input data.
  • a virtual sensor may be formed by a processing module and a device that outputs input data to the processing module.
  • the metadata generation method generates metadata associated with a processing module.
  • the processing module is a learned model generated by using a plurality of learning data, and is configured to generate output data different from the input data based on at least one input data.
  • Each of the plurality of learning data includes input data and a correct answer label of output data associated with the input data.
  • the metadata generation method includes a step of generating a probability density function of a plurality of input data each associated with a common correct answer label, and a step of generating metadata based on the probability density function.
  • metadata is based on a probability density function of a plurality of input data (included in learning data) each associated with a common correct label (included in learning data). Is generated.
  • the metadata reflects the attribute of the device that has output the learning data.
  • a device that outputs input data to the processing module a device having an attribute close to that of the device that has output the learning data can be selected. Input can be avoided. Therefore, according to this metadata generation method, it is possible to generate metadata useful for avoiding input of inappropriate data to the processing module.
  • a program causes a computer to execute processing for generating metadata associated with a processing module.
  • the processing module is a learned model generated by using a plurality of learning data, and is configured to generate output data different from the input data based on at least one input data.
  • Each of the plurality of learning data includes input data and a correct answer label of output data associated with the input data.
  • the program is configured to cause a computer to execute a step of generating a probability density function of a plurality of input data each associated with a specific correct label and a step of generating metadata based on the probability density function. ing.
  • Metadata is generated.
  • the metadata reflects the attribute of the device that has output the learning data.
  • a device that outputs input data to the processing module a device having an attribute close to that of the device that has output the learning data can be selected. Input can be avoided. Therefore, according to this program, it is possible to generate metadata useful for avoiding input of inappropriate data to the processing module.
  • a metadata generation apparatus capable of generating metadata that is associated with a processing module and that is useful for avoiding input of inappropriate data to the processing module. Can be provided.
  • FIG. 1 is a diagram illustrating an example of a sensor network system in Embodiment 1.
  • FIG. 3 is a diagram illustrating an example of a hardware configuration of a virtual sensor management server according to Embodiment 1.
  • FIG. It is a figure which shows an example of data DB for learning. It is a figure which shows an example of 1st metadata DB. It is a figure which shows an example of a part of software configuration (a 1st metadata production
  • 6 is a diagram illustrating an example of a part of a software configuration of a virtual sensor management server (including a suitability determination module) in the first embodiment.
  • FIG. 1 is a diagram illustrating an example of a sensor network system in Embodiment 1.
  • FIG. 3 is a diagram illustrating an example of a hardware configuration of a virtual sensor management server according to Embodiment 1.
  • FIG. It is a figure which shows an example of data DB for learning. It is a figure which shows
  • FIG. 6 is a diagram illustrating a hardware configuration of a virtual sensor management server according to Embodiment 2.
  • FIG. It is a figure which shows an example of 2nd metadata DB.
  • 10 is a diagram illustrating an example of a part of a software configuration of a virtual sensor management server (including a suitability determination module) in Embodiment 2.
  • FIG. 10 is a flowchart showing an example of a sensing device suitability determination operation in the second embodiment.
  • this embodiment an embodiment according to one aspect of the present invention (hereinafter, also referred to as “this embodiment”) will be described in detail with reference to the drawings.
  • the same or corresponding portions are denoted by the same reference numerals and description thereof will not be repeated.
  • the present embodiment described below is merely an example of the present invention in all respects.
  • Various improvements and modifications can be made to the present embodiment within the scope of the present invention. That is, in carrying out the present invention, a specific configuration can be appropriately adopted according to the embodiment.
  • FIG. 1 is a diagram for describing an overview of a metadata generation apparatus 50 (processing module side metadata generation module 120 (described later)) according to the first embodiment.
  • the processing module 110 has at least one input port, and sensing data (an example of input data) output by the sensing device 12 (an example of a device) is input to each input port.
  • the processing module 110 is configured to generate output data different from the input data based on the input data. That is, a so-called virtual sensor is formed by the processing module 110 and the sensing device 12 (input sensor) that outputs input data to the processing module 110.
  • the virtual sensor is a sensor module that outputs, as sensing data, an observation result of an object different from the object observed by the input sensor based on sensing data generated by observing the object by the input sensor. The virtual sensor will be described in detail later.
  • the processing module 110 is a learned model generated by using a plurality of learning data.
  • the plurality of learning data is read from the learning data DB (database) 140 when the processing module 110 is generated, for example.
  • Each learning data includes input data to the processing module 110 (sensing data output by the sensing device 12) and a correct answer label of the output data of the processing module 110 when the input data is input.
  • the processing module 110 When the data output by the sensing device 12 having completely different attributes from the sensing device 12 used for generating the learning data is input to the processing module 110, the original function of the learned model is not exhibited, As a result, a situation may occur in which the virtual sensor cannot perform a desired function.
  • the metadata generation apparatus 50 is metadata associated with the processing module 110 and is useful for avoiding input of inappropriate data to the processing module 110. Generate metadata.
  • the metadata generation apparatus 50 includes a probability density function generation unit 122 and a processing module side metadata generation unit (hereinafter also referred to as “first metadata generation unit”) 124.
  • the probability density function generation unit 122 reads the learning data used when generating the processing module 110 from the learning data DB 140, and generates a probability density function of a plurality of input data each associated with a common correct answer label.
  • the first metadata generation unit 124 generates metadata (hereinafter also referred to as “first metadata”) based on the generated probability density function.
  • the probability density function generated by the probability density function generation unit 122 reflects the attributes of the sensing device 12 used for generating learning data. Therefore, the first metadata generated based on the probability density function also reflects the attribute of the sensing device 12 used for generating the learning data.
  • the first metadata for example, as the sensing device 12 that outputs input data to the processing module 110, the sensing device 12 having an attribute close to that of the sensing device 12 that outputs the learning data can be selected. . As a result, a situation in which inappropriate data is input to the processing module 110 can be avoided. Therefore, the metadata generation device 50 can generate metadata (first metadata) that is useful for avoiding inappropriate input of data to the processing module 110.
  • FIG. 2 is a diagram showing an example of the sensor network system 10 including the processing module side metadata generation module (hereinafter also referred to as “first metadata generation module”) 120 according to the first embodiment.
  • the sensor network system 10 includes a sensor network unit 14, a virtual sensor management server 100, and an application server 300.
  • the sensor network unit 14, the virtual sensor management server 100, and the application server 300 are connected to each other via the Internet 15 so that they can communicate with each other.
  • the number of each component (virtual sensor management server 100, application server 300, sensor network adapter 11, sensing device 12, etc.) included in the sensor network system 10 is not limited to that shown in FIG.
  • sensing data generated by the sensing device 12 or the like can be distributed.
  • sensing data generated by the sensing device 12 can be distributed to the virtual sensor management server 100, and sensing data generated by the virtual sensor can be distributed to the application server 300.
  • the sensor network unit 14 includes, for example, a plurality of sensor network adapters 11.
  • a plurality of sensing devices 12 are connected to each of the plurality of sensor network adapters 11, and each sensing device 12 is connected to the Internet 15 via the sensor network adapter 11.
  • the sensing device 12 is configured to obtain sensing data by observing an object.
  • the sensing device 12 includes, for example, an image sensor (camera), a temperature sensor, a humidity sensor, an illuminance sensor, a force sensor, a sound sensor, a speed sensor, an acceleration sensor, an RFID (Radio Frequency IDentification) sensor, an infrared sensor, a posture sensor, and a rain sensor. Including radioactivity sensors and gas sensors.
  • the sensing device 12 does not necessarily need to be a fixed type, and may be a mobile type such as a mobile phone, a smartphone, and a tablet.
  • each sensing device 12 does not necessarily need to be comprised with the single sensor, and may be comprised with the some sensor.
  • the sensing device 12 may be installed for any purpose. For example, for factory FA (Factory Automation) and production management, urban traffic control, environmental measurement such as weather, health care, crime prevention, etc. It may be installed.
  • each sensor network adapter 11 is disposed at a separate (distant) location, and each sensing device 12 connected to each sensor network adapter 11 is disposed at the same (near) location.
  • These arrangement locations are not limited to this.
  • Each application server 300 (300A, 300B) is configured to execute an application that uses sensing data, and is realized by, for example, a general-purpose computer.
  • the application server 300 acquires necessary sensing data via the Internet 15.
  • the virtual sensor management server 100 is a server for realizing a virtual sensor.
  • a plurality of processing modules 110, a first metadata generation module 120, and a suitability determination module 130 are realized, and a learning data DB 140 and a first metadata DB 150 are managed. Is done.
  • Each of the plurality of processing modules 110, the first metadata generation module 120, and the suitability determination module 130 is, for example, a software module.
  • the processing module 110 includes at least one input port, and is configured to generate output data different from the input data based on the input data input to each input port.
  • the processing module 110 can switch the sensing device 12 that outputs input data to the input port as necessary. For example, when the sensing device 12 that is currently outputting input data to the input port fails, the processing module 110 can switch the input sensor to another sensing device 12.
  • the processing module 110 may be configured to output data indicating the number of persons existing in the room based on, for example, input data (voice data) output by a sound sensor arranged in the room.
  • a virtual sensor that detects the number of people in the room can be realized by the processing module 110 and the sensing device 12 (sound sensor).
  • the first metadata generation module 120 is configured to generate first metadata associated with the processing module 110.
  • the suitability determination module 130 is configured to determine the suitability of the sensing device 12 that is outputting input data to the processing module 110. Details of each software module and each database will be described later.
  • FIG. 3 is a diagram illustrating an example of a hardware configuration of the virtual sensor management server 100.
  • the virtual sensor management server 100 is realized by a general-purpose computer, for example.
  • the virtual sensor management server 100 includes a control unit 180, a communication I / F (interface) 195, and a storage unit 190, and each component is electrically connected via a bus 197. Yes.
  • the control unit 180 includes a CPU (Central Processing Unit) 182, a RAM (Random Access Memory) 184, a ROM (Read Only Memory) 186, and the like, and is configured to control each component according to information processing. .
  • CPU Central Processing Unit
  • RAM Random Access Memory
  • ROM Read Only Memory
  • the communication I / F 195 is configured to communicate with external devices (for example, the application server 300 and the sensor network unit 14 (FIG. 2)) provided outside the virtual sensor management server 100 via the Internet 15. .
  • the communication I / F 195 includes, for example, a wired LAN (Local Area Network) module or a wireless LAN module.
  • the storage unit 190 is an auxiliary storage device such as a hard disk drive or a solid state drive.
  • the storage unit 190 is configured to store, for example, a learning data DB 140, a first metadata DB 150, and a control program 191.
  • a data buffer 160 is provided in a part of the storage area of the storage unit 190.
  • FIG. 4 is a diagram illustrating an example of the learning data DB 140.
  • the learning data used when generating each processing module 110 is managed in the learning data DB 140.
  • the processing module M1 is configured to output the number of persons existing in the room where the sound sensor is arranged based on input data (volume data) output from the sound sensor.
  • each of the plurality of learning data used for generating the processing module M1 includes volume data and correct labels of output data (number of people in the room) of the processing module 110 when the volume data is input. (Correct value).
  • each processing module 110 does not necessarily generate one output data based on one input data.
  • each processing module 110 may generate one output data based on a plurality of input data.
  • FIG. 5 is a diagram illustrating an example of the first metadata DB 150.
  • the first metadata 151 of each processing module 110 is managed in the first metadata DB 150.
  • Each first metadata 151 is generated based on a plurality of learning data used when the associated processing module 110 is generated.
  • the first metadata associated with each processing module 110 will be described in detail later, including the generation method and the usage method.
  • the data buffer 160 is configured to temporarily store the sensing data output to the processing module 110 by the sensing device 12. Based on the sensing data temporarily stored in the data buffer 160, the suitability of the sensing device 12 outputting the sensing data to the processing module 110 is determined. A method for determining suitability will be described in detail later.
  • the control program 191 is a control program for the virtual sensor management server 100 that is executed by the control unit 180.
  • each processing module 110, the first metadata generation module 120, and the suitability determination module 130 may be realized by the control unit 180 executing the control program 191.
  • the control program 191 is expanded in the RAM 184.
  • the control unit 180 controls each component by interpreting and executing the control program 191 expanded in the RAM 184 by the CPU 182.
  • FIG. 6 is a diagram illustrating an example of a part of the software configuration of the virtual sensor management server 100 (including the first metadata generation module 120).
  • the processing module 110, the first metadata generation module 120, and the first metadata registration unit 126 are realized by the control unit 180 executing the control program 191.
  • the processing module 110 is generated by performing learning using a plurality of learning data stored in the learning data DB 140.
  • the first metadata generation module 120 is configured to generate metadata (first metadata) associated with the processing module 110 based on the learning data used for generating the processing module 110.
  • the first metadata generation module 120 includes a probability density function generation unit 122 and a first metadata generation unit 124.
  • the probability density function generator 122 reads a plurality of learning data used for generating the processing module 110 from the learning data DB 140.
  • the probability density function generation unit 122 generates a probability density function of a plurality of input data each associated with a common correct answer label.
  • the probability density function generation unit 122 generates a probability density function for each correct answer label. That is, the probability density function generation unit 122 generates a plurality of probability density functions.
  • the probability density function is two-dimensional as shown in the first metadata 151 in FIG. 5, but the input data to the processing module 110 is When there are two or more, the number of dimensions of the probability density function increases as the number of input data increases.
  • the first metadata generation unit 124 generates first metadata (for example, the first metadata 151 in FIG. 5) based on the plurality of probability density functions generated by the probability density function generation unit 122. For example, the first metadata generation unit 124 sets, as the first metadata, data obtained by collecting a plurality of probability density functions generated by the probability density function generation unit 122.
  • the first metadata registration unit 126 registers the first metadata generated by the first metadata generation unit 124 in the first metadata DB 150 in association with the processing module 110.
  • the first metadata of each processing module 110 is registered in the first metadata DB 150.
  • the first metadata registered in the first metadata DB 150 is used for various purposes.
  • FIG. 7 is a diagram illustrating an example of a part of the software configuration of the virtual sensor management server 100 (including the suitability determination module 130).
  • the configuration shown in the example of FIG. 7 uses the first metadata registered in the first metadata DB 150.
  • the compatibility determination module 130, the switching unit 138, and the processing module 110 are realized by the control unit 180 executing the control program 191.
  • the suitability determination module 130 is the suitability of the sensing device 12 that outputs the input data to the processing module 110 based on the first metadata associated with the processing module 110 and the input data to the processing module 110. Determine.
  • the suitability determination module 130 includes an acquisition unit 132, a probability density function generation unit 134, and a suitability determination unit 136.
  • the acquisition unit 132 acquires the first metadata associated with the processing module 110 from the first metadata DB 150.
  • the sensing data output by the sensing device 12 that is the target of the suitability determination is input to the processing module 110. Sensing data output by the sensing device 12 is temporarily stored in the data buffer 160.
  • the probability density function generation unit 134 generates a probability density function of a plurality of sensing data (input data) temporarily stored in the data buffer 160.
  • the plurality of sensing data is generated within a time when the environment around the sensing device 12 does not change significantly. That is, the probability density function generated by the probability density function generation unit 134 is a probability density function of sensing data (input data to the processing module 110) output by the sensing device 12 under a common environment. Indicates the attribute (output tendency).
  • the suitability determination unit 136 determines the suitability of the sensing device 12 based on the first metadata acquired by the acquisition unit 132 and the probability density function generated by the probability density function generation unit 134. For example, the suitability determination unit 136 determines whether the similarity between any one of the plurality of probability density functions included in the first metadata and the probability density function generated by the probability density function generation unit 134 is equal to or greater than a predetermined value. judge. Note that various known methods are used to calculate the similarity.
  • the suitability determination unit 136 When the similarity is greater than or equal to a predetermined value, the suitability determination unit 136 has a tendency for the output of the sensing device 12 to be close to the output of the sensing device 12 that has generated the learning data of the processing module 110. 12 is determined to be compatible. On the other hand, if the similarity is less than the predetermined value, the suitability determination unit 136 has a tendency of the output of the sensing device 12 that is not close to the tendency of the output of the sensing device 12 that generated the learning data of the processing module 110. The sensing device 12 is determined to be incompatible.
  • the switching unit 138 switches the sensing device 12 that outputs sensing data to the processing module 110 based on the determination result by the suitability determination unit 136.
  • the switching unit 138 switches the sensing device 12 when, for example, the suitability determination unit 136 determines that the sensing device 12 is incompatible.
  • the switching unit 138 transmits an output stop instruction to the sensing device 12 that is currently outputting input data to the processing module 110 via the communication I / F 195, and an output start instruction to another sensing device 12. Send.
  • the switching unit 138 does not switch the sensing device 12 when, for example, the suitability determination unit 136 determines that the sensing device 12 is compatible.
  • FIG. 8 is a flowchart illustrating an example of the first metadata generation operation. The processing shown in this flowchart is executed by the control unit 180 functioning as the first metadata generation module 120 (FIG. 6) after the processing module 110 is generated, for example.
  • control unit 180 selects one of a plurality of types of correct answer labels included in a plurality of learning data used for generating processing module 110 (step S100).
  • the control unit 180 has a probability density function based on a plurality of input data (included in a plurality of learning data used to generate the processing module 110) each associated with a selected type of correct answer label. Is generated (step S110).
  • the control unit 180 determines whether or not a probability density function has been generated for all types of correct answer labels included in the plurality of learning data (step S120). If it is determined that a probability density function has not been generated for some correct labels (NO in step S120), control unit 180 selects a correct label of a type different from the correct label for which a probability density function has already been generated. (Step S130). Thereafter, the control unit 180 repeats the processing from step S110 to step S130 until the probability density function is generated for all types of correct answer labels.
  • control unit 180 determines the first metadata based on all the generated probability density functions. Is generated (step S140). Thereafter, the control unit 180 registers the generated first metadata in the first metadata DB 150 (FIG. 6) (step S150).
  • the first metadata is generated based on the probability density function of a plurality of input data (included in the learning data) each associated with a common correct answer label.
  • the first metadata reflects the attribute of the sensing device 12 that generated the learning data.
  • the sensing device 12 that outputs input data to the processing module 110 the sensing device 12 having an attribute close to that of the sensing device 12 that generated the learning data can be selected. Input of inappropriate data to the processing module 110 can be avoided. Therefore, according to the virtual sensor management server 100, it is possible to generate the first metadata that is useful for avoiding inappropriate data input to the processing module 110.
  • FIG. 9 is a flowchart illustrating an example of the suitability determination operation of the sensing device 12.
  • the processing shown in this flowchart is executed at predetermined intervals when sensing data is output from the sensing device 12 to the processing module 110, for example.
  • the processing shown in this flowchart is executed by the control unit 180 functioning as the suitability determination module 130.
  • control unit 180 acquires the first metadata associated with the processing module 110 from the first metadata DB 150 (step S200). Sensing data output by the sensing device 12 that is the object of suitability determination is input to the processing module 110 associated with the first metadata acquired in step S200.
  • the control unit 180 controls the data buffer 160 to start buffering the sensing data output to the processing module 110 by the sensing device 12 (step S210).
  • the control unit 180 determines whether or not a predetermined time T1 has elapsed since the start of buffering (step S220). If it is determined that predetermined time T1 has not elapsed (NO in step S220), control unit 180 continues to buffer sensing data until predetermined time T1 has elapsed.
  • the predetermined time T1 is, for example, a time during which the environment around the sensing device 12 does not change significantly.
  • control unit 180 when it is determined in step S220 that the predetermined time T1 has passed (YES in step S220), control unit 180 generates a probability density function based on a plurality of sensing data stored in data buffer 160 ( Step S230). The control unit 180 calculates the similarity between the generated probability density function and each of the plurality of probability density functions included in the first metadata acquired in step S200, and any one of the calculated similarities is calculated. It is determined whether or not the value is equal to or greater than a predetermined value V1 (step S240).
  • control unit 180 determines that sensing device 12 is compatible (step S250). On the other hand, when it is determined that all the similarities are less than predetermined value V1 (NO in step S240), control unit 180 determines that sensing device 12 is incompatible (step S260).
  • the suitability of the sensing device 12 that outputs the sensing data to the processing module 110 is determined based on the first metadata associated with the processing module 110. . That is, in the first embodiment, the adaptability of the sensing device 12 is considered after sufficiently considering the attribute (output tendency) of the sensing device 12 that has output the learning data used to generate the processing module 110. Determined. Therefore, according to the virtual sensor management server 100 according to the first embodiment, the suitability of the sensing device 12 that outputs input data to the processing module 110 can be determined more accurately.
  • the probability density function generated based on a plurality of sensing data stored in the data buffer 160 is considered when determining the suitability of the sensing device 12. Therefore, according to the virtual sensor management server 100 according to the first embodiment, the suitability of the sensing device 12 that outputs input data to the processing module 110 can be determined more accurately.
  • the metadata generation apparatus (first metadata generation module 120) according to the first embodiment is configured to generate metadata associated with the processing module 110.
  • the first metadata generation module 120 includes a probability density function generation unit 122 and a first metadata generation unit 124.
  • the probability density function generation unit 122 generates a probability density function of a plurality of input data each associated with a common correct answer label (included in the learning data of the processing module 110).
  • the first metadata generation unit 124 generates first metadata based on the generated probability density function.
  • the probability density function generated by the probability density function generation unit 122 reflects the attributes of the sensing device 12 used for generating learning data. Therefore, the first metadata generated based on the probability density function also reflects the attribute of the sensing device 12 used for generating the learning data.
  • the first metadata for example, as the sensing device 12 that outputs input data to the processing module 110, the sensing device 12 having an attribute close to that of the sensing device 12 that outputs the learning data can be selected. . As a result, a situation in which inappropriate data is input to the processing module 110 can be avoided. Therefore, the metadata generation device 50 can generate metadata (first metadata) that is useful for avoiding inappropriate input of data to the processing module 110.
  • the processing module 110 is an example of the “processing module” of the present invention
  • the first metadata is an example of the “metadata” of the present invention
  • the first metadata generation module 120 is the “metadata” of the present invention. It is an example of a “metadata generation device”.
  • the probability density function generation unit 122 is an example of the “probability density function generation unit” of the present invention
  • the first metadata generation unit 124 is an example of the “metadata generation unit” of the present invention.
  • the suitability of the sensing device 12 that outputs sensing data to the processing module 110 is based on the first metadata associated with the processing module 110 and the buffered sensing data. It was judged. Although details will be described later, in the second embodiment, sensor-side metadata (hereinafter also referred to as “second metadata”) is associated with each sensing device 12 in advance, and the first and second metadata. The suitability of the sensing device 12 is determined based on the metadata. Below, it demonstrates focusing on a different point from Embodiment 1. FIG.
  • FIG. 10 is a diagram illustrating a sensor network system 10A according to the second embodiment.
  • the sensor network system 10A includes a virtual sensor management server 100A, and the virtual sensor management server 100A is compatible with a sensor-side metadata DB (hereinafter also referred to as “second metadata DB”) 170. And a sex determination module 130A.
  • second metadata DB 170 and the compatibility determination module 130A will be described in detail later.
  • FIG. 11 is a diagram illustrating a hardware configuration of the virtual sensor management server 100A.
  • the virtual sensor management server 100A includes a control unit 180A and a storage unit 190A, and the storage unit 190A stores a second metadata DB 170 and a control program 191A.
  • the control unit 180A includes a CPU 182, a RAM 184, a ROM 186, and the like, and is configured to control each component according to information processing.
  • the storage unit 190A is an auxiliary storage device such as a hard disk drive or a solid state drive.
  • FIG. 12 is a diagram illustrating an example of the second metadata DB 170.
  • the second metadata 171 is managed for each sensing device 12 included in the sensor network unit 14 in the second metadata DB 170.
  • the second metadata DB 170 manages at least the second metadata 171 associated with each of the sensing devices S1, S2, and S3.
  • Each second metadata is generated based on a plurality of input data (sensing data) each output to the processing module 110 by the sensing device 12.
  • the processing module 110 outputs a common output value.
  • an example of the second metadata 171 is the probability of sensing data (the output value of the sensing device S1 (input sensor)) when the processing module M1 outputs each output value (common output value).
  • the second metadata 171 is generated, for example, when a new sensing device 12 is added to the sensor network unit 14 or when a new processing module 110 is generated in the virtual sensor management server 100A.
  • FIG. 13 is a diagram illustrating an example of a part of the software configuration of the virtual sensor management server 100A (including the suitability determination module 130A).
  • the suitability determination module 130A and the switching unit 138A are realized by the control unit 180A executing the control program 191A.
  • the suitability determination module 130A outputs sensing data to the processing module 110 based on the first metadata associated with the processing module 110 and the second metadata associated with the sensing device 12 ( Alternatively, the suitability of the sensing device 12 (to be output) is determined.
  • the suitability determination module 130A includes acquisition units 132A and 135 and a suitability determination unit 136A.
  • the obtaining unit 132A obtains the first metadata associated with the processing module 110 from the first metadata DB 150. It should be noted that the sensing device 12 that is the target of the suitability determination may output sensing data to the processing module 110, or plan to output sensing data to the processing module 110 (not output at this time). .).
  • the acquisition unit 135 associates with the processing module 110 of the output destination (including the planned output destination) of the sensing data among the plurality of second metadata associated with the sensing device 12 that is the suitability determination target.
  • the obtained second metadata is acquired from the second metadata DB 170 (FIG. 12).
  • the suitability determination unit 136A determines the suitability of the sensing device 12 based on the first metadata acquired by the acquisition unit 132A and the second metadata acquired by the acquisition unit 135. The suitability determination unit 136A determines, for example, whether or not the similarity between the first and second metadata is greater than or equal to a predetermined value. Note that various known methods are used to calculate the similarity.
  • the suitability determination unit 136A When the similarity is equal to or higher than a predetermined value, the suitability determination unit 136A has a tendency that the output tendency of the sensing device 12 is close to the output tendency of the sensing device 12 that has generated the learning data of the processing module 110. 12 is determined to be compatible. On the other hand, when the similarity is less than the predetermined value, the suitability determination unit 136A has a tendency of the output of the sensing device 12 not close to the tendency of the output of the sensing device 12 that generated the learning data of the processing module 110. The sensing device 12 is determined to be incompatible.
  • the switching unit 138A switches the sensing device 12 that outputs sensing data to the processing module 110 based on the determination result by the suitability determination unit 136A. For example, the switching unit 138A switches the sensing device 12 when the suitability determination unit 136A determines that the sensing device 12 is incompatible.
  • the switching unit 138A transmits the sensing device 12 via the communication I / F 195.
  • An output stop instruction is transmitted to the other sensing device 12, and an output start instruction is transmitted to another sensing device 12.
  • the other sensing device 12 is not necessarily the same type of sensing device 12 as the sensing device 12 to which the output stop instruction is transmitted.
  • the switching destination sensing device 12 may be a smartphone (with a camera function). In short, it is sufficient that the switching source and the switching destination have the same type of function.
  • the switching unit 138A does not perform switching when the sensing device 12 has not yet output sensing data. In this case, when it is determined that the sensing device 12 is incompatible, for example, the compatibility determination of another sensing device 12 is performed.
  • FIG. 14 is a flowchart illustrating an example of the compatibility determination operation of the sensing device 12.
  • the processing shown in this flowchart is executed at predetermined intervals when sensing data is output from the sensing device 12 to the processing module 110, for example. Further, the process shown in this flowchart is executed when, for example, the sensing device 12 is selected in a state where sensing data has not yet been input to the processing module 110. Further, the processing shown in this flowchart is executed by the control unit 180A functioning as the suitability determination module 130A.
  • the control unit 180A acquires the first metadata associated with the processing module 110 from the first metadata DB 150 (step S300).
  • the control unit 180 ⁇ / b> A is associated with the processing module 110 of the output destination (including the planned output destination) of the sensing data among the plurality of second metadata associated with the sensing device 12 that is the determination target of suitability.
  • the acquired second metadata is acquired from the second metadata DB 170 (step S310).
  • the control unit 180A calculates the similarity between the first metadata acquired in step S300 and the second metadata acquired in step S310, and determines whether the calculated similarity is equal to or greater than a predetermined value V2. (Step S320).
  • control unit 180A determines that sensing device 12 is compatible (step S330). On the other hand, when it is determined that the similarity is less than predetermined value V2 (NO in step S320), control unit 180A determines that sensing device 12 is incompatible (step S340).
  • the adaptation of the sensing device 12 based on the first metadata associated with the processing module 110 and the second metadata associated with the sensing device 12. Sex is determined. Therefore, according to the virtual sensor management server 100A according to the second embodiment, the attribute of the sensing device 12 that outputs the input data to the processing module 110 by referring to the second metadata is sufficiently considered. The suitability of the sensing device 12 can be determined more accurately.
  • the learning data DB 140 is provided in the virtual sensor management servers 100 and 100A.
  • the learning data DB 140 is not necessarily provided in the virtual sensor management servers 100 and 100A.
  • the learning data DB 140 may be stored in another server connected to the Internet 15, for example.
  • the probability density function itself is included in the first metadata.
  • the probability density function itself is not necessarily included in the first metadata.
  • the first metadata includes only a range of input values whose frequency (probability) is less than a predetermined value in the probability density function or a range of input values whose frequency (probability) is greater than or equal to a predetermined value in the probability density function. Also good.
  • the second metadata includes the probability density function itself.
  • the probability density function itself is not necessarily included in the second metadata.
  • the second metadata includes only a range of input values whose frequency (probability) is less than a predetermined value in the probability density function or a range of input values whose frequency (probability) is greater than or equal to a predetermined value in the probability density function. Also good.
  • the sensing data output from the sensing device 12 is input to the processing module 110.
  • the data input to the processing module 110 is not limited to the sensing data output by the sensing device 12.
  • sensing data for example, a data set
  • sensing data output by the virtual sensor may be input to the processing module 110.
  • the processes performed by the virtual sensor management servers 100 and 100A may be realized by a plurality of servers and the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Selective Calling Equipment (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成可能なメタデータ生成装置等を提供する。メタデータ生成装置は、処理モジュールに対応付けられるメタデータを生成する。処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルである。複数の学習用データの各々は、入力データと、出力データの正解ラベルとを含む。メタデータ生成装置は、確率密度関数生成部と、メタデータ生成部とを備える。確率密度関数生成部は、各々が共通の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成する。メタデータ生成部は、確率密度関数に基づいてメタデータを生成する。

Description

メタデータ生成装置、メタデータ生成方法及びプログラム
　本発明は、メタデータ生成装置、メタデータ生成方法及びプログラムに関する。
　特開２０１４－４５２４２号公報（特許文献１）は、仮想センサを生成する仮想センサ生成装置を開示する。この仮想センサ生成装置においては、所定範囲内に存在する実センサが検出され、検出された実センサを用いることによって仮想センサが生成される（特許文献１参照）。
特開２０１４－４５２４２号公報
　上記特許文献１に開示されるような仮想センサは、たとえば、実センサ（デバイスの一例）と、処理モジュールとを含む。処理モジュールは、たとえば、複数の学習用データを用いることによって生成された学習済みモデルであって、実センサにより出力されたセンシングデータ（入力データの一例）に処理を施すことによって、入力データとは異なる出力データを生成する。
　このような場合に、学習用データの生成に用いられたデバイスと全く異なる属性を有するデバイスによって出力されたデータが処理モジュールへ入力されると、学習済みモデルの本来の機能が発揮されず、その結果、仮想センサが所望の機能を発揮できないという事態が生じ得る。
　本発明は、このような問題を解決するためになされたものであって、その目的は、処理モジュールに対応付けられるメタデータであって、処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成可能なメタデータ生成装置、メタデータ生成方法及びプログラムを提供することである。
　本発明のある局面に従うメタデータ生成装置は、処理モジュールに対応付けられるメタデータを生成するように構成されている。処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて入力データとは異なる出力データを生成するように構成されている。複数の学習用データの各々は、入力データと、入力データに対応付けられた出力データの正解ラベルとを含む。メタデータ生成装置は、確率密度関数生成部と、メタデータ生成部とを備える。確率密度関数生成部は、各々が共通の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成するように構成されている。メタデータ生成部は、確率密度関数に基づいてメタデータを生成するように構成されている。
　上述のように、処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルである。学習済みモデルは、学習用データを出力したデバイスの属性を前提としているため、全く異なる属性のデバイスによって出力されたデータが入力された場合に所望の結果を出力するとは限らない。このメタデータ生成装置においては、各々が共通の正解ラベル（学習用データに含まれる。）に対応付けられた複数の入力データ（学習用データに含まれる。）の確率密度関数に基づいてメタデータが生成される。該メタデータには、学習用データを出力したデバイスの属性が反映される。該メタデータを参照することによって、たとえば、処理モジュールへ入力データを出力するデバイスとして、学習用データを出力したデバイスと近い属性を有するデバイスを選択することができ、処理モジュールへ不適切なデータが入力されることを回避することができる。したがって、このメタデータ生成装置によれば、処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成することができる。
　また、上記メタデータ生成装置において、確率密度関数生成部は、複数の学習用データに含まれる正解ラベル毎に確率密度関数を生成するように構成されてもよい。
　このメタデータ生成装置においては、正解ラベル毎に入力データの確率密度関数が生成され、生成された複数の確率密度関数に基づいてメタデータが生成される。したがって、このメタデータ生成装置によれば、学習用データを出力したデバイスの属性をより詳細に反映するメタデータを生成することができる。
　また、入力データは、センシングデバイスによって出力されたセンシングデータであってもよい。
　また、処理モジュールは、複数の入力データに基づいて出力データを生成するように構成されてもよい。
　また、処理モジュールと、処理モジュールへ入力データを出力するデバイスとによって仮想センサが形成されてもよい。
　本発明の別の局面に従うメタデータ生成方法は、処理モジュールに対応付けられるメタデータを生成する。処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて入力データとは異なる出力データを生成するように構成されている。複数の学習用データの各々は、入力データと、入力データに対応付けられた出力データの正解ラベルとを含む。メタデータ生成方法は、各々が共通の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成するステップと、確率密度関数に基づいてメタデータを生成するステップとを含む。
　このメタデータ生成方法においては、各々が共通の正解ラベル（学習用データに含まれる。）に対応付けられた複数の入力データ（学習用データに含まれる。）の確率密度関数に基づいてメタデータが生成される。該メタデータには、学習用データを出力したデバイスの属性が反映される。該メタデータを参照することによって、たとえば、処理モジュールへ入力データを出力するデバイスとして、学習用データを出力したデバイスと近い属性を有するデバイスを選択することができ、処理モジュールへ不適切なデータが入力されることを回避することができる。したがって、このメタデータ生成方法によれば、処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成することができる。
　本発明の別の局面に従うプログラムは、処理モジュールに対応付けられるメタデータを生成する処理をコンピュータに実行させる。処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて入力データとは異なる出力データを生成するように構成されている。複数の学習用データの各々は、入力データと、入力データに対応付けられた出力データの正解ラベルとを含む。プログラムは、各々が特定の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成するステップと、確率密度関数に基づいてメタデータを生成するステップとをコンピュータに実行させるように構成されている。
　このプログラムがコンピュータによって実行されると、各々が共通の正解ラベル（学習用データに含まれる。）に対応付けられた複数の入力データ（学習用データに含まれる。）の確率密度関数に基づいてメタデータが生成される。該メタデータには、学習用データを出力したデバイスの属性が反映される。該メタデータを参照することによって、たとえば、処理モジュールへ入力データを出力するデバイスとして、学習用データを出力したデバイスと近い属性を有するデバイスを選択することができ、処理モジュールへ不適切なデータが入力されることを回避することができる。したがって、このプログラムによれば、処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成することができる。
　本発明によれば、処理モジュールに対応付けられるメタデータであって、処理モジュールへの不適切なデータの入力の回避に役立つメタデータを生成可能なメタデータ生成装置、メタデータ生成方法及びプログラムを提供することができる。
メタデータ生成装置の概要を説明するための図である。 実施の形態１におけるセンサネットワークシステムの一例を示す図である。 実施の形態１における仮想センサ管理サーバのハードウェア構成の一例を示す図である。 学習用データＤＢの一例を示す図である。 第１メタデータＤＢの一例を示す図である。 仮想センサ管理サーバのソフトウェア構成の一部（第１メタデータ生成モジュールを含む。）の一例を示す図である。 実施の形態１における、仮想センサ管理サーバのソフトウェア構成の一部（適合性判定モジュールを含む。）の一例を示す図である。 第１メタデータの生成動作の一例を示すフローチャートである。 実施の形態１における、センシングデバイスの適合性判定動作の一例を示すフローチャートである。 実施の形態２におけるセンサネットワークシステムを示す図である。 実施の形態２における仮想センサ管理サーバのハードウェア構成を示す図である。 第２メタデータＤＢの一例を示す図である。 実施の形態２における、仮想センサ管理サーバのソフトウェア構成の一部（適合性判定モジュールを含む。）の一例を示す図である。 実施の形態２における、センシングデバイスの適合性判定動作の一例を示すフローチャートである。
　以下、本発明の一側面に係る実施の形態（以下、「本実施の形態」とも称する。）について、図面を用いて詳細に説明する。なお、図中同一又は相当部分には同一符号を付してその説明は繰り返さない。また、以下で説明する本実施の形態は、あらゆる点において本発明の例示にすぎない。本実施の形態は、本発明の範囲内において、種々の改良や変更が可能である。すなわち、本発明の実施にあたっては、実施の形態に応じて具体的構成を適宜採用することができる。
　［１．実施の形態１］
　＜１－１．概要＞
　図１は、本実施の形態１に従うメタデータ生成装置５０（処理モジュール側メタデータ生成モジュール１２０（後述））の概要を説明するための図である。図１を参照して、処理モジュール１１０は少なくとも１つの入力ポートを有し、各入力ポートにはセンシングデバイス１２（デバイスの一例）によって出力されたセンシングデータ（入力データの一例）が入力される。処理モジュール１１０は、入力データに基づいて入力データとは異なる出力データを生成するように構成されている。すなわち、処理モジュール１１０と、処理モジュール１１０へ入力データを出力するセンシングデバイス１２（入力センサ）とによって、いわゆる仮想センサが形成される。仮想センサとは、入力センサが対象を観測することによって生成されたセンシングデータに基づいて、入力センサによって観測された対象とは異なる対象の観測結果をセンシングデータとして出力するセンサモジュールである。仮想センサについては、後程詳しく説明する。
　処理モジュール１１０は、複数の学習用データを用いることによって生成された学習済みモデルである。複数の学習用データは、たとえば、処理モジュール１１０の生成時に学習用データＤＢ（database）１４０から読み出される。各学習用データは、処理モジュール１１０への入力データ（センシングデバイス１２によって出力されたセンシングデータ）と、該入力データが入力された場合における処理モジュール１１０の出力データの正解ラベルとを含む。
　処理モジュール１１０に、学習用データの生成に用いられたセンシングデバイス１２と全く異なる属性を有するセンシングデバイス１２によって出力されたデータが入力されると、学習済みモデルの本来の機能が発揮されず、その結果、仮想センサが所望の機能を発揮できないという事態が生じ得る。
　本実施の形態１に従うメタデータ生成装置５０は、このような事態を回避するために、処理モジュール１１０に対応付けられるメタデータであって、処理モジュール１１０への不適切なデータの入力回避に役立つメタデータを生成する。
　具体的には、メタデータ生成装置５０は、確率密度関数生成部１２２と、処理モジュール側メタデータ生成部（以下、「第１メタデータ生成部」とも称する。）１２４とを備える。確率密度関数生成部１２２は、処理モジュール１１０の生成時に使用された学習用データを学習用データＤＢ１４０から読み出し、各々が共通の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成する。第１メタデータ生成部１２４は、生成された確率密度関数に基づいてメタデータ（以下、「第１メタデータ」とも称する。）を生成する。
　確率密度関数生成部１２２によって生成された確率密度関数には、学習用データの生成に用いられたセンシングデバイス１２の属性が反映されている。したがって、該確率密度関数に基づいて生成された第１メタデータにも、学習用データの生成に用いられたセンシングデバイス１２の属性が反映される。該第１メタデータを参照することによって、たとえば、処理モジュール１１０へ入力データを出力するセンシングデバイス１２として、学習用データを出力したセンシングデバイス１２と近い属性を有するセンシングデバイス１２を選択することができる。その結果、処理モジュール１１０へ不適切なデータが入力される事態を回避することができる。したがって、メタデータ生成装置５０によれば、処理モジュール１１０への不適切なデータの入力の回避に役立つメタデータ（第１メタデータ）を生成することができる。
　＜１－２．構成＞
　（１－２－１．システム全体の構成）
　図２は、本実施の形態１に従う処理モジュール側メタデータ生成モジュール（以下、「第１メタデータ生成モジュール」とも称する。）１２０を含むセンサネットワークシステム１０の一例を示す図である。図２の例では、センサネットワークシステム１０は、センサネットワーク部１４と、仮想センサ管理サーバ１００と、アプリケーションサーバ３００とを含む。
　センサネットワーク部１４、仮想センサ管理サーバ１００及びアプリケーションサーバ３００は、インターネット１５を介して相互に通信可能に接続されている。なお、センサネットワークシステム１０に含まれる各構成要素（仮想センサ管理サーバ１００、アプリケーションサーバ３００、センサネットワークアダプタ１１及びセンシングデバイス１２等）の数は、図２に示されるものに限定されない。
　センサネットワークシステム１０においては、センシングデバイス１２等によって生成されたセンシングデータが流通可能である。たとえば、センシングデバイス１２によって生成されたセンシングデータは仮想センサ管理サーバ１００に流通し得るし、仮想センサによって生成されたセンシングデータはアプリケーションサーバ３００に流通し得る。
　センサネットワーク部１４は、たとえば、複数のセンサネットワークアダプタ１１を含む。複数のセンサネットワークアダプタ１１の各々には複数のセンシングデバイス１２が接続されており、各センシングデバイス１２はセンサネットワークアダプタ１１を介してインターネット１５に接続されている。
　センシングデバイス１２は、対象を観測することによってセンシングデータを得るように構成されている。センシングデバイス１２は、たとえば、画像センサ（カメラ）、温度センサ、湿度センサ、照度センサ、力センサ、音センサ、速度センサ、加速度センサ、ＲＦＩＤ（Radio Frequency IDentification）センサ、赤外線センサ、姿勢センサ、降雨センサ、放射能センサ及びガスセンサ等を含む。また、センシングデバイス１２は、必ずしも固設型である必要はなく、携帯電話、スマートフォン及びタブレット等の移動型であってもよい。また、各センシングデバイス１２は、必ずしも単一のセンサで構成されている必要はなく、複数のセンサによって構成されていてもよい。また、センシングデバイス１２は、どのような目的で設置されていてもよく、たとえば、工場におけるＦＡ（Factory Automation）及び生産管理、都市交通制御、気象等の環境計測、ヘルスケア並びに防犯等のために設置されていてもよい。
　センサネットワーク部１４において、たとえば、各センサネットワークアダプタ１１は別々の（遠い）場所に配置され、各センサネットワークアダプタ１１に接続される各センシングデバイス１２は同一の（近い）場所に配置されるが、これらの配置場所はこれに限定されない。
　各アプリケーションサーバ３００（３００Ａ，３００Ｂ）は、センシングデータを利用するアプリケーションを実行するように構成されており、たとえば、汎用のコンピュータによって実現されている。アプリケーションサーバ３００は、インターネット１５を介して必要なセンシングデータを取得する。
　仮想センサ管理サーバ１００は、仮想センサを実現するためのサーバである。仮想センサ管理サーバ１００においては、複数の処理モジュール１１０と、第１メタデータ生成モジュール１２０と、適合性判定モジュール１３０とが実現されるとともに、学習用データＤＢ１４０と、第１メタデータＤＢ１５０とが管理される。複数の処理モジュール１１０、第１メタデータ生成モジュール１２０及び適合性判定モジュール１３０の各々は、たとえば、ソフトウェアモジュールである。
　処理モジュール１１０は、少なくとも１つの入力ポートを含み、各入力ポートに入力される入力データに基づいて入力データとは異なる出力データを生成するように構成されている。処理モジュール１１０は、必要に応じて入力ポートへ入力データを出力するセンシングデバイス１２を切り替え可能である。たとえば、現在入力ポートに入力データを出力しているセンシングデバイス１２が故障した場合に、処理モジュール１１０は、入力センサを他のセンシングデバイス１２に切り替えることができる。
　処理モジュール１１０は、たとえば、室内に配置された音センサによって出力される入力データ（音声データ）に基づいて、該室内に存在する人の数を示すデータを出力するように構成されてもよい。この場合には、処理モジュール１１０と、センシングデバイス１２（音センサ）とによって、室内の人の数を検知する仮想センサを実現することができる。
　第１メタデータ生成モジュール１２０は、処理モジュール１１０に対応付けられる第１メタデータを生成するように構成されている。適合性判定モジュール１３０は、処理モジュール１１０へ入力データを出力しているセンシングデバイス１２の適合性を判定するように構成されている。各ソフトウェアモジュール及び各データベースの詳細については後程説明する。
　（１－２－２．仮想センサ管理サーバのハードウェア構成）
　図３は、仮想センサ管理サーバ１００のハードウェア構成の一例を示す図である。なお、本実施の形態１において、仮想センサ管理サーバ１００は、たとえば、汎用コンピュータによって実現される。
　図３の例において、仮想センサ管理サーバ１００は、制御部１８０と、通信Ｉ／Ｆ（interface）１９５と、記憶部１９０とを含み、各構成は、バス１９７を介して電気的に接続されている。
　制御部１８０は、ＣＰＵ（Central Processing Unit）１８２、ＲＡＭ（Random Access Memory）１８４及びＲＯＭ（Read Only Memory）１８６等を含み、情報処理に応じて各構成要素の制御を行なうように構成されている。
　通信Ｉ／Ｆ１９５は、インターネット１５を介して、仮想センサ管理サーバ１００の外部に設けられた外部装置（たとえば、アプリケーションサーバ３００及びセンサネットワーク部１４（図２））と通信するように構成されている。通信Ｉ／Ｆ１９５は、たとえば、有線ＬＡＮ（Local Area Network）モジュールや無線ＬＡＮモジュールで構成される。
　記憶部１９０は、たとえば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置である。記憶部１９０は、たとえば、学習用データＤＢ１４０と、第１メタデータＤＢ１５０と、制御プログラム１９１とを記憶するように構成されている。また、記憶部１９０の一部の記憶領域には、データバッファ１６０が設けられている。
　図４は、学習用データＤＢ１４０の一例を示す図である。図４の例では、学習用データＤＢ１４０において、各処理モジュール１１０の生成時に用いられた学習用データが管理されている。この例において、処理モジュールＭ１は、音センサから出力された入力データ（音量データ）に基づいて、該音センサが配置されている部屋内に存在する人の数を出力するように構成されている。この場合に、処理モジュールＭ１の生成に用いられた複数の学習用データの各々は、音量データと、該音量データが入力された場合における処理モジュール１１０の出力データ（部屋内の人数）の正解ラベル（正しい値）とを含む。
　なお、処理モジュールＭ１は、１つの入力データに基づいて１つの出力データを生成することとしたが、各処理モジュール１１０は、必ずしも１つの入力データに基づいて１つの出力データを生成する必要はない。各処理モジュール１１０は、たとえば、複数の入力データに基づいて１つの出力データを生成してもよい。
　図５は、第１メタデータＤＢ１５０の一例を示す図である。図５の例では、第１メタデータＤＢ１５０において、各処理モジュール１１０の第１メタデータ１５１が管理されている。各第１メタデータ１５１は、対応付けられている処理モジュール１１０の生成時に使用された複数の学習用データに基づいて生成される。各処理モジュール１１０に対応付けられる第１メタデータについては、生成方法及び利用方法も含めて後程詳しく説明する。
　再び図３を参照して、データバッファ１６０は、センシングデバイス１２によって処理モジュール１１０へ出力されたセンシングデータを一時的に記憶するように構成されている。データバッファ１６０に一時的に記憶されたセンシングデータに基づいて、処理モジュール１１０へセンシングデータを出力しているセンシングデバイス１２の適合性が判定される。適合性の判定方法については、後程詳しく説明する。
　制御プログラム１９１は、制御部１８０によって実行される仮想センサ管理サーバ１００の制御プログラムである。たとえば、制御部１８０が制御プログラム１９１を実行することによって、各処理モジュール１１０、第１メタデータ生成モジュール１２０及び適合性判定モジュール１３０が実現されてもよい。制御部１８０が制御プログラム１９１を実行する場合に、制御プログラム１９１は、ＲＡＭ１８４に展開される。そして、制御部１８０は、ＲＡＭ１８４に展開された制御プログラム１９１をＣＰＵ１８２によって解釈及び実行することにより、各構成要素を制御する。
　（１－２－３．仮想センサ管理サーバのソフトウェア構成）
　図６は、仮想センサ管理サーバ１００のソフトウェア構成の一部（第１メタデータ生成モジュール１２０を含む。）の一例を示す図である。図６の例においては、制御部１８０が制御プログラム１９１を実行することによって、処理モジュール１１０と、第１メタデータ生成モジュール１２０と、第１メタデータ登録部１２６とが実現される。
　上述のように、処理モジュール１１０は、学習用データＤＢ１４０に格納されている複数の学習用データを用いた学習を行なうことによって生成されている。
　第１メタデータ生成モジュール１２０は、処理モジュール１１０の生成に用いられた学習用データに基づいて、処理モジュール１１０に対応付けられるメタデータ（第１メタデータ）を生成するように構成されている。第１メタデータ生成モジュール１２０は、確率密度関数生成部１２２と、第１メタデータ生成部１２４とを含む。
　確率密度関数生成部１２２は、処理モジュール１１０の生成に用いられた複数の学習用データを学習用データＤＢ１４０から読み出す。確率密度関数生成部１２２は、各々が共通の正解ラベルに対応付けられた複数の入力データの確率密度関数を生成する。確率密度関数生成部１２２は、正解ラベル毎に確率密度関数を生成する。すなわち、確率密度関数生成部１２２においては、複数の確率密度関数が生成される。なお、処理モジュール１１０への入力データが１つである場合には、確率密度関数は、図５内の第１メタデータ１５１に示されるように２次元となるが、処理モジュール１１０への入力データが２つ以上である場合には、入力データ数が増加するのに応じて確率密度関数の次元数も増加する。
　第１メタデータ生成部１２４は、確率密度関数生成部１２２によって生成された複数の確率密度関数に基づいて、第１メタデータ（たとえば、図５における第１メタデータ１５１）を生成する。たとえば、第１メタデータ生成部１２４は、確率密度関数生成部１２２によって生成された複数の確率密度関数を一纏めにしたデータを第１メタデータとする。
　第１メタデータ登録部１２６は、第１メタデータ生成部１２４によって生成された第１メタデータを、処理モジュール１１０に対応付けて第１メタデータＤＢ１５０に登録する。本実施の形態１に従う仮想センサ管理サーバ１００においては、各処理モジュール１１０の第１メタデータが第１メタデータＤＢ１５０に登録される。第１メタデータＤＢ１５０に登録された第１メタデータは、様々な用途に用いられる。
　図７は、仮想センサ管理サーバ１００のソフトウェア構成の一部（適合性判定モジュール１３０を含む。）の一例を示す図である。図７の例に示される構成は、第１メタデータＤＢ１５０に登録された第１メタデータを利用する。なお、適合性判定モジュール１３０と、切替部１３８と、処理モジュール１１０とは、制御部１８０が制御プログラム１９１を実行することによって実現される。
　適合性判定モジュール１３０は、処理モジュール１１０に対応付けられた第１メタデータと、処理モジュール１１０への入力データとに基づいて、処理モジュール１１０へ入力データを出力しているセンシングデバイス１２の適合性を判定する。適合性判定モジュール１３０は、取得部１３２と、確率密度関数生成部１３４と、適合性判定部１３６とを含む。
　取得部１３２は、処理モジュール１１０に対応付けられている第１メタデータを第１メタデータＤＢ１５０から取得する。なお、処理モジュール１１０には、適合性判定の対象となっているセンシングデバイス１２によって出力されたセンシングデータが入力されている。センシングデバイス１２によって出力されたセンシングデータは、データバッファ１６０に一時的に記憶される。
　確率密度関数生成部１３４は、データバッファ１６０に一時的に記憶された複数のセンシングデータ（入力データ）の確率密度関数を生成する。該複数のセンシングデータは、センシングデバイス１２の周囲の環境が大きく変わらない時間内に生成されている。すなわち、確率密度関数生成部１３４によって生成される確率密度関数は、共通の環境下においてセンシングデバイス１２によって出力されるセンシングデータ（処理モジュール１１０への入力データ）の確率密度関数であり、センシングデバイス１２の属性（出力の傾向）を示す。
　適合性判定部１３６は、取得部１３２によって取得された第１メタデータと、確率密度関数生成部１３４によって生成された確率密度関数とに基づいて、センシングデバイス１２の適合性を判定する。適合性判定部１３６は、たとえば、第１メタデータに含まれる複数の確率密度関数のいずれかと、確率密度関数生成部１３４によって生成された確率密度関数との類似度が所定値以上か否かを判定する。なお、類似度の算出には、公知の種々の方法が用いられる。
　適合性判定部１３６は、類似度が所定値以上である場合には、センシングデバイス１２の出力の傾向が処理モジュール１１０の学習用データを生成したセンシングデバイス１２の出力の傾向と近いため、センシングデバイス１２が適合であると判定する。一方、適合性判定部１３６は、類似度が所定値未満である場合には、センシングデバイス１２の出力の傾向が処理モジュール１１０の学習用データを生成したセンシングデバイス１２の出力の傾向と近くないため、センシングデバイス１２が不適合であると判定する。
　切替部１３８は、適合性判定部１３６による判定結果に基づいて、処理モジュール１１０へセンシングデータを出力するセンシングデバイス１２の切替えを行なう。切替部１３８は、たとえば、適合性判定部１３６によってセンシングデバイス１２が不適合であると判定された場合に、センシングデバイス１２の切替えを行なう。たとえば、切替部１３８は、通信Ｉ／Ｆ１９５を介して、現在処理モジュール１１０へ入力データを出力しているセンシングデバイス１２に出力の停止指示を送信するとともに、別のセンシングデバイス１２へ出力の開始指示を送信する。一方、切替部１３８は、たとえば、適合性判定部１３６によってセンシングデバイス１２が適合であると判定された場合に、センシングデバイス１２の切替えを行なわない。
　＜１－３．動作＞
　（１－３－１．メタデータ生成動作）
　図８は、第１メタデータの生成動作の一例を示すフローチャートである。このフローチャートに示される処理は、たとえば、処理モジュール１１０の生成後に、制御部１８０が第１メタデータ生成モジュール１２０（図６）として機能することによって実行される。
　図８を参照して、制御部１８０は、処理モジュール１１０の生成に用いられた複数の学習用データに含まれる複数種類の正解ラベルのうちいずれかを選択する（ステップＳ１００）。制御部１８０は、各々が選択された種類の正解ラベルに対応付けられている複数の入力データ（処理モジュール１１０の生成に用いられた複数の学習用データに含まれる。）に基づいて確率密度関数を生成する（ステップＳ１１０）。
　制御部１８０は、複数の学習用データに含まれる全種類の正解ラベルに関して確率密度関数を生成したか否かを判定する（ステップＳ１２０）。一部の正解ラベルに関して確率密度関数を生成していないと判定されると（ステップＳ１２０においてＮＯ）、制御部１８０は、既に確率密度関数が生成された正解ラベルとは異なる種類の正解ラベルを選択する（ステップＳ１３０）。その後、制御部１８０は、全種類の正解ラベルに関して確率密度関数を生成するまで、ステップＳ１１０からステップＳ１３０までの処理を繰り返す。
　一方、ステップＳ１２０において、全種類の正解ラベルに関して確率密度関数を生成したと判定されると（ステップＳ１２０においてＹＥＳ）、制御部１８０は、生成された全ての確率密度関数に基づいて第１メタデータを生成する（ステップＳ１４０）。その後、制御部１８０は、生成された第１メタデータを第１メタデータＤＢ１５０（図６）に登録する（ステップＳ１５０）。
　このように、本実施の形態１においては、各々が共通の正解ラベルに対応付けられた複数の入力データ（学習用データに含まれる。）の確率密度関数に基づいて第１メタデータが生成される。第１メタデータには、学習用データを生成したセンシングデバイス１２の属性が反映される。第１メタデータを参照することによって、たとえば、処理モジュール１１０へ入力データを出力するセンシングデバイス１２として、学習用データを生成したセンシングデバイス１２と近い属性を有するセンシングデバイス１２を選択することができ、処理モジュール１１０へ不適切なデータが入力されることを回避することができる。したがって、仮想センサ管理サーバ１００によれば、処理モジュール１１０への不適切なデータの入力の回避に役立つ第１メタデータを生成することができる。
　（１－３－２．センシングデバイスの適合性判定動作）
　図９は、センシングデバイス１２の適合性判定動作の一例を示すフローチャートである。このフローチャートに示される処理は、たとえば、センシングデバイス１２から処理モジュール１１０へセンシングデータが出力されている場合に、所定間隔で実行される。また、このフローチャートに示される処理は、制御部１８０が適合性判定モジュール１３０として機能することによって実行される。
　図９を参照して、制御部１８０は、処理モジュール１１０に対応付けられている第１メタデータを第１メタデータＤＢ１５０から取得する（ステップＳ２００）。ステップＳ２００において取得される第１メタデータが対応付けられている処理モジュール１１０には、適合性の判定対象であるセンシングデバイス１２によって出力されたセンシングデータが入力されている。
　制御部１８０は、センシングデバイス１２によって処理モジュール１１０へ出力されたセンシングデータのバッファリングを開始するようにデータバッファ１６０を制御する（ステップＳ２１０）。制御部１８０は、バッファリングの開始から所定時間Ｔ１が経過したか否かを判定する（ステップＳ２２０）。所定時間Ｔ１が経過していないと判定されると（ステップＳ２２０においてＮＯ）、制御部１８０は、所定時間Ｔ１が経過するまで、センシングデータのバッファリングを継続する。なお、所定時間Ｔ１は、たとえば、センシングデバイス１２の周囲の環境が大きく変わらない時間である。
　一方、ステップＳ２２０において、所定時間Ｔ１が経過したと判定されると（ステップＳ２２０においてＹＥＳ）、制御部１８０は、データバッファ１６０に記憶された複数のセンシングデータに基づいて確率密度関数を生成する（ステップＳ２３０）。制御部１８０は、生成された確率密度関数と、ステップＳ２００において取得された第１メタデータに含まれる複数の確率密度関数の各々との類似度を算出し、算出されたいずれかの類似度が所定値Ｖ１以上であるか否かを判定する（ステップＳ２４０）。
　いずれかの類似度が所定値Ｖ１以上であると判定されると（ステップＳ２４０においてＹＥＳ）、制御部１８０は、センシングデバイス１２が適合であると判定する（ステップＳ２５０）。一方、全ての類似度が所定値Ｖ１未満であると判定されると（ステップＳ２４０においてＮＯ）、制御部１８０は、センシングデバイス１２が不適合であると判定する（ステップＳ２６０）。
　このように、本実施の形態１においては、処理モジュール１１０に対応付けられている第１メタデータに基づいて、処理モジュール１１０へセンシングデータを出力しているセンシングデバイス１２の適合性が判定される。すなわち、本実施の形態１においては、処理モジュール１１０の生成に用いられた学習用データを出力したセンシングデバイス１２の属性（出力傾向）が十分に考慮された上で、センシングデバイス１２の適合性が判定される。したがって、本実施の形態１に従う仮想センサ管理サーバ１００によれば、処理モジュール１１０へ入力データを出力するセンシングデバイス１２の適合性をより正確に判定することができる。
　また、本実施の形態１においては、センシングデバイス１２の適合性の判定時に、データバッファ１６０に記憶された複数のセンシングデータに基づいて生成された確率密度関数が考慮された。したがって、本実施の形態１に従う仮想センサ管理サーバ１００によれば、処理モジュール１１０へ入力データを出力するセンシングデバイス１２の適合性をより正確に判定することができる。
　＜１－４．特徴＞
　以上のように、本実施の形態１に従うメタデータ生成装置（第１メタデータ生成モジュール１２０）は、処理モジュール１１０に対応付けられるメタデータを生成するように構成されている。第１メタデータ生成モジュール１２０は、確率密度関数生成部１２２と、第１メタデータ生成部１２４とを備える。確率密度関数生成部１２２は、各々が共通の正解ラベル（処理モジュール１１０の学習用データに含まれる。）に対応付けられた複数の入力データの確率密度関数を生成する。第１メタデータ生成部１２４は、生成された確率密度関数に基づいて第１メタデータを生成する。
　確率密度関数生成部１２２によって生成された確率密度関数には、学習用データの生成に用いられたセンシングデバイス１２の属性が反映されている。したがって、該確率密度関数に基づいて生成された第１メタデータにも、学習用データの生成に用いられたセンシングデバイス１２の属性が反映される。該第１メタデータを参照することによって、たとえば、処理モジュール１１０へ入力データを出力するセンシングデバイス１２として、学習用データを出力したセンシングデバイス１２と近い属性を有するセンシングデバイス１２を選択することができる。その結果、処理モジュール１１０へ不適切なデータが入力される事態を回避することができる。したがって、メタデータ生成装置５０によれば、処理モジュール１１０への不適切なデータの入力の回避に役立つメタデータ（第１メタデータ）を生成することができる。
　なお、処理モジュール１１０は、本発明の「処理モジュール」の一例であり、第１メタデータは、本発明の「メタデータ」の一例であり、第１メタデータ生成モジュール１２０は、本発明の「メタデータ生成装置」の一例である。確率密度関数生成部１２２は、本発明の「確率密度関数生成部」の一例であり、第１メタデータ生成部１２４は、本発明の「メタデータ生成部」の一例である。
　［２．実施の形態２］
　上記実施の形態１においては、処理モジュール１１０へセンシングデータを出力しているセンシングデバイス１２の適合性が、処理モジュール１１０に対応付けられた第１メタデータと、バッファリングされたセンシングデータとに基づいて判定された。詳細については後述するが、本実施の形態２においては、各センシングデバイス１２に予めセンサ側メタデータ（以下、「第２メタデータ」とも称する。）が対応付けられており、第１及び第２メタデータに基づいてセンシングデバイス１２の適合性が判定される。以下では、実施の形態１と異なる点を中心に説明する。
　＜２－１．構成＞
　（２－１－１．システム全体の構成）
　図１０は、本実施の形態２におけるセンサネットワークシステム１０Ａを示す図である。図２の例において、センサネットワークシステム１０Ａは、仮想センサ管理サーバ１００Ａを含み、仮想センサ管理サーバ１００Ａは、センサ側メタデータＤＢ（以下、「第２メタデータＤＢ」とも称する。）１７０と、適合性判定モジュール１３０Ａとを含む。第２メタデータＤＢ１７０及び適合性判定モジュール１３０Ａについては、後程詳しく説明する。
　（２－１－２．仮想センサ管理サーバのハードウェア構成）
　図１１は、仮想センサ管理サーバ１００Ａのハードウェア構成を示す図である。図１１の例において、仮想センサ管理サーバ１００Ａは制御部１８０Ａと記憶部１９０Ａとを含み、記憶部１９０Ａは第２メタデータＤＢ１７０と制御プログラム１９１Ａとを記憶している。
　制御部１８０Ａは、ＣＰＵ１８２、ＲＡＭ１８４及びＲＯＭ１８６等を含み、情報処理に応じて各構成要素の制御を行なうように構成されている。記憶部１９０Ａは、たとえば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置である。
　図１２は、第２メタデータＤＢ１７０の一例を示す図である。図１２の例では、第２メタデータＤＢ１７０において、センサネットワーク部１４に含まれるセンシングデバイス１２毎に第２メタデータ１７１が管理されている。この例において、第２メタデータＤＢ１７０は、少なくとも、センシングデバイスＳ１，Ｓ２，Ｓ３の各々に対応付けられている第２メタデータ１７１を管理している。各第２メタデータは、各々がセンシングデバイス１２によって処理モジュール１１０へ出力された複数の入力データ（センシングデータ）に基づいて生成されている。なお、該複数の入力データの各々が処理モジュール１１０へ入力された場合に、処理モジュール１１０は共通の出力値を出力する。
　たとえば、センシングデバイスＳ１に関して、第２メタデータ１７１の一例は、処理モジュールＭ１が各出力値（共通の出力値）を出力した場合におけるセンシングデータ（センシングデバイスＳ１（入力センサ）の出力値）の確率密度関数、及び、処理モジュールＭ２が各出力値を出力した場合におけるセンシングデータの確率密度関数である。第２メタデータ１７１は、たとえば、新たなセンシングデバイス１２がセンサネットワーク部１４に追加された場合や、仮想センサ管理サーバ１００Ａにおいて新たな処理モジュール１１０が生成された場合に生成される。
　（２－１－３．仮想センサ管理サーバのソフトウェア構成）
　図１３は、仮想センサ管理サーバ１００Ａのソフトウェア構成の一部（適合性判定モジュール１３０Ａを含む。）の一例を示す図である。適合性判定モジュール１３０Ａ及び切替部１３８Ａは、制御部１８０Ａが制御プログラム１９１Ａを実行することによって実現される。
　適合性判定モジュール１３０Ａは、処理モジュール１１０に対応付けられた第１メタデータと、センシングデバイス１２に対応付けられた第２メタデータとに基づいて、処理モジュール１１０へセンシングデータを出力している（又は、出力する予定である）センシングデバイス１２の適合性を判定する。適合性判定モジュール１３０Ａは、取得部１３２Ａ，１３５と、適合性判定部１３６Ａとを含む。
　取得部１３２Ａは、処理モジュール１１０に対応付けられている第１メタデータを第１メタデータＤＢ１５０から取得する。なお、適合性の判定対象となっているセンシングデバイス１２は、該処理モジュール１１０へセンシングデータを出力していてもよいし、該処理モジュール１１０へセンシングデータを出力する予定（現時点では出力していない。）であってもよい。
　取得部１３５は、適合性の判定対象であるセンシングデバイス１２に対応付けられている複数の第２メタデータのうち、センシングデータの出力先（出力予定先を含む。）の処理モジュール１１０に対応付けられている第２メタデータを第２メタデータＤＢ１７０（図１２）から取得する。
　適合性判定部１３６Ａは、取得部１３２Ａによって取得された第１メタデータと、取得部１３５によって取得された第２メタデータとに基づいて、センシングデバイス１２の適合性を判定する。適合性判定部１３６Ａは、たとえば、第１及び第２メタデータの類似度が所定値以上か否かを判定する。なお、類似度の算出には、公知の種々の方法が用いられる。
　適合性判定部１３６Ａは、類似度が所定値以上である場合には、センシングデバイス１２の出力の傾向が処理モジュール１１０の学習用データを生成したセンシングデバイス１２の出力の傾向と近いため、センシングデバイス１２が適合であると判定する。一方、適合性判定部１３６Ａは、類似度が所定値未満である場合には、センシングデバイス１２の出力の傾向が処理モジュール１１０の学習用データを生成したセンシングデバイス１２の出力の傾向と近くないため、センシングデバイス１２が不適合であると判定する。
　切替部１３８Ａは、適合性判定部１３６Ａによる判定結果に基づいて、処理モジュール１１０へセンシングデータを出力するセンシングデバイス１２の切替えを行なう。切替部１３８Ａは、たとえば、適合性判定部１３６Ａによってセンシングデバイス１２が不適合であると判定された場合に、センシングデバイス１２の切替えを行なう。
　たとえば、切替部１３８Ａは、センシングデバイス１２が処理モジュール１１０へセンシングデータを出力している場合にセンシングデバイス１２が不適合であると判定されたときは、通信Ｉ／Ｆ１９５を介して、該センシングデバイス１２へ出力の停止指示を送信するとともに、別のセンシングデバイス１２へ出力の開始指示を送信する。この場合に、別のセンシングデバイス１２は、必ずしも出力の停止指示が送信されたセンシングデバイス１２と同種のセンシングデバイス１２である必要はない。たとえば、出力停止指示が送信されたセンシングデバイス１２が監視カメラである場合に、切替え先のセンシングデバイス１２がスマートフォン（カメラ機能有り）であってもよい。要するに、切替え元と切替え先とが同種の機能を有していればよい。
　なお、切替部１３８Ａは、センシングデバイス１２が未だにセンシングデータを出力していない場合には、特に切替えを行なわない。この場合に、センシングデバイス１２が不適合であると判定されたときは、たとえば、別のセンシングデバイス１２の適合性判定が行なわれる。
　＜２－２．センシングデバイスの適合性判定動作＞
　図１４は、センシングデバイス１２の適合性判定動作の一例を示すフローチャートである。このフローチャートに示される処理は、たとえば、センシングデバイス１２から処理モジュール１１０へセンシングデータが出力されている場合に、所定間隔で実行される。また、このフローチャートに示される処理は、たとえば、処理モジュール１１０へ未だにセンシングデータが入力されていない状態で、センシングデバイス１２を選択する場合に実行される。また、このフローチャートに示される処理は、制御部１８０Ａが適合性判定モジュール１３０Ａとして機能することによって実行される。
　図１４を参照して、制御部１８０Ａは、処理モジュール１１０に対応付けられている第１メタデータを第１メタデータＤＢ１５０から取得する（ステップＳ３００）。制御部１８０Ａは、適合性の判定対象であるセンシングデバイス１２に対応付けられている複数の第２メタデータのうち、センシングデータの出力先（出力予定先を含む。）の処理モジュール１１０に対応付けられている第２メタデータを第２メタデータＤＢ１７０から取得する（ステップＳ３１０）。
　制御部１８０Ａは、ステップＳ３００において取得された第１メタデータと、ステップＳ３１０において取得された第２メタデータとの類似度を算出し、算出された類似度が所定値Ｖ２以上か否かを判定する（ステップＳ３２０）。
　類似度が所定値Ｖ２以上であると判定されると（ステップＳ３２０においてＹＥＳ）、制御部１８０Ａは、センシングデバイス１２が適合であると判定する（ステップＳ３３０）。一方、類似度が所定値Ｖ２未満であると判定されると（ステップＳ３２０においてＮＯ）、制御部１８０Ａは、センシングデバイス１２が不適合であると判定する（ステップＳ３４０）。
　このように、本実施の形態２においては、処理モジュール１１０に対応付けられている第１メタデータと、センシングデバイス１２に対応付けられている第２メタデータとに基づいて、センシングデバイス１２の適合性が判定される。したがって、本実施の形態２に従う仮想センサ管理サーバ１００Ａによれば、第２メタデータを参照することによって処理モジュール１１０へ入力データを出力しているセンシングデバイス１２の属性が十分に考慮されるため、センシングデバイス１２の適合性をより正確に判定することができる。
　［３．変形例］
　以上、実施の形態１，２について説明したが、本発明は、上記実施の形態１，２に限定されるものではなく、その趣旨を逸脱しない限りにおいて、種々の変更が可能である。以下、変形例について説明する。但し、以下の変形例は適宜組合せ可能である。
　＜３－１＞
　上記実施の形態１，２においては、学習用データＤＢ１４０は、仮想センサ管理サーバ１００，１００Ａに設けられた。しかしながら、学習用データＤＢ１４０は、必ずしも仮想センサ管理サーバ１００，１００Ａに設けられる必要はない。学習用データＤＢ１４０は、たとえば、インターネット１５に接続された他のサーバに記憶されていてもよい。
　＜３－２＞
　また、上記実施の形態１，２においては、第１メタデータに確率密度関数自体が含まれた。しかしながら、必ずしも確率密度関数自体が第１メタデータに含まれる必要はない。たとえば、確率密度関数において頻度（確率）が所定値未満となる入力値の範囲や、確率密度関数において頻度（確率）が所定値以上となる入力値の範囲のみが第１メタデータに含まれてもよい。
　＜３－３＞
　また、上記実施の形態２においては、第２メタデータに確率密度関数自体が含まれた。しかしながら、必ずしも確率密度関数自体が第２メタデータに含まれる必要はない。たとえば、確率密度関数において頻度（確率）が所定値未満となる入力値の範囲や、確率密度関数において頻度（確率）が所定値以上となる入力値の範囲のみが第２メタデータに含まれてもよい。
　＜３－４＞
　また、上記実施の形態１，２においては、処理モジュール１１０に、センシングデバイス１２によって出力されたセンシングデータが入力された。しかしながら、処理モジュール１１０へ入力されるデータは、センシングデバイス１２によって出力されたセンシングデータに限られない。たとえば、予めサーバ上のデータベースに蓄積されているセンシングデータ（たとえば、データセット）が処理モジュール１１０へ入力されてもよい。また、たとえば、仮想センサによって出力されたセンシングデータが処理モジュール１１０に入力されてもよい。
　＜３－５＞
　また、上記実施の形態１，２において、仮想センサ管理サーバ１００，１００Ａによって行なわれた処理は、複数のサーバ等によって実現されてもよい。
　１０，１０Ａ　センサネットワークシステム、１１　センサネットワークアダプタ、１２　センシングデバイス、１４　センサネットワーク部、１５　インターネット、５０　メタデータ生成装置、１００，１００Ａ　仮想センサ管理サーバ、１１０　処理モジュール、１２０　処理モジュール側メタデータ（第１メタデータ）生成モジュール、１２２　確率密度関数生成部、１２４　処理モジュール側メタデータ（第１メタデータ）生成部、１２６　処理モジュール側メタデータ（第１メタデータ）登録部、１３０，１３０Ａ　適合性判定モジュール、１３２，１３２Ａ，１３５　取得部、１３４　確率密度関数生成部、１３６，１３６Ａ　適合性判定部、１３８，１３８Ａ　切替部、１４０　学習用データＤＢ、１５０　処理モジュール側メタデータ（第１メタデータ）ＤＢ、１５１　第１メタデータ、１６０　データバッファ、１７０　センサ側メタデータ（第２メタデータ）ＤＢ、１７１　第２メタデータ、１８０，１８０Ａ　制御部、１８２　ＣＰＵ、１８４　ＲＡＭ、１８６　ＲＯＭ、１９０，１９０Ａ　記憶部、１９１，１９１Ａ　制御プログラム、１９５　通信Ｉ／Ｆ、１９７　バス、３００　アプリケーションサーバ。

Claims (7)

  1. 　処理モジュールに対応付けられるメタデータを生成するように構成されたメタデータ生成装置であって、
    　前記処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて前記入力データとは異なる出力データを生成するように構成されており、
    　前記複数の学習用データの各々は、前記入力データと、前記入力データに対応付けられた前記出力データの正解ラベルとを含み、
    　前記メタデータ生成装置は、
    　各々が共通の前記正解ラベルに対応付けられた複数の前記入力データの確率密度関数を生成するように構成された確率密度関数生成部と、
    　前記確率密度関数に基づいて前記メタデータを生成するように構成されたメタデータ生成部とを備える、メタデータ生成装置。
  2. 　前記確率密度関数生成部は、前記複数の学習用データに含まれる前記正解ラベル毎に前記確率密度関数を生成するように構成されている、請求項１に記載のメタデータ生成装置。
  3. 　前記入力データは、センシングデバイスによって出力されたセンシングデータである、請求項１又は請求項２に記載のメタデータ生成装置。
  4. 　前記処理モジュールは、複数の前記入力データに基づいて前記出力データを生成するように構成されている、請求項１から請求項３のいずれか１項に記載のメタデータ生成装置。
  5. 　前記処理モジュールと、前記処理モジュールへ前記入力データを出力するデバイスとによって仮想センサが形成される、請求項１から請求項４のいずれか１項に記載のメタデータ生成装置。
  6. 　処理モジュールに対応付けられるメタデータを生成するメタデータ生成方法であって、
    　前記処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて前記入力データとは異なる出力データを生成するように構成されており、
    　前記複数の学習用データの各々は、前記入力データと、前記入力データに対応付けられた前記出力データの正解ラベルとを含み、
    　前記メタデータ生成方法は、
    　各々が共通の前記正解ラベルに対応付けられた複数の前記入力データの確率密度関数を生成するステップと、
    　前記確率密度関数に基づいて前記メタデータを生成するステップとを含む、メタデータ生成方法。
  7. 　処理モジュールに対応付けられるメタデータを生成する処理をコンピュータに実行させるプログラムであって、
    　前記処理モジュールは、複数の学習用データを用いることによって生成された学習済みモデルであって、少なくとも１つの入力データに基づいて前記入力データとは異なる出力データを生成するように構成されており、
    　前記複数の学習用データの各々は、前記入力データと、前記入力データに対応付けられた前記出力データの正解ラベルとを含み、
    　前記プログラムは、
    　各々が共通の前記正解ラベルに対応付けられた複数の前記入力データの確率密度関数を生成するステップと、
    　前記確率密度関数に基づいて前記メタデータを生成するステップとを前記コンピュータに実行させるように構成されている、プログラム。
PCT/JP2018/043936 2018-02-27 2018-11-29 メタデータ生成装置、メタデータ生成方法及びプログラム WO2019167367A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/964,270 US20210034672A1 (en) 2018-02-27 2018-11-29 Metadata generation apparatus, metadata generation method, and program
CN201880086446.7A CN111602409B (zh) 2018-02-27 2018-11-29 元数据生成装置、元数据生成方法和存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018033040A JP6477943B1 (ja) 2018-02-27 2018-02-27 メタデータ生成装置、メタデータ生成方法及びプログラム
JP2018-033040 2018-02-27

Publications (1)

Publication Number Publication Date
WO2019167367A1 true WO2019167367A1 (ja) 2019-09-06

Family

ID=65655719

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/043936 WO2019167367A1 (ja) 2018-02-27 2018-11-29 メタデータ生成装置、メタデータ生成方法及びプログラム

Country Status (4)

Country Link
US (1) US20210034672A1 (ja)
JP (1) JP6477943B1 (ja)
CN (1) CN111602409B (ja)
WO (1) WO2019167367A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228995A (ja) * 2013-05-21 2014-12-08 パイオニア株式会社 画像特徴学習装置、画像特徴学習方法及びプログラム
US20170011738A1 (en) * 2015-07-09 2017-01-12 Google Inc. Generating acoustic models

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH064093A (ja) * 1992-06-18 1994-01-14 Matsushita Electric Ind Co Ltd Ｈｍｍ作成装置、ｈｍｍ記憶装置、尤度計算装置及び、認識装置
US20060115145A1 (en) * 2004-11-30 2006-06-01 Microsoft Corporation Bayesian conditional random fields
US20080235170A1 (en) * 2007-03-19 2008-09-25 Microsoft Corporation Using scenario-related metadata to direct advertising
US8379085B2 (en) * 2009-08-18 2013-02-19 Behavioral Recognition Systems, Inc. Intra-trajectory anomaly detection using adaptive voting experts in a video surveillance system
US8924313B2 (en) * 2010-06-03 2014-12-30 Xerox Corporation Multi-label classification using a learned combination of base classifiers
WO2012064893A2 (en) * 2010-11-10 2012-05-18 Google Inc. Automated product attribute selection
US20140201369A1 (en) * 2011-08-12 2014-07-17 Omron Corporation Information management device, information management program, and information management method
KR101768438B1 (ko) * 2013-10-30 2017-08-16 삼성에스디에스 주식회사 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템
WO2015193531A1 (en) * 2014-06-16 2015-12-23 Nokia Technologies Oy Data processing
US9600764B1 (en) * 2014-06-17 2017-03-21 Amazon Technologies, Inc. Markov-based sequence tagging using neural networks
FR3028064B1 (fr) * 2014-11-05 2016-11-04 Morpho Procede de comparaison de donnees ameliore
US20170147941A1 (en) * 2015-11-23 2017-05-25 Alexander Bauer Subspace projection of multi-dimensional unsupervised machine learning models
JP6465012B2 (ja) * 2015-12-14 2019-02-06 オムロン株式会社 データフロー制御装置およびデータフロー制御方法
JP6477551B2 (ja) * 2016-03-11 2019-03-06 トヨタ自動車株式会社 情報提供装置及び情報提供プログラム
CN106909911B (zh) * 2017-03-09 2020-07-10 Oppo广东移动通信有限公司 图像处理方法、图像处理装置和电子装置
US10436615B2 (en) * 2017-04-24 2019-10-08 Carnegie Mellon University Virtual sensor system
CN107679626A (zh) * 2017-10-10 2018-02-09 上海优刻得信息科技有限公司 机器学习方法、装置、系统、存储介质及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228995A (ja) * 2013-05-21 2014-12-08 パイオニア株式会社 画像特徴学習装置、画像特徴学習方法及びプログラム
US20170011738A1 (en) * 2015-07-09 2017-01-12 Google Inc. Generating acoustic models

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MOTADA, HIROSHI ET AL: "Fundamentals of Data Minig", 20 December 2006, OHMSHA, LTD, ISBN: 4-274-20348-4, pages: 51 - 61 *

Also Published As

Publication number Publication date
CN111602409A (zh) 2020-08-28
JP6477943B1 (ja) 2019-03-06
JP2019149670A (ja) 2019-09-05
CN111602409B (zh) 2022-05-03
US20210034672A1 (en) 2021-02-04

Similar Documents

Publication Publication Date Title
CN110232433B (zh) 生成用于机器人系统的指令以执行任务的方法和系统
JP6707715B2 (ja) 学習装置、推定装置、学習方法及びプログラム
CN104050241A (zh) 远程操作接受系统、远程操作系统及程序
JP6477943B1 (ja) メタデータ生成装置、メタデータ生成方法及びプログラム
JP6485567B1 (ja) 適合性判定装置、適合性判定方法及びプログラム
JP6481787B1 (ja) デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム
JP6558452B1 (ja) 品質チェック装置、品質チェック方法及びプログラム
US20200219412A1 (en) System and method for sensor fusion from a plurality of sensors and determination of a responsive action
JP6471818B1 (ja) メタデータ生成装置、メタデータ生成方法及びプログラム
JP6468377B1 (ja) 出力管理装置、出力管理方法及びプログラム
JP6501007B1 (ja) 出力管理装置、出力管理方法及びプログラム
JP6477935B1 (ja) 前処理判定装置、前処理判定方法及びプログラム
JP6727240B2 (ja) データ出力装置、データ出力方法及びプログラム
JP6477936B1 (ja) データ処理装置、データ処理方法及びプログラム
WO2019176183A1 (ja) センサ制御装置、センサ制御方法及びプログラム
WO2019159482A1 (ja) 候補抽出装置、候補抽出方法及びプログラム
WO2019159485A1 (ja) セッション制御装置、セッション制御方法及びプログラム
JP2019169946A (ja) 品質チェック装置、品質チェック方法及びプログラム
JP2024062742A (ja) システム、方法およびプログラム
JP2019139553A (ja) セッション制御装置、セッション制御方法及びプログラム

Legal Events

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

Ref document number: 18907802

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18907802

Country of ref document: EP

Kind code of ref document: A1