JP7061089B2 - Classification device, classification method and classification program - Google Patents
Classification device, classification method and classification program Download PDFInfo
- 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
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
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
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>
[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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
[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
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
Subsequently, the time-series
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
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
Further, the
Subsequently, the
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
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
Subsequently, the classification
Subsequently, the classification
[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
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
<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
Subsequently, the second embodiment will be described. The
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
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
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
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
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
[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
<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
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
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
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
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)
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.
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.
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.
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.
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)
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)
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 |
-
2019
- 2019-03-26 JP JP2019057997A patent/JP7061089B2/en active Active
Patent Citations (2)
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)
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 |