JP6615946B1 - Distributed machine learning system - Google Patents
Distributed machine learning system Download PDFInfo
- Publication number
- JP6615946B1 JP6615946B1 JP2018110761A JP2018110761A JP6615946B1 JP 6615946 B1 JP6615946 B1 JP 6615946B1 JP 2018110761 A JP2018110761 A JP 2018110761A JP 2018110761 A JP2018110761 A JP 2018110761A JP 6615946 B1 JP6615946 B1 JP 6615946B1
- Authority
- JP
- Japan
- Prior art keywords
- terminal
- teacher data
- processing
- machine learning
- management terminal
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】ブロックチェーンネットワークを維持するリソースの効率的な稼働を行う。【解決手段】本発明による分散型機械学習システム１００は、教師データ供給端末２と、教師データ供給端末から教師データの提供を受けて所定のアルゴリズムの最適化処理タスクを生成する学習管理端末１と、最適化処理タスクを学習管理端末から受信する処理プール管理端末３と、処理プール管理端末からの指示を受けて最適化処理タスクを実行する処理端末とを含んでいる。【選択図】図１An object of the present invention is to efficiently operate resources for maintaining a blockchain network. A distributed machine learning system according to the present invention includes a teacher data supply terminal, a learning management terminal that receives teacher data from the teacher data supply terminal and generates an optimization processing task for a predetermined algorithm. The processing pool management terminal 3 that receives the optimization processing task from the learning management terminal and the processing terminal that receives the instruction from the processing pool management terminal and executes the optimization processing task. [Selection] Figure 1
Description
本発明は分散型機械学習システムに関し、特に、マイニングプールに利用されている既システムのリソースを利用（兼用）可能なシステムに関する。 The present invention relates to a distributed machine learning system, and more particularly, to a system that can use (concurrently) resources of an existing system used for a mining pool.
近年、ビットコイン（登録商標）等の暗号通貨（Ｃｒｙｐｔ Ｃｕｒｒｅｎｃｙ）の取引のためにＰ２Ｐ型のシステムが利用されている（例えば、特許文献１参照）。 In recent years, P2P type systems have been used for transactions of cryptocurrencies such as Bitcoin (registered trademark) (see, for example, Patent Document 1).
特に、最近では、ブロックチェーンネットワークにおけるマイニングのプール管理者を報酬の受領者とし、参加するマイナーに同じブロックをマイニングさせ、マイニングに成功した際にプール管理者に支払われた報酬をマイニングの仕事量に応じて、参加者で分配する仕組みも提案されている。 In particular, recently, the mining pool manager in the blockchain network is the recipient of the reward, the participating miners mine the same block, and the reward paid to the pool manager when the mining is successful is the mining workload. In response to this, a mechanism for distributing the contents among participants has also been proposed.
上記のようなブロックチェーンネットワークの維持に必要な計算量（例えば、ＧＰＵによるハッシュパワー）は、膨大な計算を行う能力があるにもかかわらず、マイニングしか行っていないことから、効率的に稼働しているとは言えない。 The amount of computation required to maintain the blockchain network as described above (for example, hash power by GPU) operates efficiently because it has only the ability to perform a huge amount of computation, but only performs mining. I can't say that.
そこで、本発明は、ブロックチェーンネットワークを維持するリソースの効率的な稼働を行うことを目的とする。 Accordingly, an object of the present invention is to efficiently operate resources that maintain a blockchain network.
自動運転車で使用されるような最近のディーニューラルネットワークでは、膨大な量のコンピューティング能力が要求される。特に、最近のニューラルネットワークに必要なコンピューティング能力とトレーニングに必要なデータセットサイズを考慮に入れると、所謂スーパーコンピューターであっても十分でないのが現状である。 Recent de-neural networks such as those used in autonomous vehicles require a huge amount of computing power. In particular, the so-called supercomputer is not sufficient in consideration of the computing ability necessary for recent neural networks and the data set size necessary for training.
例えば、自動運転車のように、安全が極めて重要で、検出精度要件がインターネット業界よりもはるかに高いシステムでは、天候条件、視野、路面の状態にかかわらず、不具合なく動作することが求められる。このレベルの認識精度を達成するため、発生しうる運転操作、天候、状況の条件すべての実例などからなるサンプルデータセットで、ニューラルネットワークをトレーニングする必要がある。本発明はかかる状況に鑑み、発案されたものである。 For example, systems such as self-driving cars, where safety is extremely important and detection accuracy requirements are much higher than in the Internet industry, are required to operate without problems regardless of weather conditions, field of view, and road conditions. In order to achieve this level of recognition accuracy, the neural network needs to be trained with a sample data set consisting of examples of all possible driving maneuvers, weather and situation conditions. The present invention has been made in view of such a situation.
即ち、本発明によれば
教師データ供給端末と、
前記教師データ供給端末から教師データの提供を受けて所定のアルゴリズムの最適化処理タスクを生成する学習管理端末と、
前記最適化処理タスクを前記学習管理端末から受信する処理プール管理端末と、
前記処理プール管理端末からの指示を受けて前記最適化処理タスクを実行する処理端末とを含む、
分散型機械学習システムが得られる。
That is, according to the present invention, a teacher data supply terminal,
A learning management terminal which receives provision of teacher data from the teacher data supply terminal and generates an optimization processing task of a predetermined algorithm;
A processing pool management terminal that receives the optimization processing task from the learning management terminal;
A processing terminal that receives the instruction from the processing pool management terminal and executes the optimization processing task,
A distributed machine learning system is obtained.
本発明によれば、ブロックチェーンネットワークを維持するリソースの効率的な稼働を行うことができる。 According to the present invention, it is possible to efficiently operate resources that maintain a blockchain network.
本発明の実施形態の内容を列記して説明する。本発明の実施の形態によるコンテンツ・プラットフォームシステムは、以下のような構成を備える。
［項目１］
教師データ供給端末と、
前記教師データ供給端末から教師データの提供を受けて所定のアルゴリズムの最適化処理タスクを生成する学習管理端末と、
前記最適化処理タスクを前記学習管理端末から受信する処理プール管理端末と、
前記処理プール管理端末からの指示を受けて前記最適化処理タスクを実行する処理端末とを含む、
分散型機械学習システム
［項目２］
請求項１に記載の分散型機械学習システムであって、
前記教師データ供給端末は、前記アルゴリズムに従って制御される制御部を有しており、
前記学習管理端末は、前記処理プール管理端末及び処理端末の協働によって最適化された前記アルゴリズムを前記教師データ供給端末にフィードバックする、
分散型機械学習システム。
［項目３］
請求項２に記載の分散型機械学習システムであって、
前記教師データ供給端末は、自動車に搭載される端末であり、前記所定のアルゴリズムに従って当該自動車の運転を制御し、前記教師データとして当該自動車の少なくとも走行情報を前記学習管理端末に提供する、
分散型機械学習システム。
The contents of the embodiment of the present invention will be listed and described. The content platform system according to the embodiment of the present invention has the following configuration.
[Item 1]
A teacher data supply terminal;
A learning management terminal which receives provision of teacher data from the teacher data supply terminal and generates an optimization processing task of a predetermined algorithm;
A processing pool management terminal that receives the optimization processing task from the learning management terminal;
A processing terminal that receives the instruction from the processing pool management terminal and executes the optimization processing task,
Distributed machine learning system [Item 2]
The distributed machine learning system according to claim 1,
The teacher data supply terminal has a control unit controlled according to the algorithm,
The learning management terminal feeds back the algorithm optimized by the cooperation of the processing pool management terminal and the processing terminal to the teacher data supply terminal;
Distributed machine learning system.
[Item 3]
The distributed machine learning system according to claim 2,
The teacher data supply terminal is a terminal mounted on a vehicle, controls driving of the vehicle according to the predetermined algorithm, and provides at least travel information of the vehicle as the teacher data to the learning management terminal.
Distributed machine learning system.
＜実施の形態の詳細＞
以下、本発明の実施の形態による分散型機械学習システム（以下「システム」という）について、図面を参照しながら説明する。
<Details of the embodiment>
Hereinafter, a distributed machine learning system (hereinafter referred to as “system”) according to an embodiment of the present invention will be described with reference to the drawings.
＜概要＞
本発明の実施の形態によるシステムは、機械学習等のアルゴリズムの計算（例えば、教師データを読み込みアルゴリズムを最適化させる処理等）をマイニングプールを構成する複数の計算機によって生み出される計算能力を利用又は兼用することによって効率的に行うものである。
<Overview>
The system according to the embodiment of the present invention uses or combines the calculation capability generated by a plurality of computers constituting the mining pool for algorithm calculation such as machine learning (for example, processing for reading the teacher data and optimizing the algorithm). By doing so, it is done efficiently.
＜構成＞
図１に示されるように、本システム１００は、管理サーバ１と、ユーザ端末２（２ａ〜２ｄ）と、プール管理サーバ３（３ａ〜３ｃ）とがネットワーク（インターネット等であり、ブロックチェーンネットワークを含む）５０を介して接続される。
<Configuration>
As shown in FIG. 1, in the present system 100, a management server 1, user terminals 2 (2a to 2d), and pool management servers 3 (3a to 3c) are a network (the Internet or the like), Connected) 50.
本実施の形態において、少なくとも管理サーバ１及びプール管理サーバ３は、ブロックチェーンネットワークにおいて共同管理される台帳（ブロックチェーン）にアクセス・参照・追加可能に接続されている。 In the present embodiment, at least the management server 1 and the pool management server 3 are connected to a ledger (block chain) that is jointly managed in the block chain network so as to be able to access, reference, and add.
なお、後述するように、本実施の形態によるユーザ端末２は、例えば、自動車２ａ、鉄道２ｂ、工場内のロボット２ｃ、バス２ｄ等、自動制御し得る対象であればどのようなものであってもよい。 As will be described later, the user terminal 2 according to the present embodiment is any object that can be automatically controlled, such as an automobile 2a, a railway 2b, a robot 2c in a factory, a bus 2d, and the like. Also good.
＜ハードウェア構成＞
図２及び図３に示されるように、本実施の形態による管理サーバ１とユーザ端末２とは、以下のようなハードウェア構成を有する。なお、以下の構成は一例であり、これ以外の構成を有していても良い。また、各機能ブロックは、それぞれの端末内に存在していてもよいし、クラウドサービス等を通じて利用可能されている等、論理的に構成されていてもよい。
<Hardware configuration>
As shown in FIGS. 2 and 3, the management server 1 and the user terminal 2 according to the present embodiment have the following hardware configuration. The following configuration is an example, and other configurations may be used. In addition, each functional block may exist in each terminal, or may be logically configured such that it can be used through a cloud service or the like.
＜管理サーバ１＞
図２に示されるように、管理サーバ１は、ユーザ端末２とプール管理端末３と通信を介して情報処理を実行することにより、システムの一部を構成する。管理サーバ１は、例えばワークステーションやパーソナルコンピュータのような汎用コンピュータとしてもよいし、或いはクラウド・コンピューティングによって論理的に実現されてもよい。
<Management server 1>
As shown in FIG. 2, the management server 1 constitutes a part of the system by executing information processing via communication with the user terminal 2 and the pool management terminal 3. The management server 1 may be a general-purpose computer such as a workstation or a personal computer, or may be logically realized by cloud computing.
管理サーバ１は、少なくとも、プロセッサ１０、メモリ１１、ストレージ１２、送受信部１３、入出力部１４等を備え、これらはバス１５を通じて相互に電気的に接続される。 The management server 1 includes at least a processor 10, a memory 11, a storage 12, a transmission / reception unit 13, an input / output unit 14, and the like, which are electrically connected to each other through a bus 15.
プロセッサ１０は、管理サーバ１全体の動作を制御し、各要素間におけるデータの送受信の制御、及びアプリケーションの実行に必要な情報処理等を行う演算装置である。例えばプロセッサ１０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であり、ストレージ１２に格納されメモリ１１に展開されたプログラム等を実行して各情報処理を実施する。 The processor 10 is an arithmetic device that controls the operation of the entire management server 1 and performs control of data transmission / reception between elements and information processing necessary for executing an application. For example, the processor 10 is a CPU (Central Processing Unit), and executes each information process by executing a program stored in the storage 12 and expanded in the memory 11.
メモリ１１は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性記憶装置で構成される主記憶と、フラッシュメモリやＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）等の不揮発性記憶装置で構成される補助記憶と、を含む。メモリ１１は、プロセッサ１０のワークエリア等として使用され、また、管理サーバ１の起動時に実行されるＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ ／ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）、及び各種設定情報等を格納する。 The memory 11 includes a main memory composed of a volatile storage device such as a DRAM (Dynamic Random Access Memory) and an auxiliary memory composed of a non-volatile storage device such as a flash memory or an HDD (Hard Disc Drive). . The memory 11 is used as a work area of the processor 10 and stores a BIOS (Basic Input / Output System) executed when the management server 1 is started, various setting information, and the like.
ストレージ１２は、アプリケーション・プログラム、及びブロックチェーンネットワークに対する認証プログラムや機械学習に利用されるアルゴリズム等の各種プログラムを格納する。各処理に用いられるデータを格納したデータベースがストレージ２２に構築されていてもよい。 The storage 12 stores various programs such as an application program, an authentication program for the block chain network, and an algorithm used for machine learning. A database storing data used for each process may be constructed in the storage 22.
送受信部１３は、管理サーバ１をネットワーク３に接続する。なお、送受信部１３は、Ｂｌｕｅｔｏｏｔｈ（登録商標）及びＢＬＥ（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）の近距離通信インタフェースを備えていてもよい。 The transmission / reception unit 13 connects the management server 1 to the network 3. The transmission / reception unit 13 may include a Bluetooth (registered trademark) and a BLE (Bluetooth Low Energy) short-range communication interface.
入出力部１４は、必要に応じて使用するキーボード・マウス類等の情報入力機器、及びディスプレイ等の出力機器である。 The input / output unit 14 is an information input device such as a keyboard / mouse used as necessary, and an output device such as a display.
バス１５は、上記各要素に共通に接続され、例えば、アドレス信号、データ信号及び各種制御信号を伝達する。 The bus 15 is commonly connected to the above-described elements, and transmits, for example, an address signal, a data signal, and various control signals.
＜ユーザ端末２ａ及び２ｂ＞
図３に示されるように、ユーザ端末２は、上述した自動車２ａ、鉄道２ｂ、工場内のロボット２ｃ、バス２ｄ内に備え付けられる又は一体に構成される端末である。ユーザ端末２は、管理サーバ１と通信を介して情報処理を実行することにより、システムの一部を構成する。ユーザ端末２は、例えば自動車の制御システムを制御する端末がその機能を発揮するように構成されていてもよい。
<User terminals 2a and 2b>
As shown in FIG. 3, the user terminal 2 is a terminal that is provided in or integrated with the above-described automobile 2a, railway 2b, factory robot 2c, and bus 2d. The user terminal 2 configures a part of the system by executing information processing via communication with the management server 1. The user terminal 2 may be configured such that, for example, a terminal that controls a vehicle control system exhibits its function.
図視されるように、ユーザ端末２は、少なくとも、プロセッサ２０、メモリ２１、ストレージ２２、送受信部２３、入出力部２４等を備え、これらはバス２５を通じて相互に電気的に接続される。これらの機能は、自動車等の制御システムと共用であってもよい。 As shown in the figure, the user terminal 2 includes at least a processor 20, a memory 21, a storage 22, a transmission / reception unit 23, an input / output unit 24, and the like, and these are electrically connected to each other through a bus 25. These functions may be shared with a control system such as an automobile.
上述した管理サーバ１と同様に、プロセッサ２０は、ユーザ端末２全体の動作を制御し、各要素間におけるデータの送受信の制御、及びアプリケーションの実行に必要な情報処理等を行う演算装置である。例えばプロセッサ２０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であり、ストレージ２２に格納されメモリ２１に展開されたプログラム等を実行して各情報処理を実施する。 Similar to the management server 1 described above, the processor 20 is an arithmetic device that controls the operation of the entire user terminal 2 and performs control of data transmission / reception between elements, information processing necessary for execution of applications, and the like. For example, the processor 20 is a CPU (Central Processing Unit), and executes each information process by executing a program stored in the storage 22 and expanded in the memory 21.
メモリ２１は、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性記憶装置で構成される主記憶と、フラッシュメモリやＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）等の不揮発性記憶装置で構成される補助記憶と、を含む。メモリ２１は、プロセッサ２０のワークエリア等として使用され、また、ユーザ端末２の起動時に実行されるＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ ／ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）、及び各種設定情報等を格納する。 The memory 21 includes a main memory composed of a volatile storage device such as a DRAM (Dynamic Random Access Memory) and an auxiliary memory composed of a nonvolatile storage device such as a flash memory or an HDD (Hard Disc Drive). . The memory 21 is used as a work area of the processor 20 and stores BIOS (Basic Input / Output System) executed when the user terminal 2 is started up, various setting information, and the like.
ストレージ２２は、アプリケーション・プログラム、及びブロックチェーンネットワークに対する認証プログラムや、自動車等の制御のためのアルゴリズム等の各種プログラムを格納する。各処理に用いられるデータを格納したデータベースがストレージ２２に構築されていてもよい。 The storage 22 stores various programs such as an application program, an authentication program for the block chain network, and an algorithm for controlling a car or the like. A database storing data used for each process may be constructed in the storage 22.
送受信部２３は、ユーザ端末２をネットワーク３に接続する。なお、送受信部２３は、Ｂｌｕｅｔｏｏｔｈ（登録商標）及びＢＬＥ（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）の近距離通信インタフェースを備えていてもよい。 The transmission / reception unit 23 connects the user terminal 2 to the network 3. The transmission / reception unit 23 may include a Bluetooth (registered trademark) and a BLE (Bluetooth Low Energy) short-range communication interface.
入出力部２４は、必要に応じて使用するキーボード・マウス類等の情報入力機器、及びディスプレイ等の出力機器である。 The input / output unit 24 is an information input device such as a keyboard / mouse used as necessary, and an output device such as a display.
バス２５は、上記各要素に共通に接続され、例えば、アドレス信号、データ信号及び各種制御信号を伝達する。 The bus 25 is commonly connected to the above-described elements, and transmits, for example, an address signal, a data signal, and various control signals.
＜処理の流れ＞
続いて、図４を参照して、図１に示される各要素の動作とやりとりされる情報について説明する。
<Process flow>
Next, information exchanged with the operation of each element shown in FIG. 1 will be described with reference to FIG.
図４に示されるように、ユーザ端末２（自動車２ａ）は、自身の走行データを教師データとして管理サーバ１に送信する（ＳＱ１０１）。走行データは、例えば、自動車自体の挙動・制御データや自動車に取り付けられたセンサから取得されたデータ（車外の映像等）が含まれるがこれに限られない。 As shown in FIG. 4, the user terminal 2 (automobile 2a) transmits its travel data to the management server 1 as teacher data (SQ101). The travel data includes, for example, behavior / control data of the automobile itself and data (such as an image outside the car) acquired from a sensor attached to the automobile, but is not limited thereto.
自動車２ａは、所定のアルゴリズムによって、「認知」、「判断」、「操作」の3つの処理を連動して行っている。例えば、衝突予防システム、先行車両との車間を調整するシステム、車線からの逸脱を防止するシステムなどが挙げられるが、周囲の自動車や周囲の状況に応じて適切な判断を行い、目的地まで移動する高度なものも含まれる。アルゴリズムは、管理サーバ１から提供され、常に更新されることによって最新の状態に維持される。 The automobile 2a performs three processes of “recognition”, “determination”, and “operation” in conjunction with each other by a predetermined algorithm. For example, a collision prevention system, a system that adjusts the distance from the preceding vehicle, a system that prevents deviation from the lane, etc., but makes an appropriate decision according to the surrounding car and the surrounding situation, and moves to the destination The advanced thing to do is also included. The algorithm is provided from the management server 1 and is kept updated by being constantly updated.
管理サーバ１は、ユーザ端末２から得た教師データに基づいてアルゴリズム（例えば、ニューラルネットワークのパラメータ等）を更新し最適化する。しかしながら、上述したように教師データの特徴量の抽出からアルゴリズムを最適化するまでの処理には膨大な計算量を有することが多く、ユーザ端末２の台数が増えることによりその計算不可も指数関数的に上昇する。 The management server 1 updates and optimizes an algorithm (for example, a parameter of a neural network) based on the teacher data obtained from the user terminal 2. However, as described above, the processing from the extraction of the feature amount of the teacher data to the optimization of the algorithm often has an enormous amount of calculation, and the increase in the number of user terminals 2 makes the calculation impossible as an exponential function. To rise.
そこで、管理サーバ１は、提供された教師データからアルゴリズムを最適化するためのタスクを生成する（ＳＱ１０２）。当該タスクは、単に教師データ単体としてもよいし、教師データに一次加工を施したものとしてもよいし、読み込まれれば即計算を開始できるようにバッチ化されたものであってもよい。 Therefore, the management server 1 generates a task for optimizing the algorithm from the provided teacher data (SQ102). The task may be simply the teacher data alone, may be the teacher data subjected to primary processing, or may be batched so that the calculation can be started immediately if read.
管理サーバ１は、当該タスクをプール管理サーバ３にブロードキャストし、タスクを処理させる（ＳＱ１０３）。本実施の形態によるタスクは、あたかもブロックチェーンネットワークにおけるハッシュ値（ナンス：ｎｏｎｃｅ）の探索と同様の計算をマイニングプールに行わせているものである。この結果、アルゴリズムの更新（最適化）を最も早く行った者に所定の報酬が付与される。即ち、本発明による分散型機械学習システムは、ブロックチェーンにおけるマイニングの作業を機械学習アルゴリズムの更新作業に置き換えて構成されているものである。 The management server 1 broadcasts the task to the pool management server 3 to process the task (SQ103). The task according to the present embodiment causes the mining pool to perform a calculation similar to the search for a hash value (nonce) in the block chain network. As a result, a predetermined reward is given to the person who has updated (optimized) the algorithm the earliest. That is, the distributed machine learning system according to the present invention is configured by replacing the mining work in the block chain with the machine learning algorithm update work.
図５は、本発明をブロックチェーンネットワークに載せた場合のブロックの情報である。ブロックチェーン上にタスク情報が載せられており、当該タスクを処理した処理端末の情報等も記録されることとなる。ここで、各タスクは、それぞれ提供された由来となるユーザ端末が紐づけられている。 FIG. 5 shows block information when the present invention is mounted on a block chain network. Task information is placed on the block chain, and information on the processing terminal that processed the task is also recorded. Here, each task is associated with a user terminal that has been provided.
また、図６に示されるように、各タスクの構造は、例えば、データ全体のサイズ（ｂｌｏｃｋ ｓｉｚｅ）、ヘッダー情報（Ｈｅａｄｅｒ）、タスクの数（ｔａｓｋ ｃｏｕｎｔｅｒ）、処理されるべきタスクの情報（ｔａｓｋ）を少なくとも含んでいる。 Further, as shown in FIG. 6, the structure of each task includes, for example, the size of the entire data (block size), header information (Header), the number of tasks (task counter), and information on tasks to be processed (task). ) At least.
ブロー管理サーバ３は、プールに接続している処理端末（ブロックチェーンネットワークにおける「マイナー：ｍｉｎｅｒ」）に当該タスクの実行を割り当て、計算を行わせる（ＳＱ１０４）。割り当てはランダムであってもよいし、接続されている処理端末の端から順番に割り当ててもよい。 The blow management server 3 assigns execution of the task to a processing terminal connected to the pool (“minor: miner” in the block chain network) and performs calculation (SQ104). The assignment may be random or may be assigned in order from the end of the connected processing terminal.
いずれかの処理端末がアルゴリズムの更新に成功した場合、当該結果情報は、プール管理サーバ３を経由して管理サーバ１に送信される（ＳＱ１０５）。管理サーバ１は、結果情報に基づいてアルゴリズムを更新し（ＳＱ１０６）、ユーザ端末２に提供する（ＳＱ１０７）。 When any of the processing terminals succeeds in updating the algorithm, the result information is transmitted to the management server 1 via the pool management server 3 (SQ105). The management server 1 updates the algorithm based on the result information (SQ106) and provides it to the user terminal 2 (SQ107).
以上説明したシステムによれば、さまざまなユーザ端末から得られた教師データに基づいて効率的に機械学習を行うことが可能となる。 According to the system described above, machine learning can be efficiently performed based on teacher data obtained from various user terminals.
上述した実施の形態は、本発明の理解を容易にするための例示に過ぎず、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良することができると共に、本発明にはその均等物が含まれることは言うまでもない。 The above-described embodiments are merely examples for facilitating understanding of the present invention, and are not intended to limit the present invention. The present invention can be changed and improved without departing from the gist thereof, and it is needless to say that the present invention includes equivalents thereof.
１ 管理サーバ（学習管理端末）
２、２ａ〜２ｄ ユーザ端末（教師データ供給端末）
３、３ａ〜３ｃ プール管理端末（処理プール管理端末）
３０ 処理プール
５０ ネットワーク
１００ システム（分散型機械学習システム）
1 management server (learning management terminal)
2, 2a-2d User terminal (teacher data supply terminal)
3, 3a-3c Pool management terminal (processing pool management terminal)
30 processing pool 50 network 100 system (distributed machine learning system)
Claims (3)
前記教師データ供給端末から教師データの提供を受けて所定のアルゴリズムの最適化処理タスクを生成する学習管理端末と、
前記最適化処理タスクを前記学習管理端末から受信する処理プール管理端末と、
前記処理プール管理端末からの指示を受けて前記最適化処理タスクを実行する処理端末とを含む、
分散型機械学習システム A teacher data supply terminal;
A learning management terminal which receives provision of teacher data from the teacher data supply terminal and generates an optimization processing task of a predetermined algorithm;
A processing pool management terminal that receives the optimization processing task from the learning management terminal;
A processing terminal that receives the instruction from the processing pool management terminal and executes the optimization processing task,
Distributed machine learning system
前記教師データ供給端末は、前記アルゴリズムに従って制御される制御部を有しており、
前記学習管理端末は、前記処理プール管理端末及び処理端末の協働によって最適化された前記アルゴリズムを前記教師データ供給端末にフィードバックする、
分散型機械学習システム。 The distributed machine learning system according to claim 1,
The teacher data supply terminal has a control unit controlled according to the algorithm,
The learning management terminal feeds back the algorithm optimized by the cooperation of the processing pool management terminal and the processing terminal to the teacher data supply terminal;
Distributed machine learning system.
前記教師データ供給端末は、自動車に搭載される端末であり、前記所定のアルゴリズムに従って当該自動車の運転を制御し、前記教師データとして当該自動車の少なくとも走行情報を前記学習管理端末に提供する、
分散型機械学習システム。
The distributed machine learning system according to claim 2,
The teacher data supply terminal is a terminal mounted on a vehicle, controls driving of the vehicle according to the predetermined algorithm, and provides at least travel information of the vehicle as the teacher data to the learning management terminal.
Distributed machine learning system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018110761A JP6615946B1 (en) | 2018-06-09 | 2018-06-09 | Distributed machine learning system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018110761A JP6615946B1 (en) | 2018-06-09 | 2018-06-09 | Distributed machine learning system |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019201356A Division JP2020030852A (en) | 2019-11-06 | 2019-11-06 | Distributed machine learning system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6615946B1 true JP6615946B1 (en) | 2019-12-04 |
| JP2019212248A JP2019212248A (en) | 2019-12-12 |
Family
ID=68763387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018110761A Active JP6615946B1 (en) | 2018-06-09 | 2018-06-09 | Distributed machine learning system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6615946B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220148436A (en) | 2021-04-29 | 2022-11-07 | 유순기 | Electric Vehicle Power Transmission |
| KR20220148433A (en) | 2021-04-29 | 2022-11-07 | 유순기 | Electric Vehicle Power Transmission |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013061700A (en) * | 2011-09-12 | 2013-04-04 | Sony Corp | Information processor, information processing method, recording medium, and information processing system |
| JP6752457B2 (en) * | 2016-06-02 | 2020-09-09 | 株式会社マーズスピリット | Machine learning system, equipment and information processing method |
-
2018
- 2018-06-09 JP JP2018110761A patent/JP6615946B1/en active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220148436A (en) | 2021-04-29 | 2022-11-07 | 유순기 | Electric Vehicle Power Transmission |
| KR20220148433A (en) | 2021-04-29 | 2022-11-07 | 유순기 | Electric Vehicle Power Transmission |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2019212248A (en) | 2019-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3167368B1 (en) | Dynamic shard allocation adjustment | |
| WO2019133523A1 (en) | Optimizing transportation requests | |
| JP6615946B1 (en) | Distributed machine learning system | |
| WO2016057885A1 (en) | System and methods for generating interactive virtual environments | |
| CN103765379A (en) | Cloud-based build service | |
| CN101632073A (en) | Private sheets in shared spreadsheets | |
| US11017297B2 (en) | System and methods to provide seamless information exchange between certified and uncertified applications | |
| US20210303371A1 (en) | Container framework for user-defined functions | |
| CN104123236A (en) | Method and system of high throughput hardware acceleration using pre-staging buffers | |
| US20170339021A1 (en) | Model deployment based on benchmarked devices | |
| CN110782000A (en) | Mimic learning by action shaping with antagonistic reinforcement learning | |
| US20210139052A1 (en) | Task scheduling method, apparatus, device, and computer readable storage medium | |
| CN105491003A (en) | System and method for prioritizing on access scan and on demand scan tasks | |
| KR102553877B1 (en) | A method and system for efficiently processing the high transaction throughput required by DApps in the blockchain | |
| JP2020030852A (en) | Distributed machine learning system | |
| KR20170030517A (en) | Control in initiating atomic tasks on a server platform | |
| JP2020144614A (en) | Task decentralization processing system | |
| US10608903B1 (en) | System and method for serverless monitoring | |
| US20170039069A1 (en) | Adaptive core grouping | |
| WO2021226585A1 (en) | Method and apparatus for implementing a ui modernization application module | |
| Punia et al. | An Improved Scheduling Algorithm for Grey Wolf Fitness Task Enrichment with Cloud | |
| JP2022023414A (en) | Processing unit management system and processing space management system | |
| Penkler | Technology and Business Challenges of Big Data in the Digital Economy: Big Data (Ubiquity symposium) | |
| US20240160197A1 (en) | Hybrid working mode on industrial floor | |
| US12017646B2 (en) | Risk sensitive approach to strategic decision making with many agents |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180921 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190124 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190124 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190304 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190314 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190716 |
|
| 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: 20191009 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191106 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6615946 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |