JP4392621B2 - Information processing apparatus, information processing method, and program - Google Patents
Information processing apparatus, information processing method, and program Download PDFInfo
- Publication number
- JP4392621B2 JP4392621B2 JP2007273416A JP2007273416A JP4392621B2 JP 4392621 B2 JP4392621 B2 JP 4392621B2 JP 2007273416 A JP2007273416 A JP 2007273416A JP 2007273416 A JP2007273416 A JP 2007273416A JP 4392621 B2 JP4392621 B2 JP 4392621B2
- Authority
- JP
- Japan
- Prior art keywords
- feature quantity
- formula
- feature
- quantity extraction
- calculation
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、例えば、楽曲データなどのコンテンツデータの特徴量を計算できる特徴量計算アルゴリズムを自動的に構築するようにした情報処理装置、情報処理方法、およびプログラムに関する。 The present invention relates to an information processing device, an information processing method, and a program, and in particular, an information processing device and information for automatically constructing a feature amount calculation algorithm capable of calculating a feature amount of content data such as music data. The present invention relates to a processing method and a program.
従来、楽曲データや画像データなどを入力データとして、前記入力データの特徴量(入力データが楽曲データである場合、速さ、明るさ、にぎやかさ等)を出力することができる特徴量計算アルゴリズムを遺伝的探索方法を用いて自動的に構築する発明が提案されている(例えば、特許文献1参照)。 Conventionally, a feature amount calculation algorithm capable of outputting a feature amount of the input data (speed, brightness, liveliness, etc. when the input data is song data) using music data or image data as input data. An invention of automatically constructing using a genetic search method has been proposed (see, for example, Patent Document 1).
しかしながら、従来技術によって自動的に構築された特徴量計算アルゴリズムは、人手によって構築した特徴量計算アルゴリズムに比較して冗長な演算を含んでいることが多く、結果として入力データに対応する特徴量を得る演算に要する時間が長くなってしまうことがあった。 However, the feature quantity calculation algorithm automatically constructed by the conventional technique often includes redundant operations as compared with the feature quantity computation algorithm constructed manually, and as a result, the feature quantity calculation algorithm corresponding to the input data is obtained. In some cases, the time required to obtain the calculation becomes long.
なお、以下、本明細書においては、自動的に構築しようとする特徴量計算アルゴリズムによって計算するまでもなく得ることができる既存の特徴量を既存特徴量と称する。これに対して、特徴量計算アルゴリズムによって得ようとする特徴量を目的特徴量と称する。 Hereinafter, in the present specification, an existing feature quantity that can be obtained without being calculated by a feature quantity calculation algorithm to be automatically constructed is referred to as an existing feature quantity. On the other hand, a feature quantity to be obtained by a feature quantity calculation algorithm is referred to as a target feature quantity.
本発明はこのような状況に鑑みてなされたものであり、計算時間に制限を設けて、入力データに対応する目的特徴量を計算する特徴量計算アルゴリズムを自動的に構築するようにするものである。 The present invention has been made in view of such a situation, and is intended to automatically construct a feature amount calculation algorithm for calculating a target feature amount corresponding to input data with a limit on calculation time. is there.
本発明の一側面である情報処理装置は、前世代の遺伝子に対して、選択処理、交差処理、突然変異処理、およびランダム生成処理を行うことにより、次世代の遺伝子を生成する遺伝的アルゴリズムを用い、入力データに対応する目的特徴量を出力する目的特徴量計算式を生成する情報処理装置において、複数の演算子から成る特徴量抽出式を複数含む次世代の特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、所定の評価値計算方法により計算された前記特徴量抽出式の評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成する特徴量抽出式リスト生成手段と、前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定する特徴量計算手段と、計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成する目的特徴量計算式生成手段と、前記特徴量抽出式リストに含まれる各特徴量抽出式の前記評価値を前記所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正する評価値計算手段とを含む。
前記目的特徴量計算式生成手段は、各特徴量抽出式に対して計算された複数の特徴量fjと係数bとの線形結合によって前記目的特徴量計算式を表現した場合に、前記教師データを用いた線形判別または線形回帰を行うことにより前記目的特徴量計算式を生成し、前記評価値計算手段は、前記特徴量抽出式の前記評価値として、生成される各目的特徴量抽出式に対する前記特徴量抽出式の寄与率を合計した合計寄与率を計算するか、またはpearson相関係数の平均値を計算するようにすることができる。
An information processing apparatus according to one aspect of the present invention includes a genetic algorithm for generating a next generation gene by performing selection processing, crossover processing, mutation processing, and random generation processing on a previous generation gene. In an information processing apparatus that generates a target feature quantity calculation formula that outputs a target feature quantity corresponding to input data, a next-generation feature quantity extraction formula list including a plurality of feature quantity extraction formulas including a plurality of operators is considers a plurality of feature quantity extraction formulas included in the feature quantity extraction formula list generation and the gene, using the genetic algorithm based on the evaluation value of the feature quantity extraction formula calculated by a predetermined evaluation value calculation method A feature quantity extraction formula list generating means that is generated by updating the feature quantity extraction formula list of the previous generation, and each feature quantity extraction formula included in the feature quantity extraction formula list Enter the actual data supplied as over data, along with calculating a plurality of feature amounts corresponding to the actual data, and feature quantity calculating means for measuring the average computation time of each feature extraction equation calculated the A purpose of generating the target feature quantity calculation formula by predetermined machine learning for estimating the target feature quantity corresponding to the actual data supplied as teacher data using the plurality of feature quantities corresponding to the actual data The feature quantity calculation formula generating means, the evaluation value of each feature quantity extraction formula included in the feature quantity extraction formula list is calculated by the predetermined evaluation value calculation method, and the calculated evaluation value is calculated for each feature quantity extraction formula including an evaluation value calculating means for correcting, based average computation time of the.
The target feature quantity calculation formula generating means expresses the teacher data when the target feature quantity calculation formula is expressed by a linear combination of a plurality of feature quantities fj calculated for each feature quantity extraction formula and a coefficient b. The target feature quantity calculation formula is generated by performing the linear discrimination or linear regression used, and the evaluation value calculation means uses the evaluation value of the feature quantity extraction formula as to the generated target feature quantity extraction formula. It is possible to calculate a total contribution ratio obtained by adding the contribution ratios of the feature quantity extraction formulas, or to calculate an average value of the pearson correlation coefficient.
前記目的特徴量計算式生成手段は、計算された前記実データに対応する前記複数の特徴量のうちのいくつかを選択的に用い、教師データとして供給された前記実データに対応する前記目的特徴量を推定するための前記所定の機械学習により、前記目的特徴量計算式を生成するようにすることができる。 The target feature amount calculation formula generation means selectively uses some of the plurality of feature amounts corresponding to the calculated actual data, and the target feature corresponding to the actual data supplied as teacher data The target feature quantity calculation formula can be generated by the predetermined machine learning for estimating the quantity.
前記目的特徴量計算式生成手段は、計算された前記実データに対応する前記複数の特徴量のうちのいくつかを、対応する特徴抽出式の平均計算時間に基づいて選択的に用い、教師データとして供給された前記実データに対応する前記目的特徴量を推定するための前記所定の機械学習により、前記目的特徴量計算式を生成するようにすることができる。 The target feature quantity calculation formula generation means selectively uses some of the plurality of feature quantities corresponding to the calculated actual data based on an average calculation time of the corresponding feature extraction formula, The target feature amount calculation formula can be generated by the predetermined machine learning for estimating the target feature amount corresponding to the actual data supplied as.
本発明の一側面である情報処理方法は、前世代の遺伝子に対して、選択処理、交差処理、突然変異処理、およびランダム生成処理を行うことにより、次世代の遺伝子を生成する遺伝的アルゴリズムを用い、入力データに対応する目的特徴量を出力する目的特徴量計算式を生成する情報処理装置の情報処理方法において、複数の演算子から成る特徴量抽出式を複数含む特徴量抽出式リストをランダムに生成し、前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定し、計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成し、前記特徴量抽出式リストに含まれる各特徴量抽出式の評価値を所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正し、次世代の前記特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、前記所定の評価値計算方法により計算された前記特徴量抽出式の前記評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成するステップを含む。 An information processing method according to one aspect of the present invention includes a genetic algorithm for generating a next generation gene by performing selection processing, crossover processing, mutation processing, and random generation processing on a previous generation gene. In an information processing method of an information processing apparatus for generating a target feature quantity calculation formula that outputs a target feature quantity corresponding to input data, a feature quantity extraction formula list including a plurality of feature quantity extraction formulas composed of a plurality of operators is randomly selected Actual data supplied as teacher data is input to each feature quantity extraction formula included in the feature quantity extraction formula list, and a plurality of feature quantities corresponding to the actual data are calculated. measuring the average computation time of symptom extraction formulas, computed using said plurality of feature amounts corresponding to the actual data, the target feature corresponding to the actual data supplied as teacher data A predetermined machine learning for estimating, with the generating the target feature amount calculation formula to calculate the commentary value of each feature quantity extraction formulas included in the feature quantity extraction formula list by a predetermined evaluation value calculation method, The calculated evaluation value is corrected based on an average calculation time of each feature quantity extraction formula, and the next-generation feature quantity extraction formula list is converted into a plurality of feature quantity extraction formulas included in the previous generation feature quantity extraction formula list. the regarded as the gene, by updating the characteristic amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of the predetermined evaluation value the feature quantity extraction formula calculated by the calculation method including the production steps.
本発明の一側面であるプログラムは、前世代の遺伝子に対して、選択処理、交差処理、突然変異処理、およびランダム生成処理を行うことにより、次世代の遺伝子を生成する遺伝的アルゴリズムを用い、入力データに対応する目的特徴量を出力する目的特徴量計算式を生成する情報処理装置の制御用のプログラムであって、複数の演算子から成る特徴量抽出式を複数含む特徴量抽出式リストをランダムに生成し、前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定し、計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成し、前記特徴量抽出式リストに含まれる各特徴量抽出式の評価値を所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正し、次世代の前記特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、前記所定の評価値計算方法により計算された前記特徴量抽出式の前記評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成するステップを含む処理を情報処理装置のコンピュータに実行させる。 The program according to one aspect of the present invention uses a genetic algorithm that generates a next generation gene by performing selection processing, crossover processing, mutation processing, and random generation processing on the previous generation gene, A program for controlling an information processing apparatus for generating a target feature quantity calculation formula that outputs a target feature quantity corresponding to input data, and comprising a feature quantity extraction formula list including a plurality of feature quantity extraction formulas composed of a plurality of operators Randomly generating and inputting actual data supplied as teacher data to each feature quantity extraction formula included in the feature quantity extraction formula list, calculating a plurality of feature quantities corresponding to the actual data, measuring the average computation time of feature extraction equation calculated using said plurality of feature amounts corresponding to the actual data, corresponding to the actual data supplied as teacher data object A predetermined machine learning for estimating the symptoms amount, said to produce the desired feature quantity calculation equation to calculate the commentary value of each feature quantity extraction formulas included in the feature quantity extraction formula list by a predetermined evaluation value calculation method In addition, the calculated evaluation value is corrected based on the average calculation time of each feature quantity extraction formula, and the next-generation feature quantity extraction formula list is converted into a plurality of feature quantities included in the previous generation feature quantity extraction formula list. the extraction formula regarded as the gene, and updates the feature amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of the calculated said feature quantity extraction formula by the predetermined evaluation value calculation method Ru to execute the process including the step of generating in the computer of the information processing apparatus by.
本発明の一側面においては、複数の演算子から成る特徴量抽出式を複数含む特徴量抽出式リストがランダムに生成され、特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データが入力されて、実データに対応する複数の特徴量が計算されるとともに、各特徴抽出式の平均計算時間が測定される。また、計算された実データに対応する複数の特徴量を用いて、教師データとして供給された実データに対応する目的特徴量を推定するための所定の機械学習により、目的特徴量計算式が生成され、特徴量抽出式リストに含まれる各特徴量抽出式の評価値が所定の評価値計算方法により計算されるとともに、計算された評価値が各特徴量抽出式の平均計算時間に基づいて修正される。さらに、次世代の特徴量抽出式リストが、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、所定の評価値計算方法により計算された特徴量抽出式の評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストが更新されることにより生成される。 In one aspect of the present invention, a feature quantity extraction formula list including a plurality of feature quantity extraction formulas composed of a plurality of operators is randomly generated, and each feature quantity extraction formula included in the feature quantity extraction formula list is used as teacher data. is input actual data supplied, together with the plurality of feature amounts are calculated corresponding to the actual data, the average computation time of each feature extraction equation is measured. In addition, a target feature value calculation formula is generated by predetermined machine learning to estimate the target feature value corresponding to the actual data supplied as teacher data, using a plurality of feature values corresponding to the calculated actual data. It is, together with commentary value of each feature quantity extraction formula is calculated by a predetermined evaluation value calculation method included in the feature quantity extraction formula list, the calculated evaluation value based on the average computation time of each feature quantity extraction formula fixes Is done. Further, the feature amount extraction expression list of the next generation is, before regarded as the gene a plurality of feature quantity extraction formulas included in the feature quantity extraction formula list generation, computed feature quantity extraction formula by a predetermined evaluation value calculation method the feature amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of is generated by being updated.
本発明の一側面によれば、計算時間に制限を設けて、入力データに対応する目的特徴量を計算できる特徴量計算アルゴリズムを自動的に構築することができる。 According to one aspect of the present invention, it is possible to automatically construct a feature amount calculation algorithm that can calculate a target feature amount corresponding to input data with a limitation on calculation time.
以下、本発明を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。 Hereinafter, specific embodiments to which the present invention is applied will be described in detail with reference to the drawings.
本発明を適用した目的特徴量計算式構築システム10(図3)は、図1に示すような、入力データCとそれに対応する複数の既存特徴量F1C,F2C,・・・,FnCを入力とし、当該入力データに対応する複数の目的特徴量Iをそれぞれ出力する目的特徴量計算式1を、供給される複数の教師データを用いた機械学習によって生成するものである。
The target feature quantity formula construction system 10 (FIG. 3) to which the present invention is applied includes input data C and a plurality of existing feature quantities F1 C , F2 C ,..., Fn C as shown in FIG. The target feature
図2は、教師データのデータ構造を示している。すなわち、教師データTi(i=1,2,・・・,L)は、入力データCと同じ種類のデータである実データDi、実データDiに対応する複数の既存特徴量F1i乃至Fni、および実データDiに対応する複数の目的特徴量I1i乃至Ikiから構成される。 FIG. 2 shows the data structure of teacher data. That is, the teacher data T i (i = 1,2, ··· , L) is the actual data D i which is the same type of data as the input data C, a plurality of existing feature amounts F1 i corresponding to the actual data D i To Fn i and a plurality of target feature amounts I1 i to Ik i corresponding to the actual data D i .
既存特徴量F1i乃至Fniは、実データDiから既存の方法によって検出される実データDiの特徴を示す値である。目的特徴量I1i乃至Ikiは、既存の方法では検出できない実データDiの特徴を示す値であり、例えば、実データDiを複数の人にモニタリングさせて得られる感想を数値化するなどして決定された値である。 Existing feature amount F1 i to Fn i is a value indicating the characteristics of the actual data D i detected by existing methods from the actual data D i. Target feature amount I1 i through Ik i is a value indicating the characteristics of the actual data D i undetectable by conventional methods, for example, the actual data D i is monitored to a plurality of human digitizing impressions obtained The value determined by
図2に示されたように、目標特徴量がk種類である場合、目的特徴量計算式構築システム10によってk本の目的特徴量計算式が生成されることになる。 As shown in FIG. 2, when there are k types of target feature amounts, the target feature amount calculation formula construction system 10 generates k target feature amount calculation formulas.
なお、入力データCは、多次元のデータであればよく、その種類は任意である。例えば、時間の次元とチャンネルの次元を有する楽曲データ、X次元とY次元と画素の次元を有する画像データ、画像データに時間の次元を加えた動画像データなどを入力データCとすることができる。 Note that the input data C may be multidimensional data, and the type thereof is arbitrary. For example, music data having a time dimension and a channel dimension, image data having an X dimension, a Y dimension, and a pixel dimension, moving image data obtained by adding a time dimension to image data, and the like can be used as the input data C. .
なお、以下の説明においては、楽曲データを入力データCとした例について説明する。楽曲データに対応する複数の既存特徴量としては、テンポ、スピード、テンポの揺らぎなどを挙げることができる。また、楽曲データに対応する目的特徴量としては、楽曲データの明るさ、速さ、楽器の多さなどを挙げることができる。 In the following description, an example in which music data is input data C will be described. Examples of a plurality of existing feature amounts corresponding to music data include tempo, speed, tempo fluctuation, and the like. Also, examples of the target feature amount corresponding to the music data include the brightness and speed of the music data, the number of musical instruments, and the like.
図3は、本発明を適用した目的特徴量計算式構築システム10の構成例を示している。この目的特徴量計算式構築システム10は、複数の特徴量抽出式からなる特徴量抽出式リストを生成、更新する特徴量抽出式リスト生成部11、生成された各特徴量抽出式に教師データTiの実データDiを代入して特徴量を計算する特徴量計算部12、特徴量計算部12によって計算された教師データTiに対応する特徴量と教師データTiの既存特徴量F1i乃至Fniから教師データTiの目的特徴量I1i乃至Ikiをそれぞれ推定できる目的特徴量計算式を機械学習により生成するとともに各特徴抽出式の評価値を計算する目的特徴量計算式生成部13、および、最終的に更新された最終世代の特徴量抽出式リストと目的特徴量計算式を最適化する最適化部15から構成される。
FIG. 3 shows a configuration example of the target feature quantity calculation formula construction system 10 to which the present invention is applied. The target feature quantity calculation formula construction system 10 generates a feature quantity extraction formula list consisting of a plurality of feature quantity extraction formulas, updates a feature quantity extraction formula list generation unit 11, and adds teacher data Ti to each generated feature quantity extraction formula. The feature amount calculation unit 12 that calculates the feature amount by substituting the actual data Di, the feature amount corresponding to the teacher data T i calculated by the feature amount calculation unit 12, and the existing feature amounts F1 i to Fn of the teacher data T i target feature amount calculation
特徴量抽出式リスト生成部11は、第1世代の特徴量抽出式リストを構成する複数の特徴量抽出式をランダムに生成して特徴量計算部12に出力する。 The feature quantity extraction formula list generation unit 11 randomly generates a plurality of feature quantity extraction formulas constituting the first generation feature quantity extraction formula list and outputs them to the feature quantity calculation unit 12.
ここで、特徴量抽出式リスト生成部11によって生成される特徴量抽出式について、図4を参照して説明する。図4A乃至図4Dは、それぞれ特徴量抽出式の例を示している。 Here, the feature quantity extraction formula generated by the feature quantity extraction formula list generation unit 11 will be described with reference to FIG. 4A to 4D show examples of feature quantity extraction formulas, respectively.
特徴量抽出式には、左端に入力データの種類が記述され、入力データの種類の右側には、1種類以上のオペレータ(演算子)が演算される順序に従って記述される。各オペレータには、適宜、処理対称軸とパラメータが含まれる。 In the feature quantity extraction formula, the type of input data is described at the left end, and the right side of the type of input data is described according to the order in which one or more types of operators are calculated. Each operator includes a process symmetry axis and parameters as appropriate.
オペレータの種類としては、平均値(Mean)、高速フーリエ変換(FFT)、標準偏差(StDev)、出現率(Ratio)、ローパスフィルタ(LPF)、ハイパスフィルタ(HPF)、絶対値(ABS)、2乗(Sqr)、平方根(Sqrt)、正規化(Normalize)、微分(Differential)、積分(Integrate)、最大値(MaxIndex)、不偏分散(UVariance)、ダウンサンプリング(DownSampling)などを挙げることができる。なお、決定されたオペレータによっては処理対称軸が固定されていることがあるので、その場合、パラメータに固定されている処理対称軸を採用する。また、パラメータを必要とするオペレータが決定された場合、パラメータもランダムまたは予め設定されている値に決定する。 Operator types include mean value (Mean), fast Fourier transform (FFT), standard deviation (StDev), appearance rate (Ratio), low pass filter (LPF), high pass filter (HPF), absolute value (ABS), 2 Examples include power (Sqr), square root (Sqrt), normalization (Differential), integration (Integrate), maximum value (MaxIndex), unbiased variance (UVariance), and downsampling (DownSampling). Depending on the determined operator, the process symmetry axis may be fixed. In this case, the process symmetry axis fixed to the parameter is adopted. When an operator who needs a parameter is determined, the parameter is also determined to be a random value or a preset value.
例えば、図4Aに示された特徴量抽出式の場合、12TonesMが入力データであり、32#Differential,32#MaxIndex,16#LPF_1;O.861,16#UVarianceそれぞれがオペレータである。また、各オペレータ中の32#,16#などは処理対称軸を示している。 For example, in the case of the feature quantity extraction formula shown in FIG. 4A, 12TonesM is input data, and 32 # Differential, 32 # MaxIndex, 16 # LPF_1; O.861, 16 # UVariance are operators. In addition, 32 #, 16 #, etc. in each operator indicate processing symmetry axes.
ここで、12TonesMはモノラルのPCM(pulse coded modulation sound source)波形データを時間軸に沿って音程解析したものであることを示しており、48#はチャンネル軸、32#は周波数軸と音程軸、16#は時間軸を示している。オペレータ中の0.861はローパスフィルタ処理におけるパラメータであり、例えば透過させる周波数の閾値を示している。 Here, 12TonesM indicates that the pitch analysis of monaural PCM (pulse coded modulation sound source) waveform data is performed along the time axis, 48 # is the channel axis, 32 # is the frequency axis and the pitch axis, 16 # indicates a time axis. 0.861 in the operator is a parameter in the low-pass filter process, and indicates, for example, a threshold value of the frequency to be transmitted.
なお、第1世代の特徴量抽出式リストを構成する各特徴量抽出式の入力データの種類は入力データCと同じもの、オペレータの数と種類はランダムに決定されるが、各特徴量抽出式を生成する際の制約として、図5に示すように、複数のオペレータに対応する演算が順次実行されるにつれて、演算結果の保有次元数が順次減少し、特徴量抽出式の最終的な演算結果がスカラになるか、あるいはその次元数が所定の小さい値(例えば、1,2など)となるようになされている。 The type of input data of each feature quantity extraction formula constituting the first generation feature quantity extraction formula list is the same as that of the input data C, and the number and types of operators are randomly determined. As shown in FIG. 5, as the calculation corresponding to a plurality of operators is sequentially executed, the number of retained dimensions in the calculation result decreases sequentially, and the final calculation result of the feature quantity extraction formula is obtained. Is a scalar, or the number of dimensions thereof is set to a predetermined small value (for example, 1, 2, etc.).
図4A乃至図4Dに示された例から明らかなように、特徴量抽出式によって計算される特徴量は、例えば、楽曲データに対するテンポ、画像データに対する画素のヒストグラムなどのように、既存の概念で有意義と判断される値になるわけではない。すなわち、特徴量抽出式によって計算される特徴量は、単に入力データを特徴量抽出式に代入したときの演算結果に過ぎないものでよい。 As is clear from the examples shown in FIGS. 4A to 4D, the feature amount calculated by the feature amount extraction formula is an existing concept such as a tempo for music data and a pixel histogram for image data. It is not a value that is judged to be meaningful. That is, the feature quantity calculated by the feature quantity extraction formula may be merely a calculation result when the input data is substituted into the feature quantity extraction formula.
以下、特徴量抽出式リスト生成部11によって生成される特徴量抽出式リストは、図6に示すように、m本の特徴量抽出式f1乃至fmによって構成されているものとする。特徴量抽出式f1乃至fmの入力データであるWavMはモノラルのPCM波形データであり、保有次元は時間軸とチャンネル軸である。 Hereinafter, it is assumed that the feature quantity extraction formula list generated by the feature quantity extraction formula list generation unit 11 includes m feature quantity extraction formulas f1 to fm as shown in FIG. WavM, which is input data of the feature quantity extraction formulas f1 to fm, is monaural PCM waveform data, and possession dimensions are a time axis and a channel axis.
図3に戻る。特徴量抽出式リスト生成部11はまた、第2世代以降の特徴量抽出式リストを、前世代の特徴量抽出式リストを遺伝的アルゴリズム(GA:genetic algorism)に従って更新することによって生成する。 Returning to FIG. The feature quantity extraction formula list generation unit 11 also generates a feature quantity extraction formula list for the second and subsequent generations by updating the feature quantity extraction formula list of the previous generation according to a genetic algorithm (GA).
ここで、遺伝的アルゴリズムとは、現世代の遺伝子から、選択処理、交差処理、突然変異処理、およびランダム生成処理により、次世代の遺伝子を生成するアルゴリズムを指す。具体的には、特徴量抽出式リストを構成する複数の各特徴量抽出式を遺伝子とみなし、現世代の特徴量抽出式リストを構成する複数の特徴量抽出式の評価値に応じて選択処理、交差処理、突然変異処理、およびランダム生成処理を行い、次世代の特徴量抽出式リストを生成する。 Here, the genetic algorithm refers to an algorithm for generating the next generation gene from the current generation gene by selection processing, crossover processing, mutation processing, and random generation processing. Specifically, each of the plurality of feature quantity extraction formulas constituting the feature quantity extraction formula list is regarded as a gene, and selection processing is performed according to the evaluation values of the plurality of feature quantity extraction formulas constituting the current generation feature quantity extraction formula list Then, a cross process, a mutation process, and a random generation process are performed to generate a next generation feature quantity extraction formula list.
すなわち、例えば図7に示すように、選択処理では、現世代の特徴量抽出式リストを構成する複数の特徴量抽出式のうち、評価値の高い特徴量抽出式f2を選択して次世代の特徴量抽出式リストに含める。交差処理では、現世代の特徴量抽出式リストを構成する複数の特徴量抽出式のうち、評価値の高い複数の特徴量抽出式f2とf5を交差させて(組み合わせて)特徴量抽出式を生成し、次世代の特徴量抽出式リストに含める。 That is, for example, as shown in FIG. 7, in the selection process, a feature quantity extraction formula f2 having a high evaluation value is selected from a plurality of feature quantity extraction formulas constituting the current generation feature quantity extraction formula list to generate the next generation. Include in feature quantity extraction formula list. In the intersection processing, among the plurality of feature quantity extraction formulas constituting the current generation feature quantity extraction formula list, a plurality of feature quantity extraction formulas f2 and f5 having a high evaluation value are crossed (combined) to obtain a feature quantity extraction formula. Generate and include in the next generation feature quantity extraction formula list.
突然変異処理では、現世代の特徴量抽出式リストを構成する複数の特徴量抽出式のうち、評価値の高い特徴量抽出式f2を部分的に突然変異させて(変更して)特徴量抽出式を生成し、次世代の特徴量抽出式リストに含める。ランダム生成処理では、新たな特徴量抽出式をランダムに生成して次世代の特徴量抽出式リストに含める。 In the mutation processing, feature quantity extraction is performed by partially mutating (changing) a feature quantity extraction formula f2 having a high evaluation value among a plurality of feature quantity extraction formulas constituting the current generation feature quantity extraction formula list. Generate the formula and include it in the next generation feature extraction formula list. In the random generation process, a new feature quantity extraction formula is randomly generated and included in the next-generation feature quantity extraction formula list.
図3に戻る。特徴量計算部12は、特徴量抽出式リスト生成部11から供給された特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmに、供給される教師データTiの実データDiを代入し、教師データTiに対する特徴量を計算するとともに、各特徴量抽出式f1乃至fmの計算に要した計算時間も測定し、特徴量抽出式毎に異なるL個の実データDiを代入して計算したときの平均計算時間を算出する。計算された特徴量と算出された平均計算時間は目的特徴量計算式生成部13に供給される。
Returning to FIG. Feature amount calculation unit 12, to each feature quantity extraction formula f1 to fm constituting the supplied feature quantity extraction formula list from the feature extraction equation list generator 11, the actual data D i teacher data T i fed Substituting and calculating the feature quantity for the teacher data T i , measuring the calculation time required to calculate each of the feature quantity extraction formulas f1 to fm, and substituting L actual data D i different for each feature quantity extraction formula To calculate the average calculation time. The calculated feature value and the calculated average calculation time are supplied to the target feature value calculation
上述したように、教師データTiの数はL、特徴量抽出式リストを構成する特徴量抽出式の数はmであるので、特徴量計算部12では、(L×m)個の特徴量が算出されることになる。以下、特徴量抽出式fj(j=1,2,・・・,m)に、教師データTi(i=1,2,・・・,L)の実データDiを代入して計算された特徴量をfj[Ti]と記述する。 As described above, since the number of training data T i L, the number of feature quantity extraction formulas constituting the feature quantity extraction formula list is m, the feature quantity calculator 12, (L × m) pieces of feature quantity Will be calculated. Hereinafter, calculation is performed by substituting the actual data D i of the teacher data T i (i = 1, 2,..., L) into the feature quantity extraction formula fj (j = 1, 2,..., M). The feature amount is described as fj [T i ].
目的特徴量計算式生成部13は、特徴量計算部12から現世代の特徴量抽出式リストに対応する(L×m)個の特徴量fj[Ti]が供給される毎、例えば次式(1)に示される、入力データCに対応する既存特徴量F1C乃至FnCと特徴量f1[C]乃至fm[C]との線形結合によって入力データCに対応する目的特徴量I1Cを推定する目的特徴量計算式を、特徴量計算部12の計算結果である(L×m)個の特徴量fj[Ti]、教師データTiに含まれる(L×n)個の既存特徴量F1i乃至Fni、および、教師データTiに含まれるL個の目的特徴量I1iを用いた機械学習(特徴選択付き線形判別または回帰)によって生成する。
目的特徴量I1C=b0+b1・F1C+b2・F2C+・・・+bn・FnC
+bn+1・f1[C]+bn+2・f2[C]+・・・+bn+m・fm[C]
・・・(1)
Every time (L × m) feature quantities fj [T i ] corresponding to the current generation feature quantity extraction formula list are supplied from the feature quantity calculation section 12, the target feature quantity calculation
Target feature value I1 C = b 0 + b 1 ·
+ B n + 1 · f1 [C] + b n + 2 · f2 [C] +... + B n + m · fm [C]
... (1)
なお、式(1)において、b0は切片であり、b1,b2,・・・,bn+mは線形結合係数である。また、目的特徴量計算式生成部13で実際に生成される目的特徴量計算式では、既存特徴量F1C乃至FnCと特徴量f1[C]乃至fm[C]の全てが使用されるわけではなく、選択的に使用される。この場合、使用されない既存特徴量F1C乃至FnCや特徴量f1[C]乃至fm[C]に対応する線形結合係数は0とされる。
In Equation (1), b 0 is an intercept, and b 1 , b 2 ,..., B n + m are linear coupling coefficients. In the target feature quantity calculation formula actually generated by the target feature quantity calculation
同様に、入力データCに対応する既存特徴量F1C乃至FnCと特徴量f1[C]乃至fm[C]との線形結合によって入力データCに対応する目的特徴量I2C乃至IkCをそれぞれ計算できる目的特徴量計算式も生成される。 Each Similarly, existing feature amounts F1 C to Fn C and the feature amount f1 [C] corresponds to the input data C to fm [C] and the target feature amount corresponding to the input data C by a linear combination I2 C to the Ik C A target feature amount calculation formula that can be calculated is also generated.
したがって、目的特徴量計算式生成部13ではk本の目的特徴量計算式が生成される。
Accordingly, the target feature quantity calculation
そして、生成した目的特徴量計算式が所望の精度に到達するか、あるいはユーザから所定の指示が行われた場合、その時点での特徴量抽出式リストを最終世代の特徴量抽出式リストとして、目的特徴量計算式とともに最適化部15に供給する。
Then, when the generated target feature quantity calculation formula reaches a desired accuracy, or when a predetermined instruction is given from the user, the feature quantity extraction formula list at that time is used as the feature generation extraction formula list of the last generation, It supplies to the
また、目的特徴量計算式生成部13は、内蔵する評価値計算部14によって、現世代の特徴量抽出式リストを構成する各特徴量抽出式の評価値を計算する。すなわち、評価値計算部14は、k本の各目的特徴量計算式における各特徴量抽出式それぞれの寄与率を計算し、計算したk本分の寄与率を合計した合計寄与率を、現世代の特徴量抽出式リストを構成する各特徴量抽出式の評価値に決定する。
In addition, the target feature quantity calculation
ここで、寄与率の計算方法について次式(2)を用いて説明する。なお、式(2)は、式(1)の既存特徴量F1C,・・・,FnCと特徴量f1[C],・・・,fm[C]を、X1,X2,・・・,Xn+mに置換したものである。
目的特徴量I1C=b0+b1・X1+b2・X2+・・・+bn+m・Xn+m
・・・(2)
Here, the calculation method of a contribution rate is demonstrated using following Formula (2). Incidentally, formula (2), the existing characteristic quantity of equation (1) F1 C, ···, Fn C a feature amount f1 [C], · · ·, the fm [C], X 1,
Target feature value I1 C = b 0 + b 1 · X 1 + b 2 ·
... (2)
式(2)による目的特徴量I1Cの計算におけるXM(M=1,2,・・・,n+m)の寄与率(XM)は、次式(3)で計算される。 The contribution ratio (X M ) of X M (M = 1, 2,..., N + m) in the calculation of the target feature quantity I1 C according to the expression (2) is calculated by the following expression (3).
(XM)=bM ×Stdev(XM)/StDev(I1)×Correl(XM,I1) ・・・(3) (X M ) = b M × Stdev (X M ) / StDev (I1) × Correl (X M , I1) (3)
ここで、StDev(XM)は、機械学習に用いたL個のXMの標準偏差を示す。 Here, StDev (X M ) indicates a standard deviation of L X M used for machine learning.
Stdev(I1)は、機械学習に用いた、教師データTiに含まれるL個の目的特徴量I1iの標準偏差を示す。 Stdev (I1) indicates a standard deviation of L target feature values I1 i included in the teacher data T i used for machine learning.
Correl(XM,I1)は、機械学習に用いた、L個のXMと教師データTiに含まれるL個の目的特徴量I1iのpearsonの相関係数を示す。 Correl (X M, I1) shows the correlation coefficient of pearson of using the machine learning, L-number of X M and the supervisor data T i L pieces target feature amount I1 i of contained.
なお、pearsonの相関係数Correl(XM,I1)は、次式(4)に示されるように、L個のXMとL個の目的特徴量I1iとの共分散を、L個のXMの標準偏差とL個の目的特徴量I1iの標準偏差の積で除算することにより算出される。
Correl(XM,I1)
=(XMとI1iとの共分散)/(XMの標準偏差×I1iの標準偏差)
・・・(4)
Note that pearson's correlation coefficient Correl (X M , I 1) is obtained by calculating the covariance between L X M and L target feature values I 1 i by L pieces as shown in the following equation (4). It is calculated by dividing by the product of the standard deviation of X M and the standard deviation of L target feature values I1 i .
Correl (X M , I1)
= (Covariance between X M and I1 i ) / (standard deviation of X M × standard deviation of I1 i )
... (4)
なお、評価値計算部14において、現世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmの評価値を、上述したように、目的特徴量計算式における各特徴量抽出式f1乃至fmの出力値である特徴量f1[]乃至fm[]の寄与率に基づいて決定する代わりに、pearsonの相関係数に基づいて評価値を決定するようにしてもよい。 Note that the evaluation value calculation unit 14 uses the evaluation values of the feature quantity extraction formulas f1 to fm constituting the current generation feature quantity extraction formula list as the feature value extraction formulas f1 in the target feature quantity calculation formula as described above. Instead of determining based on the contribution ratios of the feature quantities f1 [] to fm [] that are output values of fm to fm, the evaluation value may be determined based on the pearson correlation coefficient.
例えば、L個の教師データTiの実データDiをそれぞれ特徴量抽出式f1に代入して計算したL個の特徴量f1[Di]と、L個の教師データTiのk種類の目的特徴量I1i乃至Ikiとのpearson相関係数をそれぞれ算出し、算出したk個のpearson相関係数の平均値を、特徴量抽出式f1の評価値とするようにしてもよい。 Eg, L pieces of the teacher data T L pieces of feature quantities of the actual data D i respectively calculated by substituting the feature amount extraction expression f1 of i f1 and [D i], the k kinds of L tutor data T i the pearson correlation coefficient between the target feature amount I1 i through Ik i were calculated, the calculated average value of the k pearson correlation coefficient may be set as the evaluation value feature quantity extraction formulas f1.
なおまた、評価値計算部14において、各特徴量抽出式f1乃至fmの評価値を計算するだけでなく、各既存特徴量F1乃至Fmの評価値も計算するようにしてもよい。 In addition, the evaluation value calculator 14 may calculate not only the evaluation values of the feature quantity extraction formulas f1 to fm but also the evaluation values of the existing feature quantities F1 to Fm.
さらに、評価値計算部14は、上述したようにして決定した、現世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmの評価値を、特徴量計算部12から供給される各特徴量抽出式f1乃至fmの平均計算時間に基づいて修正する。具体的には、平均計算時間が所定の閾値以上である特徴量抽出式の評価値をその設定範囲の最低値に修正する。そして、修正済みの評価値を特徴量抽出式リスト生成部11に通知する。 Furthermore, the evaluation value calculation unit 14 is supplied with the evaluation values of the feature quantity extraction formulas f1 to fm constituting the feature quantity extraction formula list of the current generation determined as described above from the feature quantity calculation unit 12. Correction is made based on the average calculation time of each feature quantity extraction formula f1 to fm. Specifically, the evaluation value of the feature quantity extraction formula whose average calculation time is equal to or greater than a predetermined threshold is corrected to the lowest value in the setting range. Then, the corrected evaluation value is notified to the feature quantity extraction formula list generation unit 11.
このような評価値の修正により、平均計算時間が所定の閾値以上である当該特徴量抽出式が次世代の特徴量抽出式リストに遺伝されないようにすることができる。したがって、次世代以降の特徴量計算部12の演算負荷を軽減させることができる。なお、平均計算時間と比較する所定の閾値は、特徴量計算部12の演算能力に応じて自動的に設定するようにしてもよし、ユーザが任意に設定できるようにしてもよい。 By correcting the evaluation value in this way, it is possible to prevent the feature quantity extraction formula whose average calculation time is equal to or greater than a predetermined threshold from being inherited in the next-generation feature quantity extraction formula list. Therefore, it is possible to reduce the calculation load of the feature amount calculation unit 12 for the next generation and later. Note that the predetermined threshold value to be compared with the average calculation time may be automatically set according to the calculation capability of the feature amount calculation unit 12, or may be arbitrarily set by the user.
最適化部15は、目的特徴量計算式生成部13から供給される最終世代の特徴量抽出式リストを構成する特徴量抽出式f1乃至fmを最適化する特徴量抽出式最適化部16と、最適化された特徴量抽出式f1乃至fmを用いて目的特徴量計算式を再構築する目的特徴量計算式再構築部17を内蔵する。
The
特徴量抽出式最適化部16は、最終世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmから、予め登録されている冗長な演算の組み合わせ(以下、最適化パターンと称する)を検出して、同等の演算結果を得られるより処理負荷の小さい演算に置換することにより第1次最適化を行う。以下に第1次最適化の例を挙げる。
The feature quantity extraction
絶対値を演算するオペレータAbsが2つ以上連続している最適化パターンは、2回目以降のオペレータAbsが冗長なので、1つのオペレータAbsに置換することにより最適化する。 The optimization pattern in which two or more operators Abs for calculating an absolute value are continuous is optimized by replacing it with one operator Abs since the second and subsequent operators Abs are redundant.
正規化演算を示すオペレータNormalizeが2つ以上連続している最適化パターンは、2回目以降のオペレータNormalizeが冗長なので、1つのオペレータNormalizeに置換することにより最適化する。 The optimization pattern in which two or more operators Normalize indicating normalization operations are continuous is optimized by replacing the operator Normalize for the second and subsequent times with one operator Normalize.
2乗演算を示すオペレータSqrと、平方根を演算するオペレータSqrtが連続している最適化パターンは、同じ結果を得るより演算負荷の小さいオペレータAbsに置換することにより最適化する。 The optimization pattern in which the operator Sqr indicating the square calculation and the operator Sqrt for calculating the square root are continued is optimized by replacing the operator Abs with a smaller calculation load than obtaining the same result.
微分演算を示すオペレータDefferentialと、積分演算を示すオペレータIntegrateが連続している最適化パターンは、無駄な演算なので、オペレータDefferential,Integrateを削除することにより最適化する。 Since an optimization pattern in which an operator Defferential indicating differential operation and an operator Integrate indicating integral operation are continuous is a useless operation, optimization is performed by deleting the operators Differential and Integrate.
なお、最適化パターンとその最適化方法は上述した例に限定されるものではない。 Note that the optimization pattern and the optimization method are not limited to the above-described example.
さらに、特徴量抽出式最適化部16は、各特徴量抽出式f1乃至fmを、より短い計算時間で同等の計算結果が得られるよう遺伝的アルゴリズムを利用して第2次最適化を行う。
Further, the feature quantity extraction
目的特徴量計算式再構築部17は、最適化された特徴量抽出式f1乃至fmと教師データを用いた機械学習により目的特徴量計算式を再構築する。
The target feature quantity calculation
次に、目的特徴量計算式構築システム10の動作について、図8のフローチャートを参照して説明する。 Next, the operation of the target feature quantity calculation formula construction system 10 will be described with reference to the flowchart of FIG.
ステップS1において、特徴量抽出式リスト生成部11は、第1世代の特徴量抽出式リストを構成するm本の特徴量抽出式をランダムに生成し、m本の特徴量抽出式から成る特徴量抽出式リストを特徴量計算部12に供給する。 In step S <b> 1, the feature quantity extraction formula list generation unit 11 randomly generates m feature quantity extraction formulas constituting the first generation feature quantity extraction formula list, and includes feature quantities including the m feature quantity extraction formulas. The extraction formula list is supplied to the feature amount calculation unit 12.
ステップS2において、目的特徴量計算式構築システム10は、教師データTi(i=1,2,・・・,L)を取得する。取得された教師データTiは、特徴量計算部12、目的特徴量計算式生成部13、および最適化部15に供給される。
In step S2, the target feature quantity calculation formula construction system 10 acquires teacher data T i (i = 1, 2,..., L). The acquired teacher data Ti is supplied to the feature quantity calculation unit 12, the target feature quantity calculation
ステップS3において、特徴量計算部12は、特徴量抽出式リスト生成部11から供給された特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmに、教師データTiに含まれる実データDiをそれぞれ代入して、(L×m)個の特徴量fj[Ti]を計算するとともに、各特徴量抽出式f1乃至fmの計算に要した計算時間も測定し、特徴量抽出式毎に異なるL個の実データDiを代入して計算したときの平均計算時間を算出する。計算された、(L×m)個の特徴量fj[Ti]と、各特徴量抽出式f1乃至fmにそれぞれ対応する平均計算時間は目的特徴量計算式生成部13に供給される。
In step S <b> 3, the feature quantity calculation unit 12 includes the actual data included in the teacher data T i in each of the feature quantity extraction formulas f1 to fm constituting the feature quantity extraction formula list supplied from the feature quantity extraction formula list generation unit 11. By substituting D i , (L × m) feature quantities fj [T i ] are calculated, and the calculation time required for calculating each of the feature quantity extraction formulas f1 to fm is also measured. An average calculation time is calculated when different L pieces of actual data D i are substituted for each calculation. The calculated (L × m) feature values fj [T i ] and the average calculation time corresponding to each of the feature value extraction formulas f1 to fm are supplied to the target feature value calculation
ステップS4において、目的特徴量計算式生成部13は、特徴量計算部12による計算結果である(L×m)個の特徴量fj[Ti]と、教師データTiに含まれる(L×n)個の既存特徴量F1i乃至Fniとから、教師データTiに含まれるL個の目的特徴量I1iを推定する目的特徴量計算式を特徴選択付き線形判別または回帰により学習する。
In step S4, the target feature quantity calculation
目的特徴量計算式生成部13によるステップS4の処理(以下、学習処理と称する)について、図9のフローチャートを参照して詳述する。
The process of step S4 (hereinafter referred to as learning process) by the target feature quantity calculation
ステップS21において、目的特徴量計算式生成部13は、目的特徴量計算式を生成するにあたって、n個の既存特徴量F1乃至Fnとm個の特徴抽出式f1乃至fmの出力である特徴量f1[]乃至fm[]のうち、使用する(選択する)ものと使用しないもの(非選択とする)を示す複数の選択テーブルTBをランダムに生成して第1世代の選択テーブル群を生成する。この選択テーブル群は、構成される複数の選択テーブルTBが遺伝子とみなされ、以下のステップS29において遺伝的アルゴリズムに基づいて更新されることになる。
In step S21, the target feature quantity calculation
図10は、生成される複数の選択テーブルTBからなる選択テーブル群の例を示している。なお、図10において、丸印○は選択を示し、バツ印×は非選択を示している。 FIG. 10 shows an example of a selection table group including a plurality of selection tables TB to be generated. In FIG. 10, circles ○ indicate selection, and crosses X indicate non-selection.
ステップS22において、目的特徴量計算式生成部13は、現世代の選択テーブル群を構成する各選択テーブルTBを順に1つずつ注目して選択テーブル群ループを開始する。なお、選択テーブル群ループは、選択テーブル群を構成する選択テーブルTBの数(図10の例ではx)だけを繰り返される。
In step S22, the target feature quantity calculation
ステップS23において、目的特徴量計算式生成部13は、特徴量計算部12から供給された各特徴量抽出式f1乃至fmにそれぞれ対応する平均計算時間を用い、注目している選択テーブルTBによって選択されている特徴量fj[]に対応する特徴抽出式fjの平均計算時間の合計が所定の閾値以下であるか否かを判定する。この平均計算時間の合計と比較する所定の閾値は、目的特徴量計算式生成部13などの演算能力に応じて自動的に設定するようにしてもよし、ユーザが任意に設定できるようにしてもよい。
In step S23, the target feature quantity calculation
平均計算時間の合計が所定の閾値以下であると判定された場合、処理はステップS24に進められる。 If it is determined that the total average calculation time is equal to or less than the predetermined threshold, the process proceeds to step S24.
ステップS24において、目的特徴量計算式生成部13は、特徴量計算部12による計算結果である(L×m)個の特徴量fj[Ti]と、教師データTiに含まれる(L×n)個の既存特徴量F1i乃至Fniのうち、注目している選択テーブルTBによって選択されているものを用いた線形判別または回帰により目的特徴量の種類の数(k)の目的特徴量計算式を学習する。
In step S24, the target feature quantity calculation
ステップS25において、目的特徴量計算式生成部13は、注目している選択テーブルTBの評価値として、ステップS24の処理による学習結果の情報量基準AICを計算する。
In step S25, the target feature quantity calculation
なお、ステップS23において、注目している選択テーブルTBによって選択されている特徴量fj[]に対応する特徴抽出式fjの平均計算時間の合計が所定の閾値以下ではないと判定された場合、処理はステップS26に進めらる。ステップS26において、目的特徴量計算式生成部13は、注目している選択テーブルTBの評価値をその設定範囲の最低値とする。このように、合計の平均計算時間が所定の閾値よりも長くなる選択テーブルを次世代に遺伝しないようにすることにより、生成される目的特徴量計算式の計算に要する時間が長くなることを抑止することできる。
If it is determined in step S23 that the total of the average calculation times of the feature extraction formula fj corresponding to the feature quantity fj [] selected by the selected selection table TB is not less than or equal to a predetermined threshold value, Advances to step S26. In step S26, the target feature quantity calculation
ステップS25またはステップS26に処理で注目している選択テーブルTBの評価値が決定された後、処理はステップS27に進められる。ステップS27において、目的特徴量計算式生成部13は、現世代の選択テーブル群を構成する全ての選択テーブルTBを注目したか否か判定し、注目していない選択テーブルTBが残っている場合、処理をステップS22に戻し、ステップS22乃至S27の処理を繰り返す。そして、ステップS27において、現世代の選択テーブル群を構成する全ての選択テーブルTBを注目したと判定された場合、処理はステップS28に進められる。
After the evaluation value of the selection table TB focused on in step S25 or step S26 is determined, the process proceeds to step S27. In step S27, the target feature quantity calculation
ステップS28において、目的特徴量計算式生成部13は、最も評価が良い選択テーブルTBの評価値が、所定の数世代の間、向上していないか否かを判定する。そして、最も評価が良い選択テーブルTBの評価値が向上している、または、まだ向上しなくなってから所定の世代数が経過していないと判定された場合、処理はステップS29に進められる。
In step S28, the target feature quantity calculation
ステップS29において、目的特徴量計算式生成部13は、現世代の選択テーブル群を各選択テーブルTBの評価値に基づく、遺伝的アルゴリズムによって更新することにより、次世代の選択テーブル群を生成する。処理はステップS22に戻り、それ以降の処理が繰り返される。
In step S29, the target feature quantity calculation
そして、ステップS28において、最も評価が良い選択テーブルTBの評価値が、所定の数世代の間、向上していないと判定された場合、処理は図8のステップS5に進められる。 If it is determined in step S28 that the evaluation value of the selection table TB having the highest evaluation has not improved for a predetermined number of generations, the process proceeds to step S5 in FIG.
以上説明した学習処理により、現世代の特徴量抽出式リストに対応するk種類の目的特徴量をそれぞれ計算するための目的特徴量計算式が生成されたことになる。 Through the learning process described above, the target feature quantity calculation formulas for calculating the k types of target feature quantities corresponding to the current generation feature quantity extraction formula list are generated.
なお、上述した説明では、学習処理に、遺伝子的探索法とAICを用いるものとして説明したが、異なる方法により、学習処理を行ってもよい。また、既存特徴量や特徴抽出式の出力値の選択または非選択を決定に遺伝的アルゴリズムを用いる代わりに、近傍探索を用いるようにしてもよい。 In the above description, the learning process is described as using the genetic search method and AIC, but the learning process may be performed by a different method. Further, instead of using a genetic algorithm for determining whether to select or deselect an output value of an existing feature quantity or feature extraction formula, a neighborhood search may be used.
例えば、近傍検索を用いる場合、n個の既存特徴量F1乃至Fnとm個の特徴抽出式f1乃至fmの出力である特徴量f1[]乃至fm[]の全ての非選択として学習を開始する。そして、n個の既存特徴量F1乃至Fnとm個の特徴抽出式f1乃至fmの出力である特徴量f1[]乃至fm[]のうちの1つを選択、その他を非選択としてn+m個の選択テーブルを生成し、各選択テーブルに対してAICなどで評価を行う。そして、最も評価が高い、すなわち、AICの値の小さい選択テーブルを決定する。さらに、決定した選択テーブルを基に、n個の既存特徴量F1乃至Fnとm個の特徴抽出式f1乃至fmの出力である特徴量f1[]乃至fm[]のうちのさらに1つを選択、その他を非選択としてn+m個の選択テーブルを生成して各選択テーブルに対してAICなどで評価を行う処理を行う。以上の処理を、AICなどの評価が向上しなくなるまで繰り返せばよい。 For example, in the case of using neighborhood search, learning is started as non-selection of all n feature amounts F1 to Fn and feature amounts f1 [] to fm [] that are outputs of m feature extraction formulas f1 to fm. . Then, one of the n existing feature amounts F1 to Fn and the m feature extraction formulas f1 to fm is selected as one of the feature amounts f1 [] to fm [] and the other is not selected. A selection table is generated, and each selection table is evaluated by AIC or the like. Then, a selection table having the highest evaluation, that is, a small AIC value is determined. Further, based on the selected selection table, select one of the n existing feature amounts F1 to Fn and the feature amounts f1 [] to fm [], which are outputs of the m feature extraction formulas f1 to fm. In addition, n + m selection tables are generated with the others not selected, and each selection table is evaluated by AIC or the like. The above processing may be repeated until the evaluation of AIC or the like is not improved.
図8に戻る。ステップS5において、目的特徴量計算式生成部13の評価値計算部14は、現時点で生成されているk本の各目的特徴量計算式における各特徴量抽出式f1乃至fmの計算結果である特徴量f1[]乃至fm[]の寄与率を計算し、計算したk本分の寄与率を合計した合計寄与率を、現世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmの評価値に決定する。
Returning to FIG. In step S5, the evaluation value calculation unit 14 of the target feature quantity calculation
なお、ステップS5において、現世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmの評価値を、上述したように、目的特徴量計算式における各特徴量抽出式f1乃至fmの出力値である特徴量f1[]乃至fm[]の寄与率に基づいて決定する代わりに、pearsonの相関係数に基づいて評価値を決定するようにしてもよい。 In step S5, as described above, the evaluation values of the feature quantity extraction formulas f1 to fm constituting the current generation feature quantity extraction formula list are set to the feature quantity extraction formulas f1 to fm in the target feature quantity calculation formula, as described above. Instead of determining based on the contribution rates of the feature quantities f1 [] to fm [], which are output values, the evaluation value may be determined based on the pearson correlation coefficient.
ステップS6において、評価値計算部14は、ステップS5の処理で決定した、現世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fmの評価値を、特徴量計算部12から供給される各特徴量抽出式f1乃至fmの平均計算時間に基づいて修正する。具体的には、平均計算時間が所定の閾値以上である特徴量抽出式の評価値をその設定範囲の最低値に修正する。そして、修正済みの評価値を特徴量抽出式リスト生成部11に通知する。 In step S6, the evaluation value calculation unit 14 supplies the evaluation values of the feature quantity extraction formulas f1 to fm constituting the current generation feature quantity extraction formula list determined in the process of step S5 from the feature quantity calculation unit 12. The feature amount extraction formulas f1 to fm are corrected based on the average calculation time. Specifically, the evaluation value of the feature quantity extraction formula whose average calculation time is equal to or greater than a predetermined threshold is corrected to the lowest value in the setting range. Then, the corrected evaluation value is notified to the feature quantity extraction formula list generation unit 11.
ステップS7において、目的特徴量計算式生成部13は、現時点で生成されている目的特徴量計算式による計算結果が所望の精度に達したか否か、または、ユーザにより終了操作が行われたか否かを判定する。計算結果が所望の精度に達しておらず、また、ユーザにより終了操作が行われていないと判定された場合、処理はステップS8に進められる。
In step S <b> 7, the target feature quantity calculation
ステップS8において、特徴量抽出式リスト生成部11はまた、次世代の特徴量抽出式リストを、現世代の特徴量抽出式リストを遺伝的アルゴリズムに従って更新することによって生成する。この後、処理はステップS3に戻り、ステップS3以降の処理が繰り返される。 In step S8, the feature quantity extraction formula list generation unit 11 also generates the next generation feature quantity extraction formula list by updating the current generation feature quantity extraction formula list according to the genetic algorithm. Thereafter, the process returns to step S3, and the processes after step S3 are repeated.
そして、ステップS7において、現時点で生成されている目的特徴量計算式による計算結果が所望の精度に達した、またはユーザにより終了操作が行われたと判定された場合、処理はステップS9に進められる。 If it is determined in step S7 that the calculation result based on the target feature amount calculation formula generated at the present time has reached a desired accuracy or the user has performed an end operation, the process proceeds to step S9.
ステップS9において、目的特徴量計算式生成部13は、現世代の特徴量抽出式リストと、現時点で生成されている目的特徴量計算式を、最終世代の特徴量抽出式リストとそれに対応するk本の目的特徴量計算式として最適化部15に出力する。
In step S <b> 9, the target feature quantity calculation
ステップS10において、最適化部15は、目的特徴量計算式生成部13から入力された最終世代の特徴量抽出式リストの各特徴量抽出式f1乃至fmを最適化するとともに、最適化した各特徴量抽出式f1乃至fmを用いた目的特徴量計算式を再構築する。
In step S10, the
最適化部15によるステップS10の処理について、図11のフローチャートを参照して詳述する。
The process of step S10 by the
ステップS41において、特徴量抽出式最適化部16は、最終世代の特徴量抽出式リストを構成する各特徴量抽出式f1乃至fm中から最適化パターンを検出して、同等の結果を得られるより処理負荷の小さい演算に置換する第1次最適化を行う。
In step S41, the feature quantity extraction
ステップS42において、特徴量抽出式最適化部16は、第1次最適化後の各特徴量抽出式f1乃至fmを、より短い計算時間で同等の計算結果が得られるよう遺伝的アルゴリズムを利用して第2次最適化を行う。
In step S42, the feature quantity extraction
特徴量抽出式最適化部16によるステップS42の処理について、図12のフローチャートを参照して詳述する。
The process of step S42 by the feature quantity extraction
ステップS51において、特徴量抽出式最適化部16は、第1次最適化後の最終世代の特徴量抽出式リストを構成する特徴量抽出式f1乃至fmを順に1つずつ注目して特徴量抽出式リストループを開始する。なお、特徴量抽出式リストループは、特徴量抽出式リストを構成する特徴量抽出式f1乃至fmの数m)だけ繰り返される。
In step S51, the feature quantity extraction
ステップ52において、特徴量抽出式最適化部16は、注目する特徴量抽出式fjの一部を突然変異させたR本の最適化候補式fj’r(r=1,2,・・・,R)を生成し、第1世代の最適化候補式群とする。
In step 52, the feature quantity extraction
ステップS53において、特徴量抽出式最適化部16は、注目する特徴量抽出式fjにS個の評価データ(入力データCと同じ種類のデータ)を代入して、S個の特徴量fj[]を計算する。
In step S53, the feature quantity extraction
ステップS54において、特徴量抽出式最適化部16は、現世代の最適化候補式群を構成するR本の最適化候補式を順に1つずつ注目して最適化候補式群ループを開始する。なお、最適化候補式群ループは、最適化候補式群を構成する最適化候補式の数だけ繰り返される。
In step S54, the feature quantity extraction
ステップS55において、特徴量抽出式最適化部16は、注目する最適化候補式fj’rに、ステップ53でも用いたS個の評価データを代入して、S個の特徴量fj’r[]を計算するとともに、各評価データを代入したときの計算時間を測定し、さらに平均計算時間を算出する。
In step S55, the feature quantity extraction
ステップS56において、特徴量抽出式最適化部16は、ステップS53の処理結果であるS個の特徴量fj[]と、ステップS55の処理結果であるS個の特徴量fj’r[]との相関度を示すpearsonの相関係数を計算し、S個の特徴量fj[]と、S個の特徴量fj’r[]との相関度がほぼ1.0であるか否かを判定する。そして、S個の特徴量fj[]と、S個の特徴量fj’r[]との相関度がほぼ1.0であると判定された場合、処理はステップS57に進められる。
In step S56, the feature quantity extraction
ステップS57において、特徴量抽出式最適化部16は、注目する最適化候補式fj’rの評価値として、ステップS55の処理で算出された平均計算時間の逆数を設定する。
In step S57, the feature amount extraction
なお、ステップS56において、S個の特徴量fj[]と、S個の特徴量fj’r[]との相関度がほぼ1.0ではないとあるか否かを判定する。そして、S個の特徴量fj[]と、S個の特徴量fj’r[]との相関度がほぼ1.0ではないと判定された場合、処理はステップS58に進められる。 In step S56, it is determined whether or not the degree of correlation between the S feature values fj [] and the S feature values fj ′ r [] is not approximately 1.0. If it is determined that the degree of correlation between the S feature values fj [] and the S feature values fj ′ r [] is not approximately 1.0, the process proceeds to step S58.
ステップS58において、特徴量抽出式最適化部16は、注目する最適化候補式fj’rの評価値にその範囲の最低値を設定する。
In step S58, the feature amount extraction
ステップS57の処理またはステップS58の処理で、注目する最適化候補式fj’rの評価値が決定された後、処理はステップS59に進められる。ステップS59において、特徴量抽出式最適化部16は、現世代の最適化候補式群を構成する全ての最適化候補式fj’rを注目したか否か判定し、注目していない最適化候補式fj’rが残っている場合、処理をステップS54に戻し、ステップS54乃至S59の処理を繰り返す。そして、ステップS59において、現世代の最適化候補式群を構成する全ての最適化候補式fj’rを注目したと判定された場合、処理はステップS60に進められる。
In processing or the processing in step S58 in step S57, the after evaluation value of the optimizing candidate expression fj 'r of interest has been determined, the process proceeds to step S59. In step S59, the feature amount extraction
ステップS60において、特徴量抽出式最適化部16は、最も評価が良い最適化候補式の評価値が、所定の数世代の間、向上していないか否かを判定する。そして、最も評価が良い最適化候補式の評価値が向上している、または、まだ向上しなくなってから所定の世代数が経過していないと判定された場合、処理はステップS61に進められる。
In step S60, the feature quantity extraction
ステップS61において、特徴量抽出式最適化部16は、現世代の最適化候補式群を各最適化候補式fj’rの評価値に基づく、遺伝的アルゴリズムによって更新することにより、次世代の最適化候補式群を生成する。ただし、次世代の最適化候補式群には、前世代の最も評価が良い最適化候補式を含めるようにし、残りの(R−1)本の最適化候補式は、前世代の最も評価が良い最適化候補式と、注目する特徴量抽出式fjとの一部をそれぞれ突然変異させて生成するようにする。処理はステップS54に戻り、それ以降の処理が繰り返される。
In step S61, the feature amount extraction
そして、ステップS60において、最も評価が良い最適化候補式の評価値が、所定の数世代の間、向上していないと判定された場合、処理はステップS62に進められる。 If it is determined in step S60 that the evaluation value of the optimization candidate formula having the best evaluation has not improved for a predetermined number of generations, the process proceeds to step S62.
以上、ステップS52乃至S60の処理により、第1次最適化後の最終世代の特徴量抽出式リストを構成する全ての特徴量抽出式のうちの1本に第2次最適化が行われたことになる。 As described above, the second optimization has been performed on one of all the feature quantity extraction formulas constituting the feature quantity extraction formula list of the final generation after the first optimization by the processing of steps S52 to S60. become.
ステップS62において、特徴量抽出式最適化部16は、第1次最適化後の最終世代の特徴量抽出式リストを構成する全ての特徴量抽出式f1乃至fmを注目したか否か判定し、注目していない特徴量抽出式fjが残っている場合、処理をステップS51に戻し、ステップS51乃至S62の処理を繰り返す。そして、ステップS62において、第1次最適化後の最終世代の特徴量抽出式リストを構成する全ての特徴量抽出式f1乃至fmを注目したと判定された場合、第1次最適化後の最終世代の特徴量抽出式リストを構成する全ての特徴量抽出式f1乃至fmに第2次最適化が行われたことになるので、処理は図11のステップS43に進められる。
In step S62, the feature quantity extraction
図11に戻る。ステップS43において、目的特徴量計算式再構築部17は、第2次最適化された特徴量抽出式f1乃至fmと教師データを元にして、統計解析、機械学習により、目的特徴量計算式生成部13から供給されたk本の目的特徴量計算式を再構築する。そして、最終的な特徴量抽出式リストと目的特徴量計算式が出力されて、目的特徴量計算式構築システム10の動作が終了される。
Returning to FIG. In step S43, the target feature quantity calculation
以上、目的特徴量計算式構築システム10の動作説明を終了する。 This is the end of the description of the operation of the target feature quantity calculation formula construction system 10.
以上説明したように、本発明を適用した目的特徴量計算式構築システム10によれば、既存特徴量を利用して目的特徴量計算式を自動構築するので、特徴量計算式の計算結果のみを用いて目的特徴量計算式を構築した場合と比較して、冗長と成りがちな特徴量抽出式の数を少なくすることができる。よって、目的特徴量計算式から目的特徴量を計算するときの演算処理量を減少させることができる。 As described above, according to the target feature quantity calculation formula construction system 10 to which the present invention is applied, the target feature quantity formula is automatically constructed using the existing feature quantity, so only the calculation result of the feature quantity formula is obtained. The number of feature quantity extraction formulas that tend to be redundant can be reduced as compared with the case where the target feature quantity computation formula is constructed. Therefore, it is possible to reduce the amount of calculation processing when calculating the target feature value from the target feature value calculation formula.
また、本発明を適用した目的特徴量計算式構築システム10によれば、計算時間が長い特徴量計算式の遺伝子を遺伝的アルゴリズムにおいて後世に残さないようにしているので、演算時間に制約を設けた目的特徴量計算式を構築することができる。また、目的特徴量計算式の構築時間が短縮することができる。 In addition, according to the target feature amount calculation formula construction system 10 to which the present invention is applied, since the gene of the feature amount calculation formula having a long calculation time is not left behind in the genetic algorithm, the calculation time is limited. The target feature quantity calculation formula can be constructed. In addition, the construction time of the target feature amount calculation formula can be shortened.
さらに、本発明を適用した目的特徴量計算式構築システム10によれば、特徴量抽出式リストを構成する特徴量抽出式を最適化しているので、目的特徴量計算式から目的特徴量を計算するときの演算処理量を減少させることができる。 Furthermore, according to the target feature quantity calculation formula construction system 10 to which the present invention is applied, the feature quantity extraction formula constituting the feature quantity extraction formula list is optimized, so the target feature quantity is calculated from the target feature quantity calculation formula. The amount of computation processing can be reduced.
ところで、上述した一連の処理は、ハードウェアにより実行することもできるし、ソフトウェアにより実行することもできる。一連の処理をソフトウェアにより実行する場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。 By the way, the above-described series of processing can be executed by hardware or can be executed by software. When a series of processing is executed by software, a program constituting the software may execute various functions by installing a computer incorporated in dedicated hardware or various programs. For example, it is installed from a program recording medium in a general-purpose personal computer or the like.
図13は、上述した一連の処理をプログラムにより実行するコンピュータのハードウェアの構成例を示すブロック図である。 FIG. 13 is a block diagram illustrating a hardware configuration example of a computer that executes the above-described series of processing by a program.
このコンピュータ100において、CPU(Central Processing Unit)101,ROM(Read Only Memory)102,RAM(Random Access Memory)103は、バス104により相互に接続されている。
In this computer 100, a CPU (Central Processing Unit) 101, a ROM (Read Only Memory) 102, and a RAM (Random Access Memory) 103 are connected to each other by a
バス104には、さらに、入出力インタフェース105が接続されている。入出力インタフェース105には、キーボード、マウス、マイクロホンなどよりなる入力部106、ディスプレイ、スピーカなどよりなる出力部107、ハードディスクや不揮発性のメモリなどよりなる記憶部108、ネットワークインタフェースなどよりなる通信部109、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどの着脱可能な記録媒体111を駆動するドライブ110が接続されている。
An input /
以上のように構成されるコンピュータでは、CPU101が、例えば、記憶部108に記憶されているプログラムを、入出力インタフェース105およびバス104を介して、RAM103にロードして実行することにより、上述した一連の処理が行われる。
In the computer configured as described above, the
なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。 The program executed by the computer may be a program that is processed in time series in the order described in this specification, or in parallel or at a necessary timing such as when a call is made. It may be a program for processing.
また、プログラムは、1台のコンピュータにより処理されるものであってもよいし、複数のコンピュータによって分散処理されるものであってもよい。さらに、プログラムは、遠方のコンピュータに転送されて実行されるものであってもよい。 The program may be processed by a single computer, or may be distributedly processed by a plurality of computers. Furthermore, the program may be transferred to a remote computer and executed.
また、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。 Further, in this specification, the system represents the entire apparatus constituted by a plurality of apparatuses.
なお、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。 The embodiment of the present invention is not limited to the above-described embodiment, and various modifications can be made without departing from the gist of the present invention.
10 目的特徴量計算式構築システム, 11 特徴量抽出式リスト生成部, 12 特徴量計算部, 13 目的特徴量計算式生成部, 14 評価値計算部, 15 最適化部, 16 特徴量抽出式最適化部, 17 目的特徴量計算式再構築部, 101 CPU, 111 記録媒体 DESCRIPTION OF SYMBOLS 10 Objective feature quantity formula construction system, 11 Feature quantity extraction formula list generation part, 12 Feature quantity calculation part, 13 Objective feature quantity calculation formula generation part, 14 Evaluation value calculation part, 15 Optimization part, 16 Feature quantity extraction formula optimization Unit, 17 target feature value calculation formula reconstruction unit, 101 CPU, 111 recording medium
Claims (6)
複数の演算子から成る特徴量抽出式を複数含む次世代の特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、所定の評価値計算方法により計算された前記特徴量抽出式の評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成する特徴量抽出式リスト生成手段と、
前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定する特徴量計算手段と、
計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成する目的特徴量計算式生成手段と、
前記特徴量抽出式リストに含まれる各特徴量抽出式の前記評価値を前記所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正する評価値計算手段と
を含む情報処理装置。 Performs selection processing, crossover processing, mutation processing, and random generation processing on the previous generation gene, and uses the genetic algorithm to generate the next generation gene, and outputs the target feature amount corresponding to the input data In an information processing apparatus that generates a target feature amount calculation formula to be
More of the plurality including a feature amount extraction expression list of the next generation feature quantity extraction formula consisting of operators, it is considered that the gene a plurality of feature quantity extraction formulas included in the feature amount extraction expression list of the previous generation, predetermined evaluation a feature quantity extraction formula list generation unit for generating by updating the characteristic amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of the feature quantity extraction formula calculated by the value calculating method,
Each feature quantity extraction formulas included in the feature quantity extraction formula list, and enter the actual data supplied as teacher data, along with calculating a plurality of feature amounts corresponding to the actual data, of each feature extraction equation A feature amount calculation means for measuring an average calculation time;
Using the plurality of feature amounts corresponding to the calculated actual data, the target feature amount calculation formula is obtained by predetermined machine learning for estimating the target feature amount corresponding to the actual data supplied as teacher data. A target feature quantity formula generation means for generating
The evaluation value of each feature quantity extraction formula included in the feature quantity extraction formula list is calculated by the predetermined evaluation value calculation method , and the calculated evaluation value is corrected based on the average calculation time of each feature quantity extraction formula an evaluation value calculating means for including an information processing apparatus.
前記評価値計算手段は、前記特徴量抽出式の前記評価値として、生成される各目的特徴量抽出式に対する前記特徴量抽出式の寄与率を合計した合計寄与率を計算するか、またはpearson相関係数の平均値を計算するThe evaluation value calculation means calculates a total contribution ratio obtained by summing up the contribution ratios of the feature quantity extraction formulas for each generated target feature quantity extraction formula as the evaluation value of the feature quantity extraction formula, or a pearson phase Calculate the average number of relationships
請求項1に記載の情報処理装置。The information processing apparatus according to claim 1.
請求項2に記載の情報処理装置。 The target feature amount calculation formula generation means selectively uses some of the plurality of feature amounts corresponding to the calculated actual data, and the target feature corresponding to the actual data supplied as teacher data The target feature amount calculation formula is generated by the predetermined machine learning for estimating the amount.
The information processing apparatus according to 請 Motomeko 2.
請求項3に記載の情報処理装置。 The target feature quantity calculation formula generation means selectively uses some of the plurality of feature quantities corresponding to the calculated actual data based on an average calculation time of the corresponding feature extraction formula, The target feature quantity calculation formula is generated by the predetermined machine learning for estimating the target feature quantity corresponding to the actual data supplied as
The information processing apparatus according to 請 Motomeko 3.
複数の演算子から成る特徴量抽出式を複数含む特徴量抽出式リストをランダムに生成し、
前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定し、
計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成し、
前記特徴量抽出式リストに含まれる各特徴量抽出式の評価値を所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正し、
次世代の前記特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、前記所定の評価値計算方法により計算された前記特徴量抽出式の前記評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成する
ステップを含む情報処理方法。 Performs selection processing, crossover processing, mutation processing, and random generation processing on the previous generation gene, and uses the genetic algorithm to generate the next generation gene, and outputs the target feature amount corresponding to the input data In an information processing method of an information processing apparatus for generating a target feature quantity calculation formula to be performed,
A feature quantity extraction formula list including a plurality of feature quantity extraction formulas composed of a plurality of operators is randomly generated.
Each feature quantity extraction formulas included in the feature quantity extraction formula list, and enter the actual data supplied as teacher data, along with calculating a plurality of feature amounts corresponding to the actual data, of each feature extraction equation Measure the average calculation time,
Using the plurality of feature amounts corresponding to the calculated actual data, the target feature amount calculation formula is obtained by predetermined machine learning for estimating the target feature amount corresponding to the actual data supplied as teacher data. Produces
As well as calculated by the feature quantity extraction formula ways commentary value of predetermined evaluation value calculation included in the feature quantity extraction formula list, the calculated the evaluation value corrected based on the average computation time of each feature quantity extraction formula,
The characteristic amount extraction expression list of the next generation, before regarded as the gene a plurality of feature quantity extraction formulas included in the feature quantity extraction formula list generation, the feature amount calculated by the predetermined evaluation value calculation method extracts including information processing method the step of generating by updating the characteristic amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of the expression.
複数の演算子から成る特徴量抽出式を複数含む特徴量抽出式リストをランダムに生成し、
前記特徴量抽出式リストに含まれる各特徴量抽出式に、教師データとして供給された実データを入力して、前記実データに対応する複数の特徴量を計算するとともに、各特徴抽出式の平均計算時間を測定し、
計算された前記実データに対応する前記複数の特徴量を用いて、教師データとして供給された前記実データに対応する目的特徴量を推定するための所定の機械学習により、前記目的特徴量計算式を生成し、
前記特徴量抽出式リストに含まれる各特徴量抽出式の評価値を所定の評価値計算方法により計算するとともに、計算した前記評価値を各特徴量抽出式の平均計算時間に基づいて修正し、
次世代の前記特徴量抽出式リストを、前世代の前記特徴量抽出式リストに含まれる複数の特徴量抽出式を前記遺伝子とみなし、前記所定の評価値計算方法により計算された前記特徴量抽出式の前記評価値に基づいた前記遺伝的アルゴリズムを用いて前世代の前記特徴量抽出式リストを更新することにより生成する
ステップを含む処理を情報処理装置のコンピュータに実行させるプログラム。 Performs selection processing, crossover processing, mutation processing, and random generation processing on the previous generation gene, and uses the genetic algorithm to generate the next generation gene, and outputs the target feature amount corresponding to the input data A program for controlling an information processing apparatus for generating a target feature quantity calculation formula,
A feature quantity extraction formula list including a plurality of feature quantity extraction formulas composed of a plurality of operators is randomly generated.
Each feature quantity extraction formulas included in the feature quantity extraction formula list, and enter the actual data supplied as teacher data, along with calculating a plurality of feature amounts corresponding to the actual data, of each feature extraction equation Measure the average calculation time,
Using the plurality of feature amounts corresponding to the calculated actual data, the target feature amount calculation formula is obtained by predetermined machine learning for estimating the target feature amount corresponding to the actual data supplied as teacher data. Produces
As well as calculated by the feature quantity extraction formula ways commentary value of predetermined evaluation value calculation included in the feature quantity extraction formula list, the calculated the evaluation value corrected based on the average computation time of each feature quantity extraction formula,
The characteristic amount extraction expression list of the next generation, before regarded as the gene a plurality of feature quantity extraction formulas included in the feature quantity extraction formula list generation, the feature amount calculated by the predetermined evaluation value calculation method extracts program Ru to execute the process including the step of generating in the computer of the information processing apparatus by updating the characteristic amount extraction expression list of the previous generation using the genetic algorithm based on the evaluation value of the expression.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007273416A JP4392621B2 (en) | 2007-10-22 | 2007-10-22 | Information processing apparatus, information processing method, and program |
US12/243,690 US8131657B2 (en) | 2007-10-22 | 2008-10-01 | Information processing device, information processing method, and program |
CN2008101702877A CN101419610B (en) | 2007-10-22 | 2008-10-20 | Information processing device, information processing method |
US13/366,585 US8326779B2 (en) | 2007-10-22 | 2012-02-06 | Information processing device, information processing method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007273416A JP4392621B2 (en) | 2007-10-22 | 2007-10-22 | Information processing apparatus, information processing method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009104273A JP2009104273A (en) | 2009-05-14 |
JP4392621B2 true JP4392621B2 (en) | 2010-01-06 |
Family
ID=40705900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007273416A Expired - Fee Related JP4392621B2 (en) | 2007-10-22 | 2007-10-22 | Information processing apparatus, information processing method, and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4392621B2 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11221608B2 (en) * | 2017-03-16 | 2022-01-11 | Ricoh Company, Ltd. | Diagnosis device, diagnosis system, diagnosis method, and computer-readable medium |
KR20220140123A (en) | 2021-04-09 | 2022-10-18 | 엔에이치엔클라우드 주식회사 | Method and device for deep-learning based computation time management of go game service |
KR20220141979A (en) | 2021-04-14 | 2022-10-21 | 엔에이치엔클라우드 주식회사 | Method and device for deep-learning based simulation count management of go game service |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5359531B2 (en) * | 2009-04-30 | 2013-12-04 | 株式会社ニコン | Genetic processing apparatus, genetic processing method and program |
JP2015230702A (en) * | 2014-06-06 | 2015-12-21 | 株式会社リコー | Processing flow generation apparatus, processing flow generation method, processing flow generation program, manufacturing method of information processor and manufacturing method of information processing program |
CN111859928A (en) * | 2020-07-30 | 2020-10-30 | 网易传媒科技(北京)有限公司 | Feature processing method, device, medium and computing equipment |
-
2007
- 2007-10-22 JP JP2007273416A patent/JP4392621B2/en not_active Expired - Fee Related
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11221608B2 (en) * | 2017-03-16 | 2022-01-11 | Ricoh Company, Ltd. | Diagnosis device, diagnosis system, diagnosis method, and computer-readable medium |
KR20220140123A (en) | 2021-04-09 | 2022-10-18 | 엔에이치엔클라우드 주식회사 | Method and device for deep-learning based computation time management of go game service |
KR20220141979A (en) | 2021-04-14 | 2022-10-21 | 엔에이치엔클라우드 주식회사 | Method and device for deep-learning based simulation count management of go game service |
Also Published As
Publication number | Publication date |
---|---|
JP2009104273A (en) | 2009-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4948118B2 (en) | Information processing apparatus, information processing method, and program | |
Ycart et al. | A study on LSTM networks for polyphonic music sequence modelling | |
JP6622329B2 (en) | Target value estimation system, target value estimation method, and target value estimation program | |
JP4392621B2 (en) | Information processing apparatus, information processing method, and program | |
JP4433323B2 (en) | Information processing apparatus, information processing method, and program | |
Nakamura et al. | Statistical learning and estimation of piano fingering | |
JP4935047B2 (en) | Information processing apparatus, information processing method, and program | |
JP4392620B2 (en) | Information processing device, information processing method, arithmetic device, arithmetic method, program, and recording medium | |
Harrison et al. | An energy-based generative sequence model for testing sensory theories of Western harmony | |
Henkel et al. | Score Following as a Multi-Modal Reinforcement Learning Problem. | |
Meade et al. | Exploring conditioning for generative music systems with human-interpretable controls | |
JP4987282B2 (en) | Information processing apparatus, information processing method, and program | |
JP4392622B2 (en) | Information processing apparatus, information processing method, and program | |
JP6295794B2 (en) | Acoustic signal analysis apparatus and acoustic signal analysis program | |
US8712936B2 (en) | Information processing apparatus, information processing method, and program | |
US8326779B2 (en) | Information processing device, information processing method, and program | |
Gupta et al. | Towards controllable audio texture morphing | |
WO2019176954A1 (en) | Machine learning method, electronic apparatus, electronic musical instrument, model generator for part selection, and method of part determination | |
JP2009110212A (en) | Information processor, information processing method, and program | |
JP2007122186A (en) | Information processor, information processing method and program | |
JP5771575B2 (en) | Acoustic signal analysis method, apparatus, and program | |
EP2053549A2 (en) | Information processing | |
JP2013164863A (en) | Information processing device, information processing method, and program | |
WO2024004564A1 (en) | Acoustic analysis system, acoustic analysis method, and program | |
JP5035598B2 (en) | Information processing apparatus and method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090702 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090821 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090917 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090930 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121023 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131023 Year of fee payment: 4 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |