JP7424496B2 - 精度推定プログラム、装置、及び方法 - Google Patents
精度推定プログラム、装置、及び方法 Download PDFInfo
- Publication number
- JP7424496B2 JP7424496B2 JP2022539915A JP2022539915A JP7424496B2 JP 7424496 B2 JP7424496 B2 JP 7424496B2 JP 2022539915 A JP2022539915 A JP 2022539915A JP 2022539915 A JP2022539915 A JP 2022539915A JP 7424496 B2 JP7424496 B2 JP 7424496B2
- Authority
- JP
- Japan
- Prior art keywords
- data set
- accuracy
- data
- classifier
- index
- 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
- 238000000034 method Methods 0.000 title claims description 36
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 30
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
=CrossEntropyLoss(C1(G(xs)),ys)
+CrossEntropyLoss(C2(G(xs)),ys)
-MeanL1Norm(C1(G(xt))-C2(G(xt)))
(2)
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)
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/029306 WO2022024315A1 (ja) | 2020-07-30 | 2020-07-30 | 精度推定プログラム、装置、及び方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2022024315A1 JPWO2022024315A1 (ja) | 2022-02-03 |
JPWO2022024315A5 JPWO2022024315A5 (ja) | 2022-12-16 |
JP7424496B2 true JP7424496B2 (ja) | 2024-01-30 |
Family
ID=80037831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022539915A Active JP7424496B2 (ja) | 2020-07-30 | 2020-07-30 | 精度推定プログラム、装置、及び方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230186118A1 (ja) |
JP (1) | JP7424496B2 (ja) |
WO (1) | WO2022024315A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235673B (zh) * | 2023-11-15 | 2024-01-30 | 中南大学 | 一种细胞培养预测方法及装置、电子设备、存储介质 |
CN118277913A (zh) * | 2024-06-04 | 2024-07-02 | 北京建筑大学 | 一种考虑样本不平衡性的交通事故致因耦合作用分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017183548A1 (ja) | 2016-04-22 | 2017-10-26 | 日本電気株式会社 | 情報処理システム、情報処理方法、及び、記録媒体 |
JP2019109634A (ja) | 2017-12-15 | 2019-07-04 | 富士通株式会社 | 学習プログラム、予測プログラム、学習方法、予測方法、学習装置および予測装置 |
WO2019229977A1 (ja) | 2018-06-01 | 2019-12-05 | 株式会社 東芝 | 推定システム、推定方法及び推定プログラム |
-
2020
- 2020-07-30 JP JP2022539915A patent/JP7424496B2/ja active Active
- 2020-07-30 WO PCT/JP2020/029306 patent/WO2022024315A1/ja active Application Filing
-
2023
- 2023-01-20 US US18/157,639 patent/US20230186118A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017183548A1 (ja) | 2016-04-22 | 2017-10-26 | 日本電気株式会社 | 情報処理システム、情報処理方法、及び、記録媒体 |
JP2019109634A (ja) | 2017-12-15 | 2019-07-04 | 富士通株式会社 | 学習プログラム、予測プログラム、学習方法、予測方法、学習装置および予測装置 |
WO2019229977A1 (ja) | 2018-06-01 | 2019-12-05 | 株式会社 東芝 | 推定システム、推定方法及び推定プログラム |
Also Published As
Publication number | Publication date |
---|---|
US20230186118A1 (en) | 2023-06-15 |
WO2022024315A1 (ja) | 2022-02-03 |
JPWO2022024315A1 (ja) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7177653B2 (ja) | 敵対的ニューラル・ネットワーク・トレーニングを使用するフォント認識の改善 | |
CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
Zhang et al. | Gradient-induced co-saliency detection | |
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
US8923608B2 (en) | Pre-screening training data for classifiers | |
KR102227906B1 (ko) | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 | |
US20230085687A1 (en) | Machine learning prediction and document rendering improvement based on content order | |
JP6932395B2 (ja) | イメージを分析するために、ディープラーニングネットワークに利用するためのトレーニングイメージに対するラベルリング信頼度を自動的に評価するための方法、及びこれを利用した信頼度評価装置 | |
JP7424496B2 (ja) | 精度推定プログラム、装置、及び方法 | |
CN110399800B (zh) | 基于深度学习vgg16框架的车牌检测方法及***、存储介质 | |
CN111694917B (zh) | 一种车辆异常轨迹检测、模型训练方法及装置 | |
JP6611346B2 (ja) | 文字列認識装置、方法、及びプログラム | |
JP7172612B2 (ja) | データ拡張プログラム、データ拡張方法およびデータ拡張装置 | |
CN115244548A (zh) | 基于人工智能训练深度学习网络的方法及使用其的学习设备 | |
WO2021079442A1 (ja) | 推定プログラム、推定方法、情報処理装置、再学習プログラムおよび再学習方法 | |
CN111062928A (zh) | 一种医学ct图像中病变的识别方法 | |
CN114330588A (zh) | 一种图片分类方法、图片分类模型训练方法及相关装置 | |
CN113095351A (zh) | 借助于初始标记的改善生成经标记的数据的方法 | |
JP5082512B2 (ja) | 情報処理装置、画像処理装置、画像符号化装置、情報処理プログラム、画像処理プログラム及び画像符号化プログラム | |
US20200151445A1 (en) | Text Wrap Detection | |
JP6499938B2 (ja) | 稼働データ分類装置 | |
CN112926585B (zh) | 一种基于再生核希尔伯特空间的跨域语义分割方法 | |
Wozniak et al. | Place inference via graph-based decisions on deep embeddings and blur detections | |
El Maghraby | Improving Custom Vision cognitive services model | |
CN114118449B (zh) | 基于偏标记学习模型的图片标签识别方法、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220929 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220929 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231101 |
|
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: 20231219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240101 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7424496 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |