JP6362893B2 - モデル更新装置及びモデル更新方法 - Google Patents

Description

本発明の実施形態は、遠隔監視システムを対象としたモデル更新装置及びモデル更新方法に関する。

近年、設備の監視、制御、及び診断などの各種のサービスをインターネット経由で遠隔から提供する、いわゆる遠隔監視システムが注目されている。遠隔監視システムでは、設備に設けられたセンサのデータをインターネット経由で取得し、取得したデータに基づいてサービスが提供されており、制御や診断のために対象物の数理モデルを構築し利用する場合がある。また、このような数理モデル生成の手段として、機械学習が利用される場合がありうる。

例えば、エネルギーを管理する遠隔監視システムの場合、入力された電力波形に対して、睡眠中や外出中などのユーザの現在の状態の推測モデルを機械学習により構築し、外出中のラベルが付与された場合に節電モードに移行する、というように、推測結果に応じた制御が行うことが可能である。また、遠隔でビルや家庭内の機器の節電コントロールを行うデマンドレスポンスにおいて、電力抑制の結果としてビル利用者がどの程度の不快感を感じたかを推測し、制御方法の改善に反映することが可能である。

しかしながら、遠隔監視システムにおいて、データに付与されるラベル（出力値の分類カテゴリー）が、人間の感覚（暑い、寒いなど）を示す場合、学習者は、データにラベルを付与するための判定モデルを適切に更新するために、データとラベルとのセットをユーザから取得しなければならず、設備側でのアンケートや再実験が必要であった。遠隔監視システムでは、設備側に常駐する管理者がいない場合もあるため、アンケートや再実験により、データとラベルとのセットを取得し、判定モデルの更新を行うことは困難であった。

学習効率を向上させるための機械学習の一手法として、学習者（コンピュータ）が学習に必要なデータを能動的に選択する能動学習と呼ばれる手法が知られている。例えば、創薬においてスクリーニングなどに適した技術として注目されている。能動学習では、学習者（コンピュータ）が入力されたデータに対して、ラベルの付与を利用者（人）に要求する。

特開２００５−１０７７４３号公報

Warmuth (2003) Support Vector Machines for Active Learning in the Drug Discovery Process: Journal of Chemical InformationSciences, 43(2), pp. 667-673.

遠隔監視システムを対象とし、ユーザがデータに付与したラベルを遠隔から取得し、自動的に判定モデルを更新することができるモデル更新装置及びモデル更新方法を提供する。

一実施形態に係るモデル更新装置は、判定部と、選択部と、取得部と、更新部とを備える。判定部は、センサにより計測された少なくとも１つの計測値と、センサの計測対象領域と、を含むデータセットに付与されるラベルを、計測値の関数である２つ以上のモデルを用いて判定する。選択部は、２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、データセットから確認対象データセットを選択する。取得部は、選択部により選択された確認対象データセットに対してユーザが付与したラベルを取得する。更新部は、確認対象データセットと取得部が取得したラベルとに基づいて、モデルを更新する。

一実施形態に係るモデル更新装置の機能構成を示すブロック図。 センサ情報の一例を示す図。 ユーザ情報の一例を示す図。 データセットの一例を示す図。 ラベルを付与されたデータセットの一例を示す図。 コンピュータ装置の構成を示すブロック図。 図１のモデル更新装置による判定モデル更新処理を示すフローチャート。

以下、実施形態に係るモデル更新装置及びモデル更新方法の実施形態について図面を参照して説明する。ここで、図１は、本実施形態に係るモデル更新装置１００の機能構成を示すブロック図である。

図１のモデル更新装置１００は、センサ情報収集部１０１と、ユーザ情報収集部１０２と、データセット生成部１０３と、データセット抽出１０４と、ラベル判定部１０５と、判定モデル記憶部１０６と、確認対象データセット選択部１０７と、確認対象データセット記憶部１０８と、ユーザ特定部１０９と、ラベル取得部１１０と、学習用データ記憶部１１１と、判定モデル更新部１１２とを備える。

センサ情報収集部１０１（以下、「収集部１０１」という）は、集合住宅、ビル、及びプラントなどに設けられた複数のセンサＳｎ（ｎ＝１，２，・・・）と無線又は有線で通信し、各センサＳｎのセンサ情報を所定の時間間隔で収集する。

図２は、センサ情報の一例を示す図である。図２において、センサ情報は１分間隔で収集されているが、これに限られない。図２に示すように、センサ情報には、各センサＳｎのセンサＩＤ、計測対象領域、計測日時、及び計測値（データ）などが含まれるが、これに限定されるものではない。

計測対象領域とは、センサＳｎによる計測対象として予め定められた空間のことである。計測対象領域は、例えば、部屋ごとや通路ごとに設定される。センサＳｎから取得したセンサ情報に計測対象領域が含まれない場合には、センサＩＤと計装図面などに基づいて、収集部１０１が各センサＳｎの計測対象領域を設定し、センサ情報に追加してもよい。

ユーザ情報収集部１０２（以下、「収集部１０２」という）は、ユーザが有するユーザ端末Ｔｎ（ｎ＝１，２，・・・）と無線又は有線で通信し、各ユーザのユーザ情報を所定の時間間隔で収集する。ここでいうユーザとは、集合住宅、ビル、及びプラントなどの施設や設備の利用者のうち、モデル更新装置１００に予め登録された利用者のことをいう。

ユーザ端末Ｔｎは、収集部１０２と通信可能な任意の端末である。ユーザ端末Ｔｎとして、携帯電話、スマートフォン、ＰＣ、及び専用端末などを用いることができる。ユーザ端末Ｔｎには、ユーザとモデル更新装置１００との間で所定の情報を通信可能にするアプリケーションソフトがインストールされている。

図３は、ユーザ情報の一例を示す図である。図３において、ユーザ情報は１分間隔で収集されているが、これに限られない。図３に示すように、ユーザ情報には、ユーザ端末Ｔｎに予め登録されたユーザのプロファイル情報や、ユーザ端末Ｔｎが随時更新するコンテキスト情報などが含まれる。プロファイル情報には、ユーザＩＤ、及びユーザの属性（性別、年齢、職業など）が含まれる。また、コンテキスト情報には、ユーザ（ユーザ端末Ｔｎ）の位置情報や、位置情報の更新日時などが含まれる。なお、ユーザ端末Ｔｎが特定の場所に固定設置され、不特定多数のユーザが入力する場合もありうる。

データセット生成部１０３（以下、「生成部１０３」という）は、収集部１０１から取得したセンサ情報に基づいて、センサＳｎにより計測された少なくとも１つの計測値と、センサＳｎの計測対象領域と、が含まれるデータセット（ベクトルデータ）を生成する。

図４は、データセットの一例を示す図である。図４に示すように、データセットは、計測日時ごとに、かつ計測対象領域ごとに生成される。例えば、図４のデータセット１０１は、部屋Ａにおける９：００のデータセットである。各データセットには、計測日時及び計測対象領域が同一の複数の計測値が含まれてもよい。

また、生成部１０３は、ユーザ情報を含むデータセットを生成してもよい。この場合、計測日時Ｘかつ計測対象領域Ｙのデータセットには、計測日時Ｘにおける計測対象領域Ｙ内のユーザのユーザ情報が含まれる。ユーザが計測日時Ｘに計測対象領域Ｙ内にいたか否かは、ユーザ情報に含まれる位置情報及び位置情報の更新日時に基づいて判定することができる。

生成部１０３が、外部装置からセンサ情報及びユーザ情報を取得可能な場合には、収集部１０１及び収集部１０２を備えない構成も可能である。

データセット抽出部１０４（以下、「抽出部１０４」という）は、生成部１０３により生成された複数のデータセットの中から、ラベル判定部１０５によりラベル判定処理を行うデータセットを抽出する。抽出部１０４によるデータセットの抽出方法は任意であるが、例えば、相互相関を用いて互いに類似したデータセット群を形成し、形成したデータセット群の中から１つ又は複数のデータセットを抽出する方法が考えられる。抽出部１０４により、ラベル判定処理を行うデータセットを抽出することにより、ラベル判定部１０５によるラベル判定処理や、それ以降の処理に要する時間を短縮することができる。

ラベル判定部１０５（以下、「判定部１０５」という）は、抽出部１０４により抽出されたデータセットに付与されるラベルを、ラベルを付与するための少なくとも２つ以上の判定モデルを用いて判定する。ここでいうラベルとは、判定モデルに入力されたデータセットに対して出力される分類カテゴリーである。本実施形態において、データセットには、「暑い」「快適」「寒い」といった人間の感覚を示すラベルが付与されるものとするが、例えば、「睡眠中」や「外出中」などのユーザの行動を示すラベルや、「故障」「正常」など機器の状態を示すラベルなど、様々な種類のラベルを扱うことが可能であり、扱うラベルの種類は限定しない。

また、判定モデルとは、入力されたデータセットに対してラベルを出力する関数である。関数としては、データセットに含まれる各計測値が代入される変数と、所定のパラメータとを有する数式で表される関数または各測定値とラベルの関係がIF−THENルール形式で表される関数を用いることができる。このような判定モデルとして、例えば、ルールセットモデル、ロジットモデル、重回帰モデル、ニューラルネットワークモデル、分類木モデルなどが挙げられる。

図５は、ラベルを付与されたデータセットの一例を示す図である。図５に示すように、各データセットは、同じ種類のラベルを出力する複数の判定モデルを用いてそれぞれ判定された複数のラベルを付与される。

判定モデル記憶部１０６（以下、「記憶部１０６」という）は、判定部１０５によるラベル判定処理で用いられる複数の判定モデルを記憶している。判定モデルが数式で表される場合、記憶部１０６には、当該数式で用いられる所定のパラメータが記憶される。判定部１０５は、ラベル判定処理の際、記憶部１０６から所望の判定モデルを取得する。

確認対象データセット選択部１０７（以下、「選択部１０７」という）は、判定部１０５による判定結果に基づいて、抽出部１０４により抽出されたデータセットの中から、確認対象データセットを選択する。確認対象データセットは、判定モデルによるラベルの判定が困難なデータセットのことであり、ラベル取得部１１０は、確認対象データセットのラベルをユーザに付与させる。確認対象データセットの選択方法については後述する。

確認対象データセット記憶部１０８（以下、「記憶部１０８」という）は、選択部１０７により選択された確認対象データセットを記憶する。

ユーザ特定部１０９（以下、「特定部１０９」という）は、最新のユーザ情報を参照し、記憶部１０８に記憶された確認対象データセットの計測対象領域内にいるユーザ（ユーザＩＤ）を特定する。特定部１０９は、収集部１０２から最新のユーザ情報を取得してもよい。また、生成部１０３が生成するデータセットにユーザ情報が含まれる場合には、生成部１０３から最新のデータセットを取得してもよい。特定部１０９によるユーザの特定方法については後述する。

ラベル取得部１１０（以下、「取得部１１０」という）は、特定部１０９により特定されたユーザに、ユーザ端末Ｔｎを介してラベルの候補を提示し、ラベルの付与を依頼する。当該依頼は、例えば、ユーザ端末Ｔｎにインストールされた専用のアプリケーションソフトや、メールソフトを利用して行われる。ユーザは、提示されたラベル候補の中から、自分の感覚にしたがってラベルを付与する。

ユーザにより付与されたラベルは、ユーザがラベルの付与した時点のデータセットに対して付与されたラベルである。したがって、ユーザがラベルを付与したデータセットが、必ずしも確認対象データセットと一致するとは限らない。また、ラベルの付与を依頼した時点で計測対象領域内にいたユーザが、計測対象領域外に移動した後にラベルを付与した場合には、取得部１１０は、当該ラベルを除去してもよい。例えば、取得部１１０は、ユーザによりラベルが付与された時点のユーザの位置情報に基づいて、ラベルが計測対象領域外で付与されたか否か判定し、ラベルを除去することができる。取得部１１０はユーザから取得したラベル及びセンサ情報部１０１の収集したデータに基づいて、学習用データを生成する。

学習用データとは、計測対象領域内におけるユーザがラベルを付与した時点のデータセットと、当該データセットに対してユーザが付与したラベルと、が組み合わされたデータである。学習用データ記憶部１１１は、当該データセットをセンサ情報収集部１０１からのセンサ情報とユーザ情報とに基づいて生成してもよいし、生成部１０３から取得してもよい。

学習用データ記憶部１１１（以下、「記憶部１１１」という）は、取得部１１０により生成した新しい学習用データを、元から記憶している学習用データに追加して記憶する。学習用データが一定の数を超えないように矛盾する学習データを排除するため、新しい学習用データを追加する際に、追加時刻の古い学習用データの一部を消去したり、追加する学習用データのラベル以外の要素が類似している古い学習用データを消去したりする場合もあり得る。

判定モデル更新部１１２（以下、「更新部１１２」という）は、記憶部１１１に記憶された学習用データに基づいて、記憶部１０６に記憶された判定モデルを更新する。すなわち、更新部１１２は、学習用データに含まれるデータセットに対して、当該学習用データに含まれるラベルが出力されるように判定モデルのパラメータを調整し、判定モデルを更新する。更新部１１２による判定モデルの更新は、いわゆる教師あり学習に該当するが、学習方法は使用する判定モデルの種類に依存するため、特に限定しない。

以上説明したモデル更新装置１００は、コンピュータ装置２００を基本ハードウェアとして使用することで実現することができる。図６は、コンピュータ装置２００の構成を示すブロック図である。コンピュータ装置２００は、図６に示すように、ＣＰＵ２０１と、入力部２０２と、表示部２０３と、通信部２０４と、主記憶部２０５と、外部記憶部２０６とを備え、これらはバス２０７により相互に接続されている。

入力部２０２は、例えば、キーボードやマウス等の入力デバイスであり、入力デバイスの操作による操作信号をＣＰＵ２０１に出力する。表示部２０３は、例えば、ＬＣＤ（Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）等の表示ディスプレイである。通信部２０４は、無線又は有線の通信手段を有し、所定の通信方式で通信を行う。収集部１０１及び収集部１０２の機能は、通信部２０４により実現される。

外部記憶部２０６は、例えば、ハードディスク、メモリ装置、ＣＤ−Ｒ、ＣＤ−ＲＷ、ＤＶＤ−ＲＡＭ、ＤＶＤ−Ｒ等の記憶媒体である。外部記憶部２０６は、モデル更新装置１００の処理をＣＰＵ２０１に実行させるためのプログラムを記憶している。また、記憶部１０６、記憶部１０８、及び記憶部１１１は、外部記憶部２０６により実現される。

主記憶部２０５は、ＣＰＵ２０１による制御の下で、外部記憶部２０６に記憶されたプログラムを展開し、プログラムの実行時に必要なデータやプログラムの実行により生じたデータ等を記憶する。ＣＰＵ２０１が当該プログラムを実行することにより、生成部１０３、抽出部１０４、判定部１０５、選択部１０７、特定部１０９、取得部１１０、及び更新部１１２の機能構成は実現される。主記憶部２０５は、例えば、揮発性メモリや不揮発性メモリ等の任意のメモリである。

上記のプログラムは、コンピュータ装置に予めインストールされていてもよいし、ＣＤ−ＲＯＭ等の記憶媒体に記憶され、コンピュータ装置２００に適宜インストールされてもよい。なお、入力部２０２、表示部２０３、及び通信部２０４を備えない構成も可能である。

次に、本実施形態に係るモデル更新装置による判定モデル更新処理について図７を参照して説明する。図７に示すように、判定モデル更新処理が開始されると、まず、生成部１０３は、収集部１０１が収集したセンサ情報を取得し、複数のデータセットを生成する（ステップＳ１）。

抽出部１０４は、生成部１０３が生成した複数のデータセットを取得し、当該複数のデータセットの中から、ラベル判定処理を行うデータセットを抽出する（ステップＳ２）。抽出部１０４は、例えば、相互相関を用いて互いに類似したデータセット群を形成し、形成したデータセット群の中から１つ又は複数のデータセットを抽出する。

判定部１０５は、抽出部１０４が抽出したデータセットを取得し、記憶部１０６に記憶された判定モデルを複数取得し、各データセットに付与される複数のラベルを判定する（ステップＳ３）。

選択部１０７は、判定部１０５により判定された各データセットのラベルに基づいて、確認対象データセットを選択する（ステップＳ５）。図５に示したように、各データセットに複数のラベルが付与されている場合、すなわち、判定部１０５が複数の判定モデルを用いて各データセットに付与されるラベルを判定した場合、選択部１０７は、各データセットに付与された複数のラベルを比較して、ラベルにばらつきがあるデータセットを確認対象データセットとして選択する。

ラベルにばらつきがあるデータセットは、判定モデルによって異なるラベルが付与されるため、現在用いられている判定モデルではラベルを一意に特定することが困難なデータセットである。このようなデータセットを確認対象データセットとして選択し、判定モデルの更新に用いることで、判定モデルによる判定精度を向上させることができる。

具体的には、選択部１０７は、各データセットのラベルのばらつき度合いと、所定の閾値とを比較して、確認対象データセットを選択する。例えば、ばらつき度合いを示す指標として、同一のラベルの数を用いることができる。この場合、選択部１０７は、データセットに付与された複数のラベルのうち、同一のラベルが所定の個数又は所定の割合以下のデータセットを確認対象データセットとして選択する。

また、ばらつき度合いを示す指標として、各データセットにラベルを付与するために用いられた判定モデルの数と、各データセットに付与されたラベルと、に基づいて算出されるエントロピーを用いることができる。エントロピーは、能動学習の１方式であるQuery By Committee法などを参考にして、以下の式により計算できる。

上記の式において、Ｃは判定モデルの数（分類器数）であり、Ｖ（ｙ）は、ラベルｙと判定した判定モデルの数である。選択部１０７は、このように計算されたエントロピーと所定の閾値とを比較して、閾値よりエントロピーが大きい、もしくは、エントロピーが大きい順に一定個数のデータセットを確認対象データセットとして選択する。

なお、確認対象データセットの選択基準としては、他の能動学習の方法も利用可能であり、特に限定はしない。例えば、ロジットモデルなど、データｘを入力した場合にラベルの確からしさの確率Ｐ（y|x）を出力するタイプのモデルを利用する場合、Uncertainly Sampling法によりデータの判定の不確かさを判定することもあり得る。この場合、エントロピーは、以下の式により計算できる。

選択部１０７は、上述のように算出されたラベルのばらつき度合いに応じて、確認対象データセットに優先度を設定してもよい。優先度が設定された場合、取得部１１０は、優先度が高い確認対象データセットから優先的に、ユーザにラベルの付与を依頼する。これにより、判定モデルは、優先度が高い確認対象データセットに基づいて優先的に更新される。選択部１０７は、例えば、ラベルのばらつき度合いが大きい確認対象データセットに高い優先度を設定する。

選択部１０７により選択された確認対象データセットは、記憶部１０８に記憶される。

特定部１０９は、所定の時間間隔で、あるいは、記憶部１０８に所定の数の確認対象データセットが記憶されたタイミングで、ラベルの付与を依頼するユーザを特定する（ステップＳ５）。特定部１０９は、まず、ユーザを特定する確認対象データセットを選択し、選択した確認対象データセットの計測対象領域とセンサ情報セットを取得する。次に、最新のユーザ情報を参照して、取得した計測対象領域にいるユーザを、ラベルの付与を依頼するユーザとして特定する。特定部１０９は、上記の処理を各確認対象データセットに対して実施する。

特定部１０９は、確認対象データセットにユーザ情報が含まれる場合、計測対象領域にいるユーザの中から、ユーザ情報に基づいて、ラベルの付与を依頼するユーザを特定することができる。例えば、確認対象データセットに含まれるユーザ情報の属性の傾向を特定し、当該傾向に合致した属性を有するユーザを、ラベルの付与を依頼するユーザとして特定してもよい。具体的には、確認対象データセットから、計測対象領域には女性が多くいることが判明した場合、女性ユーザにラベルの付与を依頼することが考えられる。

このように、ユーザ情報を考慮してユーザを特定することにより、ユーザから得られるラベルがより実態に近いものとなる。したがって、当該ラベルを用いて判定モデルを更新することにより、判定モデルの判定精度を向上させることができる。

また、特定部１０９は、計測対象領域における計測値が、確認対象データセットの計測値と同一の又は類似する計測値の場合にのみ、ユーザの特定を行ってもよい。例えば、確認対象データセットが（部屋Ａ，温度２２℃，湿度４０％）の場合、特定部１０９は、部屋Ａの計測値が（温度２２℃，湿度４０％）と同一の又は類似するときにのみユーザの特定を行う。計測値が類似するか否かは、計測値ごとに設定された類似範囲や、相互相関を用いることにより判定することができる。

このように、計測対象領域の計測値を考慮してユーザを特定することにより、確認対象データセットと同一の又は類似したデータセットに対するラベルをユーザから取得することができる。したがって、効率的に判定モデルを更新することができる。

取得部１１０は、特定部１０９により特定された各ユーザのユーザ端末Ｔｎに、例えば、『貴方はどう感じていますか？「暑い」「快適」「寒い」のいずれかのボタンを押して選択して下さい』といった質問を表示し、ユーザからラベルを取得する（ステップＳ６）。

取得部１１０は、ユーザからラベルを取得すると、取得したラベルと、当該ラベルが付与された時点のデータセットとに基づいて、学習用データを生成する（ステップＳ７）。取得部１１０により生成された学習用データは、記憶部１１１に記憶される。

更新部１１２は、所定の時間間隔で、あるいは、記憶部１１１に所定の数の学習用データが記憶されたタイミングで、学習用データと判定モデルとを取得し、取得した学習用データを用いて判定モデルを更新する（ステップＳ８）。更新部１１２により更新された判定モデルは、記憶部１０６に記憶される。なお、図７の判定モデル更新処理は、本システムの運用中に周期的に反復される処理である。また、ステップＳ１からＳ４までの処理、ステップＳ５からＳ６の処理、及びステップＳ６からＳ７の処理は、記憶部１０８及び記憶部１１１に蓄えられたデータを介して並行して実施可能な処理であり、必ずしも逐次的に実施されるとは限らない。

以上説明した通り、本実施形態に係るモデル更新装置１００及びモデル更新方法によれば、ユーザがデータセットに付与したラベルを、ユーザ端末Ｔｎを介して遠隔から取得することができる。また、取得したラベルを用いて、判定モデルを自動的に更新することができる。したがって、判定モデルを更新するために、アンケートや再実験が不要となるため、判定モデルの判定精度を容易に向上させることができる。モデル更新装置１００を遠隔監視システムに適用した場合には、遠隔監視システムが提供するサービスの質を容易に向上させることができる。

なお、本発明は上記各実施形態そのまま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構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

１００：モデル更新装置、１０１：センサ情報収集部、１０２：ユーザ情報収集部、１０３：データセット生成部、１０４：データセット抽出部、１０５：ラベル判定部、１０６：判定モデル記憶部、１０７：確認対象データセット選択部、１０８：確認対象データセット記憶部、１０９：ユーザ特定部、１１０：ラベル取得部、１１１：学習用データ記憶部、１１２：判定モデル更新部、２００：コンピュータ装置、２０１：ＣＰＵ、２０２：入力部、２０３：表示部、２０４：通信部、２０５：主記憶部、２０６：外部記憶部、２０７：バス、Ｓｎ：センサ、Ｔｎ：ユーザ端末

Claims (9)

1. センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定する判定部と、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択する選択部と、
   前記確認対象データセットの計測対象領域内のユーザを特定する特定部と、
   前記選択部により選択された確認対象データセットに対して前記特定部で特定されたユーザが付与したラベルを取得する取得部と、
   前記確認対象データセットと前記取得部が取得したラベルとに基づいて、前記モデルを更新する更新部と、
   を備える、モデル更新装置。
2. 前記取得部は、計測対象領域における計測値が、前記確認対象データセットの計測値と同一もしくは類似する計測値の場合にのみ、前記計測対象領域内に存在するユーザからラベルを取得する請求項１に記載のモデル更新装置。
3. センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定する判定部と、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択する選択部と、
   前記選択部により選択された確認対象データセットに対してユーザが付与したラベルを取得する取得部と、
   前記確認対象データセットと前記取得部が取得したラベルとに基づいて、前記モデルを更新する更新部と、を備え、
   前記取得部は、計測対象領域における計測値が、前記確認対象データセットの計測値と同一もしくは類似する計測値の場合にのみ、前記計測対象領域内に存在するユーザからラベルを取得するモデル更新装置。
4. 前記選択部は、前記複数のモデルによりそれぞれ判定された複数のラベルのばらつき度合いに基づいて、前記確認対象データセットを選択する請求項１乃至３のいずれか一項に記載のモデル更新装置。
5. 前記選択部は、前記ばらつき度合いの指標として、前記複数のモデルの数と、各モデルにより判定された前記ラベルと、に基づいて算出されるエントロピーを用いる請求項４に記載のモデル更新装置。
6. センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定し、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択し、
   前記確認対象データセットの計測対象領域内のユーザを特定し、
   前記選択された確認対象データセットに対して前記特定されたユーザが付与したラベルを取得し、
   前記確認対象データセットと前記取得されたラベルとに基づいて、前記モデルを更新するモデル更新方法。
7. センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定し、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択し、
   前記選択された確認対象データセットに対してユーザが付与したラベルを取得し、
   前記確認対象データセットと前記取得したラベルとに基づいて、前記モデルを更新し、
   計測対象領域における計測値が、前記確認対象データセットの計測値と同一もしくは類似する計測値の場合にのみ、前記計測対象領域内に存在するユーザからラベルを取得するモデル更新方法。
8. コンピュータに、
   センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定するステップと、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択するステップと、
   前記確認対象データセットの計測対象領域内のユーザを特定するステップと、
   前記選択された確認対象データセットに対して前記特定されたユーザが付与したラベルを取得するステップと、
   前記確認対象データセットと前記取得されたラベルとに基づいて、前記モデルを更新するステップと、
   を実行させる、プログラム。
9. コンピュータに、
   センサにより計測された少なくとも１つの計測値と、前記センサの計測対象領域と、を含むデータセットに対応するラベルを、前記計測値の関数である２つ以上のモデルを用いて判定するステップと、
   前記２つ以上のモデルによりそれぞれ判定された２つ以上のラベルに基づいて、前記データセットから、ラベルの判定が困難な確認対象データセットを選択するステップと、
   前記選択された確認対象データセットに対してユーザが付与したラベルを取得するステップと、
   前記確認対象データセットと前記取得されたラベルとに基づいて、前記モデルを更新するステップと、を実行させ、
   前記ラベルを取得する際には、計測対象領域における計測値が、前記確認対象データセットの計測値と同一もしくは類似する計測値の場合にのみ、前記計測対象領域内に存在するユーザからラベルを取得する、プログラム。

Images