WO2023162467A1 - 情報処理方法、情報処理装置及び情報処理プログラム - Google Patents

情報処理方法、情報処理装置及び情報処理プログラム Download PDF

Info

Publication number
WO2023162467A1
WO2023162467A1 PCT/JP2022/048513 JP2022048513W WO2023162467A1 WO 2023162467 A1 WO2023162467 A1 WO 2023162467A1 JP 2022048513 W JP2022048513 W JP 2022048513W WO 2023162467 A1 WO2023162467 A1 WO 2023162467A1
Authority
WO
WIPO (PCT)
Prior art keywords
design parameter
state
correction
parameter correction
sensor
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/JP2022/048513
Other languages
English (en)
French (fr)
Inventor
靖之 祖父江
雅司 岡田
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.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
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 Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Priority to JP2024502879A priority Critical patent/JPWO2023162467A1/ja
Priority to CN202280092202.6A priority patent/CN118891639A/zh
Publication of WO2023162467A1 publication Critical patent/WO2023162467A1/ja
Priority to US18/810,756 priority patent/US20250005239A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Definitions

  • the present disclosure relates to technology for optimizing design parameters for developing sensors.
  • the parameters of the machine learning model were optimized.
  • the analysis apparatus of Patent Document 1 obtains analysis results analyzed by an analysis model that analyzes a target event using a plurality of parameters, and performs a Bayesian optimization method based on the obtained analysis results. Evaluate the combination of multiple parameters when the event is analyzed by the analysis model, and based on the evaluation results for each combination of multiple evaluated parameters, select the combination of parameters for the analysis model from among the multiple parameter combinations. have decided.
  • the machine learning device of Patent Document 2 acquires basic learning information, which is a basic learning result, from the outside, and learns a learning target by tuning the acquired basic learning information.
  • the machine learning device tunes the basic learning information by executing the first active learning using a teacher data set prepared in advance, and determines whether or not image processing is necessary for each image based on the teacher data set. Then, a processed image is generated by performing necessary image processing on each image determined to be processed, and the image data of each generated processed image is used as training data for the second active learning.
  • the basic learning information is tuned by executing
  • JP 2019-215750 A Japanese Patent No. 6861124
  • the present disclosure has been made to solve the above problems, and aims to provide a technology that can optimize the feature amount input to the machine learning model.
  • An information processing method is an information processing method in a computer, in which a feature amount indicating a feature of a measurement target measured by a sensor is obtained, and the feature amount is input to a machine learning model to obtain the measurement target. to improve the state prediction accuracy of the machine learning model, acquire a plurality of design parameter correction methods for correcting the design parameters of the sensor, and obtain a plurality of design parameter correction methods for correcting the design parameters of the sensor, and the feature amount and the prediction result of the state. Based on this, an optimum design parameter correction method is determined from among the plurality of design parameter correction methods, and the determined optimum design parameter correction method is output.
  • FIG. 10 is a diagram for explaining an example of development aimed at improving accuracy in determining whether virus infection is positive or negative in an antigen test sensor.
  • 1 is a diagram showing the configuration of a sensor development system according to an embodiment of the present disclosure
  • FIG. It is a block diagram which shows the structure of the correction method determination part in this Embodiment.
  • 7 is a first flowchart for explaining design parameter optimization processing of the information processing device according to the embodiment of the present disclosure
  • 9 is a second flowchart for explaining design parameter optimization processing of the information processing device according to the embodiment of the present disclosure;
  • FIG. 4 is a schematic diagram for explaining calculation of design parameters in the present embodiment;
  • FIG. 4 is a schematic diagram for explaining calculation of a prediction error in the embodiment;
  • FIG. 4 is a schematic diagram for explaining calculation of a correction cost value according to the present embodiment. It is a figure which shows an example of a flower kind class, a feature-value, a design parameter, and a development cost coefficient in this experiment.
  • FIG. 10 is a diagram showing an example of a design parameter correction method based on the results of design parameter optimization processing under the first to fifth conditions;
  • FIG. 11 is a schematic diagram for explaining calculation of a correction cost value in a modified example of the present embodiment;
  • Patent Literature 1 describes optimizing an analysis model, it does not consider tuning of teacher data.
  • Patent Document 2 mentioned above mentions not only the optimization of the learning model but also the generation of teacher data in order to improve the accuracy of the learning model.
  • Patent Document 2 discloses that image data of each processed image generated by applying necessary image processing to each image is used as teacher data.
  • Patent Document 2 does not consider optimizing sensor design parameters for acquiring teacher data, and it is difficult to acquire teacher data for realizing a more accurate learning model. .
  • An information processing method is an information processing method in a computer, in which a feature amount indicating a feature of a measurement target measured by a sensor is obtained, and the feature amount is input to a machine learning model. By doing so, the state of the object to be measured is predicted, the state prediction accuracy of the machine learning model is improved, and a plurality of design parameter correction methods for correcting the design parameters of the sensor are acquired, and the feature amount and the An optimum design parameter correction method is determined from among the plurality of design parameter correction methods based on the state prediction result, and the determined optimum design parameter correction method is output.
  • the state prediction accuracy of the machine learning model is improved, and the optimum design parameter correction method is determined from among a plurality of design parameter correction methods for correcting the design parameter of the sensor.
  • the optimal design parameter correction method is output. Therefore, the developer of the sensor corrects the design of the sensor using the output optimum design parameter correction method, thereby optimizing the feature amount input to the machine learning model. Further, by learning a machine learning model using the optimized feature amount, the accuracy of machine learning can be improved.
  • the design parameter for each of the plurality of design parameter correction methods is determined based on the feature quantity and the prediction result of the state.
  • a parameter correction amount may be calculated, and the optimum design parameter correction method may be identified from among the plurality of design parameter correction methods based on the correction amount.
  • the optimum design parameter correction method is specified from among the plurality of design parameter correction methods based on the design parameter correction amount for each of the plurality of design parameter correction methods. Therefore, for example, the design parameter correction method with the smallest design parameter correction amount can be specified as the optimum design parameter correction method.
  • the prediction result of the state is further based on the prediction result of the state and the correct state corresponding to the feature amount input to the machine learning model.
  • the distance may be calculated as the prediction error, and in calculating the correction amount of the design parameter, the correction amount in the design parameter space may be calculated based on the calculated prediction error and the calculated design parameter.
  • the amount of correction in the design parameter space can be calculated from the prediction error, which is the distance between the incorrect answer points and the correct answer points.
  • the correction cost value for each of the plurality of design parameter correction methods is calculated by multiplying the correction amount for each of the plurality of design parameter correction methods by the development cost coefficient for each of the plurality of design parameter correction methods. be. Then, the design parameter correction method that minimizes the calculated correction cost value is specified as the optimum design parameter correction method.
  • the development cost of the sensor can be reduced by specifying the design parameter correction method with the lowest development cost as the optimum design parameter correction method.
  • the correction cost value for each of the plurality of design parameter correction methods is further multiplied by a correction coefficient
  • the optimum In identifying the design parameter modification method the design parameter modification method that minimizes the modification cost value multiplied by the correction coefficient is identified as the optimum design parameter modification method, and in the prediction of the state, the identified optimum design Predicting the state of the measurement object by inputting the feature amount obtained from the sensor using the design parameter corrected by the parameter correction method into the machine learning model, further predicting the state prediction result, Based on the correct state corresponding to the feature amount input to the machine learning model, it is determined whether the prediction result of the state is the correct state, and in determining the optimum design parameter correction method Furthermore, the correction coefficient may be updated when it is determined that the prediction result of the state is not the correct state.
  • the correction cost value for each of the plurality of design parameter correction methods is multiplied by the correction coefficient, and the correction coefficient is repeatedly updated until it is determined that the prediction result of the state is the correct state. Development costs can be suppressed.
  • the design parameter is an average value of the distribution of the feature quantity
  • the design parameter correction method comprises: may be shifting the mean value of the distribution of
  • the design parameter is the standard deviation of the distribution of the feature quantity
  • the design parameter correction method comprises: It may be to reduce the standard deviation of the distribution of.
  • the feature quantity input to the machine learning model can be optimized by changing the design of the sensor so as to reduce the standard deviation of the distribution of the feature quantity.
  • the present disclosure can be implemented not only as an information processing method for executing characteristic processing as described above, but also for information processing having a characteristic configuration corresponding to the characteristic processing executed by the information processing method. It can also be implemented as a device or the like. Moreover, it can also be realized as a computer program that causes a computer to execute characteristic processing included in such an information processing method. Therefore, the following other aspects can also achieve the same effect as the information processing method described above.
  • An information processing apparatus includes a feature amount acquisition unit that acquires a feature amount indicating a feature of a measurement target measured by a sensor, and by inputting the feature amount into a machine learning model.
  • a prediction unit that predicts the state of the object to be measured;
  • a correction method acquisition unit that acquires a plurality of design parameter correction methods for improving the state prediction accuracy of the machine learning model and correcting the design parameters of the sensor;
  • a correction method determination unit for determining an optimum design parameter correction method from among the plurality of design parameter correction methods based on the feature quantity and the state prediction result; and an output unit for outputting.
  • An information processing program acquires a feature amount indicating a feature of a measurement object measured by a sensor, and inputs the feature amount into a machine learning model to obtain the state of the measurement object. to improve the state prediction accuracy of the machine learning model, acquire a plurality of design parameter correction methods for correcting the design parameters of the sensor, and obtain a plurality of design parameter correction methods for correcting the design parameters of the sensor, based on the feature quantity and the state prediction result , determining an optimum design parameter correction method from among the plurality of design parameter correction methods, and causing the computer to function to output the determined optimum design parameter correction method.
  • a non-transitory computer-readable recording medium records an information processing program, and the information processing program has characteristics indicating characteristics of a measurement target measured by a sensor. and predicting the state of the object to be measured by inputting the feature quantity into a machine learning model, improving the state prediction accuracy of the machine learning model, and correcting the design parameters of the sensor. obtaining the design parameter correction method of, determining the optimum design parameter correction method from among the plurality of design parameter correction methods based on the feature amount and the state prediction result, and determining the optimum design The computer functions to output the parameter correction method.
  • the first is the machine learning learning parameter optimization process.
  • This is a process of creating a learning model using sensor measurement values obtained using a sensor under development as learning data, and optimizing the learning parameters to improve the accuracy of the learning model. This process has been performed conventionally, and proposals for optimization methods of learning parameters and new learning models have already been made.
  • the second is the sensor design parameter optimization process.
  • the design of the sensor will be modified so that data more suitable for state discrimination can be obtained from the sensor. process. This process is also used in the development of sensors that do not use machine learning for status determination, for example in the development of antigen test sensors that detect specific viruses.
  • Figure 1 is a diagram for explaining an example of development aimed at improving the accuracy of determining positive or negative viral infection in an antigen test sensor.
  • the developer of the antigen test sensor selects the item with the lowest development cost (easy to develop) from the above development contents according to the development situation. This process corresponds to the sensor design parameter optimization process.
  • the focus of this disclosure is the development of a sensor that uses a machine learning model for state discrimination. This is an enlarged version so that it is performed for each feature amount.
  • the antigen test sensor has only one signal channel, and in terms of machine learning, it has only one feature amount.
  • the development cost value used in the design parameter optimization process is related to the numerical value of the development effect required by sensor development.
  • the development cost increases as the required amount of shift of the average signal intensity value increases. Therefore, a development cost coefficient to be multiplied by the effect amount of development is used to calculate the value of the development cost.
  • a development cost coefficient exists for each development content of each feature amount, and they are not necessarily the same.
  • the development cost factor is set by the situation of the sensor under development or the development environment. For example, a development cost coefficient with a very large value is set for a development content that is extremely difficult or impossible to implement.
  • FIG. 2 is a diagram showing the configuration of the sensor development system according to the embodiment of the present disclosure.
  • the sensor development system shown in FIG. 2 includes an information processing device 1, a sensor 2, an input unit 3, and a presentation unit 4.
  • Sensor 2 is a sensor to be developed. Sensor 2 outputs measurement data of at least one channel.
  • the sensor 2 is, for example, an antigen test sensor that outputs measurement data of one channel, or an odor sensor that outputs measurement data of multiple channels.
  • the input unit 3 is, for example, a keyboard, mouse and touch panel.
  • the input unit 3 receives an input from the user (developer) of the correct state of the measurement object measured by the sensor 2 .
  • the information processing apparatus 1 includes a feature amount acquisition unit 101, a state prediction unit 102, a correct state acquisition unit 103, a prediction result determination unit 104, a log storage unit 105, a correction method storage unit 106, a correction method acquisition unit 107, and a correction method determination unit. 108 and a correction method output unit 109 .
  • the processor is composed of, for example, a central processing unit (CPU).
  • the log storage unit 105 and the correction method storage unit 106 are realized by memory.
  • the memory is composed of, for example, ROM (Read Only Memory) or EEPROM (Electrically Erasable Programmable Read Only Memory).
  • the correction method determination unit 108 is realized by a processor and memory.
  • the information processing device 1 may be, for example, a computer or a server.
  • the information processing device 1 is communicably connected to the sensor 2 through a wired connection or a wireless connection.
  • the feature quantity acquisition unit 101 acquires a feature quantity indicating the characteristics of the measurement target measured by the sensor 2 .
  • the sensor 2 converts raw data obtained by measuring the object to be measured into a feature quantity, and outputs the feature quantity to the information processing device 1 .
  • the sensor 2 may output raw data obtained by measuring the object to be measured to the information processing device 1 .
  • the feature amount acquisition unit 101 acquires the feature amount by converting the raw data output from the sensor 2 into the feature amount.
  • the feature quantity acquisition unit 101 outputs the acquired feature quantity to the state prediction unit 102 and the log storage unit 105 .
  • the state prediction unit 102 predicts the state of the measurement target by inputting the feature quantity acquired by the feature quantity acquisition unit 101 into the machine learning model. State prediction section 102 determines whether the object to be measured is in the first state or the second state.
  • the machine learning model is machine-learned so that the feature quantity is input data, the state of the measurement object is output data, and the state of the measurement object is output when the feature quantity is input.
  • a machine learning model is generated by, for example, Light GBM (Gradient Boosting Machine). Also, the machine learning model may be generated by, for example, deep learning.
  • the state prediction unit 102 outputs the state prediction result to the prediction result determination unit 104 and the log storage unit 105 .
  • the state prediction unit 102 may acquire a learned machine learning model stored in advance in the memory.
  • the information processing device 1 may also include a learning unit.
  • the learning unit may learn the machine learning model using the feature quantity acquired by the feature quantity acquisition unit 101 and the correct state of the measurement target acquired by the correct state acquisition unit 103 as teacher data.
  • the correct answer state acquisition unit 103 acquires the correct answer state corresponding to the feature quantity input to the machine learning model.
  • the correct answer state acquisition unit 103 acquires the correct answer state of the measurement target from the input unit 3 .
  • the prediction result determination unit 104 determines whether or not the state prediction result is the correct state based on the state prediction result by the state prediction unit 102 and the correct state acquired by the correct state acquisition unit 103. do.
  • the prediction result determination unit 104 outputs to the log storage unit 105 determination result information indicating whether or not the state prediction result is a correct state.
  • the log storage unit 105 stores the feature amount acquired by the feature amount acquisition unit 101, the state of the measurement target predicted by the state prediction unit 102, and the prediction result of the state determined by the prediction result determination unit 104 as a correct state. It is stored as log information in association with determination result information indicating whether or not.
  • the log storage unit 105 stores a plurality of pieces of log information.
  • the correction method storage unit 106 stores in advance a plurality of design parameter correction methods for improving the state prediction accuracy of the machine learning model and correcting the design parameters of the sensor 2 .
  • the design parameter is the mean value of the feature quantity distribution or the standard deviation of the feature quantity distribution. If the design parameter is the mean value of the distribution of the feature quantity, the design parameter correction method is to shift the mean value of the distribution of the feature quantity. That is, the design parameter correction method is to enhance or attenuate the mean value of the distribution of feature quantities. Also, when the design parameter is the standard deviation of the distribution of the feature quantity, the design parameter correction method is to reduce the standard deviation of the distribution of the feature quantity.
  • the design parameter correction method includes a first design parameter correction method of increasing a first average value of the distribution of feature quantities whose prediction results are in the first state, and a second average of the distribution of feature quantities whose prediction results are in the second state. a second design parameter modification method for reducing the value (the second average value is smaller than the first average value); and a fourth design parameter modification method for reducing a second standard deviation (the second standard deviation is smaller than the first standard deviation) of the distribution of the feature quantities whose prediction results are in the second state.
  • the correction method storage unit 106 stores a plurality of design parameter correction methods according to the sensor 2 to be developed.
  • design parameters and design parameter correction method are examples and are not limited to the above.
  • the correction method acquisition unit 107 acquires a plurality of design parameter correction methods for improving the state prediction accuracy of the machine learning model and correcting the design parameters of the sensor 2 .
  • the correction method acquisition unit 107 acquires a plurality of design parameter correction methods from the correction method storage unit 106 .
  • the correction method determination unit 108 selects an optimum design parameter correction method from among a plurality of design parameter correction methods based on the feature quantity acquired by the feature quantity acquisition unit 101 and the state prediction result by the state prediction unit 102. decide.
  • the correction method determination unit 108 calculates a design parameter correction amount for each of a plurality of design parameter correction methods based on the feature amount and the state prediction result.
  • a correction method determination unit 108 identifies an optimum design parameter correction method from among a plurality of design parameter correction methods based on the design parameter correction amount.
  • the modification method determination unit 108 may specify the optimum design parameter modification amount from among the design parameter modification amounts for each of a plurality of design parameter modification methods.
  • the modification method output unit 109 outputs the optimal design parameter modification method determined by the modification method determination unit 108.
  • the correction method output unit 109 outputs the optimum design parameter correction method to the presentation unit 4 . Further, the correction method output unit 109 may output the optimum design parameter correction amount to the presentation unit 4 . Furthermore, the correction method output unit 109 may output the feature amount to be corrected and the state to be corrected to the presentation unit 4 .
  • the presentation unit 4 presents the user (developer) with the optimum design parameter correction method output by the correction method output unit 109 .
  • the presentation unit 4 is, for example, a display device such as a liquid crystal display device.
  • the presentation unit 4 displays the optimum design parameter correction method.
  • the presentation unit 4 may present the user (developer) with the optimal design parameter correction amount output by the correction method output unit 109 . Further, the presentation unit 4 may present the feature amount to be corrected and the state to be corrected to the user (developer).
  • FIG. 3 is a block diagram showing the configuration of the correction method determination unit 108 according to this embodiment.
  • the correction method determination unit 108 includes a parameter calculation unit 111, a prediction error calculation unit 112, a correction amount calculation unit 113, a cost coefficient storage unit 114, a cost coefficient acquisition unit 115, a correction cost calculation unit 116, and a correction method identification unit 117.
  • the parameter calculation unit 111 calculates design parameters for each of a plurality of design parameter correction methods.
  • the parameter calculation unit 111 calculates the average value of the distribution of the feature quantity whose prediction result is the first state as the design parameter for the first design parameter correction method.
  • the parameter calculation unit 111 calculates the average value of the distribution of the feature quantity whose prediction result is the second state as the design parameter for the second design parameter correction method.
  • the parameter calculation unit 111 calculates the standard deviation of the distribution of the feature amount whose prediction result is the first state as the design parameter for the third design parameter correction method.
  • the parameter calculation unit 111 calculates the standard deviation of the distribution of the feature amount whose prediction result is the second state as the design parameter for the fourth design parameter correction method.
  • the prediction error calculation unit 112 calculates an incorrect answer point on the feature value space of the feature value corresponding to the prediction result determined not to be correct by the prediction result determination unit 104 and the correct state by the prediction result determination unit 104.
  • the distance between the feature amount corresponding to the prediction result determined to be present and the correct answer point on the feature amount space is calculated as the prediction error.
  • the correction amount calculation unit 113 calculates the design parameter correction amount on the design parameter space based on the prediction error calculated by the prediction error calculation unit 112 and the design parameters calculated by the parameter calculation unit 111 .
  • the cost coefficient storage unit 114 preliminarily stores development cost coefficients that are set for each of a plurality of design parameter correction methods and that are set according to the costs necessary for developing the sensor 2 .
  • the cost coefficient storage unit 114 stores development cost coefficients for each of a plurality of design parameter correction methods.
  • the cost coefficient acquisition unit 115 acquires a development cost coefficient that is set for each of a plurality of design parameter correction methods and that is set according to the cost necessary for developing the sensor 2 .
  • the cost coefficient acquisition unit 115 acquires development cost coefficients corresponding to each of a plurality of design parameter correction methods from the cost coefficient storage unit 114 .
  • the correction cost calculation unit 116 adds the design parameter correction amount for each of the plurality of design parameter correction methods calculated by the correction amount calculation unit 113 to the development cost coefficient for each of the plurality of design parameter correction methods acquired by the cost coefficient acquisition unit 115. By multiplying by , a correction cost value for each of a plurality of design parameter correction methods is calculated.
  • the correction method identification unit 117 identifies the design parameter correction method that minimizes the correction cost value calculated by the correction cost calculation unit 116 as the optimum design parameter correction method.
  • FIG. 4 is a first flowchart for explaining design parameter optimization processing of the information processing device 1 according to the embodiment of the present disclosure
  • FIG. 9 is a second flowchart for explaining parameter optimization processing
  • step S ⁇ b>1 the feature amount acquisition unit 101 acquires feature amounts indicating the features of the measurement target measured by the sensor 2 .
  • step S2 the state prediction unit 102 predicts the state of the measurement target by inputting the feature quantity acquired by the feature quantity acquisition unit 101 into the learned machine learning model.
  • step S3 the correct state acquisition unit 103 acquires the correct state of the measurement target corresponding to the feature quantity input to the machine learning model.
  • step S4 the prediction result determination unit 104 determines that the state prediction result is a correct state based on the state prediction result of the state prediction unit 102 and the correct state acquired by the correct state acquisition unit 103. It is determined whether or not.
  • step S5 the prediction result determination unit 104 obtains the feature amount acquired by the feature amount acquisition unit 101, the state prediction result by the state prediction unit 102, and the prediction result determination result by the prediction result determination unit 104. are associated with each other and stored in the log storage unit 105 .
  • step S6 the correction method acquisition unit 107 determines whether or not a predetermined number of pieces of log information have been stored in the log storage unit 105.
  • step S6 if it is determined that the predetermined number of pieces of log information are not stored in the log storage unit 105 (NO in step S6), the process returns to step S1.
  • step S7 the correction method acquisition unit 107 determines the probability that the prediction result of the state was the correct state. is lower than a predetermined probability.
  • step S7 if it is determined that the percentage of correct answers is equal to or higher than the predetermined probability (NO in step S7), the process ends.
  • step S8 the correction method acquisition unit 107 stores a plurality of design parameter correction methods corresponding to the sensor 2 in the correction method storage unit 106. Get from
  • the correct answer rate is lower than a predetermined probability, and when it is determined that the correct answer rate is lower than the predetermined probability, a plurality of design parameter correction methods are acquired.
  • the disclosure is not specifically limited in this respect.
  • the log information stored in the log storage unit 105 may be presented to the user (developer), and an input of an instruction for executing the design parameter optimization process may be received from the user who has confirmed the log information. .
  • step S9 the parameter calculator 111 calculates design parameters for each of the plurality of design parameter correction methods.
  • step S10 the prediction error calculation unit 112 calculates an incorrect answer point on the feature value space of the feature value corresponding to the prediction result determined not to be correct by the prediction result determination unit 104, and the prediction result determination A prediction error is calculated that indicates the distance between the feature quantity corresponding to the prediction result determined to be correct by the unit 104 and the correct answer point on the feature quantity space.
  • step S11 the correction amount calculation unit 113 calculates a plurality of design parameters in the design parameter space based on the prediction error calculated by the prediction error calculation unit 112 and the design parameters calculated by the parameter calculation unit 111.
  • a design parameter correction amount is calculated for each parameter correction method.
  • step S ⁇ b>12 the cost coefficient acquisition unit 115 acquires development cost coefficients for each of the plurality of design parameter correction methods from the cost coefficient storage unit 114 .
  • step S ⁇ b>13 the correction cost calculation unit 116 adds the design parameter correction amounts for each of the plurality of design parameter correction methods calculated by the correction amount calculation unit 113 to the plurality of design parameters acquired by the cost coefficient acquisition unit 115 .
  • a correction cost value for each of a plurality of design parameter correction methods is calculated by multiplying the development cost coefficient for each correction method.
  • step S14 the modification method identification unit 117 selects a design parameter modification amount that minimizes the modification cost value calculated by the modification cost calculation unit 116, among the design parameter modification amounts for each of the plurality of design parameter modification methods.
  • the optimum design parameter correction amount is specified, and the design parameter correction method corresponding to the optimum design parameter correction amount is specified as the optimum design parameter correction method.
  • step S ⁇ b>15 the correction method output unit 109 outputs the optimum design parameter correction amount and the optimum design parameter correction method identified by the correction method identification unit 117 to the presentation unit 4 .
  • the presentation unit 4 presents the optimum design parameter correction amount and the optimum design parameter correction method output by the correction method output unit 109 to the user (developer).
  • the state prediction accuracy of the machine learning model is improved, and the optimum design parameter correction method is determined from a plurality of design parameter correction methods for correcting the design parameters of the sensor.
  • a design parameter modification method is output. Therefore, the developer of the sensor 2 corrects the design of the sensor 2 using the output optimum design parameter correction method, thereby optimizing the feature amount input to the machine learning model. Further, by learning a machine learning model using the optimized feature amount, the accuracy of machine learning can be improved.
  • the presentation unit 4 presents to the user (developer) the optimal design parameter correction amount and the optimal design parameter correction method with the minimum correction cost value, but the present disclosure is particularly It is not limited to this.
  • the presentation unit 4 may further present the design parameter correction amount and the design parameter correction method with the second smallest correction cost value to the user (developer), and the design parameter correction amount and the design parameter correction method with the third smallest correction cost value.
  • a parameter correction method may be further presented to the user (developer).
  • the presenting unit 4 may present not only the optimum design parameter correction amount and the optimum design parameter correction method, but also the feature amount to be corrected and the state to be corrected.
  • the design parameter ⁇ is calculated by the following method.
  • FIG. 6 is a schematic diagram for explaining calculation of design parameters in the present embodiment.
  • the parameter calculator 111 classifies each feature amount of each state (class) of the learning data, and calculates two design parameters, the average value and the standard deviation of each distribution.
  • the design parameter ⁇ is the average value and standard deviation of multiple feature quantities of multiple states (classes). Therefore, the design parameter ⁇ takes the form of a vector having a length of number of states*number of features*number of design parameters (two items of mean and standard deviation).
  • the parameter calculation unit 111 calculates the mean value E kA and standard deviation ⁇ kA of the distribution of feature quantity k in the first state, and the mean value E kB and standard deviation ⁇ kB of the distribution of feature quantity k in the second state.
  • the prediction error ⁇ ( ⁇ n) is calculated by the following method.
  • FIG. 7 is a schematic diagram for explaining calculation of prediction errors in the present embodiment.
  • the prediction error calculation unit 112 extracts a plurality of records that are erroneously determined in the state prediction of the machine learning model.
  • the prediction error calculation unit 112 selects the record with the smallest probability value of the erroneously determined state class from among the plurality of extracted records, and uses it as an erroneous answer representative point.
  • the prediction error calculation unit 112 extracts a plurality of records determined to be correct answers from among the records of the same state class as the incorrect answer representative score, and sets them as correct answer points.
  • triangular points indicate incorrect answer representative points
  • circle points indicate correct answer points. Between the incorrect answer representative score and the correct answer score, there is a decision threshold of the machine learning model.
  • the prediction error calculation unit 112 calculates the distance between each correct answer point of the plurality of extracted records and the incorrect answer representative point on the feature amount space as a prediction error ⁇ ( ⁇ n).
  • ⁇ n indicates the learning parameter of the machine learning model
  • ⁇ ( ⁇ n) indicates the prediction error of the machine learning model when the learning parameter is ⁇ .
  • the prediction error ⁇ ( ⁇ n) takes the form of a vector with multiple distance values.
  • the design parameter correction amount ⁇ is calculated by the following method.
  • the correction amount calculation unit 113 calculates the design parameter correction amount ⁇ required to acquire learning data that increases the prediction accuracy based on the following formula (1).
  • ⁇ ⁇ ( ⁇ n)/ ⁇ (1)
  • ⁇ indicates the design parameter correction amount
  • ⁇ indicates the design parameter.
  • the correction method determining unit 108 performs calculations with the learning parameters fixed. Therefore, in equation (1), the learning parameter ⁇ is fixed to ⁇ n after updating n times, that is, after the machine learning model has been sufficiently optimized.
  • the correction amount calculation unit 113 converts ⁇ ( ⁇ n), which is the distance on the feature quantity space, into the design parameter, which is the distance on the design parameter space. It is converted into a correction amount ⁇ .
  • the design parameter correction amount ⁇ is a value obtained by partially differentiating ⁇ ( ⁇ n) with ⁇ . Therefore, the design parameter correction amount ⁇ is represented by a matrix having the same number of rows as the length of ⁇ ( ⁇ n) and the same number of columns as the length of ⁇ .
  • correction cost value C( ⁇ ) is calculated by the following method.
  • FIG. 8 is a schematic diagram for explaining calculation of the correction cost value in the present embodiment.
  • the correction cost calculation unit 116 calculates the correction cost value C( ⁇ ) of the design parameter correction amount ⁇ based on the following formula (2).
  • C( ⁇ ) ⁇ * ⁇ (2)
  • ⁇ is the development cost factor and C( ⁇ ) is the correction cost value.
  • the development cost coefficient ⁇ is set for each design parameter correction method. So ⁇ is a vector of the same length as ⁇ . Since C( ⁇ ) is a matrix ⁇ multiplied by ⁇ , it is a vector with the same length as ⁇ ( ⁇ n).
  • the calculation of the above formula (2) indicates that the design parameter correction amount ⁇ , which is the distance on the design parameter space, is converted into the correction cost value C( ⁇ ), which is the distance on the cost space.
  • the modification method identification unit 117 calculates the optimal design parameter modification method solution based on the following equation (3).
  • ⁇ min is the design parameter correction amount that minimizes the correction cost value C( ⁇ ).
  • the modification method identification unit 117 identifies the design parameter modification amount that minimizes the modification cost value C( ⁇ ) as the optimum design parameter modification amount. Further, the correction method specifying unit 117 specifies the design parameter correction method corresponding to the design parameter correction amount that minimizes the correction cost value C( ⁇ ) as the optimum design parameter correction method.
  • the correction method identification unit 117 identifies the design parameter correction amount that minimizes the correction cost value representing the distance between the incorrect answer representative point and the correct answer point in the cost space as the optimum design parameter correction amount.
  • the amount of design parameter correction that minimizes the development cost required for sensor development is calculated, and the design parameter correction method that minimizes development cost is specified.
  • the design change of the sensor 2 that can acquire learning data that improves the discrimination accuracy can be made at the lowest development cost.
  • the design parameter optimization process requires the state prediction error data of the machine learning model
  • a machine learning model is prepared in advance using the data acquired by the sensor as the learning data.
  • the state prediction results are partially erroneous.
  • Design parameter optimization processing is performed based on this state prediction error data, and it is assumed that the sensor design has been changed according to the processing result that minimizes the development cost. sensor acquisition data is created.
  • Machine learning is performed again using the sensor data obtained after the design change as learning data, and if it can be confirmed that the prediction accuracy of the machine learning model has improved, the design parameter optimization process will further increase the state prediction accuracy. It is verified that the design parameter correction method that can acquire learning data was identified as expected.
  • the Iris dataset was used as dummy data for the measurement data acquired from the sensor under development.
  • the Iris data set is table data with 150 records, and has 4 feature values and 3 flower type classes.
  • the three flower-type classes of the Iris data set are regarded as states of measurement objects to be predicted, and the four feature quantities are regarded as four-channel signals of the sensor.
  • the four features include sepal length, sepal width, petal length, and petal width.
  • the three flower species classes include setosa, versicolor, and virginica.
  • the machine learning model required for the design parameter optimization process was created on the Light GBM (Gradient Boosting Machine).
  • the created machine learning model was created to misjudge only 1 record out of 150 records.
  • the correct flower type class is "versicolor”
  • the erroneously determined flower type class is "virginica”.
  • development cost coefficients There are 24 development cost coefficients as there are the same number as the design parameters of the sensor. Also, a different development cost coefficient is set for each of a plurality of conditions.
  • Fig. 9 is a diagram showing an example of flower type classes, feature values, design parameters, and development cost coefficients in this experiment.
  • ⁇ represents the mean value and ⁇ represents the standard deviation.
  • the development cost coefficient relating to the determination result class (virginica) of the erroneously determined record is weighted.
  • the development cost coefficients of all mean values ⁇ and standard deviations ⁇ are set to 1.
  • the development cost coefficient for the average value ⁇ is set to 1000, and the development cost coefficient for the standard deviation ⁇ is set to 1.
  • the development cost coefficient for the average value ⁇ is set to 1
  • the development cost coefficient for the standard deviation ⁇ is set to 1000.
  • the development cost coefficient for the mean value ⁇ and standard deviation ⁇ of versicolor is set to 1000, and the development cost coefficient for the mean value ⁇ and standard deviation ⁇ of other flower type classes is set to 1.
  • the development cost coefficient of the average value ⁇ and standard deviation ⁇ of virginica is set to 1000, and the development cost coefficient of the average value ⁇ and standard deviation ⁇ of other flower type classes is set to 1. ing.
  • the design parameter optimization process was performed on the first to fifth conditions above, and the design parameter correction method that minimizes the correction cost value was identified.
  • FIG. 10 is a diagram showing an example of a design parameter correction method based on the results of design parameter optimization processing for the first to fifth conditions.
  • the flower type class to be corrected is versicolor
  • the feature value to be corrected is petal length
  • the design parameter to be corrected is the average value.
  • the flower type class to be corrected is versicolor
  • the feature amount to be corrected is petal length
  • the design parameter to be corrected is standard deviation.
  • the flower type class to be corrected is virginica
  • the feature amount to be corrected is petal length
  • the design parameter to be corrected is the average value.
  • the design parameter correction method was the same for the 1st, 3rd and 5th conditions.
  • the first condition is the design parameter correction method specified under the condition that the development cost factor is not weighted, and the design parameters listed therein do not include the items weighted by the third and fifth conditions. Because. Among the design parameters other than the design parameters weighted by the third and fifth conditions, the design parameter that minimizes the correction cost value is found. Therefore, the weighting in the 3rd and 5th conditions does not affect the selection of the design parameter modification method that minimizes the modification cost value, and the results of the 3rd and 5th conditions are the same as the results of the 1st condition. It is thought that
  • the results of the 2nd and 4th conditions were different from the results of the 1st condition. This is because the design parameters weighted by the second and fourth conditions are included in the calculation result of the first condition, so the weighted design change items are excluded as high costs in the second and fourth conditions, It is believed that the other design parameter modification method was selected as the design parameter modification method with the lowest modification cost value.
  • the design parameter optimization process can identify the design parameter correction method that reflects the 1st to 5th conditions of the development cost coefficient.
  • FIG. 11 is a schematic diagram for explaining calculation of the correction cost value in the modified example of the present embodiment.
  • the correction method specifying unit 117 specifies the design parameter correction amount that minimizes the correction cost value representing the distance between the incorrect answer representative point and the correct answer point in the cost space as the optimum design parameter correction amount. are doing.
  • the modification method specifying unit 117 in the modified example of the present embodiment multiplies the modification cost value by a correction coefficient having a magnitude that does not exceed the determination threshold, repeats state prediction while gradually increasing the correction coefficient, and performs machine learning.
  • a correction coefficient value at which the model determination result is switched may be searched for.
  • the modification method determination unit 108 may further include a correction coefficient multiplication unit that multiplies the modification cost value for each of the plurality of design parameter modification methods calculated by the modification cost calculation unit 116 by a correction coefficient.
  • the correction method identification unit 117 may identify the design parameter correction method that minimizes the correction cost value multiplied by the correction coefficient as the optimum design parameter correction method. Then, the state prediction unit 102 inputs the feature amount obtained from the sensor 2 using the design parameters corrected by the optimum design parameter correction method specified by the correction method specifying unit 117 into the machine learning model. state can be predicted.
  • the prediction result determination unit 104 determines whether the state prediction result is a correct state based on the state prediction result by the state prediction unit 102 and the correct state corresponding to the feature amount input to the machine learning model. It may be determined whether The correction method determination unit 108 may further include an update unit that updates the correction coefficient when the prediction result determination unit 104 determines that the state prediction result is not the correct state. At this time, the updating unit updates the correction coefficient so as to be higher than the current correction coefficient. The updating unit repeats updating of the correction coefficient until it is determined that the prediction result of the state is the correct state, thereby further suppressing the development cost.
  • each component may be implemented by dedicated hardware or by executing a software program suitable for each component.
  • Each component may be realized by reading and executing a software program recorded in a recording medium such as a hard disk or a semiconductor memory by a program execution unit such as a CPU or processor.
  • the program may be executed by another independent computer system by recording the program on a recording medium and transferring it, or by transferring the program via a network.
  • LSI Large Scale Integration
  • circuit integration is not limited to LSIs, and may be realized by dedicated circuits or general-purpose processors.
  • An FPGA Field Programmable Gate Array
  • reconfigurable processor that can reconfigure the connections and settings of the circuit cells inside the LSI may be used.
  • a processor such as a CPU executing a program.
  • each step shown in the above flowchart is executed is for illustrative purposes in order to specifically describe the present disclosure, and may be an order other than the above as long as the same effect can be obtained. . Also, some of the above steps may be executed concurrently (in parallel) with other steps.
  • the technology according to the present disclosure can optimize the feature quantity input to the machine learning model, so it is useful as a technology for optimizing design parameters for developing sensors.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

情報処理装置は、センサによって測定された測定対象の特徴を示す特徴量を取得し、特徴量を機械学習モデルに入力することで測定対象の状態を予測し、機械学習モデルの状態予測精度を向上させるともに、センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、特徴量と状態の予測結果とに基づいて、複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、決定した最適な設計パラメータ修正方法を出力する。

Description

情報処理方法、情報処理装置及び情報処理プログラム
　本開示は、センサを開発するための設計パラメータを最適化する技術に関する。
　従来、開発されたセンサの測定対象の状態が機械学習モデルにより判別される際、機械学習モデルのパラメータが最適化されていた。
　例えば、特許文献１の解析装置は、複数のパラメータを用いて対象の事象を解析する解析モデルによって解析された解析結果を取得し、ベイズ最適化手法により、取得した解析結果に基づいて、対象の事象が解析モデルによって解析されたときの複数のパラメータの組み合わせを評価し、評価した複数のパラメータの組み合わせごとの評価結果に基づいて、複数のパラメータの組み合わせの中から、解析モデルのパラメータの組み合わせを決定している。
　また、例えば、特許文献２の機械学習装置は、外部から基本的な学習結果でなる基本学習情報を取得し、取得した基本学習情報をチューニングするようにして学習対象を学習している。当該機械学習装置は、予め用意された教師データセットを用いた１回目のアクティブラーニングを実行することにより基本学習情報をチューニングし、教師データセットに基づく各画像に対する画像加工処理の要否をそれぞれ判定し、画像加工処理を施すべきと判定した各画像に対して必要な画像加工処理をそれぞれ施すことにより加工画像を生成し、生成した各加工画像の画像データを教師データとする２回目のアクティブラーニングを実行することにより基本学習情報をチューニングしている。
　しかしながら、上記従来の技術では、機械学習モデルを最適化することは可能であるが、機械学習モデルに入力される特徴量を最適化することについては言及されておらず、更なる改善が必要とされていた。
特開２０１９－２１５７５０号公報 特許第６８６１１２４号公報
　本開示は、上記の問題を解決するためになされたもので、機械学習モデルに入力される特徴量を最適化することができる技術を提供することを目的とするものである。
　本開示に係る情報処理方法は、コンピュータにおける情報処理方法であって、センサによって測定された測定対象の特徴を示す特徴量を取得し、前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、決定した前記最適な設計パラメータ修正方法を出力する。
　本開示によれば、機械学習モデルに入力される特徴量を最適化することができる。
抗原検査センサにおいて、ウイルス感染の陽性又は陰性の判別精度向上に向けた開発の例について説明するための図である。 本開示の実施の形態におけるセンサ開発システムの構成を示す図である。 本実施の形態における修正方法決定部の構成を示すブロック図である。 本開示の実施の形態における情報処理装置の設計パラメータ最適化処理について説明するための第１のフローチャートである。 本開示の実施の形態における情報処理装置の設計パラメータ最適化処理について説明するための第２のフローチャートである。 本実施の形態における設計パラメータの算出について説明するための模式図である。 本実施の形態における予測誤差の算出について説明するための模式図である。 本実施の形態における修正コスト値の算出について説明するための模式図である。 本実験における花種類クラス、特徴量、設計パラメータ及び開発コスト係数の一例を示す図である。 第１条件～第５条件において設計パラメータ最適化処理の結果に基づく設計パラメータ修正方法の一例を示す図である。 本実施の形態の変形例における修正コスト値の算出について説明するための模式図である。
　（本開示の基礎となった知見）
　上記の特許文献１には、解析モデルを最適化することについては記載されているが、教師データのチューニングについては考慮されていない。
　また、上記の特許文献２では、学習モデルの精度を向上させるため、学習モデルの最適化だけでなく、教師データの生成にも言及している。すなわち、特許文献２では、各画像に対して必要な画像加工処理をそれぞれ施すことにより生成された各加工画像の画像データが教師データとして用いられることが開示されている。しかしながら、特許文献２では、教師データを取得するためのセンサの設計パラメータを最適化することについては考慮されておらず、より精度の高い学習モデルを実現するための教師データの取得は困難である。
　以上の課題を解決するために、下記の技術が開示される。
　（１）本開示の一態様に係る情報処理方法は、コンピュータにおける情報処理方法であって、センサによって測定された測定対象の特徴を示す特徴量を取得し、前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、決定した前記最適な設計パラメータ修正方法を出力する。
　この構成によれば、機械学習モデルの状態予測精度を向上させるともに、センサの設計パラメータを修正するための複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法が決定され、決定された最適な設計パラメータ修正方法が出力される。したがって、センサの開発者によって、出力された最適な設計パラメータ修正方法を用いてセンサの設計が修正されることにより、機械学習モデルに入力される特徴量を最適化することができる。また、最適化された特徴量を用いて機械学習モデルが学習されることにより、機械学習の精度を向上させることができる。
　（２）上記（１）記載の情報処理方法において、前記最適な設計パラメータ修正方法の決定において、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法毎の前記設計パラメータの修正量を算出し、前記修正量に基づいて、前記複数の設計パラメータ修正方法の中から、前記最適な設計パラメータ修正方法を特定してもよい。
　この構成によれば、複数の設計パラメータ修正方法毎の設計パラメータの修正量に基づいて、複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法が特定される。したがって、例えば、設計パラメータの修正量が最も少ない設計パラメータ修正方法を最適な設計パラメータ修正方法として特定することができる。
　（３）上記（２）記載の情報処理方法において、さらに、前記状態の予測結果と、前記機械学習モデルに入力された前記特徴量に対応する正解の状態とに基づいて、前記状態の予測結果が前記正解の状態であるか否かを判定し、前記最適な設計パラメータ修正方法の決定において、さらに、前記複数の設計パラメータ修正方法毎の前記設計パラメータを算出し、さらに、前記正解の状態ではないと判定された予測結果に対応する特徴量の特徴量空間上における誤答点と、前記正解の状態であると判定された予測結果に対応する特徴量の特徴量空間上における正答点との距離を予測誤差として算出し、前記設計パラメータの修正量の算出において、算出した前記予測誤差と、算出した前記設計パラメータとに基づいて、設計パラメータ空間上における前記修正量を算出してもよい。
　この構成によれば、特徴量空間上における誤答点が正答点の位置に移動することにより、不正解の状態の予測結果が正解の状態に変化することになる。したがって、誤答点と正答点との距離である予測誤差から設計パラメータ空間上における修正量を算出することができる。
　（４）上記（２）又は（３）記載の情報処理方法において、前記最適な設計パラメータ修正方法の決定において、さらに、前記複数の設計パラメータ修正方法毎に設定されるとともに、前記センサの開発に必要なコストに応じて設定される開発コスト係数を取得し、さらに、前記複数の設計パラメータ修正方法毎の前記修正量に、前記複数の設計パラメータ修正方法毎の前記開発コスト係数を乗算することにより、前記複数の設計パラメータ修正方法毎の修正コスト値を算出し、前記最適な設計パラメータ修正方法の特定において、算出した前記修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定してもよい。
　この構成によれば、複数の設計パラメータ修正方法毎の修正量に、複数の設計パラメータ修正方法毎の開発コスト係数が乗算されることにより、複数の設計パラメータ修正方法毎の修正コスト値が算出される。そして、算出された修正コスト値が最小となる設計パラメータ修正方法が最適な設計パラメータ修正方法として特定される。
　ここで、センサの設計変更には開発コストが必要であり、開発コストは、設計パラメータ修正方法毎に異なる。したがって、最も開発コストが少ない設計パラメータ修正方法が最適な設計パラメータ修正方法として特定されることにより、センサの開発コストを低減することができる。
　（５）上記（４）記載の情報処理方法において、前記最適な設計パラメータ修正方法の決定において、さらに、前記複数の設計パラメータ修正方法毎の前記修正コスト値に補正係数を乗算し、前記最適な設計パラメータ修正方法の特定において、前記補正係数が乗算された前記修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定し、前記状態の予測において、特定した前記最適な設計パラメータ修正方法によって修正された前記設計パラメータを用いた前記センサから得られる前記特徴量を前記機械学習モデルに入力することで前記測定対象の状態を予測し、さらに、前記状態の予測結果と、前記機械学習モデルに入力された前記特徴量に対応する正解の状態とに基づいて、前記状態の予測結果が前記正解の状態であるか否かを判定し、前記最適な設計パラメータ修正方法の決定において、さらに、前記状態の予測結果が前記正解の状態ではないと判定された場合、前記補正係数を更新してもよい。
　この構成によれば、複数の設計パラメータ修正方法毎の修正コスト値に補正係数が乗算され、状態の予測結果が正解の状態であると判定されるまで補正係数の更新が繰り返されることで、より開発コストを抑制することができる。
　（６）上記（１）～（５）のいずれか１つに記載の情報処理方法において、前記設計パラメータは、前記特徴量の分布の平均値であり、前記設計パラメータ修正方法は、前記特徴量の分布の前記平均値をシフトさせることであってもよい。
　この構成によれば、特徴量の分布の平均値をシフトさせるように、センサの設計が変更されることにより、機械学習モデルに入力される特徴量を最適化することができる。
　（７）上記（１）～（６）のいずれか１つに記載の情報処理方法において、前記設計パラメータは、前記特徴量の分布の標準偏差であり、前記設計パラメータ修正方法は、前記特徴量の分布の前記標準偏差を縮小させることであってもよい。
　この構成によれば、特徴量の分布の標準偏差を縮小させるように、センサの設計が変更されることにより、機械学習モデルに入力される特徴量を最適化することができる。
　また、本開示は、以上のような特徴的な処理を実行する情報処理方法として実現することができるだけでなく、情報処理方法が実行する特徴的な処理に対応する特徴的な構成を備える情報処理装置などとして実現することもできる。また、このような情報処理方法に含まれる特徴的な処理をコンピュータに実行させるコンピュータプログラムとして実現することもできる。したがって、以下の他の態様でも、上記の情報処理方法と同様の効果を奏することができる。
　（８）本開示の他の態様に係る情報処理装置は、センサによって測定された測定対象の特徴を示す特徴量を取得する特徴量取得部と、前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測する予測部と、前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得する修正方法取得部と、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定する修正方法決定部と、決定した前記最適な設計パラメータ修正方法を出力する出力部と、を備える。
　（９）本開示の他の態様に係る情報処理プログラムは、センサによって測定された測定対象の特徴を示す特徴量を取得し、前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、決定した前記最適な設計パラメータ修正方法を出力するようにコンピュータを機能させる。
　（１０）本開示の他の態様に係る非一時的なコンピュータ読み取り可能な記録媒体は、情報処理プログラムを記録しており、前記情報処理プログラムは、センサによって測定された測定対象の特徴を示す特徴量を取得し、前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、決定した前記最適な設計パラメータ修正方法を出力するようにコンピュータを機能させる。
　以下添付図面を参照しながら、本開示の実施の形態について説明する。なお、以下で説明する実施の形態は、いずれも本開示の一具体例を示すものである。以下の実施の形態で示される数値、形状、構成要素、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。また全ての実施の形態において、各々の内容を組み合わせることもできる。
　（実施の形態）
　センサの新規開発において、センサの測定値から測定対象の状態を判別するために機械学習が広く使われるようになってきている。センサ開発者は、センサの付加価値向上のため、より高精度な状態判別の実証に向けて開発を進めるが、状態判別の高精度化に向けた開発プロセスは、大きく二つある。
　一つ目は、機械学習の学習パラメータ最適化プロセスである。これは、開発中のセンサを用いて取得したセンサ測定値を学習データとして学習モデルを作成し、その学習モデルをより高精度化するため学習パラメータを最適化するというプロセスである。このプロセスについては従来から行われており、学習パラメータの最適化方法の提案及び新しい学習モデルの提案が既に行われている。
　二つ目は、センサの設計パラメータ最適化プロセスである。これは、開発中のセンサから取得したデータにより機械学習を行っても十分な状態判別精度が得られない場合に、より状態判別に適したデータがセンサから得られるように、センサの設計を修正するプロセスである。このプロセスは、状態判別に機械学習を使わない方式のセンサの開発でも行われ、例えば、特定のウイルスを検出する抗原検査センサの開発において行われる。
　図１は、抗原検査センサにおいて、ウイルス感染の陽性又は陰性の判別精度向上に向けた開発の例について説明するための図である。
　図１に示すように、例えば、陰性サンプルのシグナル強度の分布の一部と、陽性サンプルのシグナル強度の分布の一部とが重なっている場合、十分な状態判別精度が得られないおそれがある。
　そこで、抗原検査センサの開発内容としては、以下の方法が考えられる。
　（１）ターゲット抗原に対する抗体の結合率を高めるようセンサを開発することで、陽性サンプルに対するシグナル強度平均値をより高い値にシフトさせる（図１の右上の例）。
　（２）抗体の反応選択性を強化するようセンサを開発することで、陰性サンプルに含まれるターゲット抗原以外の物質（ターゲットと構造が類似する物質など）のシグナル強度平均値をより低い値にシフトさせる（図１の右中の例）。
　（３）経年劣化等による抗体の応答強度の再現性低下を抑える新たな梱包方法を開発することで、陽性サンプルに対するシグナル強度の分散幅を縮小させる（図１の右下の例）。
　抗原検査センサの開発者は、開発状況に応じて上記のような開発内容の中から開発コストの値が最も低い（開発が容易である）項目を選択する。このプロセスがセンサの設計パラメータ最適化プロセスに相当する。
　本開示で着目するのは、上記の抗原検査センサとは異なり、状態判別に機械学習モデルを用いるセンサの開発であるが、その場合の設計パラメータ最適化プロセスは、上記に示した開発を複数の特徴量毎に行うよう拡大したものである。抗原検査センサはシグナルが１チャネルのみであり、機械学習で言えば特徴量が１つのみである。これに対し、複数のチャネルを持ち、それらを特徴量として機械学習モデルに入力するセンサの場合は、上記のような開発方法の選択肢が特徴量毎にそれぞれ存在する。設計パラメータ最適化プロセスでは、それら全ての開発方法の中から開発コストが最小となる開発方法を選択する。
　設計パラメータ最適化プロセスに用いる開発コストの値は、センサの開発によって必要とされる開発効果の数値に関係する。上記の例で言えば、シグナル強度平均値のシフトの必要量が多くなるに従い、開発コストも増加する。そのため、開発コストの値の算出には、開発の効果量に乗算する開発コスト係数が用いられる。開発コスト係数は、各特徴量の各開発内容に各々存在し、それらが全て同一とは限らない。開発コスト係数は、開発中のセンサの状況又は開発環境によって設定される。例えば、実施が非常に困難又は不可能な開発内容については、非常に大きな値の開発コスト係数が設定される。
　上記には、学習パラメータ最適化プロセスと設計パラメータ最適化プロセスとのセンサ開発に関する２つの開発プロセスを挙げた。これらのプロセスは競合するものではなく、センサ開発者はこの両方のプロセスを交互に繰り返し行う。機械学習とセンサ設計見直しとを交互に繰り返しながらセンサ開発が行われる。設計パラメータ最適化プロセスは、センサ開発において非常に重要な要素であり、設計パラメータ最適化プロセスを活用すれば、学習パラメータ最適化プロセスのみでは到底困難であった高精度な状態判別も可能となる。しかしながら、従来、設計パラメータ最適化プロセスを実現させる手法については存在していない。
　本開示では、複数のチャネルを有し、機械学習を用いて状態判定を行うことを前提としたセンサ開発においても広く適用できる設計パラメータ最適化プロセスの実現手法を提案する。
　図２は、本開示の実施の形態におけるセンサ開発システムの構成を示す図である。
　図２に示すセンサ開発システムは、情報処理装置１、センサ２、入力部３及び提示部４を備える。
　センサ２は、開発対象のセンサである。センサ２は、少なくとも１つのチャネルの測定データを出力する。センサ２は、例えば、１チャネルの測定データを出力する抗原検査センサ、又は複数チャネルの測定データを出力する匂いセンサである。
　入力部３は、例えば、キーボード、マウス及びタッチパネルである。入力部３は、センサ２によって測定された測定対象の正解の状態のユーザ（開発者）による入力を受け付ける。
　情報処理装置１は、特徴量取得部１０１、状態予測部１０２、正解状態取得部１０３、予測結果判定部１０４、ログ記憶部１０５、修正方法記憶部１０６、修正方法取得部１０７、修正方法決定部１０８及び修正方法出力部１０９を備える。
　なお、特徴量取得部１０１、状態予測部１０２、正解状態取得部１０３、予測結果判定部１０４、修正方法取得部１０７、及び修正方法出力部１０９は、プロセッサにより実現される。プロセッサは、例えば、中央演算処理装置（ＣＰＵ）などから構成される。
　ログ記憶部１０５及び修正方法記憶部１０６は、メモリにより実現される。メモリは、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）又はＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ　Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などから構成される。
　修正方法決定部１０８は、プロセッサ及びメモリにより実現される。
　なお、情報処理装置１は、例えば、コンピュータ又はサーバであってもよい。
　情報処理装置１は、有線接続又は無線接続によりセンサ２と互いに通信可能に接続されている。
　特徴量取得部１０１は、センサ２によって測定された測定対象の特徴を示す特徴量を取得する。センサ２は、測定対象を測定することにより得られた生データを特徴量に変換し、特徴量を情報処理装置１へ出力する。なお、センサ２は、測定対象を測定することにより得られた生データを情報処理装置１へ出力してもよい。この場合、特徴量取得部１０１は、センサ２から出力された生データを特徴量に変換することにより、特徴量を取得する。特徴量取得部１０１は、取得した特徴量を状態予測部１０２及びログ記憶部１０５へ出力する。
　状態予測部１０２は、特徴量取得部１０１によって取得された特徴量を機械学習モデルに入力することで測定対象の状態を予測する。状態予測部１０２は、測定対象が第１状態及び第２状態のいずれであるかを判別する。機械学習モデルは、特徴量を入力データとし、測定対象の状態を出力データとし、特徴量が入力されると測定対象の状態を出力するように機械学習される。機械学習モデルは、例えば、Ｌｉｇｈｔ　ＧＢＭ（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｍａｃｈｉｎｅ）により生成される。また、機械学習モデルは、例えば、ディープラーニングにより生成されてもよい。状態予測部１０２は、状態の予測結果を予測結果判定部１０４及びログ記憶部１０５へ出力する。
　なお、状態予測部１０２は、メモリに予め記憶されている学習済みの機械学習モデルを取得してもよい。また、情報処理装置１は、学習部を備えてもよい。学習部は、特徴量取得部１０１によって取得された特徴量と、正解状態取得部１０３によって取得された測定対象の正解の状態とを教師データとして用いて、機械学習モデルを学習してもよい。
　正解状態取得部１０３は、機械学習モデルに入力された特徴量に対応する正解の状態を取得する。正解状態取得部１０３は、測定対象の正解の状態を入力部３から取得する。
　予測結果判定部１０４は、状態予測部１０２による状態の予測結果と、正解状態取得部１０３によって取得された正解の状態とに基づいて、状態の予測結果が正解の状態であるか否かを判定する。予測結果判定部１０４は、状態の予測結果が正解の状態であるか否かを示す判定結果情報をログ記憶部１０５へ出力する。
　ログ記憶部１０５は、特徴量取得部１０１によって取得された特徴量と、状態予測部１０２によって予測された測定対象の状態と、予測結果判定部１０４によって判定された状態の予測結果が正解の状態であるか否かを示す判定結果情報とを対応付けてログ情報として記憶する。ログ記憶部１０５は、複数のログ情報を記憶する。
　修正方法記憶部１０６は、機械学習モデルの状態予測精度を向上させるともに、センサ２の設計パラメータを修正するための複数の設計パラメータ修正方法を予め記憶している。設計パラメータは、特徴量の分布の平均値又は特徴量の分布の標準偏差である。設計パラメータが特徴量の分布の平均値である場合、設計パラメータ修正方法は、特徴量の分布の平均値をシフトさせることである。すなわち、設計パラメータ修正方法は、特徴量の分布の平均値を増強又は減衰させることである。また、設計パラメータが特徴量の分布の標準偏差である場合、設計パラメータ修正方法は、特徴量の分布の標準偏差を縮小させることである。
　設計パラメータ修正方法は、予測結果が第１状態である特徴量の分布の第１平均値を増加させる第１設計パラメータ修正方法と、予測結果が第２状態である特徴量の分布の第２平均値（第２平均値は第１平均値より小さい）を減少させる第２設計パラメータ修正方法と、予測結果が第１状態である特徴量の分布の第１標準偏差を縮小させる第３設計パラメータ修正方法と、予測結果が第２状態である特徴量の分布の第２標準偏差（第２標準偏差は第１標準偏差より小さい）を縮小させる第４設計パラメータ修正方法とを含む。
　複数の設計パラメータ修正方法は、センサ２によって異なる。そのため、修正方法記憶部１０６は、開発するセンサ２に応じた複数の設計パラメータ修正方法を記憶している。
　なお、上記の設計パラメータ及び設計パラメータ修正方法は一例であり、上記に限定されない。
　修正方法取得部１０７は、機械学習モデルの状態予測精度を向上させるともに、センサ２の設計パラメータを修正するための複数の設計パラメータ修正方法を取得する。修正方法取得部１０７は、複数の設計パラメータ修正方法を修正方法記憶部１０６から取得する。
　修正方法決定部１０８は、特徴量取得部１０１によって取得された特徴量と状態予測部１０２による状態の予測結果とに基づいて、複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定する。修正方法決定部１０８は、特徴量と状態の予測結果とに基づいて、複数の設計パラメータ修正方法毎の設計パラメータ修正量を算出する。修正方法決定部１０８は、設計パラメータ修正量に基づいて、複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を特定する。また、修正方法決定部１０８は、複数の設計パラメータ修正方法毎の設計パラメータ修正量の中から、最適な設計パラメータ修正量を特定してもよい。
　修正方法出力部１０９は、修正方法決定部１０８によって決定された最適な設計パラメータ修正方法を出力する。修正方法出力部１０９は、最適な設計パラメータ修正方法を提示部４へ出力する。また、修正方法出力部１０９は、最適な設計パラメータ修正量を提示部４へ出力してもよい。さらに、修正方法出力部１０９は、修正対象の特徴量及び修正対象の状態を提示部４へ出力してもよい。
　提示部４は、修正方法出力部１０９によって出力された最適な設計パラメータ修正方法をユーザ（開発者）に提示する。提示部４は、例えば、液晶表示装置などの表示装置である。提示部４は、最適な設計パラメータ修正方法を表示する。また、提示部４は、修正方法出力部１０９によって出力された最適な設計パラメータ修正量をユーザ（開発者）に提示してもよい。さらに、提示部４は、修正対象の特徴量及び修正対象の状態をユーザ（開発者）に提示してもよい。
　続いて、図２に示す修正方法決定部１０８の詳細な構成について説明する。
　図３は、本実施の形態における修正方法決定部１０８の構成を示すブロック図である。
　修正方法決定部１０８は、パラメータ算出部１１１、予測誤差算出部１１２、修正量算出部１１３、コスト係数記憶部１１４、コスト係数取得部１１５、修正コスト算出部１１６及び修正方法特定部１１７を備える。
　パラメータ算出部１１１は、複数の設計パラメータ修正方法毎の設計パラメータを算出する。パラメータ算出部１１１は、予測結果が第１状態であった特徴量の分布の平均値を第１設計パラメータ修正方法の設計パラメータとして算出する。パラメータ算出部１１１は、予測結果が第２状態であった特徴量の分布の平均値を第２設計パラメータ修正方法の設計パラメータとして算出する。パラメータ算出部１１１は、予測結果が第１状態であった特徴量の分布の標準偏差を第３設計パラメータ修正方法の設計パラメータとして算出する。パラメータ算出部１１１は、予測結果が第２状態であった特徴量の分布の標準偏差を第４設計パラメータ修正方法の設計パラメータとして算出する。
　予測誤差算出部１１２は、予測結果判定部１０４によって正解の状態ではないと判定された予測結果に対応する特徴量の特徴量空間上における誤答点と、予測結果判定部１０４によって正解の状態であると判定された予測結果に対応する特徴量の特徴量空間上における正答点との距離を予測誤差として算出する。
　修正量算出部１１３は、予測誤差算出部１１２によって算出された予測誤差と、パラメータ算出部１１１によって算出された設計パラメータとに基づいて、設計パラメータ空間上における設計パラメータ修正量を算出する。
　コスト係数記憶部１１４は、複数の設計パラメータ修正方法毎に設定されるとともに、センサ２の開発に必要なコストに応じて設定される開発コスト係数を予め記憶する。コスト係数記憶部１１４は、複数の設計パラメータ修正方法毎に開発コスト係数を記憶している。
　コスト係数取得部１１５は、複数の設計パラメータ修正方法毎に設定されるとともに、センサ２の開発に必要なコストに応じて設定される開発コスト係数を取得する。コスト係数取得部１１５は、複数の設計パラメータ修正方法それぞれに対応する開発コスト係数をコスト係数記憶部１１４から取得する。
　修正コスト算出部１１６は、修正量算出部１１３によって算出された複数の設計パラメータ修正方法毎の設計パラメータ修正量に、コスト係数取得部１１５によって取得された複数の設計パラメータ修正方法毎の開発コスト係数を乗算することにより、複数の設計パラメータ修正方法毎の修正コスト値を算出する。
　修正方法特定部１１７は、修正コスト算出部１１６によって算出された修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定する。
　続いて、本開示の実施の形態における情報処理装置１の設計パラメータ最適化処理について説明する。
　図４は、本開示の実施の形態における情報処理装置１の設計パラメータ最適化処理について説明するための第１のフローチャートであり、図５は、本開示の実施の形態における情報処理装置１の設計パラメータ最適化処理について説明するための第２のフローチャートである。
　まず、ステップＳ１において、特徴量取得部１０１は、センサ２によって測定された測定対象の特徴を示す特徴量を取得する。
　次に、ステップＳ２において、状態予測部１０２は、特徴量取得部１０１によって取得された特徴量を学習済みの機械学習モデルに入力することで測定対象の状態を予測する。
　次に、ステップＳ３において、正解状態取得部１０３は、機械学習モデルに入力された特徴量に対応する測定対象の正解の状態を取得する。
　次に、ステップＳ４において、予測結果判定部１０４は、状態予測部１０２による状態の予測結果と、正解状態取得部１０３によって取得された正解の状態とに基づいて、状態の予測結果が正解の状態であるか否かを判定する。
　次に、ステップＳ５において、予測結果判定部１０４は、特徴量取得部１０１によって取得された特徴量と、状態予測部１０２による状態の予測結果と、予測結果判定部１０４による予測結果の正誤判定結果とを対応付けてログ記憶部１０５に記憶する。
　次に、ステップＳ６において、修正方法取得部１０７は、所定数のログ情報がログ記憶部１０５に記憶されたか否かを判断する。
　ここで、所定数のログ情報がログ記憶部１０５に記憶されていないと判断された場合（ステップＳ６でＮＯ）、ステップＳ１に処理が戻る。
　一方、所定数のログ情報がログ記憶部１０５に記憶されたと判断された場合（ステップＳ６でＹＥＳ）、ステップＳ７において、修正方法取得部１０７は、状態の予測結果が正解の状態であった確率を示す正答率が所定の確率より低いか否かを判断する。
　ここで、正答率が所定の確率以上であると判断された場合（ステップＳ７でＮＯ）、処理が終了する。
　一方、正答率が所定の確率より低いと判断された場合（ステップＳ７でＹＥＳ）、ステップＳ８において、修正方法取得部１０７は、センサ２に応じた複数の設計パラメータ修正方法を修正方法記憶部１０６から取得する。
　なお、本実施の形態では、正答率が所定の確率より低いか否かが判断され、正答率が所定の確率より低いと判断された場合、複数の設計パラメータ修正方法が取得されるが、本開示は特にこれに限定されない。ログ記憶部１０５に記憶されているログ情報がユーザ（開発者）に提示されてもよく、ログ情報を確認したユーザによる、設計パラメータ最適化処理を実行するための指示の入力を受け付けてもよい。
　次に、ステップＳ９において、パラメータ算出部１１１は、複数の設計パラメータ修正方法毎の設計パラメータを算出する。
　次に、ステップＳ１０において、予測誤差算出部１１２は、予測結果判定部１０４によって正解の状態ではないと判定された予測結果に対応する特徴量の特徴量空間上における誤答点と、予測結果判定部１０４によって正解の状態であると判定された予測結果に対応する特徴量の特徴量空間上における正答点との距離を示す予測誤差を算出する。
　次に、ステップＳ１１において、修正量算出部１１３は、予測誤差算出部１１２によって算出された予測誤差と、パラメータ算出部１１１によって算出された設計パラメータとに基づいて、設計パラメータ空間上における複数の設計パラメータ修正方法毎の設計パラメータ修正量を算出する。
　次に、ステップＳ１２において、コスト係数取得部１１５は、複数の設計パラメータ修正方法毎の開発コスト係数をコスト係数記憶部１１４から取得する。
　次に、ステップＳ１３において、修正コスト算出部１１６は、修正量算出部１１３によって算出された複数の設計パラメータ修正方法毎の設計パラメータ修正量に、コスト係数取得部１１５によって取得された複数の設計パラメータ修正方法毎の開発コスト係数を乗算することにより、複数の設計パラメータ修正方法毎の修正コスト値を算出する。
　次に、ステップＳ１４において、修正方法特定部１１７は、複数の設計パラメータ修正方法毎の設計パラメータ修正量のうち、修正コスト算出部１１６によって算出された修正コスト値が最小となる設計パラメータ修正量を最適な設計パラメータ修正量として特定するとともに、最適な設計パラメータ修正量に対応する設計パラメータ修正方法を最適な設計パラメータ修正方法として特定する。
　次に、ステップＳ１５において、修正方法出力部１０９は、修正方法特定部１１７によって特定された最適な設計パラメータ修正量及び最適な設計パラメータ修正方法を提示部４へ出力する。提示部４は、修正方法出力部１０９によって出力された最適な設計パラメータ修正量及び最適な設計パラメータ修正方法をユーザ（開発者）に提示する。
　このように、機械学習モデルの状態予測精度を向上させるともに、センサの設計パラメータを修正するための複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法が決定され、決定された最適な設計パラメータ修正方法が出力される。したがって、センサ２の開発者によって、出力された最適な設計パラメータ修正方法を用いてセンサ２の設計が修正されることにより、機械学習モデルに入力される特徴量を最適化することができる。また、最適化された特徴量を用いて機械学習モデルが学習されることにより、機械学習の精度を向上させることができる。
　なお、本実施の形態では、提示部４は、修正コスト値が最小である最適な設計パラメータ修正量及び最適な設計パラメータ修正方法をユーザ（開発者）に提示しているが、本開示は特にこれに限定されない。提示部４は、修正コスト値が２番目に小さい設計パラメータ修正量及び設計パラメータ修正方法をユーザ（開発者）にさらに提示してもよく、修正コスト値が３番目に小さい設計パラメータ修正量及び設計パラメータ修正方法をユーザ（開発者）にさらに提示してもよい。また、提示部４は、最適な設計パラメータ修正量及び最適な設計パラメータ修正方法だけでなく、修正対象の特徴量及び修正対象の状態をさらに提示してもよい。
　ここで、修正方法決定部１０８による最適な設計パラメータ修正方法の決定方法について説明する。
　まず、設計パラメータξは次の方法で算出される。
　図６は、本実施の形態における設計パラメータの算出について説明するための模式図である。
　パラメータ算出部１１１は、学習データの各状態（クラス）の各特徴量を分別し、それぞれの分布の平均値と標準偏差との２つの設計パラメータを算出する。設計パラメータξは、複数の状態（クラス）の複数の特徴量の平均値及び標準偏差である。そのため、設計パラメータξは、状態の数＊特徴量数＊設計パラメータの数（平均値及び標準偏差の２項目）の長さのベクトルの形をとる。図６では、パラメータ算出部１１１は、第１状態の特徴量ｋの分布の平均値ＥｋＡ及び標準偏差σｋＡと、第２状態の特徴量ｋの分布の平均値ＥｋＢ及び標準偏差σｋＢとを算出する。
　次に、予測誤差ε（θｎ）は次の方法で算出される。
　図７は、本実施の形態における予測誤差の算出について説明するための模式図である。
　予測誤差算出部１１２は、機械学習モデルの状態予測において誤判定となった複数のレコードを抽出する。予測誤差算出部１１２は、抽出した複数のレコードの中から誤判定された状態クラスの確率値が最も小さいレコードを選択し、誤答代表点とする。次に、予測誤差算出部１１２は、誤答代表点と同じ状態クラスのレコードのうち、正解と判定された複数のレコードを抽出し、正答点とする。図７において、三角の点が誤答代表点を示し、丸の点が正答点を示す。誤答代表点と正答点との間には、機械学習モデルの判定閾値がある。
　予測誤差算出部１１２は、抽出した複数のレコードの各正答点と、特徴量空間上における誤答代表点とのそれぞれの距離を予測誤差ε（θｎ）として算出する。θｎは、機械学習モデルの学習パラメータを示し、ε（θｎ）は、学習パラメータがθである時の機械学習モデルの予測誤差を示す。予測誤差ε（θｎ）は、複数の距離の値を持つベクトルの形をとる。
　次に、設計パラメータ修正量Δξは次の方法で算出される。
　修正量算出部１１３は、下記の式（１）に基づいて、予測精度を上げる学習データの取得に必要となる設計パラメータ修正量Δξを算出する。
　Δξ＝∂ε（θｎ）／∂ξ・・・・（１）
　上記の式（１）において、Δξは、設計パラメータ修正量を示し、ξは、設計パラメータを示す。なお、修正方法決定部１０８は、学習パラメータを固定した状態で計算を行う。そのため、式（１）では学習パラメータθは、ｎ回更新した後、すなわち機械学習モデルの最適化が十分に行われた後のθｎに固定されている。修正量算出部１１３は、予測誤差ε（θｎ）を設計パラメータξにより偏微分することにより、特徴量空間上での距離であるε（θｎ）を、設計パラメータ空間上での距離である設計パラメータ修正量Δξに変換している。設計パラメータ修正量Δξは、ε（θｎ）をξにより偏微分した値となる。そのため、設計パラメータ修正量Δξは、ε（θｎ）の長さと同じ行数であり、ξの長さと同じ列数である行列で表される。
　次に、修正コスト値Ｃ（Δξ）は次の方法で算出される。
　図８は、本実施の形態における修正コスト値の算出について説明するための模式図である。
　修正コスト算出部１１６は、設計パラメータ修正量Δξの修正コスト値Ｃ（Δξ）を下記の式（２）に基づいて算出する。
　Ｃ（Δξ）＝Δξ＊κ・・・・（２）
　上記の式（２）において、κは、開発コスト係数であり、Ｃ（Δξ）は、修正コスト値である。開発コスト係数κは、設計パラメータ修正方法毎に設定される。そのため、κはξと同じ長さのベクトルである。Ｃ（Δξ）は、行列であるΔξにκを掛けたものであるので、ε（θｎ）と同じ長さのベクトルとなる。上記の式（２）の計算は、設計パラメータ空間上の距離である設計パラメータ修正量Δξを、コスト空間上の距離である修正コスト値Ｃ（Δξ）に変換していることを示す。
　最後に、修正方法特定部１１７は、下記の式（３）に基づいて、最適な設計パラメータ修正方法の解を算出する。
Figure JPOXMLDOC01-appb-M000001
 　上記の式（３）において、Δξｍｉｎは、修正コスト値Ｃ（Δξ）が最小となる設計パラメータ修正量である。修正方法特定部１１７は、修正コスト値Ｃ（Δξ）が最小となる設計パラメータ修正量を最適な設計パラメータ修正量として特定する。また、修正方法特定部１１７は、修正コスト値Ｃ（Δξ）が最小となる設計パラメータ修正量に対応する設計パラメータ修正方法を最適な設計パラメータ修正方法として特定する。
　図８に示すように、コスト空間における誤答代表点と正答点との間の距離が修正コスト値に相当する。修正方法特定部１１７は、コスト空間における誤答代表点と正答点との間の距離を表す修正コスト値が最小となる設計パラメータ修正量を最適な設計パラメータ修正量として特定する。
　以上の計算により、センサの開発に必要な開発コストが最小となる設計パラメータ修正量が算出されるとともに、開発コストが最小となる設計パラメータ修正方法が特定される。そして、上記の算出結果に従い開発者によってセンサ２の設計変更が行われることで、判別精度が向上するような学習データを取得できるセンサ２の設計変更を最小の開発コストで行うことができる。
　続いて、本開示の実施の形態における情報処理装置１の設計パラメータ最適化処理の効果を確認するための実験について説明する。
　本実験では、機械学習モデルの状態予測精度をさらに高める学習データを取得するための設計パラメータ修正方法が特定される。
　本実験では、開発中のセンサの測定データに相当するダミーデータが使用される。センサは、複数のチャネルを有し、機械学習で行う状態予測は、教師ありクラス分類問題とした。
　設計パラメータ最適化処理には、機械学習モデルの状態予測誤差データが必要であるため、センサによる取得データを学習データとした機械学習モデルが予め準備される。この際、状態予測結果に一部誤りを持たせるようにした。この状態予測誤差データを基に設計パラメータ最適化処理が行われ、開発コストが最小となる処理結果に従ってセンサの設計変更が行われたものとし、最初のセンサの取得データを加工して設計変更後のセンサの取得データが作成される。設計変更後のセンサの取得データを学習データとして用いて再度機械学習が行われ、機械学習モデルの予測精度が向上していることが確認できれば、設計パラメータ最適化処理は、状態予測精度をより高める学習データを取得できる設計パラメータ修正方法を期待通りに特定できたと実証される。
　また、上記の実験では、複数の条件に応じた開発コスト係数が設定され、それぞれの条件下での設計パラメータ最適化処理の結果が設定した条件に即したものであると確認できれば、設計パラメータ最適化処理は、開発コストの条件を反映した設計パラメータ修正方法を期待通りに特定できたと実証される。
　本実験では、開発中のセンサから取得した測定データのダミーデータとして、Ｉｒｉｓデータセットを用いた。Ｉｒｉｓデータセットは、１５０のレコードを持つテーブルデータであり、４つの特徴量と３つの花種類クラスとを持つ。Ｉｒｉｓデータセットの３つの花種類クラスを予測対象となる測定対象の状態とみなし、４つの特徴量をセンサの４チャネルのシグナルとみなす。４つの特徴量は、がく片の長さ（ｓｅｐａｌ　ｌｅｎｇｔｈ）、がく片の幅（ｓｅｐａｌ　ｗｉｄｔｈ）、花びらの長さ（ｐｅｔａｌ　ｌｅｎｇｔｈ）、及び花びらの幅（ｐｅｔａｌ　ｗｉｄｔｈ）を含む。３つの花種類クラスは、ｓｅｔｏｓａ、ｖｅｒｓｉｃｏｌｏｒ、及びｖｉｒｇｉｎｉｃａを含む。
　設計パラメータ最適化処理に必要となる機械学習モデルは、Ｌｉｇｈｔ　ＧＢＭ（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｍａｃｈｉｎｅ）にて作成された。作成された機械学習モデルは、１５０レコード中１レコードだけ誤判定するように作成された。この際、正解の花種類クラスが「ｖｅｒｓｉｃｏｌｏｒ」であるのに対し、誤判定された花種類クラスは「ｖｉｒｇｉｎｉｃａ」であるとした。
　この実験データでは、センサの設計パラメータの数は、クラス（状態）の数＊特徴量の数＊特徴量の分布特性値（平均値及び標準偏差）の数となる。そのため、センサの設計パラメータは、３（クラスの数）＊４（特徴量の数）＊２（分布特性値の数）＝２４種類存在する。
　開発コスト係数の数もセンサの設計パラメータと同じ数だけ存在するため、２４個存在する。また、複数の条件毎に異なる開発コスト係数が設定される。
　図９は、本実験における花種類クラス、特徴量、設計パラメータ及び開発コスト係数の一例を示す図である。図９の設計パラメータにおいて、Εは、平均値を表し、σは、標準偏差を表す。
　本実験では、複数のセンサ開発環境を想定し、開発環境に即して重み付けされた開発コスト係数となるように、一部の値を大きくした開発コスト係数を用意した。開発コスト係数の複数の条件は、以下に示す通りである。
　第１条件：全ての開発コスト係数が均一である（重み付けなし）。
　第２条件：平均値に関する開発コスト係数が重み付けされる。
　第３条件：標準偏差に関する開発コスト係数が重み付けされる。
　第４条件：誤判定されたレコードを含む正解の花種類クラス（ｖｅｒｓｉｃｏｌｏｒ）に関する開発コスト係数が重み付けされる。
　第５条件：誤判定されたレコードの判定結果クラス（ｖｉｒｇｉｎｉｃａ）に関する開発コスト係数が重み付けされる。
　第１条件において、全ての平均値Ε及び標準偏差σの開発コスト係数は、１に設定されている。また、第２条件において、平均値Εの開発コスト係数は、１０００に設定され、標準偏差σの開発コスト係数は、１に設定されている。また、第３条件において、平均値Εの開発コスト係数は、１に設定され、標準偏差σの開発コスト係数は、１０００に設定されている。また、第４条件において、ｖｅｒｓｉｃｏｌｏｒの平均値Ε及び標準偏差σの開発コスト係数は、１０００に設定され、他の花種類クラスの平均値Ε及び標準偏差σの開発コスト係数は、１に設定されている。また、第５条件において、ｖｉｒｇｉｎｉｃａの平均値Ε及び標準偏差σの開発コスト係数は、１０００に設定され、他の花種類クラスの平均値Ε及び標準偏差σの開発コスト係数は、１に設定されている。
　上記の第１条件～第５条件において、設計パラメータ最適化処理が行われ、修正コスト値が最小となる設計パラメータ修正方法が特定された。
　図１０は、第１条件～第５条件において設計パラメータ最適化処理の結果に基づく設計パラメータ修正方法の一例を示す図である。
　第１条件、第３条件及び第５条件の開発コスト係数では、修正対象の花種類クラスはｖｅｒｓｉｃｏｌｏｒであり、修正対象の特徴量はｐｅｔａｌ　ｌｅｎｇｔｈであり、修正対象の設計パラメータは平均値であった。第２条件の開発コスト係数では、修正対象の花種類クラスはｖｅｒｓｉｃｏｌｏｒであり、修正対象の特徴量はｐｅｔａｌ　ｌｅｎｇｔｈであり、修正対象の設計パラメータは標準偏差であった。第４条件の開発コスト係数では、修正対象の花種類クラスはｖｉｒｇｉｎｉｃａであり、修正対象の特徴量はｐｅｔａｌ　ｌｅｎｇｔｈであり、修正対象の設計パラメータは平均値であった。
　図１０に示した第１条件～第５条件それぞれの修正コスト値が最小となる設計パラメータ修正方法に基づき、学習データを加工して再度機械学習を行ったところ、全ての変更後の学習データにおいて状態予測の誤判定が解消された。この結果より、設計パラメータ最適化処理において特定された設計パラメータ修正方法は、予測精度が向上するような学習データを取得できるセンサ設計に変更されていることが確認された。
　また、実験結果より、第１条件、第３条件及び第５条件においては、設計パラメータ修正方法が同一であった。これは、第１条件が、開発コスト係数の重み付けがない条件で特定された設計パラメータ修正方法であり、そこで挙げられている設計パラメータに第３条件及び第５条件で重み付けした項目が含まれないためである。第３条件及び第５条件で重み付けを行った設計パラメータ以外の設計パラメータにおいて修正コスト値が最小となる設計パラメータが見つかる。そのため、第３条件及び第５条件での重み付けは修正コスト値が最小となる設計パラメータ修正方法の選択に影響せず、第３条件及び第５条件の結果は第１条件の結果と同じになったと考えられる。
　一方、第２条件及び第４条件の結果は、第１条件の結果とは異なった。これは、第２条件及び第４条件で重み付けした設計パラメータが第１条件の算出結果に含まれるため、第２条件及び第４条件では、それらの重み付けした設計変更項目が高コストとして除外され、その他の設計パラメータ修正方法が、修正コスト値が最小となる設計パラメータ修正方法として選択されたと考えられる。
　この結果より、設計パラメータ最適化処理は開発コスト係数の第１条件～第５条件を反映した設計パラメータ修正方法を特定できると確認された。
　図１１は、本実施の形態の変形例における修正コスト値の算出について説明するための模式図である。
　本実施の形態では、修正方法特定部１１７は、コスト空間における誤答代表点と正答点との間の距離を表す修正コスト値が最小となる設計パラメータ修正量を最適な設計パラメータ修正量として特定している。ここで、図１１に示すように、誤答代表点と正答点との間には機械学習モデルの判定閾値がある。そのため、誤答代表点から修正コスト値が最小となる正答点まで矢印を伸ばした場合、矢印は途中で判定閾値を超える。そこで、本実施の形態の変形例における修正方法特定部１１７は、判定閾値を超えない大きさの補正係数を修正コスト値に乗算し、補正係数を徐々に大きくしながら状態予測を繰り返し、機械学習モデルの判定結果が切り替わる補正係数の値を探索してもよい。
　より具体的には、修正方法決定部１０８は、修正コスト算出部１１６によって算出された複数の設計パラメータ修正方法毎の修正コスト値に補正係数を乗算する補正係数乗算部をさらに備えてもよい。修正方法特定部１１７は、補正係数が乗算された修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定してもよい。そして、状態予測部１０２は、修正方法特定部１１７によって特定された最適な設計パラメータ修正方法によって修正された設計パラメータを用いたセンサ２から得られる特徴量を機械学習モデルに入力することで測定対象の状態を予測してもよい。予測結果判定部１０４は、状態予測部１０２による状態の予測結果と、機械学習モデルに入力された特徴量に対応する正解の状態とに基づいて、状態の予測結果が正解の状態であるか否かを判定してもよい。修正方法決定部１０８は、予測結果判定部１０４によって状態の予測結果が正解の状態ではないと判定された場合、補正係数を更新する更新部をさらに備えてもよい。このとき、更新部は、現在の補正係数より高くなるように補正係数を更新する。更新部は、状態の予測結果が正解の状態であると判定されるまで補正係数の更新が繰り返されることで、より開発コストを抑制することができる。
　なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。また、プログラムを記録媒体に記録して移送することにより、又はプログラムをネットワークを経由して移送することにより、独立した他のコンピュータシステムによりプログラムが実施されてもよい。
　本開示の実施の形態に係る装置の機能の一部又は全ては典型的には集積回路であるＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）として実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
　また、本開示の実施の形態に係る装置の機能の一部又は全てを、ＣＰＵ等のプロセッサがプログラムを実行することにより実現してもよい。
　また、上記で用いた数字は、全て本開示を具体的に説明するために例示するものであり、本開示は例示された数字に制限されない。
　また、上記フローチャートに示す各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、同様の効果が得られる範囲で上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。
　本開示に係る技術は、機械学習モデルに入力される特徴量を最適化することができるので、センサを開発するための設計パラメータを最適化する技術として有用である。

Claims (9)

  1. 　コンピュータにおける情報処理方法であって、
    　センサによって測定された測定対象の特徴を示す特徴量を取得し、
    　前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、
    　前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、
    　前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、
    　決定した前記最適な設計パラメータ修正方法を出力する、
    　情報処理方法。
  2. 　前記最適な設計パラメータ修正方法の決定において、
    　前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法毎の前記設計パラメータの修正量を算出し、
    　前記修正量に基づいて、前記複数の設計パラメータ修正方法の中から、前記最適な設計パラメータ修正方法を特定する、
    　請求項１記載の情報処理方法。
  3. 　さらに、前記状態の予測結果と、前記機械学習モデルに入力された前記特徴量に対応する正解の状態とに基づいて、前記状態の予測結果が前記正解の状態であるか否かを判定し、
    　前記最適な設計パラメータ修正方法の決定において、
    　さらに、前記複数の設計パラメータ修正方法毎の前記設計パラメータを算出し、
    　さらに、前記正解の状態ではないと判定された予測結果に対応する特徴量の特徴量空間上における誤答点と、前記正解の状態であると判定された予測結果に対応する特徴量の特徴量空間上における正答点との距離を予測誤差として算出し、
    　前記設計パラメータの修正量の算出において、算出した前記予測誤差と、算出した前記設計パラメータとに基づいて、設計パラメータ空間上における前記修正量を算出する、
    　請求項２記載の情報処理方法。
  4. 　前記最適な設計パラメータ修正方法の決定において、
    　さらに、前記複数の設計パラメータ修正方法毎に設定されるとともに、前記センサの開発に必要なコストに応じて設定される開発コスト係数を取得し、
    　さらに、前記複数の設計パラメータ修正方法毎の前記修正量に、前記複数の設計パラメータ修正方法毎の前記開発コスト係数を乗算することにより、前記複数の設計パラメータ修正方法毎の修正コスト値を算出し、
    　前記最適な設計パラメータ修正方法の特定において、算出した前記修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定する、
    　請求項２又は３記載の情報処理方法。
  5. 　前記最適な設計パラメータ修正方法の決定において、さらに、前記複数の設計パラメータ修正方法毎の前記修正コスト値に補正係数を乗算し、
    　前記最適な設計パラメータ修正方法の特定において、前記補正係数が乗算された前記修正コスト値が最小となる設計パラメータ修正方法を最適な設計パラメータ修正方法として特定し、
    　前記状態の予測において、特定した前記最適な設計パラメータ修正方法によって修正された前記設計パラメータを用いた前記センサから得られる前記特徴量を前記機械学習モデルに入力することで前記測定対象の状態を予測し、
    　さらに、前記状態の予測結果と、前記機械学習モデルに入力された前記特徴量に対応する正解の状態とに基づいて、前記状態の予測結果が前記正解の状態であるか否かを判定し、
    　前記最適な設計パラメータ修正方法の決定において、さらに、前記状態の予測結果が前記正解の状態ではないと判定された場合、前記補正係数を更新する、
    　請求項４記載の情報処理方法。
  6. 　前記設計パラメータは、前記特徴量の分布の平均値であり、
    　前記設計パラメータ修正方法は、前記特徴量の分布の前記平均値をシフトさせることである、
    　請求項１～３のいずれか１項に記載の情報処理方法。
  7. 　前記設計パラメータは、前記特徴量の分布の標準偏差であり、
    　前記設計パラメータ修正方法は、前記特徴量の分布の前記標準偏差を縮小させることである、
    　請求項１～３のいずれか１項に記載の情報処理方法。
  8. 　センサによって測定された測定対象の特徴を示す特徴量を取得する特徴量取得部と、
    　前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測する予測部と、
    　前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得する修正方法取得部と、
    　前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定する修正方法決定部と、
    　決定した前記最適な設計パラメータ修正方法を出力する出力部と、
    　を備える情報処理装置。
  9. 　センサによって測定された測定対象の特徴を示す特徴量を取得し、
    　前記特徴量を機械学習モデルに入力することで前記測定対象の状態を予測し、
    　前記機械学習モデルの状態予測精度を向上させるともに、前記センサの設計パラメータを修正するための複数の設計パラメータ修正方法を取得し、
    　前記特徴量と前記状態の予測結果とに基づいて、前記複数の設計パラメータ修正方法の中から、最適な設計パラメータ修正方法を決定し、
    　決定した前記最適な設計パラメータ修正方法を出力するようにコンピュータを機能させる、
    　情報処理プログラム。
PCT/JP2022/048513 2022-02-22 2022-12-28 情報処理方法、情報処理装置及び情報処理プログラム Ceased WO2023162467A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2024502879A JPWO2023162467A1 (ja) 2022-02-22 2022-12-28
CN202280092202.6A CN118891639A (zh) 2022-02-22 2022-12-28 信息处理方法、信息处理装置以及信息处理程序
US18/810,756 US20250005239A1 (en) 2022-02-22 2024-08-21 Information processing method, information processing device, and non-transitory computer readable recording medium storing information processing program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202263312682P 2022-02-22 2022-02-22
US63/312,682 2022-02-22
JP2022169951 2022-10-24
JP2022-169951 2022-10-24

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/810,756 Continuation US20250005239A1 (en) 2022-02-22 2024-08-21 Information processing method, information processing device, and non-transitory computer readable recording medium storing information processing program

Publications (1)

Publication Number Publication Date
WO2023162467A1 true WO2023162467A1 (ja) 2023-08-31

Family

ID=87765322

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/048513 Ceased WO2023162467A1 (ja) 2022-02-22 2022-12-28 情報処理方法、情報処理装置及び情報処理プログラム

Country Status (3)

Country Link
US (1) US20250005239A1 (ja)
JP (1) JPWO2023162467A1 (ja)
WO (1) WO2023162467A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018109876A (ja) * 2017-01-04 2018-07-12 株式会社東芝 センサ設計支援装置、センサ設計支援方法およびコンピュータプログラム
KR20220011453A (ko) * 2020-07-21 2022-01-28 울산과학기술원 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018109876A (ja) * 2017-01-04 2018-07-12 株式会社東芝 センサ設計支援装置、センサ設計支援方法およびコンピュータプログラム
KR20220011453A (ko) * 2020-07-21 2022-01-28 울산과학기술원 머신 러닝을 이용하여 복합재 센서의 설계 파라미터를 설정하는 방법

Also Published As

Publication number Publication date
US20250005239A1 (en) 2025-01-02
JPWO2023162467A1 (ja) 2023-08-31

Similar Documents

Publication Publication Date Title
Shi et al. Variable selection and validation in multivariate modelling
US20220108054A1 (en) System for universal hardware-neural network architecture search (co-design)
Arbet et al. Lessons and tips for designing a machine learning study using EHR data
JP7361187B2 (ja) 医療データの自動化された検証
CN111446002A (zh) 一种基于人工智能的新型冠状病毒患者病况分类系统
US20220036223A1 (en) Processing apparatus, processing method, and non-transitory storage medium
Anguita-Ruiz et al. Beyond the single-outcome approach: A comparison of outcome-wide analysis methods for exposome research
Jardim et al. A cautionary note on phylogenetic signal estimation from imputed databases
CN117597741A (zh) 试制条件提出系统、试制条件提出方法
Kalpana et al. An ensemble heterogeneous transformer model for an effective diagnosis of multiple plant diseases
KR102541510B1 (ko) 국가건강검진 자료를 이용한 자살 예측 모델 구축 방법
WO2023162467A1 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
JPWO2023162467A5 (ja)
CN118891639A (zh) 信息处理方法、信息处理装置以及信息处理程序
Arias-Giraldo et al. enmpa: An R package for ecological niche modeling using presence-absence data and generalized linear models
Velluet et al. Practical identifiability of plant growth models: a unifying framework and its specification for three local indices
Hui et al. Uncovering the consequences of batch effect associated missing values in omics data analysis
Airlangga Comparative analysis of machine learning models for chronic disease indicator classification using US chronic disease indicators dataset
Prendez et al. Measuring Parameter Uncertainty by Identifying Fungible Estimates in SEM
Karna et al. Unified dimensionality reduction techniques in chronic liver disease detection
KR102952359B1 (ko) 인공지능 모델 검증 및 보강 방법, 및 이를 이용하는 서버
CN114360724A (zh) 健康管理知识图谱构建方法、服务提供方法及相关装置
Cunha et al. Agile-based Requirements Engineering for Machine Learning: A Case Study on Personalized Nutrition
Ke et al. Evaluation of Bayesian network scoring functions in polychotomous data analysis
CN111144503A (zh) 一种多分类结果的评分方法及装置

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: 22928982

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2024502879

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202280092202.6

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22928982

Country of ref document: EP

Kind code of ref document: A1