WO2024257324A1 - 情報処理装置、情報処理方法、プログラム - Google Patents

情報処理装置、情報処理方法、プログラム Download PDF

Info

Publication number
WO2024257324A1
WO2024257324A1 PCT/JP2023/022354 JP2023022354W WO2024257324A1 WO 2024257324 A1 WO2024257324 A1 WO 2024257324A1 JP 2023022354 W JP2023022354 W JP 2023022354W WO 2024257324 A1 WO2024257324 A1 WO 2024257324A1
Authority
WO
WIPO (PCT)
Prior art keywords
information processing
condition
processing device
prediction
case
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/JP2023/022354
Other languages
English (en)
French (fr)
Inventor
穣 岡嶋
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Priority to PCT/JP2023/022354 priority Critical patent/WO2024257324A1/ja
Priority to JP2025527176A priority patent/JPWO2024257324A1/ja
Publication of WO2024257324A1 publication Critical patent/WO2024257324A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This disclosure relates to an information processing device, an information processing method, and a program.
  • Patent Document 1 describes evaluating machine learning models. Specifically, Patent Document 1 calculates an evaluation value when the parameters of the machine learning model are changed.
  • Patent Document 1 evaluates a machine learning model
  • the machine learning model cannot be used effectively.
  • the purpose of this disclosure is therefore to resolve the above-mentioned issue of being unable to effectively utilize machine learning models that make predictions on input data.
  • An information processing device includes: a case generation unit that generates virtual cases so as to satisfy preset constraints regarding some attributes included in the cases; A prediction unit that performs a preset prediction for the virtual case; an evaluation unit that evaluates a condition set for an attribute that is included in the virtual case and is different from an attribute corresponding to the constraint, based on the prediction for the virtual case; Equipped with The structure is as follows.
  • an information processing method includes: A virtual case is generated so as to satisfy a preset constraint on some attributes included in the case; Performing a preset prediction for the hypothetical case; Evaluating a condition set for an attribute that is different from an attribute corresponding to the constraint and that is included in the virtual case, based on the prediction for the virtual case;
  • the structure is as follows.
  • a program includes: A virtual case is generated so as to satisfy a preset constraint on some attributes included in the case; Performing a preset prediction for the hypothetical case; Evaluating a condition set for an attribute that is different from an attribute corresponding to the constraint and that is included in the virtual case, based on the prediction for the virtual case; Have a computer carry out the process,
  • the structure is as follows.
  • this disclosure makes it possible to effectively utilize machine learning models that make predictions on input data.
  • FIG. 1 is a block diagram showing a configuration of a first information processing device according to the present disclosure.
  • FIG. 2 is a diagram showing a process performed by a first information processing device according to the present disclosure.
  • FIG. 2 is a diagram showing a process performed by a first information processing device according to the present disclosure.
  • FIG. 2 is a diagram showing a process performed by a first information processing device according to the present disclosure.
  • 5 is a flowchart showing a processing operation of the first information processing device according to the present disclosure.
  • FIG. 13 is a diagram illustrating a usage example of a second information processing device according to the present disclosure.
  • FIG. 13 is a diagram illustrating a usage example of a second information processing device according to the present disclosure.
  • FIG. 11 is a block diagram showing a hardware configuration of a third information processing device according to the present disclosure.
  • FIG. 13 is a block diagram showing a configuration of a third information processing device according to the present disclosure.
  • the information processing device 10 in this embodiment is used to make predictions on input data using a prediction model, which is a machine learning model.
  • the information processing device 10 is used to evaluate improvements on the input data so that a desired prediction result can be obtained using the prediction model.
  • a prediction model predicts the probability of receiving a loan in a loan screening such as a home loan based on the attributes of a subject.
  • the information processing device 10 can be used to predict the probability of receiving a loan using the prediction model based on the attributes of a subject, and further output conditions for making the loan available.
  • the machine learning model used to make predictions in the information processing device 10 is not necessarily limited to use when predicting the loan probability described above, but may be used when making any prediction. Therefore, the information processing device 10 can be used to evaluate improvements to any input data.
  • the information processing device 10 is composed of one or more information processing devices each having a calculation device and a storage device. As shown in FIG. 1, the information processing device 10 is composed of an input unit 11, a virtual case generation unit 12, a prediction unit 13, a condition evaluation unit 14, and a condition output unit 15. The functions of the input unit 11, the virtual case generation unit 12, the prediction unit 13, the condition evaluation unit 14, and the condition output unit 15 can be realized by the calculation device executing a program for realizing each function stored in the storage device.
  • the information processing device 10 is also composed of a model storage unit 16 and a case storage unit 17. The model storage unit 16 and the case storage unit 17 are composed of a storage device. Each component will be described in detail below.
  • FIG. 2 shows the flow of data and processing in the information processing device 10.
  • the input unit 11 accepts input of "constraints" D1 related to some data (attributes) from the example input data.
  • the example input data includes multiple attributes of the subject undergoing loan screening, with the subject's "gender, age, occupation, annual income, and debts" being examples of attributes.
  • some attributes become “constraints,” and in this embodiment, as shown in FIG. 2, “gender, age” are set as “constraints” D1, and specifically, a case where "gender: male, age: 35" is set as a constraint will be explained as an example.
  • the input unit 11 also accepts input of a "goal" D2 to be achieved by the prediction for the input data, which is a case example, as described below.
  • a loan probability of 80% (0.8) of the possibility of loaning is accepted as the goal D2 to be achieved for the loan probability.
  • This goal D2 will be used in the achievement determination process 15'.
  • the input unit 11 may also accept input of a target value for each case example (e.g., loan probability > 0.70) when making a prediction for a virtual case example, as described below.
  • the virtual case generation unit 12 (case generation unit) generates input data that is a virtual case D3 that satisfies the constraint D1 based on the "constraint" D1 input as described above. That is, in the case of this embodiment, a virtual case D3 is generated that satisfies the constraints "gender: male, age: 35 years old" as the attributes of the subject, and takes any values for the other attributes "occupation, annual income, debt".
  • the virtual case generation unit 12 generates multiple virtual cases D3 using a generation model 12' that is generated using input data that is an actual case and stored in the model storage unit 16, and stores the multiple virtual cases D3 in the case storage unit 17.
  • the virtual case generation unit 12 predicts the conditional probability distribution of the remaining variables (occupation, annual income, debt) using a specific variable (constraint: gender, age) as a condition, and samples values according to this distribution to generate multiple virtual cases.
  • P occupation, annual income, debt
  • the virtual case generation unit 12 masks (leaves blank) a part of a table representing each attribute of the subject, predicts a conditional probability distribution of the masked part using the unmasked part as a condition, and samples values according to this distribution to generate a virtual case supplementing the value of the masked part.
  • the generative model 12' is trained in advance to generate values of other explanatory variables when values of one or more explanatory variables (constraints) are set. For example, this can be realized by a method such as VAEAC (VAE arbitrary conditioning), ACFlow, or ACE.
  • the prediction unit 13 performs a preset prediction for the virtual case D3 generated as described above.
  • the prediction unit 13 uses a prediction model 13' that is generated using input data that is an actual case and the loan results and that is stored in the model storage unit 16, as shown in FIG. 2, to output the loan probability, which is a prediction D4 for the virtual case D3.
  • the condition evaluation unit 14 evaluates "conditions" set for data different from the constraints included in the above-mentioned virtual case D3 based on a prediction D4 for the virtual case D3.
  • the condition evaluation unit 14 obtains "conditions” D5 (recourse) set by one or more combinations of data "occupation, annual income, debt” other than the constraint "gender: male, age 35 years old” in the virtual case D3, and performs a condition evaluation process 14' to evaluate such "conditions” D5 based on the prediction D4.
  • the condition evaluation unit 14 may obtain the "condition” D5 in various ways.
  • the condition evaluation unit 14 may use the value of each piece of data randomly selected from training data, which is an actual case, as a condition.
  • the condition evaluation unit 14 may learn a random forest using a combination (x, y) of the above-mentioned virtual case D3 and a flag indicating that a target value for each case (e.g., a loan probability of > 0.70) set in advance for the prediction D4 has been achieved, and extract each path of the decision tree included in the random forest as the "condition” D5.
  • the "condition” D5 may be generated in any way, and may be obtained from another device.
  • the condition evaluation unit 14 may randomly generate atomic conditions, which are conditions of a simple form that do not include "AND", such as "feature 1>X". For example, the condition evaluation unit 14 generates an atomic condition by randomly selecting one of the data items that can be set in the condition D5 as a feature, randomly selecting an inequality sign, and further randomly selecting a threshold value X.
  • the condition evaluation unit 14 may also generate a composite condition by combining multiple atomic conditions, for example, by combining them with AND.
  • the condition evaluation unit 14 calculates the corresponding ratio D6 and the corresponding prediction average D7 for each condition D5 in the condition evaluation process 14'.
  • the corresponding prediction average D7 represents the statistical amount of the loan probability, which is the prediction D4 of the virtual cases D3 that satisfy the condition D5, and in this embodiment, the statistical amount is the average value.
  • the corresponding prediction average D7 is calculated by adding up the loan probability, which is the prediction D4 of each virtual case D3 that satisfies the condition D5, and dividing by the number of corresponding virtual cases D3.
  • the corresponding prediction average D7 is not limited to being the average value of the loan probability, which is the prediction D4 of the hypothetical case D3 that meets the condition D5, but may be any value as long as it is a statistical value calculated from the value of such prediction D4, such as the most frequent value of the prediction D4 of the hypothetical case D3 that meets the condition D5.
  • the condition evaluation unit 14 evaluates each condition D5 based on the relevant ratio D6 and the relevant time prediction average D7 calculated as described above. At this time, when the "goal" D2 to be achieved by the prediction result is input as described above, the condition evaluation unit 14 performs an achievement judgment process 15' to judge whether the relevant time prediction average D7 satisfies the goal D2, assigns a predicted goal achievement flag (YES) to the satisfied condition D5, and performs output D9 of the flagged condition. For example, when the goal D2 is set to the relevant time prediction average > 0.80, the condition evaluation unit 14 outputs the condition D5 in which the relevant time prediction average D7 exceeds the goal D2.
  • the condition evaluation unit 14 may further evaluate the relevant condition D5 higher as the value of the relevant time prediction average D7 is higher. For example, when there are multiple conditions D5 that satisfy the goal D2, only the condition D5 with the highest value of the relevant time prediction average D7 may be selected and output. Furthermore, the condition evaluation unit 14 may further evaluate the relevant condition D5 higher as the relevant time prediction average D7 and the relevant ratio D6 are higher. For example, if there are multiple conditions D5 for which the corresponding time predicted average D7 is approximately the same value, the condition D5 with the higher corresponding ratio D6 may be evaluated higher.
  • weights may be set for the corresponding time predicted average D7 and the corresponding ratio D6, and the statistical value of the corresponding time predicted average D7 and the corresponding ratio D6 may be calculated taking such weights into consideration, and the corresponding condition D5 may be evaluated higher the higher such statistical value is.
  • condition evaluation unit 14 may exploratively generate and acquire the "condition” D5, taking into consideration the relevant ratio D6 and the relevant time prediction average D7 described above. At this time, the condition evaluation unit 14 may generate the condition D5 so that either or both of the relevant ratio D6 and the relevant time prediction average D7 are high. In other words, the condition evaluation unit 14 calculates the relevant ratio D6 and the relevant time prediction average D7 for each of the multiple compound conditions randomly generated as described above, and generates a condition D5 so that either or both are high. As a more specific example, first, the randomly generated compound conditions are added to a list. Then, from the compound conditions included in the list, compound conditions that have a high relevant ratio D6 and a high relevant time prediction average D7 are extracted.
  • a part of the extracted compound conditions is replaced with a new randomly generated atomic condition to generate a new compound condition and add it to the list. Then, such a process is repeated until the list exceeds a predetermined threshold, whereby a condition can be generated.
  • the process of extracting the composite conditions that result in a high relevant ratio D6 and relevant time predicted average D7 can be achieved by selecting composite conditions that are not Pareto dominated by other composite conditions.
  • the condition output unit 15 outputs the highly rated condition D5 as described above. For example, the condition output unit 15 outputs the most highly rated condition D5 among the conditions D5 that satisfy the constraint D1 in the attributes of the subject who requested the prediction of the loan probability.
  • An example of the output by the condition output unit 15 is shown in Figure 4.
  • Figure 4 shows a graph of the condition D5 for "annual income and debt" that satisfies the constraint D1 (gender: male, age: 35 years) and satisfies the target D2, the predicted average at the time, on a coordinate plane with "annual income and debt" on the vertical and horizontal axes.
  • the actual case of the subject "gender: male, age: 35, occupation: temporary, annual income: 3 million, debts: 5 million” is input as input data, and if the predicted loan probability using prediction model 13' is lower than target D2 and the case is rejected, as shown in FIG. 4, information A of the subject is displayed in the rejected area on the coordinate plane, and information B of the most highly evaluated conditions that satisfy the same constraints as the subject "gender: male, age: 35, occupation: temporary, annual income: 6 million, debts: 2 million” is displayed. In this case, it is even better to display the difference between information A of the subject and information B of the conditions "annual income: 6 million (+300), debts: 3 million (-200)."
  • the output conditions are based on virtual cases that have been judged to have good evaluations, so they are highly reliable. As a result, the prediction model can be used effectively.
  • the information processing device 10 also accepts input of a "goal” D2 that the prediction should achieve (step S1 in FIG. 5). For example, in this embodiment, as shown in FIG. 2, a loan probability of 80% (0.8) is accepted as goal D2 as the goal to be achieved for the loan probability.
  • the information processing device 10 generates a virtual case D3 that satisfies the constraint D1 (step S2 in FIG. 5).
  • a plurality of virtual cases D3 are generated using a generative model 12' that is generated using input data that is an actual case.
  • the information processing device 10 performs a prediction for the generated hypothetical case D3 (step S3 in FIG. 5).
  • a prediction model 13' is generated using input data, which is an actual case, and the loan result, and a prediction D4, which is a loan probability for the hypothetical case D3, is output.
  • the information processing device 10 generates a condition D5 set for an attribute different from the constraints included in the virtual case D3 (step S4 in FIG. 5).
  • a "condition” D5 (recourse) is generated that is set based on one or a combination of attributes "occupation, annual income, debt” other than the constraints "gender: male, age: 35" in the virtual case D3.
  • the information processing device 10 may acquire a condition D5 that is set in advance, or may acquire a condition D5 generated by another device, etc.
  • the information processing device 10 evaluates the generated condition D5 based on the prediction D4 (step S5 in FIG. 5).
  • the information processing device 10 calculates a matching ratio D6 and a matching time prediction average D7 for each condition D5.
  • the matching ratio D6 represents the ratio of virtual cases that satisfy the condition D5 among all virtual cases D3.
  • the matching time prediction average D7 represents a statistic of the loan probability, which is the prediction D4 of the virtual cases D3 that match the condition D5, and in this embodiment, the statistic is an average value.
  • the information processing device 10 evaluates the condition D5 in which the relevant time predicted average D7 satisfies the loan probability target D2 input in advance, and outputs the highly evaluated condition D5 (step S6 in FIG. 5). At this time, the information processing device 10 evaluates the condition more highly the higher the relevant ratio D6 and the relevant time predicted average D7 are, and outputs, for example, the most highly evaluated condition D5.
  • the information processing device 10 predicts the loan probability based on the attributes of the subject.
  • the information processing device 10 outputs information A of the prediction result of the subject's attributes and information B of the most highly evaluated condition that satisfies the constraints. This allows the subject to know how to improve his or her attributes.
  • the output conditions are based on virtual cases that have been judged to have a good evaluation, and therefore are highly reliable. As a result, the prediction model can be effectively utilized, and the subject can be encouraged to make better decisions.
  • the subject U inputs his/her own characteristic data (e.g., gender, age) as well as vital data (e.g., weight, walking time) to the information processing device 10 via a network, and the information processing device 10 predicts values representing the health condition of the subject U, such as the blood pressure value.
  • the information processing device 10 sets the characteristic data of the subject U as the above-mentioned constraints and generates virtual cases in which various values are set for the vital data. Then, the information processing device 10 generates conditions from the virtual cases consisting of data other than the constraints and evaluates such conditions. At this time, the information processing device 10 highly evaluates conditions that meet the goal of a blood pressure value that is not high and is an appropriate value, among the conditions of the virtual cases that satisfy the constraints.
  • the information processing device 10 outputs to the subject U recommended actions consisting of vital data that may be conditions for improving the current blood pressure value and achieving the goal, as well as a predicted value of the future blood pressure value that will be the goal.
  • the information processing device 10 outputs conditions (weight: 80 kg ⁇ 75 kg, walking time: 10 minutes ⁇ 30 minutes) as recommended actions, and outputs the time-dependent change in the predicted blood pressure value.
  • the above-mentioned use example of the information processing device 10 is just one example, and it may be used for any prediction.
  • the information processing device 100 in this embodiment is configured as a general information processing device, and is equipped with the following hardware configuration, as an example.
  • ⁇ CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • Program group 104 loaded into RAM 103
  • a storage device 105 for storing the program group 104
  • a drive device 106 that reads and writes data from and to a storage medium 110 outside the information processing device.
  • a communication interface 107 that connects to a communication network 111 outside the information processing device
  • a bus 109 that connects each component
  • FIG. 8 shows an example of the hardware configuration of the information processing device 100, and the hardware configuration of the information processing device is not limited to the above-mentioned case.
  • the information processing device may be configured with a part of the above-mentioned configuration, such as not having the drive device 106.
  • the information processing device may use a GPU (Graphic Processing Unit), a DSP (Digital Signal Processor), an MPU (Micro Processing Unit), an FPU (Floating point number Processing Unit), a PPU (Physics Processing Unit), a TPU (Tensor Processing Unit), a quantum processor, a microcontroller, or a combination of these.
  • the information processing device 100 can be equipped with the case generation unit 121, prediction unit 122, and evaluation unit 123 shown in FIG. 9 by having the CPU 101 acquire and execute the program group 104.
  • the program group 104 is stored in the storage device 105 or ROM 102 in advance, for example, and the CPU 101 loads the program group 104 into the RAM 103 and executes it as necessary.
  • the program group 104 may be supplied to the CPU 101 via the communication network 111, or may be stored in the storage medium 110 in advance, and the drive device 106 may read out the program and supply it to the CPU 101.
  • the above-mentioned case generation unit 121, prediction unit 122, and evaluation unit 123 may be constructed with dedicated electronic circuits for realizing such means.
  • the case generation unit 121 generates virtual cases so as to satisfy preset constraints for some attributes included in the cases.
  • the prediction unit 122 makes a preset prediction for the virtual cases.
  • the evaluation unit 123 evaluates conditions set for attributes other than the attributes included in the virtual cases that correspond to the constraints, based on the prediction for the virtual cases. At this time, the evaluation unit 123 calculates preset statistics of the prediction for virtual cases that include attributes that correspond to the conditions, and evaluates the conditions based on the statistics. The evaluation unit 123 also evaluates the conditions using the proportion of virtual cases that satisfy the conditions.
  • At least one of the functions of the above-mentioned case generation unit 121, prediction unit 122, and evaluation unit 123 may be executed by an information processing device installed and connected anywhere on the network, that is, they may be executed by so-called cloud computing.
  • Non-transitory computer readable medium includes various types of tangible storage medium.
  • Examples of non-transitory computer readable medium include magnetic recording media (e.g., flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical disks), CD-ROM (Read Only Memory), CD-R, CD-R/W, and semiconductor memory (e.g., mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM, RAM (Random Access Memory)).
  • the program may also be supplied to a computer by various types of transitory computer readable medium. Examples of transitory computer readable medium include electrical signals, optical signals, and electromagnetic waves.
  • the temporary computer-readable medium can provide the program to the computer via a wired communication path, such as an electric wire or optical fiber, or via a wireless communication path.
  • the information processing device evaluates the condition based on the prediction for the virtual case including an attribute corresponding to the condition; Information processing device. (Appendix 3) 3.
  • the information processing device according to claim 2 the evaluation unit calculates a preset statistic of the prediction for the virtual case including an attribute corresponding to the condition, and evaluates the condition based on the statistic; Information processing device. (Appendix 4) 4.
  • the information processing device When the prediction is output with a probability that a desired result will occur, the evaluation unit evaluates the condition higher as the statistic increases.
  • Information processing device. (Appendix 5) 2.
  • the evaluation unit evaluates the condition higher as the ratio increases.
  • Information processing device. (Appendix 7) The information processing device according to claim 4, the evaluation unit evaluates the condition higher as the ratio of the virtual cases that satisfy the condition and the statistical amount are higher.
  • Information processing device. (Appendix 8) 8. The information processing device according to claim 7, a condition generating unit that generates new conditions so that at least one of a ratio of the virtual cases that satisfy the conditions and the statistics is increased; Information processing device. (Appendix 9) 2.
  • the information processing device according to claim 1 The case generation unit generates the virtual case using a machine learning model that is pre-trained to generate values of one or more explanatory variables when values of other explanatory variables are set. Information processing device.
  • a virtual case is generated so as to satisfy a preset constraint on some attributes included in the case; Performing a preset prediction for the hypothetical case; Evaluating a condition set for an attribute that is different from an attribute corresponding to the constraint and that is included in the virtual case, based on the prediction for the virtual case; Information processing methods.
  • Appendix 11 11. The information processing method according to claim 10, evaluating the condition based on the prediction for the hypothetical case including an attribute that corresponds to the condition; Information processing methods.
  • Appendix 12 12. The information processing method according to claim 11, calculating a preset statistic of the prediction for the virtual case including an attribute corresponding to the condition, and evaluating the condition based on the statistic; Information processing methods.
  • Appendix 13 11.
  • a proportion of the hypothetical cases that satisfy the condition is further used to evaluate the condition.
  • Information processing methods Appendix 14
  • a virtual case is generated so as to satisfy a preset constraint on some attributes included in the case; Performing a preset prediction for the hypothetical case; Evaluating a condition set for an attribute that is different from an attribute corresponding to the constraint and that is included in the virtual case, based on the prediction for the virtual case;
  • a computer-readable storage medium that stores a program for causing a computer to execute a process.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本開示の情報処理装置１００は、事例に含まれる一部のデータについて予め設定された制約を満たすよう仮想事例を生成する事例生成部１２１と、仮想事例に対する予め設定された予測を行う予測部１２２と、仮想事例に含まれる制約に該当するデータとは異なるデータについて設定された条件を、仮想事例に対する予測に基づいて評価する評価部１２３と、を備えることにより、ユーザーの意思決定を支援することができる。。

Description

情報処理装置、情報処理方法、プログラム
　本開示は、情報処理装置、情報処理方法、プログラムに関する。
　機械学習モデルを用いて入力データに対する予測を行うことが様々な分野で行われている。これに関連して、特許文献１では、機械学習モデルを評価することが記載されている。具体的に、特許文献１では、機械学習モデルのパラメータを変化させたときの評価値を計算している。
特開２０２２－０６８６９０号公報
　しかしながら、上述した特許文献１の技術では、機械学習モデルを評価しているものの、機械学習モデルによる予測に対する入力データについて評価することはできない。つまり、機械学習モデルによる入力データに対する予測を行う際に、かかる入力データから所望の予測結果を得たい場合において、入力データをどのように改善すればよいかを評価することができない。その結果、機械学習モデルの有効利用を図ることができない、という問題が生じる。
　このため、本開示の目的は、上述した課題である、入力データに対する予測を行う機械学習モデルの有効利用を図ることができない、ことを解決することにある。
　本開示の一形態である情報処理装置は、
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成する事例生成部と、
　前記仮想事例に対する予め設定された予測を行う予測部と、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する評価部と、
を備えた、
という構成をとる。
　また、本開示の一形態である情報処理方法は、
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
　前記仮想事例に対する予め設定された予測を行い、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
という構成をとる。
　また、本開示の一形態であるプログラムは、
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
　前記仮想事例に対する予め設定された予測を行い、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
処理をコンピュータに実行させる、
という構成をとる。
　本開示は、以上のように構成されることにより、入力データに対する予測を行う機械学習モデルの有効利用を図ることができる。
本開示にかかる第１の情報処理装置の構成を示すブロック図である。 本開示にかかる第１の情報処理装置による処理の様子を示す図である。 本開示にかかる第１の情報処理装置による処理の様子を示す図である。 本開示にかかる第１の情報処理装置による処理の様子を示す図である。 本開示にかかる第１の情報処理装置の処理動作を示すフローチャートである。 本開示にかかる第２の情報処理装置の利用例を説明する図である。 本開示にかかる第２の情報処理装置の利用例を説明する図である。 本開示にかかる第３の情報処理装置のハードウェア構成を示すブロック図である。 本開示にかかる第３の情報処理装置の構成を示すブロック図である。
　＜実施形態１＞
　本開示について、図面を参照して説明する。なお、図面はいずれの実施形態においても関連しうる。
　［構成］
　本実施形態における情報処理装置１０は、機械学習モデルである予測モデルを用いて入力データに対する予測を行うことに利用される。特に、情報処理装置１０は、予測モデルによる所望の予測結果が得らえるよう、入力データの改善について評価を行うことに利用される。例えば、本実施形態では、予測モデルは、対象者の属性から住宅ローンなどの融資審査において融資が受けられる確率の予測を行うものである場合を一例として説明する。そして、情報処理装置１０は、対象者の属性から予測モデルにて融資確率を予測し、さらに、融資可能となるための条件を出力する場合に用いることができる。
　但し、情報処理装置１０において予測を行う機械学習モデルは、必ずしも上述した融資確率の予測を行う場合に利用されることに限定されず、いかなる予測を行う場合に利用されてもよい。このため、情報処理装置１０は、いかなる入力データに対しても、その改善について評価を行うことに利用可能である。
　情報処理装置１０は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、情報処理装置１０は、図１に示すように、入力部１１、仮想事例生成部１２、予測部１３、条件評価部１４、条件出力部１５を備える。入力部１１、仮想事例生成部１２、予測部１３、条件評価部１４、条件出力部１５の各機能は、演算装置が記憶装置に格納された各機能を実現するためのプログラムを実行することにより実現することができる。また、情報処理装置１０は、モデル記憶部１６、事例記憶部１７、を備える。モデル記憶部１６、事例記憶部１７は、記憶装置により構成される。以下、各構成について詳述する。なお、図２に、情報処理装置１０におけるデータの流れと処理の様子を示す。
　入力部１１は、事例となる入力データのうち、一部のデータ（属性）に関する「制約」Ｄ１の入力を受け付ける。ここで、本実施形態において事例となる入力データは、融資審査を受ける対象者の複数の属性を含み、属性の一例として、対象者の「性別、年齢、職業、年収、負債」であることとする。この場合、一部の属性が「制約」となり、本実施形態では、図２に示すように、「性別、年齢」を「制約」Ｄ１とすることとし、具体的には「性別：男、年齢：３５歳」を制約とする場合を一例に挙げて説明する。
　また、入力部１１は、後述するように、事例である入力データに対する予測が達成すべき「目標」Ｄ２の入力を受け付ける。例えば、本実施形態では、図２に示すように、融資確率の達成すべき目標として、融資される可能性が８０％（０．８）の融資確率を目標Ｄ２として受け付けることとする。なお、かかる目標Ｄ２は、達成判定処理１５’において用いられることとなる。なお、入力部１１は、後述するように仮想事例に対する予測を行った場合における事例毎の目標値（例えば、融資確率＞０．７０など）の入力を受け付けてもよい。
　仮想事例生成部１２（事例生成部）は、上述したように入力された「制約」Ｄ１に基づいて、かかる制約Ｄ１を満たす仮想事例Ｄ３である入力データを生成する。つまり、本実施形態の場合には、対象者の属性として、制約となる「性別：男、年齢：３５歳」を満たし、その他の属性「職業、年収、負債」については任意の値をとる仮想事例Ｄ３を生成する。このとき、仮想事例生成部１２は、図２に示すように、実際の事例である入力データを用いて生成されてモデル記憶部１６に記憶されている生成モデル１２’を用いて、複数の仮想事例Ｄ３を生成して、事例記憶部１７に記憶する。例えば、仮想事例生成部１２は、以下に示すように、複数の変数があるとき、特定の変数（制約：性別、年齢）を条件にして、残りの他の変数（職業、年収、負債）の条件付確率分布を予測し、この分布に従って値をサンプリングすることで、複数の仮想事例を生成する。
　Ｐ（職業，年収，負債｜性別＝男，年齢＝３５）
　より具体的な一例として、仮想事例生成部１２は、図３に示すように、対象者の各属性を表す表の一部をマスク（空欄）して、マスクされていない部分を条件として、マスクされた部分の条件付確率分布を予測し、この分布に従って値をサンプリングすることで、マスクされた部分の値を補足した仮想事例を生成する。このとき、生成モデル１２’として、任意の組み合わせについて確率分布を出力する単一のニューラルネットワークを用いた機械学習モデルを学習しておくことで、１つのモデルで容易に仮想事例を生成することができる。つまり、生成モデル１２’は、１つ以上の説明変数（制約）の値が設定された際に、他の説明変数の値を生成するよう事前に訓練されたものであるとよい。例えば、ＶＡＥＡＣ（ＶＡＥ　ａｒｂｉｔｒａｒｙ　ｃｏｎｄｉｔｉｏｎｉｎｇ）、ＡＣＦｌｏｗ、ＡＣＥなどの手法により実現できる。
　このように仮想事例Ｄ３を生成することで、実際の事例では不足している事例を生成することができる。つまり、実際の事例が該当していない仮想事例を生成することで、後述するように入力データの改善について信頼性が増すこととなる。
　予測部１３は、上述したように生成した仮想事例Ｄ３に対する予め設定された予測を行う。本実施形態では、予測部１３は、図２に示すように、実際の事例である入力データとその融資結果とを用いて生成されてモデル記憶部１６に記憶されている予測モデル１３’を用いて、仮想事例Ｄ３に対する予測Ｄ４である融資確率を出力する。
　条件評価部１４（評価部）は、上述した仮想事例Ｄ３に含まれる制約とは異なるデータについて設定された「条件」を、仮想事例Ｄ３に対する予測Ｄ４に基づいて評価する。つまり、条件評価部１４は、図２に示すように、仮想事例Ｄ３内の制約「性別：男性、年齢３５歳」以外のデータ「職業、年収、負債」のうち１つあるいは複数の組み合わせによって設定された「条件」Ｄ５（リコース）を取得し、かかる「条件」Ｄ５を予測Ｄ４に基づいて評価する条件評価処理１４’を行う。ここで、「条件」Ｄ５の一例としては、図２に示すように、「職業＝正社員　ＡＮＤ　年収＞１０００万円」、「職業＝無職」、「年収＞６００万円　ＡＮＤ　負債　８００万円」などがある。
　このとき、条件評価部１４は、種々の方法で「条件」Ｄ５を取得してもよい。例えば、条件評価部１４は、実際の事例である訓練データ内からランダムに選択した各データの値を条件としてもよい。また、条件評価部１４は、上述した仮想事例Ｄ３と、その予測Ｄ４について事前に設定された事例毎の目標値（例えば、融資確率＞０．７０など）を達成したことを表すフラグと、の組み合わせを（ｘ，ｙ）としてランダムフォレストを学習し、ランダムフォレストに含まれる決定木の各パスを「条件」Ｄ５として抽出してもよい。なお、「条件」Ｄ５はいかなる方法で生成してもよく、他の装置から取得してもよい。
　ここで、条件評価部１４による「条件」Ｄ５の生成方法の一例をさらに説明する。条件評価部１４は、「素性１＞Ｘ」のような「ＡＮＤ」を含まない単純な形の条件であるアトミック条件をランダムに生成してもよい。例えば、条件評価部１４は、条件Ｄ５に設定されうるデータ項目を素性として一つをランダムに選び、不等号をランダムに選び、さらに閾値Ｘをランダムに選ぶことで、アトミック条件を生成する。また、条件評価部１４は、アトミック条件を複数組み合わせ、例えば、ＡＮＤなどで組み合わせることで、複合条件を生成してもよい。
　そして、条件評価部１４は、図２に示すように、条件評価処理１４’において、各条件Ｄ５について、該当割合Ｄ６と、該当時予測平均Ｄ７と、を算出する。ここで、該当割合Ｄ６は、全ての仮想事例Ｄ３のうち条件Ｄ５を満たす仮想事例の割合を表す。例えば、仮想事例Ｄ３が１０００件の場合に、ある条件Ｄ５を満たす仮想事例Ｄ３が５０件である場合には、該当割合Ｄ６は、５０件／１０００件＝０．０５となる。また、該当時予測平均Ｄ７は、条件Ｄ５に該当する仮想事例Ｄ３の予測Ｄ４である融資確率の統計量を表し、本実施形態では、統計量は平均値であることとする。例えば、条件Ｄ５に該当する各仮想事例Ｄ３の予測Ｄ４である融資確率を加算し、該当する仮想事例Ｄ３の数で割ることで、該当時予測平均Ｄ７を算出する。なお、該当時予測平均Ｄ７は、条件Ｄ５に該当する仮想事例Ｄ３の予測Ｄ４である融資確率の平均値であることに限定されず、条件Ｄ５に該当する仮想事例Ｄ３の予測Ｄ４の最頻出値など、かかる予測Ｄ４の値から算出した統計値であればいかなる値であってもよい。
　条件評価部１４は、図２に示すように、上述したように算出した該当割合Ｄ６や該当時予測平均Ｄ７に基づいて各条件Ｄ５を評価する。このとき、条件評価部１４は、上述したように予測結果が達成すべき「目標」Ｄ２が入力されている場合には、該当時予測平均Ｄ７が目標Ｄ２を満たしているかを判定する達成判定処理１５’を行い、満たしている条件Ｄ５に対して予測目標達成フラグ（ＹＥＳ）を付与して、フラグが付与された条件の出力Ｄ９を行う。例えば、目標Ｄ２が該当時予測平均＞０．８０に設定されている場合には、該当時予測平均Ｄ７が目標Ｄ２を超える条件Ｄ５を出力する。このとき、さらに条件評価部１４は、該当時予測平均Ｄ７の値が高いほど、該当する条件Ｄ５を高く評価してもよい。例えば、目標Ｄ２を満たす条件Ｄ５が複数存在している場合には、該当時予測平均Ｄ７の値が最も高い条件Ｄ５のみを選定して出力してもよい。また、条件評価部１４は、さらに、該当時予測平均Ｄ７と該当割合Ｄ６とが高いほど、該当する条件Ｄ５を高く評価してもよい。例えば、該当時予測平均Ｄ７がほぼ同一の値である条件Ｄ５が複数存在していた場合には、該当割合Ｄ６が高い方の条件Ｄ５を高く評価してもよい。また、該当時予測平均Ｄ７と該当割合Ｄ６とにそれぞれ重みを設定し、かかる重みを考慮して該当時予測平均Ｄ７と該当割合Ｄ６との統計値を算出し、かかる統計値が高いほど該当する条件Ｄ５を高く評価してもよい。
　ここで、条件評価部１４（条件生成部）は、上述した該当割合Ｄ６と該当時予測平均Ｄ７とを考慮して、探索的に「条件」Ｄ５を生成して取得してもよい。このとき、条件評価部１４は、該当割合Ｄ６と該当時予測平均Ｄ７とのいずれか一方あるいは両方が高くなるよう条件Ｄ５を生成してもよい。つまり、条件評価部１４は、例えば上述したようにランダムに生成した複数の複合条件に対してそれぞれ該当割合Ｄ６と該当時予測平均Ｄ７とを算出し、一方あるいは両方が高くなるような条件Ｄ５を生成する。より具体的な一例として、まず、ランダムに生成した複合条件をリストに入れる。そして、リストに含まれる複合条件のうち、該当割合Ｄ６と該当時予測平均Ｄ７が高くなる複合条件を取り出す。さらに、取り出した複合条件の一部を、新たにランダムに生成したアトミック条件で入れ替えることで、新たな複合条件を生成してリストに入れる。そして、かかる処理をリストが事前に定めた閾値を超えるまで繰り返すことで、条件を生成することができる。なお、上述した該当割合Ｄ６と該当時予測平均Ｄ７が高くなる複合条件を取り出す処理については、他の複合条件にパレート優越されていない複合条件を選ぶことで実現することができる。
　条件出力部１５は、上述したように高く評価した条件Ｄ５を出力する。例えば、条件出力部１５は、融資確率の予測を依頼した対象者の属性において、制約Ｄ１を満たす条件Ｄ５のうち最も高く評価した条件Ｄ５を出力する。ここで、条件出力部１５による出力の一例を、図４に示す。図４は、縦軸と横軸に「年収と負債」を取る座標平面上に、制約Ｄ１（性別：男性、年齢：３５歳）を満たし、目標Ｄ２である該当時予測平均を満たす「年収と負債」についての条件Ｄ５をグラフで示している。このとき、対象者の実際の事例「性別：男性、年齢：３５歳、職業：派遣、年収：３００万、負債５００万」が入力データとして入力され、予測モデル１３’を用いた融資確率の予測が目標Ｄ２よりも低く不合格である場合に、図４に示すように、座標平面上の不合格領域に、対象者の情報Ａを表示すると共に、対象者と同一の制約を満たすもっともの評価の良い条件の情報Ｂ「性別：男性、年齢：３５歳、職業：派遣、年収：６００万、負債２００万」を表示する。このとき、対象者の情報Ａと条件の情報Ｂとの差異「年収：６００万（＋３００）、負債３００万（－２００）」を表示するとなおよい。
　これにより、対象者は、自身の属性をどのように改善すべきがを知ることができる。このとき、出力された条件は、評価が良いと判断された仮想事例に基づくものであるため、その信頼性も高いものとなる。その結果、予測モデルの有効利用を図ることができる。
　［動作］
　次に、上述した情報処理装置１０の動作を説明する。ここでは、一例として、上述したように、対象者の属性から住宅ローンなどの融資が受けられる確率の予測を行う状況において、融資可能となるための条件を評価する場合を説明する。
　情報処理装置１０は、事例となる入力データのうち、一部の属性に関する「制約」Ｄ１の入力を受け付ける（図５のステップＳ１）。例えば、本実施形態では、対象者の属性「性別、年齢、職業、年収、負債」のうち、図２に示すように、「性別＝男、年齢＝３５歳」を「制約」Ｄ１として受け付ける。また、情報処理装置１０は、予測が達成すべき「目標」Ｄ２の入力も受け付ける（図５のステップＳ１）。例えば、本実施形態では、図２に示すように、融資確率の達成すべき目標として、融資される可能性が８０％（０．８）の融資確率を目標Ｄ２として受け付ける。
　続いて、情報処理装置１０は、制約Ｄ１を満たす仮想事例Ｄ３を生成する（図５のステップＳ２）。本実施形態では、図２に示すように、実際の事例である入力データを用いて生成された生成モデル１２’を用いて、複数の仮想事例Ｄ３を生成する。例えば、図２に示すように、「性別＝男、年齢＝３５歳」を制約として設定し、他の属性「職業、年収、負債」の値を、制約を条件とする確率分布からサンプリングすることで、複数の仮想事例を生成する。
　続いて、情報処理装置１０は、生成した仮想事例Ｄ３に対する予測を行う（図５のステップＳ３）。本実施形態では、図２に示すように、実際の事例である入力データとその融資結果とを用いて生成された予測モデル１３’を用いて、仮想事例Ｄ３に対する予測Ｄ４である融資確率を出力する。
　続いて、情報処理装置１０は、仮想事例Ｄ３に含まれる制約とは異なる属性について設定された条件Ｄ５を生成する（図５のステップＳ４）。本実施形態では、図２に示すように、仮想事例Ｄ３内の制約「性別：男性、年齢３５歳」以外の属性「職業、年収、負債」のうち１つあるいは複数の組み合わせによって設定された「条件」Ｄ５（リコース）を生成する。なお、情報処理装置１０は、予め設定されている条件Ｄ５を取得してもよく、他の装置などで生成された条件Ｄ５を取得してもよい。
　続いて、情報処理装置１０は、生成した条件Ｄ５を予測Ｄ４に基づいて評価する（図５のステップＳ５）。本実施形態では、情報処理装置１０は、各条件Ｄ５について、該当割合Ｄ６と、該当時予測平均Ｄ７と、を算出する。ここで、該当割合Ｄ６は、全ての仮想事例Ｄ３のうち条件Ｄ５を満たす仮想事例の割合を表す。また、該当時予測平均Ｄ７は、条件Ｄ５に該当する仮想事例Ｄ３の予測Ｄ４である融資確率の統計量を表し、本実施形態では、統計量は平均値であることとする。
　そして、情報処理装置１０は、図２に示すように、該当時予測平均Ｄ７が事前に入力された融資確率の目標Ｄ２を満たす条件Ｄ５を評価し、高く評価した条件Ｄ５を出力する（図５のステップＳ６）。このとき、情報処理装置１０は、該当割合Ｄ６と、該当時予測平均Ｄ７と、の値が高いほどかかる条件を高く評価し、例えば、最も評価の高い条件Ｄ５を出力する。
　その後、情報処理装置１０は、融資確率の予測を依頼する対象者の属性が入力された際に、かかる対象者の属性に基づいて融資確率の予測を行う。このとき、情報処理装置１０は、図４に示すように、対象者の属性の予測結果の情報Ａと、制約を満たす最も評価の高い条件の情報Ｂとを出力する。これにより、対象者は、自身の属性をどのように改善すべきかを知ることができる。このとき、出力された条件は、評価が良いと判断された仮想事例に基づくものであるため、その信頼性も高いものとなる。その結果、予測モデルの有効利用を図ることができ、また、対象者のよりよい意思決定を促すことができる。
　＜実施形態２＞
　次に、本開示の第２の実施形態を、図面を参照して説明する。本実施形態では、上述した実施形態で説明した情報処理装置の医療・ヘルスケア分野への利用例を示す。
　図６に示すように、本実施形態では、対象者Ｕが自身の特性データ（例えば、性別、年齢）に加え、バイタルデータ（例えば、体重、散歩時間）などをネットワークを介して情報処理装置１０に入力し、情報処理装置１０は対象者Ｕの血圧値などの健康状態を表す値を予測することとする。この場合、情報処理装置１０は、対象者Ｕの特性データを上述した制約として設定し、バイタルデータに種々の値を設定した仮想事例を生成する。そして、情報処理装置１０は、仮想事例のうち、制約以外のデータからなる条件を生成して、かかる条件を評価する。このとき、情報処理装置１０は、制約を満たす仮想事例の条件において、血圧値が高くなく適切な値である目標を満たす条件を高く評価する。
　そして、情報処理装置１０は、図６に示すように、対象者Ｕに対して、現在の血圧値が改善して目標を達成するような条件となりうるバイタルデータからなる行動推薦を出力すると共に、その目標となる将来の血圧値の予測値を出力する。一例として、情報処理装置１０は、図７に示すように、行動推薦として、条件（体重：８０ｋｇ→７５ｋｇ、散歩時間：１０分→３０分）を出力し、血圧値の予測値の経時的な推移を出力する。
　なお、上述した情報処理装置１０の利用例は一例であり、いかなる予測を行う場合に利用されてもよい。
　＜実施形態３＞
　次に、本開示の第３の実施形態を、図面を参照して説明する。本実施形態では、上述した実施形態で説明した情報処理装置の構成の概略を示している。
　図８に示すように、本実施形態における情報処理装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１（演算装置）
　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０２（記憶装置）
　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０３（記憶装置）
　・ＲＡＭ１０３にロードされるプログラム群１０４
　・プログラム群１０４を格納する記憶装置１０５
　・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
　・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
　・データの入出力を行う入出力インタフェース１０８
　・各構成要素を接続するバス１０９
　なお、図８は、情報処理装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に限定されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。また、情報処理装置は、上述したＣＰＵの代わりに、ＧＰＵ（Ｇｒａｐｈｉｃ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＭＰＵ（Ｍｉｃｒｏ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＦＰＵ（Ｆｌｏａｔｉｎｇ　ｐｏｉｎｔ　ｎｕｍｂｅｒ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＰＰＵ（Ｐｈｙｓｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＴＰＵ（ＴｅｎｓｏｒＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、量子プロセッサ、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。
　そして、情報処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図９に示す事例生成部１２１と予測部１２２と評価部１２３とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した事例生成部１２１と予測部１２２と評価部１２３とは、かかる手段を実現させるための専用の電子回路で構築されるものであってもよい。
　上記事例生成部１２１は、事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成する。上記予測部１２２は、前記仮想事例に対する予め設定された予測を行う。上記評価部１２３は、前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する。このとき、評価部１２３は、条件に該当する属性を含む仮想事例に対する予測の予め設定された統計量を算出して、当該統計量に基づいて当該条件を評価する。また、評価部１２３は、仮想事例のうち条件を満たす割合をさらに用いて、当該条件を評価する。
　本開示は、以上のように構成されることにより、制約を満たす仮想事例が生成され、かかる仮想事例の条件が、仮想事例の予測に応じて評価される。このため、評価された条件に対応する事例の信頼性の向上を図ることができ、予測モデルの有効利用を図ることができる。
　なお、上述した事例生成部１２１と予測部１２２と評価部１２３との機能のうちの少なくとも一以上の機能は、ネットワーク上のいかなる場所に設置され接続された情報処理装置で実行されてもよく、つまり、いわゆるクラウドコンピューティングで実行されてもよい。
　また、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　以上、上記実施形態等を参照して本開示を説明したが、本開示は、上述した実施形態に限定されるものではない。本開示の構成や詳細には、本開示の範囲内で当業者が理解しうる様々な変更をすることができる。そして、上述した各実施形態は、適宜他の実施形態と組み合わせることができる。
　＜付記＞
　上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本開示における情報処理装置、情報処理方法、プログラムの構成の概略を説明する。但し、本開示は、以下の構成に限定されない。
（付記１）
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成する事例生成部と、
　前記仮想事例に対する予め設定された予測を行う予測部と、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する評価部と、
を備えた情報処理装置。
（付記２）
　付記１に記載の情報処理装置であって、
　前記評価部は、前記条件に該当する属性を含む前記仮想事例に対する前記予測に基づいて当該条件を評価する、
情報処理装置。
（付記３）
　付記２に記載の情報処理装置であって、
　前記評価部は、前記条件に該当する属性を含む前記仮想事例に対する前記予測の予め設定された統計量を算出して、当該統計量に基づいて当該条件を評価する、
情報処理装置。
（付記４）
　付記３に記載の情報処理装置であって、
　前記評価部は、前記予測が所望の結果となりうる確率で出力される場合に、前記統計量が高いほど前記条件に対する評価を高く評価する、
情報処理装置。
（付記５）
　付記１に記載の情報処理装置であって、
　前記評価部は、前記仮想事例のうち前記条件を満たす割合をさらに用いて、当該条件を評価する、
情報処理装置。
（付記６）
　付記５に記載の情報処理装置であって、
　前記評価部は、前記割合が高いほど前記条件に対する評価を高く評価する、
情報処理装置。
（付記７）
　付記４に記載の情報処理装置であって、
　前記評価部は、前記仮想事例のうち前記条件を満たす割合と、前記統計量と、が高いほど、前記条件に対する評価を高く評価する、
情報処理装置。
（付記８）
　付記７に記載の情報処理装置であって、
　前記仮想事例のうち前記条件を満たす割合と、前記統計量と、の少なくとも一方が高くなるよう新たな前記条件を生成する条件生成部を備えた、
情報処理装置。
（付記９）
　付記１に記載の情報処理装置であって、
　前記事例生成部は、１つ以上の説明変数の値が設定された際に、他の説明変数の値を生成するよう事前に訓練された機械学習モデルを用いて前記仮想事例を生成する、
情報処理装置。
（付記１０）
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
　前記仮想事例に対する予め設定された予測を行い、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
情報処理方法。
（付記１１）
　付記１０に記載の情報処理方法であって、
　前記条件に該当する属性を含む前記仮想事例に対する前記予測に基づいて当該条件を評価する、
情報処理方法。
（付記１２）
　付記１１に記載の情報処理方法であって、
　前記条件に該当する属性を含む前記仮想事例に対する前記予測の予め設定された統計量を算出して、当該統計量に基づいて当該条件を評価する、
情報処理方法。
（付記１３）
　付記１０に記載の情報処理方法であって、
　前記仮想事例のうち前記条件を満たす割合をさらに用いて、当該条件を評価する、
情報処理方法。
（付記１４）
　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
　前記仮想事例に対する予め設定された予測を行い、
　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
処理をコンピュータに実行させるためのプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
１０　情報処理装置
１１　入力部
１２　仮想事例生成部
１３　予測部
１４　条件評価部
１５　条件出力部
１６　モデル記憶部
１７　事例記憶部
１００　情報処理装置
１０１　ＣＰＵ
１０２　ＲＯＭ
１０３　ＲＡＭ
１０４　プログラム群
１０５　記憶装置
１０６　ドライブ装置
１０７　通信インタフェース
１０８　入出力インタフェース
１０９　バス
１１０　記憶媒体
１１１　通信ネットワーク
１２１　事例生成部
１２２　予測部
１２３　評価部
 

 

Claims (14)

  1. 　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成する事例生成部と、
    　前記仮想事例に対する予め設定された予測を行う予測部と、
    　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する評価部と、
    を備えた情報処理装置。
  2. 　請求項１に記載の情報処理装置であって、
    　前記評価部は、前記条件に該当する属性を含む前記仮想事例に対する前記予測に基づいて当該条件を評価する、
    情報処理装置。
  3. 　請求項２に記載の情報処理装置であって、
    　前記評価部は、前記条件に該当する属性を含む前記仮想事例に対する前記予測の予め設定された統計量を算出して、当該統計量に基づいて当該条件を評価する、
    情報処理装置。
  4. 　請求項３に記載の情報処理装置であって、
    　前記評価部は、前記予測が所望の結果となりうる確率で出力される場合に、前記統計量が高いほど前記条件に対する評価を高く評価する、
    情報処理装置。
  5. 　請求項１に記載の情報処理装置であって、
    　前記評価部は、前記仮想事例のうち前記条件を満たす割合をさらに用いて、当該条件を評価する、
    情報処理装置。
  6. 　請求項５に記載の情報処理装置であって、
    　前記評価部は、前記割合が高いほど前記条件に対する評価を高く評価する、
    情報処理装置。
  7. 　請求項４に記載の情報処理装置であって、
    　前記評価部は、前記仮想事例のうち前記条件を満たす割合と、前記統計量と、が高いほど、前記条件に対する評価を高く評価する、
    情報処理装置。
  8. 　請求項７に記載の情報処理装置であって、
    　前記仮想事例のうち前記条件を満たす割合と、前記統計量と、の少なくとも一方が高くなるよう新たな前記条件を生成する条件生成部を備えた、
    情報処理装置。
  9. 　請求項１に記載の情報処理装置であって、
    　前記事例生成部は、１つ以上の説明変数の値が設定された際に、他の説明変数の値を生成するよう事前に訓練された機械学習モデルを用いて前記仮想事例を生成する、
    情報処理装置。
  10. 　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
    　前記仮想事例に対する予め設定された予測を行い、
    　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
    情報処理方法。
  11. 　請求項１０に記載の情報処理方法であって、
    　前記条件に該当する属性を含む前記仮想事例に対する前記予測に基づいて当該条件を評価する、
    情報処理方法。
  12. 　請求項１１に記載の情報処理方法であって、
    　前記条件に該当する属性を含む前記仮想事例に対する前記予測の予め設定された統計量を算出して、当該統計量に基づいて当該条件を評価する、
    情報処理方法。
  13. 　請求項１０に記載の情報処理方法であって、
    　前記仮想事例のうち前記条件を満たす割合をさらに用いて、当該条件を評価する、
    情報処理方法。
  14. 　事例に含まれる一部の属性について予め設定された制約を満たすよう仮想事例を生成し、
    　前記仮想事例に対する予め設定された予測を行い、
    　前記仮想事例に含まれる前記制約に該当する属性とは異なる属性について設定された条件を、前記仮想事例に対する前記予測に基づいて評価する、
    処理をコンピュータに実行させるためのプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
     

     
PCT/JP2023/022354 2023-06-16 2023-06-16 情報処理装置、情報処理方法、プログラム Ceased WO2024257324A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2023/022354 WO2024257324A1 (ja) 2023-06-16 2023-06-16 情報処理装置、情報処理方法、プログラム
JP2025527176A JPWO2024257324A1 (ja) 2023-06-16 2023-06-16

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/022354 WO2024257324A1 (ja) 2023-06-16 2023-06-16 情報処理装置、情報処理方法、プログラム

Publications (1)

Publication Number Publication Date
WO2024257324A1 true WO2024257324A1 (ja) 2024-12-19

Family

ID=93851718

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/022354 Ceased WO2024257324A1 (ja) 2023-06-16 2023-06-16 情報処理装置、情報処理方法、プログラム

Country Status (2)

Country Link
JP (1) JPWO2024257324A1 (ja)
WO (1) WO2024257324A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167240A1 (ja) * 2018-03-01 2019-09-06 日本電気株式会社 情報処理装置、制御方法、及びプログラム
WO2020148992A1 (ja) * 2019-01-18 2020-07-23 オムロン株式会社 モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019167240A1 (ja) * 2018-03-01 2019-09-06 日本電気株式会社 情報処理装置、制御方法、及びプログラム
WO2020148992A1 (ja) * 2019-01-18 2020-07-23 オムロン株式会社 モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム

Also Published As

Publication number Publication date
JPWO2024257324A1 (ja) 2024-12-19

Similar Documents

Publication Publication Date Title
JP7007027B2 (ja) 予測システム、モデル生成システム、方法およびプログラム
Fouque et al. Stability in a model of interbank lending
CN108898476A (zh) 一种贷款客户信用评分方法和装置
JP7140410B2 (ja) 予測システム、予測方法および予測プログラム
KR20180041174A (ko) 위험 평가 방법 및 시스템
EP2700049A2 (en) Predictive modeling
Xu Approaches to multi-stage multi-attribute group decision making
Faliszewski et al. Multiwinner Rules with Variable Number of Winners.
CN109272402A (zh) 评分卡的建模方法、装置、计算机设备及存储介质
CN109727116A (zh) 信贷分析方法、装置、设备及计算机可读存储介质
CN114708946B (zh) 一种目标导向性专项能力训练方法及装置
CN115721830A (zh) 助眠音乐的生成方法，装置，计算机设备及存储介质
CN114239741B (zh) 基于证据推理分类器的医疗数据分类方法及相关设备
Alrashoud et al. Cognitive and hierarchical fuzzy inference system for generating next release planning in saas applications
CN107784411A (zh) 模型中关键变量的探测方法及装置
Khedr et al. A new prediction approach for preventing default customers from applying personal loans using machine learning
Zhang et al. Fairness-aware multiobjective evolutionary learning
CN113191877A (zh) 数据特征获取方法、系统及电子设备
JP6875445B2 (ja) 情報処理装置、情報処理方法及びプログラム
CN112132260B (zh) 神经网络模型的训练方法、调用方法、设备及存储介质
CN118297731A (zh) 基于家庭风险管理的保单预测方法、装置、设备和介质
CN116911431A (zh) 数据流动预测模型训练方法、装置、存储介质及设备
Lesniewski et al. Options on infectious diseases
CN121146531B (zh) 决策风险评估方法、装置、设备及存储介质
Ahn et al. An efficient pruning method for decision alternatives of OWA operators

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: 23941626

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025527176

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025527176

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE