WO2025257905A1 - 将来アウトカム予測装置、及び将来アウトカム予測プログラム - Google Patents

将来アウトカム予測装置、及び将来アウトカム予測プログラム

Info

Publication number
WO2025257905A1
WO2025257905A1 PCT/JP2024/021099 JP2024021099W WO2025257905A1 WO 2025257905 A1 WO2025257905 A1 WO 2025257905A1 JP 2024021099 W JP2024021099 W JP 2024021099W WO 2025257905 A1 WO2025257905 A1 WO 2025257905A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
irregularity
unit
learning
future outcome
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.)
Pending
Application number
PCT/JP2024/021099
Other languages
English (en)
French (fr)
Inventor
登夢 冨永
健 倉島
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
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 Nippon Telegraph and Telephone Corp, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Priority to PCT/JP2024/021099 priority Critical patent/WO2025257905A1/ja
Publication of WO2025257905A1 publication Critical patent/WO2025257905A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

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

Definitions

  • the embodiments relate to a future outcome prediction device and a future outcome prediction program.
  • Non-Patent Document 1 proposes a technology for predicting future behavior from a user's behavior log recorded in chronological order. By utilizing the time dependency, interdependence, and periodicity of multiple activities, the technology in Non-Patent Document 1 can predict the probability of a specific behavior occurring in the future with greater accuracy than deep learning-based models such as recurrent neural networks (RNNs).
  • Non-Patent Document 2 proposes a technology for estimating the emotional instability of university students based on data recorded by a sensing device on activity events such as physical activity, conversation, and sleep.
  • Non-Patent Document 3 similar to Non-Patent Document 2, proposes a technology for predicting final exam scores for university students.
  • Non-Patent Document 4 reports that borderline personality disorder can be predicted based on irregular emotional changes in daily life.
  • Non-Patent Documents 1, 2, and 3 predict future outcomes by implicitly deriving likely behavioral patterns from data objectively observed using sensing devices, etc.
  • Non-Patent Document 4 also suggests that irregularities in activity event data are effective in predicting future outcomes.
  • these technologies cannot determine the extent to which the behavioral patterns contained in the activity event data deviate from the behavioral patterns assumed in advance by the observed person or observer, or the extent to which the degree of deviation contributes to the prediction of future outcomes.
  • subjects of observation include, for example, students, patients, app users, and test subjects.
  • observers include, for example, teachers, doctors, app providers, and researchers.
  • Non-Patent Documents 1, 2, and 3 suffer from the problem of not having a mechanism for acquiring behavioral patterns planned in advance by the subject of observation, behavioral patterns predicted in advance by the observer, or behavioral patterns instructed by the observer to the subject. For this reason, as shown in Non-Patent Document 4, even if it is determined whether a behavioral pattern contained in observed activity event data is irregular, it is unclear to the subject or observer whether the behavioral pattern is irregular. Furthermore, it is unclear whether the subject of observation is adhering to the behavioral patterns that they have determined in advance or the behavioral patterns instructed by the observer.
  • the behavioral pattern planned in advance by the subject of observation the behavioral pattern predicted in advance by the observer, or the behavioral pattern instructed to the subject by the observer will be simply referred to as the reference behavioral pattern.
  • activity event data observed after the behavioral pattern planned by the subject of observation, the behavioral pattern predicted by the observer, or the behavioral pattern instructed by the observer will be simply referred to as the observed behavioral pattern.
  • the present invention was made in light of the above circumstances, and its purpose is to provide a means for deriving the irregularity of observed behavior patterns relative to reference behavior patterns and predicting future outcomes from the irregularity of observed behavior patterns relative to reference behavior patterns.
  • the future outcome prediction device includes an irregularity derivation unit configured to be able to derive irregularity data regarding the irregularity of observed behavior data relative to reference behavior data; a learning unit that determines a plurality of parameters for a model structure regarding the relationship between the irregularity data and future outcomes; and a prediction unit that predicts the future outcome for first data, which is the irregularity data of the subject derived by the irregularity derivation unit, based on the determined model structure and the plurality of parameters.
  • the embodiment it is possible to derive the irregularity of observed behavior patterns relative to reference behavior patterns, and provide a means for predicting future outcomes from the irregularity of observed behavior patterns relative to reference behavior patterns.
  • FIG. 1 is a block diagram illustrating an example of the hardware configuration of a future outcome prediction device according to an embodiment.
  • FIG. 2 is a block diagram illustrating an example of the functional configuration of a future outcome prediction device according to an embodiment.
  • FIG. 3 is a flowchart illustrating an example of the learning operation of the future outcome prediction device according to the embodiment.
  • FIG. 4 is a flowchart illustrating an example of the prediction operation of the future outcome prediction device according to the embodiment.
  • FIG. 5 is a diagram illustrating an example of data output in a prediction by a future outcome prediction device according to an embodiment.
  • FIG. 6 is a diagram illustrating an example of data output in a prediction by a future outcome prediction device according to an embodiment.
  • the future outcome prediction device described below is configured to be able to quantify irregularities related to the degree of difference and similarity between an observed behavior pattern and a reference behavior pattern.
  • the future outcome prediction device is also configured to be able to learn the association between the quantified irregularities and future outcomes based on learning data.
  • the future outcome prediction device receives as input reference behavior patterns and observed behavior patterns, which are sequence data about activity events related to a certain subject.
  • the future outcome prediction device then derives the irregularities of the observed behavior patterns relative to the reference behavior patterns.
  • the future outcome prediction device then predicts future outcomes from the derived irregularities of the observed behavior patterns based on the learning results about the associations.
  • the future outcome prediction device interprets how irregularities in observed behavior patterns relative to pre-planned or assumed standard behavior patterns contribute to future outcomes. Based on the interpretation, the future outcome prediction device then predicts future outcomes from the irregularities between the observed behavior patterns and the standard behavior patterns of the person being observed.
  • learning the association between the irregularity of observed behavior patterns relative to reference behavior patterns and future outcomes will also be referred to simply as “learning.”
  • predicting future outcomes from the derived irregularity of observed behavior patterns based on this association will also be referred to simply as “prediction.”
  • Embodiment A future outcome prediction device will be described.
  • Fig. 1 is a block diagram showing an example of the hardware configuration of a future outcome prediction device according to an embodiment.
  • the future outcome prediction device 100 includes a control circuit 11, storage 12, and a user interface 13.
  • the control circuit 11 is a circuit that controls each component of the future outcome prediction device 100 overall.
  • the control circuit 11 includes a CPU (Central Processing Unit), RAM (Random Access Memory), and ROM (Read Only Memory).
  • the ROM of the control circuit 11 stores programs and the like used in various processes in the future outcome prediction device 100.
  • the CPU of the control circuit 11 controls the entire future outcome prediction device 100 in accordance with the programs stored in the ROM of the control circuit 11.
  • the RAM of the control circuit 11 is used as a working area for the CPU of the control circuit 11.
  • Storage 12 may store information used in various processes in the future outcome prediction device 100.
  • the user interface 13 is an interface that handles communication between the user and the control circuit 11.
  • the user interface 13 includes input and output devices.
  • Figure 2 is a block diagram showing an example of the functional configuration of a future outcome prediction device according to an embodiment.
  • solid arrows indicate data transmission and reception between functional components during learning.
  • dotted arrows indicate data transmission and reception between functional components during prediction.
  • the CPU of the control circuit 11 loads the program stored in the ROM of the control circuit 11 or the storage 12 into the RAM of the control circuit 11.
  • the CPU of the control circuit 11 interprets and executes the program loaded into the RAM of the control circuit 11.
  • the functions of the acquisition unit 21, irregularity derivation unit 22, learning unit 23, memory unit 24, prediction unit 25, and output unit 26 are realized in the future outcome prediction device 100.
  • the acquisition unit 21 acquires the subject's baseline behavior data and observed behavior data from outside the future outcome prediction device 100.
  • the acquisition unit 21 transmits this acquired data to the irregularity derivation unit 22, for example, in accordance with a request from the irregularity derivation unit 22.
  • the acquisition unit 21 may also be configured to transmit this data to the irregularity derivation unit 22 in accordance with a request from the prediction unit 25.
  • the reference behavior data and the observed behavior data are, for example, sequence data of reference behavior patterns and observed behavior patterns, respectively.
  • the activity events that are the subject of the reference behavior data and the observed behavior data may be of any type, such as healthcare, education, and household finances.
  • the activity events that are the subject of the reference behavior data and the activity events that are the subject of the observed behavior data may be different from each other or the same.
  • there are no restrictions on the length of the sequence data of the reference behavior data and the observed behavior data there are no restrictions on the length of the sequence data of the reference behavior data and the observed behavior data.
  • the length of the sequence data of the reference behavior data and the length of the sequence data of the observed behavior data may be different from each other or the same.
  • the irregularity derivation unit 22 requests, for example, learning reference behavior data and learning observed behavior data for each of a plurality of subjects from the memory unit 24. In response, the irregularity derivation unit 22 receives these data from the memory unit 24.
  • the learning reference behavior data and learning observed behavior data are included in the learning data described below.
  • the irregularity derivation unit 22 derives irregularity data for the observed behavior data relative to the learning reference behavior data using dynamic programming. Note that the derivation of irregularity data will be described later; the irregularity data is aggregated data on irregularities.
  • the irregularity derivation unit 22 also outputs the derived irregularity data to the learning unit 23.
  • the irregularity derivation unit 22 requests the reference behavior data and observed behavior data received by the acquisition unit 21 from the acquisition unit 21, for example. In response, the irregularity derivation unit 22 receives this data from the acquisition unit 21. Using the received reference behavior data and observed behavior data, the irregularity derivation unit 22 derives irregularity data for the observed behavior data relative to the reference behavior data using dynamic programming. Then, the irregularity derivation unit 22 transmits the derived irregularity data to the prediction unit 25, for example, in response to a request from the prediction unit 25. Furthermore, the irregularity derivation unit 22 transmits data related to the irregularity data (non-aggregated data related to irregularity, described below) to the output unit 26 together with the irregularity data, for example, in response to a request from the output unit 26.
  • data related to the irregularity data non-aggregated data related to irregularity, described below
  • the learning unit 23 receives the irregularity data derived by the irregularity derivation unit 22.
  • the learning unit 23 also requests learning data, described below, from the memory unit 24, for example.
  • the learning unit 23 receives the learning data from the memory unit 24.
  • the learning unit 23 uses this data to learn model parameters for a learning model (a model relating to the relationship between irregularity data and future outcomes) for predicting future outcomes from the irregularity data.
  • This model can be arbitrarily determined, for example, by the subject or the implementer.
  • model parameters will also be simply referred to as parameters. Learning of model parameters will be described later; in parameter learning, the learning unit 23 learns multiple parameters.
  • a set including multiple parameters will be referred to as a parameter set.
  • the learning unit 23 stores the model structure of the trained model, for which parameter learning has been performed as described above, and the trained parameters in the memory unit 24.
  • the storage unit 24 includes a learning data information DB1, a parameter information DB2, and a model structure information DB3.
  • the learning data information DB1 stores learning data that can be analyzed and processed by the future outcome prediction device 100 during learning.
  • the learning data includes, for example, one or more pieces of learning reference behavior data, one or more pieces of learning observed behavior data, and learning future outcome data, stored in association with each subject.
  • the parameter information DB2 stores a set of parameters learned for the learning model by the learning unit 23 during learning.
  • the model structure information DB3 stores the model structure of the model whose parameters have been learned during learning (trained model).
  • the memory unit 24 transmits data contained in the learning data information DB1 to the irregularity derivation unit 22 and the learning unit 23, for example, in accordance with requests from the irregularity derivation unit 22 and the learning unit 23, respectively. Furthermore, during prediction, the memory unit 24 transmits data contained in the parameter information DB2 and the model structure information DB3 to the prediction unit 25, for example, in accordance with requests from the prediction unit 25.
  • the embodiment illustrates an example in which the storage unit 24 stores the learning data information DB1, parameter information DB2, and model structure information DB3, this is not limitative.
  • the learning data information DB1, parameter information DB2, and model structure information DB3 may each be stored in a functional configuration different from each other.
  • the prediction unit 25 When making a prediction, the prediction unit 25 requests irregularity data from, for example, the irregularity derivation unit 22. As a result, the prediction unit 25 receives the irregularity data from the irregularity derivation unit 22. When making a prediction, the prediction unit 25 also requests, for example, the parameter set stored in the parameter information DB2 and the model structure stored in the model structure information DB3 corresponding to the observed subject from the memory unit 24. As a result, the prediction unit 25 receives this data from the memory unit 24. The prediction unit 25 then predicts the subject's future outcome based on the irregularity data, the parameter set, and the model structure. Prediction of future outcomes will be described later. For example, in response to a request from the output unit 26, the prediction unit 25 transmits the predicted future outcome to the output unit 26 together with the parameter set and the model structure.
  • the prediction unit 25 when making a prediction, if the acquisition unit 21 transmits the reference behavior data and observed behavior data received by the acquisition unit 21 to the irregularity derivation unit 22 in accordance with a request from the prediction unit 25, the prediction unit 25 is configured to request the acquisition unit 21 to transmit this data to the irregularity derivation unit 22.
  • the output unit 26 When making a prediction, the output unit 26 requests irregularity data and data related to the irregularity data from, for example, the irregularity derivation unit 22. In response, the output unit 26 receives this data from the irregularity derivation unit 22. The output unit 26 also requests the future outcome, parameter set, and model structure predicted by the prediction unit 25 from, for example, the prediction unit 25. In response, the output unit 26 receives this data from, for example, the prediction unit 25. The output unit 26 then outputs the calculation results, including the data received from the irregularity derivation unit 22 and the prediction unit 25, to the outside of the future outcome prediction device 100. In this way, the output unit 26 presents the calculation results to the subject or implementer as a user.
  • Figure 3 is a flowchart for explaining an example of the learning operation of the future outcome prediction device according to the embodiment.
  • the irregularity derivation unit 22 uses the reference behavior data and observed behavior data in the learning data in the learning data information DB1 to derive irregularity data regarding the irregularity of the observed behavior data relative to the reference behavior data, as described below (S101). Then, processing proceeds to S102.
  • the learning unit 23 uses the irregularity data derived by the irregularity derivation unit 22 and the learning data stored in the learning data information DB1 to learn parameters based on a model for predicting future outcomes, as described below (S102). Then, processing proceeds to S103.
  • the learning unit 23 stores the learned parameter set and the model structure of the trained model in the parameter information DB2 and model structure information DB3, respectively.
  • the above processing completes the learning operation by the future outcome prediction device 100 according to the embodiment.
  • the training data D is defined, for example, as in equation (1) below.
  • a set of observed subjects is set U. Furthermore, the reference behavior data S and observed behavior data T of a certain observed subject u (u ⁇ U) are set as reference behavior data S u and observed behavior data T u , respectively. Furthermore, the future outcome Y of subject u corresponding to the reference behavior data S u and observed behavior data T u is set as future outcome Y u .
  • the future outcome Y u is, for example, a one-dimensional value on any one of a nominal scale, an ordinal scale, an interval scale, and a ratio scale.
  • the value V is an integer of 1 or more.
  • the identifier v is, for example, an identifier for specifying a behavior pattern of the subject u that was planned in advance.
  • the wth observed behavior data T w specified by the identifier w is set as the observed behavior data T uw .
  • the value W is an integer of 1 or more.
  • the identifier w is, for example, an identifier for specifying a date, etc.
  • the irregularity deriving unit 22 derives the irregularity of the observed behavior data Tuw relative to the reference behavior data Suv in the learning data D for the subject u by dynamic programming. More specifically, the irregularity deriving unit 22 calculates the dissimilarity between the reference behavior data Suv and the observed behavior data Tuw by two-dimensional knapsack dynamic programming.
  • the calculation method includes, for example, a method of calculating the dissimilarity as irregularity based on the longest common subsequence problem, and a method of calculating the dissimilarity as irregularity based on the edit distance problem. These methods will be described later.
  • the irregularity deriving unit 22 derives the irregularity X uvw of each observed behavior data T uw for each reference behavior data S uv of each subject u by using either a method based on the longest common subsequence problem or a method based on the edit distance problem.
  • the irregularity derivation unit 22 aggregates the irregularity X uvw derived as described above for the identifier w of the observed behavior data.
  • the aggregated value of the irregularity X uvw may be a basic statistical quantity such as the mean value or variance, and the type of aggregated value is not limited.
  • the number of aggregated values after aggregation for each subject u may be one or more.
  • the type and number of aggregated values may be determined arbitrarily by each of the multiple observed subjects or the observer. For simplicity of explanation, the following describes a case where the aggregated value X uv for subject u is one. Furthermore, the following describes a case where the aggregated value X uv is an average value, as expressed in the following formula (2).
  • the aggregate value X uv is a value that represents the extent to which the vth reference behavior data S uv (reference behavior pattern) designated by the identifier v, which was planned or assumed in advance by the subject u or the implementer, was observed in each of all observed behavior data T uv (observed behavior patterns).
  • the irregularity deriving unit 22 transmits the irregularity data X expressed by the following formula (3) including the aggregated value X uv calculated as above to the learning unit 23 .
  • the reference behavior data S uv can be referred to as event sequence data. Hereinafter, data s i will also be referred to as activity event s i .
  • the type of activity event and the number of data s i may be one or more, and can be determined by the subject u of observation or the observer.
  • the data ti corresponds to an activity event in the observation behavior pattern. That is, the data ti +1 is the activity event that occurred after the data ti .
  • the observation behavior data Tuw can be referred to as event sequence data, similar to the reference behavior data Suv .
  • the data ti will also be referred to as activity event ti .
  • the type of activity event and the number of pieces of data ti may be one or more, and can be determined by the subject u of observation or the observer.
  • the irregularity derivation unit 22 calculates the common subsequence length LCS uvw (i, j) between the sequence data up to the i-th activity event si of the reference behavior data S uv and the sequence data up to the j- th activity event ti of the observed behavior data T uw using the following formula (6):
  • the edit distance problem refers to the problem of calculating the minimum number of operations (insertion, deletion, and substitution) required to make two pieces of sequential data the same when two pieces of sequential data are given. The shorter the edit distance, the lower the dissimilarity between the two pieces of sequential data. In other words, the smaller the minimum number of operations, the lower the dissimilarity between the two pieces of sequential data.
  • the irregularity deriving unit 22 calculates the edit distance EDD uvw (i, j) between the sequence data up to the i-th activity event si of the reference behavior data S uv and the sequence data up to the j-th activity event ti of the observed behavior data T uw using the following formula (8): Note that in the following formula (8), min(a, b, c) means the smallest value among the values a, b, and c.
  • the learning unit 23 uses the learning data D stored in the learning data information DB1 and the irregularity data X derived by the irregularity derivation unit 22 to learn model parameters for predicting future outcomes from irregularity data during prediction, based on the future outcome Y included in the learning data D.
  • the structure of the model to be predicted is a model structure belonging to models that solve classification problems such as binary classification problems.
  • the model structure is a model structure belonging to models that solve regression problems. The following describes the cases when a logistic regression model for solving binary classification problems and a linear regression model for solving regression problems are selected.
  • model structure MD the model structure of the model for predicting future outcomes
  • the parameter set ⁇ of the model structure MD includes (V+1) parameters, as expressed in the following formula (10).
  • the density function f(k u , p u ) of the Bernoulli distribution is expressed by the following formula (12).
  • the likelihood L of the model structure MD is expressed by the following formula (13) using the irregularity data X including the aggregate value X uv and the future outcome Y.
  • the loss function E can be defined as expressed by the following formula (14).
  • the loss function E is partially differentiated with respect to each parameter ⁇ v as expressed by the following equation (15).
  • the probability p u is expressed by the following equation (18) using a sigmoid function ⁇ (x) expressed by the following equation (16) and a value z u expressed by the following equation (17).
  • the learning unit 23 uses a gradient descent method to derive a parameter ⁇ v that minimizes the loss function E.
  • the learning unit 23 derives the optimal parameter ⁇ v by repeatedly calculating the update equation expressed by the following equation (23). As shown in the following equation (23), in each calculation using the update equation, the updated parameter ⁇ v is a value expressed using the parameter ⁇ v before the update and the learning rate ⁇ .
  • the future outcome Y u is expressed by the following formula (24) using the parameter set ⁇ , the irregular data X, and the error term ⁇ u for the subject u, which are expressed by the above formula (10) when the model structure MD for solving the binary classification problem is selected.
  • the parameter set ⁇ that minimizes the magnitude of the error vector e is determined by solving the optimization problem expressed by the following equation (30) using the least squares method. That is, the parameter set ⁇ that minimizes the magnitude of the error vector e is determined as the parameter set ⁇ that minimizes the value of the matrix e T e.
  • the transpose matrix of the matrix A is written as the matrix A T.
  • the loss function E can be defined as the matrix that is the target of the optimization problem in the above equation (30), for example, as expressed in the following equation (31).
  • Figure 4 is a flowchart for explaining an example of the prediction operation of the future outcome prediction device according to the embodiment.
  • the output unit 26 outputs the calculation results, including the irregularity data X, data X', future outcome Y u' , model structure MD, and parameter set ⁇ received from the irregularity derivation unit 22 and the prediction unit 25, to the subject u' or the implementer (S204). Examples of the irregularity data X, data X', and parameter set ⁇ among the calculation results will be described later.
  • the unaggregated data X' on irregularities output by the output unit 26 includes, for a subject u', a plurality of irregularities Xu'vw specified by identifiers v of V pieces of reference behavior data S u' and identifiers w of W pieces of observed behavior data T u' , as shown in FIG. 5 .
  • the present invention is not limited to the above-described embodiments, and various modifications can be made in the implementation stage without departing from the spirit of the invention. Furthermore, the embodiments may be implemented in appropriate combinations, in which case the combined effects can be obtained. Furthermore, the above-described embodiments include various inventions, and various inventions can be extracted by combining selected elements from the disclosed elements. For example, if the problem can be solved and the desired effect can be obtained even if some elements are deleted from all elements shown in the embodiments, the configuration from which these elements are deleted can be extracted as an invention.

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

一実施形態の将来アウトカム予測装置は、基準行動データに対する観察行動データの不規則性についての不規則性データを導出可能に構成される不規則性導出部と、上記不規則性データと将来アウトカムとの関係に関するモデルのモデル構造についての複数のパラメータを決定する学習部と、決定された上記モデル構造、及び上記複数のパラメータに基づいて、上記不規則性導出部によって導出された対象者の上記不規則性データである第１データに対する上記将来アウトカムを予測する予測部と、を備える。

Description

将来アウトカム予測装置、及び将来アウトカム予測プログラム
　実施形態は、将来アウトカム予測装置、及び将来アウトカム予測プログラムに関する。
　近年のセンシング技術の発展により、健康及び医療、教育、家計及び金融、並びにＳＮＳなどの多岐にわたるドメインで、ユーザの様々な活動イベントデータが観測されるようになった。ここで、活動イベントデータとは、ユーザの活動がイベントとして記録された時系列データを指す。より具体的に、健康及び医療のドメインにおける活動イベントデータは、例えば、食事をとること、ジムに行くこと、及び薬を飲むことなどを含む時系列データである。また、教育のドメインにおける活動イベントデータは、例えば、講義等に出席すること、クイズに答えること、及び課題を提出することなどを含む時系列データである。また、家計及び金融のドメインにおける活動イベントデータは、例えば、買い物をすること、及び口座に振り込むことなどを含む時系列データである。また、ＳＮＳのドメインにおける活動イベントデータは、例えば、友人と繋がること、及び返信メッセージを送ることなどを含む時系列データである。これらの活動イベントデータは、ユーザの将来アウトカムを予測するための有用なデータソースとして活用される。将来アウトカムは、将来のユーザの活動又は状態を指す。ユーザの活動又は状態は、例えば、病気が発症した状態、資格等級が昇格した状態、又は目標資産を形成した状態などである。
　活動イベントデータを利用した将来アウトカムの予測は、ユーザに対する適切な介入や支援を提供するために重要である。このため、活動イベントデータを利用した将来アウトカムの予測は、これまでに数多くの研究に積極的に取り組まれてきた。例えば、非特許文献１では、時系列に記録されたユーザ行動ログから将来行動を予測する技術が提案されている。非特許文献１の技術は、複数の活動のそれぞれの時間依存性、相互従属性、及び周期性を利用することで、特定の行動が将来発生する確率を、ＲＮＮ（Recurrent Neural Network）のような深層学習ベースのモデルよりも高精度に予測できる。また、非特許文献２では、大学生を対象として、身体活動、会話、及び睡眠のような活動イベントをセンシングデバイスで記録したデータから、対象者の情緒不安定性を推定する技術が提案されている。また、非特許文献３では、非特許文献２と同様に大学生を対象として、期末試験の成績を予測する技術が提案されている。さらに、非特許文献４では、日常生活における感情変化の不規則性に基づいて、対象者の境界性パーソナリティ障害を予測し得ることが報告されている。
Takeshi Kurashima, Tim Althoff, and Jure Leskovec. 2018. Modeling Interdependent and Periodic Real-World Action Sequences. In Proceedings of the 2018 World Wide Web Conference (WWW '18). pp. 803-812. https://doi.org/10.1145/3178876.3186161. Mehrab Bin Morshed, Koustuv Saha, Richard Li, Sidney K. D'Mello, Munmun De Choudhury, Gregory D. Abowd, and Thomas Plotz. 2019. Prediction of Mood Instability with Passive Sensing. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3, 3, Article 75 (September 2019), 21 pages. （https://doi.org/10.1145/3351233）. Rui Wang, Gabriella Harari, Peilin Hao, Xia Zhou, and Andrew T. Campbell. 2015. SmartGPA: how smartphones can assess and predict academic performance of college students. In Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp '15). Association for Computing Machinery, New York, NY, USA, 295-306. （https://doi.org/10.1145/2750858.2804251）. Trull TJ, Solhan MB, Tragesser SL, Jahng S, Wood PK, Piasecki TM, Watson D. Affective instability: measuring a core feature of borderline personality disorder with ecological momentary assessment. J Abnorm Psychol. 2008 Aug;117(3):647-61. doi: 10.1037/a0012532. PMID: 18729616.
　非特許文献１、非特許文献２、及び非特許文献３で開示されている技術は、センシングデバイス等で客観的に観察されたデータから有力な行動パターンを暗黙的に導出することで、将来アウトカムを予測する。また、非特許文献４では、活動イベントデータの不規則性が将来アウトカムの予測に有効であることが示唆されている。しかしながら、これらの技術では、活動イベントデータに含まれる行動パターンと、観察の対象者又は観察の実施者が事前に想定した行動パターンとがどの程度乖離しているか、及び乖離の程度が将来アウトカムの予測にどの程度寄与するか、を知ることができない。なお、観察の対象者は、例えば、学生、患者、アプリユーザ、及び被験者などである。また、観察の実施者は、例えば、教員、医者、アプリプロバイダ、及び研究者などである。
　すなわち、非特許文献１、非特許文献２、及び非特許文献３で開示されている技術は、あらかじめ観察の対象者が計画した行動パターン、あらかじめ観察の実施者が予想した行動パターン、又は観察の実施者が対象者に指示した行動パターンを取得する仕組みを持たないという問題点を抱えている。このため、非特許文献４に示されるように、観察された活動イベントデータに含まれる行動パターンが不規則であるかどうかが導出されたとしても、対象者や実施者にとって当該行動パターンが不規則であるかどうかは不明である。また、観察の対象者が、事前に自ら定めた行動パターンや、観察の実施者によって指示された行動パターンを遵守しているかどうかも不明である。
　なお、以下では、説明を簡単にするため、あらかじめ観察の対象者が計画した行動パターン、あらかじめ観察の実施者が予想した行動パターン、又は観察の実施者が対象者に指示した行動パターンが、単に基準行動パターンと呼ばれる。また、観察の対象者による行動パターンの計画、実施者による行動パターンの予想、又は観察の実施者による行動パターンの指示の後に観測された活動イベントデータが、単に観察行動パターンと呼ばれる。
　本発明は、上記事情に着目してなされたもので、その目的とするところは、基準行動パターンに対する観察行動パターンの不規則性を導出し、基準行動パターンに対する観察行動パターンの不規則性から将来アウトカムを予測する手段を提供することにある。
　一実施形態の将来アウトカム予測装置は、基準行動データに対する観察行動データの不規則性についての不規則性データを導出可能に構成される不規則性導出部と、上記不規則性データと将来アウトカムとの関係に関するモデルのモデル構造についての複数のパラメータを決定する学習部と、決定された上記モデル構造、及び上記複数のパラメータに基づいて、上記不規則性導出部によって導出された対象者の上記不規則性データである第１データに対する上記将来アウトカムを予測する予測部と、を備える。
　実施形態によれば、基準行動パターンに対する観察行動パターンの不規則性を導出し、基準行動パターンに対する観察行動パターンの不規則性から将来アウトカムを予測する手段を提供することができる。
図１は、実施形態に係る将来アウトカム予測装置のハードウェア構成の一例を示すブロック図である。 図２は、実施形態に係る将来アウトカム予測装置の機能構成の一例を示すブロック図である。 図３は、実施形態に係る将来アウトカム予測装置の学習の動作の一例を説明するためのフローチャートである。 図４は、実施形態に係る将来アウトカム予測装置の予測の動作の一例を説明するためのフローチャートである。 図５は、実施形態に係る将来アウトカム予測装置の予測において出力されるデータの一例を説明するための図である。 図６は、実施形態に係る将来アウトカム予測装置の予測において出力されるデータの一例を説明するための図である。
　以下、図面を参照していくつかの実施形態について説明する。なお、以下の説明において、同一の機能及び構成を有する構成要素については、共通する参照符号を付す。
　以下に説明される将来アウトカム予測装置は、基準行動パターンに対する観察行動パターンの相違度及び類似度に関する不規則性を定量化可能に構成される。また、将来アウトカム予測装置は、学習用データに基づいて、定量化した不規則性と、将来アウトカムとの関連性を学習可能に構成される。そして、将来アウトカム予測装置は、ある対象者に関する活動イベントについての系列データである基準行動パターン及び観察行動パターンを、入力として受信する。そして、将来アウトカム予測装置は、上記基準行動パターンに対する上記観察行動パターンの不規則性を導出する。それから、将来アウトカム予測装置は、導出した観察行動パターンの不規則性から、上記関連性についての学習結果に基づき、将来アウトカムを予測する。
　すなわち、将来アウトカム予測装置は、事前に計画された、又は想定された基準行動パターンに対して観察された観察行動パターンの不規則性から、当該不規則性が将来アウトカムにどのように寄与するかを解釈する。そして、将来アウトカム予測装置は、解釈に基づき、観察の対象者の基準行動パターンと観察行動パターンとの不規則性から将来アウトカムを予測する。
　なお、以下では、基準行動パターンに対する観察行動パターンの不規則性と、将来アウトカムとの関連性を学習することが、単に学習とも呼ばれる。また、以下では、当該関連性に基づき、導出した観察行動パターンの不規則性から将来アウトカムを予測することが、単に予測とも呼ばれる。
　１　実施形態
　実施形態に係る将来アウトカム予測装置について説明する。
　１．１　ハードウェア構成
　まず、実施形態に係る将来アウトカム予測装置１００のハードウェア構成について、図１を用いて説明する。図１は、実施形態に係る将来アウトカム予測装置のハードウェア構成の一例を示すブロック図である。
　将来アウトカム予測装置１００は、制御回路１１、ストレージ１２、及びユーザインタフェース１３を含む。
　制御回路１１は、将来アウトカム予測装置１００の各構成要素を全体的に制御する回路である。制御回路１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、及びＲＯＭ（Read Only Memory）等を含む。制御回路１１のＲＯＭは、将来アウトカム予測装置１００における各種処理で使用されるプログラム等を記憶する。制御回路１１のＣＰＵは、制御回路１１のＲＯＭに記憶されるプログラムにしたがって、将来アウトカム予測装置１００の全体を制御する。制御回路１１のＲＡＭは、制御回路１１のＣＰＵの作業領域として使用される。
　ストレージ１２は、将来アウトカム予測装置１００における各種処理で使用される情報を記憶し得る。
　ユーザインタフェース１３は、ユーザと制御回路１１との間の通信を司るインタフェースである。ユーザインタフェース１３は、入力機器及び出力機器を含む。
　１．２　機能構成
　将来アウトカム予測装置１００の機能構成について図２を用いて説明する。図２は、実施形態に係る将来アウトカム予測装置の機能構成の一例を示すブロック図である。なお、図２では、学習の際の機能構成間のデータの送受信が実線の矢印で示される。また、図２では、予測の際の機能構成間のデータの送受信が点線の矢印で示される。
　制御回路１１のＣＰＵは、制御回路１１のＲＯＭ又はストレージ１２に記憶されたプログラムを制御回路１１のＲＡＭに展開する。そして、制御回路１１のＣＰＵは、制御回路１１のＲＡＭに展開されたプログラムを解釈及び実行する。これにより、将来アウトカム予測装置１００において、取得部２１、不規則性導出部２２、学習部２３、記憶部２４、予測部２５、及び出力部２６の機能が実現される。
　取得部２１は、予測の際に、将来アウトカム予測装置１００の外部から、対象者の基準行動データ、及び観察行動データを取得する。取得部２１は、例えば、不規則性導出部２２の要求にしたがって、取得したこれらのデータを不規則性導出部２２に送信する。なお、図２には図示されないが、取得部２１は、予測部２５の要求にしたがって、これらのデータを不規則性導出部２２に送信するように構成されてもよい。
　基準行動データ及び観察行動データはそれぞれ、例えば、基準行動パターン及び観察行動パターンの系列データである。基準行動データ及び観察行動データそれぞれの対象とされる活動イベントは、ヘルスケア、教育、及び家計等の任意の種類であってよい。また、基準行動データの対象とされる活動イベントと、観察行動データの対象とされる活動イベントとは、互いに異なっていても、同じであってもよい。また、基準行動データ及び観察行動データの系列データの長さは制限されるものではない。また、基準行動データの系列データの長さと、観察行動データの系列データの長さとは、互いに異なっていても、同じであってもよい。
　不規則性導出部２２は、学習の際に、例えば、記憶部２４に対して、複数の対象者それぞれについての、学習用の基準行動データ、及び学習用の観察行動データを要求する。これにより、不規則性導出部２２は、記憶部２４から、これらのデータを受信する。学習用の基準行動データ、及び学習用の観察行動データは、後述する学習用データに含まれる。不規則性導出部２２は、各対象者に対して、学習用の基準行動データ、及び学習用の観察行動データを用いて、当該基準行動データに対する当該観察行動データについての不規則性データを、動的計画法を用いて導出する。なお、不規則性データの導出については後述するが、不規則性データは、不規則性についての集約されたデータである。また、不規則性導出部２２は、導出した不規則性データを、学習部２３に出力する。
　また、不規則性導出部２２は、予測の際に、例えば、取得部２１に対して、取得部２１が受信した基準行動データ、及び観察行動データを要求する。これにより、不規則性導出部２２は、これらのデータを取得部２１から受信する。不規則性導出部２２は、受信した当該基準行動データ、及び当該観察行動データを用いて、当該基準行動データに対する当該観察行動データについての不規則性データを、動的計画法を用いて導出する。そして、不規則性導出部２２は、例えば、予測部２５の要求にしたがって、導出した不規則性データを、予測部２５に送信する。また、不規則性導出部２２は、例えば、出力部２６の要求にしたがって、不規則性データに関するデータ（後述する、不規則性に関する集約されていないデータ）を、不規則性データとともに、出力部２６に送信する。
　学習部２３は、学習の際に、不規則性導出部２２によって導出された不規則性データを受信する。また、学習部２３は、例えば、記憶部２４に対して、後述する学習用データを要求する。これにより、学習部２３は、記憶部２４から、学習用データを受信する。学習部２３は、これらのデータを用いて、不規則性データから将来アウトカムを予測するための学習用のモデル（不規則性データと将来アウトカムとの関係に関するモデル）について、モデルパラメータを学習する。当該モデルは、例えば、対象者又は実施者によって任意に決定され得る。以下では、モデルパラメータが、単にパラメータとも呼ばれる。モデルパラメータの学習については後述するが、パラメータの学習において、学習部２３は複数のパラメータを学習する。以下では、複数のパラメータを含む集合が、パラメータ集合と呼ばれる。学習部２３は、上述のようにパラメータの学習が実行された学習済みモデルのモデル構造と、学習したパラメータとを、記憶部２４に格納する。
　記憶部２４は、学習データ情報ＤＢ１、パラメータ情報ＤＢ２、及びモデル構造情報ＤＢ３を含む。学習データ情報ＤＢ１には、学習の際に将来アウトカム予測装置１００によって解析及び処理され得る学習用データが格納される。学習用データには、例えば、１つ以上の学習用の基準行動データ、１つ以上の学習用の観察行動データ、及び学習用の将来アウトカムデータが、対象者ごとに対応付けられて格納される。パラメータ情報ＤＢ２には、学習の際に学習部２３によって学習用のモデルについて学習したパラメータ集合が格納される。モデル構造情報ＤＢ３には、学習の際にパラメータが学習されたモデル（学習済みモデル）のモデル構造が格納される。
　記憶部２４は、学習の際に、例えば、不規則性導出部２２、及び学習部２３それぞれの要求にしたがって、学習データ情報ＤＢ１に含まれるデータを、不規則性導出部２２、及び学習部２３に送信する。また、記憶部２４は、予測の際に、例えば、予測部２５の要求にしたがって、パラメータ情報ＤＢ２、及びモデル構造情報ＤＢ３に含まれるデータを、予測部２５に送信する。
　なお、実施形態では、記憶部２４が学習データ情報ＤＢ１、パラメータ情報ＤＢ２、及びモデル構造情報ＤＢ３を格納する例が示されるが、これに限られない。学習データ情報ＤＢ１、パラメータ情報ＤＢ２、及びモデル構造情報ＤＢ３はそれぞれ、互いに異なる機能構成に格納されてもよい。
　予測部２５は、予測の際に、例えば、不規則性導出部２２に対して、不規則性データを要求する。これにより、予測部２５は、不規則性導出部２２から、不規則性データを受信する。また、予測部２５は、予測の際に、例えば、記憶部２４に対して、観察の対象者に対応する、パラメータ情報ＤＢ２に記憶されたパラメータ集合、及びモデル構造情報ＤＢ３に記憶されたモデル構造を要求する。これにより、予測部２５は、記憶部２４から、これらのデータを受信する。そして、予測部２５は、不規則性データ、上記パラメータ集合、及び上記モデル構造に基づいて、対象者の将来アウトカムを予測する。将来アウトカムの予測については後述する。予測部２５は、例えば、出力部２６の要求にしたがって、予測した将来アウトカムを、上記パラメータ集合、及び上記モデル構造とともに、出力部２６に送信する。
　なお、上述のように、予測の際に、取得部２１が、予測部２５の要求にしたがって、取得部２１が受信した基準行動データ、及び観察行動データを、不規則性導出部２２に送信する場合、予測部２５は、これらのデータを不規則性導出部２２に送信することを、取得部２１に要求するように構成される。
　出力部２６は、予測の際に、例えば、不規則性導出部２２に対して、不規則性データ、及び不規則性データに関するデータを要求する。これにより、出力部２６は、不規則性導出部２２から、これらのデータを受信する。また、出力部２６は、例えば、予測部２５に対して、予測部２５によって予測された将来アウトカム、パラメータ集合、及びモデル構造を要求する。これにより、出力部２６は、例えば、予測部２５から、これらのデータを受信する。そして、出力部２６は、不規則性導出部２２及び予測部２５から受信したデータを含む算出結果を、将来アウトカム予測装置１００の外部に出力する。以上により、出力部２６は、算出結果を、ユーザとしての対象者又は実施者に提示する。
　１．３　動作
　次に、実施形態に係る将来アウトカム予測装置１００の動作について説明する。以下では、将来アウトカム予測装置１００を用いた学習及び予測の動作が、この順に説明される。
　１．３．１　学習の全体的な流れ
　まず、実施形態に係る将来アウトカム予測装置１００による学習の動作の全体的な流れについて、図３を用いて説明する。図３は、実施形態に係る将来アウトカム予測装置の学習の動作の一例を説明するためのフローチャートである。
　将来アウトカム予測装置１００の学習の動作が開始すると（開始）、不規則性導出部２２は、学習データ情報ＤＢ１の学習データ内の基準行動データ、及び観察行動データを用いて、後述するように、基準行動データに対する観察行動データの不規則性についての不規則性データを導出する（Ｓ１０１）。そして、処理はＳ１０２に進む。
　学習部２３は、不規則性導出部２２によって導出された不規則性データ、及び学習データ情報ＤＢ１に記憶されている学習用データを用いて、後述するように、将来アウトカムを予測するためのモデルに基づき、パラメータを学習する（Ｓ１０２）。そして、処理はＳ１０３に進む。
　学習部２３は、学習したパラメータ集合、及び学習済みモデルのモデル構造をそれぞれ、パラメータ情報ＤＢ２、及びモデル構造情報ＤＢ３に格納する。
　以上の処理により、実施形態に係る将来アウトカム予測装置１００による学習の動作が終了する。
　１．３．１．１　不規則性データの導出
　Ｓ１０１の処理における不規則性データの導出について説明する。
　まず、不規則性データの導出において用いられる学習用データＤが説明される。
　学習用データＤは、例えば、下記式（１）のように定義される。
　なお、上記式（１）において、観察の対象者の集合が集合Ｕとされる。また、ある観察の対象者ｕ（ｕ∈Ｕ）の基準行動データＳ及び観察行動データＴがそれぞれ、基準行動データＳｕ及び観察行動データＴｕとされる。また、基準行動データＳｕ及び観察行動データＴｕに対応する対象者ｕの将来アウトカムＹが将来アウトカムＹｕとされる。将来アウトカムＹｕは、例えば、名義尺度、順序尺度、間隔尺度、及び比例尺度のうちのいずれかの一次元の値である。
　実施形態の学習用データＤにおいて、対象者ｕに対して、複数の基準行動データＳｕ、及び複数の観察行動データＴｕが登録され得る。つまり、対象者ｕのＶ個の基準行動データＳｕの識別子（値）ｖ（ｖ＝１、２、…、及びＶ）を用いて、識別子ｖによって指定されるｖ番目の基準行動データＳｕが、基準行動データＳｕｖとされる。値Ｖは１以上の整数である。識別子ｖは、例えば、事前に計画されていた、対象者ｕの行動パターンを指定するための識別子である。また、対象者ｕのＷ個の観察行動データＴｕの識別子（値）ｗ（ｗ＝１、２、…、及びＷ）を用いて、識別子ｗによって指定されるｗ番目の観察行動データＴｗが、観察行動データＴｕｗとされる。値Ｗは１以上の整数である。識別子ｗは、例えば、日付等を指定するための識別子である。
　不規則性導出部２２は、対象者ｕについて、学習用データＤ内の基準行動データＳｕｖに対する観察行動データＴｕｗの不規則性を動的計画法によって導出する。より具体的に、不規則性導出部２２は、二次元ナップサック動的計画法によって基準行動データＳｕｖ及び観察行動データＴｕｗの相違度を算出する。当該算出の方法は、例えば、最長共通部分列問題に基づいて、相違度を不規則性として算出する方法、及び編集距離問題に基づいて、相違度を不規則性として算出する方法を含む。これらの方法については後述する。
　不規則性導出部２２は、最長共通部分列問題に基づく方法、及び編集距離問題に基づく方法のうちいずれかの方法によって、各対象者ｕの各基準行動データＳｕｖに対する各観察行動データＴｕｗの不規則性Ｘｕｖｗを導出する。不規則性導出部２２は、このような不規則性Ｘｕｖｗの導出を、全ての対象者ｕ（∀ｕ∈Ｕ）、全ての基準行動データの識別子ｖ（ｖ＝１、２、…、及びＶ）、並びに全ての観察行動データの識別子ｗ（ｗ＝１、２、…、Ｗ）に対して実行する。
　不規則性導出部２２は、上記のように導出した不規則性Ｘｕｖｗを、観察行動データの識別子ｗについて集約する。不規則性Ｘｕｖｗの集約値は、平均値や分散など基本的な統計量であればよく、集約値の種類は限定されない。また、各対象者ｕの集約後の集約値の個数は１つ以上であればよい。集約値の種類及び個数は、複数の観察の対象者の各々や実施者によって任意に定められ得る。以下では、説明を簡単にするため、対象者ｕの集約値Ｘｕｖが１つである場合が説明される。また、下記式（２）で表されるように、集約値Ｘｕｖが平均値である場合が説明される。
　集約値Ｘｕｖは、対象者ｕ又は実施者によって、事前に計画された、又は想定された、識別子ｖによって指定されるｖ番目の基準行動データＳｕｖ（基準行動パターン）が、全ての観察行動データＴｕｖ（観察行動パターン）それぞれにおいて、どの程度遵守されたかどうかを表現する値となる。
　不規則性導出部２２は、上記のように算出した集約値Ｘｕｖを含む、下記式（３）で表される不規則性データＸを学習部２３に送信する。
　１．３．１．１．１　最長共通部分列問題に基づく相違度（不規則性Ｘｕｖｗ）の算出
　最長共通部分列問題は、２つの系列データが与えられた時に、２つの系列データ間でデータが共通する、共通部分列を特定する問題を指す。共通部分列長が短いほど、２つの系列データの相違度は高いとされる。
　基準行動データＳｕｖは、下記式（４）で表される。すなわち、基準行動データＳｕｖは、識別子（値）ｉ（ｉ＝１、２、…、Ｍ）によって指定される、Ｍ個のデータｓｉを含む。値Ｍは１以上の整数である。データｓｉは、基準行動パターンにおけるｉ番目の活動イベントに対応する。すなわち、データｓｉ＋１は、データｓｉの次に発生した活動イベントである。基準行動データＳｕｖは、イベント系列データということができる。以下では、データｓｉが、活動イベントｓｉとも呼ばれる。なお、上述のように、基準行動データＳｕｖにおいて、活動イベントの種類、及びデータｓｉの個数は１以上であればよく、観察の対象者ｕ又は実施者が定めることができる。
　また、観察行動データＴｕｗは、下記式（５）で表される。すなわち、観察行動データＴｕｗは、識別子（値）ｊ（ｊ＝１、…、Ｎ）によって指定される、Ｎ個のデータｔｉを含む。値Ｎは１以上の整数である。データｔｉは、観察行動パターンにおける活動イベントに対応する。すなわち、データｔｉ＋１は、データｔｉの次に発生した活動イベントである。観察行動データＴｕｗは、基準行動データＳｕｖと同様に、イベント系列データということができる。以下では、データｔｉが、活動イベントｔｉとも呼ばれる。なお、上述のように、観察行動データＴｕｗにおいて、活動イベントの種類、及びデータｔｉの個数は１以上であればよく、観察の対象者ｕ又は実施者が定めることができる。
　不規則性導出部２２は、基準行動データＳｕｖのｉ番目の活動イベントｓｉまでの系列データと、観察行動データＴｕｗのｊ番目の活動イベントｔｉまでの系列データとの共通部分列長ＬＣＳｕｖｗ（ｉ，ｊ）を、下記式（６）を用いて算出する。
　不規則性導出部２２は、識別子Ｍ（ｉ＝Ｍ）及び識別子Ｎ（ｊ＝Ｎ）によって得られる共通部分列長ＬＣＳｕｖｗ（Ｍ，Ｎ）を、下記式（７）のように、基準行動データＳｕｖに対する観察行動データＴｕｗの不規則性Ｘｕｖｗとする。
　１．３．１．１．２　編集距離問題に基づく相違度（不規則性Ｘｕｖｗ）の算出
　編集距離問題は、２つの系列データが与えられた時に、２つの系列データを同じデータにするために必要な操作（挿入、削除、及び置換）の最小回数を算出する問題を指す。編集距離が短いほど、２つの系列データの相違度は低いとされる。すなわち、上記最小回数が小さいほど、２つの系列データの相違度は低いとされる。
　不規則性導出部２２は、基準行動データＳｕｖのｉ番目の活動イベントｓｉまでの系列データと、観察行動データＴｕｗのｊ番目の活動イベントｔｉまでの系列データとの編集距離ＥＤＤｕｖｗ（ｉ，ｊ）を、下記式（８）を用いて算出する。なお、下記式（８）においてｍｉｎ（ａ，ｂ，ｃ）は、値ａ、ｂ、及びｃのうち最小の値であることを意味する。
　不規則性導出部２２は、識別子Ｍ（ｉ＝Ｍ）及び識別子Ｎ（ｊ＝Ｎ）によって得られる編集距離ＥＤＤｕｖｗ（Ｍ，Ｎ）を、下記式（９）のように、基準行動データＳｕｖに対する観察行動データＴｕｗの不規則性Ｘｕｖｗとする。
　１．３．１．２　パラメータの学習
　Ｓ１０２の処理におけるパラメータの学習について説明する。
　パラメータの学習において、学習部２３は、学習データ情報ＤＢ１に記憶された学習用データＤ、及び不規則性導出部２２によって導出された不規則性データＸを用いて、学習用データＤに含まれる将来アウトカムＹに基づき、予測の際に不規則性データから将来アウトカムを予測するためのモデルのパラメータを学習する。ただし、将来アウトカムＹが名義尺度の場合は、予測するモデルの構造は、二値分類問題等の分類問題を解くモデルに属するモデル構造とされる。また、将来アウトカムＹが順序尺度、間隔尺度、又は比例尺度である場合は、回帰問題を解くモデルに属するモデル構造とされる。以下では、二値分類問題を解くためのロジスティック回帰モデルが選択された場合、及び回帰問題を解くための線形回帰モデルが選択された場合が説明される。
　以下では、将来アウトカムを予測するためのモデルのモデル構造が、単にモデル構造ＭＤと呼ばれる。
　１．３．１．２．１　二値分類問題を解くためのモデル構造が選択された場合
　二値分類問題を解くためのモデル構造が選択された場合におけるパラメータの学習について説明する。
　まず、二値分類問題を解くためのモデル構造ＭＤについて説明する。
　対象者ｕの将来アウトカムＹｕは、例えば、０又は１の二値で表現される（Ｙｕ：＝｛０，１｝）。学習部２３は、下記式（１０）で表されるモデル構造ＭＤのパラメータ集合θ、及び集約値Ｘｕｖに基づき、下記式（１１）で表される、将来アウトカムＹｕが１となる（Ｙｕ＝１）確率ｐｕを推定する。モデル構造ＭＤのパラメータ集合θは、下記式（１０）で表されるように、（Ｖ＋１）個のパラメータを含む。
　ここで、将来アウトカムＹｕを二値の確率変数とみなし、その実現値を実現値ｋｕとした時のベルヌーイ分布の密度関数ｆ（ｋｕ，ｐｕ）は、下記式（１２）で表される。これにより、集約値Ｘｕｖを含む不規則性データＸ、及び将来アウトカムＹを用いて、モデル構造ＭＤの尤度Ｌは、下記式（１３）で表される。また、尤度Ｌに基づき、損失関数Ｅを、下記式（１４）で表されるように、定義することができる。
　パラメータの学習では、上記損失関数Ｅを最小化するパラメータ集合θを導出する。
　より具体的に、まず、下記式（１５）で表されるように、損失関数Ｅを各パラメータθｖで偏微分する。
　ここで、上記確率ｐｕは、下記式（１６）で表されるシグモイド関数σ（ｘ）、及び下記式（１７）で表される値ｚｕを用いて、下記式（１８）で表される。
　また、下記式（１９）で表される上記シグモイド関数σ（ｘ）の変数ｘでの微分の結果を利用して、確率ｐｕ、及び将来アウトカムＹｕが０となる（Ｙｕ＝０）確率（１－ｐｕ）それぞれの対数のパラメータθｖでの偏微分の値は、下記式（２０）及び下記式（２１）で表される。
　上記式（１５）で表される損失関数Ｅの偏微分の値は、上記式（２０）及び上記式（２１）を用いて、下記式（２２）で表される。
　損失関数Ｅの偏微分の値∂Ｅ／∂θｖが０（∂Ｅ／∂θｖ＝０）になるパラメータθｖを解析に求めることはできない。このため、学習部２３は、パラメータの学習において、勾配降下法を用いて、損失関数Ｅを最小化するパラメータθｖを導出する。
　より具体的に、学習部２３は、下記式（２３）で表される更新式を繰り返し演算することで、最適なパラメータθｖを導出する。下記式（２３）に示されるように、更新式を用いた各演算において、更新後のパラメータθｖは、更新前のパラメータθｖ、及び学習率αを用いて表される値とされる。
　なお、学習を収束させるために、学習率αは、例えば、０．０１等の値に設定される（α＝０．０１）。しかしながら、これに限られず、学習率αは、各対象者ｕ、又は実施者によって任意に設定され得る。
　１．３．１．２．２　回帰問題を解くためのモデル構造が選択された場合
　回帰問題を解くためのモデル構造が選択された場合におけるパラメータの学習について説明する。
　まず、回帰問題を解くためのモデル構造ＭＤについて説明する。
　当該モデル構造ＭＤにおいて、将来アウトカムＹｕは、二値分類問題を解くためのモデル構造ＭＤが選択された場合の上記式（１０）で表されるパラメータ集合θ、不規則性データＸ、及び対象者ｕについての誤差項εｕを用いて、下記式（２４）で表される。
　全ての対象者ｕ（ｕ∈Ｕ）についての将来アウトカムＹは、下記式（２５）、下記式（２６）、下記式（２７）、及び下記式（２８）で表される行列式を用いて、下記式（２９）の行列式で表される。
　誤差ベクトルｅの大きさを最小化するパラメータ集合θは、最小二乗法により、下記式（３０）で表される最適化問題を解くことで決定されることが知られている。すなわち、誤差ベクトルｅの大きさを最小化するパラメータ集合θは、行列ｅＴｅの値が最小となるパラメータ集合θと決定される。なお、実施形態において、行列Ａについての転置行列が、行列ＡＴと記載される。
　なお、損失関数Ｅは、例えば、下記式（３１）で表されるように、上記式（３０）において最適化問題の対象とされる行列である、と定義することができる。
　学習部２３は、パラメータ集合θについての損失関数Ｅの右辺の偏微分が０になるパラメータ集合θを、下記式（３２）に基づいて導出する。
　これにより、学習部２３は、下記式（３３）で表される最適なパラメータ集合θを導出数する。
　１．３．２　予測の全体的な流れ
　次に、実施形態に係る将来アウトカム予測装置１００による予測の動作の全体的な流れについて、図４を用いて説明する。図４は、実施形態に係る将来アウトカム予測装置の予測の動作の一例を説明するためのフローチャートである。
　将来アウトカム予測装置１００の予測の動作が開始すると（開始）、取得部２１は、将来アウトカム予測装置１００の外部から、観察の対象者ｕ’の基準行動データＳｕ’、及び観察行動データＴｕ’を受信する（Ｓ２０１）。受信する基準行動データＳｕ’の個数、及び観察行動データＴｕ’の個数はそれぞれ１個以上であればよく、複数個であってよい。また、取得部２１は、例えば、受信した基準行動データＳｕ’、及び観察行動データＴｕ’を、不規則性導出部２２又は予測部２５の要求に基づいて、不規則性導出部２２に送信する。そして、処理はＳ２０２に進む。
　不規則性導出部２２は、取得部２１が取得した基準行動データＳｕ’、及び観察行動データＴｕ’を用いて、対象者ｕ’についての不規則性データＸを導出する（Ｓ２０２）。不規則性データＸの導出は、将来アウトカム予測装置１００の外部から取得した対象者ｕ’についての基準行動データＳｕ’、及び観察行動データＴｕ’が用いられることを除き、学習における不規則性データＸの導出と同様である。不規則性導出部２２は、導出した上記式（３）で表される不規則性データＸを、予測部２５に送信する。また、不規則性導出部２２は、下記式（３４）で表される、不規則性に関する集約されていないデータＸ’を、不規則性データＸとともに、出力部２６に送信する。そして、処理はＳ２０３に進む。
　予測部２５は、モデル構造情報ＤＢ３から、対象者ｕ’の不規則性データＸに対応する学習済みモデルのモデル構造ＭＤを受信する。また、予測部２５は、記憶部２４のパラメータ情報ＤＢ２から、当該モデル構造ＭＤに対応する、学習したパラメータ集合θを受信する。予測部２５は、不規則性導出部２２によって導出された不規則性データＸ、上記学習済みモデルのモデル構造ＭＤ、及び上記パラメータ集合θを用いて、後述するように、将来アウトカムＹｕ’を予測する（Ｓ２０３）。予測部２５は、例えば、予測した将来アウトカムＹｕ’を、モデル構造ＭＤ、及びパラメータ集合θとともに、出力部２６に送信する。そして、処理はＳ２０４に進む。
　出力部２６は、例えば、不規則性導出部２２及び予測部２５から受信した、不規則性データＸ、データＸ’、将来アウトカムＹｕ’、モデル構造ＭＤ、及びパラメータ集合θを含む算出結果を、対象者ｕ’又は実施者に対して出力する（Ｓ２０４）。算出結果のうち、不規則性データＸ、データＸ’、及びパラメータ集合θの例については、後述する。
　以上の処理により、実施形態に係る将来アウトカム予測装置１００による予測の動作が終了する。
　１．３．２．１　将来アウトカムの予測
　Ｓ２０３の処理における将来アウトカムの予測について説明する。
　将来アウトカムが二値で表される名義尺度である場合、予測部２５は、下記式（３５）を用いて将来アウトカムＹｕ’を予測する。
　また、将来アウトカムが順序尺度、間隔尺度、又は比例尺度である場合、予測部２５は、下記式（３６）を用いて、将来アウトカムＹｕ’を予測する。
　以上のようにして、予測部２５は、将来アウトカムＹｕ’を予測する。
　１．３．２．２　算出結果の例
　Ｓ２０４の処理における算出結果の例について説明する。以下では、不規則性データＸ、データＸ’、及びパラメータ集合θが、図５及び図６を用いて、例示される。図５及び図６は、実施形態に係る将来アウトカム予測装置の予測において出力されるデータの一例を説明するための図である。
　出力部２６が出力する、不規則性に関する集約されていないデータＸ’は、対象者ｕ’について、図５に示すように、Ｖ個の基準行動データＳｕ’の識別子ｖ、及びＷ個の観察行動データＴｕ’の識別子ｗにより指定される複数の不規則性Ｘｕ’ｖｗを含む。
　出力部２６が出力するパラメータ集合θは、図６に示すように、Ｖ個の基準行動データＳｕ’の識別子ｖに対応するＶ個のパラメータθｖ、及び１個のパラメータθ０を有する、（Ｖ＋１）個のパラメータを含む。
　また、出力部２６が出力する、不規則性データＸは、図６に示すように、（Ｖ＋１）個のパラメータθ０～θＶそれぞれに対応する（Ｖ＋１）個の集約値を含む。より具体的に、パラメータθ１～θＶに対応する集約値は、集約値Ｘｕ’１～Ｘｕ’Ｖである。また、パラメータθ０に対応する集約値は、例えば、１である。
　１．４　実施形態に係る効果
　実施形態によれば、基準行動パターンに対する観察行動パターンの不規則性を導出し、基準行動パターンに対する観察行動パターンの不規則性から将来アウトカムを予測する手段を提供することができる。以下、この効果について説明する。
　実施形態に係る将来アウトカム予測装置１００は、不規則性導出部２２、学習部２３、及び予測部２５を含む。不規則性導出部２２は、基準行動データに対する観察行動データの不規則性についての不規則性データを導出可能に構成される。学習部２３は、不規則性データと将来アウトカムとの関係に関するモデルのモデル構造についての複数のパラメータを決定する。予測部２５は、決定された上記モデル構造、及び上記複数のパラメータに基づいて、不規則性導出部２２によって導出された対象者ｕ’の不規則性データに対する将来アウトカムを予測する。以上のような構成により、対象者や観察者は、あらかじめ観察の対象者が計画した行動パターン、観察の実施者が予想した行動パターン、又は観察の実施者が対象者に指示した行動パターンに対して、実際に観察された行動パターンがどの程度不規則であるか（不規則性）を知ることができる。また、対象者や観察者は、当該不規則性がどの程度将来アウトカムの予測に寄与するかを知ることができる。
　２　その他
　なお、本発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は適宜組合せて実施してもよく、その場合組合せた効果が得られる。更に、上記実施形態には種々の発明が含まれており、開示される複数の構成要件から選択された組合せにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、課題が解決でき、効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
　１０…将来アウトカム予測装置
　１１…制御回路
　１２…ストレージ
　１３…ユーザインタフェース
　２１…取得部
　２２…不規則性導出部
　２３…学習部
　２４…記憶部
　２５…予測部
　２６…出力部
　ＤＢ１…学習データ情報
　ＤＢ２…パラメータ情報
　ＤＢ３…モデル構造情報

Claims (4)

  1. 　基準行動データに対する観察行動データの不規則性についての不規則性データを導出可能に構成される不規則性導出部と、
    　前記不規則性データと将来アウトカムとの関係に関するモデルのモデル構造についての複数のパラメータを決定する学習部と、
    　決定された前記モデル構造、及び前記複数のパラメータに基づいて、前記不規則性導出部によって導出された対象者の前記不規則性データである第１データに対する前記将来アウトカムを予測する予測部と、
    　を備える、
    　将来アウトカム予測装置。
  2. 　前記不規則性導出部は、動的計画法を用いて、前記不規則性データを導出するように構成される、
    　請求項１記載の将来アウトカム予測装置。
  3. 　前記対象者についての、前記基準行動データ、及び前記観察行動データとしてそれぞれ、第２データ及び第３データを取得する取得部と、
    　前記第１データ、前記第１データに対する前記将来アウトカム、前記モデル構造、及び前記パラメータを出力する出力部と、
    　をさらに備え、
    　前記第１データは、不規則性導出部によって導出された、前記第２データに対する前記第３データの前記不規則性データである、
    　請求項１記載の将来アウトカム予測装置。
  4. 　請求項１乃至請求項３のいずれか一項記載の将来アウトカム予測装置が備える各部として機能させるためのプログラム。
PCT/JP2024/021099 2024-06-10 2024-06-10 将来アウトカム予測装置、及び将来アウトカム予測プログラム Pending WO2025257905A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/021099 WO2025257905A1 (ja) 2024-06-10 2024-06-10 将来アウトカム予測装置、及び将来アウトカム予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/021099 WO2025257905A1 (ja) 2024-06-10 2024-06-10 将来アウトカム予測装置、及び将来アウトカム予測プログラム

Publications (1)

Publication Number Publication Date
WO2025257905A1 true WO2025257905A1 (ja) 2025-12-18

Family

ID=98050695

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/021099 Pending WO2025257905A1 (ja) 2024-06-10 2024-06-10 将来アウトカム予測装置、及び将来アウトカム予測プログラム

Country Status (1)

Country Link
WO (1) WO2025257905A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220223255A1 (en) * 2021-01-13 2022-07-14 Medtech S.A. Orthopedic intelligence system
WO2024024294A1 (ja) * 2022-07-26 2024-02-01 一般社団法人持続可能社会推進機構 推定装置、推定方法、推定システム、及び推定プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220223255A1 (en) * 2021-01-13 2022-07-14 Medtech S.A. Orthopedic intelligence system
WO2024024294A1 (ja) * 2022-07-26 2024-02-01 一般社団法人持続可能社会推進機構 推定装置、推定方法、推定システム、及び推定プログラム

Similar Documents

Publication Publication Date Title
US12626794B2 (en) System, server and method for predicting adverse events
Połap et al. Agent architecture of an intelligent medical system based on federated learning and blockchain technology
JP7200311B2 (ja) 人工知能およびユーザ入力を用いて発達進度を判定するための方法および装置
Aktipis et al. Understanding cooperation through fitness interdependence
US12373690B2 (en) Targeted crowd sourcing for metadata management across data sets
Kallus et al. Confounding-robust policy improvement
Gelbard et al. Sentiment analysis in organizational work: Towards an ontology of people analytics
US11468242B1 (en) Psychological state analysis of team behavior and communication
US10043591B1 (en) System, server and method for preventing suicide
US12079704B1 (en) System, server and method for predicting adverse events
US20230351204A1 (en) Selecting a training dataset with which to train a model
KR102466731B1 (ko) 멀티모달 인공신경망을 활용한 정신건강 상태 분류 장치 및 방법
US11967428B1 (en) Applying predictive models to data representing a history of events
CN110046707A (zh) 一种神经网络模型的评估优化方法和系统
Iftikhar et al. Risk prediction by using artificial neural network in global software development
Anya et al. Designing for practice-based context-awareness in ubiquitous e-health environments
Hijry et al. Application of machine learning algorithms for patient length of stay prediction in emergency department during Hajj
Mu et al. An enhanced IHHO-LSTM model for predicting online public opinion trends in public health emergencies
Xu et al. Triage in major incidents: development and external validation of novel machine learning-derived primary and secondary triage tools
Halim et al. A federated approach for learning from electronic health records
US12106835B2 (en) Relating data to identifiers for variant testing
Bersani et al. Explainable human-machine teaming using model checking and interpretable machine learning
Liao et al. Spread and control of medical rumors in a social network: A generalized diffusion model with a highly asymmetric network structure
Liu et al. Collaborative development of a rules‐based electronic health record algorithm for Hospital‐at‐Home eligibility
US20240177853A1 (en) Care village digital twin system and method

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: 24943386

Country of ref document: EP

Kind code of ref document: A1