WO2023166576A1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
WO2023166576A1
WO2023166576A1 PCT/JP2022/008717 JP2022008717W WO2023166576A1 WO 2023166576 A1 WO2023166576 A1 WO 2023166576A1 JP 2022008717 W JP2022008717 W JP 2022008717W WO 2023166576 A1 WO2023166576 A1 WO 2023166576A1
Authority
WO
WIPO (PCT)
Prior art keywords
partial data
pseudo
inference
information processing
class
Prior art date
Application number
PCT/JP2022/008717
Other languages
English (en)
French (fr)
Inventor
竜馬 大内
真 寺尾
周平 吉田
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2022/008717 priority Critical patent/WO2023166576A1/ja
Publication of WO2023166576A1 publication Critical patent/WO2023166576A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • FIG. 3 is a flow chart showing the flow of the information processing method. As shown in the figure, information processing includes steps S11, S12, and S13.
  • the pseudo-label assigning unit 13 determines the degree of certainty relating to at least one of the plurality of partial data included in the interval, and the degree of certainty of each class in the partial data. At least one of them may be given a pseudo-label based on the inference result in the interval.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる技術を提供できるようにするという課題を解決するために、情報処理装置１は、時系列データを構成する各部分データに関するクラスを推論する推論手段（１１）と、時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段（１２）と、前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段（１３）とを備える。

Description

情報処理装置、情報処理方法、およびプログラム
　本発明は、クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる情報処理装置、情報処理方法、およびプログラムに関する。
　教師データを用いたＡＩモデルの学習では、データの収集に係るコストが負担となる。従来より、教師データの収集コストを軽減するために、データの一部にのみラベルを付して教師データとする弱ラベル方式が用いられている。
　例えば、連続するフレームから成る動画像のデータにおいて、行動認識を行う場合、時系列データの部分集合にのみラベルを付すことにより、ＡＩモデルの学習に係るコストを軽減したいというニーズがある。
　また、ラベルが付されていないデータに疑似ラベルを付してＡＩモデル学習させる方式も提案されている（例えば、非特許文献１参照）。非特許文献１によれば、クラスラベルが付されたデータの近傍のデータのクラスを予測し、予測結果に基づいて疑似ラベルが付される。
SF-Net: Single-Frame Supervision for Temporal Action Localization aXiv:2003.06845
　しかしながら、非特許文献１の技術では、疑似ラベル付与の対象データがクラスラベル付き時刻の近傍に限定されているため、推論精度の向上が限定的であった。例えば、継続時間の長い時系列データに対しては、時系列データの一部にしか疑似ラベルを付与できない。また、クラスラベルが付与されていない時刻近傍のデータを学習に用いることができないという課題があった。
　本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる技術を提供できるようにすることである。
　本発明の一側面に係る情報処理装置は、時系列データを構成する各部分データに関するクラスを推論する推論手段と、時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段とを備える。
　本発明の一側面に係る情報処理方法は、時系列データを構成する各部分データに関するクラスを推論すること、時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度を算出すること、前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与することを含む。
　本発明の一側面に係るプログラムは、コンピュータを、時系列データを構成する各部分データに関するクラスを推論する推論手段と、時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段とを備える情報処理装置として機能させる。
　本発明の一態様によれば、クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる技術を提供できる。
本発明の例示的実施形態１に係る情報処理の構成例を示すブロック図である。 図１の情報処理装置の各部の機能を説明する図である。 本発明の例示的実施形態１に係る情報処理方法の流れを示すフローチャートである。 本発明の例示的実施形態２に係る情報処理装置の構成例を示すブロック図である。 本発明の例示的実施形態２に係る情報処理方法の流れを示すフローチャートである。 部分データの推論結果の中での最も高い確信度（最大確信度）のばらつきを説明する図である。 本発明の例示的実施形態３に係る情報処理方法の流れを示すフローチャートである。 各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータの構成例を示す図である。
　〔例示的実施形態１〕
　本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
　＜情報処理装置１の概要＞
　本例示的実施形態に係る情報処理装置１は、概略的に言えば、時系列データの部分データに疑似ラベルを付与する装置である。
　情報処理装置１は、一例として、
　時系列データを構成する各部分データに関するクラスを推論する推論手段と、
　時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、
　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段とを備える。
　＜情報処理装置１の構成＞
　本例示的実施形態に係る情報処理装置１の構成について、図１を参照して説明する。図１は、情報処理装置１の構成例を示すブロック図である。
　図１に示すように、情報処理装置１は、推論部１１、算出部１２、および疑似ラベル付与部１３を備える。推論部１１は、本例示的実施形態において推論手段を実現する構成である。算出部１２は、本例示的実施形態において算出手段を実現する構成である。疑似ラベル付与部１３は、本例示的実施形態において疑似ラベル付与手段を実現する構成である。
　推論部１１は、入力されたデータのクラスを、推論モデルを用いて推論する。算出部１２は、推論部１１が出力する推論結果についての一致度を算出する。疑似ラベル付与部１３は、算出部１２の算出結果を参照して、入力されたデータに疑似ラベルを付与する。図２を参照して、情報処理装置１の各部の機能について、より詳細に説明する。
　図２は、図１の情報処理装置１の各部の機能を説明する図である。この例では、情報処理装置１に、時系列データＳＤが入力されるものとする。一例として、時系列データは、時間的に連続するフレームのデータから成る動画像のデータである。
　図２に示される時系列データは、部分データを含む。部分データは、一例として、動画像のデータに含まれるフレームのデータである。図２の例では、部分データのそれぞれに部分データＩＤが付されており、ＰＤ０１、ＰＤ０２、ＰＤ０３、ＰＤ０４、ＰＤ０５、ＰＤ０６の部分データＩＤが付されている。以下では、部分データＩＤが付された部分データを、適宜、部分データＰＤ０１、部分データＰＤ０２、のように称する。
　また、部分データＰＤ０１乃至部分データＰＤ０６には、クラスラベルが付与されていない。このため、図２においては、クラスラベル「未付与」と示されている。
　推論部１１は、時系列データを構成する各部分データに関するクラスを推論する。推論部１１は、モデルパラメータと演算式によって構成される推論モデルを用いて各部分データに関するクラスを推論する。
　一例として、時系列データは、動画像のデータである。この場合、推論部１１は、動画像を構成する各フレームにおける被写体の行動（例えば、歩く、座るなど）を、クラスとして推論する。
　図２の例では、推論部１１による推論結果が示されている。推論部１１は、部分データのそれぞれのクラスを推論し、部分データのそれぞれが、クラス１、クラス２、およびクラス３のそれぞれのクラスに分類される確率を表すスコアを出力する。例えば、図２の例では、部分データＰＤ１のクラスの推論結果として、「ＣＬ１：０．９０、ＣＬ２：０．０７、ＣＬ３：０．０３」が出力されている。
　この推論結果は、部分データＰＤ１がクラス１に分類される確率が０．９０であり、クラス２に分類される確率が０．０７であり、クラス３に分類される確率が０．０３であることを表している。ここで、ＣＬ１、ＣＬ２、ＣＬ３は、それぞれクラス１、クラス２、クラス３を意味し、０．９０は、クラス１に対応するスコアであり、０．０７は、クラス２に対応するスコアであり、０．０３は、クラス３に対応するスコアである。
　同様に、図２の部分データＰＤ０２乃至部分データＰＤ０６についての推論結果も出力されている。すなわち、推論部１１による推論結果として、複数のクラスの各々についての確信度が出力される。
　算出部１２は、部分データＰＤ０１乃至部分データＰＤ０６の中から時間的に連続する区間の部分データ群を抽出する。図２の例では、部分データＰＤ０２乃至部分データＰＤ０４が部分データ群として抽出されている。このとき抽出された部分データ群には、未だクラスラベルが付与されていないので、クラスラベル「未付与」と示されている。
　算出部１２は、抽出した部分データの推論結果の互いの一致度を算出する。一例として、一致度は、推論結果の中で最も高いスコアを有するクラスが一致しているか否かにより算出される。図２の例の場合、部分データＰＤ０２乃至部分データＰＤ０４の部分データ群の中では、最も高いスコアを有するクラスは、全てクラス１であるから、３つの部分データのうち、３つのクラスが一致している。よって、一致度は３／３＝１と算出される。
　すなわち、算出部１２は、時間的に連続する区間に含まれる複数の部分データの各々に関する、推論部１１による推論結果の互いの一致度を算出する。
　疑似ラベル付与部１３は、抽出された部分データの推論結果の互いの一致度が、所定の条件を満たすか否かを判定する。このとき、例えば、算出部１２によって、算出された一致度が予め設定された閾値を超えるか否かが判定される。例えば、閾値が０．６６（＝２／３）であった場合、図２の部分データ群の推論結果の互いの一致度は、所定の条件を満たすと判定される。
　疑似ラベル付与部１３は、推論結果の互いの一致度が、所定の条件を満たすと判定された部分データ群に疑似ラベルを付与する。通常、教師データに付与されるラベルは、実際のデータのクラスを表すものであり、当該データのクラスを推論するにあたり、正解となるクラスを示すものである。
　一方、疑似ラベル付与部１３によって付与されるラベルは、推論部１１による推論結果であって、実際のデータのクラスを表すものではない。このようなラベルを疑似ラベルと称する。図２の例では、疑似ラベル付与後の部分データ群として部分データＰＤ０２乃至部分データＰＤ０４の部分データ群が、クラスラベル（疑似ラベル）とともに記載されている。この例では、疑似ラベルとしてクラス１を表すＣＬ１が付与されている。
　一般に時系列データにおいて時間的に連続する区間は、相互の関連性が高いと考えられる。例えば、人物を撮影した動画像の中で時間的に連続する区間では、当該人物が同じ行動（例えば、歩く、座るなど）をしている可能性が高い。このため、部分データ群の各部分データに関するクラスの推論結果の互いの一致度が高ければ、当該推論結果が正解である可能性も高いと考えられる。
　このため、疑似ラベル付与部１３は、推論結果の互いの一致度が、所定の条件を満たすと判定された部分データ群に疑似ラベルを付与する。
　このような処理を経て、疑似ラベル付与後の時系列データＳＤが得られることになる。図２の例では、部分データＰＤ０１、部分データＰＤ０５、部分データＰＤ０６のクラスラベルが付与されておらず、部分データＰＤ０２乃至部分データＰＤ０４にクラスラベル（疑似ラベル）が付与された時系列データＳＤが示されている。
　なお、ここでは、部分データ群を構成する部分データＰＤ０２乃至部分データＰＤ０４の全てに疑似ラベルが付与されているが、疑似ラベル付与部１３が、部分データ群を構成する部分データの一部にのみ疑似ラベルが付与されるようにしてもよい。
　このように、疑似ラベル付与部１３は、一致度に応じて、区間における複数の部分データの少なくとも何れかに対して、区間における前記推論結果に基づく疑似ラベルを付与する。
　＜情報処理装置１による情報処理方法Ｓ１の流れ＞
　以上のように構成された情報処理装置１が実行する情報処理方法Ｓ１の流れについて、図３を参照して説明する。図３は、情報処理方法の流れを示すフローチャートである。同図に示されるように、情報処理は、ステップＳ１１、ステップＳ１２、およびステップＳ１３を含んでいる。
　ステップＳ１１において、推論部１１は、時系列データを構成する各部分データに関するクラスを推論する。このとき、推論部１１は、部分データのそれぞれのクラスを推論し、部分データのそれぞれが、クラス１、クラス２、およびクラス３のそれぞれのクラスに分類される確率を表すスコアを出力する。
　ステップＳ１２において、算出部１２は、時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度を算出する。このとき、例えば、算出部１２は、推論結果の中で最も高いスコアを有するクラスが一致しているか否かにより、一致度を算出する。
　ステップＳ１３において、疑似ラベル付与部１３は、一致度に応じて、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与する。このとき、疑似ラベル付与部１３は、推論結果の互いの一致度が、所定の条件を満たすと判定された部分データ群に疑似ラベルを付与する。
　このようにして情報処理が実行される。このようにすることで、例えば、図２に示されるような、疑似ラベル付与後の時系列データＳＤが得られることになる。
　＜情報処理装置１および情報処理方法の効果＞
　本例示的実施形態に係る情報処理装置１および情報処理方法Ｓ１によれば、時系列データを構成する各部分データに関するクラスが推論され、時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度が算出され、一致度に応じて、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルが付与される。
　このようにすることで、例えば、時系列データにおいて、クラスラベルが付与されていない区間が長時間継続していても、時系列データ全体に疑似ラベルを付与することができる。すなわち、本例示的実施形態に係る情報処理装置１および情報処理方法Ｓ１によれば、クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる。
　〔例示的実施形態２〕
　本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。
　＜情報処理装置１Ａの構成＞
　本例示的実施形態に係る情報処理装置１Ａの構成について、図３のブロック図を参照して説明する。
　一例として、情報処理装置１Ａは、動画像のデータが時系列データとして入力されると、動画像を構成する各フレームにおける被写体の行動（例えば、歩く、座るなど）を、クラスとして推論する行動認識処理に用いられる。また、別の例として、情報処理装置１Ａは、音声のデータが時系列データとして入力されると、各時刻における発生後（例えば、単語や文字など）を、クラスとして推論する音声認識に用いられる。
　図４は、情報処理装置１Ａの機能的構成例を説明するブロック図である。図４に示すように、情報処理装置１Ａは、制御部１０Ａ、記憶部２０Ａ、入力部３０Ａ、および通信部４０Ａを備えている。
　制御部１０Ａは、例示的実施形態１において説明した情報処理装置１と同様の機能を有する機能ブロックである。制御部１０Ａは、データ取得部１０１、推論部１１、算出部１２、疑似ラベル付与部１３、および学習部１４を備えている。
　データ取得部１０１は、時系列データＳＤを取得する。推論部１１、算出部１２、および疑似ラベル付与部１３は、それぞれ図１と図２を参照して説明した機能を有している。ただし、図４の例では、算出部１２が、抽出部１２１および一致度計算部１２２を有している。
　抽出部１２１は、時系列データＳＤの部分データから時間的に連続する区間の部分データ群を抽出する。抽出部１２１は、例えば、図２の部分データＰＤ０１乃至部分データＰＤ０６の中から時間的に連続する区間の部分データ群を抽出する。
　一致度計算部１２２は、抽出した部分データの推論結果の互いの一致度を算出する。上述したように、推論結果は、各部分データに関し、複数のクラスの各々についての確信度として出力される。一致度の算出方式の一例は、例示的実施形態１で説明した通りである。
　学習部１４は、推論モデルのパラメータを更新することにより、推論部１１を学習させる機能ブロックである。疑似ラベル付与部１３が、部分データに疑似ラベルを付与した後、疑似ラベルが付与された時系列データを教師データとして推論部１１を学習させることができる。図４の例では、学習部１４が、第１の損失関数算出部１４１、第２の損失関数算出部１４２、およびパラメータ更新部１４３を有している。
　第１の損失関数算出部１４１は、クラスラベルを用いた推論部１１の学習に必要な損失関数を算出する。ここでいうクラスラベルは、実際のデータのクラスを表すものであり、当該データのクラスを推論するにあたり、正解となるクラスを示すものであって疑似ラベルではない。このクラスラベルを用いた推論部１１の学習は、例えば、情報処理装置１Ａで疑似ラベルを付与する情報処理を実行する前に実行される。
　第２の損失関数算出部１４２は、疑似ラベルを用いた推論部１１の学習に必要な損失関数を算出する。
　パラメータ更新部１４３は、第１の損失関数算出部１４１によって算出された損失関数、または、第２の損失関数算出部１４２によって算出された損失関数を用いて推論モデルのモデルパラメータを更新する。
　すなわち、学習部１４は、予め正解となるクラスラベルが付与された時系列データを用いて推論部１１を学習させることができる。また、学習部１４は、疑似ラベル付与部が付与した疑似ラベルを含む時系列データを用いて、推論部１１を学習させることもできる。
　記憶部４０は、例えば、半導体メモリデバイスなどにより構成され、データを記憶する。この例では、記憶部４０に、時系列データＳＤ、推論結果ＰＲ、疑似ラベル付与済の時系列データＰＬＳＤ、および推論モデルＰＭが記憶されている。
　時系列データＳＤ、推論結果ＰＲ、および疑似ラベル付与済の時系列データＰＬＳＤのそれぞれは、図２を参照して上述した、時系列データＳＤ、推論結果ＰＲ、および疑似ラベル付与後の時系列データに対応する。疑似ラベル付与済の時系列データＰＬＳＤは、学習部１４が推論部１１を学習させるときの教師データとして用いることもできる。
　推論モデルＰＭは、推論部１１が各部分データのクラスを推論するときに用いる推論モデルであって、より具体的には、当該推論モデルのモデルパラメータである。
　入力部３０Ａは、情報処理装置１Ａに対する各種の入力を受け付ける。入力部３０Ａの具体的構成は本例示的実施形態を限定するものではないが、一例として、キーボード及びタッチパッド等の入力デバイスを備える構成とすることができる。また、入力部３０Ａは、赤外線や電波等の電磁波を介してデータの読み取りを行うデータスキャナ、及び、環境の状態をセンシングするセンサ等を備える構成としてもよい。
　通信部４０Ａは、情報処理装置１Ａを、ネットワークに接続するためのインタフェースである。ネットワークの具体的構成は本例示的実施形態を限定するものではないが、一例として、無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、ＷＡＮ（Wide Area Network）、公衆回線網、モバイルデータ通信網、又は、これらのネットワークの組み合わせを用いることができる。
　＜情報処理装置１Ａによる情報処理方法Ｓ１Ａの流れ＞
　次に、図５のフローチャートを参照して、情報処理装置１Ａによる情報処理方法Ｓ１Ａの流れについて説明する。なお、この処理に先立って、実際のデータのクラスを表すクラスラベルを用いた推論部１１の学習が実行されているものとする。従って、推論部１１は、初期状態のパラメータ（初期化されたパラメータ）を用いて、部分データのクラスを推論できるものとする。
　ステップＳ１０１において、データ取得部１０１は、時系列データＳＤを取得する。このとき、例えば、記憶部４０に記憶されている時系列データＳＤが、データ取得部１０１によって取得される。
　ステップＳ１０２において、推論部１１は、パラメータを初期化する。このとき、例えば、記憶部４０に記憶されている、推論部１１が各部分データのクラスを推論するときに用いる推論モデルのモデルパラメータ（推論モデルＰＭ）が初期化される。
　ステップＳ１１において、推論部１１は、部分データのクラスを推論する。この処理は、図３のフローチャートにおけるステップＳ１１に対応する。このとき、推論部１１は、推論モデルＰＭを用いて部分データのクラスを推論する。
　ステップＳ１２０からステップＳ１３０までの処理は、ステップＳ１０１で取得した時系列データＳＤから抽出すべき部分データ群がないと判定されるまで、繰り返し実行されるループ処理である。
　ステップＳ１２１において、抽出部１２１は、ステップＳ１０１で取得した時系列データＳＤから部分データ群を抽出する。抽出部１２１は、例えば、図２を参照して上述したように、時間的に連続する区間の部分データ群（部分データＰＤ０２乃至部分データＰＤ０４）を抽出する。なお、このとき抽出された部分データ群には、未だクラスラベルが付与されていない
　ステップＳ１２２において、一致度計算部１２２は、ステップＳ１２１で抽出した部分データの推論結果の互いの一致度を算出する。
　ステップＳ１２３において、疑似ラベル付与部１３は、ステップＳ１２２で算出された一致度は、所定の条件を満たすか否かを判定する。ステップＳ１２３において、条件を満たさないと判定された場合、処理は、ステップＳ１２１に戻る。ステップＳ１２３において、条件を満たすと判定された場合、処理は、ステップＳ１３に進む。
　ステップＳ１３において、疑似ラベル付与部１３は、部分データに疑似ラベルを付与する。この処理は、図３のフローチャートにおけるステップＳ１１に対応する。
　ステップＳ１２０からステップＳ１３０までのループ処理が終了すると、疑似ラベル付与済の時系列データが得られ、処理は、ステップＳ１４に進む。
　ステップＳ１４において、学習部１４は、損失関数を算出し、パラメータを更新する。このとき、記憶部４０に記憶された推論モデルＰＭが更新される。なお、図５のフローチャートでは、疑似ラベルを用いた推論モデルの学習を想定している。ステップＳ１４では、パラメータ更新部１４３は、第２の損失関数算出部１４２によって算出された損失関数を用いて推論モデルＰＭを更新する。
　その後、処理は、ステップＳ１１に戻り、それ以降の処理が繰り返し実行される。このようにして情報処理装置１Ａによる情報処理が実行される。
　（一致度の算出および条件の具体化例）
　次に、ステップＳ１２２において算出される一致度と、ステップＳ１２３で判定される条件の具体化例について説明する。
　（具体化例１）
　例示的実施形態１で説明した一致度の算出方式によれば、部分データ群の中で、推論結果の中で最も高いスコアを有するクラスが一致している部分データの割合が算出される。すなわち、推論部１１は、各部分データに関し、複数のクラスの各々についての確信度を算出し、疑似ラベル付与部１３は、区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与する。ここで、所定の割合は、例えば、８割以上とすることができる。
　例えば、時間的に連続する区間の時刻ｉ，ｊにおける推論結果を、ｐｉ，ｐｊで表すと、一致度計算部１２２は、時刻ｉ，ｊでの一致度を、以下の式により算出できる。
　　　　　　　　C_ij =1　(if argmax(pi)==argmax(pj))
　　　　　　　　　　= 0　(else)
　疑似ラベル付与部１３は、区間内の任意の時刻ｉ，ｊの組み合わせのうち、８０％以上の組み合わせに対してC_ij>=1が成立するとき、部分データ群の部分データに疑似ラベルを付与する。
　また、複数の部分データの全てに疑似ラベルが付与されるようにしてもよい。すなわち、疑似ラベル付与部１３は、区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、区間における複数の部分データの全てに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　あるいは、推論部１１が、各部分データに関し、複数のクラスの各々についての確信度を算出し、疑似ラベル付与部１３は、区間に含まれる複数の部分データに関し、確信度の分布間距離が所定の値以下である場合に、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　この場合、区間に含まれる複数の部分データに関し、複数のクラスの各々についての確信度の分布がさらに算出され、それらの分布についての分布間距離が算出される。一例として、分布間距離は、カルバック・ライブラー情報量（K-L divergence）として算出される。
　複数のクラスの各々についての確信度の分布が似通っている場合、それらの部分データは、類似していると考えられるから、疑似ラベル付与部１３によって、区間における推論結果に基づく疑似ラベルが付与される。
　（具体化例２）
　具体化例１では、確信度が最も高いクラスの同一性が所定の割合以上である場合に疑似ラベルが付与されるが、全ての部分データの推論結果において、確信度が最も高いクラスが同一である場合に疑似ラベルが付与されるようにしてもよい。この場合、一致度計算部１２２が具体化例１と同様に一致度を算出する一方で、条件判定の閾値が高く（例えば、１以上）に設定される。このようにすることで、より確実性の高い疑似ラベルを付与することができる。
　すなわち、疑似ラベル付与部１３は、区間に含まれる複数の部分データに関し、確信度が最も高いクラスが全て同一である場合に、区間における複数の部分データの全てに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　（具体化例３）
　各部分データの推論結果において、確信度（スコア）が最も高いクラスの同一であったとしても、スコアが大きく異なる場合、例えば、各部分データの特徴量も大きく異なっている可能性がある。このような場合、各部分データのクラスの同一性は必ずしも高いとは言えない。
　そこで、例えば、部分データ同士の推論結果のスコアが比較され、スコアが大きく相違しない場合に疑似ラベルが付与されるようにしてもよい。
　例えば、図２の部分データ群に含まれる部分データＰＤ０２乃至部分データＰＤ０４は、スコアが最も高いクラス（ＣＬ１）が同一であり、各スコアは、０．９０，０．８６，０．９２である。例えば、この中で最も高いスコア「０．９２」と最も低いスコア「０．８６」を比較し、どの程度相違しているかが算出されるようにする。どの程度相違しているかは、例えば、両スコアの差分、比などにより一致度計算部１２２が算出することができる。そして、疑似ラベル付与部１３により、例えば、両スコアが２倍以上相違していない場合、スコアが大きく相違しない判定される。この場合、部分データＰＤ０３と部分データＰＤ０４のペアについて、ＣＬ１のスコアが２倍以上相違しているか否かが判定されることになる。
　なお、「２倍以上」は例示したものであり、例えば、両スコアが３倍以上（あるいは、４倍以）上相違していない場合、スコアが大きく相違しない判定されるようにしてもよい。すなわち、疑似ラベル付与部１３は、区間に含まれる複数の部分データの任意のペアについて、確信度が最も高いクラスが同一であって、かつ、最も高い確信度の相違が任意の定数倍以内となる場合に、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　例えば、時間的に連続する区間の時刻ｉ，ｊにおける推論結果を、ｐｉ，ｐｊで表すと、一致度計算部１２２は、時刻ｉ，ｊでの一致度を、以下の式により算出できる。
　C_ij = max(|max(p_i)/max(p_j)|, |max(p_j)/max(p_i)|)
　疑似ラベル付与部１３は、区間内の任意の時刻ｉ，ｊに対して、例えば、C_ij <=2.0が成立するとき、部分データ群の部分データに疑似ラベルを付与する。
　（具体化例４）
　あるいは、部分データ同士の推論結果のスコアの分散（ばらつき）が低い場合に、スコアが大きく相違しないと判定されるようにしてもよい。例えば、一致度計算部１２２は、図２の部分データ群に含まれる部分データＰＤ０２乃至部分データＰＤ０４の推論結果について、ＣＬ１のスコアの分散度を、一致度として算出する。そして、疑似ラベル付与部１３は、一致度（すなわち、分散度）が閾値未満の場合に、によって疑似ラベルが付与されるようにしてもよい。
　例えば、時系列データＳＤが動画像のデータである場合、部分データＰＤ０２乃至部分データＰＤ０４は、時間的に連続する区間のフレームであるから、被写体である人物は同じ行動をしている可能性が高い。しかし、時間的に連続する区間のフレームについての推論結果のスコアにばらつきがあると、推論結果が正解ではない可能性が高くなる。
　図６は、部分データの推論結果の中での最も高い確信度（最大確信度）のばらつきを説明する図である。同図の上側の２つのグラフは、時間軸に沿った最大確信度のばらつきを表している。同図の上側の２つのグラフは、横軸がフレーム時刻であり、縦軸が最大確信度の値である。左側のグラフでは、最大確信度の値が時間軸上でほぼ一定であり、最大確信度のばらつきが小さい。一方、右側のグラフでは、最大確信度が時間軸に沿って変化しており、最大確信度のばらつきが大きい。
　疑似ラベル付与部１３は、区間に含まれる複数の部分データの各々における最も高い確信度の時間軸に沿ったばらつきに応じて、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　（具体化例５）
　あるいは、時間的に連続する区間の部分データにおいて、推論結果のスコアであって、各クラスに対応するスコアの分散（ばらつき）が大きいか否かが判定され、分散が大きくないと判定された場合に、疑似ラベルが付与されるようにしてもよい。
　図２を参照して上述した例では、推論結果に、ＣＬ１、ＣＬ２、およびＣＬ３のクラスのそれぞれに対応するスコアが含まれる。このとき、いずれか１のクラスに対応するスコアが突出して高く、他のクラスに対応するスコアが低ければ、推論結果が正解である可能性が高いと言える。一方で、いずれか１つのクラスのスコアが突出して高くないと、推論結果が正解である可能性は低くなる。
　図６の下側の２つのグラフは、抽出部１２１によって抽出された部分データ群のうちの１の部分データの推論結果における各クラスの確信度のばらつきを説明する図である。同図下側の２つのグラフは、横軸がクラス番号（例えば、ＣＬ１、ＣＬ２、ＣＬ３、・・・）であり、縦軸が最大確信度の値である。図６の下側の２つのグラフのうち、左側のグラフは、最大確信度が他の確信度と比較して突出して高く、各クラスの確信度のばらつきが小さい。一方、右側のグラフは、最大確信度が他の確信度と比較して突出して高いとはいえず、各クラスの確信度のばらつきが大きい。
　この場合、例えば、一致度計算部１２２により、部分データの推論結果に含まれる確信度の分散度が、一致度として算出される。そして、一致度（すなわち、分散度）が閾値未満の場合に、疑似ラベル付与部１３によって疑似ラベルが付与されるようにしてもよい。
　すなわち、疑似ラベル付与部１３は、区間に含まれる複数の部分データの少なくとも何れかに関する確信度であって、当該部分データにおける各クラスの確信度のばらつきに応じて、区間における複数の部分データの少なくとも何れかに対して、区間における推論結果に基づく疑似ラベルを付与するようにしてもよい。
　（具体化例６）
　上述した具体化例１乃至具体化例５では、算出された一致度が所定の条件を満たす場合に、区間における複数の部分データの少なくとも何れかに対して、または区間における複数の部分データの全てに対して疑似ラベルが付与される例について説明した。しかし、区間における複数の部分データである部分データ群のうち、特定の１つの部分データに対してのみ疑似ラベルが付与されるようにしてもよい。ここで、特定の１つの部分データを対象部分データと称することにする。
　例えば、対象部分データを含む部分データ群について、具体化例１乃至具体化例５で説明した一致度の算出が実行され、条件を満たすと判定された場合、対象部分データにのみ疑似ラベルが付与されるようにしてもよい。対象部分データは、部分データ群に対応する時間的に連続する区間の中で中央に位置する部分データとしてもよいし、時間的に最も早い位置または遅い位置の部分データとしてもよい。すなわち、部分データ群に対応する時間的に連続する区間の中での対象部分データの位置は、任意である。
　さらに、対象部分データを含む部分データ群の長さは、対象部分データの推論結果によって異なってもよい。例えば、対象部分データにおける確信度が最も高いクラスがクラスＡの場合は、対象部分データの近傍の３フレームが、部分データ群となる。一方、対象部分データにおける確信度が最も高いクラスがクラスＢの場合は、対象部分データの近傍の１０フレームが部分データ群となるようにしてもよい。
　このように、抽出部１２１によって抽出される部分データ群に対応する時間的に連続する区間を、対象部分データに合わせて変えながら、疑似ラベルの付与を行うようにしてもよい。
　＜情報処理装置１Ａおよび情報処理方法Ｓ１Ａの効果＞
　本例示的実施形態に係る情報処理装置１Ａおよび情報処理方法Ｓ１Ａによれば、例えば、時系列データにおいて、クラスラベルが付与されていない区間が長時間継続していても、時系列データ全体に疑似ラベルを付与することができる。すなわち、本例示的実施形態に係る情報処理装置１Ａおよび情報処理方法Ｓ１Ａによれば、クラスラベル付きデータの有無にかかわらず、疑似ラベルを付与することができる。
　また、一致度の算出および条件を適正に具体化することによって、時系列データの性質に応じた疑似ラベル付与を実現することができる。例えば、動画像のデータである時系列データにおいて、被写体の動きが大きい場合、小さい場合、早い場合、遅い場合など、それぞれの性質に応じて適切に疑似ラベルを付与することができる。
　さらに、教師データにおいて、ラベルが付与されていない時刻近傍のデータも学習に用いることが可能となり、推論の精度を一層高めることも可能となる。
　〔例示的実施形態３〕
　次に、本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１または例示的実施形態２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付し、その説明を適宜省略する。
　図７は、例示的実施形態３に係る情報処理装置１Ａの構成例を示すブロック図である。図７の情報処理装置１Ａは、図４の情報処理装置１Ａと異なり、制御部１０Ａに学習部１４が設けられていない。その他の構成は、図４に示した構成例と同一なので、詳細な説明を省略する。
　図７の情報処理装置１Ａは、推論部１１を学習させる機能を有しておらず、疑似ラベル付与済の時系列データＰＬＳＤを生成するためのものである。上述したように。図４の情報処理装置１Ａにおいては、学習部１４が疑似ラベル付与済の時系列データＰＬＳＤを教師データとして用いることにより、推論部１１を学習させることができる。
　図７の情報処理装置１Ａは、生成した疑似ラベル付与済の時系列データＰＬＳＤを、他の情報処理装置（例えば、図４に示される情報処理装置１Ａ）に提供する。これにより、他の情報処理装置は、提供された疑似ラベル付与済の時系列データＰＬＳＤを教師データとして用いることで、推論部１１を学習させる。一方で、他の情報処理装置では、時系列データＳＤに対する疑似ラベル付与に係る処理の実行を省略することができる。
　＜例示的実施形態３の効果＞
　このように、本例示的実施形態に係る情報処理装置１Ａによれば、他の情報処理装置が教師データとして用いる疑似ラベル付与済の時系列データを生成することができる。
　〔ソフトウェアによる実現例〕
　情報処理装置１および情報処理装置１Ａの一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
　後者の場合、情報処理装置１および情報処理装置１Ａは、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図８に示す。
　コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを情報処理装置１および情報処理装置１Ａとして動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、情報処理装置１および情報処理装置１Ａの各機能が実現される。
　プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。
　なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。
　また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
　〔付記事項１〕
　本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
　〔付記事項２〕
　上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
　（付記１）
　時系列データを構成する各部分データに関するクラスを推論する推論手段と、
　時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、
　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段と
を備える情報処理装置。
　（付記２）
　前記推論手段は、各部分データに関し、複数のクラスの各々についての確信度を算出し、
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記１に記載の情報処理装置。
　（付記３）
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、前記区間における前記複数の部分データの全てに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記２に記載の情報処理装置。
　（付記４）
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスが全て同一である場合に、前記区間における前記複数の部分データの全てに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記３に記載の情報処理装置。
　（付記５）
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データの任意のペアについて、確信度が最も高いクラスが同一であって、かつ、最も高い確信度の相違が２倍以内となる場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記１に記載の情報処理装置。
　（付記６）
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データの各々における最も高い確信度の時間軸に沿ったばらつきに応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記１に記載の情報処理装置。
　（付記７）
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データの少なくとも何れかに関する確信度であって、当該部分データにおける各クラスの確信度のばらつきに応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記１に記載の情報処理装置。
　（付記８）
　前記推論手段は、各部分データに関し、複数のクラスの各々についての確信度を算出し、
　前記疑似ラベル付与手段は、
　　前記区間に含まれる複数の部分データに関し、確信度の分布間距離が所定の値以下である場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
付記１に記載の情報処理装置。
　（付記９）
　前記疑似ラベル付与手段が付与した疑似ラベルを含む時系列データを用いて、前記推論手段を学習させる学習手段を更に備えている
付記１から８の何れか１項に記載の情報処理装置。
　（付記１０）
　時系列データを構成する各部分データに関するクラスを推論すること、
　時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度を算出すること、
　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与することを含む
　情報処理方法。
　（付記１１）
　コンピュータを、
　時系列データを構成する各部分データに関するクラスを推論する推論手段と、
　時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、
　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段とを備える情報処理装置として機能させる
　プログラム。
　〔付記事項３〕
　上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
　少なくとも１つのプロセッサを備え、前記プロセッサは、
　時系列データを構成する各部分データに関するクラスを推論する処理と、
　時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度を算出する処理と、
　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する処理とを実行する。
　なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、クラスを推論する処理と、一致度を算出する処理と、疑似ラベルを付与する処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
　１　　　　　　　　　情報処理装置
　１０Ａ　　　　　　　制御部
　１１　　　　　　　　推論部
　１２　　　　　　　　算出部
　１３　　　　　　　　疑似ラベル付与部
　１４　　　　　　　　学習部
　２０Ａ　　　　　　　記憶部
　３０Ａ　　　　　　　入力部
　４０Ａ　　　　　　　通信部
　１２１　　　　　　　抽出部
　１２２　　　　　　　一致度計算部
　１４１　　　　　　　第１の損失関数算出部
　１４２　　　　　　　第２の損失関数算出部
　１４３　　　　　　　パラメータ更新部

 

Claims (11)

  1. 　時系列データを構成する各部分データに関するクラスを推論する推論手段と、
    　時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、
    　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段と
    を備える情報処理装置。
  2. 　前記推論手段は、各部分データに関し、複数のクラスの各々についての確信度を算出し、
    　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項１に記載の情報処理装置。
  3. 　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスの同一性が所定の割合以上である場合に、前記区間における前記複数の部分データの全てに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項２に記載の情報処理装置。
  4. 　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データに関し、確信度が最も高いクラスが全て同一である場合に、前記区間における前記複数の部分データの全てに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項３に記載の情報処理装置。
  5. 　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データの任意のペアについて、確信度が最も高いクラスが同一であって、かつ、最も高い確信度の相違が任意の定数倍以内となる場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項１に記載の情報処理装置。
  6. 　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データの各々における最も高い確信度の時間軸に沿ったばらつきに応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項１に記載の情報処理装置。
  7. 　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データの少なくとも何れかに関する確信度であって、当該部分データにおける各クラスの確信度のばらつきに応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項１に記載の情報処理装置。
  8. 　前記推論手段は、各部分データに関し、複数のクラスの各々についての確信度を算出し、
    　前記疑似ラベル付与手段は、
    　　前記区間に含まれる複数の部分データに関し、確信度の分布間距離が所定の値以下である場合に、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する
    請求項１に記載の情報処理装置。
  9. 　前記疑似ラベル付与手段が付与した疑似ラベルを含む時系列データを用いて、前記推論手段を学習させる学習手段を更に備えている
    請求項１から８の何れか１項に記載の情報処理装置。
  10. 　時系列データを構成する各部分データに関するクラスを推論すること、
    　時間的に連続する区間に含まれる複数の部分データの各々に関する推論結果の互いの一致度を算出すること、
    　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与することを含む
    　情報処理方法。
  11. 　コンピュータを、
    　時系列データを構成する各部分データに関するクラスを推論する推論手段と、
    　時間的に連続する区間に含まれる複数の部分データの各々に関する、前記推論手段による推論結果の互いの一致度を算出する算出手段と、
    　前記一致度に応じて、前記区間における前記複数の部分データの少なくとも何れかに対して、前記区間における前記推論結果に基づく疑似ラベルを付与する疑似ラベル付与手段とを備える情報処理装置として機能させる
    　プログラム。
     

     
PCT/JP2022/008717 2022-03-02 2022-03-02 情報処理装置、情報処理方法、およびプログラム WO2023166576A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/008717 WO2023166576A1 (ja) 2022-03-02 2022-03-02 情報処理装置、情報処理方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/008717 WO2023166576A1 (ja) 2022-03-02 2022-03-02 情報処理装置、情報処理方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2023166576A1 true WO2023166576A1 (ja) 2023-09-07

Family

ID=87883188

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/008717 WO2023166576A1 (ja) 2022-03-02 2022-03-02 情報処理装置、情報処理方法、およびプログラム

Country Status (1)

Country Link
WO (1) WO2023166576A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012117987A (ja) * 2010-12-03 2012-06-21 Hitachi Ltd データ処理方法、データ処理システム、及びデータ処理装置
WO2015145626A1 (ja) * 2014-03-26 2015-10-01 株式会社日立製作所 時系列データ管理方法及び時系列データ管理システム
JP2018036726A (ja) * 2016-08-29 2018-03-08 公立大学法人大阪府立大学 データ解析装置、制御装置、データ解析装置の制御方法、制御プログラム、および記録媒体
JP2019191769A (ja) * 2018-04-20 2019-10-31 富士通株式会社 データ判別プログラム、データ判別装置およびデータ判別方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012117987A (ja) * 2010-12-03 2012-06-21 Hitachi Ltd データ処理方法、データ処理システム、及びデータ処理装置
WO2015145626A1 (ja) * 2014-03-26 2015-10-01 株式会社日立製作所 時系列データ管理方法及び時系列データ管理システム
JP2018036726A (ja) * 2016-08-29 2018-03-08 公立大学法人大阪府立大学 データ解析装置、制御装置、データ解析装置の制御方法、制御プログラム、および記録媒体
JP2019191769A (ja) * 2018-04-20 2019-10-31 富士通株式会社 データ判別プログラム、データ判別装置およびデータ判別方法

Similar Documents

Publication Publication Date Title
WO2019144892A1 (zh) 数据处理方法、装置、存储介质和电子装置
KR20200022739A (ko) 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치
US11380131B2 (en) Method and device for face recognition, storage medium, and electronic device
WO2022268203A1 (zh) 用于生成神经网络模型的方法、装置、系统、设备、介质和程序产品
CN110796089B (zh) 用于训练换脸模型的方法和设备
GB2565775A (en) A Method, an apparatus and a computer program product for object detection
WO2023273628A1 (zh) 一种视频循环识别方法、装置、计算机设备及存储介质
CN112861825B (zh) 模型训练方法、行人再识别方法、装置和电子设备
CN106971401A (zh) 多目标跟踪装置和方法
CN111414946A (zh) 基于人工智能的医疗影像的噪声数据识别方法和相关装置
CN116611491A (zh) 目标检测模型的训练方法、装置、电子设备和存储介质
US11176482B2 (en) Training signal processing model for component replacement in signal processing system
CN114756706A (zh) 一种资源合成方法、装置、设备及存储介质
WO2023166576A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US12027162B2 (en) Noisy student teacher training for robust keyword spotting
JP2016129309A (ja) オブジェクト紐付方法、装置、及びプログラム
CN115600693A (zh) 机器学习模型训练方法、识别方法、相关装置及电子设备
KR102393759B1 (ko) 단말에서 동작하는 이미지 프로세싱 인공 신경망 모델 생성 방법 및 시스템
JP6981543B2 (ja) 動作認識装置、動作認識方法、及びプログラム
JP2022151502A (ja) プログラム、情報処理装置、及び方法
WO2021242585A1 (en) Interpretable imitation learning via prototypical option discovery
JP2020021474A (ja) モーション合成装置及びモーション合成方法
US20240221368A1 (en) Information processing apparatus, information processing method, and recording medium
US20240013407A1 (en) Information processing apparatus, information processing method, and non-transitory computer-readable storage medium
US20240144025A1 (en) Information processing device, information processing method, program

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: 22929724

Country of ref document: EP

Kind code of ref document: A1