JP7438303B2 - ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム - Google Patents
ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム Download PDFInfo
- Publication number
- JP7438303B2 JP7438303B2 JP2022156162A JP2022156162A JP7438303B2 JP 7438303 B2 JP7438303 B2 JP 7438303B2 JP 2022156162 A JP2022156162 A JP 2022156162A JP 2022156162 A JP2022156162 A JP 2022156162A JP 7438303 B2 JP7438303 B2 JP 7438303B2
- Authority
- JP
- Japan
- Prior art keywords
- deep learning
- learning model
- output result
- network layer
- trained
- 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
- 238000013136 deep learning model Methods 0.000 title claims description 240
- 238000012549 training Methods 0.000 title claims description 68
- 238000000034 method Methods 0.000 title claims description 64
- 238000003058 natural language processing Methods 0.000 title claims description 17
- 238000004590 computer program Methods 0.000 title claims description 12
- 238000012545 processing Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004821 distillation Methods 0.000 description 7
- 238000007906 compression Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013140 knowledge distillation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
- G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Description
操作S110において、第1のサンプルデータを第1のディープラーニングモデルに入力し、第1の出力結果を取得する。
例えば、第1のサンプルデータは、文字を含む画像であってもよい。一例において、第1のサンプルデータは、数字「8」を含む画像であってもよい。
例えば、第3のサンプルデータは上記第1のサンプルデータと同じであってもよく、上記した第1のサンプルデータと異なってもよい。
図8に示すように、該方法800は操作810を含んでもよい。
図10に示すように、該装置1000は第4の取得モジュール1010を含んでもよい。
Claims (17)
- 第1のサンプルデータを第1のディープラーニングモデルに入力し、第1の出力結果を取得することと、
前記第1の出力結果と参照ディープラーニングモデルを利用して前記第1のサンプルデータを処理することにより取得された第1の目標出力結果に基づいて、前記第1のディープラーニングモデルをトレーニングし、トレーニングされた第1のディープラーニングモデルを取得することと、
第2のサンプルデータを第2のディープラーニングモデルに入力し、第2の出力結果を取得することと、
前記第2の出力結果と前記トレーニングされた第1のディープラーニングモデルにより前記第2のサンプルデータを処理することにより取得された第2の目標出力結果に基づいて、前記第2のディープラーニングモデルをトレーニングし、トレーニングされた第2のディープラーニングモデルを取得することと、を含み、
前記第1のディープラーニングモデルはN個のネットワーク層を含み、各ネットワーク層は第1の注意力モジュールを含み、前記第2のディープラーニングモデルはM個のネットワーク層を含み、各ネットワーク層は第2の注意力モジュールを含み、N及びMは1より大きい整数であり、かつNはMより大きく、
前記第2の目標出力結果は、N番目のネットワーク層における第1の注意力モジュールの出力であり、前記第2の出力結果は、M番目のネットワーク層における第2の注意力モジュールの出力である、
ディープラーニングモデルのトレーニング方法。 - 前記第1のディープラーニングモデルにおけるパラメータは、前記参照ディープラーニングモデルにおけるパラメータより少なく、かつ前記第2のディープラーニングモデルにおけるパラメータより多い、
請求項1に記載の方法。 - 前記第1の出力結果及び第1の目標出力結果に基づいて、前記第1のディープラーニングモデルをトレーニングし、トレーニングされた第1のディープラーニングモデルを取得することは、
前記第1の出力結果が前記第1の目標出力結果と一致するように、前記第1のディープラーニングモデルにおけるパラメータを調整することを含む、
請求項1または2に記載の方法。 - 前記第2の出力結果及び第2の目標出力結果に基づいて、前記第2のディープラーニングモデルをトレーニングし、トレーニングされた第2のディープラーニングモデルを取得することは、
前記第2の出力結果が前記第2の目標出力結果と一致するように、前記第2のディープラーニングモデルにおけるパラメータを調整することを含む、
請求項1または2に記載の方法。 - 前記第1のディープラーニングモデルはN個のネットワーク層を含み、各ネットワーク層は第1の注意力モジュールを含み、前記第2のディープラーニングモデルはM個のネットワーク層を含み、各ネットワーク層は順に接続された第2の注意力モジュールとフィードフォワードモジュールを含み、N及びMは1より大きい整数であり、かつNはMより大きく、
前記第2の出力結果及び第2の目標出力結果に基づいて、前記第2のディープラーニングモデルをトレーニングし、トレーニングされた第2のディープラーニングモデルを取得することは、
前記第2のディープラーニングモデルに、順に接続された、M番目のネットワーク層のフィードフォワードモジュールに接続される付加注意力モジュールと付加フィードフォワードモジュールとを含む付加ネットワーク層を設置することと、
前記付加注意力モジュールの出力がN番目のネットワーク層における注意力モジュールの出力と一致するように、前記第2のディープラーニングモデルにおけるパラメータを調整することと、
前記付加ネットワーク層を削除し、トレーニングされた第2のディープラーニングモデルを取得することとを含む、
請求項1に記載の方法。 - 第3のサンプルデータをそれぞれ前記参照ディープラーニングモデル、前記トレーニングされた第1のディープラーニングモデルおよび前記トレーニングされた第2のディープラーニングモデルに入力し、第1の出力、第2の出力及び第3の出力を取得することと、
前記第1の出力、前記第2の出力及び前記第3の出力が互いに一致するように、前記参照ディープラーニングモデル、前記トレーニングされた第1のディープラーニングモデル及び前記トレーニングされた第2のディープラーニングモデルを組み合わせてトレーニングすることと、を更に含む、
請求項1に記載の方法。 - 自然言語情報を、請求項1に記載の方法を利用してトレーニングされたディープラーニングモデルに入力し、出力結果を取得することを含む、
自然言語処理方法。 - 第1のサンプルデータを第1のディープラーニングモデルに入力し、第1の出力結果を取得するための第1の取得モジュールと、
前記第1の出力結果と、参照ディープラーニングモデルを利用して前記第1のサンプルデータを処理することにより取得された第1の目標出力結果とに基づいて、前記第1のディープラーニングモデルをトレーニングし、トレーニングされた第1のディープラーニングモデルを取得するための第1のトレーニングモジュールと、
第2のサンプルデータを第2のディープラーニングモデルに入力し、第2の出力結果を取得するための第2の取得モジュールと、
前記第2の出力結果と、前記トレーニングされた第1のディープラーニングモデルにより前記第2のサンプルデータを処理することにより取得された第2の目標出力結果とに基づいて、前記第2のディープラーニングモデルをトレーニングし、トレーニングされた第2のディープラーニングモデルを取得するための第2のトレーニングモジュールと、を含み、
前記第1のディープラーニングモデルはN個のネットワーク層を含み、各ネットワーク層は第1の注意力モジュールを含み、前記第2のディープラーニングモデルはM個のネットワーク層を含み、各ネットワーク層は第2の注意力モジュールを含み、N及びMは1より大きい整数であり、かつNはMより大きく、
前記第2の目標出力結果は、N番目のネットワーク層における第1の注意力モジュールの出力であり、前記第2の出力結果は、M番目のネットワーク層における第2の注意力モジュールの出力である、
ディープラーニングモデルのトレーニング装置。 - 前記第1のディープラーニングモデルにおけるパラメータは、前記参照ディープラーニングモデルにおけるパラメータより少なく、かつ前記第2のディープラーニングモデルにおけるパラメータより多い、
請求項8に記載の装置。 - 前記第1のトレーニングモジュールは、
前記第1の出力結果が前記第1の目標出力結果と一致するように、前記第1のディープラーニングモデルにおけるパラメータを調整するための第1の調整ユニットを含む、
請求項8または9に記載の装置。 - 前記第2のトレーニングモジュールは、
前記第2の出力結果が前記第2の目標出力結果と一致するように、前記第2のディープラーニングモデルにおけるパラメータを調整するための第2の調整ユニットを含む、
請求項8または9に記載の装置。 - 前記第1のディープラーニングモデルはN個のネットワーク層を含み、各ネットワーク層は第1の注意力モジュールを含み、前記第2のディープラーニングモデルはM個のネットワーク層を含み、各ネットワーク層は順に接続された第2の注意力モジュールとフィードフォワードモジュールを含み、N及びMは1より大きい整数であり、かつNはMより大きく、
前記第2のトレーニングモジュールは、
前記第2のディープラーニングモデルに、順に接続された、M番目のネットワーク層のフィードフォワードモジュールに接続される付加注意力モジュールと付加フィードフォワードモジュールとを含む付加ネットワーク層を設置するための設置ユニットと、
前記付加注意力モジュールの出力がN番目のネットワーク層における注意力モジュールの出力と一致するように、前記第2のディープラーニングモデルにおけるパラメータを調整するための第3の調整ユニットと、
前記付加ネットワーク層を削除し、トレーニングされた第2のディープラーニングモデルを取得するための削除ユニットと、を含む、
請求項8に記載の装置。 - 第3のサンプルデータをそれぞれ前記参照ディープラーニングモデル、前記トレーニングされた第1のディープラーニングモデル及び前記トレーニングされた第2のディープラーニングモデルに入力し、第1の出力、第2の出力及び第3の出力を取得するための第3の取得モジュールと、
前記第1の出力、前記第2の出力及び前記第3の出力が互いに一致するように、前記参照ディープラーニングモデル、前記トレーニングされた第1のディープラーニングモデル及び前記トレーニングされた第2のディープラーニングモデルを組み合わせてトレーニングするための第3のトレーニングモジュールと、を更に含む
請求項8に記載の装置。 - 自然言語情報を、請求項8に記載の装置を利用してトレーニングされたディープラーニングモデルに入力し、出力結果を取得するための第4の取得モジュールを含む、
自然言語処理装置。 - 少なくとも1つのプロセッサと、
前記少なくとも1つのプロセッサと通信接続するメモリとを含み、
前記メモリに、前記少なくとも1つのプロセッサによって実行され得る命令が記憶されており、前記命令が前記少なくとも1つのプロセッサによって実行されることで、前記少なくとも1つのプロセッサが請求項1に記載の方法を実行することができる、
電子機器。 - コンピュータに請求項1に記載の方法を実行させるためのコンピュータ命令を記憶している、
非一時的なコンピュータ可読記憶媒体。 - プロセッサにより実行される時に請求項1に記載の方法を実現する、コンピュータプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514073.9 | 2021-12-10 | ||
CN202111514073.9A CN114202076B (zh) | 2021-12-10 | 2021-12-10 | 深度学习模型的训练方法、自然语言处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022173453A JP2022173453A (ja) | 2022-11-18 |
JP7438303B2 true JP7438303B2 (ja) | 2024-02-26 |
Family
ID=80652694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022156162A Active JP7438303B2 (ja) | 2021-12-10 | 2022-09-29 | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230047980A1 (ja) |
EP (1) | EP4195110A1 (ja) |
JP (1) | JP7438303B2 (ja) |
CN (1) | CN114202076B (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819188A (zh) * | 2022-05-19 | 2022-07-29 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备及可读存储介质 |
CN115796272B (zh) * | 2022-11-24 | 2024-03-12 | 北京百度网讯科技有限公司 | 基于深度学习平台的模型训练方法、数据处理方法和装置 |
CN115936091B (zh) * | 2022-11-24 | 2024-03-08 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、装置、电子设备以及存储介质 |
CN116051935B (zh) * | 2023-03-03 | 2024-03-22 | 北京百度网讯科技有限公司 | 图像检测方法、深度学习模型的训练方法及装置 |
CN116204642B (zh) * | 2023-03-06 | 2023-10-27 | 上海阅文信息技术有限公司 | 数字阅读中角色隐式属性智能识别分析方法、***和应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132528A1 (en) | 2015-11-06 | 2017-05-11 | Microsoft Technology Licensing, Llc | Joint model training |
US20210124881A1 (en) | 2019-10-24 | 2021-04-29 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Neural network model compresesion method, corpus translation method and device |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118349673A (zh) * | 2019-09-12 | 2024-07-16 | 华为技术有限公司 | 文本处理模型的训练方法、文本处理方法及装置 |
CN113656581B (zh) * | 2021-08-17 | 2023-09-22 | 北京百度网讯科技有限公司 | 文本分类及模型训练的方法、装置、设备以及存储介质 |
-
2021
- 2021-12-10 CN CN202111514073.9A patent/CN114202076B/zh active Active
-
2022
- 2022-09-29 JP JP2022156162A patent/JP7438303B2/ja active Active
- 2022-10-28 US US17/976,049 patent/US20230047980A1/en not_active Abandoned
- 2022-10-31 EP EP22204651.8A patent/EP4195110A1/en not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132528A1 (en) | 2015-11-06 | 2017-05-11 | Microsoft Technology Licensing, Llc | Joint model training |
US20210124881A1 (en) | 2019-10-24 | 2021-04-29 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Neural network model compresesion method, corpus translation method and device |
Non-Patent Citations (2)
Title |
---|
MIRZADEH, S et al.,"Improved Knowledge Distillation via Teacher Assistant",arXiv.org [online],2019年,pp. 1-11,[retrieved on 2023.08.31], Retrieved from the Internet: <URL: https://arxiv.org/abs/1902.03393v2>,<DOI: 10.48550/arXiv.1902.03393> |
VASWANI, A et al.,"Attention Is All You Need",arXiv.org [online],2017年,pp. 1-15,[retrieved on 2023.08.31], Retrieved from the Internet: <URL: https://arxiv.org/abs/1706.03762v5>,<DOI: 10.48550/arXiv.1706.03762> |
Also Published As
Publication number | Publication date |
---|---|
US20230047980A1 (en) | 2023-02-16 |
EP4195110A1 (en) | 2023-06-14 |
CN114202076B (zh) | 2023-05-23 |
JP2022173453A (ja) | 2022-11-18 |
CN114202076A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7438303B2 (ja) | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN111444340B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN108205699B (zh) | 生成用于神经网络输出层的输出 | |
US20220350965A1 (en) | Method for generating pre-trained language model, electronic device and storage medium | |
CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
EP4109347A2 (en) | Method for processing multimodal data using neural network, device, and medium | |
JP7316453B2 (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
JP2014529787A (ja) | 固有表現の認識方法及び装置 | |
JP7297038B2 (ja) | ニューラルネットワークモデルの事前トレーニング方法、装置、電子機器及び媒体 | |
JP2022006173A (ja) | 知識事前訓練モデルの訓練方法、装置及び電子機器 | |
CN113657100A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
EP4123516A1 (en) | Method and apparatus for acquiring pre-trained model, electronic device and storage medium | |
KR20220116395A (ko) | 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체 | |
JP2023025126A (ja) | 深層学習モデルのトレーニング方法及び装置、テキストデータ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
JP2023002690A (ja) | セマンティックス認識方法、装置、電子機器及び記憶媒体 | |
CN116701574A (zh) | 文本语义相似度计算方法、装置、设备及存储介质 | |
JP2022091919A (ja) | バックボーンネットワーク生成方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
US20230070966A1 (en) | Method for processing question, electronic device and storage medium | |
CN114490969B (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN116030235A (zh) | 目标检测模型训练方法、目标检测方法、装置和电子设备 | |
EP4020327A2 (en) | Method and apparatus for training data processing model, electronic device and storage medium | |
CN114116959B (zh) | 方面级情感分析方法、装置以及终端 |
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 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
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: 20231030 |
|
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: 20240116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7438303 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |