JP7424496B2 - 精度推定プログラム、装置、及び方法 - Google Patents

Description

開示の技術は、精度推定プログラム、精度推定装置、及び精度推定方法に関する。

機械学習により訓練された訓練済みモデルの性能検証として、例えば、クロスバリデーションによる性能検証が行われている。クロスバリデーションでは、正解を示すラベル付きのデータセットを、訓練用データ、検証用データ、及びテスト用データに分ける。そして、訓練用データで訓練したモデルを、検証用データで検証しながらモデルを設計し、テスト用データを用いて、最終的な精度の検証を行う。

"Cross-validation: evaluating estimator performance",［online］,［令和２年６月８日検索］，インターネット＜URL：https://scikit-learn.org/stable/modules/cross_validation.html＞ Ron Kohavi, "A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection", International Joint Conference on Articial Intelligence, 1995

訓練済みモデルが使用される実環境における実データに対する、訓練済みモデルの精度を推定することを考える。この場合、訓練済みモデルの訓練に用いたデータと実データとでは、環境変化によりデータの性質が変化している場合があるため、訓練時のデータに基づく検証では、実データに対する精度としての信頼性が薄い。すなわち、訓練済みモデルが実環境に対し、どの程度の精度を出せるかが分からない。そこで、ラベル付きの実データを用意して検証を行うことが考えられる。しかしながら、実データに対するラベル付けは、多くの作業コストを要するという問題がある。

一つの側面として、開示の技術は、ラベルなし実データに対する訓練済みのモデルの精度を推定することを目的とする。

一つの態様として、開示の技術は、それぞれがデータ値とラベルとを対応付けたデータを複数含むデータセットであって、前記データ値の性質が前記データセット毎に異なる複数のデータセットを取得する。また、開示の技術は、前記複数のデータセットに含まれる第１のデータセットと、前記複数のデータセットに含まれる第２のデータセットとの相違の度合いを示す指標を、前記第２のデータセットに含まれるデータ値を用いて算出する。また、開示の技術は、前記第１のデータセットを用いて訓練された予測モデルにより予測された、前記第２のデータセットに対する予測結果の精度を算出する。そして、開示の技術は、前記第１のデータセットと前記第２のデータセットとの複数の組合せ毎に算出された前記指標及び前記精度に基づいて、前記指標と、前記予測モデルによる予測結果の精度との関連性を特定する。さらに、開示の技術は、ラベルが対応付けられていないデータ値を複数含む第３のデータセットに対する前記予測モデルによる予測結果の精度を、前記第１のデータセットと前記第３のデータセットとの間の前記指標と、特定した前記関連性とに基づいて推定する。

一つの側面として、ラベルなし実データに対する訓練済みのモデルの精度を推定することができる、という効果を有する。

精度推定装置の機能ブロック図である。 予測モデルの訓練を説明するための図である。 指標の算出を説明するための図である。 分類誤差の最大化について説明するための図である。 分類誤差の最大化について説明するための図である。 精度の算出を説明するための図である。 指標－精度曲線の特定を説明するための図である。 実データセットについての精度の推定を説明するための図である。 精度推定装置として機能するコンピュータの概略構成を示すブロック図である。 特定処理の一例を示すフローチャートである。 推定処理の一例を示すフローチャートである。 最大分類誤差を算出する際の繰り返しアルゴリズムの早期停止を説明するための図である。

以下、図面を参照して、開示の技術に係る実施形態の一例を説明する。

図１に示すように、精度推定装置１０は、入力されたラベル付きデータセット集合を用いて、データセット間の相違を示す指標と、データセットに対するモデルの予測結果の精度との関係を特定する。そして、精度推定装置１０は、特定した関係を用いて、入力された実データセットに対するモデルの予測結果の精度を推定する。

精度推定装置１０は、機能的には、図１に示すように、取得部１１、学習部１２と、指標算出部１３と、精度算出部１４と、特定部１５と、推定部１６とを含む。また、精度推定装置１０の所定の記憶領域には、指標－精度曲線２０が記憶される。

取得部１１は、精度推定装置１０に入力されるラベル付きデータセット集合を取得し、学習部１２へ受け渡す。

ラベル付きデータセット集合には、複数のラベル付きデータセットが含まれる。ラベル付きデータセットは、それぞれがデータ値と、そのデータ値が示す対象の正解を表すラベルとを対応付けたデータを複数含む。例えば、モデルが、画像から数字を認識する認識モデルの場合、データセットには、０～９のいずれかのラベルが対応付けられた画像のセットが複数（例えば、１，０００個）含まれる。また、例えば、モデルが、入力された画像が犬の画像か猫の画像かを識別する識別モデルの場合、データセットには、犬又は猫を示すラベルが対応付けられた画像のセットが複数含まれる。また、例えば、モデルが、画像から人物を検出する検出モデルの場合、データセットには、人物が存在する又は存在しないことを示すラベルが対応付けられた画像のセットが複数含まれる。

また、ラベル付きデータセット集合に含まれる複数のデータセットの各々は、各データセットに含まれるデータ値の性質がデータセット毎に異なる。例えば、データ値の取得過程、生成過程等の環境を異ならせることにより、データ値の性質がそれぞれ異なるデータセットを用意することができる。例えば、上記の数字を認識する認識モデルのために用意するデータセットとしては、単純に記載された手書きの数字の白黒画像のデータセット、手書きの数字の白黒画像に色付けした画像のデータセット等とすることができる。また、家の住所表札等の実環境における数字部分を撮影した画像のデータセット、コンピュータグラフィックス等により作成した合成画像のデータセット、中抜き文字等の装飾又は加工が施された手書き数字の画像のデータセット等とすることができる。

学習部１２は、取得部１１から受け渡されたラベル付きデータセット集合を用いて訓練することによりモデルを生成する。モデルは、上述した認識モデル、識別モデル、検出モデル等のように、実データに対する何らかの予測結果を出力するものである。以下、モデルを「予測モデル」ともいう。予測モデルは、図２に示すように、データ値から特徴を抽出する特徴抽出器Ｇと、特徴抽出器Ｇにより抽出された特徴を分類することによりデータ値がいずれのラベルに対応するかを予測した予測結果を出力する分類器Ｃ１とを含む。

具体的には、学習部１２は、ラベル付きデータセット集合に含まれるラベル付きデータセットの各々を用いて、予測モデル内のパラメータ（重み）を訓練する。より具体的には、学習部１２は、図２に示すように、データセットに含まれるラベルと、データセットに含まれるデータ値に対する予測モデルによる予測結果とが対応するように、特徴抽出器Ｇ及び分類器Ｃ１の各々のパラメータを訓練する。学習部１２は、ラベル付きデータセット毎に訓練した予測モデルと、取得部１１から受け渡されたラベル付きデータセット集合を指標算出部１３へ受け渡す。

指標算出部１３は、学習部１２から受け渡されたラベル付きデータセット集合に含まれる第１のデータセットと、第１のデータセットとは異なる第２のデータセットとの相違の度合いを示す指標を算出する。指標算出部１３は、データセットに含まれるデータ値を用いて指標を算出する。すなわち、指標算出部１３は、ラベルを用いることなく指標を算出する。具体的には、指標算出部１３は、第２のデータセットに含まれるデータ値に対する、第１のデータセットを用いて訓練された予測モデルによる予測結果を用いて、指標を算出する。データセット間でデータ値を単純に比較するだけでは、データセットの性質が相違しているのか、性質は共通しているものの、データ自体が異なることによる相違なのかを区別することが困難である。指標算出部１３は、予測モデルの予測結果を用いることで、データセット間の性質の相違を示す指標を算出するものである。

以下では、第１のデータセットを「データセットＤＳ」、第２のデータセットを「データセットＤＴ」という。指標算出部１３は、ラベル付きデータセット集合に含まれる２つのデータセットの組合せの各々を、データセットＤＳとデータセットＤＴとのペアとし、全てのペアの各々について、指標を算出する。

より具体的には、指標算出部１３は、データセットＤＳを用いて訓練された予測モデルの分類器として、少なくともパラメータが異なる複数の分類器を生成する。そして、指標算出部１３は、図３の上段に示すように、データセットＤＴに対する複数の分類器のそれぞれによる予測結果の差分である分類誤差を、指標として算出する。

例えば、指標算出部１３は、データセットＤＳを用いて訓練された予測モデルの分類器Ｃ１のパラメータを初期化した分類器を分類器Ｃ２として生成する。そして、指標算出部１３は、例えば、下記（１）式により、データセットＤＴに対する、分類器Ｃ１による予測結果と分類器Ｃ２による予測結果との分類誤差ｄ（Ｃ１，Ｃ２）を算出する。

ここで、｜ＤＴ｜はデータセットＤＴに含まれるデータの数、ｘｔはデータセットＤＴに含まれるデータのデータ値、Ｋはラベルの種類数、Ｇ（ｘｔ）は特徴抽出器Ｇにより抽出されるデータ値ｘｔの特徴量である。また、Ｃｉ（Ｘ）_ｋは特徴量Ｘに基づく分類器Ｃｉ（ｉは１又は２）によるラベルｋについての予測結果である。（１）式に示す分類誤差は、データセットＤＴのラベルを用いることなく算出可能な指標である。

また、指標算出部１３は、後述する特定部１５で用いる指標として、分類器Ｃ１及びＣ２を最適化しつつ最大化した分類誤差（最大分類誤差、ＭＣＤ、Maximum Classifier Discrepancy）を算出する。例えば、指標算出部１３は、下記（２）式に示す損失関数Ｌｏｓｓを最小化する。

Ｌｏｓｓ（（ｘｓ，ｙｓ），ｘｔ）
＝ＣｒｏｓｓＥｎｔｒｏｐｙＬｏｓｓ（Ｃ１（Ｇ（ｘｓ）），ｙｓ）
＋ＣｒｏｓｓＥｎｔｒｏｐｙＬｏｓｓ（Ｃ２（Ｇ（ｘｓ）），ｙｓ）
－ＭｅａｎＬ１Ｎｏｒｍ（Ｃ１（Ｇ（ｘｔ））－Ｃ２（Ｇ（ｘｔ）））
（２）

ここで、ｘｓはデータセットＤＳに含まれるデータのデータ値、ｙｓはデータ値ｘｓに対応付けられたラベルである。（２）式の第１項は、分類器が分類器Ｃ１である予測モデルによるデータセットＤＳに対する予測結果の誤差であり、図３の下段に示す予測誤差１に相当する。第２項は、分類器が分類器Ｃ２である予測モデルによるデータセットＤＳに対する予測結果の誤差であり、図３の下段に示す予測誤差２に相当する。第３項は、データセットＤＴについての分類誤差であり、例えば、上記（１）式に相当する。

指標算出部１３は、（２）式に示す損失関数Ｌｏｓｓを最小化するように、分類器Ｃ１及びＣ２のパラメータを最適化し、損失関数Ｌｏｓｓが最小化した際の第３項を最大分類誤差とする。なお、損失関数Ｌｏｓｓを最小化する際、特徴抽出器Ｇのパラメータは固定とする。

ここで、分類誤差を最大化する理由について説明する。ここでは、説明を簡単にするため、ラベルが０及び１の２値であり、特徴抽出器Ｇにより抽出される特徴量を二次元で表現できる場合について説明する。

図４及び図５に、分類器Ｃ１による分類境界、分類器Ｃ２による分類境界、及び各データセットに含まれるデータ値から抽出された特徴量の各々を二次元に投影した例を示す。図４及び図５において、丸印（〇）は、データセットＤＳに含まれるラベル０が対応付けられたデータの特徴量、バツ印（×）は、データセットＤＳに含まれるラベル１対応付けられたデータの特徴量を示す。また、三角印（△）は、データセットＤＴに含まれるデータの特徴量を示す。

分類器Ｃ１及びＣ２を最適化して、〇と×とが、分類器Ｃ１及びＣ２のいずれの分類境界に対しても適切に判定されている状態において、△のうち、分類器Ｃ１とＣ２とで判定が異なる△の割合、すなわち、分類器が判定を迷う割合を分類誤差と考える。図４の例では、分類誤差は１／８、図５の例では、分類誤差は４／８である。データセットＤＴのデータから抽出された特徴量に対して分類器が判定を迷う割合は、データセットＤＳで訓練された特徴抽出器ＧのデータセットＤＴへの非適合性を表しているとみなすことができる。すなわち、分類誤差が大きいほど、データセットＤＴは、予測モデルにとって、データセットＤＳと性質の異なるデータセットであると言える。そこで、データセットＤＴに対する分類器の迷い具合を正確に特定するために、分類誤差を最大化するものである。

図４は、分類誤差が最大化されていない例、図５は、分類誤差が最大化された例である。図４の例と図５の例とを比較すると、図５の方が、分類器が判定を迷う△をできる限り漏れなく特定できている。すなわち、分類誤差を最大化することで、データセットＤＳとデータセットＤＴとの相違を示す指標として、質の高い指標を算出することができる。

指標算出部１３は、データセットＤＳとデータセットＤＴとのペア毎に算出した最大分類誤差を特定部１５へ受け渡すと共に、ラベル付きデータセット集合を精度算出部１４へ受け渡す。

また、指標算出部１３は、後述する推定部１６からの指示により、予測モデルの訓練に用いたデータセットＤＳと実データセットとの相違を示す指標を算出する。例えば、指標算出部１３は、上記（１）式のデータセットＤＴを実データセットに置き換えて、指標として分類誤差を算出する。指標算出部１３は、算出した実データセットについての指標を推定部１６へ受け渡す。なお、「実データセット」は、開示の技術の「第３のデータセット」の一例である。

精度算出部１４は、データセットＤＳを用いて訓練された予測モデルにより予測された、データセットＤＴに対する予測結果の精度を算出する。具体的には、精度算出部１４は、図６に示すように、特徴抽出器Ｇと分類器Ｃ１とからなる予測モデルにデータセットＤＴを入力する。そして、精度算出部１４は、予測モデルから得られる予測結果と、データセットＤＴに含まれるラベルとに基づいて、例えば正解率等で表される精度を算出する。精度算出部１４は、指標算出部１３により指標が算出されたデータセットＤＴ毎に精度も算出する。指標算出部１３は、データセットＤＴ毎に算出した精度を特定部１５に受け渡す。

特定部１５は、データセットＤＳとデータセットＤＴとの複数の組合せ毎に算出された指標及び精度に基づいて、データセット間の相違と、予測モデルによる予測結果の精度との関連性を特定する。具体的には、特定部１５は、図７に示すように、横軸に指標、縦軸に精度を取った空間に、データセットＤＳとデータセットＤＴとのペア毎に算出された指標である最大分類誤差と、精度とに対応する点（図７中の黒丸）をプロットする。特定部１５は、プロットした点に基づいて、例えば、ベイズ推定等による推定値を示す回帰曲線（図７中の実線の曲線）を求める。以下、この回帰曲線を「指標－精度曲線２０」という。

図７の例では、指標－精度曲線２０と共に、推定値に対する９５％の信頼区間（図７中の網掛部分）も示している。図７に示すように、データセット間の相違を示す指標と予測モデルによる予測結果の精度との関係は、指標である最大分類誤差が増大するにつれ、精度が単調に減少する関係である。特定部１５は、求めた指標－精度曲線２０の情報を所定の記憶領域に記憶する。

推定部１６は、データ値にラベルが対応付けられていないデータを複数含む実データセットに対する予測モデルによる予測結果の精度を、データセットＤＳと実データセットとの相違を示す指標と、指標－精度曲線２０とに基づいて推定する。実データセットは、予測モデルが適用される実環境において取得されるデータ値のデータセットである。

具体的には、推定部１６は、実データセットを取得し、指標算出部１３へ受け渡すと共に、実データセットについての指標として、分類誤差の算出を指標算出部１３へ指示し、指標算出部１３から、実データセットについての指標を受け取る。そして、推定部１６は、指標－精度曲線２０を参照して、図８に示すように、実データセットについての指標に対応する精度の推定値を取得する。推定部１６は、取得した推定値を精度推定結果として出力する。

なお、実環境における予測モデルの分類器Ｃ１のパラメータは、ランダムに初期化した値としてよい。一般的に、予測モデルにおいては、特徴抽出器Ｇが本質部分であり、分類器Ｃ１は、例えば１～２層程度の層の浅い構成となる。そのため、実環境における分類器Ｃ１のパラメータと、指標－精度曲線２０が求められた際の分類器Ｃ１のパラメータとの相違は、精度の推定に大きな影響を与えない。

精度推定装置１０は、例えば図９に示すコンピュータ４０で実現することができる。コンピュータ４０は、ＣＰＵ（Central Processing Unit）４１と、一時記憶領域としてのメモリ４２と、不揮発性の記憶部４３とを備える。また、コンピュータ４０は、入力部、表示部等の入出力装置４４と、記憶媒体４９に対するデータの読み込み及び書き込みを制御するＲ／Ｗ（Read/Write）部４５とを備える。また、コンピュータ４０は、インターネット等のネットワークに接続される通信Ｉ／Ｆ（Interface）４６を備える。ＣＰＵ４１、メモリ４２、記憶部４３、入出力装置４４、Ｒ／Ｗ部４５、及び通信Ｉ／Ｆ４６は、バス４７を介して互いに接続される。

記憶部４３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現できる。記憶媒体としての記憶部４３には、コンピュータ４０を、精度推定装置１０として機能させるための精度推定プログラム５０が記憶される。精度推定プログラム５０は、取得プロセス５１と、学習プロセス５２と、指標算出プロセス５３と、精度算出プロセス５４と、特定プロセス５５と、推定プロセス５６とを有する。また、記憶部４３は、指標－精度曲線２０を構成する情報が記憶される情報記憶領域６０を有する。

ＣＰＵ４１は、精度推定プログラム５０を記憶部４３から読み出してメモリ４２に展開し、精度推定プログラム５０が有するプロセスを順次実行する。ＣＰＵ４１は、取得プロセス５１を実行することで、図１に示す取得部１１として動作する。また、ＣＰＵ４１は、学習プロセス５２を実行することで、図１に示す学習部１２として動作する。また、ＣＰＵ４１は、指標算出プロセス５３を実行することで、図１に示す指標算出部１３として動作する。また、ＣＰＵ４１は、精度算出プロセス５４を実行することで、図１に示す精度算出部１４として動作する。また、ＣＰＵ４１は、特定プロセス５５を実行することで、図１に示す特定部１５として動作する。また、ＣＰＵ４１は、推定プロセス５６を実行することで、図１に示す推定部１６として動作する。また、ＣＰＵ４１は、情報記憶領域６０から情報を読み出して、指標－精度曲線をメモリ４２に展開する。これにより、精度推定プログラム５０を実行したコンピュータ４０が、精度推定装置１０として機能することになる。なお、プログラムを実行するＣＰＵ４１はハードウェアである。

なお、精度推定プログラム５０により実現される機能は、例えば半導体集積回路、より詳しくはＡＳＩＣ（Application Specific Integrated Circuit）等で実現することも可能である。

次に、本実施形態に係る精度推定装置１０の作用について説明する。精度推定装置１０にラベル付きデータセット集合が入力され、指標－精度曲線２０の特定が指示されると、精度推定装置１０において、図１０に示す特定処理が実行される。また、精度推定装置１０に実データセットが入力され、精度の推定が指示されると、精度推定装置１０において、図１１に示す推定処理が実行される。なお、特定処理及び推定処理は、開示の技術の精度推定方法の一例である。以下、特定処理及び推定処理の各々について詳述する。

まず、図１０を参照して、特定処理について説明する。

ステップＳ１１で、取得部１１が、精度推定装置１０に入力されたラベル付きデータセット集合から、２つのデータセットを選択し、データセットＤＳとデータセットＤＴとのペアとして取得し、学習部１２へ受け渡す。

次に、ステップＳ１２で、学習部１２が、データセットＤＳに含まれるラベルと、データセットＤＳに含まれるデータ値に対する予測モデルによる予測結果とが対応するように、予測モデルを構成する特徴抽出器Ｇ及び分類器Ｃ１の各々のパラメータを訓練する。

次に、ステップＳ１３で、指標算出部１３が、データセットＤＳを用いて訓練された予測モデルの分類器Ｃ１のパラメータを初期化した分類器を分類器Ｃ２として生成する。そして、指標算出部１３が、データセットＤＴに対する、分類器Ｃ１による予測結果と分類器Ｃ２による予測結果との分類誤差を算出する。さらに、指標算出部１３が、分類器Ｃ１及びＣ２を最適化しつつ、分類誤差を最大化した最大分類誤差を算出する。

次に、ステップＳ１４で、精度算出部１４が、予測モデルにデータセットＤＴを入力し、予測モデルから得られる予測結果と、データセットＤＴに含まれるラベルとに基づいて、例えば正解率等で表される精度を算出する。精度算出部１４は、算出した精度を、上記ステップＳ１３で算出された指標と共に、所定の記憶領域に一旦記憶する。

次に、ステップＳ１５で、取得部１１が、ラベル付きデータセット集合に含まれるデータセットの全てのペアについて、ステップＳ１１～Ｓ１４の処理が終了したか否かを判定する。未処理のペアが存在する場合には、処理はステップＳ１１に戻り、全てのペアについて処理が終了した場合には、処理はステップＳ１６へ移行する。

ステップＳ１６では、特定部１５が、横軸に指標、縦軸に精度を取った空間に、所定の記憶領域に一旦記憶しておいた、データセットＤＳとデータセットＤＴとのペア毎に算出された指標である最大分類誤差と、精度とに対応する点をプロットする。そして、特定部１５が、プロットした点に基づいて、例えば、ベイズ推定等による推定値を示す回帰曲線を、指標－精度曲線２０として特定する。特定部１５は、特定した指標－精度曲線２０の情報を所定の記憶領域に記憶し、特定処理は終了する。

次に、図１１を参照して、推定処理について説明する。

ステップＳ２１で、推定部１６が、実データセットを取得し、指標算出部１３へ受け渡すと共に、実データセットについての指標として、分類誤差の算出を指標算出部１３へ指示する。

次に、ステップＳ２２で、指標算出部１３が、予測モデルの訓練に用いたデータセットＤＳと実データセットとの相違を示す指標として、分類誤差を算出し、算出した実データセットについての指標を推定部１６へ受け渡す。

次に、ステップＳ２３で、推定部１６が、指標－精度曲線２０を参照して、実データセットについての指標に対応する精度の推定値を取得し、取得した推定値を精度推定結果として出力する。そして、推定処理は終了する。

以上説明したように、本実施形態に係る精度推定装置は、データ値の性質がデータセット毎に異なる複数のデータセットを取得し、データセットＤＳとデータセットＤＴとのペア毎に、データセット間の相違の度合いを示す指標を算出する。指標としては、データセットＤＴに対する複数の分類器の各々による予測結果の差分を示す分類誤差を、複数の分類器を最適化しつつ最大化した最大分類誤差が算出される。また、精度推定装置は、データセットＤＳを用いて訓練された予測モデルにより予測された、データセットＤＴに対する予測結果の精度を算出する。そして、精度推定装置は、データセットＤＳとデータセットＤＴとの複数のペア毎に算出された指標及び精度に基づいて、データセット間の相違と、予測モデルによる予測結果の精度との関連性を特定する。さらに、精度推定装置は、実データセットに対する、データセットＤＳを用いて訓練された予測モデルによる予測結果の精度を、データセットＤＳと実データセットとの分類誤差と、特定した関連性とに基づいて推定する。これにより、ラベルなし実データに対する訓練済みのモデルの精度を推定することができる。

また、データセット間の相違と、予測モデルによる予測結果の精度との関連性として、指標－精度曲線を特定して、実データセットの精度の推定に用いる。これにより、予測モデル訓練時の環境と実環境との相違によるデータセット間の性質の変化に対して、予測モデルの精度がどの程度低下するかを定量的に推定することができる。

なお、上記実施形態において、最大分類誤差は、損失関数Ｌｏｓｓを繰り返しアルゴリズムにより最小化することにより算出することができる。この繰り返しアルゴリズムの繰り返し回数を制限し、繰り返しアルゴリズムを早期停止させるようにしてもよい。最大分類誤差と精度との関係は、図１２の破線で示すように、最大分類誤差の変動に対して、精度が急激に変動しないことが望ましい。しかし、最大分類誤差を算出する際の繰り返しアルゴリズムの繰り返し回数が多くなると、どのデータセットについても最大分類誤差が同程度の値となってしまう場合がある。この場合、最大分類誤差と精度との関係が、図１２の実線で示すように、最大分類誤差が大きい箇所で、最大分類誤差の変動が小さいにもかかわらず、精度が急激に低下してしまう（図１２の一点鎖線部）。

このような指標－精度曲線では、最大分類誤差が大きい箇所で、精度の推定値のブレが大きく、安定した精度の推定を行うことができない。そこで、指標－精度曲線が、図１２の破線で示すような望ましい変動となるように、繰り返しアルゴリズムを早期停止させるものである。早期停止させる場合の繰り返し回数は、異なるデータセットについての最大分類誤差がそれぞれ所定値以上離れた値をとるように、事前に実験等により特定して設定しておけばよい。なお、早期停止させる場合の繰り返し回数は、いずれのデータセットのペアについても共通とする。

また、上記実施形態において、ラベル付きデータセット集合に含まれる２以上のデータセットを結合して新たなデータセットを生成してもよい。これにより、性質の異なるデータセットを多く用意することが困難な場合でも、指標－精度曲線を特定する際のプロット点数を増やすことができ、指標－精度曲線を精度良く特定することができる。

また、上記実施形態では、指標－精度曲線で用いる精度として、予測モデルに対するデータセットＤＴの精度を用いる場合について説明したが、これに限定されない。例えば、予測モデルに対するデータセットＤＳの精度と、予測モデルに対するデータセットＤＴの精度との差分等、データセットＤＴについての精度の低下度合いを示す値としてもよい。

また、上記実施形態では、精度推定プログラムが記憶部に予め記憶（インストール）されている態様を説明したが、これに限定されない。開示の技術に係るプログラムは、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ＵＳＢメモリ等の記憶媒体に記憶された形態で提供することも可能である。

１０ 精度推定装置
１１ 取得部
１２ 学習部
１３ 指標算出部
１４ 精度算出部
１５ 特定部
１６ 推定部
２０ 指標－精度曲線
４０ コンピュータ
４１ ＣＰＵ
４２ メモリ
４３ 記憶部
４９ 記憶媒体
５０ 精度推定プログラム

Claims (6)

1. それぞれがデータ値とラベルとを対応付けたデータを複数含むデータセットであって、前記データ値の性質が前記データセット毎に異なる複数のデータセットを取得し、
   前記複数のデータセットに含まれる第１のデータセットと、前記複数のデータセットに含まれる第２のデータセットとの相違の度合いを示す指標として、前記第１のデータセットを用いて予測モデルを構成する特徴抽出器及び第１の分類器の各々のパラメータを訓練し、訓練された前記第１の分類器のパラメータを初期化した第２の分類器を生成し、前記第２のデータセットに対する、前記第１の分類器による予測結果と前記第２の分類器による予測結果との分類誤差を算出し、前記第１のデータセットに対する予測結果の誤差を最小化するように前記第１の分類器及び前記第２の分類器を最適化しつつ、前記分類誤差を最大化した最大分類誤差を算出し、
   前記第１のデータセットを用いて訓練された予測モデルにより予測された、前記第２のデータセットに対する予測結果の精度を算出し、
   前記第１のデータセットと前記第２のデータセットとの複数の組合せ毎に算出された前記指標及び前記精度に基づいて、前記指標と、前記予測モデルによる予測結果の精度との関連性を特定し、
   ラベルが対応付けられていないデータ値を複数含む第３のデータセットに対する前記予測モデルによる予測結果の精度を、前記第１のデータセットと前記第３のデータセットとの間の前記指標と、特定した前記関連性とに基づいて推定する
   ことを含む処理をコンピュータに実行させるための精度推定プログラム。
2. 前記最大分類誤差を繰り返しアルゴリズムにより算出する際の繰り返し回数を、異なる前記第２のデータセットについての前記最大分類誤差がそれぞれ所定値以上離れた値をとるように予め定めた回数に設定する請求項１に記載の精度推定プログラム。
3. 前記関連性として、前記第１のデータセットと前記第２のデータセットとの複数の組合せ毎に算出された前記精度と前記指標との関係を示す回帰曲線を特定する請求項１又は請求項２に記載の精度推定プログラム。
4. 前記複数のデータセットに含まれる２以上のデータセットを結合して新たなデータセットを生成する請求項１～請求項３のいずれか１項に記載の精度推定プログラム。
5. それぞれがデータ値とラベルとを対応付けたデータを複数含むデータセットであって、前記データ値の性質が前記データセット毎に異なる複数のデータセットを取得する取得部と、
   前記複数のデータセットに含まれる第１のデータセットと、前記複数のデータセットに含まれる第２のデータセットとの相違の度合いを示す指標として、前記第１のデータセットを用いて予測モデルを構成する特徴抽出器及び第１の分類器の各々のパラメータを訓練し、訓練された前記第１の分類器のパラメータを初期化した第２の分類器を生成し、前記第２のデータセットに対する、前記第１の分類器による予測結果と前記第２の分類器による予測結果との分類誤差を算出し、前記第１のデータセットに対する予測結果の誤差を最小化するように前記第１の分類器及び前記第２の分類器を最適化しつつ、前記分類誤差を最大化した最大分類誤差を算出する指標算出部と、
   前記第１のデータセットを用いて訓練された予測モデルにより予測された、前記第２のデータセットに対する予測結果の精度を算出する精度算出部と、
   前記第１のデータセットと前記第２のデータセットとの複数の組合せ毎に算出された前記指標及び前記精度に基づいて、前記指標と、前記予測モデルによる予測結果の精度との関連性を特定する特定部と、
   ラベルが対応付けられていないデータ値を複数含む第３のデータセットに対する前記予測モデルによる予測結果の精度を、前記第１のデータセットと前記第３のデータセットとの間の前記指標と、特定した前記関連性とに基づいて推定する推定部と、
   を含む精度推定装置。
6. それぞれがデータ値とラベルとを対応付けたデータを複数含むデータセットであって、前記データ値の性質が前記データセット毎に異なる複数のデータセットを取得し、
   前記複数のデータセットに含まれる第１のデータセットと、前記複数のデータセットに含まれる第２のデータセットとの相違の度合いを示す指標として、前記第１のデータセットを用いて予測モデルを構成する特徴抽出器及び第１の分類器の各々のパラメータを訓練し、訓練された前記第１の分類器のパラメータを初期化した第２の分類器を生成し、前記第２のデータセットに対する、前記第１の分類器による予測結果と前記第２の分類器による予測結果との分類誤差を算出し、前記第１のデータセットに対する予測結果の誤差を最小化するように前記第１の分類器及び前記第２の分類器を最適化しつつ、前記分類誤差を最大化した最大分類誤差を算出し、
   前記第１のデータセットを用いて訓練された予測モデルにより予測された、前記第２のデータセットに対する予測結果の精度を算出し、
   前記第１のデータセットと前記第２のデータセットとの複数の組合せ毎に算出された前記指標及び前記精度に基づいて、前記指標と、前記予測モデルによる予測結果の精度との関連性を特定し、
   ラベルが対応付けられていないデータ値を複数含む第３のデータセットに対する前記予測モデルによる予測結果の精度を、前記第１のデータセットと前記第３のデータセットとの間の前記指標と、特定した前記関連性とに基づいて推定する
   ことを含む処理をコンピュータが実行する精度推定方法。