JP6620422B2 - 設定方法、設定プログラム、及び設定装置 - Google Patents
設定方法、設定プログラム、及び設定装置 Download PDFInfo
- Publication number
- JP6620422B2 JP6620422B2 JP2015104900A JP2015104900A JP6620422B2 JP 6620422 B2 JP6620422 B2 JP 6620422B2 JP 2015104900 A JP2015104900 A JP 2015104900A JP 2015104900 A JP2015104900 A JP 2015104900A JP 6620422 B2 JP6620422 B2 JP 6620422B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- probability distribution
- machine learning
- trial
- hyperparameter
- 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)
Description
・第1実施例では、サイズの大きいデータD0に適切な学習アルゴリズム及びハイパーパラメータを適切に設定するために、データD0だけではなく、データD0からサンプリングした複数のデータD1〜Dnも合わせて利用する、本実施の形態の適用例を説明する。概要としては学習アルゴリズムの設定も含めて説明するが、学習アルゴリズムの設定のための詳細な説明は第2実施例の説明で行う。
・第2実施例では、第1実施例と同様に、サイズの大きいデータD0に加え、データD0からサンプリングした複数のデータD1〜Dnも合わせて利用するが、ハイパーパラメータが順序関係が定義できない離散的なカテゴリカルな場合の本実施の形態の適用例を説明する。学習アルゴリズムの選択はカテゴリカルなハイパーパラメータとみなせるため、第2実施例によりアルゴリズム選択も可能である。
・第3実施例では、本実施の形態の適用例を適用して、あるデータD1に最適な学習アルゴリズム及びハイパーパラメータを過去に調整設定したときの調整履歴データを用いて、データD1とは異なるデータD2に対して学習アルゴリズム及びハイパーパラメータを調整設定する例を説明する。
(学習アルゴリズムA、θ=0、0.73)
(学習アルゴリズムA、θ=10、0.70)
(学習アルゴリズムA、θ=20、0.65)
(学習アルゴリズムA、θ=3.5、0.76)
(学習アルゴリズムA、θ=5.5、0.74)
の組み合せを含む。図7のステップS21では、このようなリストと、γ=0.4が与えられる。
・データ量の大きいデータを使う必要があるほど、小さいデータに対する試行回数が十分であるか否かを機械的に判定することが難しい。
・データ量の小さいデータを用いた機械学習結果データ50と、大きいデータとをどのように統合して利用するかが明確でない。
・データD0〜Dnに対して学習を試行すればするほど小さくなる指標を示す評価値s(D)を定義する。
・データ量の小さいデータと大きいデータとにおいて、第1の確率分布g(θ;D)と第2の確率分布l(θ;D)とを共有する。小さいデータに対して調べたハイパーパラメータと予測精度とを、大きいデータに対する調整に利用する。小さいデータを用いた機械学習は時間が掛らないため、データの数を多く試行できる。
・それぞれのデータに対する試行結果の類似度に基づいて、重み付けを行う。大きくデータの性質が異なる場合は、小さいデータの情報を使用しない。一方、性質が似ている場合は、小さいデータの情報を積極的に利用する。
次に、時間予測関数生成部45は、選択したハイパーパラメータθを用いて、データD2に対する時間予測関数t(θ、D2)を推定する(ステップS310)。データD1に対しては機械学習を試行しないため、時間予測関数は必要ない。
(付記1)
入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定処理をコンピュータに行わせるプログラムであって、該コンピュータに、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、対象の複数のデータそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成し、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成し、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布を求め、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成し、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成し、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する
処理を行わせることを特徴とするプログラム。
(付記2)
前記予測精度の高さの基準となる閾値を用いて、前記機械学習の複数の前記ハイパーパラメータの各予測精度と閾値との差に基づいて、追加の試行により精度が上がる可能性を計算することにより、前記評価値を生成することを特徴とする付記1記載のプログラム。
(付記3)
各データにおいて、前記閾値以上を示す前記ハイパーパラメータを前記第1の試行群に分類し、該閾値未満を示す該ハイパーパラメータを前記第2の試行群に分類することを特徴とする付記2記載のプログラム。
(付記4)
前記複数のデータの前記第1の確率分布の各々に対して重み付けして合算することにより、該複数のデータ全体での前記第1の試行群に入る確率に対応する前記第3の確率分布を求め、また、該複数のデータの前記第2の確率分布の各々に対して前記重み付けして合算することにより、該複数のデータ全体での前記第2の試行群に入る確率に対応する前記第4の確率分布を求めることを特徴とする付記1乃至3のいずれか一項記載のプログラム。
(付記5)
前記時間予測関数では、ガウス過程で前記予測時間を推定する関数、又は、各データのハイパーパラメータ空間上の最近傍の学習をすでに試行した複数のハイパーパラメータの学習時間の平均値を求めることを特徴とする付記1乃至4のいずれか一項記載のプログラム。
(付記6)
前記コンピュータに、
前記評価値と、前記第3の確率分布と、前記第4の確率分布と、前記時間予測関数とを用いて、各データを前記機械学習により調べる価値を算出する
処理を行わせることを特徴とする付記5記載のプログラム。
(付記7)
前記複数のデータにおいて、前記調べる価値が最大値となる前記ハイパーパラメータを取得し、前記次の機械学習の試行に用いられる前記ハイパーパラメータおよび前記データを特定することを特徴とする付記6記載のプログラム。
(付記8)
前記ハイパーパラメータがカテゴリカルである場合、該ハイパーパラメータの要素毎に、前記次の機械学習の試行に用いられる該ハイパーパラメータの要素およびデータを特定することを特徴とする付記7記載のプログラム。
(付記9)
実体のない第1のデータに対して過去に得られた複数の前記ハイパーパラメータに対する前記第1の確率分布と前記第2の確率分布とを用いて、実体のある第2のデータに対する前記機械学習の前記ハイパーパラメータを特定する場合には、前記評価値を1と見なし、前記第3の確率分布と、前記第4の確率分布と、前記時間予測関数とに基づいて、該第2のデータの前記機械学習の試行に用いられる該ハイパーパラメータを特定することを特徴とする付記7記載のプログラム。
(付記10)
入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定方法であって、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、複数の対象データそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成し、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成し、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布を求め、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成し、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成し、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する
処理をコンピュータが行う設定方法。
(付記11)
入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定装置であって、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、複数の対象データそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成する評価値生成部と、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成する試行群生成部と、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布とを求める第1の確率分布算出部と、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成する第2の確率分布算出部と、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成する時間予測関数生成部と、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する特定部と
を有することを特徴とする設定装置。
(付記12)
前記評価値は、前記複数回の前記機械学習に対して、追加の試行により精度を上げる可能性を示すことを特徴とする付記11記載の設定装置。
7 探索範囲
9a 出力データ
41 評価値生成部
42 試行群生成部
43 第1の確率分布算出部
44 第2の確率分布算出部
45 時間予測関数生成部
46 調べる価値算出部
47 特定部
50 機械学習結果データ
51 評価値テーブル
52 試行群テーブル
53 第1の確率分布テーブル
55 調べる価値テーブル
56 調整履歴テーブル
58 次の試行で用いるべき設定
100 設定装置
130 記憶部
Claims (11)
- 入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定処理をコンピュータに行わせるプログラムであって、該コンピュータに、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、対象の複数のデータそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成し、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成し、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布を求め、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成し、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成し、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する
処理を行わせることを特徴とするプログラム。 - 前記予測精度の高さの基準となる閾値を用いて、前記機械学習の複数の前記ハイパーパラメータの各予測精度と閾値との差に基づいて、追加の試行により精度が上がる可能性を計算することにより、前記評価値を生成することを特徴とする請求項1記載のプログラム。
- 各データにおいて、前記閾値以上を示す前記ハイパーパラメータを前記第1の試行群に分類し、該閾値未満を示す該ハイパーパラメータを前記第2の試行群に分類することを特徴とする請求項2記載のプログラム。
- 前記複数のデータの前記第1の確率分布の各々に対して重み付けして合算することにより、該複数のデータ全体での前記第1の試行群に入る確率に対応する前記第3の確率分布を求め、また、該複数のデータの前記第2の確率分布の各々に対して前記重み付けして合算することにより、該複数のデータ全体での前記第2の試行群に入る確率に対応する前記第4の確率分布を求めることを特徴とする請求項1乃至3のいずれか一項記載のプログラム。
- 前記時間予測関数では、ガウス過程で前記予測時間を推定する関数、又は、各データのハイパーパラメータ空間上の最近傍の学習をすでに試行した複数のハイパーパラメータの学習時間の平均値を求めることを特徴とする請求項1乃至4のいずれか一項記載のプログラム。
- 前記コンピュータに、
前記評価値と、前記第3の確率分布と、前記第4の確率分布と、前記時間予測関数とを用いて、各データを前記機械学習により調べる価値を算出する
処理を行わせることを特徴とする請求項5記載のプログラム。 - 前記複数のデータにおいて、前記調べる価値が最大値となる前記ハイパーパラメータを取得し、前記次の機械学習の試行に用いられる前記ハイパーパラメータおよび前記データを特定することを特徴とする請求項6記載のプログラム。
- 前記ハイパーパラメータがカテゴリカルである場合、該ハイパーパラメータの要素毎に、前記次の機械学習の試行に用いられる該ハイパーパラメータの要素およびデータを特定することを特徴とする請求項7記載のプログラム。
- 実体のない第1のデータに対して過去に得られた複数の前記ハイパーパラメータに対する前記第1の確率分布と前記第2の確率分布とを用いて、実体のある第2のデータに対する前記機械学習の前記ハイパーパラメータを特定する場合には、前記評価値を1と見なし、前記第3の確率分布と、前記第4の確率分布と、前記時間予測関数とに基づいて、該第2のデータの前記機械学習の試行に用いられる該ハイパーパラメータを特定することを特徴とする請求項7記載のプログラム。
- 入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定方法であって、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、複数の対象データそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成し、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成し、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布を求め、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成し、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成し、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する
処理をコンピュータが行う設定方法。 - 入力データを用いた予測モデル構築のための機械学習における、アルゴリズム又はハイパーパラメータの設定装置であって、
複数回試行した前記機械学習の結果から得られる機械学習ごとの予測モデルおよび予測精度に基づき、複数の対象データそれぞれに対し、前記複数回の前記機械学習に関する評価値を生成する評価値生成部と、
複数のデータそれぞれに対し、前記機械学習の複数回の試行に基づき、前記予測精度の高い第1の試行群と前記予測精度の低い第2の試行群を生成する試行群生成部と、
前記複数のデータのそれぞれに対し、あるハイパーパラメータが前記第1の試行群に入る確率に対応する第1の確率分布と、前記第2の試行群に入る確率に対応する第2の確率分布とを求める第1の確率分布算出部と、
前記複数のデータそれぞれに対する前記第1の確率分布、前記第2の確率分布、及び、前記複数のデータそれぞれに対する前記複数の試行結果の類似度に基づき、それぞれ、前記第1の確率分布と前記第2の確率分布に対応する、第3の確率分布と第4の確率分布とを生成する第2の確率分布算出部と、
前記複数のデータそれぞれと、前記ハイパーパラメータに基づき、機械学習の次の試行に要する予測時間である時間予測関数を生成する時間予測関数生成部と、
前記評価値、前記第3の確率分布、前記第4の確率分布、及び、前記時間予測関数に基づき、次の機械学習の試行に用いられるハイパーパラメータおよびデータを特定する特定部と
を有することを特徴とする設定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015104900A JP6620422B2 (ja) | 2015-05-22 | 2015-05-22 | 設定方法、設定プログラム、及び設定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015104900A JP6620422B2 (ja) | 2015-05-22 | 2015-05-22 | 設定方法、設定プログラム、及び設定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016218869A JP2016218869A (ja) | 2016-12-22 |
JP6620422B2 true JP6620422B2 (ja) | 2019-12-18 |
Family
ID=57578507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015104900A Active JP6620422B2 (ja) | 2015-05-22 | 2015-05-22 | 設定方法、設定プログラム、及び設定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6620422B2 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6781956B2 (ja) * | 2017-03-14 | 2020-11-11 | オムロン株式会社 | 学習結果比較装置、学習結果比較方法、及びそのプログラム |
JP6494679B2 (ja) * | 2017-03-17 | 2019-04-03 | ヤフー株式会社 | 解析装置、情報提供装置、解析方法、およびプログラム |
KR101955012B1 (ko) * | 2017-03-28 | 2019-03-08 | 한국전자통신연구원 | 뇌졸중 예측과 분석 시스템 및 방법 |
JP6840627B2 (ja) * | 2017-06-15 | 2021-03-10 | 株式会社日立製作所 | ハイパーパラメータの評価方法、計算機及びプログラム |
EP3460723A1 (en) * | 2017-09-20 | 2019-03-27 | Koninklijke Philips N.V. | Evaluating input data using a deep learning algorithm |
JP6974712B2 (ja) * | 2017-10-24 | 2021-12-01 | 富士通株式会社 | 探索方法、探索装置および探索プログラム |
JP6955702B2 (ja) * | 2018-03-06 | 2021-10-27 | オムロン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP7003753B2 (ja) * | 2018-03-14 | 2022-01-21 | 富士通株式会社 | 探索点決定プログラム、探索点決定方法および探索点決定装置 |
JP7164799B2 (ja) * | 2018-06-07 | 2022-11-02 | 日本電気株式会社 | 分析装置、分析方法およびプログラム |
JP7017478B2 (ja) * | 2018-06-27 | 2022-02-08 | ヤフー株式会社 | 出力装置、出力方法および出力プログラム |
US11526799B2 (en) * | 2018-08-15 | 2022-12-13 | Salesforce, Inc. | Identification and application of hyperparameters for machine learning |
US11715111B2 (en) | 2018-09-25 | 2023-08-01 | Capital One Services, Llc | Machine learning-driven servicing interface |
WO2020250843A1 (ja) * | 2019-06-12 | 2020-12-17 | 株式会社Preferred Networks | ハイパーパラメタチューニング方法、プログラム試行システム及びコンピュータプログラム |
JP6639760B1 (ja) * | 2019-06-28 | 2020-02-05 | 三菱電機株式会社 | 加工条件探索装置および加工条件探索方法 |
WO2021181605A1 (ja) * | 2020-03-12 | 2021-09-16 | 株式会社安川電機 | 機械学習モデル決定システム及び機械学習モデル決定方法 |
JP7292235B2 (ja) * | 2020-03-24 | 2023-06-16 | 株式会社日立製作所 | 分析支援装置及び分析支援方法 |
CN112686366A (zh) * | 2020-12-01 | 2021-04-20 | 江苏科技大学 | 一种基于随机搜索和卷积神经网络的轴承故障诊断方法 |
JP7199115B1 (ja) | 2021-12-17 | 2023-01-05 | 望 窪田 | 機械学習における分散学習 |
-
2015
- 2015-05-22 JP JP2015104900A patent/JP6620422B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016218869A (ja) | 2016-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6620422B2 (ja) | 設定方法、設定プログラム、及び設定装置 | |
CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
Razavi-Far et al. | An integrated imputation-prediction scheme for prognostics of battery data with missing observations | |
US20170061329A1 (en) | Machine learning management apparatus and method | |
JP6109037B2 (ja) | 時系列データ予測装置、時系列データ予測方法、及びプログラム | |
JP6179598B2 (ja) | 階層隠れ変数モデル推定装置 | |
WO2015184729A1 (en) | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms | |
US20140236548A1 (en) | Method and system for designing a material | |
JP6525002B2 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
JP2019113915A (ja) | 推定方法、推定装置および推定プログラム | |
Tong et al. | Optimal sensor placement for mode shapes using improved simulated annealing | |
JP6451735B2 (ja) | エネルギー量推定装置、エネルギー量推定方法、及び、エネルギー量推定プログラム | |
CN110858062B (zh) | 目标优化参数的获取方法及模型训练方法、装置 | |
Abd-Alsabour et al. | Feature selection for classification using an ant colony system | |
CN112861459B (zh) | 全灵敏度对抗重要性抽样产量优化方法和装置 | |
Jiang et al. | An adaptive sampling strategy for Kriging metamodel based on Delaunay triangulation and TOPSIS | |
Mao et al. | Leave-one-out cross-validation-based model selection for multi-input multi-output support vector machine | |
US20190325983A1 (en) | Method and system for performing molecular design using machine learning algorithms | |
Mehrizi et al. | A Bayesian Poisson–Gaussian process model for popularity learning in edge-caching networks | |
JP2021072100A (ja) | 情報処理装置、統合モデル生成方法、及び統合モデル生成プログラム | |
Sarangpure et al. | Automating the machine learning process using PyCaret and Streamlit | |
US20200134453A1 (en) | Learning curve prediction apparatus, learning curve prediction method, and non-transitory computer readable medium | |
KR20200092989A (ko) | 아웃라이어 감지를 위한 비지도 파라미터 러닝을 이용한 생산용 유기체 식별 | |
Xu | Hybrid adaptive sequential sampling for reliability-based design optimization | |
Oyucu et al. | Discharge Capacity Estimation for Li-Ion Batteries: A Comparative Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180206 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190226 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190312 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190510 |
|
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: 20191023 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191105 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6620422 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |