JP7036272B1 - データ収集システム、データ収集方法及びデータ収集装置 - Google Patents

Abstract

【課題】データ取得装置から効率的にデータを収集することができるようにする。【解決手段】データ収集システムは、複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置１０からデータ収集装置２０へ収集する。データ収集システムは、機械学習モデルによって分類されるクラスのうち発生確率の低い低発生クラスの発生確率を条件毎に特定する発生確率特定部２３１と、データ取得装置からデータ収集装置への単位時間当たりの目標送信量を条件毎に設定する目標送信量設定部と、現在の条件を特定する条件特定部と、特定された現在の条件に対応する目標送信量に従って、データ取得装置からデータ収集装置へデータを送信させる送信制御部と、を有する。目標送信量設定部は、低発生クラスの発生確率が相対的に高い条件では、データ取得装置からデータ収集装置への単位時間当たりのデータ送信量が多くなるように、目標送信量を設定する。【選択図】図８

Description

本開示は、データ収集システム、データ収集方法及びデータ収集装置に関する。

スマートシティにおいて、そのコミュニティ内の複数の主体からデータを収集することが提案されている。特に、特許文献１では、異なる事業主体の情報システムから得られるデータには不確かさがあることから、斯かる不確かさを解消すべく、得られたデータを補正したデータを収集することが提案されている。

特開２０１３－０６９０８４号公報

ところで、スマートシティなどでは、スマートシティ内に位置する様々なデータ取得装置（例えば、監視カメラ、スマートシティ内の人の携帯端末など）において様々なデータが取得される。加えて、これらデータ取得装置と通信可能なサーバは、取得されたデータに基づいて、機械学習モデルに関する様々な処理（機械学習モデルの使用又は学習）を行う。

このような機械学習モデルに関する様々な処理を行うために、サーバはデータ取得装置からデータを受信する必要がある。しかしながら、データ取得装置によって取得されたデータが全てサーバに送信されてサーバのストレージ装置に記憶されると、ストレージ装置には多量のデータが記憶されることになり、よって記憶容量の非常に大きなストレージ装置が必要になる。

上記課題に鑑みて、本開示の目的は、データ取得装置から効率的にデータを収集することにある。

本開示の要旨は以下のとおりである。

（１）複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集システムであって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、
前記データ取得装置によってデータが取得される現在の条件を特定する条件特定部と、
前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から前記データ収集装置へデータを送信させる送信制御部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定する、データ収集システム。
（２）前記目標送信量設定部は、前記低発生クラスの発生確率が高くなるほど、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、単位時間当たりの目標送信量を設定する、上記（１）に記載のデータ収集システム。
（３）当該データ収集システムは、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習に必要なデータを収集し、
前記目標送信量設定部は、前記機械学習モデルのうち人間の健康に関する機械学習モデルについては、人間の健康に関しない機械学習モデルに比べて、低発生クラスの発生確率が同一の条件に対して前記単位時間当たりの目標送信量が多くなるように、前記単位時間当たりの目標送信量を設定する、上記（１）又は（２）に記載のデータ収集システム。
（４）前記機械学習モデルによって分類される全てのクラスのうち、他のクラスに比べて、相対的に発生確率の低い低発生クラスを特定する、クラス特定部を更に備える、上記（１）～（３）のいずれか１つに記載のデータ収集システム。
（５）前記データ収集装置が前記発生確率特定部と目標送信量設定部とを有し、前記データ取得装置が前記条件特定部と前記送信制御部とを有する、上記（１）～（４）のいずれか１つに記載のデータ収集システム。
（６）複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定することと、
前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定することと、
前記データ取得装置によってデータが取得される現在の条件を特定することと、
前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から当該データ収集装置へデータを送信させることと、を有する、データ収集方法。
（７）複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置から収集するデータ収集装置であって、
前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、を有し、
前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定し、
前記目標送信量設定部は、前記目標送信量設定部によって設定された前記条件毎の単位時間当たりの目標送信量を前記データ取得装置へ送信する、データ収集装置。

本開示によれば、データ取得装置から効率的にデータを収集することができるようになる。

図１は、機械学習システムの概略的な構成図である。 図２は、端末機器のハードウェア構成を概略的に示す図である。図 図３は、端末機器のプロセッサの機能ブロック図である。 図４は、サーバのハードウェア構成を概略的に示す図である。 図５は、サーバのプロセッサの機能ブロック図である。 図６は、各条件におけるユーザが熱中症に罹患する確率を示す図である。 図７は、各条件毎の目標送信頻度の設定例である。 図８は、機械学習モデルの学習処理の流れを示すシーケンス図である。 図９は、一つの変形例に係るサーバのプロセッサの、図５と同様な機能ブロック図である。 図１０は、各条件における異常者が発生する確率を示す図である。 図１１は、各条件毎の目標送信頻度の設定例である。

以下、図面を参照して実施形態について詳細に説明する。なお、以下の説明では、同様な構成要素には同一の参照番号を付す。

・第一実施形態
＜機械学習システムの構成＞
図１及び図２を参照して、第一実施形態に係る機械学習システム１の構成について説明する。図１は、機械学習システム１の概略的な構成図である。機械学習システム１は、サーバにおいて用いられる機械学習モデルを学習させる。また、機械学習システム１は、機械学習モデルの使用及び学習に必要なデータを収集するデータ収集システムとしても機能する。

図１に示したように、機械学習システム１は、複数の端末機器１０と、端末機器１０と通信可能なサーバ２０とを有する。複数の端末機器１０のそれぞれとサーバ２０とは、光通信回線などで構成される通信ネットワーク４と、通信ネットワーク４にゲートウェイ（図示せず）を介して接続される無線基地局５とを介して、相互に通信可能に構成される。端末機器１０と無線基地局５との通信としては、通信距離が長い種々の広域無線通信を用いることができ、例えば、３ＧＰＰ、ＩＥＥＥによって策定された４Ｇ、ＬＴＥ、５Ｇ、ＷｉＭＡＸ等の任意の通信規格に準拠した通信が用いられる。

特に、本実施形態では、サーバ２０は、所定の対象エリア内に位置する端末機器１０と通信する。対象エリアは、予め定められた境界によって囲まれた範囲であり、例えば、「ＩＣＴ等の新技術を活用しつつ、マネジメント(計画、整備、管理・運営等）の高度化により、都市や地域の抱える諸課題の解決を行い、また新たな価値を創出し続ける、持続可能な都市や地域」として定義されるスマートシティである。サーバ２０は、対象エリア外に位置する端末機器１０と通信可能であってもよい。

端末機器１０は、後述する機械学習モデルの使用又は学習に必要なデータを取得するデータ取得装置の一例である。特に、本実施形態では、端末機器１０は、それぞれ個人に保持されて、端末機器１０を保持している人の情報を取得する機器である。したがって、本実施形態では、端末機器１０は、所定の対象エリア内の人の情報を取得する移動型データ取得装置として機能する。したがって、本実施形態では、端末機器１０は、端末機器１０を保持する個人の移動に伴って移動する。このため端末機器１０を保持する個人が対象エリア内に移動すると、その個人によって保持された端末機器１０も対象エリア内に移動することなる。逆に、端末機器１０を保持する個人が対象エリア外へ移動すると、その個人によって保持された端末機器１０も対象エリア外に移動することなる。

具体的には、本実施形態では、端末機器１０は、例えば、時計型端末（スマートウォッチ）、リストバンド型端末、クリップ型端末、及びメガネ型端末（スマートグラス）などのウェアラブル端末、及び携帯端末を含む。斯かる端末機器は、例えば、携帯端末、ウェアラブル端末（スマートウォッチ、スマートグラスなど）を含む。斯かる端末機器は、例えば、対象エリア内のそれぞれの人の位置情報、バイタルサイン（体温、心拍数、血圧、呼吸数）、血中酸素濃度、血糖値など、各人の情報を取得する。

また、本実施形態では、端末機器１０は、特に、時計型端末、及び時計型端末と近距離無線通信によって通信する携帯端末を含む。近距離無線通信としては、例えば、ＩＥＥＥ、ＩＳＯ、ＩＥＣ等によって策定された任意の通信規格（例えば、Bluetooth（登録商標）、ZigBee（登録商標））に準拠した通信が用いられる。

なお、端末機器１０は、対象エリア内に固定された、移動不能な固定型データ取得装置を含んでもよい。固定型データ取得装置には、例えば、監視カメラなど、対象エリア内の任意の領域の画像や、その他の情報を取得する機器が含まれる。

図２は、端末機器１０のハードウェア構成を概略的に示す図である。図２に示したように、端末機器１０は、通信モジュール１１と、センサ１２と、入力装置１３、出力装置１４と、メモリ１５と、プロセッサ１６と、を有する。通信モジュール１１、センサ１２、入力装置１３、出力装置１４及びメモリ１５は信号線を介してプロセッサ１６に接続されている。

通信モジュール１１は、他の機器と通信を行う通信部の一例である。通信モジュール１１は、例えば、サーバ２０と通信を行うための機器である。特に、通信モジュール１１は、上述した広域無線通信により無線基地局５と通信する機器であり、よって通信モジュール１１は無線基地局５及び通信ネットワーク４を介してサーバ２０と通信する。

センサ１２は、端末機器１０の状況及び端末機器１０の周りの状況に関する様々なパラメータを検出する検出器の一例である。特に、センサ１２は、異なるパラメータを検出する複数の個別のセンサを有する。センサ１２によって検出された各種パラメータの値は、信号線を介してプロセッサ１６又はメモリ１５に送信される。

具体的には、センサ１２は、端末機器１０の現在位置を検出するＧＮＳＳ受信機を含む。また、センサ１２は、端末機器１０を保持しているユーザに関するパラメータを検出するセンサを含む。例えば、端末機器１０が時計型端末（スマートウォッチ）である場合には、センサ１２は、端末機器１０を装着しているユーザの身体の状態に関するデータ（例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態等）を検出するセンサを含んでもよい。また、センサ１２は、端末機器１０の周りの環境データを検出するセンサを含んでもよい。例えば、端末機器１０は、端末機器１０の周りの画像を撮影するセンサや、端末機器１０の周りの気温や湿度を検出するセンサを含んでもよい。

入力装置１３は、端末機器１０のユーザが入力を行うための装置である。具体的には、入力装置１３は、タッチパネル、マイク、ボタン、ダイヤルなどを含む。入力装置１３を介して入力された情報は、信号線を介してプロセッサ１６又はメモリ１５に送信される。

出力装置１４は、端末機器１０が出力を行うための装置である。具体的には、出力装置１４は、ディスプレイ、スピーカなどを含む。出力装置１４は、信号線を介してプロセッサ１６から送信された指令に基づいて、出力を行う。例えば、ディスプレイは、プロセッサ１６からの指令に基づいて画面上に画像を表示させ、スピーカは、プロセッサ１６からの指令に基づいて音を出力する。

メモリ１５は、は、例えば、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有する。メモリ１５は、プロセッサ１６において各種処理を実行するためのコンピュータプログラムや、プロセッサ１６によって各種処理が実行されるときに使用される各種データ等を記憶する。メモリ１５は、例えば機械学習モデルを、具体的には機械学習モデルの構成及び学習パラメータ（例えば、後述する重みやバイアスなど）を記憶する。

プロセッサ１６は、一つ又は複数のＣＰＵ（Central Processing Unit）及びその周辺回路を有する。プロセッサ１６は、論理演算ユニット又は数値演算ユニットのような演算回路を更に有していてもよい。プロセッサ１６は、メモリ１５に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。端末機器１０のプロセッサ１６によって実行される具体的な処理については後述する。

図３は、端末機器１０のプロセッサ１６の機能ブロック図である。図３に示したように、端末機器１０のプロセッサ１６は、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、条件特定部１６４と、送信制御部１６５と、データ送信部１６６と、モデル更新部１６７と、を有する。端末機器１０のプロセッサ１６が有するこれら機能ブロックは、例えば、プロセッサ１６上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ１６が有するこれら機能ブロックは、プロセッサ１６に設けられる専用の演算回路であってもよい。なお、これら各機能ブロックの詳細については、後述する。

サーバ２０は、通信ネットワーク４を介して、複数の端末機器１０と接続される。本実施形態では、サーバ２０は、端末機器１０において用いられる機械学習モデルを学習させる学習装置として機能する。また、サーバ２０は、複数の端末機器１０から、機械学習モデルの学習に必要なデータを収集するデータ収集装置としても機能する。

図４は、サーバ２０のハードウェア構成を概略的に示す図である。サーバ２０は、図４に示したように、通信モジュール２１と、ストレージ装置２２と、プロセッサ２３とを備える。また、サーバ２０は、キーボード及びマウスといった入力装置、及び、ディスプレイ及びスピーカといった出力装置を有していてもよい。

通信モジュール２１は、サーバ２０外の機器と通信を行う通信装置の一例である。通信モジュール２１は、サーバ２０を通信ネットワーク４に接続するためのインターフェース回路を備える。通信モジュール２１は、通信ネットワーク４及び無線基地局５を介して、複数の端末機器１０それぞれと通信可能に構成される。

ストレージ装置２２は、データを記憶する記憶装置の一例である。ストレージ装置２２は、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）又は光記録媒体を有する。また、ストレージ装置２２は、揮発性の半導体メモリ（例えば、ＲＡＭ）、不揮発性の半導体メモリ（例えば、ＲＯＭ）等を有していてもよい。ストレージ装置２２は、プロセッサ２３によって各種処理を実行するためのコンピュータプログラム、及びプロセッサ２３によって各種処理が実行されるときに使用される各種データを記憶する。特に、ストレージ装置２２は、端末機器１０から受信したデータ、及び機械学習モデルの学習に使用されるデータを記憶する。

プロセッサ２３は、一つ又は複数のＣＰＵ及びその周辺回路を有する。プロセッサ２３は、更にＧＰＵ、又は論理演算ユニット若しくは数値演算ユニットのような演算回路を有していてもよい。プロセッサ２３は、ストレージ装置２２に記憶されたコンピュータプログラムに基づいて、各種処理を実行する。サーバ２０のプロセッサ２３によって実行される具体的な処理については後述する。

図５は、サーバ２０のプロセッサ２３の機能ブロック図である。図５に示したように、プロセッサ２３は、発生確率特定部２３１と、目標送信量設定部２３２と、データセット作成部２３３、学習部２３４と、モデル送信部２３５と、を有する。サーバ２０のプロセッサ２３が有するこれら機能ブロックは、例えば、プロセッサ２３上で動作するコンピュータプログラムにより実現される機能モジュールである。或いは、プロセッサ２３が有するこれら機能ブロックは、プロセッサ２３に設けられる専用の演算回路であってもよい。

＜機械学習モデル＞
本実施形態では、端末機器１０において所定の処理を行うときに、機械学習された機械学習モデルが用いられる。本実施形態では、機械学習モデルは、端末機器１０のセンサ１２から取得されたデータに基づいて、複数のクラスへの分類を行うモデルである。以下では、端末機器１０のセンサ１２から取得されたデータに基づいて、端末機器１０を保持している人が熱中症に罹患するか否かを推定する（すなわち、熱中症に罹患することを表すクラスと、熱中症に罹患しないことを表すクラスとを分類する）機械学習モデルを例にとって説明する。

具体的には、本実施形態では、機械学習モデルには、端末機器１０を保持しているユーザのバイタルサイン、血中酸素濃度及び心電図等のユーザの身体の状態に関するデータ、並びに端末機器１０の周りの気温及び湿度などの環境データが入力パラメータとして入力される。端末機器１０を保持しているユーザの身体に関するデータ及び環境データは、端末機器１０のセンサ１２から取得される。或いは、環境データは、センサ１２からではなく、サーバ２０から通信モジュール１１を介して取得されてもよい。そして、機械学習モデルは、斯かる入力パラメータにデータが入力されると、端末機器１０を保持しているユーザが熱中症に罹患するか否かを出力する。

機械学習モデルでは、様々な機械学習アルゴリズムを用いることができる。本実施形態では、機械学習モデルは、例えば、ニューラルネットワーク（ＮＮ）、サポートベクトルマシン（ＳＶＭ）、決定木（ＤＴ）といった、教師あり学習によって学習されるモデルである。特に、本実施形態では、機械学習モデルは、ユーザの身体の状態に関するデータ及び環境データを時系列で入力パラメータとして入力する、リカレントニューラルネットワーク（ＲＮＮ）モデルであるのが好ましい。

なお、機械学習モデルとしては、様々な入力パラメータ及び出力パラメータを有するモデルを用いることができる。入力パラメータは、端末機器１０のセンサ１２によって検出することができる様々なパラメータを含む。具体的には、本実施形態では、入力パラメータは、例えば、バイタルサイン（心拍数、体温、血圧及び呼吸数）、血中酸素濃度、心電図、血糖値、歩数、カロリー消費量、疲労度、睡眠状態、時刻、画像、動画等を含む。また、入力パラメータは、通信ネットワーク４を介してサーバ２０から送信されるパラメータ（例えば、端末機器１０の周りの気温、湿度、天気、風速等）を含んでもよい。加えて、出力パラメータは、ユーザの身体に関する様々なパラメータを含む。具体的には、出力パラメータは、例えば端末機器１０を保持している人が低体温症にかかる確率等を含む。

本実施形態では、上述したような機械学習モデルの機械学習は、端末機器１０ではなく、サーバ２０で行われる。機械学習モデルは、学習用データセットを用いて学習される。学習用データセットは、入力パラメータとして使用されるデータと、このデータに対応する出力パラメータの値（正解値又は正解ラベル）とを含む。特に、本実施形態では、学習用データセットは、或る対象者についての端末機器１０において取得された時系列のデータと、その対象者が熱中症に罹患したか否かのデータとを含む。例えば、上述したような、熱中症に罹患するか否かが出力パラメータである場合には、熱中症に罹患した人について作成された学習用データセットでは出力パラメータのうち熱中症に罹患することを表すクラスの値が１とされる。一方、熱中症に罹患しなかった人について作成された学習用データセットでは出力パラメータのうち熱中症に罹患しないことを表すクラスの値が１とされる。また、学習用データセットは、センサ１２の出力値に前処理（欠損処理、正規化、標準化など）を行うことで生成されてもよい。

機械学習モデルの学習にあたっては、例えば、公知の任意の手法（例えば、誤差逆伝搬法）によって、機械学習モデルにおける学習パラメータ（ＮＮの重みｗ及びバイアスｂなど、学習によって値が更新されるパラメータ）が繰り返し更新される。学習パラメータは、例えば、機械学習モデルの出力値と学習用データセットに含まれる出力パラメータの正解値との差が小さくなるように、繰り返し更新される。この結果、機械学習モデルが学習され、学習済みの機械学習モデルが生成される。

＜機械学習モデルの使用＞
次に、図３を参照して、端末機器１０における機械学習モデルを使用した処理について説明する。本実施形態では、端末機器１０は、端末機器１０のセンサ１２によって検出された各種パラメータの値に基づいて、端末機器１０を保持するユーザが熱中症に罹患するか否かを推定する。加えて、端末機器１０は、熱中症に罹患すると判定されたときには熱中症になる危険性がある旨をユーザに通知する。端末機器１０のプロセッサ１６は、熱中症に罹患するか否かを推定するにあたって、データ取得部１６１と、モデル実行部１６２と、通知部１６３と、を用いる。

データ取得部１６１は、機械学習モデルの入力パラメータに関するデータを含むデータを取得する。具体的には、データ取得部１６１は、端末機器１０のセンサ１２によって検出された入力パラメータの値を取得する。本実施形態では、データ取得部１６１は、センサ１２から、ユーザの体温、心拍数、血圧及び呼吸数等を取得する。また、データ取得部１６１は、通信モジュール１１を介してサーバ２０等の外部の装置から入力パラメータの値を取得してもよい。本実施形態では、サーバ２０は、各端末機器１０のセンサ１２によって検出された現在位置を各端末機器１０から受信すると、その位置の周りの現在の温度及び現在の湿度をその端末機器１０に送信する。したがって、データ取得部１６１は、サーバ２０から端末機器１０の周りの気温及び湿度を取得する。データ取得部１６１は、取得したデータを、メモリ１５に記憶させる。

データ取得部１６１によって機械学習モデルの入力パラメータの現在の値が取得されると、モデル実行部１６２は、取得した入力パラメータの値を機械学習モデルに入力して、出力パラメータの値を算出する。本実施形態では、モデル実行部１６２では、データ取得部１６１によって取得されたユーザの身体に関するデータ及び環境データが機械学習モデルに入力されると、ユーザが熱中症に罹患するか否かが出力される。

ここで、機械学習モデルを実行するためのプログラム及び機械学習モデルにおいて用いられる学習パラメータの値はメモリ１５に記憶されている。したがって、モデル実行部１６２は、メモリ１５に記憶されているプログラム及び学習パラメータの値を用いて、出力パラメータの値を算出する。

通知部１６３は、モデル実行部１６２によって算出された出力パラメータの値に基づいて、ユーザへの通知を行う。通知部１６３は、出力装置１４を介してユーザへの通知を行う。具体的には、本実施形態では、通知部１６３は、モデル実行部１６２によってユーザが熱中症に罹患すると判定された場合には、出力装置１４によってユーザへの通知を行う。この場合、通知部１６３は、例えば、ディスプレイ上に熱中症に関する警告を表示させてもよいし、スピーカから熱中症に関する警告音を発生させてもよい。

＜機械学習モデルの学習＞
次に、図３、図５～図８を参照して、各端末機器１０のモデル実行部１６２において用いられる機械学習モデルの学習処理について説明する。本実施形態では、機械学習モデルの学習は、サーバ２０において行われる。具体的には、端末機器１０は、端末機器１０において取得された学習用のデータをサーバ２０へ送信する。サーバ２０は、受信した学習用のデータを用いてサーバ２０が機械学習モデルの学習を行うと共に学習済みの機械学習モデルを端末機器１０へ送信する。そして、端末機器１０は機械学習モデルを送信された学習済みのモデルに更新する。

ところで、機械学習モデルを学習させるにあたって、サーバ２０には、端末機器１０によって取得されたデータが送信される。しかしながら、端末機器１０によって取得されたデータ全てがサーバ２０に送信されてサーバ２０のストレージ装置２２に記憶されると、ストレージ装置２２には多量のデータが記憶されることになる。したがって、記憶容量の非常に大きなストレージ装置２２が必要になる。

一方、機械学習モデルによって分類されるクラスのうち、一部のクラスのみの発生確率が極端に低い場合がある。例えば、各端末機器１０を保持するユーザが熱中症に罹患する確率は低い。このため、端末機器１０から取得されたデータに基づいてユーザが熱中症に罹患するか否かを推定する機械学習モデルでは、熱中症に罹患することを表すクラスの発生確率は非常に低い。以下では、機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低いクラスを、低発生クラスとも称する。

このような場合に、機械学習モデルを学習されるにあたって端末機器１０にて取得された全てのデータを用いると、発生確率の高いクラスのデータが過剰になる。発生確率の高いクラスのデータが過剰になると、発生確率の低い低発生クラスのデータが相対的に極端に少なくなり、よって必ずしも推定精度の高い機械学習モデルを作成することはできない。このため、発生確率の高いクラスのデータ、すなわちユーザが熱中症に罹患しなかった場合のデータについては、必ずしも全てを使用しなくてもよい。

図６は、各条件におけるユーザが熱中症に罹患する確率を示す図である。特に、図６は、気温及び湿度によって定められる条件毎に、ユーザが熱中症に罹患する確率を示している。図６に示したように、気温が高いほど及び湿度が高いほどユーザが熱中症に罹患する確率が高くなる。一方で、気温が低い場合や湿度が低い場合にはユーザが熱中症に罹患する確率は低い。ただし、全般的に、ユーザが熱中症に罹患する確率は低い。したがって、ユーザが熱中症に罹患することを表すクラスは、相対的に発生確率の低い低発生クラスであるということができる。一方、ユーザが熱中症に罹患しないことを表すクラスは、相対的に発生確率の高いクラスであるということができる。

そこで、本実施形態では、サーバ２０において、低発生クラスの発生確率に基づいて、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が設定される。低発生クラスが発生する確率が相対的に高い条件では、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が高くされる。したがって、ユーザが熱中症に罹患する確率が高い条件、例えば図６の例では気温及び湿度の高い条件では、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が高くされる。一方、低発生クラスが発生する確率が相対的に低い条件では、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が低くされる。したがって、ユーザが熱中症に罹患する確率が低い条件、例えば図６の例では気温及び湿度の低い条件では、端末機器１０が取得したデータをサーバ２０へ送信する送信頻度が低くされる。

図７は、各条件における低発生クラスの発生確率が図６に示した確率である場合における、各条件毎の目標送信頻度の設定例である。図７に示した例では、低発生クラスの発生確率に基づいて、端末機器１０が取得したデータが三つの異なる送信頻度でサーバ２０へ送信される。特に、図７に示した例では、ユーザが熱中症に罹患する確率が０．１％未満である条件においては、目標送信頻度はＦ１に設定される。また、ユーザが熱中症に罹患する確率が０．１％以上であって０．３％未満である条件においては、目標送信頻度はＦ１よりも高いＦ２に設定される。さらに、ユーザが熱中症に罹患する確率が。０．３％以上である条件においては、目標送信頻度はＦ２よりも高いＦ３に設定される。

このように、本実施形態では、低発生クラスの発生確率が相対的に高い条件では、低発生クラスの発生確率が相対的に低い条件に比べて、端末機器１０からサーバ２０への目標送信頻度が多くされる。すなわち、斯かる条件では、端末機器１０からサーバ２０への単位時間当たりのデータ送信量が多くされる。この結果、発生確率の低い低発生クラスのデータ送信の減少を抑えつつ、発生確率の高いクラスのデータ送信を減少させることができる。この結果、機械学習モデルの推定精度の低下を抑えつつ、ストレージ装置２２に記憶されるデータ量を抑制することができ、よって端末機器１０から効率的にデータを収集することができる。

次に、図３、図５及び図８を参照して、機械学習モデルの学習処理について具体的に説明する。

端末機器１０のプロセッサ１６は、機械学習モデルの学習を行うにあたって、データ取得部１６１と、条件特定部１６４と、送信制御部１６５と、データ送信部１６６と、モデル更新部１６７と、を用いる（図３参照）。また、サーバ２０のプロセッサ２３は、機械学習モデルの学習を行うにあたって、発生確率特定部２３１と、目標送信量設定部２３２と、データセット作成部２３３と、学習部２３４と、モデル送信部２３５とを用いる（図５参照）。

端末機器１０の条件特定部１６４は、端末機器１０のデータ取得部１６１によってデータが取得される現在の条件を特定する。上述したように、本実施形態では、条件毎に端末機器１０からサーバ２０への目標送信頻度が設定されるが、条件特定部１６４は現在の条件がこのうちのどの条件に該当するかを特定する。特に、本実施形態では、気温及び湿度によって定まる条件が、図７に示した複数の条件のうちどの条件に該当するのかが特定される。したがって、本実施形態では、データ取得部１６１によって取得された現在の気温及び湿度に基づいて、現在の条件を特定する。

端末機器１０の送信制御部１６５は、端末機器１０からサーバ２０へのデータの送信を制御する。送信制御部１６５は、例えば、端末機器１０からのデータの送信頻度を制御する。換言すると、送信制御部１６５、端末機器１０が取得したデータのうちサーバ２０へ送信するデータの割合を制御する。したがって、データの送信頻度が高く制御されているときには、例えば、端末機器１０によって取得された全てのデータ（機械学習モデルに利用される全てのデータ）がサーバ２０へ送信される。一方、データの送信頻度が低く制御されているときには、端末機器１０によって取得されたデータのうち一部のデータ（機械学習モデルに利用されるデータのうち一部のデータ）がサーバ２０へ送信される。

特に、本実施形態では、後述するように、目標送信量設定部２３２において、条件毎に目標送信頻度が設定されている。したがって、送信制御部１６５は、条件特定部１６４によって特定された現在の条件と、目標送信量設定部２３２において設定された各条件と目標送信頻度との関係とに基づいて、現在の条件に対応する目標送信頻度を設定する。そして、送信制御部１６５は、このようにして算出された目標送信頻度に従って、端末機器１０からサーバ２０へデータを送信させる。

端末機器１０のデータ送信部１６６は、データ取得部１６１によって端末機器１０のセンサ１２から取得されたデータを、通信ネットワーク４を介してサーバ２０に送信する。サーバ２０に送信されるデータは、機械学習モデルを学習させるのに用いられるため、機械学習モデルの入力パラメータの値を含む。また、端末機器１０のセンサ１２によって出力パラメータの値が検出されている場合（例えば、機械学習モデルが入力パラメータの値から出力パラメータの将来の値を推定するようなモデルである場合）には、サーバ２０に送信されるデータは、出力パラメータの値を含んでもよい。

特に、本実施形態では、データ送信部１６６は、送信制御部１６５からの指令に従って、サーバ２０へデータを送信する。したがって、データ送信部１６６は、送信制御部１６５によって設定された目標送信頻度に従って、サーバ２０へデータを送信する。

端末機器１０のモデル更新部１６７は、上述したように、メモリ１５に記憶されていたモデル実行部１６２によって使用される機械学習モデルを、モデル送信部２３５によって送信された機械学習モデルに更新する。

サーバ２０の発生確率特定部２３１は、低発生クラスの発生確率を、端末機器１０によってデータが取得される様々な条件毎（本実施形態では、気温及び湿度によって定まる条件毎）に特定する。各条件毎の低発生クラスの発生確率は、低発生クラスの発生情報に基づいて特定される。本実施形態では、各条件においてユーザが熱中症に罹患する確率は、各条件下で対象エリア内にいたユーザの数と、斯かるユーザのなかから熱中症に罹患したユーザの罹患情報とに基づいて特定される。

各条件下で対象エリアにいたユーザの数は、それぞれの条件において対象エリア内に位置する端末機器１０の数に基づいて特定される。対象エリア内に位置する端末機器１０の数は、例えば、サーバ２０と通信した端末機器１０のうち端末機器１０が対象エリア内に位置することを示す位置情報を送信した端末機器１０の数を数えることによって特定される。

各ユーザの熱中症罹患情報は、例えば、各端末機器１０から送信される。具体的には、ユーザが熱中症に罹患した場合に、その情報がユーザ自身により入力装置１３を介して端末機器１０に入力される。端末機器１０に入力された熱中症罹患情報は、そのときの気温及び湿度（罹患時の条件を表すパラメータ）と共に、通信ネットワーク４を介してサーバ２０へ送信される。

或いは、ユーザの熱中症罹患情報は、例えば、医療機関等に配置された端末機器（図示せず）から送信される。具体的には、ユーザが熱中症に罹患した場合に、そのユーザを診療した医療機関により、その端末機器へ、ユーザが熱中症に罹患した情報が入力される。医療機関の端末機器において入力された熱中症罹患情報は、通信ネットワーク４を介してサーバ２０へ送信される。また、サーバ２０では、そのユーザが保持する端末機器１０から過去に送信されたデータに基づいて、ユーザが熱中症に罹患したときの気温及び湿度（罹患時の条件を表すパラメータ）を取得する。

サーバ２０の目標送信量設定部２３２は、端末機器１０においてデータが取得される条件毎に（すなわち、気温及び湿度によって定まる条件毎に）、端末機器１０からサーバ２０への目標送信頻度を設定する。本実施形態では、目標送信量設定部２３２は、各条件における低発生クラスの発生確率が高くなるほどその条件における目標送信頻度が高くなるように、目標送信頻度を設定する。特に、本実施形態では、目標送信量設定部２３２は、図７に示したように、各条件においてユーザが熱中症に罹患する確率に応じて、Ｆ１、Ｆ２、Ｆ３の３段階で目標送信頻度を設定する。そして、本実施形態では、サーバ２０は、設定した各条件毎の目標送信頻度を、端末機器１０へ送信する。

なお、目標送信量設定部２３２は、各条件においてユーザが熱中症に罹患する確率に応じて、２段階で目標送信頻度を設定してもよい。この場合、例えば、熱中症に罹患する確率が０．１％未満の条件では相対的に目標送信頻度が遅く設定され、熱中症に罹患する確率が０．１％以上の条件では相対的に目標送信頻度が速く設定される。或いは、目標送信量設定部２３２は、各条件においてユーザが熱中症に罹患する確率に応じて、４段階以上の多段階で又は連続的に目標送信頻度を設定してもよい。いずれにせよ、本実施形態では、目標送信量設定部２３２は、低発生クラスの発生確率が相対的に高い条件では、低発生クラスの発生確率が相対的に低い条件に比べて、端末機器１０からサーバ２０への単位時間当たりのデータの目標送信頻度が高くなるように、目標送信頻度を条件毎に設定する。

サーバ２０のデータセット作成部２３３は、機械学習モデルを学習させるのに用いられる学習用データセットを作成する。学習用データセットは、機械学習モデルの入力パラメータの実測値と、出力パラメータの正解値又は正解ラベルとを含む。例えば、本実施形態では、学習用データセットは、或るユーザの端末機器１０によって取得された時系列のデータと、そのユーザの熱中症の罹患情報（正解ラベル）とを含む。

各ユーザの端末機器１０によって取得された時系列のデータは、データ送信部１６６によって各端末機器１０からサーバ２０へ送信される。データセット作成部２３３は、学習用データセットを作成するにあたって、このようにして各端末機器１０から送信されてきたデータを用いる。また、データセット作成部２３３は、学習用データセットを作成するにあたって、上述したように端末機器１０又は医療機関の端末機器から送信された熱中症罹患情報を用いる。

サーバ２０の学習部２３４は、学習用データセットを用いて、上述したような誤差逆伝播法などの手法により機械学習モデルを学習させる。具体的には、学習部２３４は、学習用データセットを用いて、機械学習モデルの学習パラメータの値を更新する。

サーバ２０のモデル送信部２３５は、学習部２３４によって機械学習された学習済みの機械学習モデルを、通信ネットワーク４を介して、各端末機器１０へ送信する。具体的には、学習部２３４による学習によって更新された学習パラメータの値を、各端末機器１０へ送信する。

図８は、機械学習モデルの学習処理の流れを示すシーケンス図である。図８に示した学習処理は、端末機器１０のプロセッサ１６及びサーバ２０のプロセッサ２３において実行される。

本実施形態における学習処理では、図８に示したように、まず、サーバ２０の発生確率特定部２３１が、低発生クラス（熱中症に罹患することを表すクラス）の発生確率を、各条件毎に（特に、温度及び湿度によって定まる条件毎に）特定する（ステップＳ１１）。上述したように、発生確率特定部２３１は、過去に端末機器１０から送信されたデータと、過去の熱中症罹患情報とに基づいて、発生確率を特定する。過去に端末機器１０から送信されたデータ及び過去の熱中症罹患情報は、サーバ２０のストレージ装置２２に記憶されている。したがって、発生確率特定部２３１は、ストレージ装置２２に記憶されたこれらデータ及び情報に基づいて、条件毎の発生確率を特定する。なお、本実施形態では、ステップＳ１１の各条件毎の発生確率の特定は、一定の時間間隔毎に、又は一定量のデータがストレージ装置２２に記憶される毎に行われる。

次いで、サーバ２０の目標送信量設定部２３２は、ステップＳ１１において特定された各条件毎の発生確率に基づいて、各条件毎に、目標送信頻度を設定する（ステップＳ１２）。上述したように、本実施形態では、目標送信量設定部２３２は、低発生クラスの発生確率が高い条件ほど、その条件における目標送信頻度が高くなるように、目標送信頻度を設定する。なお、本実施形態では、ステップＳ１２の目標送信頻度の設定は、ステップＳ１１において条件毎の発生確率が特定される毎に行われる。

ステップＳ１２において各条件毎の目標送信頻度が設定されると、目標送信量設定部２３２は、各条件毎の目標送信頻度を端末機器１０へ送信する（ステップＳ１３）。具体的には、目標送信量設定部２３２は、各条件と目標送信頻度との関係（例えば、図７に示したような関係）に関する情報を、端末機器１０に送信する。特に、本実施形態では、目標送信量設定部２３２は、対象エリア内に位置する端末機器１０に送信する。したがって、目標送信量設定部２３２は、ステップＳ１２において目標送信頻度が設定されたときに、対象エリアに位置する端末機器１０へ、各条件と目標送信頻度との関係に関する情報を送信する。加えて、目標送信量設定部２３２は、ステップＳ１２において目標送信頻度が設定された後に対象エリア内に侵入した端末機器１０へも、各条件と目標送信頻度との関係に関する情報を送信する。

一方、各端末機器１０のデータ取得部１６１は、センサ１２又はサーバ２０から定期的に各種データを取得する（ステップＳ１４）。本実施形態では、データ取得部１６１は、機械学習モデルの入力パラメータに関するデータ、及び現在の条件と特定するのに必要なデータ（本実施形態では、気温及び湿度）を取得する。

データ取得部１６１によってデータが取得されると、条件特定部１６４は、端末機器１０のデータ取得部１６１によってデータが取得される現在の条件を特定する（ステップＳ１５）。本実施形態では、データ取得部１６１は、ステップＳ１４において取得されたデータに基づいて、現在の条件が図７に示した条件のうちどの条件に該当するかを特定する。

ステップＳ１５において現在の条件が特定されると、送信制御部１６５は、目標送信頻度を算出する（ステップＳ１６）。送信制御部１６５は、ステップＳ１３において送信された各条件と目標送信頻度との関係に関する情報と、ステップＳ１５において特定された現在の条件とに基づいて、端末機器１０についての目標送信頻度を設定する。

このようにして目標送信頻度が設定されると、設定された目標送信頻度にて、データ送信部１６６がサーバ２０へデータを送信する（ステップＳ１７）。データ送信部１６６は、特に、データ取得部１６１によって取得されたデータのうち機械学習モデルに使用されるデータを送信する。サーバ２０に送信されたデータは、サーバ２０のストレージ装置２２に記憶される。

データ送信部１６６によって送信されたデータがストレージ装置２２に記憶されると、サーバ２０のデータセット作成部２３３が学習用データセットを作成する（ステップＳ１８）。データセット作成部２３３は、ストレージ装置２２に記憶されたデータを入力パラメータとして用いて学習用データセットを作成する。また、データセット作成部２３３は、ユーザ自身によって端末機器１０に入力された熱中症罹患情報又は医療機関の端末機器において入力された熱中症罹患情報を出力パラメータの正解値として用いて、学習用データセットを作成する。

ステップＳ１８においてデータセット作成部２３３によって学習に必要な数の学習用データセットが作成されると、学習部２３４は、作成されたデータセットを用いて、機械学習モデルを学習させる（ステップＳ１９）。機械学習モデルの学習は、上述したように誤差逆伝播法等、公知の手法によって行われる。

学習部２３４による機械学習モデルの学習が完了すると、モデル送信部２３５は、学習済みの機械学習モデルを、端末機器１０へ送信する（ステップＳ２０）。そして、端末機器１０のモデル更新部１６７は、学習済みの機械学習モデルを受信すると、モデル実行部１６２によって使用される機械学習モデルを、サーバ２０から送信されてきた機械学習モデルに更新する（ステップＳ２１）。

＜効果及び変形例＞
本実施形態によれば、低発生クラスの発生確率が高い条件が成立している場合に、端末機器１０から高い頻度でデータがサーバ２０へ送信される。一方、低発生クラスの発生確率が高い条件が成立していない場合には、端末機器１０から低い頻度でデータがサーバ２０へ送信される。したがって、高い精度で学習するのに必要なデータについては高い頻度でサーバ２０へ送信される。一方、高い精度で学習するのにそれほど必要でないデータについては低い頻度でサーバ２０へ送信される。この結果、端末機器１０からサーバ２０への過剰なデータの送信を抑制しつつ、推定精度の高い機械学習モデルを作成することができるようになる。したがって、本実施形態によれば、端末機器１０から効率的にデータを収集することができるようになる。

なお、上記実施形態では、送信制御部１６５は、低発生クラスの発生確率が相対的に高い条件では、低発生クラスの発生確率が相対的に低い条件に比べて、端末機器１０からサーバ２０への単位時間当たりのデータの目標送信頻度を高くしている。しかしながら、低発生クラスの発生確率が相対的に高い条件では、低発生クラスの発生確率が相対的に低い条件に比べて、端末機器１０からサーバ２０へ送信するデータを間引く量を減らして、端末機器１０からサーバ２０への単位時間当たりのデータ送信量を多くすることができれば、サーバ２０へのデータの送信をどのように制御してもよい。例えば、送信制御部１６５は、データの送信頻度の代わりに、データの送信速度を制御してもよい。したがって、目標送信量設定部２３２は、低発生クラスの発生確率が相対的に高い条件では、低発生クラスの発生確率が相対的に低い条件に比べて、端末機器１０からサーバ２０への単位時間当たりのデータの目標送信量が多くなるように、単位時間当たりの目標送信量を条件毎に設定している。

また、上記実施形態では、熱中症に罹患するか否かを推定する機械学習モデルが用いられている。しかしながら、端末機器１０のようなデータ取得装置によって取得されたデータに基づいて任意の出力パラメータの値を推定するモデルであれば、機械学習モデルとして如何なるモデルが用いられてもよい。したがって、機械学習モデルとして、例えば、監視カメラによって取得された画像データに基づいて、画像データ内の異常者（不審者や急病にかかった虞のある者、など）の発生の有無及びその位置を推定するモデル等が用いられてもよい。

加えて、上記実施形態では、機械学習モデルは端末機器１０において使用される。しかしながら、機械学習モデルはサーバ２０において使用されてもよい。この場合には、データ取得部１６１、モデル実行部１６２等が、サーバ２０に設けられる。サーバ２０のデータ取得部１６１は、端末機器１０のセンサ１２によって検出されたデータを通信ネットワーク４を介して端末機器１０から取得する。そして、サーバ２０のモデル実行部は、端末機器１０から受信したデータを入力パラメータとして機械学習モデルに入力して、出力パラメータの値を算出し、算出した出力パラメータの値を端末機器１０に送信する。また、この場合、送信制御部１６５は、機械学習モデルの学習に用いられるデータのみならず、機械学習モデルの実行に使用されるデータについても、端末機器１０からの送信を制御してもよい。

また、上記実施形態では、機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスが予め特定されている。しかしながら、低発生クラスは、端末機器１０から過去に送信されたデータ等に基づいて、サーバ２０によって特定されてもよい。

図９は、第一実施形態の一つの変形例に係るサーバ２０のプロセッサ２３の、図５と同様な機能ブロック図である。図９に示したように、本変形例のプロセッサ２３は、図５の機能ブロックに加えて、機械学習モデルによって分類される全てのクラスのうち、他のクラスに比べて、相対的に発生確率の低い低発生クラスを特定するクラス特定部２３６を更に備える。

クラス特定部２３６は、端末機器１０によって送信された過去のデータに基づいて、機械学習モデルによって分類される全てのクラスの一定期間における発生確率を算出する。本変形では、具体的には、例えば、一定期間中にデータを受信した端末機器１０の数と、そのうち熱中症罹患情報に紐づけられた端末機器１０（ユーザ）の数とに基づいて、低発生クラスを特定する。そして、発生確率特定部２３１は、このようにして特定された低発生クラスの発生確率を条件毎に特定する。

また、上記実施形態では、条件特定部１６４及び送信制御部１６５が端末機器１０に設けられている。したがって、現在の条件の特定及び目標送信頻度の設定は、端末機器１０において行われている。しかしながら、条件特定部１６４及び送信制御部１６５はサーバ２０に設けられてもよい。

この場合、端末機器１０の現在の条件を特定するのに必要なデータは定期的に端末機器１０からサーバ２０へ送信される。サーバ２０の条件特定部１６４は、このようにして端末機器１０から送信されたデータに基づいて、その端末機器１０の現在の条件を特定する。或いは、サーバ２０の条件特定部１６４は、上述した図８のステップＳ１７において過去に端末機器１０から送信されたデータに基づいて、その端末機器１０の現在の条件を特定してもよい。そして、サーバ２０の送信制御部１６５は、条件特定部１６４によって特定された現在の条件に基づいて、その端末機器１０における目標送信頻度を設定する。その後、送信制御部１６５は、このようにして設定した目標送信頻度を端末機器１０へ送信する。端末機器１０のデータ送信部１６６は、このようにして送信された目標送信頻度に従って、サーバ２０へデータを送信する。

・第二実施形態
次に、図１０～図１１を参照して、第二実施形態に係る機械学習システム１について説明する。以下では、第一実施形態に係る機械学習システムと異なる点を中心に説明する。本実施形態では、サーバ２０は、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習を行う。したがって、サーバは、斯かる複数の機械学習モデルの学習に必要なデータを収集する。サーバ２０は、以下では、サーバ２０が、熱中症に罹患するか否かを出力する第１機械学習モデルと、異常者が発生するか否かを出力する第２機械学習モデルとの学習を行う場合を例にとって説明する。

ところで、サーバ２０が複数の機械学習モデルの学習を行う場合、サーバ２０には全ての機械学習モデルの学習に必要なデータが送信される。したがって、サーバ２０には多量のデータが送信され、サーバ２０のストレージ装置２２には多量のデータが記憶されることになる。したがって、記憶容量の非常に大きなストレージ装置２２が必要になる。

一方で、機械学習モデルの学習により、基本的に、機械学習モデルによる推定精度が高くなる。したがって、機械学習モデルによる推定精度を高めるという観点からは、その機械学習モデルに関する多くのデータを収集することが好ましい。

ここで、機械学習モデルの必要性は、機械学習モデル毎に異なる。一般的に、人間の健康に関する機械学習モデルは、その他の機械学習モデルに比べてその必要性が高い。本実施形態では、熱中症に罹患するか否かを出力する第１機械学習モデルの必要性は、異常者の有無等を出力する第２機械学習モデルの必要性よりも高い。そこで、本実施形態では、人間の健康に関する第１機械学習モデルについては、人間の健康に関しない第２機械学習モデルに比べて、低発生クラスの発生確率が同一の条件において、端末機器１０からの単位時間当たりのデータ送信量が多くなるようにしている。

図１０は、各条件における異常者が発生する確率を示す図である。特に、図１０は、時間帯及び場所（領域）によって定められる条件毎に、異常者が発生する確率を示している。図１０から分かるように、如何なる条件においても、異常者が発生する確率は低い。したがって、異常者が発生することを表すクラスは、相対的に発生確率の低い低発生クラスであるということができる。一方、異常者が発生しないことを表すクラスは、相対的に発生確率の高いクラスであるということができる。

したがって、本実施形態においても、図７に示した例と同様に、各条件における低発生クラスの発生確率に応じて、条件毎の目標送信頻度が設定される。図１１は、各条件における低発生クラスの発生確率が図６に示した確率である場合における、各条件毎の目標送信頻度の設定例である。図１１に示したように、目標送信頻度を設定する目標送信量設定部２３２は、異常者が発生する確率が０．１％未満である条件においては、目標送信頻度をＦ１に設定する。また、目標送信量設定部２３２は、異常者が発生する確率が０．１％以上であって０．３％未満である条件においては、目標送信頻度をＦ１よりも高いＦ２’に設定する。さらに、目標送信量設定部２３２は、異常者が発生する確率が。０．３％以上である条件においては、目標送信頻度をＦ２’よりも高いＦ３’に設定する。

特に、本実施形態では、異常者の有無等を出力する第２機械学習モデルに関しては、人間の健康に関する第１機械学習モデルよりも、目標送信頻度が低く設定される。したがって、本実施形態では、第２機械学習モデルに関する目標送信頻度Ｆ１’は、第１機械学習モデルに関する対応の目標送信頻度Ｆ１よりも低く設定される。第２機械学習モデルに関する目標送信頻度Ｆ２’は、第１機械学習モデルに関する対応の目標送信頻度Ｆ２よりも低く設定される。同様に、本実施形態では、第２機械学習モデルに関する目標送信頻度Ｆ３’は、第１機械学習モデルに関する対応の目標送信頻度Ｆ３よりも低く設定される。

以上より、本実施形態では、目標送信量設定部２３２は、機械学習モデルのうち人間の健康に関する機械学習モデルについては、人間の健康に関しない機械学習モデルに比べて、低発生クラスの発生確率が同一の条件に対して単位時間当たりの目標送信量が多くなるように、単位時間当たりの目標送信量を設定する。これにより、人間の健康に関する機械学習モデルを早期に学習させ、早期に推定精度を高めることができるようになる。

なお、本実施形態では、第１機械学習モデルと第２機械学習モデルとの２つの機械学習モデルの学習がサーバ２０で行われる。しかしながら、３つ以上の多数の機械学習モデルの学習がサーバ２０で行われる場合についても、本実施形態のように、人間の健康に関係するか否かに基づいて目標送信量を変更することが可能である。

以上、本発明に係る好適な実施形態を説明したが、本発明はこれら実施形態に限定されるものではなく、特許請求の範囲の記載内で様々な修正及び変更を施すことができる。

１ 機械学習システム
４ 通信ネットワーク
５ 無線基地局
１０ 端末機器
２０ サーバ

Claims (7)

1. 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集システムであって、
   前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
   前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、
   前記データ取得装置によってデータが取得される現在の条件を特定する条件特定部と、
   前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から前記データ収集装置へデータを送信させる送信制御部と、を有し、
   前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定する、データ収集システム。
2. 前記目標送信量設定部は、前記低発生クラスの発生確率が高くなるほど、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、単位時間当たりの目標送信量を設定する、請求項１に記載のデータ収集システム。
3. 当該データ収集システムは、入力パラメータが少なくとも部分的に異なる複数の機械学習モデルの学習に必要なデータを収集し、
   前記目標送信量設定部は、前記機械学習モデルのうち人間の健康に関する機械学習モデルについては、人間の健康に関しない機械学習モデルに比べて、低発生クラスの発生確率が同一の条件に対して前記単位時間当たりの目標送信量が多くなるように、前記単位時間当たりの目標送信量を設定する、請求項１又は２に記載のデータ収集システム。
4. 前記機械学習モデルによって分類される全てのクラスのうち、他のクラスに比べて、相対的に発生確率の低い低発生クラスを特定する、クラス特定部を更に備える、請求項１～３のいずれか１項に記載のデータ収集システム。
5. 前記データ収集装置が前記発生確率特定部と目標送信量設定部とを有し、前記データ取得装置が前記条件特定部と前記送信制御部とを有する、請求項１～４のいずれか１項に記載のデータ収集システム。
6. 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置からデータ収集装置へ収集するデータ収集方法であって、
   発生確率特定部が、前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定することと、
   目標送信量設定部が、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置から前記データ収集装置への単位時間当たりのデータ送信量が多くなるように、前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定することと、
   条件特定部が、前記データ取得装置によってデータが取得される現在の条件を特定することと、
   送信制御部が、前記特定された現在の条件に対応する目標送信量に従って、前記データ取得装置から当該データ収集装置へデータを送信させることと、を有する、データ収集方法。
7. 複数のクラスへの分類を行う機械学習モデルの学習に必要なデータをデータ取得装置から収集するデータ収集装置であって、
   前記機械学習モデルによって分類される全てのクラスのうち他のクラスに比べて相対的に発生確率の低い低発生クラスの発生確率を、前記データ取得装置によってデータが取得されたときの条件毎に特定する発生確率特定部と、
   前記データ取得装置から前記データ収集装置への単位時間当たりの目標送信量を前記条件毎に設定する目標送信量設定部と、を有し、
   前記目標送信量設定部は、前記低発生クラスの発生確率が相対的に高い条件では、前記低発生クラスの発生確率が相対的に低い条件に比べて、前記データ取得装置からの単位時間当たりのデータ送信量が多くなるように、前記目標送信量を設定し、
   前記目標送信量設定部は、前記目標送信量設定部によって設定された前記条件毎の単位時間当たりの目標送信量を前記データ取得装置へ送信する、データ収集装置。

Images