JP7061089B2 - Classification device, classification method and classification program - Google Patents

Classification device, classification method and classification program Download PDF

Info

Publication number
JP7061089B2
JP7061089B2 JP2019057997A JP2019057997A JP7061089B2 JP 7061089 B2 JP7061089 B2 JP 7061089B2 JP 2019057997 A JP2019057997 A JP 2019057997A JP 2019057997 A JP2019057997 A JP 2019057997A JP 7061089 B2 JP7061089 B2 JP 7061089B2
Authority
JP
Japan
Prior art keywords
feature information
series data
time
unit
identification
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
Application number
JP2019057997A
Other languages
Japanese (ja)
Other versions
JP2020160667A (en
Inventor
コウ 牛
慧 米川
茂莉 黒川
真弥 和田
貴仁 吉原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2019057997A priority Critical patent/JP7061089B2/en
Publication of JP2020160667A publication Critical patent/JP2020160667A/en
Application granted granted Critical
Publication of JP7061089B2 publication Critical patent/JP7061089B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、分類装置、分類方法及び分類プログラムに関する。 The present invention relates to a classification device, a classification method and a classification program.

従来、第１ドメインにおける事象を分類する分類モデルを、第１ドメインとは異なる第２ドメインにおける事象の分類に適用する転移学習技術が知られている。例えば、第１ドメインとしての第１の世帯において発生した音の時系列データに基づいて、当該音が所定の環境音であるかを分類する環境音分類モデルを、第２ドメインとしての第２の世帯において発生した音の分類に用いることが行われている。 Conventionally, there is known a transfer learning technique that applies a classification model for classifying events in the first domain to classification of events in a second domain different from the first domain. For example, a second domain sound classification model that classifies whether or not the sound is a predetermined environmental sound based on the time series data of the sound generated in the first household as the first domain. It is used to classify sounds generated in households.

転移学習技術では、第１ドメインにおける特徴量の分布と、第２ドメインにおける特徴量の分布とを近づけることにより、第２ドメインにおける分類精度を向上させることができる。例えば、非特許文献１には、Generative Adversarial Network（GAN）を用いてドメイン間の特徴量の分布を近づける転移学習手法が提案されている。 In the transfer learning technique, the classification accuracy in the second domain can be improved by bringing the distribution of the feature amount in the first domain closer to the distribution of the feature amount in the second domain. For example, Non-Patent Document 1 proposes a transfer learning method that uses the Generative Adversarial Network (GAN) to bring the distribution of features between domains closer.

Eric Tzeng, et al. “Adversarial discriminative domain adaptation” The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7167-7176Eric Tzeng, et al. “Adversarial discriminative domain adaptation” The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7167-7176

ところで、非特許文献１に記載の技術を、異なるドメインに対応する時系列データ間の転移学習を適用することが考えられる。しかしながら、非特許文献１に記載の技術では、第１ドメインの分類モデルに第２ドメインに対応する時系列データを入力する場合に、入力対象の時系列データのタイムスケールを設定することについて考慮されていない。したがって、非特許文献１に記載の技術では、適切なタイムスケールで入力対象の時系列データを抽出することができず、転移学習時を精度良く行うことができなくなるおそれがある。 By the way, it is conceivable to apply the technique described in Non-Patent Document 1 to transfer learning between time series data corresponding to different domains. However, in the technique described in Non-Patent Document 1, when inputting time-series data corresponding to the second domain into the classification model of the first domain, it is considered to set the time scale of the time-series data to be input. Not. Therefore, with the technique described in Non-Patent Document 1, it is not possible to extract time-series data to be input on an appropriate time scale, and there is a possibility that transfer learning cannot be performed accurately.

そこで、本発明はこれらの点に鑑みてなされたものであり、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる分類装置、分類方法及び分類プログラムを提供することを目的とする。 Therefore, the present invention has been made in view of these points, and an object of the present invention is to provide a classification device, a classification method, and a classification program capable of accurately performing transfer learning between time-series data corresponding to different domains. And.

本発明の第１の態様に係る分類装置は、第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得する第１特徴情報取得部と、前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得する時系列データ取得部と、前記時系列データ取得部が取得した前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する抽出部と、前記複数のタイムスケールのいずれかに対応し、当該いずれかのタイムスケールに対応する部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を生成する複数の生成部と、前記複数の生成部のそれぞれに対応する複数の識別部であって、前記第１特徴情報、又は対応する前記生成部が生成した前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別する複数の識別部と、前記識別部における識別精度が向上するように前記複数の識別部の学習を行うとともに、生成される前記第２特徴情報が前記第１特徴情報に類似するように前記複数の生成部の学習を行う学習部と、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習部により学習が行われた後の前記複数の識別部のそれぞれの識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得する分類結果取得部と、を備える。 The classification device according to the first aspect of the present invention includes a first feature information acquisition unit that acquires first feature information, which is feature information indicating features of the first time series data, which is time series data of the first domain. A plurality of times from the time-series data acquisition unit that acquires the second time-series data that is the time-series data of the second domain different from the first domain and the second time-series data acquired by the time-series data acquisition unit. The second unit is based on the extraction unit that extracts a plurality of partial time-series data corresponding to each of the scales and the partial time-series data corresponding to any of the plurality of time scales. A plurality of generation units that generate second feature information, which is feature information indicating the characteristics of time-series data, and a plurality of identification units corresponding to each of the plurality of generation units, the first feature information or the correspondence. When the second feature information generated by the generation unit is input, a plurality of identification units for identifying whether the input feature information is the first feature information or the second feature information, and the above-mentioned identification unit. Learning to learn the plurality of identification units so that the identification accuracy in the identification unit is improved, and to learn the plurality of generation units so that the generated second feature information is similar to the first feature information. Each of the unit and the plurality of second feature information generated by the plurality of generation units is input to the classifier for classifying the first feature information, and the result obtained from the classifier and the learning are performed by the learning unit. It is provided with a classification result acquisition unit for acquiring the classification result corresponding to the second time-series data based on the identification result of each of the plurality of identification units after the data is generated.

前記分類装置は、前記学習部による学習後における前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を決定する決定部をさらに備え、前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる結果を、前記決定部が決定した寄与度に基づいて合成することにより、前記第２時系列データに対応する分類結果を取得してもよい。 The classification device is the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales based on the discrimination results of the plurality of identification units after learning by the learning unit. Further, the classification result acquisition unit is provided with a determination unit for determining the degree of contribution indicating the degree of influence on the classification result of the second time series data, and the classification result acquisition unit is a plurality of second feature information generated by the plurality of generation units. By synthesizing the results obtained from the classifier when each of them is input to the classifier based on the contribution degree determined by the determination unit, the classification result corresponding to the second time series data is acquired. May be good.

前記分類装置は、前記学習部による学習後における前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を決定する決定部をさらに備え、前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる分類結果のうち、前記寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、前記第２時系列データに対応する分類結果を取得してもよい。 The classification device is the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales based on the discrimination results of the plurality of identification units after learning by the learning unit. Further, the classification result acquisition unit is provided with a determination unit for determining the degree of contribution indicating the degree of influence on the classification result of the second time-series data, and the classification result acquisition unit is a plurality of second feature information generated by the plurality of generation units. Among the classification results obtained from the classifier when each is input to the classifier, the second time series is based on the classification result corresponding to one or more second feature information having a relatively high contribution. The classification result corresponding to the data may be acquired.

前記分類装置は、前記学習部による学習が終了するまでにおける前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を更新することにより、当該寄与度を決定する決定部をさらに備え、前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる結果を、前記寄与度に基づいて合成してもよい。 The classification device is based on the discrimination results of the plurality of identification units until the learning by the learning unit is completed, and the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales. Further, a determination unit for determining the contribution degree is further provided by updating the contribution degree indicating the degree of influence on the classification result of the second time series data, and the classification result acquisition unit is the plurality of said. When each of the plurality of second feature information generated by the generation unit is input to the classifier, the result obtained from the classifier may be synthesized based on the contribution.

前記分類装置は、前記学習部による学習が終了するまでの前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を更新することにより、当該寄与度を決定する決定部をさらに備え、前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる分類結果のうち、前記寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、前記第２時系列データに対応する分類結果を取得してもよい。 The classification device is based on the discrimination results of the plurality of identification units until the learning by the learning unit is completed, and the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales. Further, a determination unit for determining the contribution degree is further provided by updating the contribution degree indicating the degree of influence on the classification result of the second time series data, and the classification result acquisition unit is the plurality of said. Corresponds to one or more second feature information having a relatively high contribution among the classification results obtained from the classifier when each of the plurality of second feature information generated by the generation unit is input to the classifier. The classification result corresponding to the second time series data may be acquired based on the classification result.

前記学習部は、前記決定部が決定した前記寄与度が相対的に高い第２特徴情報を生成する前記生成部と、当該生成部に対応する前記識別部との学習回数を、前記寄与度が相対的に低い第２特徴情報を生成する前記生成部と、当該生成部に対応する前記識別部との学習回数に比べて増加させてもよい。 The learning unit determines the number of times of learning between the generation unit that generates the second feature information having a relatively high contribution degree determined by the determination unit and the identification unit corresponding to the generation unit. The number of times of learning between the generation unit that generates relatively low second feature information and the identification unit corresponding to the generation unit may be increased.

本発明の第２の態様に係る分類方法は、コンピュータが実行する、第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得するステップと、前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得するステップと、取得された前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出するステップと、前記複数のタイムスケールのそれぞれに対応する部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を複数生成するステップと、前記第１特徴情報、又は生成された前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別するステップと、前記識別するステップにおける識別精度が向上するように学習を行うステップと、前記生成するステップにおいて生成される前記第２特徴情報が前記第１特徴情報に類似するように学習を行うステップと、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習が行われた後の前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報の識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得するステップと、を備える。 The classification method according to the second aspect of the present invention includes a step of acquiring first feature information, which is feature information indicating features of the first time series data, which is time series data of the first domain, executed by a computer. From the step of acquiring the second time-series data which is the time-series data of the second domain different from the first domain and the acquired second time-series data, a plurality of partial times corresponding to each of the plurality of time scales. A step of extracting series data, a step of generating a plurality of second feature information which is feature information indicating the feature of the second time series data based on the partial time series data corresponding to each of the plurality of time scales, and a step of generating a plurality of second feature information. When the first feature information or the generated second feature information is input, the step of identifying whether the input feature information is the first feature information or the second feature information, and the step. A step of learning so as to improve the identification accuracy in the identification step, a step of learning so that the second feature information generated in the generation step is similar to the first feature information, and the plurality of steps. Each of the plurality of second feature information corresponding to each of the time scales is input to the classifier for classifying the first feature information, and the result obtained from the classifier and the plurality of the training after the learning is performed. A step of acquiring a classification result corresponding to the second time-series data based on the identification result of a plurality of second feature information corresponding to each of the time scales is provided.

本発明の第３の態様に係る分類プログラムは、コンピュータを、第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得する第１特徴情報取得部、前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得する時系列データ取得部、前記時系列データ取得部が取得した前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する抽出部、前記複数のタイムスケールのいずれかに対応し、当該いずれかのタイムスケールに対応する部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を生成する複数の生成部、前記複数の生成部のそれぞれに対応する複数の識別部であって、前記第１特徴情報、又は対応する前記生成部が生成した前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別する複数の識別部、前記識別部における識別精度が向上するように前記複数の識別部の学習を行うとともに、生成される前記第２特徴情報が前記第１特徴情報に類似するように前記複数の生成部の学習を行う学習部、及び、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習部により学習が行われた後の前記複数の識別部のそれぞれの識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得する分類結果取得部、として機能させる。 The classification program according to the third aspect of the present invention is the first feature information acquisition in which the computer acquires the first feature information which is the feature information indicating the feature of the first time series data which is the time series data of the first domain. A plurality of units, a time-series data acquisition unit that acquires second time-series data that is time-series data of a second domain different from the first domain, and a plurality of second time-series data acquired by the time-series data acquisition unit. An extraction unit that extracts a plurality of partial time-series data corresponding to each of the time scales, the second one based on the partial time-series data corresponding to any of the plurality of time scales and corresponding to any one of the time scales. A plurality of generation units that generate second feature information, which is feature information indicating the characteristics of time-series data, and a plurality of identification units corresponding to each of the plurality of generation units, which are the first feature information or the corresponding ones. When the second feature information generated by the generation unit is input, a plurality of identification units for identifying whether the input feature information is the first feature information or the second feature information, the identification unit. A learning unit that learns the plurality of identification units so that the identification accuracy in the above-mentioned is improved, and learns the plurality of generation units so that the generated second feature information resembles the first feature information. Then, each of the plurality of second feature information generated by the plurality of generation units is input to the classifier for classifying the first feature information, and the result obtained from the classifier and the learning are performed by the learning unit. It functions as a classification result acquisition unit that acquires the classification result corresponding to the second time-series data based on the identification result of each of the plurality of identification units.

本発明によれば、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができるという効果を奏する。 According to the present invention, there is an effect that transfer learning between time-series data corresponding to different domains can be performed with high accuracy.

第１実施形態に係る分類装置の概要（その１）を説明する図である。It is a figure explaining the outline (the 1) of the classification apparatus which concerns on 1st Embodiment. 第１実施形態に係る分類装置の概要（その２）を説明する図である。It is a figure explaining the outline (the 2) of the classification apparatus which concerns on 1st Embodiment. 第１実施形態に係る分類装置の構成を示す図である。It is a figure which shows the structure of the classification apparatus which concerns on 1st Embodiment. 第１実施形態に係る分類装置の処理の流れを示すフローチャートである。It is a flowchart which shows the process flow of the classification apparatus which concerns on 1st Embodiment. 第３実施形態に係る生成部と識別部との関係を示す図である。It is a figure which shows the relationship between the generation part and the identification part which concerns on 3rd Embodiment.

＜第１実施形態＞
［分類装置の概要］
図１及び図２は、第１実施形態に係る分類装置の概要を説明する図である。分類装置は、第１ドメインにおける時系列データを分類する第１ドメインの分類モデルを用いて、第１ドメインとは異なる第２ドメインにおける時系列データを分類する転移学習を行うコンピュータである。 <First Embodiment>
[Overview of classification device]
1 and 2 are diagrams illustrating an outline of the classification device according to the first embodiment. The classification device is a computer that performs transfer learning to classify time-series data in a second domain different from the first domain by using a classification model of the first domain that classifies time-series data in the first domain.

分類装置は、第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得する。分類装置は、第２ドメインの時系列データである第２時系列データを取得する。時系列データは、例えば、複数の時刻と、当該時刻における所定の事象を示す値とを関連付けたデータであり、例えば、宅内における音声データである。なお、時系列データは、音声データであることとしたが、これに限らず、例えば、複数の時刻と、当該時刻における所定の事象を示す値とを関連付けたデータであれば、他のデータであってもよい。 The classification device acquires the first feature information which is the feature information indicating the feature of the first time series data which is the time series data of the first domain. The classification device acquires the second time-series data, which is the time-series data of the second domain. The time-series data is, for example, data in which a plurality of times are associated with a value indicating a predetermined event at the time, and is, for example, voice data in a house. The time-series data is not limited to voice data, but other data can be used as long as it is data in which a plurality of times and a value indicating a predetermined event at the time are associated with each other. There may be.

分類装置は、取得した第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する。図１に示す例では、分類装置は、ｍ個の部分時系列データＤ１～Ｄｍを抽出する。分類装置は、部分時系列データに基づいて、第２時系列データの特徴を示す特徴情報である第２特徴情報を生成する複数の生成部を備えている。分類装置は、複数の生成部により、複数のタイムスケールのそれぞれに対応する第２特徴情報を生成する。図１に示す例では、分類装置は、ｍ個の部分時系列データＤ１～Ｄｍのそれぞれに対応して、ｍ個の第２特徴情報ＦＩ１～ＦＩｍを生成する。 The classification device extracts a plurality of partial time-series data corresponding to each of the plurality of time scales from the acquired second time-series data. In the example shown in FIG. 1, the classification device extracts m partial time series data D1 to Dm. The classification device includes a plurality of generators that generate second feature information, which is feature information indicating the features of the second time series data, based on the partial time series data. The classification device generates the second feature information corresponding to each of the plurality of time scales by the plurality of generation units. In the example shown in FIG. 1, the classification device generates m second feature information FI1 to FIm corresponding to each of m partial time series data D1 to Dm.

分類装置は、複数の生成部のそれぞれに対応して複数の識別部を備えている。複数の識別部のそれぞれは、第１特徴情報又は第２特徴情報が入力されると、入力された特徴情報が第１特徴情報であるか第２特徴情報であるかを識別した識別結果を出力する。 The classification device includes a plurality of identification units corresponding to each of the plurality of generation units. When the first feature information or the second feature information is input, each of the plurality of identification units outputs an identification result that identifies whether the input feature information is the first feature information or the second feature information. do.

分類装置は、識別精度が向上するように複数の識別部の学習を行うとともに、生成される第２特徴情報が第１特徴情報に類似するように複数の生成部の学習を行う。分類装置は、複数の識別部及び複数の生成部の学習を行った後における複数の識別部のそれぞれの識別結果に基づいて、複数のタイムスケールのそれぞれに対応する複数の第２特徴情報ＦＩ１～ＦＩｍのそれぞれの寄与度Ｐ１～Ｐｍを算出する。寄与度は、複数のタイムスケールのそれぞれの第２特徴情報に、第２時系列データの分類結果に影響を与える情報が含まれる度合いを示す情報である。 The classification device learns a plurality of identification units so that the identification accuracy is improved, and learns a plurality of generation units so that the generated second feature information resembles the first feature information. The classification device has a plurality of second feature information FI1 to corresponding to each of the plurality of time scales based on the discrimination results of the plurality of identification units after learning the plurality of identification units and the plurality of generation units. Each contribution degree P1 to Pm of FIm is calculated. The degree of contribution is information indicating the degree to which the second feature information of each of the plurality of time scales contains information that affects the classification result of the second time series data.

図２に説明を移し、分類装置は、複数のタイムスケールから生成された複数の第２特徴情報ＦＩ１～ＦＩｍを、第１ドメインにおいて第１特徴情報を分類する分類器に入力する。分類装置は、分類器から出力された、複数の第２特徴情報ＦＩ１～ＦＩｍのそれぞれに対応する分類結果ｙ１～ｙｍを、寄与度Ｐ１～Ｐｍに基づいて合成することにより、第２時系列データに対応する分類結果ｙを取得する。分類装置は、相対的に高い寄与度に対応する第２特徴情報の分類結果が、相対的に低い寄与度に対応する第２特徴情報に比べて、分類結果が第２時系列データに対応する分類結果に影響するように、複数の第２特徴情報ＦＩ１～ＦＩｍのそれぞれに対応する分類結果を合成する。このようにすることで、分類装置は、ラベルが付されていない第２時系列データに対しても、転移学習を行うことにより、ラベルがある第１ドメインの知識を活用して、時系列データの分類を実現することができる。また、分類装置は、適切なタイムスケールに対応する第２特徴情報の分類結果を第２時系列データに対応する分類結果により強く反映させることができる。したがって、分類装置は、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。
以下、分類装置の構成について説明する。 Moving on to FIG. 2, the classifier inputs a plurality of second feature information FI1 to FIm generated from a plurality of time scales into a classifier that classifies the first feature information in the first domain. The classification device synthesizes the classification results y1 to ym corresponding to each of the plurality of second feature information FI1 to FIm output from the classifier based on the contribution P1 to Pm, thereby performing the second time series data. The classification result y corresponding to is acquired. In the classification device, the classification result of the second feature information corresponding to the relatively high contribution corresponds to the second time series data as compared with the second feature information corresponding to the relatively low contribution. The classification results corresponding to each of the plurality of second feature information FI1 to FIm are synthesized so as to affect the classification results. By doing so, the classification device utilizes the knowledge of the first domain with the label by performing transfer learning even for the second time series data without the label, and the time series data. Classification of can be realized. Further, the classification device can strongly reflect the classification result of the second feature information corresponding to the appropriate time scale to the classification result corresponding to the second time series data. Therefore, the classification device can accurately perform transfer learning between time series data corresponding to different domains.
Hereinafter, the configuration of the classification device will be described.

［分類装置１の構成例］
図３は、第１実施形態に係る分類装置１の構成を示す図である。分類装置１は、記憶部１１と、制御部１２とを備える。 [Configuration example of classification device 1]
FIG. 3 is a diagram showing the configuration of the classification device 1 according to the first embodiment. The classification device 1 includes a storage unit 11 and a control unit 12.

記憶部１１は、例えば、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）等である。記憶部１１は、分類装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１１は、分類装置１の制御部１２を、第１特徴情報取得部１２１、時系列データ取得部１２２、抽出部１２３、複数の生成部１２４、複数の識別部１２５、学習部１２６、決定部１２７、及び分類結果取得部１２８として機能させる分類プログラムを記憶する。 The storage unit 11 is, for example, a ROM (Read Only Memory), a RAM (Random Access Memory), or the like. The storage unit 11 stores various programs for operating the classification device 1. For example, the storage unit 11 uses the control unit 12 of the classification device 1 as a first feature information acquisition unit 121, a time series data acquisition unit 122, an extraction unit 123, a plurality of generation units 124, a plurality of identification units 125, and a learning unit 126. , The determination unit 127, and the classification program to function as the classification result acquisition unit 128.

制御部１２は、例えばＣＰＵ（Central Processing Unit）である。制御部１２は、記憶部１１に記憶されている各種プログラムを実行することにより、分類装置１に係る機能を制御する。制御部１２は、記憶部１１に記憶されているプログラムを実行することにより、第１特徴情報取得部１２１、時系列データ取得部１２２、抽出部１２３、生成部１２４、識別部１２５、学習部１２６、決定部１２７、及び分類結果取得部１２８として機能する。 The control unit 12 is, for example, a CPU (Central Processing Unit). The control unit 12 controls the function related to the classification device 1 by executing various programs stored in the storage unit 11. By executing the program stored in the storage unit 11, the control unit 12 executes the first feature information acquisition unit 121, the time series data acquisition unit 122, the extraction unit 123, the generation unit 124, the identification unit 125, and the learning unit 126. , The determination unit 127, and the classification result acquisition unit 128.

第１特徴情報取得部１２１は、第１時系列データの特徴を示す第１特徴情報を取得する。例えば、第１特徴情報は、予め記憶部１１又は外部装置に複数記憶されている。第１特徴情報取得部１２１は、ユーザからの操作を受け付ける操作部（不図示）を介して、第１特徴情報の取得操作を受け付けると、記憶部１１又は外部装置に記憶されている第１特徴情報を複数取得する。 The first feature information acquisition unit 121 acquires the first feature information indicating the features of the first time series data. For example, a plurality of first feature information is stored in advance in the storage unit 11 or an external device. When the first feature information acquisition unit 121 receives the acquisition operation of the first feature information via the operation unit (not shown) that receives the operation from the user, the first feature information acquisition unit 121 is stored in the storage unit 11 or the external device. Get multiple pieces of information.

ここで、第１特徴情報は、第１時系列データから、複数のタイムスケールのそれぞれに対応して抽出された複数の部分時系列データを含むデータセットである。また、第１特徴情報は、分類器が第１時系列データの分類を精度良く行うにあたり、第１時系列データの特徴を示す情報が多く含まれるように、複数の部分時系列データを含む割合が予め設定されている。また、複数の部分時系列データは、タイムスケールが異なることから、例えば、基準のサンプリングスケールに調整されているものとする。ここで、第１時系列データには、予め所定のラベルが付されているものとする。例えば、第１時系列データが所定の家庭における環境音を示す時系列データである場合、第１時系列データには、掃除音、料理音等のラベルが付されているものとする。 Here, the first feature information is a data set including a plurality of partial time-series data extracted from the first time-series data corresponding to each of the plurality of time scales. Further, the first feature information includes a plurality of partial time series data so that the classifier contains a lot of information indicating the features of the first time series data when the classifier classifies the first time series data with high accuracy. Is preset. Further, since the time scales of the plurality of partial time series data are different, it is assumed that the data is adjusted to the reference sampling scale, for example. Here, it is assumed that a predetermined label is attached to the first time series data in advance. For example, when the first time-series data is time-series data indicating environmental sounds in a predetermined home, it is assumed that the first time-series data is labeled with cleaning sounds, cooking sounds, and the like.

時系列データ取得部１２２は、第１ドメインと異なる第２ドメインの時系列データである第２時系列データを一以上取得する。例えば、第１時系列データが所定の家庭における環境音を示す時系列データである場合、時系列データ取得部１２２は、所定の家庭とは異なる家庭における環境音を示す時系列データを第２時系列データとして取得する。ここで、第２時系列データには、第１時系列データのように所定のラベルが付されていないものとする。 The time-series data acquisition unit 122 acquires one or more second time-series data which is time-series data of the second domain different from the first domain. For example, when the first time-series data is time-series data indicating an environmental sound in a predetermined home, the time-series data acquisition unit 122 obtains time-series data indicating an environmental sound in a home different from the predetermined home at the second time. Acquire as series data. Here, it is assumed that the second time-series data is not labeled with a predetermined label like the first time-series data.

抽出部１２３は、時系列データ取得部１２２が取得した第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する。抽出部１２３は、部分時系列データの一部が、他の部分時系列データと重複するように、部分時系列データを抽出してもよい。また、抽出部１２３は、部分時系列データの一部が、他の部分時系列データと重複しないように、部分時系列データを抽出してもよい。 The extraction unit 123 extracts a plurality of partial time-series data corresponding to each of the plurality of time scales from the second time-series data acquired by the time-series data acquisition unit 122. The extraction unit 123 may extract the partial time-series data so that a part of the partial time-series data overlaps with the other partial time-series data. Further, the extraction unit 123 may extract the partial time-series data so that a part of the partial time-series data does not overlap with the other partial time-series data.

ここで、抽出部１２３がｍ個のタイムスケールのそれぞれに対応して、部分時系列データを抽出する場合、第ｍのタイムスケールＴＳｍに対応する部分時系列データを、部分時系列データＤｍとする。 Here, when the extraction unit 123 extracts the partial time-series data corresponding to each of the m time scales, the partial time-series data corresponding to the m-th time scale TSm is referred to as the partial time-series data Dm. ..

複数の生成部１２４は、複数のタイムスケールのいずれかに対応し、当該いずれかのタイムスケールに対応する部分時系列データに基づいて第２時系列データの特徴を示す第２特徴情報を生成する。ここで、抽出部１２３がｍ個のタイムスケールのそれぞれに対応して部分時系列データを抽出する場合、第ｍの生成部１２４を、生成部１２４－ｍとする。また、第ｍの生成部１２４が生成した第２特徴情報を、第２特徴情報ＦＩｍとする。 The plurality of generation units 124 correspond to any of the plurality of time scales, and generate second feature information indicating the features of the second time series data based on the partial time series data corresponding to the one of the time scales. .. Here, when the extraction unit 123 extracts partial time-series data corresponding to each of the m time scales, the mth generation unit 124 is referred to as the generation unit 124-m. Further, the second feature information generated by the third generation unit 124 is referred to as a second feature information FIm.

複数の識別部１２５は、複数の生成部１２４のそれぞれに対応している。抽出部１２３がｍ個のタイムスケールのそれぞれに対応して部分時系列データを抽出する場合、第ｍの識別部１２５を、識別部１２５－ｍとする。複数の識別部１２５のそれぞれは、第１特徴情報、又は自身に対応する生成部１２４が生成した第２特徴情報が入力されると、入力された特徴情報が第１特徴情報であるか、第２特徴情報であるかを識別し、識別結果を示す情報を出力する。 The plurality of identification units 125 correspond to each of the plurality of generation units 124. When the extraction unit 123 extracts partial time-series data corresponding to each of the m time scales, the m-th identification unit 125 is referred to as the identification unit 125-m. When the first feature information or the second feature information generated by the generation unit 124 corresponding to itself is input to each of the plurality of identification units 125, whether the input feature information is the first feature information or the first feature information. 2 Identify whether it is feature information and output information indicating the identification result.

学習部１２６は、識別部１２５における識別精度が向上するように複数の識別部１２５の学習を行うとともに、生成される第２特徴情報が第１特徴情報に類似するように、複数の生成部１２４の学習を行う。例えば、学習部１２６は、複数の識別部１２５の学習と、複数の生成部１２４の学習とを交互に行う。学習部１２６は、複数の識別部１２５のそれぞれが出力する識別結果に基づく二値交差エントロピーの変化量が所定量以内に収束するまで、複数の識別部１２５の学習と、複数の生成部１２４の学習とを繰り返し実行する。 The learning unit 126 learns a plurality of identification units 125 so that the identification accuracy in the identification unit 125 is improved, and at the same time, a plurality of generation units 124 so that the generated second feature information resembles the first feature information. To learn. For example, the learning unit 126 alternately performs learning of the plurality of identification units 125 and learning of the plurality of generation units 124. The learning unit 126 learns the plurality of identification units 125 and the plurality of generation units 124 until the amount of change in the binary cross entropy based on the identification results output by each of the plurality of identification units 125 converges within a predetermined amount. Repeat learning.

決定部１２７は、学習部１２６による学習後における複数の識別部１２５のそれぞれの識別結果に基づいて、複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度を決定する。具体的には、決定部１２７は、学習部１２６による学習後における複数の識別部１２５のそれぞれについて、第１特徴情報と、識別部１２５に対応する生成部１２４が生成した第２識別情報との入力を複数回行うことにより、複数の識別結果を取得する。決定部１２７は、複数の識別部１２５のそれぞれについて、複数の識別結果に基づいて二値交差エントロピーを算出する。 The determination unit 127 determines the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales based on the identification results of the plurality of identification units 125 after the learning by the learning unit 126. Specifically, the determination unit 127 has the first feature information and the second identification information generated by the generation unit 124 corresponding to the identification unit 125 for each of the plurality of identification units 125 after learning by the learning unit 126. By inputting multiple times, multiple identification results are acquired. The determination unit 127 calculates the binary cross entropy for each of the plurality of identification units 125 based on the plurality of identification results.

複数の生成部１２４の学習を行うことにより、複数の生成部１２４のそれぞれは、第１特徴情報に類似する第２特徴情報を生成するものの、部分時系列データに含まれる情報に応じて、第１特徴情報に対する類似度がそれぞれ異なるものとなる。これにより、複数の識別部１２５における識別結果の正解率もそれぞれ異なるものとなる。二値交差エントロピーが大きければ大きいほど、生成部１２４が生成した第２特徴情報が第１特徴情報と類似していることを示している。 By learning the plurality of generation units 124, each of the plurality of generation units 124 generates the second feature information similar to the first feature information, but the first is according to the information contained in the partial time series data. 1 The degree of similarity to the feature information is different. As a result, the correct answer rates of the identification results in the plurality of identification units 125 are also different. The larger the binary cross entropy, the more similar the second feature information generated by the generation unit 124 to the first feature information.

決定部１２７は、複数の識別部１２５のそれぞれの識別結果に基づいて算出した二値交差エントロピーが大きいものほど寄与度が高くなるように、複数の第２特徴情報のそれぞれの寄与度を決定する。 The determination unit 127 determines the contribution of each of the plurality of second feature information so that the larger the binary cross entropy calculated based on the identification result of each of the plurality of identification units 125, the higher the contribution. ..

決定部１２７は、第２特徴情報ＦＩｉ（ただし、１≦ｉ≦ｍ）に対応する寄与度をＰｉとし、識別部１２５－ｉに対応する二値交差エントロピーをＬｉとすると、第２特徴情報ＦＩｉに対応する寄与度Ｐｉを、以下の式（１）により算出する。
Pi=Li/(L1+L2+…+Lm)・・・（１） Assuming that the contribution corresponding to the second feature information FIi (however, 1 ≦ i ≦ m) is Pi and the binary cross entropy corresponding to the identification unit 125-i is Li, the determination unit 127 is the second feature information FIi. The contribution degree Pi corresponding to is calculated by the following equation (1).
Pi = Li / (L1 + L2 +… + Lm) ・ ・ ・ (1)

なお、決定部１２７は、上記の式（１）に基づいて寄与度を算出したが、これに限らない。例えば、決定部１２７は、以下の式（２）により寄与度を算出してもよい。なお、ｅｘｐ（ｘ）は、指数関数ｅのｘ乗である。
Pi=exp(Li)/(exp(L1)+exp(L2)+・・・+exp(Lm))・・・（２） The determination unit 127 calculated the degree of contribution based on the above equation (1), but the present invention is not limited to this. For example, the determination unit 127 may calculate the degree of contribution by the following equation (2). Note that exp (x) is the x-th power of the exponential function e.
Pi = exp (Li) / (exp (L1) + exp (L2) + ・ ・ ・ + exp (Lm)) ・ ・ ・ (2)

分類結果取得部１２８は、学習部１２６により学習が行われた後に、複数の生成部１２４のそれぞれに第２特徴情報を生成させる。分類結果取得部１２８は、複数の生成部１２４が生成した第２特徴情報のそれぞれを、第１特徴情報を分類する第１ドメインの分類器に入力し、当該第１ドメインの分類器から分類結果を取得する。 The classification result acquisition unit 128 causes each of the plurality of generation units 124 to generate the second feature information after the learning is performed by the learning unit 126. The classification result acquisition unit 128 inputs each of the second feature information generated by the plurality of generation units 124 into the classifier of the first domain that classifies the first feature information, and classifies the result from the classifier of the first domain. To get.

そして、分類結果取得部１２８は、第１ドメインの分類器から取得した分類結果と、学習部１２６により学習が行われた後の複数の識別部１２５のそれぞれの識別結果とに基づいて、第２時系列データに対応する分類結果を取得する。具体的には、分類結果取得部１２８は、複数の生成部１２４が生成した複数の第２特徴情報のそれぞれを一つのデータセットとして第１ドメインの分類器に入力する。そして、分類結果取得部１２８は、当該第１ドメインの分類器から得られる、当該一つのデータセットに含まれる複数の第２特徴情報の分類結果を、決定部１２７が決定した寄与度に基づいて合成することにより、第２時系列データに対応する分類結果を取得する。 Then, the classification result acquisition unit 128 is based on the classification result acquired from the classifier of the first domain and the identification result of each of the plurality of identification units 125 after learning is performed by the learning unit 126. Acquire the classification result corresponding to the time series data. Specifically, the classification result acquisition unit 128 inputs each of the plurality of second feature information generated by the plurality of generation units 124 into the classifier of the first domain as one data set. Then, the classification result acquisition unit 128 determines the classification results of the plurality of second feature information included in the one data set obtained from the classifier of the first domain based on the contribution degree determined by the determination unit 127. By synthesizing, the classification result corresponding to the second time series data is acquired.

例えば、第２特徴情報ＦＩｉを第１ドメインの分類器に入力することにより当該分類器から得られる分類結果をｙｉとした場合、分類結果取得部１２８は、以下の式（３）により、第２時系列データに対応する分類結果ｙを算出する。
y=y1*P1+y2*P2+…+ym*Pm・・・（３） For example, when the classification result obtained from the classifier by inputting the second feature information FIi into the classifier of the first domain is set to yi, the classification result acquisition unit 128 uses the following formula (3) to obtain the second. The classification result y corresponding to the time series data is calculated.
y = y1 * P1 + y2 * P2 +… + ym * Pm ・ ・ ・ (3)

なお、分類結果取得部１２８は、上記の式（３）に基づいて分類結果ｙを算出したが、これに限らない。分類結果取得部１２８は、複数の生成部１２４が生成した複数の第２特徴情報のそれぞれを第１ドメインの分類器に入力した場合に当該分類器から得られる分類結果のうち、寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、第２時系列データに対応する分類結果を取得してもよい。 The classification result acquisition unit 128 calculates the classification result y based on the above equation (3), but the classification result y is not limited to this. The classification result acquisition unit 128 has a relative contribution among the classification results obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units 124 is input to the classifier of the first domain. The classification result corresponding to the second time series data may be acquired based on the classification result corresponding to one or more second feature information which is relatively high.

例えば、分類結果取得部１２８は、第１ドメインの分類器から得られる複数の第２特徴情報のそれぞれの分類結果のうち、寄与度が最も高い第２特徴情報に対応する分類結果を、第２時系列データに対応する分類結果としてもよい。また、分類結果取得部１２８は、寄与度が最も高い第２特徴情報のみを第１ドメインの分類器に入力し、当該分類結果から得られる分類結果を第２時系列データに対応する分類結果としてもよい。このようにすることで、分類装置１の処理負荷を軽減しつつ、第２時系列データに対応する分類結果を取得することができる。 For example, the classification result acquisition unit 128 secondly obtains the classification result corresponding to the second feature information having the highest contribution among the classification results of each of the plurality of second feature information obtained from the classifier of the first domain. It may be a classification result corresponding to time series data. Further, the classification result acquisition unit 128 inputs only the second feature information having the highest contribution to the classifier of the first domain, and the classification result obtained from the classification result is used as the classification result corresponding to the second time series data. May be good. By doing so, it is possible to acquire the classification result corresponding to the second time series data while reducing the processing load of the classification device 1.

［分類装置１における処理の流れ］
続いて、分類装置１における処理の流れの一例について説明する。図４は、本実施形態に係る分類装置１に係る処理の流れを示すフローチャートである。 [Processing flow in classification device 1]
Subsequently, an example of the processing flow in the classification device 1 will be described. FIG. 4 is a flowchart showing the flow of processing according to the classification device 1 according to the present embodiment.

まず、第１特徴情報取得部１２１は、第１時系列データの特徴を示す第１特徴情報を取得する（Ｓ１）。
続いて、時系列データ取得部１２２は、第２ドメインの時系列データである第２時系列データを取得する（Ｓ２）。 First, the first feature information acquisition unit 121 acquires the first feature information indicating the features of the first time-series data (S1).
Subsequently, the time-series data acquisition unit 122 acquires the second time-series data, which is the time-series data of the second domain (S2).

続いて、抽出部１２３は、Ｓ２において時系列データ取得部１２２が取得した第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する（Ｓ３）。 Subsequently, the extraction unit 123 extracts a plurality of partial time-series data corresponding to each of the plurality of time scales from the second time-series data acquired by the time-series data acquisition unit 122 in S2 (S3).

続いて、複数の生成部１２４は、自身に対応するタイムスケールで抽出された部分時系列データに基づいて、第２時系列データの特徴を示す第２特徴情報を生成する（Ｓ４）。
また、学習部１２６は、生成部１２４が生成した第２特徴情報又は第１特徴情報を識別部１２５に入力し、識別部１２５に、入力された特徴情報が第１特徴情報であるか、第２特徴情報であるかを識別させる（Ｓ５）。
続いて、学習部１２６は、複数の識別部１２５の学習を行うとともに、複数の生成部１２４の学習を行う（Ｓ６）。Ｓ４からＳ６の処理は、例えば、複数の識別部１２５のそれぞれに対応する二値交差エントロピーの変化量が所定量以内に収束するまで繰り返し実行される。 Subsequently, the plurality of generation units 124 generate second feature information indicating the features of the second time series data based on the partial time series data extracted on the time scale corresponding to the plurality of generation units 124 (S4).
Further, the learning unit 126 inputs the second feature information or the first feature information generated by the generation unit 124 to the identification unit 125, and whether the feature information input to the identification unit 125 is the first feature information or not. 2 It is made to identify whether it is characteristic information (S5).
Subsequently, the learning unit 126 learns the plurality of identification units 125 and also learns the plurality of generation units 124 (S6). The processes S4 to S6 are repeatedly executed, for example, until the amount of change in the binary cross entropy corresponding to each of the plurality of identification units 125 converges within a predetermined amount.

続いて、決定部１２７は、Ｓ４からＳ６の処理が繰り返され、複数の生成部１２４及び複数の識別部１２５の学習が行われた後に、複数の識別部１２５のそれぞれの識別結果に基づいて、複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度を決定する（Ｓ７）。 Subsequently, the determination unit 127 repeats the processes of S4 to S6, learns the plurality of generation units 124 and the plurality of identification units 125, and then, based on the identification results of each of the plurality of identification units 125, the determination unit 127. The contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales is determined (S7).

続いて、分類結果取得部１２８は、複数の生成部１２４及び複数の識別部１２５の学習が行われた後に、複数の生成部１２４に第２特徴情報を生成させる（Ｓ８）。
続いて、分類結果取得部１２８は、複数の生成部１２４が生成した複数の第２特徴情報を第１ドメインの分類器に入力することにより、当該複数の第２特徴情報の分類結果を取得する（Ｓ９）。
続いて、分類結果取得部１２８は、取得した複数の第２特徴情報の分類結果を寄与度に基づいて合成することにより、第２時系列データに対応する分類結果を取得する（Ｓ１０）。 Subsequently, the classification result acquisition unit 128 causes the plurality of generation units 124 to generate the second feature information after the learning of the plurality of generation units 124 and the plurality of identification units 125 is performed (S8).
Subsequently, the classification result acquisition unit 128 acquires the classification results of the plurality of second feature information by inputting the plurality of second feature information generated by the plurality of generation units 124 into the classifier of the first domain. (S9).
Subsequently, the classification result acquisition unit 128 acquires the classification result corresponding to the second time-series data by synthesizing the classification results of the acquired plurality of second feature information based on the contribution degree (S10).

［第１実施形態における効果］
以上の通り、第１実施形態に係る分類装置１は、第２ドメインの第２時系列データから、複数のタイムスケールのそれぞれに対応して抽出された複数の部分時系列データに基づいて第２時系列データの特徴を示す第２特徴情報を生成する複数の生成部１２４と、第１ドメインの第１時系列データの特徴を示す第１特徴情報、又は生成した第２特徴情報が入力されると、入力された特徴情報が第１特徴情報であるか第２特徴情報であるかを識別する複数の識別部１２５とを備える。また、分類装置１は、複数の生成部１２４と、複数の識別部１２５との学習を行う学習部１２６と、複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、学習後の複数の識別部１２５のそれぞれの識別結果とに基づいて、第２時系列データに対応する分類結果を取得する分類結果取得部１２８とを備える。 [Effect in the first embodiment]
As described above, the classification device 1 according to the first embodiment is based on a plurality of partial time-series data extracted from the second time-series data of the second domain corresponding to each of the plurality of time scales. A plurality of generation units 124 that generate second feature information indicating the features of the time series data, first feature information showing the features of the first time series data of the first domain, or the generated second feature information are input. And a plurality of identification units 125 for identifying whether the input feature information is the first feature information or the second feature information. Further, the classification device 1 inputs each of the learning unit 126 for learning between the plurality of generation units 124 and the plurality of identification units 125 and the plurality of second feature information into the classifier for classifying the first feature information. The classification result acquisition unit 128 that acquires the classification result corresponding to the second time-series data based on the result obtained from the classifier and the identification result of each of the plurality of identification units 125 after learning is provided. ..

このようにすることで、分類装置１は、適切なタイムスケールに対応する第２特徴情報の分類結果を、第２時系列データに対応する分類結果により強く反映させることができる。これにより、分類装置１は、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。 By doing so, the classification device 1 can strongly reflect the classification result of the second feature information corresponding to the appropriate time scale to the classification result corresponding to the second time series data. As a result, the classification device 1 can accurately perform transfer learning between time-series data corresponding to different domains.

＜第２実施形態＞
［生成部１２４及び識別部１２５を学習しながら寄与度を決定する］
続いて、第２実施形態について説明する。第２実施形態に係る分類装置１は、生成部１２４及び識別部１２５を学習しながら寄与度を決定する点で第１実施形態と異なる。以下、第２実施形態に係る分類装置１について説明する。なお、第１実施形態と同じ部分については適宜説明を省略する。 <Second Embodiment>
[Determine the degree of contribution while learning the generation unit 124 and the identification unit 125]
Subsequently, the second embodiment will be described. The classification device 1 according to the second embodiment is different from the first embodiment in that the contribution degree is determined while learning the generation unit 124 and the identification unit 125. Hereinafter, the classification device 1 according to the second embodiment will be described. The same parts as those of the first embodiment will be omitted as appropriate.

第２実施形態において、決定部１２７は、学習部１２６による複数の生成部１２４及び複数の識別部１２５の学習が開始してから終了するまでの間における複数の識別部１２５のそれぞれが出力する識別結果に基づいて、複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度を更新することにより、当該寄与度を決定する。 In the second embodiment, the determination unit 127 is an identification output by each of the plurality of identification units 125 from the start to the end of learning of the plurality of generation units 124 and the plurality of identification units 125 by the learning unit 126. Based on the result, the contribution is determined by updating the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales.

具体的には、決定部１２７は、学習部１２６による複数の生成部１２４及び複数の識別部１２５の学習中に、複数の識別部１２５の識別結果と、正解との関係に基づいて、二値交差エントロピーを算出する。決定部１２７は、学習中における複数の識別部１２５の二値交差エントロピーに基づいて寄与度を算出する。決定部１２７は、例えば、第１実施形態に示す式（１）又は式（２）に基づいて寄与度を算出する。 Specifically, the determination unit 127 is binary based on the relationship between the identification result of the plurality of identification units 125 and the correct answer during the learning of the plurality of generation units 124 and the plurality of identification units 125 by the learning unit 126. Calculate the cross entropy. The determination unit 127 calculates the contribution degree based on the binary cross entropy of the plurality of identification units 125 during learning. The determination unit 127 calculates the degree of contribution based on, for example, the formula (1) or the formula (2) shown in the first embodiment.

学習部１２６は、算出した寄与度に基づいて、複数の生成部１２４が生成した複数の第２特徴情報を識別部１２５に入力する割合を決定することにより、複数の生成部１２４及び複数の識別部１２５のそれぞれの学習回数を異ならせる。例えば、学習部１２６は、決定部１２７が決定した寄与度が相対的に高い第２特徴情報を生成する生成部１２４と、当該生成部１２４に対応する識別部１２５との学習回数を、寄与度が相対的に低い第２特徴情報を生成する生成部１２４と、当該生成部１２４に対応する識別部１２５との学習回数に比べて増加させる。このようにすることで、寄与度が高く、第２時系列データの分類に影響を与えやすいタイムスケールの第２特徴情報に対応する生成部１２４及び識別部１２５の学習を強化することができる。 The learning unit 126 determines the ratio of inputting the plurality of second feature information generated by the plurality of generation units 124 into the identification unit 125 based on the calculated contribution degree, thereby determining the plurality of generation units 124 and the plurality of identification units. The number of learnings of each part 125 is made different. For example, the learning unit 126 determines the number of times of learning between the generation unit 124 that generates the second feature information with a relatively high contribution determined by the determination unit 127 and the identification unit 125 corresponding to the generation unit 124. The number of times of learning between the generation unit 124 that generates the second feature information having a relatively low value and the identification unit 125 corresponding to the generation unit 124 is increased. By doing so, it is possible to enhance the learning of the generation unit 124 and the identification unit 125 corresponding to the second feature information of the time scale, which has a high degree of contribution and easily affects the classification of the second time series data.

分類結果取得部１２８は、第１実施形態と同様に、学習部１２６により学習が行われた後に、複数の生成部１２４が生成した複数の第２特徴情報のそれぞれを第１ドメインの分類器に入力した場合に当該分類器から得られる結果を、寄与度に基づいて合成する。例えば、分類結果取得部１２８は、第１実施形態に示す式（３）により、第２時系列データに対応する分類結果を算出する。 Similar to the first embodiment, the classification result acquisition unit 128 uses each of the plurality of second feature information generated by the plurality of generation units 124 as a classifier of the first domain after learning is performed by the learning unit 126. The results obtained from the classifier when input are combined based on the degree of contribution. For example, the classification result acquisition unit 128 calculates the classification result corresponding to the second time series data by the formula (3) shown in the first embodiment.

なお、分類結果取得部１２８は、第１実施形態に示す式（３）に基づいて分類結果を算出したが、これに限らない。分類結果取得部１２８は、第１実施形態と同様に、複数の生成部１２４が生成した複数の第２特徴情報のそれぞれを第１ドメインの分類器に入力した場合に当該分類器から得られる分類結果のうち、寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、第２時系列データに対応する分類結果を取得してもよい。 The classification result acquisition unit 128 calculates the classification result based on the formula (3) shown in the first embodiment, but the classification result is not limited to this. Similar to the first embodiment, the classification result acquisition unit 128 is a classification obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units 124 is input to the classifier of the first domain. Among the results, the classification result corresponding to the second time series data may be acquired based on the classification result corresponding to one or more second feature information having a relatively high contribution.

［第２実施形態における効果］
以上の通り、第２実施形態に係る分類装置１は、学習部１２６による学習が終了するまでの間における複数の識別部１２５のそれぞれの識別結果に基づいて、複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度を更新することにより、当該寄与度を決定する。そして、分類装置１は、複数の第２特徴情報のそれぞれを分類器に入力した場合に当該分類器から得られる結果を、寄与度に基づいて合成する。このようにすることで、第２実施形態に係る分類装置１は、第１実施形態と同様に、異なるドメインに対応する時系列データ間の転移学習を精度良く行うことができる。 [Effect in the second embodiment]
As described above, the classification device 1 according to the second embodiment corresponds to each of the plurality of time scales based on the discrimination results of the plurality of identification units 125 until the learning by the learning unit 126 is completed. The contribution is determined by updating the contribution of each of the plurality of second feature information. Then, the classification device 1 synthesizes the results obtained from the classifier when each of the plurality of second feature information is input to the classifier based on the degree of contribution. By doing so, the classification device 1 according to the second embodiment can accurately perform transfer learning between time-series data corresponding to different domains, as in the first embodiment.

＜第３実施形態＞
［複数のタイムスケールのそれぞれに対応する第２特徴情報を一つの識別部１２５により識別する］
続いて、第３実施形態について説明する。第１実施形態及び第２実施形態では、複数のタイムスケールのそれぞれに対応して複数の生成部１２４及び識別部１２５を設け、これらの生成部１２４及び識別部１２５の学習を行った。しかしながら、一つのタイムスケールに対応する第２特徴情報の数や多様性は、複数のタイムスケールのそれぞれに対応する第２特徴情報の数や多様性に比べて少ないことから、学習を行った場合に、生成部１２４における第２特徴情報の生成精度に比べて、識別部１２５における識別精度が高くなってしまうことがある。これに対し、第３実施形態に係る分類装置１は、識別部１２５を一つのみ備えており、複数のタイムスケールのそれぞれに対応する第２特徴情報を一つの識別部１２５により識別する点で第１実施形態と異なる。以下、第３実施形態に係る分類装置１について説明する。なお、第１実施形態と同じ部分については適宜説明を省略する。 <Third Embodiment>
[The second feature information corresponding to each of the plurality of time scales is identified by one identification unit 125]
Subsequently, the third embodiment will be described. In the first embodiment and the second embodiment, a plurality of generation units 124 and identification units 125 are provided corresponding to each of the plurality of time scales, and learning of these generation units 124 and identification unit 125 is performed. However, since the number and variety of the second feature information corresponding to one time scale is smaller than the number and variety of the second feature information corresponding to each of the plurality of time scales, when learning is performed. In addition, the identification accuracy of the identification unit 125 may be higher than the generation accuracy of the second feature information in the generation unit 124. On the other hand, the classification device 1 according to the third embodiment includes only one identification unit 125, and the second feature information corresponding to each of the plurality of time scales is identified by one identification unit 125. It is different from the first embodiment. Hereinafter, the classification device 1 according to the third embodiment will be described. The same parts as those of the first embodiment will be omitted as appropriate.

図５は、第３実施形態に係る生成部１２４と識別部１２５との関係を示す図である。図５に示すように、第３実施形態に係る分類装置１は、複数の生成部１２４と、一つの識別部１２５とを備える。 FIG. 5 is a diagram showing the relationship between the generation unit 124 and the identification unit 125 according to the third embodiment. As shown in FIG. 5, the classification device 1 according to the third embodiment includes a plurality of generation units 124 and one identification unit 125.

識別部１２５は、第１特徴情報、又は、複数の生成部１２４のそれぞれが生成した複数のタイムスケールのそれぞれに対応する第２特徴情報の入力を受け付けると、入力された特徴情報が第１特徴情報であるか、第２特徴情報であるかを識別する。 When the identification unit 125 receives the input of the first feature information or the second feature information corresponding to each of the plurality of time scales generated by each of the plurality of generation units 124, the input feature information becomes the first feature. Identify whether it is information or second feature information.

学習部１２６は、識別部１２５における識別精度が向上するように識別部１２５の学習を行うとともに、生成される第２特徴情報が第１特徴情報に類似するように、複数の生成部１２４の学習を行う。識別部１２５の学習は、全てのタイムスケールのそれぞれの特徴情報に基づいて行われることから、全てのタイムスケールの特徴情報から影響を受けることとなる。したがって、一つのタイムスケールの特徴情報に基づいて識別部１２５を学習する場合に比べて、識別部１２５の学習による精度向上を抑制し、生成部１２４に比べて過学習の状態となってしまうことを抑制することができる。 The learning unit 126 learns the identification unit 125 so that the identification accuracy in the identification unit 125 is improved, and learns a plurality of generation units 124 so that the generated second feature information resembles the first feature information. I do. Since the learning of the identification unit 125 is performed based on the characteristic information of all the time scales, it is influenced by the characteristic information of all the time scales. Therefore, as compared with the case where the identification unit 125 is learned based on the feature information of one time scale, the improvement in accuracy due to the learning of the identification unit 125 is suppressed, and the state of overfitting is achieved as compared with the generation unit 124. Can be suppressed.

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。 Although the present invention has been described above using the embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes can be made within the scope of the gist. be. For example, all or part of the device can be functionally or physically distributed / integrated in any unit. Also included in the embodiments of the present invention are new embodiments resulting from any combination of the plurality of embodiments. The effect of the new embodiment produced by the combination has the effect of the original embodiment together.

１・・・分類装置、１１・・・記憶部、１２・・・制御部、１２１・・・第１特徴情報取得部、１２２・・・時系列データ取得部、１２３・・・抽出部、１２４・・・生成部、１２５・・・識別部、１２６・・・学習部、１２７・・・決定部、１２８・・・分類結果取得部
1 ... Classification device, 11 ... Storage unit, 12 ... Control unit, 121 ... First feature information acquisition unit, 122 ... Time series data acquisition unit, 123 ... Extraction unit, 124 ... Generation unit, 125 ... Identification unit, 126 ... Learning unit, 127 ... Decision unit, 128 ... Classification result acquisition unit

Claims (8)

第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得する第１特徴情報取得部と、
前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得する時系列データ取得部と、
前記時系列データ取得部が取得した前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する抽出部と、
前記複数のタイムスケールのそれぞれに対応する複数の生成部であって、対応するタイムスケールに対して前記抽出部が抽出した前記部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を生成する複数の生成部と、
前記複数の生成部のそれぞれに対応する複数の識別部であって、前記第１特徴情報、又は対応する前記生成部が生成した前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別する複数の識別部と、
前記識別部における識別精度が向上するように前記複数の識別部の学習を行うとともに、生成される前記第２特徴情報が前記第１特徴情報に類似するように前記複数の生成部の学習を行う学習部と、
前記複数の生成部が生成した複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習部により学習が行われた後の前記複数の識別部のそれぞれの識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得する分類結果取得部と、
を備える分類装置。 The first feature information acquisition unit that acquires the first feature information, which is the feature information indicating the features of the first time series data, which is the time series data of the first domain, and
A time-series data acquisition unit that acquires second time-series data, which is time-series data of a second domain different from the first domain.
An extraction unit that extracts a plurality of partial time-series data corresponding to each of a plurality of time scales from the second time-series data acquired by the time-series data acquisition unit.
A feature of a plurality of generation units corresponding to each of the plurality of time scales, showing the characteristics of the second time series data based on the partial time series data extracted by the extraction unit with respect to the corresponding time scale. A plurality of generators that generate second feature information, which is information,
When the first feature information or the second feature information generated by the corresponding generation unit is input, the input feature information is the plurality of identification units corresponding to each of the plurality of generation units. A plurality of identification units for discriminating between the first feature information and the second feature information,
The plurality of identification units are learned so that the identification accuracy in the identification unit is improved, and the plurality of generation units are learned so that the generated second feature information is similar to the first feature information. With the learning department
Each of the plurality of second feature information generated by the plurality of generation units is input to a classifier that classifies the first feature information, and the result obtained from the classifier and the learning performed by the learning unit are performed. A classification result acquisition unit that acquires a classification result corresponding to the second time-series data based on the identification result of each of the plurality of identification units.
A classification device equipped with. 前記学習部による学習後における前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を決定する決定部をさらに備え、
前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる結果を、前記決定部が決定した寄与度に基づいて合成することにより、前記第２時系列データに対応する分類結果を取得する、
請求項１に記載の分類装置。 Based on the discrimination results of the plurality of identification units after learning by the learning unit, the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales is the second time. It also has a decision-making part that determines the degree of contribution that indicates the degree of influence on the classification result of the series data.
The classification result acquisition unit transfers the result obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units is input to the classifier to the contribution degree determined by the determination unit. By synthesizing based on the above, the classification result corresponding to the second time series data is acquired.
The classification device according to claim 1. 前記学習部による学習後における前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を決定する決定部をさらに備え、
前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる分類結果のうち、前記寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、前記第２時系列データに対応する分類結果を取得する、
請求項１に記載の分類装置。 Based on the discrimination results of the plurality of identification units after learning by the learning unit, the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales is the second time. It also has a decision-making part that determines the degree of contribution that indicates the degree of influence on the classification result of the series data.
The classification result acquisition unit has a relative degree of contribution among the classification results obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units is input to the classifier. Based on the classification result corresponding to one or more high second feature information, the classification result corresponding to the second time series data is acquired.
The classification device according to claim 1. 前記学習部による学習が終了するまでにおける前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を更新することにより、当該寄与度を決定する決定部をさらに備え、
前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる結果を、前記寄与度に基づいて合成する、
請求項１に記載の分類装置。 Based on the discrimination results of the plurality of identification units until the learning by the learning unit is completed, the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales is described above. By updating the contribution degree indicating the degree of influence on the classification result of the second time series data, a determination unit for determining the contribution degree is further provided.
The classification result acquisition unit synthesizes the results obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units is input to the classifier based on the contribution degree.
The classification device according to claim 1. 前記学習部による学習が終了するまでの前記複数の識別部のそれぞれの識別結果に基づいて、前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれの寄与度であって、前記第２時系列データの分類結果に影響を与える度合いを示す寄与度を更新することにより、当該寄与度を決定する決定部をさらに備え、
前記分類結果取得部は、前記複数の生成部が生成した複数の第２特徴情報のそれぞれを前記分類器に入力した場合に当該分類器から得られる分類結果のうち、前記寄与度が相対的に高い一以上の第２特徴情報に対応する分類結果に基づいて、前記第２時系列データに対応する分類結果を取得する、
請求項１に記載の分類装置。 Based on the discrimination results of the plurality of identification units until the learning by the learning unit is completed, the contribution of each of the plurality of second feature information corresponding to each of the plurality of time scales is described above. By updating the contribution degree indicating the degree of influence on the classification result of the second time series data, a determination unit for determining the contribution degree is further provided.
The classification result acquisition unit has a relative degree of contribution among the classification results obtained from the classifier when each of the plurality of second feature information generated by the plurality of generation units is input to the classifier. Based on the classification result corresponding to one or more high second feature information, the classification result corresponding to the second time series data is acquired.
The classification device according to claim 1. 前記学習部は、前記決定部が決定した前記寄与度が相対的に高い第２特徴情報を生成する前記生成部と、当該生成部に対応する前記識別部との学習回数を、前記寄与度が相対的に低い第２特徴情報を生成する前記生成部と、当該生成部に対応する前記識別部との学習回数に比べて増加させる、
請求項４に記載の分類装置。 The learning unit determines the number of times of learning between the generation unit that generates the second feature information having a relatively high contribution degree determined by the determination unit and the identification unit corresponding to the generation unit. The number of times of learning between the generation unit that generates relatively low second feature information and the identification unit corresponding to the generation unit is increased.
The classification device according to claim 4. コンピュータが実行する、
第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得するステップと、
前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得するステップと、
取得された前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出するステップと、
前記複数のタイムスケールのそれぞれに対応する部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を複数生成するステップと、
前記第１特徴情報、又は生成された前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別するステップと、
前記識別するステップにおける識別精度が向上するように学習を行うステップと、
前記生成するステップにおいて生成される前記第２特徴情報が前記第１特徴情報に類似するように学習を行うステップと、
前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習が行われた後の前記複数のタイムスケールのそれぞれに対応する複数の第２特徴情報の識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得するステップと、
を備える分類方法。 Computer runs,
The step of acquiring the first feature information, which is the feature information indicating the features of the first time series data, which is the time series data of the first domain, and
The step of acquiring the second time-series data, which is the time-series data of the second domain different from the first domain,
A step of extracting a plurality of partial time series data corresponding to each of a plurality of time scales from the acquired second time series data, and
A step of generating a plurality of second feature information, which is feature information indicating the features of the second time series data, based on the partial time series data corresponding to each of the plurality of time scales.
When the first feature information or the generated second feature information is input, a step of identifying whether the input feature information is the first feature information or the second feature information,
A step of learning so as to improve the identification accuracy in the identification step,
A step of learning so that the second feature information generated in the generation step is similar to the first feature information,
Each of the plurality of second feature information corresponding to each of the plurality of time scales is input to the classifier that classifies the first feature information, and the result obtained from the classifier and the learning are performed. A step of acquiring a classification result corresponding to the second time series data based on the identification result of a plurality of second feature information corresponding to each of the plurality of time scales, and a step of acquiring the classification result.
Classification method with. コンピュータを、
第１ドメインの時系列データである第１時系列データの特徴を示す特徴情報である第１特徴情報を取得する第１特徴情報取得部、
前記第１ドメインと異なる第２ドメインの時系列データである第２時系列データを取得する時系列データ取得部、
前記時系列データ取得部が取得した前記第２時系列データから、複数のタイムスケールのそれぞれに対応する複数の部分時系列データを抽出する抽出部、
前記複数のタイムスケールのそれぞれに対応する複数の生成部であって、対応するタイムスケールに対して前記抽出部が抽出した前記部分時系列データに基づいて前記第２時系列データの特徴を示す特徴情報である第２特徴情報を生成する複数の生成部、
前記複数の生成部のそれぞれに対応する複数の識別部であって、前記第１特徴情報、又は対応する前記生成部が生成した前記第２特徴情報が入力されると、入力された特徴情報が前記第１特徴情報であるか前記第２特徴情報であるかを識別する複数の識別部、
前記識別部における識別精度が向上するように前記複数の識別部の学習を行うとともに、生成される前記第２特徴情報が前記第１特徴情報に類似するように前記複数の生成部の学習を行う学習部、及び、
前記複数の生成部が生成した複数の第２特徴情報のそれぞれを、第１特徴情報を分類する分類器に入力し、当該分類器から得られる結果と、前記学習部により学習が行われた後の前記複数の識別部のそれぞれの識別結果とに基づいて、前記第２時系列データに対応する分類結果を取得する分類結果取得部、
として機能させる分類プログラム。 Computer,
The first feature information acquisition unit, which acquires the first feature information which is the feature information indicating the feature of the first time series data which is the time series data of the first domain.
A time-series data acquisition unit that acquires a second time-series data that is time-series data of a second domain different from the first domain.
An extraction unit that extracts a plurality of partial time-series data corresponding to each of a plurality of time scales from the second time-series data acquired by the time-series data acquisition unit.
A plurality of generation units corresponding to each of the plurality of time scales, and the characteristics of the second time series data are shown based on the partial time series data extracted by the extraction unit with respect to the corresponding time scales. Multiple generators that generate the second feature information, which is the feature information,
When the first feature information or the second feature information generated by the corresponding generation unit is input, the input feature information is the plurality of identification units corresponding to each of the plurality of generation units. A plurality of identification units for discriminating between the first feature information and the second feature information,
The plurality of identification units are learned so that the identification accuracy in the identification unit is improved, and the plurality of generation units are learned so that the generated second feature information is similar to the first feature information. Learning department and
Each of the plurality of second feature information generated by the plurality of generation units is input to a classifier that classifies the first feature information, and the result obtained from the classifier and the learning performed by the learning unit are performed. A classification result acquisition unit that acquires a classification result corresponding to the second time-series data based on the identification result of each of the plurality of identification units.
A classification program that functions as.
JP2019057997A 2019-03-26 2019-03-26 Classification device, classification method and classification program Active JP7061089B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019057997A JP7061089B2 (en) 2019-03-26 2019-03-26 Classification device, classification method and classification program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019057997A JP7061089B2 (en) 2019-03-26 2019-03-26 Classification device, classification method and classification program

Publications (2)

Publication Number Publication Date
JP2020160667A JP2020160667A (en) 2020-10-01
JP7061089B2 true JP7061089B2 (en) 2022-04-27

Family

ID=72643416

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019057997A Active JP7061089B2 (en) 2019-03-26 2019-03-26 Classification device, classification method and classification program

Country Status (1)

Country Link
JP (1) JP7061089B2 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239654B (en) * 2021-12-17 2023-05-12 电子科技大学 Temperature identification and classification method based on dual-band pyroelectric device

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268203A1 (en) 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Face recognition system for face recognition in unlabeled videos with domain adversarial learning and knowledge distillation
WO2019012653A1 (en) 2017-07-13 2019-01-17 日本電気株式会社 Learning system, analysis system, learning method, and storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268203A1 (en) 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Face recognition system for face recognition in unlabeled videos with domain adversarial learning and knowledge distillation
WO2019012653A1 (en) 2017-07-13 2019-01-17 日本電気株式会社 Learning system, analysis system, learning method, and storage medium

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HOANG, Q., et al.，MGAN: Training Generative Adversarial Nets with Multiple Generators，arXiv.org [online]，2017年10月27日，[retrieved on 2021-02-21], Retrieved from the Internet: <URL: https://arxiv.org/abs/1708.02556v4>
丸 千尋ほか，敵対的生成ネットワークを用いた時系列データの異常検知への取り組み，第11回データ工学と情報マネジメントに関するフォーラム （第17回日本データベース学会年次大会） [online]，2019年03月06日
石黒 勝彦ほか，多クラス早期認識ブースティング法，電子情報通信学会技術研究報告，2010年03月08日，Vol. 109, No. 471，pp. 489-494，ISSN: 0913-5685

Also Published As

Publication number Publication date
JP2020160667A (en) 2020-10-01

Similar Documents

Publication Publication Date Title
JP6781415B2 (en) Neural network learning device, method, program, and pattern recognition device
CN111292764A (en) Identification system and identification method
JP2019527852A (en) Speech recognition processing method and apparatus
CN101937513A (en) Messaging device, information processing method and program
CN110097095B (en) Zero sample classification method based on multi-view generation countermeasure network
JP6003492B2 (en) Character recognition device and program
JP7047498B2 (en) Learning programs, learning methods and learning devices
CN113011529B (en) Training method, training device, training equipment and training equipment for text classification model and readable storage medium
JP3737714B2 (en) Method and apparatus for identifying end-user transactions
KR20230133854A (en) Cross-domain adaptive learning
CN114255371A (en) Small sample image classification method based on component supervision network
JP2013120441A (en) Image identification information offering program, and image identification information offering device
JP7061089B2 (en) Classification device, classification method and classification program
CN108810551B (en) Video frame prediction method, terminal and computer storage medium
JP2014228995A (en) Image feature learning device, image feature learning method and program
CN113609819A (en) Punctuation mark determination model and determination method
JP2019046412A (en) Information processing device, information processing method, and program
JP2015038709A (en) Model parameter estimation method, device, and program
JP2009122829A (en) Information processing apparatus, information processing method, and program
JP7031686B2 (en) Image recognition systems, methods and programs, as well as parameter learning systems, methods and programs
US20220261690A1 (en) Computer-readable recording medium storing determination processing program, determination processing method, and information processing apparatus
JP2011008634A (en) Dictionary generating device for pattern recognition, pattern recognition device, and dictionary generating method for pattern recognition
WO2022159960A1 (en) Cross-domain adaptive learning
JP2009070321A (en) Device and program for classifying document
JP7465025B1 (en) Information processing device, inference device, machine learning device, information processing method, inference method, and machine learning method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210120

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220131

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220301

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220323

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: 20220405

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220415

R150 Certificate of patent or registration of utility model

Ref document number: 7061089

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150