WO2020040253A1 - 予測解釈装置、及び予測解釈方法 - Google Patents

予測解釈装置、及び予測解釈方法 Download PDF

Info

Publication number
WO2020040253A1
WO2020040253A1 PCT/JP2019/032843 JP2019032843W WO2020040253A1 WO 2020040253 A1 WO2020040253 A1 WO 2020040253A1 JP 2019032843 W JP2019032843 W JP 2019032843W WO 2020040253 A1 WO2020040253 A1 WO 2020040253A1
Authority
WO
WIPO (PCT)
Prior art keywords
prediction
user
model
users
nearby
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/032843
Other languages
English (en)
French (fr)
Inventor
伊藤　拓
桂一 落合
佑介 深澤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
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 NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to US17/269,425 priority Critical patent/US12462170B2/en
Priority to JP2020538464A priority patent/JP7328974B2/ja
Publication of WO2020040253A1 publication Critical patent/WO2020040253A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a technology for interpreting a prediction result based on machine learning.
  • a technology for interpreting a prediction result based on machine learning As an example of an application field of the present technology, there is a technology of independently calculating a lifestyle affecting health while performing health prediction with high accuracy.
  • LIME a prediction model in machine learning and a model for interpreting prediction are independently calculated to enable interpretation of a prediction result in machine learning.
  • Patent Document 1 a technique using the importance of a random forest (for example, Patent Document 1), a heterogeneous mixture learning for learning a model by combining a decision tree and regression (for example, Non-Patent Document 1) ).
  • the present invention has been made in view of the above points, and an object of the present invention is to provide a technique capable of performing prediction by machine learning and interpretation of prediction with high accuracy.
  • a data storage unit that stores data of a plurality of users
  • a model storage unit that stores a prediction model learned from data of the plurality of users
  • a nearby user search unit that extracts a nearby user for the target user from the data storage unit;
  • a linear regression model learning unit that learns a linear regression model approximated to the prediction model
  • An interpretation result output unit that outputs an interpretation result of prediction for the target user based on the partial regression coefficient of the linear regression model
  • a prediction interpretation apparatus is provided in which the nearby user search unit extracts the nearby users by narrowing down nearby user candidates extracted based on a distance between users based on a prediction direction of the target user by the prediction model.
  • a technology that enables prediction by machine learning and interpretation of the prediction with high accuracy.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of the important lifestyle returning device 100. It is a flowchart for explaining the operation of the important lifestyle returning device 100. It is a flowchart for explaining the operation of the important lifestyle returning device 100. It is a figure for explaining extraction of a nearby user.
  • FIG. 4 is a diagram illustrating an example of a screen output by the important lifestyle returning device 100. FIG. 4 is a diagram illustrating an example of a screen output by the important lifestyle returning device 100.
  • an important lifestyle returning apparatus 100 for presenting (returning) an important lifestyle related to health risk will be described.
  • the application field of the present invention is not limited to this, and the present invention is not limited thereto. Is applicable in various fields.
  • FIG. 1 is a functional configuration diagram of the important lifestyle returning device 100 in the present embodiment.
  • the important lifestyle returning apparatus 100 includes a prediction model processing unit 200, a user interface unit 300, and an interpretation model processing unit 400.
  • the prediction model processing unit 200 is a processing unit that performs learning before a user actually accesses from a user terminal, and constructs a prediction model from the entire data of a plurality of users.
  • the interpretation model processing unit 400 creates an interpretation model using data of a user near a user (target user) who requests presentation of a lifestyle improvement plan.
  • the user interface unit 300 displays a screen (such as a Web screen) on the user terminal via the network. , And accepts input information from the user terminal.
  • the user interface unit 300 receives access from a user terminal of a user who requests presentation of a lifestyle improvement plan.
  • the user interface unit 300 is, for example, a display and a keyboard, a touch panel capable of performing input / output operations, and the like.
  • the prediction model processing unit 200 and the interpretation model processing unit 300 will be described in more detail.
  • the prediction model processing unit 200 includes a data acquisition unit 20, a model learning unit 21, a data storage unit 22, and a model storage unit 23.
  • the data acquisition unit 20 acquires the health examination data and the lifestyle result data of all the users, and stores the acquired data in the data storage unit 22.
  • the health examination data and the lifestyle result data are acquired, for example, from a predetermined server storing these data via a network.
  • the acquired data also includes the attributes and the like of each user in a form associated with the health examination data and the lifestyle habit inquiry result data. Note that the health examination data and the lifestyle result data may be regarded as “attributes”.
  • the model learning unit 21 reads the data acquired by the data acquisition unit 20 from the data storage unit 22, learns a prediction model of a health risk for the entire user using the data, and stores the learned prediction model in the model storage unit 23. To be stored.
  • the data storage unit 22 and the model storage unit 23 store the above-described data. Note that the data storage unit 22 and the model storage unit 23 may be outside the prediction model processing unit 200. Further, the data storage unit 22 and the model storage unit 23 may be on a network outside the important lifestyle returning apparatus 100.
  • the interpretation model processing unit 400 includes a nearby user search unit 40, a linear regression model learning unit 41, and an important lifestyle return unit 42.
  • the nearby user search unit 40 refers to the data storage unit 22, and extracts a user having an attribute close to the target user and not greatly deviating from the prediction result of the prediction model of the target user as a nearby user.
  • the linear regression model learning unit 41 learns a linear regression model that approximates the prediction model learned by the prediction model processing unit 200 only for the nearby user extracted by the nearby user search unit 40, and stores the learned linear regression model in a model. It is stored in the unit 23.
  • This linear regression model is a prediction model for interpretation, and can be called an interpretation model.
  • the important lifestyle returning unit 42 Based on the partial regression coefficient of the linear regression model learned by the linear regression model learning unit 41, the important lifestyle returning unit 42 provides the user with important lifestyle to be improved for the target user via the user interface unit 300. return.
  • FIG. 1 The block diagram of the important lifestyle returning device 100 shown in FIG. 1 shows functional blocks. These functional blocks (components) are realized by, for example, a combination of hardware and software.
  • the important lifestyle returning device 100 may be realized by a computer that performs the processing according to the present embodiment.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of a computer used as the important lifestyle returning device 100. As shown in FIG. 2, the computer includes a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, and a bus 1007.
  • the functions of the important lifestyle returning device 100 are performed by reading predetermined software (program) on hardware such as the processor 1001 and the memory 1002, so that the processor 1001 performs an operation, and communication by the communication device 1004, communication by the memory 1002, This is realized by controlling reading and writing of data in the storage 1003.
  • the processor 1001 controls the entire computer by operating an operating system, for example.
  • the processor 1001 may be configured by a central processing unit (CPU: Central Processing Unit) including an interface with a peripheral device, a control device, an arithmetic device, a register, and the like.
  • CPU Central Processing Unit
  • the processor 1001 reads a program (program code), a software module, or data from the storage 1003 or the communication device 1004 to the memory 1002, and executes various processes according to these.
  • a program program code
  • a software module software module
  • data data from the storage 1003 or the communication device 1004 to the memory 1002
  • the program a program that causes a computer to execute at least part of the operation described in this embodiment is used. Note that the program may be transmitted from a network via a telecommunication line.
  • the memory 1002 is a computer-readable recording medium such as a ROM (Read Only Memory), an EPROM (Erasable Programmable ROM), an EEPROM (Electrically Erasable Programmable ROM), and a RAM (Random Access Memory) or the like. May be done.
  • the memory 1002 may be called a register, a cache, a main memory (main storage device), or the like.
  • the memory 1002 can store a program (program code), a software module, and the like that can be executed to perform the processing according to the embodiment of the present invention.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (eg, a compact disk, a digital versatile disk, a Blu-ray). (Registered trademark) disk, smart card, flash memory (for example, card, stick, key drive), floppy (registered trademark) disk, magnetic strip, or the like.
  • the storage 1003 may be called an auxiliary storage device.
  • the above-described recording medium may be, for example, a database including the memory 1002 or the storage 1003, a server, or another appropriate medium.
  • the communication device 1004 is hardware (transmission / reception device) for performing communication between computers via a wired or wireless network, and is also referred to as, for example, a network device, a network controller, a network card, a communication module, or the like.
  • the input device 1005 is an input device (for example, a keyboard, a mouse, a microphone, a switch, a button, a sensor, and the like) that receives an external input.
  • the output device 1006 is an output device that performs output to the outside (for example, a display, a speaker, an LED lamp, and the like). Note that the input device 1005 and the output device 1006 may have an integrated configuration (for example, a touch panel).
  • the devices such as the processor 1001 and the memory 1002 are connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured by a single bus, or may be configured by a different bus between the devices.
  • the important lifestyle returning apparatus 100 includes a microprocessor, a digital signal processor (DSP), an application specific integrated circuit (ASIC), an ASIC (Programmable Logic), a PLD (Programmable Logic), a FPGA, an FPGA, and the like. And some or all of the functional blocks may be realized by the hardware.
  • the processor 1001 may be implemented by at least one of these hardware.
  • S101 in FIG. 3 is a process that is performed in advance before the target user accesses
  • S102 is a process that is performed when the target user actually accesses the important lifestyle returning apparatus 100.
  • FIG. 4 shows the details of S102.
  • the model learning unit 21 reads out the health diagnosis data and the lifestyle inquiry data of the entire user from the data storage unit 22, and uses these data to execute a prediction model using machine learning software such as XGBoost. To learn.
  • a prediction model for example, based on data on lifestyle, a result value of one year, two years, and three years later can be predicted for a health risk value taking systolic blood pressure as an example.
  • the interpretation model processing unit 400 causes the interpretation model to target only the nearby users to the target user as learning targets.
  • the important lifestyle returning unit 42 presents important lifestyles to the target user based on the interpretation model. “Important lifestyle” is an example of the interpretation result for the prediction.
  • the target user may not be included in the users used for learning in S101.
  • the target user can input his / her own health status and lifestyle via the user interface unit 300 and search for nearby users using the health status and lifestyle.
  • the search method performed by the nearby user search unit 40 will be described more specifically.
  • the state vector of the target user for example, a vector representing a health risk value such as BMI and systolic blood pressure, and a lifestyle value such as exercise time and the presence or absence of breakfast
  • the state vector of a nearby user is x ′.
  • the distance to a nearby user is represented by the Euclidean distance D (x, x ′).
  • D (x, x ′) A predetermined number of users whose D (x, x ') is smaller than others is set as a nearby user of the target user. Since the nearby user is not the final nearby user, it may be referred to as a nearby user candidate.
  • the nearby user search unit 40 narrows down the nearby users based on the validity of the approximation result. This has the effect of preventing erroneous predictions such as an increase in health risk value despite improvement in lifestyle.
  • Equation 1 represents the amount of change in f when the state of the target user is slightly changed.
  • the differential coefficient represented by “Equation 1” is Represents the slope of the tangent at point (x, f (x)). Note that the differential coefficient may be referred to as a prediction direction.
  • Equation 2 is a point corresponding to the state x ′ of the nearby user candidate and the prediction result f (x ′) of the prediction model f, the prediction result f (x) of the target user according to the state x and the prediction model f.
  • x) represents the slope of a straight line that connects the point corresponding to x).
  • the nearby user search unit 40 calculates the product of the slope of the health risk value between the target user and the nearby user and the derivative, and if the product is negative, excludes the user from the nearby users. That is,
  • the user (x ′) in which is negative is excluded from the nearby users.
  • the curve indicated by “A” indicates the prediction model f
  • the dotted line indicated by B indicates the slope of the health risk value between the target user and nearby users.
  • the slope of the tangent to the prediction model f at the point in the current state points to the upper right, so the prediction model f predicts that the BMI increases as the amount of drinking increases.
  • ⁇ Circle around (g) ⁇ (the straight line indicated by C) shown in FIG. 5 is an interpretation model obtained by calculation based on the data of the final nearby user. This will be described in S202 below.
  • ⁇ S202 Learning of linear regression model g>
  • the linear regression model learning unit 41 performs fitting with the learned predicted model f stored in the model storage unit 23 in the nearby user group X ′ ⁇ x′ ⁇ X ′ ⁇ extracted in S201.
  • Such a linear regression model g is learned as an interpretation model.
  • ⁇ x (x ′) represents a weighting factor of the loss function
  • the linear regression model learning unit 41 delivers the partial regression coefficient of the interpretation model to the important lifestyle returning unit 42.
  • a certain partial regression coefficient is an increase (or decrease) of the prediction result when the value of an item corresponding to the partial regression coefficient is increased while fixing the value of an item other than the item corresponding to the partial regression coefficient.
  • S203 Return important lifestyles>
  • the important lifestyle returning unit 42 returns (presents) the important lifestyle to the target user based on the partial regression coefficient passed from the linear regression model learning unit 41.
  • the details are as follows.
  • Important lifestyle return unit 42 is a list of partial regression coefficients returned by linear regression model learning unit 41.
  • the important lifestyle return unit 42 sorts the partial regression coefficients and the lifestyle corresponding to the partial regression coefficients in descending order of the partial regression coefficients, and returns them to the user terminal via the user interface unit 300.
  • the lifestyle presented here is a lifestyle that should be improved for the target user. The one above is more important.
  • FIG. 6 and 7 show examples of screens presented to the user terminal from the important lifestyle returning unit 42.
  • FIG. 6 is an example of a screen displaying lifestyles sorted in descending order of partial regression coefficients.
  • the exercise habit (“there is an exercise habit of 30 minutes or more per day”) is the lifestyle habit that has the greatest influence on the health risk.
  • the current lifestyle is also displayed, and the target user can understand that “there is an exercise habit of 30 minutes or more per day” is “Yes”.
  • FIG. 7 shows a screen example of a lifestyle change simulation result displayed on the user terminal.
  • each health risk value indicated by "before” is a value predicted from the current lifestyle.
  • the target user is, to change the lifestyle i k.
  • the change amount is set to ⁇ i k.
  • Information changes are notified to the key lifestyle return section 42 from the user terminal, significant lifestyle returning unit 42, the health risk value after the change, using the .DELTA.i k and partial regression coefficient corresponding to the lifestyle i k
  • each health risk value after changing the lifestyle is shown as “after”.
  • the target user can visually know the relationship between the improvement of the lifestyle and the change of the health risk value by repeating the lifestyle changing operation.
  • the important lifestyle returning apparatus 100 can present an important lifestyle closely related to the health risk to each user with high accuracy.
  • the developer can select a prediction model that matches the prediction target.
  • the important lifestyle returning apparatus 100 predicts the user's health risk value as another variable based on the user's lifestyle which is a controllable variable, and By interpreting the prediction results, the effect of improving lifestyle is presented.
  • the present invention can also perform prediction and interpretation of a highly valid prediction result in fields other than health. .
  • the recommendation method suitable for each individual is tuned by using the viewing history of the moving image as a controllable variable, predicting the moving image to be recommended as another variable, and interpreting the prediction result by the method of the present invention. it can.
  • a data storage unit for storing data of a plurality of users, a model storage unit for storing a prediction model learned from data of the plurality of users as a whole, And a linear regression model learning unit that learns a linear regression model approximated to the prediction model for the nearby users, and a partial regression coefficient of the linear regression model.
  • An interpretation result output unit that outputs an interpretation result of the prediction for the target user based on the target user based on the prediction model.
  • a prediction interpretation apparatus that extracts the nearby user by narrowing down based on the prediction direction of the user.
  • the important lifestyle returning device 100 is an example of a predictive interpretation device.
  • the important lifestyle return unit 42 is an example of an interpretation result output unit.
  • the neighborhood user search unit calculates a differential coefficient of the prediction model as the prediction direction, a point corresponding to a state of the neighborhood user candidate and a prediction result by the prediction model, and a state of the target user.
  • the slope of a straight line connecting a point corresponding to the result of prediction by the prediction model may be calculated, and a nearby user candidate in which the product of the differential coefficient and the slope of the straight line does not become negative may be extracted as a nearby user. Good. With this configuration, a nearby user can be appropriately extracted.
  • the interpretation result output unit may output items corresponding to the partial regression coefficients in a row based on the order of magnitude of the partial regression coefficients of the linear regression model. Further, when the value of a certain item is changed, the interpretation result output unit can output the changed prediction result based on the partial regression coefficient. With this configuration, for example, the user can perform an item change simulation.
  • the operation of a plurality of functional units may be physically performed by one component, or the operation of one functional unit may be physically performed by a plurality of components.
  • the order of the processing may be changed as long as there is no contradiction.
  • the software operated by the processor of the user device 10 according to the embodiment of the present invention and the software operated by the processor of the base station 20 according to the embodiment of the present invention are random access memory (RAM), flash memory, and read-only, respectively.
  • the data may be stored in a memory (ROM), an EPROM, an EEPROM, a register, a hard disk (HDD), a removable disk, a CD-ROM, a database, a server, or any other suitable storage medium.
  • REFERENCE SIGNS LIST 100 Important lifestyle habit returning device 200
  • Prediction model processing unit 20
  • Data acquisition unit 21 Model prediction unit 22
  • Model storage unit 300
  • User interface unit 400 Interpretation model processing unit 40 Nearby user search unit 41
  • Linear regression model learning unit 42
  • Important life Habit return unit 1001 processor 1002 memory 1003 storage 1004 communication device 1005 input device 1006 output device

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Business, Economics & Management (AREA)
  • Social Psychology (AREA)

Abstract

予測解釈装置において、複数ユーザのデータを格納するデータ記憶部と、前記複数ユーザ全体のデータから学習された予測モデルを格納するモデル記憶部と、対象ユーザに対する近傍ユーザを前記データ記憶部から抽出する近傍ユーザ探索部と、前記近傍ユーザを対象として、前記予測モデルに近似させた線形回帰モデルを学習する線形回帰モデル学習部と、 前記線形回帰モデルの偏回帰係数に基づいて前記対象ユーザに対する予測の解釈結果を出力する解釈結果出力部と、を備え、前記近傍ユーザ探索部は、ユーザ間の距離に基づき抽出された近傍ユーザ候補を、前記予測モデルによる前記対象ユーザの予測方向に基づいて絞り込むことにより、前記近傍ユーザを抽出する。

Description

予測解釈装置、及び予測解釈方法
　本発明は、機械学習に基づく予測結果の解釈を行う技術に関連するものである。本技術の適用分野の一例として、健康予測を高い精度で行いつつ、健康に影響を与える生活習慣を独立して算出する技術がある。
　近年、機械学習によって構築した予測モデルを用いて、入力データから結果を予測する技術が用いられている。
　また、得られた予測結果に関して、入力データにおけるどの要因が予測結果に大きく影響しているか等、予測結果の解釈を行うための技術も用いられている。そのような予測結果の解釈を可能とする技術として、例えばＬＩＭＥと呼ばれる技術がある。ＬＩＭＥでは、機械学習における予測モデルと、予測の解釈用モデルとを独立して算出することで、機械学習における予測結果の解釈を可能としている。
　また、予測結果の解釈を可能とする技術として、ランダム森の重要度を利用する技術（例えば特許文献１）、決定木と回帰を組み合わせることでモデルを学習する異種混合学習（例えば非特許文献１）等もある。
特開２００９－０５７３３７号公報
Riki Eto, Ryohei Fujimaki, Satoshi Morinaga, Hiroshi Tamano; Proceedings of the Seventeenth International Conference on Artificial Intelligence and Statistics, PMLR 33: 238-246, 2014.
　しかし、上述したＬＩＭＥでは、予測を高い精度で行うことができても、直観に反する解釈を与える場合があり、解釈精度が低いという問題があった。また、特許文献１及び非特許文献２に開示された技術では、予測精度を上げることと解釈精度を上げることとがトレードオフの関係にあり、両方を高い精度で実施することが難しいという問題があった。
　本発明は上記の点に鑑みてなされたものであり、機械学習による予測と、予測の解釈とを高い精度で行うことを可能とする技術を提供することを目的とする。
　開示の技術によれば、複数ユーザのデータを格納するデータ記憶部と、
　前記複数ユーザ全体のデータから学習された予測モデルを格納するモデル記憶部と、
　対象ユーザに対する近傍ユーザを前記データ記憶部から抽出する近傍ユーザ探索部と、
　前記近傍ユーザを対象として、前記予測モデルに近似させた線形回帰モデルを学習する線形回帰モデル学習部と、 
　前記線形回帰モデルの偏回帰係数に基づいて前記対象ユーザに対する予測の解釈結果を出力する解釈結果出力部と、を備え、
　前記近傍ユーザ探索部は、ユーザ間の距離に基づき抽出された近傍ユーザ候補を、前記予測モデルによる前記対象ユーザの予測方向に基づいて絞り込むことにより、前記近傍ユーザを抽出する
　予測解釈装置が提供される。
　開示の技術によれば、機械学習による予測と、予測の解釈とを高い精度で行うことを可能とする技術が提供される。
本発明の実施の形態にかかる重要生活習慣返却装置１００の機能構成図である。 重要生活習慣返却装置１００のハードウェア構成の一例を示す図である。 重要生活習慣返却装置１００の動作を説明するためのフローチャートである。 重要生活習慣返却装置１００の動作を説明するためのフローチャートである。 近傍ユーザの抽出を説明するための図である。 重要生活習慣返却装置１００により出力される画面例を示す図である。 重要生活習慣返却装置１００により出力される画面例を示す図である。
　以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。なお、以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。
　以下では本発明の一実施形態として、健康リスクに関わる重要生活習慣を提示（返却）する重要生活習慣返却装置１００について説明するが、本発明の適用分野はこれに限られるわけではなく、本発明は様々な分野において適用可能である。
　（重要生活習慣返却装置１００の機能構成例）
　図１は、本実施の形態における重要生活習慣返却装置１００の機能構成図である。図１に示すように、本実施の形態における重要生活習慣返却装置１００は、予測モデル処理部２００と、ユーザインタフェース部３００と、解釈モデル処理部４００とを有する。
　予測モデル処理部２００は、実際にユーザがユーザ端末からアクセスする前に学習を行う処理部であり、複数ユーザの全体のデータから予測モデルを構築する。解釈モデル処理部４００は、生活習慣の改善案の提示を求めるユーザ（対象ユーザ）の近傍ユーザのデータを用いた解釈用モデルの作成等を行う。
　本実施の形態では、重要生活習慣返却装置１００とユーザ端末とがネットワークを介して接続されることを想定しており、ユーザインタフェース部３００は、ネットワークを介してユーザ端末に画面（Ｗｅｂ画面等）を表示したり、ユーザ端末からの入力情報を受け付ける等の処理を実施する。例えば、ユーザインタフェース部３００は、生活習慣の改善案の提示を求めるユーザのユーザ端末からのアクセスを受け付ける。なお、ユーザが直接に重要生活習慣返却装置１００を操作する構成であってもよい。その場合、ユーザインタフェース部３００は、例えば、ディスプレイ及びキーボード、入出力操作可能なタッチパネル等である。以下、予測モデル処理部２００と解釈モデル処理部３００をより詳細に説明する。
　図１に示すように、予測モデル処理部２００は、データ取得部２０と、モデル学習部２１と、データ記憶部２２と、モデル記憶部２３とを有する。
　データ取得部２０は、全ユーザの健康診断データ及び生活習慣の問診結果データを取得し、取得したデータをデータ記憶部２２に格納する。健康診断データ及び生活習慣の問診結果データは、例えば、これらを蓄積した所定のサーバからネットワークを介して取得される。また、取得されるデータには、健康診断データ及び生活習慣の問診結果データと紐付く形で各ユーザの属性等も含まれる。なお、健康診断データ及び生活習慣の問診結果データを、「属性」と見なしてもよい。
　モデル学習部２１は、データ取得部２０により取得されたデータをデータ記憶部２２から読み出し、当該データを用いてユーザ全体における健康リスクの予測モデルを学習し、学習された予測モデルをモデル記憶部２３に格納する。
　データ記憶部２２及びモデル記憶部２３はそれぞれ上述したデータを格納する。なお、データ記憶部２２及びモデル記憶部２３は、予測モデル処理部２００の外部にあってもよい。また、データ記憶部２２及びモデル記憶部２３が、重要生活習慣返却装置１００の外部のネットワーク上にあってもよい。
　解釈モデル処理部４００は、近傍ユーザ探索部４０と、線形回帰モデル学習部４１と、重要生活習慣返却部４２とを有する。
　近傍ユーザ探索部４０は、データ記憶部２２を参照することにより、対象ユーザに近しい属性を持ち、なおかつ、対象ユーザの予測モデルにおける予測結果と大きく外れていないユーザを近傍ユーザとして抽出する。
　線形回帰モデル学習部４１は、近傍ユーザ探索部４０により抽出された近傍ユーザのみについて、予測モデル処理部２００で学習した予測モデルに近似する線形回帰モデルを学習し、学習した線形回帰モデルをモデル記憶部２３に格納する。この線形回帰モデルは解釈用の予測モデルであり、これを解釈用モデルと呼ぶことができる。
　重要生活習慣返却部４２は、線形回帰モデル学習部４１で学習された線形回帰モデルの偏回帰係数をもとに、対象ユーザにとって改善すべき重要な生活習慣をユーザインタフェース部３００を介してユーザに返却する。
　（ハードウェア構成例）
　図１に示した重要生活習慣返却装置１００のブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、例えば、ハードウェア及びソフトウェアの組み合わせによって実現される。
　また、重要生活習慣返却装置１００は、本実施の形態に係る処理を行うコンピュータで実現してもよい。図２は、重要生活習慣返却装置１００として使用されるコンピュータのハードウェア構成の一例を示す図である。図２に示すように、当該コンピュータは、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７を含む。
　重要生活習慣返却装置１００における各機能は、プロセッサ１００１、メモリ１００２等のハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みを制御することで実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタ等を含む中央処理装置（ＣＰＵ：Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）で構成されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール又はデータを、ストレージ１００３又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、本実施の形態で説明する動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　ＲＯＭ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）等の少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）等と呼ばれてもよい。メモリ１００２は、本発明の実施の形態に係る処理を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュール等を保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　ＲＯＭ）等の光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フロッピー（登録商標）ディスク、磁気ストリップ等の少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記録媒体は、例えば、メモリ１００２又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュール等ともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサ等）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、ＬＥＤランプ等）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１及びメモリ１００２等の各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。
　また、重要生活習慣返却装置１００は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等のハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。
　（重要生活習慣返却装置１００の動作）
　次に、図１に示した機能構成を備える重要生活習慣返却装置１００の動作を図３及び図４のフローチャートを参照して詳細に説明する。以下の動作において、データ取得部２０により取得したユーザ全体の健康診断データ及び生活習慣の問診データは既にデータ記憶部２２に格納されているものとする。
　まず、図３を参照して説明する。図３におけるＳ１０１の処理は、対象ユーザからのアクセスがある前に予め行う処理であり、Ｓ１０２は実際に重要生活習慣返却装置１００へ対象ユーザからアクセスがあった場合に行う処理である。図４は、Ｓ１０２の詳細内容を示す。
　まず、Ｓ１０１において、モデル学習部２１が、データ記憶部２２からユーザ全体の健康診断データ及び生活習慣の問診データを読み出し、これらのデータを使用して、ＸＧＢｏｏｓｔを一例とする機械学習ソフトウェアにより予測モデルを学習する。この予測モデルにより、例えば、生活習慣のデータに基づいて、収縮時血圧を一例とする健康リスク値について、１年後、２年後、３年後の結果値を予測することができる。
　続いて、ユーザインタフェース部３００を介してあるユーザ（対象ユーザ）のユーザ端末からアクセスを受けると、Ｓ１０２において、解釈モデル処理部４００が、対象ユーザに対する近傍のユーザのみを学習対象とする解釈用モデルを学習し、重要生活習慣返却部４２が、解釈用モデルに基づいて対象ユーザに対して重要な生活習慣を提示する。なお、「重要な生活習慣」は、予測に対する解釈結果の例である。
　（Ｓ１０２の詳細）
　以下、Ｓ１０２における解釈用モデルの学習処理、及び重要な生活習慣の提示処理の詳細を、図４のフローチャート、及び図５～７を参照して説明する。
　＜Ｓ２０１：近傍ユーザの抽出＞
　まず、図４のＳ２０１において、ユーザインタフェース部３００が対象ユーザからのリクエストを受け付けた後、近傍ユーザ探索部４０が、対象ユーザと健康状態及び生活習慣が近しいユーザを、データ記憶部２２に記憶された全ユーザから探索し、回帰モデルを構築する際に用いる近傍ユーザの情報を線形回帰モデル学習部４１へ引き渡す。
　なお、対象ユーザは、Ｓ１０１において学習に用いたユーザに含まれていなくてもよい。例えば、対象ユーザがユーザインタフェース部３００を介して自身の健康状態及び生活習慣を入力し、これら健康状態及び生活習慣を用いて近傍ユーザを探索することができる。
　近傍ユーザ探索部４０が行う探索法についてより具体的に説明する。
　対象ユーザの状態ベクトル（例えば、ＢＭＩ、収縮時血圧等の健康リスク値及び運動時間や朝食の有無等の生活習慣値を表したベクトル）をｘとし、近傍ユーザの状態ベクトルをｘ´としたとき、近傍ユーザとの距離はユークリッド距離Ｄ（ｘ，ｘ´）で表される。Ｄ（ｘ，ｘ´）が他と比べて小さい所定数のユーザを、対象ユーザの近傍ユーザとする。なお、ここでの近傍ユーザは最終的な近傍ユーザではないので、近傍ユーザ候補と称してもよい。
　続いて、近傍ユーザ探索部４０は近似結果の妥当性に基づく近傍ユーザの絞り込みを行う。これにより、生活習慣を改善したにも関わらず健康リスク値が上がってしまうといった誤予測を防ぐ効果がある。
　具体的には、モデル学習部２１で学習された予測モデルをｆとおいたとき、予測モデルの微分係数
Figure JPOXMLDOC01-appb-M000001
 と、対象ユーザと近傍ユーザ間の健康リスク値の傾き
Figure JPOXMLDOC01-appb-M000002
 を計算する。
　「数１」で示される微分係数は、対象ユーザの状態を微小変化させたときのｆの変化量を表す。簡単のために、対象ユーザの状態ｘが１次元であるとすると、ｘとｆ（ｘ）とを２次元グラフで表したときに、「数１」で示される微分係数は、ｆのグラフの点（ｘ，ｆ（ｘ））における接線の傾きを表す。なお、当該微分係数を予測方向と称してもよい。
　また、「数２」は、近傍ユーザ候補についての状態ｘ´と予測モデルｆによる予測結果ｆ（ｘ´）とに対応する点と、対象ユーザについての状態ｘと予測モデルｆによる予測結果ｆ（ｘ）とに対応する点とを結んだ直線の傾きを表す。
　近傍ユーザ探索部４０は、対象ユーザと近傍ユーザ間の健康リスク値の傾きと、微分係数との積を計算し、それが負である場合にはそのユーザを近傍ユーザから除外する。すなわち、
Figure JPOXMLDOC01-appb-M000003
 が負となるユーザ（ｘ´）を近傍ユーザから除外する。このことは、対象ユーザの状態が変化した場合の予測値の変化傾向（予測方向）から大きくはずれた予測値を持つ近傍ユーザを、最終的な近傍ユーザから除外することを意味する。この意味を図５を参照してより具体的に説明する。
　図５において、「Ａ」で示される曲線が予測モデルｆを表し、Ｂで示される点線が対象ユーザと近傍ユーザとの間での健康リスク値の傾きを表している。対象ユーザについて、現状の状態の点における予測モデルｆの接線の傾きが右上を向くので、予測モデルｆでは飲酒量が増えるほどＢＭＩが上がると予測されている。
　一方、飲酒量が少ないが極端にＢＭＩの高い予測結果（ｆ（ｘ´））が得られた近傍ユーザがいた場合、近似の回帰モデルを生成した際に誤予測となる可能性がある。そのため、Ｂの点線で示すように対象ユーザと近傍ユーザとの間の傾きを求め、予測モデルｆにおける微分係数と傾きとの積が負である場合には、外れ値であるとして、当該近傍ユーザを最終的な近傍ユーザから除外することとしている。
　図５に示すｇ（Ｃで示す直線）は、最終的な近傍ユーザのデータに基づく計算により得られた解釈用モデルである。これについては、下記のＳ２０２で説明する。
　＜Ｓ２０２：線形回帰モデルｇの学習＞
　図４のＳ２０２では、Ｓ２０１で抽出された近傍ユーザ群Ｘ´｛ｘ´∈Ｘ´｝において、線形回帰モデル学習部４１が、モデル記憶部２３に記憶されている学習済み予測モデルｆとフィッティングするような線形回帰モデルｇを解釈用モデルとして学習する。具体的には、
Figure JPOXMLDOC01-appb-M000004
 で定義される損失関数Ｌを最小化するようにｇを学習する。すなわち、近傍ユーザ群について、解釈用の線形回帰モデルｇを、予測モデルｆに近づくように学習する。ここで、πｘ（ｘ´）は損失関数の重み係数を表しており、
Figure JPOXMLDOC01-appb-M000005
 で定義される。距離が近いユーザほど損失関数を重視するため、より対象ユーザに近いユーザにフィッティングする解釈用モデルを学習する機構となる。解釈用モデルを学習した後、線形回帰モデル学習部４１は、重要生活習慣返却部４２へ解釈用モデルの偏回帰係数を引き渡す。なお、ある偏回帰係数は、その偏回帰係数に対応する項目以外の項目の値を固定してその偏回帰係数に対応する項目の値を増加させた場合の予測結果の増加量（もしくは減少量）を示す。
　＜Ｓ２０３：重要な生活習慣を返却＞
　Ｓ２０３において、重要生活習慣返却部４２は、線形回帰モデル学習部４１から渡された偏回帰係数に基づいて、重要な生活習慣を対象ユーザに返却（提示）する。具体的には下記のとおりである。
　生活習慣の一例として運動時間をｉ１とおく。このとき、ｉ１を変更したときに健康リスク値ｇがどの程度変動するかを示す偏回帰係数
Figure JPOXMLDOC01-appb-M000006
 の値が、運動時間の健康リスクに対する重要度となる。つまり、偏回帰係数の値が大きい生活習慣は、健康リスクへの影響が大きいということである。
　重要生活習慣返却部４２は、線形回帰モデル学習部４１が返却した偏回帰係数のリスト
Figure JPOXMLDOC01-appb-M000007
 を受け取り、受け取った偏回帰係数のリストに基づいて、ユーザ端末への情報提示を行う。
　例えば、重要生活習慣返却部４２は、偏回帰係数及びそれに対応する生活習慣を偏回帰係数の降順で並び替え、ユーザインタフェース部３００を介してユーザ端末へ返却する。ここで提示された生活習慣は、対象ユーザにとって改善すべき生活習慣となる。上にあるものほど重要なものである。
　図６、図７に、重要生活習慣返却部４２からユーザ端末に提示される画面例を示す。
　図６は、偏回帰係数の降順で並び替えた生活習慣が表示された画面の例である。図６の例では、運動習慣（「１日３０分以上の運動習慣がある」）が健康リスクに最も影響の大きな生活習慣であることがわかる。この例では、現状の生活習慣も表示されるようになっており、この対象ユーザは、「１日３０分以上の運動習慣がある」は「はい」であることがわかる。
　また、対象ユーザは、図６に示す画面上で、現状の生活習慣を変更することで、健康リスクの予測値がどの程度変動するを確認する生活習慣の変更シミュレーションを行うことができる。
　図７は、ユーザ端末に表示される生活習慣の変更シミュレーション結果の画面例を示す。図７において、「ｂｅｆｏｒｅ」で示される各健康リスク値は、現状の生活習慣から予測された値である。
　例えば、対象ユーザが、生活習慣ｉｋを変更する。その変更量をΔｉｋとする。変更の情報はユーザ端末から重要生活習慣返却部４２に通知され、重要生活習慣返却部４２は、変更後の健康リスク値を、生活習慣ｉｋに対応する偏回帰係数とΔｉｋとを用いて
Figure JPOXMLDOC01-appb-M000008
 として計算し、ユーザインタフェース部３００を介してユーザ端末の画面に表示する。図７の例では、生活習慣変更後の各健康リスク値が「ａｆｔｅｒ」として示されている。対象ユーザは、生活習慣の変更操作を繰り返すことで、生活習慣の改善と健康リスク値の変動との関係を視覚的に知ることができるようになる。
　（重要生活習慣返却装置１００の作用及び効果）
　重要生活習慣返却装置１００は、個々のユーザに対して健康リスクと関係の深い重要生活習慣を高い精度で提示することができる。
　また、本実施の形態における重要生活習慣返却装置１００は、結果の解釈と予測とを独立して行うことから、予測対象に合わせた予測モデルを開発者が選択することができる。
　また、近傍ユーザを抽出する際に、単純に属性の近いユーザのみを抽出する場合には、妥当性の低い解釈結果が生成されることがあるが、本実施の形態にかかる重要生活習慣返却装置１００では予測モデルを用いて近傍ユーザの絞り込みを行っているため、妥当性の高い解釈結果（精度の高い解釈結果）を得ることができる。
　（他の適用分野の例）
　以上、説明したように、本実施の形態における重要生活習慣返却装置１００は、コントロール可能な変数であるユーザの生活習慣に基づいて、他の変数であるユーザの健康リスク値を予測するとともに、その予測結果を解釈することで、生活習慣の改善効果を提示する。
　このように、コントロール可能な変数に基づいて他の変数を予測する分野であれば、本発明により、健康以外の分野でも、予測、及び妥当性の高い予測結果の解釈を行うことが可能である。
　例えば、ユーザをターゲットとして動画を推薦するサービスにおいて、個々のユーザに対して、どのような動画推薦を行えばよいかをチューニングすることができる。この場合、動画の視聴履歴等をコントロール可能な変数として用い、推薦すべき動画を他の変数として予測し、本発明の手法により予測結果の解釈を行うことで、個々人に適した推薦方法をチューニングできる。
　（実施の形態のまとめ）
　以上、説明したように、本実施の形態により、複数ユーザのデータを格納するデータ記憶部と、前記複数ユーザ全体のデータから学習された予測モデルを格納するモデル記憶部と、対象ユーザに対する近傍ユーザを前記データ記憶部から抽出する近傍ユーザ探索部と、前記近傍ユーザを対象として、前記予測モデルに近似させた線形回帰モデルを学習する線形回帰モデル学習部と、 前記線形回帰モデルの偏回帰係数に基づいて前記対象ユーザに対する予測の解釈結果を出力する解釈結果出力部と、を備え、前記近傍ユーザ探索部は、ユーザ間の距離に基づき抽出された近傍ユーザ候補を、前記予測モデルによる前記対象ユーザの予測方向に基づいて絞り込むことにより、前記近傍ユーザを抽出する予測解釈装置が提供される。
　上記の構成により、機械学習による予測と、予測の解釈とを高い精度で行うことが可能となる。なお、重要生活習慣返却装置１００は、予測解釈装置の例である。重要生活習慣返却部４２は、解釈結果出力部の例である。
　前記近傍ユーザ探索部は、前記予測方向として前記予測モデルの微分係数を算出し、前記近傍ユーザ候補についての状態と前記予測モデルによる予測結果とに対応する点と、前記対象ユーザについての状態と前記予測モデルによる予測結果とに対応する点とを結んだ直線の傾きを算出し、前記微分係数と、前記直線の傾きとの積が負にならない近傍ユーザ候補を近傍ユーザとして抽出するようにしてもよい。この構成により、近傍ユーザを適切に抽出できる。
　前記解釈結果出力部は、前記線形回帰モデルの偏回帰係数の大きさの順位に基づいて、各偏回帰係数に対応する項目を並べて出力することができる。また、前記解釈結果出力部は、ある項目の値が変更された場合において、偏回帰係数に基づいて、変更後の予測結果を出力することができる。この構成により、例えば、ユーザは、項目の変更シミュレーションを行うことができる。
　（実施形態の補足）
　以上、本発明の実施の形態を説明してきたが、開示される発明はそのような実施形態に限定されず、当業者は様々な変形例、修正例、代替例、置換例等を理解するであろう。発明の理解を促すため具体的な数値例を用いて説明がなされたが、特に断りのない限り、それらの数値は単なる一例に過ぎず適切な如何なる値が使用されてもよい。上記の説明における項目の区分けは本発明に本質的ではなく、２以上の項目に記載された事項が必要に応じて組み合わせて使用されてよいし、ある項目に記載された事項が、別の項目に記載された事項に（矛盾しない限り）適用されてよい。機能ブロック図における機能部又は処理部の境界は必ずしも物理的な部品の境界に対応するとは限らない。複数の機能部の動作が物理的には１つの部品で行われてもよいし、あるいは１つの機能部の動作が物理的には複数の部品により行われてもよい。実施の形態で述べた処理手順については、矛盾の無い限り処理の順序を入れ替えてもよい。処理説明の便宜上、重要生活習慣返却装置１００は機能的なブロック図を用いて説明されたが、そのような装置はハードウェアで、ソフトウェアで又はそれらの組み合わせで実現されてもよい。本発明の実施の形態に従ってユーザ装置１０が有するプロセッサにより動作するソフトウェア及び本発明の実施の形態に従って基地局２０が有するプロセッサにより動作するソフトウェアはそれぞれ、ランダムアクセスメモリ（ＲＡＭ）、フラッシュメモリ、読み取り専用メモリ（ＲＯＭ）、ＥＰＲＯＭ、ＥＥＰＲＯＭ、レジスタ、ハードディスク（ＨＤＤ）、リムーバブルディスク、ＣＤ－ＲＯＭ、データベース、サーバその他の適切な如何なる記憶媒体に保存されてもよい。
　本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　「含む（include）」、「含んでいる（including）」、及びそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示の全体において、例えば、英語でのａ、ａｎ及びｔｈｅのように、翻訳により冠詞が追加された場合、これらの冠詞は、文脈から明らかにそうではないことが示されていなければ、複数のものを含み得る。
　以上、本発明について詳細に説明したが、当業者にとっては、本発明が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本発明は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本発明に対して何ら制限的な意味を有するものではない。
　本特許出願は２０１８年８月２４日に出願した日本国特許出願第２０１８－１５７７１８号に基づきその優先権を主張するものであり、日本国特許出願第２０１８－１５７７１８号の全内容を本願に援用する。
１００　重要生活習慣返却装置
２００　予測モデル処理部
２０　データ取得部
２１　モデル予測部
２２　データ記憶部
２３　モデル記憶部
３００　ユーザインタフェース部
４００　解釈モデル処理部
４０　近傍ユーザ探索部
４１　線形回帰モデル学習部
４２　重要生活習慣返却部
１００１　プロセッサ
１００２　メモリ
１００３　ストレージ
１００４　通信装置
１００５　入力装置
１００６　出力装置

Claims (5)

  1. 　複数ユーザのデータを格納するデータ記憶部と、
    　前記複数ユーザ全体のデータから学習された予測モデルを格納するモデル記憶部と、
    　対象ユーザに対する近傍ユーザを前記データ記憶部から抽出する近傍ユーザ探索部と、
    　前記近傍ユーザを対象として、前記予測モデルに近似させた線形回帰モデルを学習する線形回帰モデル学習部と、 
    　前記線形回帰モデルの偏回帰係数に基づいて前記対象ユーザに対する予測の解釈結果を出力する解釈結果出力部と、を備え、
    　前記近傍ユーザ探索部は、ユーザ間の距離に基づき抽出された近傍ユーザ候補を、前記予測モデルによる前記対象ユーザの予測方向に基づいて絞り込むことにより、前記近傍ユーザを抽出する
    　予測解釈装置。
  2. 　前記近傍ユーザ探索部は、
    　前記予測方向として前記予測モデルの微分係数を算出し、
    　前記近傍ユーザ候補についての状態と前記予測モデルによる予測結果とに対応する点と、前記対象ユーザについての状態と前記予測モデルによる予測結果とに対応する点とを結んだ直線の傾きを算出し、
    　前記微分係数と、前記直線の傾きとの積が負にならない近傍ユーザ候補を近傍ユーザとして抽出する
    　請求項１に記載の予測解釈装置。
  3. 　前記解釈結果出力部は、前記線形回帰モデルの偏回帰係数の大きさの順位に基づいて、各偏回帰係数に対応する項目を並べて出力する
    　請求項１又は２に記載の予測解釈装置。
  4. 　前記解釈結果出力部は、ある項目の値が変更された場合において、偏回帰係数に基づいて、変更後の予測結果を出力する
    　請求項３に記載の予測解釈装置。
  5. 　複数ユーザのデータを格納するデータ記憶部と、前記複数ユーザ全体のデータから学習された予測モデルを格納するモデル記憶部とを備える予測解釈装置が実行する予測解釈方法であって、
    　対象ユーザに対する近傍ユーザを前記データ記憶部から抽出する探索ステップと、
    　前記近傍ユーザを対象として、前記予測モデルに近似させた線形回帰モデルを学習するステップと、 
    　前記線形回帰モデルの偏回帰係数に基づいて前記対象ユーザに対する予測の解釈結果を出力するステップと、を備え、
    　前記探索ステップにおいて、前記予測解釈装置は、ユーザ間の距離に基づき抽出された近傍ユーザ候補を、前記予測モデルによる前記対象ユーザの予測方向に基づいて絞り込むことにより、前記近傍ユーザを抽出する
    　予測解釈方法。
PCT/JP2019/032843 2018-08-24 2019-08-22 予測解釈装置、及び予測解釈方法 Ceased WO2020040253A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/269,425 US12462170B2 (en) 2018-08-24 2019-08-22 Prediction interpretation apparatus and prediction interpretation method
JP2020538464A JP7328974B2 (ja) 2018-08-24 2019-08-22 予測解釈装置、及び予測解釈方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018157718 2018-08-24
JP2018-157718 2018-08-24

Publications (1)

Publication Number Publication Date
WO2020040253A1 true WO2020040253A1 (ja) 2020-02-27

Family

ID=69591915

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/032843 Ceased WO2020040253A1 (ja) 2018-08-24 2019-08-22 予測解釈装置、及び予測解釈方法

Country Status (3)

Country Link
US (1) US12462170B2 (ja)
JP (1) JP7328974B2 (ja)
WO (1) WO2020040253A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021179847A (ja) * 2020-05-14 2021-11-18 株式会社Ｎｔｔドコモ スコア算出装置
WO2022107518A1 (ja) * 2020-11-19 2022-05-27 株式会社Ｎｔｔドコモ 血液情報推定装置
CN115169650A (zh) * 2022-06-20 2022-10-11 四川观想科技股份有限公司 一种大数据分析的装备健康预测方法
JP7182822B1 (ja) 2022-07-22 2022-12-05 株式会社Avilen 情報処理システム、情報処理方法および情報処理プログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4160492A4 (en) * 2020-05-26 2023-06-07 Fujitsu Limited MODEL TRAINING PROGRAM, MODEL TRAINING METHOD AND INFORMATION PROCESSING DEVICE
CN113377640B (zh) * 2021-06-23 2022-07-08 杭州网易云音乐科技有限公司 解释业务场景下模型的方法、介质、装置和计算设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016062509A (ja) * 2014-09-19 2016-04-25 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
WO2017163277A1 (ja) * 2016-03-25 2017-09-28 日本電気株式会社 情報処理システム、情報処理方法および情報処理プログラム
WO2018142753A1 (ja) * 2017-02-02 2018-08-09 日本電気株式会社 ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7505948B2 (en) * 2003-11-18 2009-03-17 Aureon Laboratories, Inc. Support vector regression for censored data
US8005627B2 (en) * 2006-09-08 2011-08-23 Richard Porwancher Bioinformatic approach to disease diagnosis
JP2009057337A (ja) 2007-08-31 2009-03-19 Dainippon Sumitomo Pharma Co Ltd メタボロームデータの解析方法および代謝関与マーカー
JP5130851B2 (ja) * 2007-09-27 2013-01-30 富士通株式会社 モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム
JP6354192B2 (ja) * 2014-02-14 2018-07-11 オムロン株式会社 因果ネットワーク生成システム
BR112017017079A2 (pt) * 2015-02-12 2018-04-10 Koninklijke Philips N.V. aparelho para classificação robusta, método realizado por um processador, e, mídia não transitória legível por computador
JP6615493B2 (ja) * 2015-05-26 2019-12-04 株式会社野村総合研究所 サーバ装置
US11594310B1 (en) * 2016-03-31 2023-02-28 OM1, Inc. Health care information system providing additional data fields in patient data
US10692099B2 (en) * 2016-04-11 2020-06-23 International Business Machines Corporation Feature learning on customer journey using categorical sequence data
US10877444B1 (en) * 2017-06-07 2020-12-29 Hrl Laboratories, Llc System and method for biofeedback including relevance assessment
US20190088159A1 (en) * 2017-09-15 2019-03-21 Paul Ash Minturn Quantified Scientific Well-Being Evaluations, Interventions and VR Games
US20190095588A1 (en) * 2017-09-26 2019-03-28 International Business Machines Corporation Health trend identification
JP7007027B2 (ja) * 2018-03-30 2022-01-24 Ｎｅｃソリューションイノベータ株式会社 予測システム、モデル生成システム、方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016062509A (ja) * 2014-09-19 2016-04-25 ヤフー株式会社 情報処理装置、情報処理方法、および情報処理プログラム
WO2017163277A1 (ja) * 2016-03-25 2017-09-28 日本電気株式会社 情報処理システム、情報処理方法および情報処理プログラム
WO2018142753A1 (ja) * 2017-02-02 2018-08-09 日本電気株式会社 ディープラーニングを用いる情報処理装置、情報処理方法及び情報処理プログラム

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021179847A (ja) * 2020-05-14 2021-11-18 株式会社Ｎｔｔドコモ スコア算出装置
JP7410794B2 (ja) 2020-05-14 2024-01-10 株式会社Ｎｔｔドコモ スコア算出装置
WO2022107518A1 (ja) * 2020-11-19 2022-05-27 株式会社Ｎｔｔドコモ 血液情報推定装置
JPWO2022107518A1 (ja) * 2020-11-19 2022-05-27
JP7853220B2 (ja) 2020-11-19 2026-04-28 株式会社Ｎｔｔドコモ 血液情報推定装置
CN115169650A (zh) * 2022-06-20 2022-10-11 四川观想科技股份有限公司 一种大数据分析的装备健康预测方法
CN115169650B (zh) * 2022-06-20 2022-11-22 四川观想科技股份有限公司 一种大数据分析的装备健康预测方法
JP7182822B1 (ja) 2022-07-22 2022-12-05 株式会社Avilen 情報処理システム、情報処理方法および情報処理プログラム
JP2024014314A (ja) * 2022-07-22 2024-02-01 株式会社Avilen 情報処理システム、情報処理方法および情報処理プログラム

Also Published As

Publication number Publication date
US12462170B2 (en) 2025-11-04
US20210182712A1 (en) 2021-06-17
JPWO2020040253A1 (ja) 2021-08-26
JP7328974B2 (ja) 2023-08-17

Similar Documents

Publication Publication Date Title
WO2020040253A1 (ja) 予測解釈装置、及び予測解釈方法
US11361243B2 (en) Recommending machine learning techniques, features, and feature relevance scores
US12027271B2 (en) Visualization of biomedical predictions
US11551818B2 (en) Computer system and method of presenting information related to basis of predicted value output by predictor
US11146580B2 (en) Script and command line exploitation detection
WO2012145616A2 (en) Predictive modeling
WO2016034996A1 (en) Healthcare similarity engine and dashboard
Díaz et al. Targeted learning ensembles for optimal individualized treatment rules with time-to-event outcomes
Chen et al. Improved interpretability of machine learning model using unsupervised clustering: predicting time to first treatment in chronic lymphocytic leukemia
Hashemifar et al. Joint alignment of multiple protein–protein interaction networks via convex optimization
EP3120258A1 (en) Context-aware re-formatting of an input
KR102865941B1 (ko) 적응형 하이브리드 처리를 이용한 개인화된 다중모드 쇼핑 보조 시스템 및 그 방법
JP6592574B1 (ja) 記事解析装置、および、記事解析方法
Cruz et al. Quality-based model for effective and robust multi-user pay-as-you-go ontology matching
US20210065912A1 (en) System and method for facilitating data analysis performance
CN116594712B (zh) 基于数据分析的用户中心展示方法及系统
JP7523696B2 (ja) 広告効果予測装置
JP2010015394A (ja) リンク先提示装置およびコンピュータプログラム
CN110706772A (zh) 一种排序方法及装置、电子设备、存储介质
WO2020231091A1 (en) Improved exploration for interactive recommendation systems
JP7682214B2 (ja) 情報処理装置
US20260004913A1 (en) Contrastive multi-omics association learning for complex diseases
CN114116838B (zh) 数据处理方法、装置、电子设备以及存储介质
US20250356381A1 (en) Information processing apparatus, information processing method, and program
Manoharan et al. Disease-Based Hospital Recommendation System using Machine Learning and Natural Language Processing (NLP)

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: 19852087

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020538464

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19852087

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 17269425

Country of ref document: US