WO2020153495A1 - 探索装置、探索システム、探索方法および記録媒体 - Google Patents

探索装置、探索システム、探索方法および記録媒体 Download PDF

Info

Publication number
WO2020153495A1
WO2020153495A1 PCT/JP2020/002608 JP2020002608W WO2020153495A1 WO 2020153495 A1 WO2020153495 A1 WO 2020153495A1 JP 2020002608 W JP2020002608 W JP 2020002608W WO 2020153495 A1 WO2020153495 A1 WO 2020153495A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
parameter
frequency
parameter value
target event
Prior art date
Application number
PCT/JP2020/002608
Other languages
English (en)
French (fr)
Inventor
慶一 木佐森
義男 亀田
鷲尾　隆
Original Assignee
日本電気株式会社
国立研究開発法人産業技術総合研究所
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 日本電気株式会社, 国立研究開発法人産業技術総合研究所 filed Critical 日本電気株式会社
Priority to US17/424,087 priority Critical patent/US20220100819A1/en
Priority to JP2020567728A priority patent/JP7185853B2/ja
Publication of WO2020153495A1 publication Critical patent/WO2020153495A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a search device, a search system, a search method, and a recording medium.
  • Non-Patent Document 1 proposes a method for efficiently searching for the occurrence condition of a rare event by using a method called multicanonical-MCMC (Markov Chain Monte Carlo).
  • a computer uses a plurality of sets of a parameter value and a numerical value indicating a degree of occurrence of a target event in the case of the parameter value, , Calculating a relationship with the numerical value, for a plurality of sections obtained by dividing the range that the numerical value can take, calculating the frequency that the numerical value is included in the section, at least a part of the plurality of sections For the section, the frequency is used to set the number of the parameter values so that the number of the parameter values for which the numerical value is calculated is increased in the less frequent section.
  • the parameter values for the above-mentioned number are set.
  • the search device 100 searches for an event occurrence condition (a condition under which an event occurs) using a model that receives a parameter value and outputs a value indicating whether or not an event has occurred.
  • the model used by the search device 100 may be a model that receives a parameter value and outputs a result, but cannot perform an inverse operation, that is, cannot receive a result and output a resulting parameter value.
  • the search device 100 repeats the process of sampling the parameter value, inputting the sampled parameter value into the model, and confirming the occurrence of the event.
  • n is a positive integer indicating the number of model parameters.
  • a model that outputs a value indicating whether or not a target event has occurred (or a numerical value indicating the degree of occurrence of the target event) in response to the input of the value of the parameter X is indicated by F(X).
  • the model F(X) outputs a value indicating the occurrence or non-occurrence of the target event
  • the model F(X) is a binary function that takes a value of 0 or 1.
  • the value “0” of the model F(X) indicates that the target event does not occur.
  • the value “1” of the model F(X) indicates that the target event occurs.
  • the model F(X) is indicated by the line L111.
  • the energy function C(X) is shown by the line L112.
  • the distribution determination unit 191 sets the energy function C(X) so that the plurality of sampling points obtained by inputting the value of the parameter X into the model F(X) are approximated by a hypersurface.
  • the least square method may be used as a method for the distribution determination unit 191 to obtain the energy function C(X) for a plurality of sets of the parameter value and the numerical value indicating the degree of occurrence of the target event in the case of the parameter value.
  • the least square method may be used.
  • the method is not limited to this.
  • the setting method by which the distribution determining unit 191 sets the energy function C(X) is not limited to a specific method.
  • the energy function C(X) may be described using, for example, a radial basis function.
  • the energy function C(X) may be obtained by adjusting the weighting coefficient value of each of the plurality of distribution functions.
  • the purpose of the distribution deciding unit 191 to obtain the energy function C(X) is to find a tail that has a large value near the numerical value at which the target event occurs and that includes the boundary of whether or not the target event occurs, as in the example of FIG. That is, sampling is performed according to the probability density.
  • the condition acquisition unit 192 can specify the position of the boundary by performing a relatively large number of samplings near the boundary that determines whether or not the target event occurs. Therefore, it is expected that the condition (situation) in which the target event occurs can be understood based on the position of the boundary.
  • the distribution determination unit 191 temporarily sets the energy function C(X) in the initial setting, and repeats the update of the energy function C(X) according to the processing described later with reference to FIGS. 13 to 15.
  • FIG. 4 is a diagram showing an example of initial setting of the energy function by the distribution determining unit 191 when the model F(X) has two parameters.
  • three graphs G41, G42, and G43 are shown.
  • the graphs G41 and G42 show examples of the initially set energy function C(X).
  • the horizontal axis of the graph G41 shows the value of the parameter x 1
  • the vertical axis shows the value of the parameter x 2 .
  • the graph G41 shows an example in which the value of the parameter X is represented by a two-dimensional axis of x 1 and x 2
  • the value of the energy function C(X) is represented by the brightness (black and white gradation). There is.
  • the horizontal axis of the graph G42 shows the value of the parameter X
  • the vertical axis shows the value of the energy function C(X) (that is, the degree to which the target event occurs).
  • Line L211 shows the energy function C(X).
  • the value of the parameter X is represented by a one-dimensional axis for the sake of explanation.
  • the graph G42 shows a diagram in which x 1 is projected along the x 2 axis in the graph G41.
  • the distribution determination unit 191 may set the energy function C(X) to a predetermined function in the initial setting of the energy function C(X).
  • FIG. 5 three graphs G51, G52, and G53 are shown.
  • the graphs G51 and G52 show examples of the energy function C(X) updated from the initial setting (graphs G41 and G42).
  • the horizontal axis of the graph G51 shows the value of the parameter x 1
  • the vertical axis shows the value of the parameter x 2 .
  • the graph G51 shows an example in which the value of the parameter X is represented by a two-dimensional axis of x 1 and x 2
  • the value of the energy function C(X) is represented by brightness (black and white gradation). There is.
  • FIG. 7 is a diagram showing an example in which the distribution determining unit 191 further updates the energy function from the setting shown in the graph G61 of FIG.
  • the graph G71 shows an example of the energy function C(X) updated from the setting (graph G61) shown in FIG.
  • the horizontal axis of the graph G71 shows the value of the parameter x 1
  • the vertical axis shows the value of the parameter x 2 .
  • the graph G71 shows an example in which the value of the parameter X is represented by a two-dimensional axis of x 1 and x 2
  • the value of the energy function C(X) is represented by brightness (black and white gradation). There is.
  • the method of updating the energy function C(X) described with reference to FIGS. 4 to 7 is an example, and is not limited to this method.
  • the peak of the energy function C(X) is taken at or near the sampling point of the value of the parameter X at which the target event occurs, and the tail from the peak is the target. It is possible to use a method that does not spread too much in the region including the sampling points of the value of the parameter X where the event does not occur.
  • the frequency analysis here is to analyze the distribution of the size of the value to be analyzed. Specifically, for a section that divides the range that the value can take, the frequency that the value is included in that section. To analyze. In the case of the coefficient setting unit 193, the frequency in which the energy function value is included in the section is analyzed for the section obtained by dividing the range that the energy function value can take.
  • the coefficient setting unit 193 calculates the frequency of including a numerical value in each section obtained by dividing the range in which the numerical value indicating the degree of occurrence of the target event can be divided.
  • the coefficient setting unit 193 corresponds to an example of the frequency calculation unit.
  • the range of the numerical value indicating the degree of occurrence of the target event is the range of the numerical value indicating the degree of occurrence of the target event (therefore, the range of the model F(X) or the range of the energy function C(X)).
  • the present invention is not limited to this.
  • the coefficient setting unit 193 determines the number of parameter values in the low frequency section and the number of parameter values in the high frequency section based on the frequency (frequency) of the parameter values generated by the sampling processing unit 194.
  • the weighting factor values for each section are set so that they are aligned. In other words, the coefficient setting unit 193 performs weighting so that the increase/decrease in the number of parameter values in the section in which the parameter value frequency is low is increased more than the increase/decrease in the parameter value number in the section in which the parameter value frequency is high.
  • the coefficient setting unit 193 may set the number of parameter values in a section having a low frequency to be larger than that in a section having a high frequency. That is, the coefficient setting unit 193 may set the weighting coefficient value so that the sampling processing unit 194 calculates a larger number of parameter values in a less frequent section than in a more frequent section.
  • the sampling processing unit 194 When calculating the parameter value in the section R i , the sampling processing unit 194 obtains the value of the energy function C(X) by applying the generated energy function C(X) to the value of a certain parameter X, A section R j including the calculated value (value of the energy function C(X)) is calculated. The sampling processing unit 194 generates the parameter value by the amount corresponding to the weighting coefficient value W(R j ) by repeating such processing. The sampling processing unit 194 may select the parameter value from a database (not shown) in which the parameter value is stored in advance, or may calculate the parameter value in a predetermined range. In each embodiment of the present invention, these two processes are collectively referred to as “sampling”. In this way, the sampling processing unit 194 sets the parameter value based on the setting related to the number of parameter values indicated by the weighting coefficient value set by the coefficient setting unit. The sampling processing unit 194 corresponds to an example of the parameter value setting execution unit.
  • the distribution determining unit 191 calculates (learns) a model that is a surrogate of the model F(X) by the processing described above.
  • the model F(X) represents, for example, a process of performing simulation according to a simulation model based on parameter values.
  • the model F(X) may represent a process of identifying whether or not the target event has occurred by observing the situation indicated by the parameter value.
  • the control unit 190 may determine that the ending condition is satisfied when the processing time of the search device 100 becomes a predetermined time or more. Alternatively, the control unit 190 may determine that the ending condition is satisfied when the number of samplings of the value of the parameter X is equal to or more than a predetermined number.
  • the sampling processing unit 194 randomly samples the parameter value X 1 (step S212).
  • the parameter value X 1 sampled in step S212 is adopted as sampling instead of temporary sampling.
  • the sampling processing unit 194 inputs the parameter value X 1 into the energy function C(X) to calculate the energy function value C(X 1 ) (step S213).
  • the model calculation device 200 outside the search device 101 performs the calculation of the model F(X). Therefore, the model storage unit 181 is provided not in the storage unit 180 on the search device 101 side but in the storage unit 280 on the model calculation device 200 side.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

探索装置は、パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出する関係性算出手段と、前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出する頻度算出手段と、前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行う個数設定手段と、設定した前記個数分のパラメータ値を設定するパラメータ設定手段と、を備える。

Description

探索装置、探索システム、探索方法および記録媒体
　本発明は、探索装置、探索システム、探索方法および記録媒体に関する。
　人工衛星に搭載される望遠鏡における迷光（ゴースト）の発生など、稀な事象は見落としのリスクが高く、効率的に探索できることが望まれる。そこで、非特許文献１では、multicanonical-MCMC(Markov Chain Monte Carlo)と呼ばれる手法を用いて、稀な事象の発生条件を効率的に探索する方法が提案されている。
Kisamori、外３名、A Rare and Critical Condition Search technique and its Application to Telescope Stray Light Analysis、SIAM、２０１８年
　非特許文献１に記載の方法では、事象の発生の条件に相当するパラメータ値のサンプリングの確率分布が与えられ、その確率分布に応じてサンプリングを行うことで、稀な事象の発生条件を効率的に探索する。パラメータ値のサンプリングの確率分布が明示されていない場合、非特許文献１に記載の方法を用いて事象の発生条件を探索するユーザが、パラメータ値のサンプリングの確率分布を設定する必要がある。非特許文献１に記載の方法による稀な事象の発生条件の探索効率は、パラメータ値のサンプリングに左右される。このため、ユーザが、背景知識等を用いてパラメータ値のサンプリングの確率分布を適切に設定することが好ましく、ユーザにとって負担となる。
　対象事象（発生条件を探索する対象となっている事象）が発生する条件を探索する装置が、パラメータ値のサンプリングの確率分布など、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索できることが好ましい。
　本発明の目的の一例は、上述の課題を解決することのできる探索装置、探索システム、探索方法および記録媒体を提供することである。
　本発明の第１の態様によれば、探索装置は、パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出する関係性算出手段と、前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出する頻度算出手段と、前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行う個数設定手段と、設定した前記個数分のパラメータ値を設定するパラメータ設定手段と、を備える。
　本発明の第２の態様によれば、探索方法は、コンピュータが、パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出し、前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出し、前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行い、設定した前記個数分のパラメータ値を設定する。
　本発明の第３の態様によれば、記録媒体は、コンピュータに、パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出し、前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出し、前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行い、設定した前記個数分のパラメータ値を算出する、機能を実行させる探索プログラムが格納されている。
　この発明の実施形態によれば、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索することができる。
実施形態に係る探索装置の機能構成を示す概略ブロック図である。 実施形態に係る分布決定部が設定するパラメータ値と、当該パラメータ値の場合に対象事象が生じている程度を示す数値との関係性を示すモデルの例を示す図である。 実施形態に係る条件取得部が行う、エネルギー関数に基づくパラメータ値のサンプリングの例を示す図である。 実施形態に係るモデルのパラメータが２つである場合の、分布決定部によるエネルギー関数の初期設定の例を示す図である。 実施形態に係る分布決定部がエネルギー関数を、図４に例示される初期設定から更新した例を示す図である。 実施形態に係る分布決定部がエネルギー関数を図５に示す設定からさらに更新した例を示す図である。 実施形態に係る分布決定部がエネルギー関数を図６のグラフＧ６１に示す設定からさらに更新した例を示す図である。 実施形態に係る条件取得部がエネルギー関数に基づいて行う、パラメータＸの値のサンプリングの例を示す図である。 実施形態に係る係数設定部が算出する重み係数値の例を概念的に示す図である。 実施形態に係る係数設定部が算出する重み係数値の例を示す図である。 実施形態に係るサンプリング処理部が仮にサンプリングしたパラメータ値の第１例を示す図である。 実施形態に係るサンプリング処理部が仮にサンプリングしたパラメータ値の第２例を示す図である。 実施形態に係る探索装置が対象事象の発生条件を検索する処理手順の例を示すフローチャートである。 実施形態に係る条件取得部が、エネルギー関数に基づいてパラメータＸの値をサンプリングする処理手順の例を示すフローチャートである。 実施形態に係る係数設定部がエネルギー関数の値の区間毎の重み係数値を算出する処理手順の例を示すフローチャートである。 モデルの演算を探索装置とは別の装置が行う場合の、探索システムの構成例を示す図である。 実施形態に係る事象発生探索装置の構成の例を示す図である。
　以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
　図１は、実施形態に係る探索装置の機能構成を示す概略ブロック図である。図１に示すように、探索装置１００は、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部１９０とを備える。記憶部１８０は、モデル記憶部１８１を備える。制御部１９０は、分布決定部１９１と、条件取得部１９２とを備える。条件取得部１９２は、係数設定部１９３と、サンプリング処理部１９４と、事象発生パラメータ値抽出部１９５とを備える。
　探索装置１００は、パラメータ値と、そのパラメータ値の場合に対象事象が生じているか否かを示す情報とが組み合わされたセットを複数取得する。ここでいう対象事象は、探索装置１００が、その事象が発生する条件を探索する対象となっている事象である。パラメータ値は、対象事象が生じているか否かの判定対象となる条件（状況）を示す。
　探索装置１００は、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値情報とが組み合わされたセットを複数取得してもよい。探索装置１００は、図１３または図１４等を参照しながら後述するような処理を実行することによって、対象事象が発生する状況（条件、以降、「発生条件」と称する）を探索する。数値情報は、例えば、発生した事象と、探索対象である対象事象とが類似している程度を示す情報である。探索装置１００は、事象を示す情報を取得し、取得した該事象と対象事象とが類似している程度を算出してもよい。
　パラメータ値の場合に生じる事象は、例えば、そのパラメータ値を取得し、そのパラメータ値に基づき、あるシミュレーションモデルに従った処理を実行することによって算出される。パラメータ値の場合に生じる事象は、例えば、パラメータ値が示す状況にて、実験、測定、または、観測等によって実際に得られる事象であってもよい。
　シミュレーションモデルは、パラメータ値の入力を受けて、パラメータ値の場合に生じる事象（結果）を出力する。しかし、シミュレーションモデルは、逆演算、すなわち、事象（結果）の入力を受けてその結果となるパラメータ値（状況）を出力することはできないモデルであってよい。対象事象の発生条件を探索するために、探索装置１００は、パラメータ値の生成と、生成したパラメータ値（状況）の場合に対象事象の発生の有無を確認する処理とを繰り返す。
　探索装置１００は、パラメータ値の入力を受けて事象の発生の有無を示す値を出力するモデルを用いて、事象発生条件（事象が発生する条件）を探索する。探索装置１００が用いるモデルは、パラメータ値の入力を受けて結果を出力するが、逆演算、すなわち、結果の入力を受けてその結果となるパラメータ値を出力することはできないモデルであってよい。逆演算を用いずに事象発生条件を探索するために、探索装置１００は、パラメータ値のサンプリングを行い、サンプリングしたパラメータ値をモデルに入力して事象の発生の有無を確認する処理を繰り返す。
　ここでいうサンプリングは、対象事象の発生の有無を調べる対象となるパラメータ値を設定することである。特に、ここでいうサンプリングは、既存のものの中から何れかを選択することに限定されない。探索装置１００が新たにパラメータ値を生成（例えば、算出）するようにしてもよい。
　本願の各実施形態では、サンプリングは、データベースに格納されている複数のパラメータ値から選ぶという処理、または、対象事象が生じている程度を示す数値と、関係性とに基づきパラメータ値を算出する処理のいずれかであってもよい。
　発生が稀な事象の発生条件を探索する場合に、条件（状況）を示す多数のパラメータ値を生成し、生成したパラメータ値毎に、そのパラメータ値が示す条件下での対象事象の発生の有無を確認することに、膨大な時間を要することが考えられる。そこで、探索装置１００は、対象事象が発生するパラメータ値を効率的に探索するために、図１３～図１５を参照して後述するような処理を実行することによって、発生条件検索対象の事象が発生するパラメータ値を探索する。
　上述したように、パラメータ値の場合に生じる事象は、そのパラメータ値に基づき、あるシミュレーションモデルに従った処理を実行することによって算出される。パラメータ値の場合に生じる事象は、例えば、パラメータ値が示す状況にて、実験、測定、または、観測等によって実際に得られる事象であってもよい。したがって、対象事象が発生する場合のパラメータ値は、当該対象事象が発生する状況（条件）を示す。
　探索装置１００は、例えばパソコン（Personal Computer：ＰＣ）またはワークステーション(Workstation)等のコンピュータ（情報処理装置、計算装置）を用いて構成される。
　表示部１２０は、例えば液晶パネルまたはＬＥＤ（Light Emitting Diode）パネル等の表示画面を備え、各種画像を表示する。例えば、表示部１２０は、探索装置１００による探索結果を表示する。
　操作入力部１３０は、例えばキーボードおよびマウスなどの入力デバイスを備え、ユーザ操作を受け付ける。例えば、操作入力部１３０は、発生条件（対象事象が発生する条件）の探索開始を指示するユーザ操作を受ける。
　記憶部１８０は、各種データを記憶する。記憶部１８０は、探索装置１００が備える記憶デバイスを用いて構成される。
　モデル記憶部１８１は、たとえば、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との間の関係性を示すモデルを記憶することができる。モデル記憶部１８１は、たとえば、パラメータ値と、そのパラメータ値の場合に対象事象が生じているか否かを示す情報との間の関係性を示すモデルを記憶してもよい。対象事象が生じているか否かを示す情報は、たとえば、対象事象が生じていることを示す情報、及び、対象事象が生じていないことを示す情報という２値であってもよい。
　制御部１９０は、探索装置１００の各部を制御して各種処理を実行する。制御部１９０は、探索装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が記憶部１８０からプログラムを読み出して実行することで構成される。
　分布決定部１９１は、モデル記憶部１８１が記憶するモデルに入力するパラメータ値のサンプリングの分布を決定する。そして、分布決定部１９１は、サンプリングされたパラメータ値の入力に対するモデルの出力に基づいて、分布を更新する。
　言い換えると、分布決定部１９１は、入力した複数のセットに関して、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との間の関係性を示す分布を算出する。分布決定部１９１は、たとえば、パラメータ値と、そのパラメータ値の場合における数値との間の関係性を、超曲面を用いて近似するモデルフィッテイングに従い求める。
　これにより、探索装置１００は、この分布に基づいて、数値に応じたパラメータ値を算出する。
　条件取得部１９２は、分布決定部１９１が決定した分布に基づいてパラメータ値をサンプリングし、サンプリングされたパラメータ値の入力に対するモデルの出力に基づいて、事象の発生条件を取得する。
　係数設定部１９３は、超曲面で示される分布に応じたサンプリングを行うための係数値（重み係数値）を設定する。
　サンプリング処理部１９４は、係数設定部１９３が設定した重み係数値を用いて、超曲面で示される分布に応じたサンプリングを行う。具体的には、サンプリング処理部１９４は、パラメータ値の仮サンプリングを行う。サンプリング処理部１９４は、仮サンプリングされたパラメータ値毎に、係数設定部１９３が設定した重み係数値を用いてそのパラメータ値のサンプリングとしての採否を決定する。
　事象発生パラメータ値抽出部１９５は、サンプリングとして採用されたパラメータ値のうち、モデルに入力して対象事象の発生有りとされたパラメータ値を抽出する。事象発生パラメータ値抽出部１９５が抽出するパラメータ値は、対象事象が発生する条件を示す。
　図２は、分布決定部１９１が設定するパラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との関係性を示すモデルの例を示す図である。図２のグラフの横軸は、パラメータ値を示す。縦軸は、数値を示す。数値は、対象事象が生じている場合に１になる。数値は、対象事象が生じていない場合に０になる。数値が１と０との中間値をとっている場合、数値が１に近いほど対象事象が生じている程度が高く、数値が０に近いほど対象事象が生じている程度が低い。
　線Ｌ１１１は、数値が２値の場合のモデルを示す。このモデルは、数値が３値以上であってもよく、線Ｌ１１２に示されるように連続であってもよい。図２では、説明の便宜上、パラメータは、Ｘにて示された１つのパラメータとしている。
　以下では、モデルのパラメータ（入力パラメータ）をＸで示す。モデルのパラメータの個数は複数であってもよい。したがって、パラメータＸは、式（１）のようにベクトルで示されていてもよい。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、ｎはモデルのパラメータの個数を示す正の整数である。
　パラメータＸの値の入力に対して、対象事象の発生の有無を示す値（または、対象事象の発生の程度を示す数値）を出力するモデルをＦ（Ｘ）で示す。モデルＦ（Ｘ）が、対象事象の発生の有無を示す値を出力する場合、モデルＦ（Ｘ）は、０または１の何れかの値をとる２値関数である。モデルＦ（Ｘ）の値「０」は、対象事象が発生しないことを示す。モデルＦ（Ｘ）の値「１」は、対象事象が発生することを示す。
　また、分布決定部１９１が設定する、モデルに入力されたパラメータ値とモデルの出力との関係性を近似する超曲面を示す関数をエネルギー関数と称し、Ｃ（Ｘ）で示す。
　分布決定部１９１は、関係性算出部の例に該当する。エネルギー関数は、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との関係性を示す情報の例に該当する。
　また、エネルギー関数は、対象事象が生じる程度を示しているといえる。分布決定部１９１は、エネルギー関数を算出することで、対象事象が生じる程度を算出しているといえる。
　図２の例では、モデルＦ（Ｘ）は、線Ｌ１１１にて示されている。エネルギー関数Ｃ（Ｘ）は、線Ｌ１１２にて示されている。
　分布決定部１９１は、パラメータＸの値をモデルＦ（Ｘ）に入力して得られた複数のサンプリング点を超曲面で近似するようにエネルギー関数Ｃ（Ｘ）を設定する。分布決定部１９１が、パラメータ値とそのパラメータ値の場合に対象事象が生じている程度を示す数値との、複数のセットに対するエネルギー関数Ｃ（Ｘ）を求める方法として、例えば最小二乗法を用いるようにしてもよいが、この方法に限定されない。
　分布決定部１９１がエネルギー関数Ｃ（Ｘ）を設定する設定方法も、特定の方法に限定されない。エネルギー関数Ｃ（Ｘ）が、例えば、放射基底関数（radial basis function）を用いて記述されていてもよい。この場合、エネルギー関数Ｃ（Ｘ）は、複数の分布関数の各々の重み係数値を調整することで、エネルギー関数Ｃ（Ｘ）を求めるようにしてもよい。
　分布決定部１９１がエネルギー関数Ｃ（Ｘ）を求める目的は、図２の例のように、対象事象が発生する数値の近傍で値が大きく、かつ、対象事象発生の有無の境界を含む裾野を有する確率密度に従いサンプリングを行うことである。
　図３は、条件取得部１９２が行う、エネルギー関数に基づくパラメータ値のサンプリングの例を示す図である。図３に示すグラフの横軸はパラメータ値を示し、縦軸は、モデルＦ（Ｘ）の値（出力値）、および、エネルギー関数Ｃ（Ｘ）の値（超曲面が示す値）を示す。
　図２の場合と同じく、線Ｌ１１１は、モデルＦ（Ｘ）の例を示す。線Ｌ１１２は、エネルギー関数Ｃ（Ｘ）の例を示す。
　線Ｌ１１１上のドットは、条件取得部１９２が線Ｌ１１１のエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値の例を示す。
　図３の例で、エネルギー関数Ｃ（Ｘ）は、対象事象が発生するパラメータ値の近傍で値が大きく、かつ、対象事象発生の有無の境界を含む裾野を有している。条件取得部１９２が、このエネルギー関数Ｃ（Ｘ）に基づいてサンプリングを行うことで、対象事象が発生する領域および対象事象発生の有無の境界を含む領域で、他の領域と比較して、多数のサンプリングを行うことができる。これによって、以下の２つの効果を得られる。
（１）　対象事象が発生する条件の範囲を把握できる。
　条件取得部１９２が、対象事象が発生するか否かを分ける境界付近で比較的多数のサンプリングを行うことで境界の位置を特定できる。したがって、対象事象が発生する条件（状況）を境界の位置に基づき把握できることが期待される。
　かかる境界の位置の特定、および、対象事象が発生する範囲の把握は、分布決定部１９１が、適切な広がりを持つエネルギー関数Ｃ（Ｘ）を設定することで効率的になる。
　エネルギー関数Ｃ（Ｘ）の裾野が狭すぎる場合、境界付近では、エネルギー関数Ｃ（Ｘ）の値が急激に小さくなる。この結果、境界付近では条件取得部１９２によるパラメータ値のサンプリング数が少なくなる。この結果、条件取得部１９２が算出するパラメータ値が、対象事象が発生するパラメータ値に集中し、対象事象が発生する条件の探索が非効率的になってしまう。特に、対象事象が発生する条件と発生しない条件との境界の探索が非効率的になってしまう。
　一方、エネルギー関数Ｃ（Ｘ）の裾野が広すぎる場合、対象事象が発生する領域だけでなく、対象事象が発生しない領域でもエネルギー関数Ｃ（Ｘ）の値が高い。この場合、対象事象発生の有無の境界付近でのサンプリング数が比較的少なくなり、分布決定部１９１が境界の位置を効率的に特定できないことが考えられる。
　分布決定部１９１が、エネルギー関数Ｃ（Ｘ）の更新を繰り返すことで、対象事象が発生するパラメータ値の近傍でのサンプリング数が増加し、サンプリングデータに基づいて更新されるエネルギー関数Ｃ（Ｘ）が、適切な関数に更新されていくことが期待される。
（２）　対象事象が発生する条件をさらに検出できる可能性が比較的高い。
　対象事象が発生するパラメータ値が検出された場合、そのパラメータ値の近傍のパラメータ値は、対象事象が発生するパラメータ値と比較的類似した条件を示すと考えられる。この点で、検出されたパラメータ値が近傍におけるパラメータ値の場合に、対象事象が発生する可能性が比較的高い。したがって、探索装置１００が、対象事象が発生するパラメータ値の近傍を探索することで、対象事象が発生するパラメータ値をさらに検出できる可能性が比較的高い。
　探索装置１００は通常、図３の線Ｌ１１１で例示されるようなモデルＦ（Ｘ）の出力の分布を直接知ることは難しい。このため、分布決定部１９１は、適切なエネルギー関数Ｃ（Ｘ）を探索開始時に設定することは困難である。そこで、分布決定部１９１は、初期設定にてエネルギー関数Ｃ（Ｘ）を仮に設定し、図１３～図１５を参照して後述する処理に従い、エネルギー関数Ｃ（Ｘ）の更新を繰り返す。
　図４は、モデルＦ（Ｘ）のパラメータが２つである場合の、分布決定部１９１によるエネルギー関数の初期設定の例を示す図である。図４では３つのグラフＧ４１、Ｇ４２、Ｇ４３が示されている。これらのうち、グラフＧ４１およびＧ４２は、初期設定されたエネルギー関数Ｃ（Ｘ）の例を示している。グラフＧ４１の横軸は、パラメータｘ１の値を示し、縦軸はパラメータｘ２の値を示す。グラフＧ４１では、パラメータＸの値をｘ１およびｘ２の２次元の軸で表す場合の例を示しており、エネルギー関数Ｃ（Ｘ）の値が明るさ（白黒の階調）で示されている。
　一方、グラフＧ４２の横軸はパラメータＸの値を示し、縦軸はエネルギー関数Ｃ（Ｘ）の値（すなわち、対象事象が生じている程度）を示す。線Ｌ２１１はエネルギー関数Ｃ（Ｘ）を示す。グラフＧ４２では、説明のために、パラメータＸの値を１次元の軸で表している。具体的には、グラフＧ４２では、グラフＧ４１においてｘ２軸に沿ってｘ１を射影した図を示している。
　エネルギー関数Ｃ（Ｘ）の初期設定で、分布決定部１９１が、エネルギー関数Ｃ（Ｘ）を予め定められた関数に設定するようにしてもよい。
　グラフＧ４３は、条件取得部１９２がグラフＧ４２に示されるエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値の例を示す。上記のように、モデルＦ（Ｘ）の出力値は、対象事象が発生しているか否かを示す。グラフＧ４３の横軸はパラメータＸの値を示し、縦軸は、モデルＦ（Ｘ）の値を示す。線Ｌ２２１は、モデルＦ（Ｘ）を示す。線Ｌ２２１上のドットは、条件取得部１９２が線Ｌ２１１のエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値と、パラメータＸに関するモデルＦ（Ｘ）の出力値との関係性の例を示す。エネルギー関数Ｃ（Ｘ）のピーク付近と、ピークではない領域とを比較すると、図４に示された例において、パラメータ値の個数は、ピーク付近の方が多い。一方、対象事象が生じる場合のパラメータ値（Ｆ（Ｘ）＝１におけるドット）は、２つしか生成されていない。しかも、対象事象が生じる場合のパラメータ値は、「Ｆ（Ｘ）＝１」となる領域のうち、パラメータ値が小さい側（図４に向かって左側）に偏っている。
　図５は、分布決定部１９１がエネルギー関数を、図４に例示される初期設定から更新した例を示す図である。分布決定部１９１は、初期設定にて選んだパラメータ値の場合に対象事象が生じている程度を示す数値（または、対象事象が生じているか否かを示す情報）に基づき、エネルギー関数を更新する。すなわち、分布決定部１９１は、複数セットに基づきエネルギー関数を算出することによって、エネルギー関数を更新する。この複数のセットでは、分布決定部１９１が初期設定にて選んだパラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値とが組み合わされている。
　図５では３つのグラフＧ５１、Ｇ５２、Ｇ５３が示されている。これらのうち、グラフＧ５１およびＧ５２は、初期設定（グラフＧ４１およびＧ４２）から更新されたエネルギー関数Ｃ（Ｘ）の例を示している。グラフＧ５１の横軸は、パラメータｘ１の値を示し、縦軸はパラメータｘ２の値を示す。グラフＧ５１では、パラメータＸの値をｘ１およびｘ２の２次元の軸で表す場合の例を示しており、エネルギー関数Ｃ（Ｘ）の値が明るさ（白黒の階調）で示されている。
　一方、グラフＧ５２の横軸はパラメータＸの値を示し、縦軸はエネルギー関数Ｃ（Ｘ）の値を示す。線Ｌ２１２はエネルギー関数Ｃ（Ｘ）を示す。グラフＧ５２では、説明のためにパラメータＸの値を１次元の軸で表している。具体的には、グラフＧ５２では、グラフＧ５１においてｘ２軸に沿ってｘ１を射影した図を示している。
　図４のグラフＧ４３で、図に向かって右側に、対象事象が発生するパラメータＸの値（すなわち、「Ｆ（Ｘ）＝１」となるＸの値）が検出されている。このため、グラフＧ５２の線Ｌ２１２で示されるように、エネルギー関数Ｃ（Ｘ）のピーク（極大点）が、図４のグラフＧ４２の線Ｌ２１１で示されるエネルギー関数Ｃ（Ｘ）のピークよりも図に向かって右側にシフトしている。このことは、分布決定部１９１が、グラフＧ５１でエネルギー関数Ｃ（Ｘ）のピークを図４のグラフＧ４１のピークよりも図の右側にシフトしたエネルギー関数を算出していることに相当する。
　このエネルギー関数のピークのシフトは、分布決定部１９１がグラフＧ４１のエネルギー関数Ｃ（Ｘ）に基づいて得られた複数のセット（パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値とのセット）にフィットするように、グラフＧ５１のエネルギー関数Ｃ（Ｘ）を生成し直した結果として生じている。
　グラフＧ５３は、条件取得部１９２がグラフＧ５２に示されるエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値（すなわち、対象事象が生じているか否かを示す情報）の例を示す。グラフＧ５３の横軸はパラメータＸの値を示し、縦軸は、モデルＦ（Ｘ）の値を示す。線Ｌ２２１は、グラフＧ４３の場合と同じモデルＦ（Ｘ）を示す。線Ｌ２２１が、グラフＧ４３の場合と同じモデルによる同じ線となるため、グラフＧ４３の場合と同じ符号（Ｌ２２１）を用いている。線Ｌ２２１上のドットは、条件取得部１９２が線Ｌ２１１のエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値の例を示す。
　図４のグラフＧ４３では、対象事象が発生するパラメータＸの値のサンプリング点の数は２つであった。これに対し、エネルギー関数Ｃ（Ｘ）のピークが右側でシフトしたことで、グラフＧ５３では、対象事象が発生するパラメータＸの値のサンプリング点が４つに増えている。言い換えると、エネルギー関数Ｃ（Ｘ）に従いパラメータ値を算出することによって、当該パラメータ値の場合に対象事象が発生する頻度が、図４の場合に比べて増えている。
　図６は、分布決定部１９１がエネルギー関数を図５に示す設定からさらに更新した例を示す図である。図６では３つのグラフＧ６１、Ｇ６２、Ｇ６３が示されている。これらのうち、グラフＧ６１およびＧ６２は、図５に示す設定（グラフＧ５１およびＧ５２）から更新されたエネルギー関数Ｃ（Ｘ）の例を示している。グラフＧ６１の横軸は、パラメータｘ１の値を示し、縦軸はパラメータｘ２の値を示す。グラフＧ６１では、パラメータＸの値をｘ１およびｘ２の２次元の軸で表す場合の例を示しており、エネルギー関数Ｃ（Ｘ）の値が明るさ（白黒の階調）で示されている。
　一方、グラフＧ６２の横軸はパラメータＸの値を示し、縦軸はエネルギー関数Ｃ（Ｘ）の値を示す。線Ｌ２１３はエネルギー関数Ｃ（Ｘ）を示す。グラフＧ６２では、説明のためにパラメータＸの値を１次元の軸で表している。具体的には、グラフＧ６２では、グラフＧ６１においてｘ２軸に沿ってｘ１を射影した図を示している。
　上述したように、図５のグラフＧ５３で、対象事象が発生するパラメータＸの値（すなわち、Ｆ（Ｘ）＝１となるＸの値）の数がグラフＧ４３の場合よりも増えている。また、グラフＧ４３では、対象事象が発生するパラメータＸの値が、「Ｆ（Ｘ）＝１」となる領域のうちパラメータ値が小さい側に偏っている。これに対し、グラフＧ５３では、パラメータ値が大きい側にも、対象事象が発生するパラメータＸの値が示されている。このため、分布決定部１９１は、グラフＧ６２の線Ｌ２１３で示されるように、エネルギー関数Ｃ（Ｘ）のピークを図５のグラフＧ５２の線Ｌ２１２で示されるエネルギー関数Ｃ（Ｘ）のピークよりもさらに、図に向かって右側にシフトしたエネルギー関数Ｃ（Ｘ）に更新する。また、分布決定部１９１は、グラフＧ６２の線Ｌ２１３で示されるように、グラフＧ５２の線Ｌ２１２の場合よりも急峻な（裾野の広がりが小さい）エネルギー関数Ｃ（Ｘ）に更新する。このことは、分布決定部１９１が、図５のグラフＧ５３に例示された複数のセット（パラメータ値と、そのパラメータ値の場合における対象事象が生じている程度を示す数値との組み合わせ）に基づき、エネルギー関数Ｃ（Ｘ）を算出していることを表す。
　グラフＧ６３は、条件取得部１９２がグラフＧ６２に示されるエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値（すなわち、パラメータ値の場合において対象事象が生じたか否か）の例を示す。グラフＧ６３の横軸はパラメータＸの値を示し、縦軸は、モデルＦ（Ｘ）の値を示す。線Ｌ２２１は、グラフＧ４３の場合と同じモデルＦ（Ｘ）を示す。線Ｌ２２１が、グラフＧ４３の場合と同じモデルによる同じ線となるため、グラフＧ４３の場合と同じ符号（Ｌ２２１）を用いている。線Ｌ２２１上のドットは、条件取得部１９２が線Ｌ２１１のエネルギー関数Ｃ（Ｘ）に基づいてサンプリングしたパラメータＸの値に対するモデルＦ（Ｘ）の出力値の例を示す。
　図５のグラフＧ５３では、対象事象が発生するパラメータＸの値のサンプリング点の数は４つであった。これに対し、エネルギー関数Ｃ（Ｘ）のピークが右側でシフトしたことで、グラフＧ６３では、対象事象が発生するパラメータＸの値が５つに増えている。
　図７は、分布決定部１９１がエネルギー関数を図６のグラフＧ６１に示す設定からさらに更新した例を示す図である。図７では２つのグラフＧ７１、Ｇ７２が示されている。これらのうち、グラフＧ７１は、図６に示す設定（グラフＧ６１）から更新されたエネルギー関数Ｃ（Ｘ）の例を示している。グラフＧ７１の横軸は、パラメータｘ１の値を示し、縦軸はパラメータｘ２の値を示す。グラフＧ７１では、パラメータＸの値をｘ１およびｘ２の２次元の軸で表す場合の例を示しており、エネルギー関数Ｃ（Ｘ）の値が明るさ（白黒の階調）で示されている。
　図６のグラフＧ６３で図に向かって右側に、対象事象が発生するパラメータＸの値が新たに１つ検出されたように、図６のグラフＧ６１のエネルギー関数Ｃ（Ｘ）に基づくサンプリングで、図に向かって右側に、対象事象が発生するパラメータＸの値が新たに検出されている。そこで分布決定部１９１は、エネルギー関数Ｃ（Ｘ）のピークが図６のグラフＧ６１に示されるエネルギー関数Ｃ（Ｘ）のピークから図に向かって右側に移動したエネルギー関数Ｃ（Ｘ）に更新している。分布決定部１９１は、特に、エネルギー関数Ｃ（Ｘ）のピークに対応する裾野が、図６のグラフＧ６１の場合よりも図に向かって右側に移動した、かつ、より急峻な（裾野の広がりが小さい）エネルギー関数Ｃ（Ｘ）を生成している。
　グラフＧ７２は、パラメータＸの値をｘ１およびｘ２の２次元の軸で表す場合のモデルの例を示している。グラフＧ７１に示されるエネルギー関数では、グラフＧ７２に示されるモデルの、対象事象が発生するパラメータ値の領域およびその境界における値が大きくなっており、かつ、対象事象が発生しないパラメータ値の領域では、エネルギー関数Ｃ（Ｘ）の値は小さくなっている。
　このように、図７の例で、分布決定部１９１は、エネルギー関数Ｃ（Ｘ）を適切に設定している。条件取得部１９２が、グラフＧ７１に示されるエネルギー関数に基づいてパラメータＸの値をサンプリングすることで、対象事象が発生する条件および境界条件が明らかになると期待される。
　図４～図７を参照して説明したエネルギー関数Ｃ（Ｘ）の更新方法は例であり、この方法に限定されない。分布決定部１９１がエネルギー関数を更新する方法として、対象事象が発生するパラメータＸの値のサンプリング点またはその近傍にエネルギー関数Ｃ（Ｘ）のピークをとり、かつ、そのピークからの裾野が、対象事象が発生しないパラメータＸの値のサンプリング点を含む領域に広がりすぎない方法を用いることができる。
　図８は、条件取得部１９２がエネルギー関数Ｃ（Ｘ）に基づいて行う、パラメータＸの値のサンプリングの例を示す図である。
　図８では、エネルギー関数のグラフに加えて、複数セットが示す、対象事象が生じる程度を頻度解析する処理を実行することによって得られる結果（頻度分布、度数分布）が示されている。すなわち、条件取得部１９２の係数設定部１９３は、複数セットに含まれている、対象事象が生じる程度を示す値に関して頻度解析する処理を実行し、その結果、係数設定部１９３は、対象事象が生じる程度に関する区間と、その区間における頻度とを算出する。
　ここでいう頻度解析は、解析対象となる値の大きさの分布を解析することであり、具体的には、その値がとり得る範囲を分割した区間について、その値がその区間に含まれる頻度を解析する。係数設定部１９３の場合、エネルギー関数値がとり得る範囲を分割した区間について、エネルギー関数値がその区間に含まれる頻度を解析する。
　このように、係数設定部１９３は、対象事象が生じている程度を示す数値がとり得る範囲を分割した区間毎に、数値がその区間に含まれる頻度を算出する。係数設定部１９３は、頻度算出部の例に該当する。対象事象が生じている程度を示す数値がとり得る範囲は、対象事象が生じている程度を示す数値の値域（したがって、モデルＦ（Ｘ）の値域、または、エネルギー関数Ｃ（Ｘ）の値域）であってもよいが、これに限定されない。
　係数設定部１９３は、例えば、図１５のステップＳ３１４に例示された処理の開始までに受け取った全ての複数セットに関して、頻度解析する処理を実行してもよい。
　図８に示すエネルギー関数のグラフの横軸はパラメータＸの値を示し、縦軸は、エネルギー関数Ｃ（Ｘ）の値およびモデルＦ（Ｘ）の値（すなわち、パラメータ値Ｘの場合において、対象事象が生じるか否かの値）を示す。
　図２の場合および図３の場合と同じく、線Ｌ１１１は、モデルＦ（Ｘ）を示す。線Ｌ１１２は、エネルギー関数Ｃ（Ｘ）を示す。線Ｌ１１２上のドットは、条件取得部１９２がサンプリングしたパラメータ値に対するエネルギー関数Ｃ（Ｘ）の出力値を示す。
　図８の例で、エネルギー関数Ｃ（Ｘ）の値の何れの区間にも、ドットが４つ含まれている。これは、条件取得部１９２が生成したパラメータ値の場合に対象事象が生じる程度が、その程度に関する何れの区間においても等しいことを示している。図８に示すエネルギー関数が、後述する図１３～図１５に示される１回の反復処理にて入力した複数セットに基づき生成されている場合について説明する。この場合は、複数セットに含まれているパラメータ値は、各区間において等しい個数分だけ生成されていたことが表されている。また、図８に示すエネルギー関数が、図１３～図１５に示される反復処理において受け取った全てのセットに基づき生成されている場合について説明する。この場合は、図９を参照しながら後述するような重み係数値を適切に調整する処理によって、各区間において等しい個数分だけパラメータ値が生成されていたことが表されている。
　図９は、係数設定部１９３が算出する重み係数値の例を概念的に示す図である。係数設定部１９３は、上記のように、頻度解析を行って頻度分布を取得する。係数設定部１９３は、この頻度分布を用いて、サンプリング処理部１９４が各区間に設定するパラメータ値の数を調整する。
　図９の例で係数設定部１９３は、サンプリング処理部１９４が生成したパラメータ値の頻度（度数）に基づき、頻度が少ない区間におけるパラメータ値の個数と、頻度が多い区間におけるパラメータ値の個数とを揃えるように、区間毎の重み係数値を設定する。言い換えれば、係数設定部１９３は、パラメータ値の頻度が少ない区間におけるパラメータ値の個数の増減を、パラメータ値の頻度が多い区間におけるパラメータ値の個数の増減よりも、より多く増加させるように、重み係数値を設定する。
　あるいは、係数設定部１９３が、頻度が少ない区間におけるパラメータ値の個数を、頻度が多い区間よりも多く設定するようにしてもよい。すなわち、係数設定部１９３は、サンプリング処理部１９４が、頻度が少ない区間に頻度が多い区間よりも多くの個数のパラメータ値を算出するよう、重み係数値を設定するようにしてもよい。
　係数設定部１９３が、各区間に関して生成するパラメータ値の個数（または、各区間に関する重み係数値）を、パラメータ値の頻度に基づき算出してもよい。この場合に、係数設定部１９３が、例えば、複数の区間における頻度を比較し、比較結果に基づき、ある区間に関して生成するパラメータ値の個数を決定してもよい。または、係数設定部１９３は、例えば、１つの区間における頻度の逆数等を算出する処理によって、その１つの区間に関して生成するパラメータ値の個数を決定してもよい。係数設定部１９３は、必ずしも全ての区間について重み係数値を算出する必要はなく、一部の区間のみについて重み係数値を算出してもよい。例えば、係数設定部１９３は、他の区間と比べて、極めて頻度が多い区間について頻度を算出しなくてもよい。係数設定部１９３が重み係数値（または、パラメータ値の個数）を決定する処理は、上述した処理に限定されない。
　このように、係数設定部１９３は、少なくとも一部の区間に対して、上記の頻度を用いて、頻度が少ない区間ほど、数値（対象事象が生じている程度を示す数値）の算出対象となるパラメータ値の個数をより増加させるように、重み係数値を設定する。係数設定部１９３による重み係数値の設定は、パラメータ値の個数に関する設定の例に該当する。係数設定部１９３は、個数関連情報設定部の例に該当する。
　図１０は、係数設定部１９３が算出する重み係数値の例を示す図である。図１０の縦軸は、図９に示す度数分布の場合と同じ区間を示し、横軸は、重み（重み係数値、または、各区間に関して（条件取得部１９２が）生成するパラメータ値の個数）を示す。図９および図１０に例示されるように、係数設定部１９３は、例えば、図９に示された区間における度数(頻度)が小さいほど、重み係数値（またはパラメータ値の個数）が大きくなるように、区間毎に重み係数値を算出する。
　係数設定部１９３が、区間Ｒｊ（ただし、ｊは区間の個数を示す）に関して算出する重み係数値をＷ（Ｒｊ）と表記する。
　サンプリング処理部１９４は、区間Ｒiにおけるパラメータ値を算出する場合に、あるパラメータＸの値に、生成したエネルギー関数Ｃ（Ｘ）を適用することによって、エネルギー関数Ｃ（Ｘ）の値を求め、求めた値（エネルギー関数Ｃ（Ｘ）の値）を含む区間Ｒｊを算出する。サンプリング処理部１９４は、そのような処理を繰り返すことによって、重み係数値Ｗ（Ｒｊ）に応じた分だけパラメータ値を生成する。サンプリング処理部１９４は、あらかじめパラメータ値が格納されているデータベース（不図示）からパラメータ値を選んでもよいし、所定の範囲のパラメータ値を算出してもよい。本発明の各実施形態においては、これら２つの処理を含めて「サンプリング」と表している。
　このように、サンプリング処理部１９４は、係数設定部が設定する重み係数値が示す、パラメータ値の個数に関する設定に基づいて、パラメータ値を設定する。サンプリング処理部１９４は、パラメータ値設定実行部の例に該当する。
　例えば、係数設定部１９３が、式（２）に基づいて重み係数値を算出するようにしてもよい。
Figure JPOXMLDOC01-appb-M000002
　式（２）において、ｊは、度数分布の区間を識別する識別番号である。式（２）では、係数設定部１９３が重み係数値を算出する処理対象となっている、いずれか１つの区間を識別する。
　Ｒｊは、ｊによって識別される区間を示す。ｈｊは、区間Ｒｊにおける度数（その区間に含まれるサンプリング数）を示す。
　Ｗｊは、ｊによって識別される区間（区間Ｒｊ）における重みを示す。Ｗ（Ｒｊ）は、区間Ｒｊにおける重みを示す。したがって、式（２）に示されるように「Ｗｊ＝Ｗ（Ｒｊ）」である。
　ｈ＊は、所定の値が定められている、正の整数の定数を示す。「ｈ＊－ｈｊ＞０」となって除数０による除算が生じることを回避できるよう、ｈ＊の値は、例えば、係数設定部１９３が行うサンプリングで想定される度数の最大値よりも大きい値に設定されてもよい。
　あるいは、係数設定部１９３が、単純に度数の逆数を重み係数値として算出するようにしてもよい。ある区間におけるサンプリング数がｉ（ｉは正の整数）の場合、係数設定部１９３が、重み係数値を１／ｉと算出するようにしてもよい。サンプリング数が０の区間については、除数０での除算を避けるために、係数設定部１９３が、重み係数値を、所定の正の値（例えば、１以上の値）を加えてから逆数を算出するように設定するようにしてもよい。
　図１１は、サンプリング処理部１９４が仮にサンプリングしたパラメータ値の第１例を示す図である。図１１のグラフの横軸はパラメータＸの値を示し、縦軸は、モデルＦ（Ｘ）の値、および、エネルギー関数Ｃ（Ｘ）の値を示す。
　図２の場合と同じく、線Ｌ１１１は、モデルＦ（Ｘ）（すなわち、対象事象が生じているか否かを示す情報）の例を示す。線Ｌ１１２は、エネルギー関数Ｃ（Ｘ）の例を示す。
　サンプリング処理部１９４は、パラメータＸの値を仮サンプリングし、仮サンプリングされたパラメータ値を、パラメータ値のサンプリングとして採用するか否かを決定する。サンプリング処理部１９４が仮サンプリングをサンプリングとして採用する基準として、以下の２つの条件の両方を満たす基準を用いる。
（ａ）　前回のサンプリングにおけるパラメータ値Ｘｉ－１（ｉは、サンプリングの回数を示す正の整数）に対するエネルギー関数値Ｃ（Ｘｉ－１）との比較で、仮サンプリングされたパラメータ値Ｘ’に対するエネルギー関数値Ｃ（Ｘ’）が大きいほど、仮サンプリングされたパラメータ値Ｘ’がサンプリングとして採用され易い。ここでいう前回のサンプリングは、後述する図１４の例のように、係数設定部１９３が重み係数値を算出する処理を１回行ったときに、サンプリング処理部１９４が、その重み係数値を用いてパラメータ値を複数算出する処理内での、前回のサンプリング（パラメータ値の設定）である。図１１では、サンプリング処理部１９４がパラメータ値Ｘｉ（ここでは、ｉは、ｉ≧２の整数）を算出する際の処理の例を示している。この場合、前回のサンプリングにおけるパラメータ値は、パラメータ値Ｘｉ－１である。
　したがって、サンプリング処理部１９４は、エネルギー関数を用いてＸｉ－１とＸ’とに関するエネルギー関数値を、それぞれ求め、それらの大小を比較する。
　この条件により、エネルギー関数Ｃ（Ｘ）の値が大きい箇所におけるサンプリング数を多くすることができる。
（ｂ）　係数設定部１９３が行ったサンプリングで、サンプリング数が少ない区間（重み係数値が大きい区間）ほど、仮サンプリングされたパラメータ値Ｘ’がサンプリングとして採用され易い。
　この条件により、図８を参照して説明したように、エネルギー関数Ｃ（Ｘ）の値に区間を設定した場合の、パラメータＸの値のサンプリング点の数の度数分布の均等化を図ることができる。
　例えば、係数設定部１９３は、式（３）を用いて仮サンプリングのスコア（評価値）ｒを算出する。
Figure JPOXMLDOC01-appb-M000003
　式（３）において、Ｒ（Ｃ（Ｘ））は、エネルギー関数値Ｃ（Ｘ）が含まれる区間を示す。したがって、Ｒ（Ｃ（Ｘ’））は、仮サンプリングされたパラメータ値Ｘ’に対するエネルギー関数値Ｃ（Ｘ’）が含まれる区間を示す。Ｒ（Ｃ（Ｘｉ－１））は、前回のパラメータ値Ｘｉ－１に対するエネルギー関数値Ｃ（Ｘｉ－１）が含まれる区間を示す。
　式（３）によれば、「Ｃ（Ｘ’）／Ｃ（Ｘｉ－１）」により、エネルギー関数値Ｃ（Ｘｉ－１）との比較でエネルギー関数値Ｃ（Ｘ’）が大きいほど、スコアｒの値が大きくなる。また、分子の「Ｗ（Ｒ（Ｃ（Ｘ’）））」により、重み係数値Ｗ（Ｒ（Ｃ（Ｘ’）））が大きいほど、スコアｒの値が大きくなる。
　係数設定部１９３は、式（４）に基づいて、仮サンプリングされたパラメータ値Ｘ’をサンプリングとして採用するか否かを決定する。
Figure JPOXMLDOC01-appb-M000004
　式（４）において、Ａｃｃｅｐｔは、仮サンプリングされたパラメータ値Ｘ’をサンプリングとして採用することを示す。Ｒｅｊｅｃｔは、仮サンプリングされたパラメータ値Ｘ’をサンプリングとして採用しない（破棄する）ことを示す。
　ｒ０は、係数設定部１９３が式（４）による判定に用いる閾値であり、式（５）のように示される。
Figure JPOXMLDOC01-appb-M000005
　式（５）において、Ｕｎｉｆｏｒｍ［０，１］は、［０，１］の区間から均等な確率分布で値を抽出することを示す。したがって、ｒ０は、０≦ｒ０≦１の乱数である。
　係数設定部１９３は、式（４）による判定を行う毎に、ｒ０の値を設定する。
　すなわち、係数設定部１９３は、式（３）～式（５）を参照しながら上述した処理を実行することによって、エネルギー関数値Ｃ（Ｘ）（すなわち、パラメータ値に関する対象が生じている程度を示す数値）が基準を満たしているか否かに基づき、そのパラメータ値を生成するか否か（仮パラメータ値を採用するか否か）を決定する。上述した例において、パラメータ値を生成するか否かの基準は、前回のパラメータ値に関するエネルギー関数値（パラメータ値に関する対象が生じている程度を示す数値）と異なる値であってもよい。例えば、この基準は、反復回数が増大するにつれ増える値であってもよい。この基準は、複数反復毎に増える値であってもよい。この基準は、Ｉ（Ｉは２以上の自然数とする）回目の反復において（Ｉ－１）回目までに算出されたパラメータ値に関するエネルギー関数の平均であってもよい。すなわち、基準は上述した例に限定されない。
　図１２は、サンプリング処理部１９４が仮にサンプリングしたパラメータ値の第２例を示す図である。図１２のグラフの横軸はパラメータＸの値を示し、縦軸は、モデルＦ（Ｘ）の値、および、エネルギー関数Ｃ（Ｘ）の値を示す。
　図２の場合と同じく、線Ｌ１１１は、モデルＦ（Ｘ）の例を示す。線Ｌ１１２は、エネルギー関数Ｃ（Ｘ）の例を示す。
　図１１の場合と同様、図１２でも、サンプリング処理部１９４がパラメータ値Ｘｉ（ここでは、ｉは、ｉ≧２の整数）を算出する際の処理の例を示しており、前回のサンプリングにおけるパラメータ値は、パラメータ値Ｘｉ－１である。
　図１１の例ではエネルギー関数値Ｃ（Ｘ’）がエネルギー関数値Ｃ（Ｘｉ－１）よりも大きい。これに対し、図１２の例ではエネルギー関数値Ｃ（Ｘ’）がエネルギー関数値Ｃ（Ｘｉ－１）よりも小さい。したがって、上述した条件のうち（ａ）の点で、図１２の場合の方が、図１１の場合よりも、仮サンプリングされたパラメータ値Ｘ’がサンプリングとして採用される確率が低い。
　条件取得部１９２が、エネルギー関数Ｃ（Ｘ）に応じた分布でパラメータ値のサンプリングを行う方法は、図９～図１２を参照して説明した方法に限定されない。例えば、分布決定部１９１が、逆関数を取得可能なエネルギー関数Ｃ（Ｘ）を算出し、条件取得部１９２が、エネルギー関数値に応じたパラメータ値を、そのエネルギー関数の逆関数を用いて決定するようにしてもよい。
　次に、図１３～図１５を参照して、探索装置１００の動作について説明する。
　図１３は、探索装置１００が対象事象の発生条件を検索する処理手順の例を示すフローチャートである。
　図１３の処理で、分布決定部１９１は、エネルギー関数Ｃ（Ｘ）を初期設定する（ステップＳ１１１）。パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値（または、対象事象が生じているか否かを示す情報）とが組み合わされたセットが無い場合に、分布決定部１９１は、例えば、パラメータ値に対して一定な値であるエネルギー関数を算出する。上記のセットが複数存在している場合には、分布決定部１９１は、複数のセットにおけるパラメータ値と、数値との関係性を算出する。説明の便宜上、複数セットが存在しているものとして、以降の処理を説明する。
　図１５を参照して後述するように、条件取得部１９２は、複数セットにおける数値を頻度解析することによって、数値（対象事象が生じている程度を示す数値）の区間毎のパラメータ値の頻度（度数）を算出する（図１５のステップＳ３１３参照）。
　そして、条件取得部１９２の係数設定部１９３は、得られた頻度に基づいて、パラメータ値の個数を調整するための重み係数値を区間毎に算出する（図１５のステップＳ３１４参照）。
　例えば、係数設定部１９３は、条件取得部１９２が算出した頻度に基づき、少なくとも一部の区間に関して算出するパラメータの個数を算出する。上述したように、係数設定部１９３は、頻度が少ない区間におけるパラメータ値の個数と、頻度が多い区間におけるパラメータ値の個数とを揃えるように、区間毎の重み係数値を設定する。言い換えれば、係数設定部１９３は、パラメータ値の頻度が少ない区間におけるパラメータ値の個数の増加量を、パラメータ値の頻度が多い区間におけるパラメータ値の個数の増加量よりも、より多くさせるように、重み係数値を設定する。係数設定部１９３は、式（２）～式（５）等を参照しながら説明した処理に従い、パラメータ値の個数（重み係数値）を算出してもよい。
　条件取得部１９２のサンプリング処理部１９４は、分布決定部１９１が算出したエネルギー関数（すなわち、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との関係性）を用いて、重み係数値に応じた個数のパラメータ値を算出する（ステップＳ１１２）。
　そして、条件取得部１９２は、サンプリングされたパラメータ値の各々を、例えば、モデルＦ（Ｘ）に入力することによって、対象事象が生じている程度を示す数値（または対象事象が発生するか否かを示す情報）を取得する（ステップＳ１１３）。条件取得部１９２は、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値とが組み合わされたセットを生成する。条件取得部１９２は、生成したパラメータ値の個数分（すなわち、サンプリング数分）のセットを生成する。
　上述した処理によって、分布決定部１９１は、モデルＦ（Ｘ）をサロゲート(surrogate)したモデルを算出（学習）している。モデルＦ（Ｘ）は、例えば、パラメータ値に基づきシミュレーションモデルに従いシミュレーションする処理を表す。または、モデルＦ（Ｘ）は、パラメータ値が示す状況を観測することによって、対象事象が生じているか否かを特定する処理を表していてもよい。
　分布決定部１９１は、条件取得部１９２が生成した複数のセットに基づき、複数のセット各々におけるパラメータ値と、数値との関係性を算出する。すなわち、分布決定部１９１は、条件取得部１９２が生成した複数セットに基づき、エネルギー関数Ｃ（Ｘ）を更新する（ステップＳ１１４）。
　そして、制御部１９０は、図１３の処理の終了条件が成立したか否かを判定する（ステップＳ１１５）。
　ステップＳ１１５での終了条件として、いろいろな条件を用いることができる。例えば、探索装置１００の処理時間が所定時間以上となった場合に、制御部１９０が、終了条件が成立したと判定するようにしてもよい。あるいは、パラメータＸの値のサンプリング数が所定数以上となった場合に、制御部１９０が、終了条件が成立したと判定するようにしてもよい。
　終了条件が成立していないと制御部１９０が判定した場合（ステップＳ１１５：ＮＯ）、処理がステップＳ１１２へ戻る。
　一方、終了条件が成立していると制御部１９０が判定した場合（ステップＳ１１５：ＹＥＳ）、探索装置１００は、探索結果を出力する（ステップＳ１１６）。例えば、ステップＳ１１３で、対象事象が発生するパラメータ値（Ｆ（Ｘ）＝１となるＸ）が検出される毎に、条件取得部１９２の事象発生パラメータ値抽出部１９５が、そのパラメータ値を記憶部１８０に記憶させておく。そして、ステップＳ１１６では、条件取得部１９２が、記憶部１８０に記憶させておいたパラメータ値を読み出し、読み出したパラメータ値を表示部１２０に表示させる。
　ステップＳ１１６の後、探索装置１００は図１３の処理を終了する。
　図１４は、条件取得部１９２が、パラメータＸの値をサンプリングする処理手順の例を示すフローチャートである。条件取得部１９２は、図１３のステップＳ１１２で図１４の処理を行う。
　図１４の処理で、係数設定部１９３は、頻度解析の結果に基づき、区間毎の重み係数値Ｗ（Ｒｊ）を算出する（ステップＳ２１１）。ここでは、ｊは区間を識別する整数であり、区間の個数をＭとして、１≦ｊ≦Ｍである。
　次に、サンプリング処理部１９４は、パラメータ値Ｘ１をランダムにサンプリングする（ステップＳ２１２）。ステップＳ２１２でサンプリングされたパラメータ値Ｘ１は、仮サンプリングではなくサンプリングとして採用される。
　サンプリング処理部１９４は、パラメータ値Ｘ１をエネルギー関数Ｃ（Ｘ）に入力してエネルギー関数値Ｃ（Ｘ１）を算出する（ステップＳ２１３）。
　そして、サンプリング処理部１９４は、エネルギー関数値Ｃ（Ｘ１）が含まれる区間Ｒ（Ｃ（Ｘ１））に対応する重み係数値Ｗ（Ｒ（Ｃ（Ｘ１）））を取得する（ステップＳ２１４）。
　また、サンプリング処理部１９４は、カウンタｉの値を２に設定する（ステップＳ２１５）。カウンタｉは、図１４の処理でのサンプリング数を示すインデックスとして用いられる。すなわち、ｉの値が２である場合には、ステップＳ２１６～ステップＳ２２４に示す処理において、２つめのパラメータ値を算出することを表す。
　次に、サンプリング処理部１９４は、パラメータ値Ｘ’をランダムに仮サンプリングする（ステップＳ２１６）。
　サンプリング処理部１９４は、パラメータ値Ｘ’をエネルギー関数Ｃ（Ｘ）に入力してエネルギー関数値Ｃ（Ｘ’）を算出する（ステップＳ２１７）。
　そして、サンプリング処理部１９４は、エネルギー関数値Ｃ（Ｘ’）に対応する区間（Ｃ（Ｘ’）が含まれる区間）Ｒ（Ｃ（Ｘ’））を求め、求めた区間Ｒ（Ｃ（Ｘ’））に関する重み係数値Ｗ（Ｒ（Ｃ（Ｘ’）））を取得する（ステップＳ２１８）。
　次に、サンプリング処理部１９４は、式（３）に基づいて仮サンプリングのスコアｒを算出する（ステップＳ２１９）。
　また、サンプリング処理部１９４は、式（５）に基づいて閾値ｒ０を設定する（ステップＳ２２０）。
　そして、サンプリング処理部１９４は、スコアｒの値が閾値ｒ０以上か否かを判定する（ステップＳ２２１）。
　スコアｒの値が閾値ｒ０未満であるとサンプリング処理部１９４が判定した場合（ステップＳ２２１：ＮＯ）、処理がステップＳ２１６へ戻る。
　一方、スコアｒの値が閾値ｒ０以上であるとサンプリング処理部１９４が判定した場合（ステップＳ２２１：ＹＥＳ）、サンプリング処理部１９４は、仮サンプリングのパラメータ値Ｘ’をサンプリングのパラメータ値Ｘｉとして採用する（ステップＳ２２２）。具体的には、サンプリング処理部１９４は、パラメータ値ＸｉをＸ’に設定し、「エネルギー関数値Ｃ（Ｘｉ）＝Ｃ（Ｘ’）、Ｃ（Ｘｉ）」を含んでいる区間Ｒ（Ｃ（Ｘｉ））、および、重み係数値Ｗ（Ｒ（Ｃ（Ｘｉ）））を取得する。
　このように、サンプリング処理部１９４は、分布決定部１９１が算出したエネルギー関数値Ｃ（Ｘｉ）（ｉ≧２）が、どの区間（Ｒｊ）に含まれているかを特定する。サンプリング処理部１９４は、特定した区間（Ｒｊ）に関する重み係数値Ｗ（Ｒｊ）分（または、個数分）のパラメータ値を算出したか否かを判定する。算出した個数が重み係数値Ｗ（Ｒｊ）に関する条件を満たしていない場合に、サンプリング処理部１９４は、算出されたパラメータ値をサンプリングとして採用する。算出した個数が重み係数値Ｗ（Ｒｊ）に関する条件を満たした場合に、サンプリング処理部１９４は、算出されたパラメータ値をサンプリングとして採用しない。この場合に、重み係数値に関する条件は、例えば、算出したパラメータ値の個数が、係数設定部１９３が算出した個数を超えるという条件である。重み係数値に関する条件が、例えば、算出したパラメータ値の個数が、係数設定部１９３が算出した個数以下であるという条件である場合、サンプリング処理部１９４は、その条件を満たしているときに、算出されたパラメータ値をサンプリングとして採用する処理を実行してもよい。サンプリング処理部１９４における処理は上述した例に限定されない。
　次に、サンプリング処理部１９４は、サンプリング数が上限に到達したか否かを判定する（ステップＳ２２３）。具体的には、サンプリング処理部１９４は、カウンタｉの値が所定の閾値ｉｍａｘ以上か否かを判定する。
　サンプリング数が上限に到達していないとサンプリング処理部１９４が判定した場合（ステップＳ２２３：ＮＯ）、サンプリング処理部１９４は、カウンタｉの値を１増加させる（ステップＳ２２４）。
　ステップＳ２２４の後、処理がステップＳ２１６へ戻る。
　一方、ステップＳ２２３でサンプリング数が上限に到達したとサンプリング処理部１９４が判定した場合（ステップＳ２２３：ＹＥＳ）、条件取得部１９２は、図１４の処理を終了する。
　図１５は、係数設定部１９３がエネルギー関数Ｃ（Ｘ）の値の区間Ｒ（Ｃ（Ｘ））毎の重み係数値Ｗ（Ｒ（Ｃ（Ｘ）））を算出する処理手順の例を示すフローチャートである。係数設定部１９３は、図１４のステップＳ２１１で図１５の処理を行う。
　図１５の処理で、係数設定部１９３は、一様分布に基づいてパラメータＸの値をサンプリングする（ステップＳ３１１）。
　次に、係数設定部１９３は、サンプリングしたパラメータ値毎に、エネルギー関数Ｃ（Ｘ）の値を算出する（ステップＳ３１２）。
　そして、係数設定部１９３は、エネルギー関数Ｃ（Ｘ）の値の度数毎のサンプリング数の度数分布を算出する（ステップＳ３１３）。
　係数設定部１９３は、度数分布の区間毎に、式（２）に基づいて重み係数値Ｗ（Ｃ（Ｒ（Ｘ）））の値を算出する（ステップＳ３１４）。
　ステップＳ３１４の後、係数設定部１９３は、図１５の処理を終了する。
　モデルＦ（Ｘ）の演算を、探索装置とは別の装置が行うようにしてもよい。
　図１６は、モデルＦ（Ｘ）の演算を探索装置とは別の装置が行う場合の、探索システムの構成例を示す図である。
　図１６に示す構成で、探索システム１は、探索装置１０１と、モデル演算装置２００とを備える。探索装置１０１は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部１９０とを備える。制御部１９０は、分布決定部１９１と、条件取得部１９２とを備える。条件取得部１９２は、係数設定部１９３と、サンプリング処理部１９４と、事象発生パラメータ値抽出部１９５とを備える。モデル演算装置２００は、通信部２１０と、記憶部２８０と、制御部２９０とを備える。記憶部２８０は、モデル記憶部１８１を備える。
　図１６の各部のうち、図１の各部に対応して同様の機能を有する部分には、同一の符号（１２０、１３０、１８０、１８１、１９０、１９１、１９２、１９３、１９４、１９５）を付して説明を省略する。
　探索システム１では、モデルＦ（Ｘ）の演算を、探索装置１０１の外部のモデル演算装置２００が行う。このため、モデル記憶部１８１を、探索装置１０１側の記憶部１８０ではなく、モデル演算装置２００側の記憶部２８０が備えている。
　また、探索装置１０１は、通信部１１０を備えている。通信部１１０は、モデル演算装置２００側の通信部２１０と通信を行う。特に、通信部１１０は、モデルＦ（Ｘ）の演算のリクエストを通信部２１０へ送信し、演算結果（モデルＦ（Ｘ）の値）のレスポンスを受信する。
　従って、制御部１９０は、モデルＦ（Ｘ）の演算を行う必要がない。
　それ以外の点については、探索装置１０１は、探索装置１００（図１）と同様である。
　モデル演算装置２００は、モデルＦ（Ｘ）の演算を行う。例えば、モデル演算装置２００が、パラメータ値Ｘが示す条件（状況）において対象事象が生じる程度（対象事象の発生の有無でもよい）の計算をシミュレーションにて実行するようにしてもよい。
　モデル演算装置２００は、例えばパソコンまたはワークステーション等のコンピュータを用いて構成される。
　通信部２１０は、探索装置１０１側の通信部１１０と通信を行う。上記のように、通信部２１０は、通信部１１０からの、モデルＦ（Ｘ）の演算のリクエストを受信し、演算結果（モデルＦ（Ｘ）の値）のレスポンスを通信部１１０へ送信する。
　記憶部２８０は、各種データを記憶する。特に、記憶部２８０のモデル記憶部１８１は、上記のようにモデルＦ（Ｘ）を記憶する。記憶部２８０は、モデル演算装置２００が備える記憶デバイスを用いて構成される。
　制御部２９０は、モデル演算装置２００の各部を制御して各種処理を実行する。特に、モデル演算装置２００は、通信部２１０が受信するリクエストに示されるパラメータ値を、モデル記憶部１８１が記憶するモデルＦ（Ｘ）に適用し、対象事象が生じる程度（対象事象の発生の有無でもよい）の演算結果を取得する。制御部２９０は、通信部２１０を制御して、演算結果をレスポンスとして通信部１１０へ送信させる。
　制御部２９０は、モデル演算装置２００が備えるＣＰＵが記憶部２８０からプログラムを読み出して実行することで構成される。
　このように、モデル演算装置２００がモデルＦ（Ｘ）の演算を行うことで、探索装置１０１は、モデルＦ（Ｘ）の演算を行う必要がない。この点で、探索装置１０１の負荷が軽くて済む。
　以上のように、分布決定部１９１は、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値とが組み合わされた複数のセットに関して、パラメータ値と、数値との間の関係性を算出する。係数設定部１９３は、数値がとり得る範囲を分割した区間毎に、数値がその区間に含まれる頻度を算出する。また、係数設定部１９３は、少なくとも一部の区間に対して、算出した頻度を用いて、頻度が少ない区間ほど、数値の算出対象となるパラメータ値の個数をより増加させるように、パラメータ値の個数に関する設定を行う。サンプリング処理部１９４は、パラメータ値の個数に関する設定に基づいてパラメータ値を設定する。
　探索装置１００によれば、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との間の関係性（例えば、エネルギー関数）に基づいてパラメータ値の設定を行うことで、上記のように、対象事象が生じる領域およびその周辺に比較的多くのパラメータを設定することができ、対象事象が生じる状況を効率的に探索することができる。
　このように、探索装置１００によれば、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索することができる。
　また、分布決定部１９１は、対象事象が生じる程度を算出する。
　これにより、分布決定部１９１は、算出した対象事象が生じる程度を用いて、上記の関係性を算出することができる。
　また、分布決定部１９１が、上述したエネルギー関数のように対象事象が生じる程度を３値以上で、あるいは連続的に算出することで、サンプリング処理部１９４によるパラメータ値の設定の分布のピークに裾野を持たせることができ、この点で、対象事象が発生する条件の境界を検出し易くなる。
　また、係数設定部１９３は、数値が区間に含まれる頻度と所望の頻度との差異を求め、求めた差異に応じてパラメータ値の個数に関する設定（例えば、重み係数値の設定）を行う。
　サンプリング処理部１９４が、この設定に基づいてパラメータ値を設定することで、上記のように、対象事象が生じる領域およびその周辺に比較的多くのパラメータを設定することができ、対象事象が生じる状況を効率的に探索することができる。
　このように、探索装置１００によれば、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索することができる。
　また、サンプリング処理部１９４は、パラメータ値を仮設定し、パラメータ値と、数値（そのパラメータ値の場合に対象事象が生じている程度を示す数値）との間の関係性を用いて算出した、そのパラメータ値に関する数値が基準を満たしているか否かに基づき、そのパラメータ値の設定を採用するか否かを決定する。
　これにより、サンプリング処理部１９４が、仮設定したパラメータ値を採用するか否かを決定することで、パラメータ値をランダムに設定するなど、パラメータ値の仮設定を比較的簡易に行うことができる。この点で、サンプリング処理部１９４の負荷が比較的軽くなる。
　また、係数設定部１９３は、数値（そのパラメータ値の場合に対象事象が生じている程度を示す数値）がとり得る範囲を分割した区間毎に、数値がその区間に含まれる頻度に基づき、その区間におけるパラメータ値の個数を調整するための係数値（重み係数値）を算出する。サンプリング処理部１９４は、係数設定部１９３が算出した係数値に基づいて、パラメータ値を設定する。
　これにより、サンプリング処理部１９４は、この係数値に基づいて、対象事象が生じる領域およびその周辺に比較的多くのパラメータを設定することができ、探索装置１００は、対象事象が生じる状況を効率的に探索することができる。
　このように、探索装置１００によれば、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索することができる。
　また、係数設定部１９３は、区間（数値（そのパラメータ値の場合に対象事象が生じている程度を示す数値）がとり得る範囲を分割した区間）に関して頻度の逆数に応じた前記係数値を算出する。係数値の大きさは、その区間についてサンプリング処理部１９４が設定するパラメータ値の個数の多さの程度を示す。
　これにより、係数設定部１９３は、頻度（度数）の逆数を算出する等の比較的簡単な計算で係数値を算出することができる。この点で、係数設定部１９３の負荷が比較的軽くなる。
　次に、図１７を参照して、本発明の実施形態の構成例について説明する。
　図１７は、実施形態に係る事象発生探索装置の構成の例を示す図である。図１７に示す構成で、探索装置１０は、関係性算出部１１と、頻度算出部１２と、個数関連情報設定部１３と、パラメータ値設定実行部１４とを備える。
　かかる構成にて、関係性算出部１１は、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値とが組み合わされた複数のセットに関して、パラメータ値と数値との間の関係性を算出する。頻度算出部１２は、数値（対象事象が生じている程度を示す数値）がとり得る範囲を分割した区間毎に、数値がその区間に含まれる頻度を算出する。個数関連情報設定部１３は、少なくとも一部の区間に対して、頻度を用いて、頻度が少ない区間ほど、数値の算出対象となる前記パラメータ値の個数をより増加させるように、パラメータ値の個数に関する設定を行う。パラメータ値設定実行部１４は、パラメータ値の個数に関する設定に基づいてパラメータ値を設定する。
　探索装置１０によれば、パラメータ値と、そのパラメータ値の場合に対象事象が生じている程度を示す数値との間の関係性（例えば、エネルギー関数）に基づいてパラメータ値の設定を行うことで、上記のように、対象事象が生じる領域およびその周辺に比較的多くのパラメータを設定することができ、対象事象が生じる状況を効率的に探索することができる。
　このように、探索装置１０によれば、探索の手掛かりとなる情報を予め得られていない場合であっても、対象事象が生じる状況を効率的に探索することができる。
　また、探索装置１０は、例えば、あるたんぱく質に特異的に結合する化合物を特定する特定装置（例えば、ハイスループットスクリーニング（High Throughput Screening；ＨＴＳ）装置）における動作を制御してもよい。この特定装置は、探索装置１０が出力した情報に従い動作することによって、たとえば、数百万個の化合物のうち少数の化合物のみを実験することによって、そのあるたんぱく質に特異的に結合する化合物を効率的に特定することができる。あるいは、特定装置１０は、たとえば、非破壊検査を行う検査装置における動作を制御してもよい。この検査装置は、探索装置１０が出力した情報に従い動作することによって、たとえば、不具合が生じる状況にて生産された一連の製品の不具合を、製品を解析することなく、低い処理コストにて検知することができる。探索装置１０が制御する装置は、上述した例に限定されない。
　なお、制御部１９０が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳ（Operating System）や周辺機器等のハードウェアを含むものとする。
　また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　この出願は、２０１９年１月２４日に出願された日本国特願２０１９－０１０６６３を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　本発明は、探索装置、探索システム、探索方法および記録媒体に適用してもよい。
　１　探索システム
　１０、１００　探索装置
　１１　関係性取得部（関係性取得手段）
　１２　頻度算出部（頻度算出手段）
　１３　個数関連情報設定部（個数設定手段）
　１４　パラメータ値設定実行部（パラメータ設定手段）
　１１０、２１０　通信部（通信手段）
　１２０　表示部（表示手段）
　１３０　操作入力部（操作入力手段）
　１８０、２８０　記憶部（記憶手段）
　１８１　モデル記憶部（モデル記憶手段）
　１９０、２９０　制御部（制御手段）
　１９１　分布決定部（分布決定手段）
　１９２　条件取得部（条件取得手段）
　１９３　係数設定部（係数設定手段）
　１９４　サンプリング処理部（サンプリング処理手段）
　１９５　事象発生パラメータ値抽出部（事象発生パラメータ値抽出手段）
　２００　モデル演算装置

Claims (10)

  1. 　パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出する関係性算出手段と、
    　前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出する頻度算出手段と、
    　前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行う個数設定手段と、
    　設定した前記個数分のパラメータ値を設定するパラメータ設定手段と、
    　を備える探索装置。
  2. 　前記関係性算出手段は、前記対象事象が生じる程度を算出する、
    　請求項１に記載の探索装置。
  3. 　前記個数設定手段は、前記数値が前記区間に含まれる頻度と所望の頻度との差異を求め、求めた前記差異に応じて前記パラメータ値の個数に関する設定を行う、
    　請求項１または請求項２に記載の探索装置。
  4. 　前記パラメータ設定手段は、前記パラメータ値を仮設定し、前記関係性を用いて算出したそのパラメータ値に関する数値が基準を満たしているか否かに基づき、そのパラメータ値の設定を採用するか否かを決定する、
    　請求項１から３の何れか一項に記載の探索装置。
  5. 　前記個数設定手段は、前記頻度に基づき、前記区間における前記パラメータ値の個数を調整するための係数値を算出し、
    　前記パラメータ設定手段は、算出された前記係数値に基づいて前記パラメータ値を設定する、
    　請求項１から４の何れか一項に記載の探索装置。
  6. 　前記個数設定手段は、前記区間に関して前記頻度の逆数に応じた前記係数値を算出し、
    　前記係数値の大きさは、その区間について前記パラメータ設定手段が設定するパラメータ値の個数の多さの程度を示す、
    　請求項５に記載の探索装置。
  7. 　前記複数のセットにフィットする前記関係性を求める分布決定手段を備える、
    　請求項１から６の何れか一項に記載の探索装置。
  8. 　請求項１から６のいずれか一項に記載の探索装置と
    　入力されたパラメータ値に対応した前記対象事象が生じている程度を示す数値を算出する装置
    　とを備える探索システム。
  9. 　コンピュータが、
    　パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出し、
    　前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出し、
    　前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行い、
    　設定した前記個数分のパラメータ値を設定する、
    　探索方法。
  10. 　コンピュータに、
    　パラメータ値と、前記パラメータ値の場合に対象事象が生じている程度を示す数値とのセットを複数用いて、前記パラメータ値と、前記数値との間の関係性を算出し、
    　前記数値がとり得る範囲の分割によって得られる複数の区間に関して、前記数値が区間に含まれる頻度を算出し、
    　前記複数の区間のうち少なくとも一部の前記区間に対して、前記頻度を用いて、前記頻度が少ない区間ほど、前記数値の算出対象となる前記パラメータ値の個数をより増加させるように、前記パラメータ値の個数に関する設定を行い、
    　設定した前記個数分のパラメータ値を算出する、
    　機能を実行させる探索プログラムが格納された記録媒体。
PCT/JP2020/002608 2019-01-24 2020-01-24 探索装置、探索システム、探索方法および記録媒体 WO2020153495A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/424,087 US20220100819A1 (en) 2019-01-24 2020-01-24 Search device, search system, search method, and recording medium
JP2020567728A JP7185853B2 (ja) 2019-01-24 2020-01-24 探索装置、探索システム、探索方法およびプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-010663 2019-01-24
JP2019010663 2019-01-24

Publications (1)

Publication Number Publication Date
WO2020153495A1 true WO2020153495A1 (ja) 2020-07-30

Family

ID=71736975

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/002608 WO2020153495A1 (ja) 2019-01-24 2020-01-24 探索装置、探索システム、探索方法および記録媒体

Country Status (3)

Country Link
US (1) US20220100819A1 (ja)
JP (1) JP7185853B2 (ja)
WO (1) WO2020153495A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019003644A1 (ja) * 2017-06-30 2019-01-03 日本電気株式会社 希少事象解析装置、希少事象解析方法および希少事象解析プログラム記録媒体

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2548880B2 (ja) * 1992-04-23 1996-10-30 インターナショナル・ビジネス・マシーンズ・コーポレイション 空間分割型確率シミュレーション・システムおよび物質エネルギー・システムをシミュレートする方法
JP6649306B2 (ja) * 2017-03-03 2020-02-19 株式会社東芝 情報処理装置、情報処理方法及びプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019003644A1 (ja) * 2017-06-30 2019-01-03 日本電気株式会社 希少事象解析装置、希少事象解析方法および希少事象解析プログラム記録媒体

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KISAMORI, KEIICHI ET AL.: "A Rare and Critical Condition Search Technique and its Application to Telescope Stray Light Analysis", PROCEEDINGS OF THE 2018 SIAM INTERNATIONAL CONFERENCE ON DATA MINING (SDM18, 3 January 2019 (2019-01-03), pages 567 - 575, XP055727510, ISBN: 978-1-61197-532-1, Retrieved from the Internet <URL:https://epubs.siam.org/doi/pdf/10.1137/1.9781611975321.64> [retrieved on 20200402] *

Also Published As

Publication number Publication date
US20220100819A1 (en) 2022-03-31
JPWO2020153495A1 (ja) 2021-12-02
JP7185853B2 (ja) 2022-12-08

Similar Documents

Publication Publication Date Title
Gorham et al. Measuring sample quality with diffusions
Ravikumar et al. Machine learning approach for automated visual inspection of machine components
Grelaud et al. ABC likelihood-free methods for model choice in Gibbs random fields
US20130173648A1 (en) Software Application Recognition
JP6641195B2 (ja) 最適化方法、最適化装置、プログラムおよび画像処理装置
Bittner et al. How do spiral arm contrasts relate to bars, disc breaks and other fundamental galaxy properties?
Eder et al. Configuring latent semantic indexing for requirements tracing
JP7117687B2 (ja) 解析装置、解析システム、解析方法およびプログラム
CN114758771A (zh) 一种基于约束型鲸鱼优化算法的肝癌生存预测方法
CN110598836B (zh) 一种基于改进的粒子群寻优算法的代谢组学分析方法
WO2020153495A1 (ja) 探索装置、探索システム、探索方法および記録媒体
Zhu et al. MOEA/D with two types of weight vectors for handling constraints
Samsuddin et al. Analysis of attribute selection and classification algorithm applied to hepatitis patients
US11448634B2 (en) Analysis apparatus, stratum age estimation apparatus, analysis method, stratum age estimation method, and program
Manning et al. CHLOE: A software tool for automatic novelty detection in microscopy image datasets
WO2021090518A1 (ja) 学習装置、情報統合システム、学習方法、及び、記録媒体
JP7117686B2 (ja) 解析装置、解析システム、解析方法およびプログラム
Lunin et al. Ab initio phasing starting from low resolution
Zhou et al. Human not in the loop: objective sample difficulty measures for Curriculum Learning
JP2004206355A (ja) テキスト自動分類方法及び装置並びにプログラム及び記録媒体
Zühlke et al. Learning vector quantization for heterogeneous structured data.
Zutty et al. Reducing bathymetric-lidar algorithm uncertainty with genetic programming and the evolutionary multi-objective algorithm design engine
CN111091865B (zh) MoRFs预测模型的生成方法、装置、设备和存储介质
KR101906678B1 (ko) 효율적인 혼합 시뮬레이티드 어닐링 기반의 데이터 클러스터링 방법 및 시스템
Mirceva et al. A novel approach for classifying protein structures based on fuzzy decision tree

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: 20745818

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020567728

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: 20745818

Country of ref document: EP

Kind code of ref document: A1