TWI787640B - 可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式 - Google Patents

可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式 Download PDF

Info

Publication number
TWI787640B
TWI787640B TW109126639A TW109126639A TWI787640B TW I787640 B TWI787640 B TW I787640B TW 109126639 A TW109126639 A TW 109126639A TW 109126639 A TW109126639 A TW 109126639A TW I787640 B TWI787640 B TW I787640B
Authority
TW
Taiwan
Prior art keywords
data
static characteristic
model
aforementioned
task
Prior art date
Application number
TW109126639A
Other languages
English (en)
Other versions
TW202121221A (zh
Inventor
小松田卓也
小田也
Original Assignee
日商日立製作所股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商日立製作所股份有限公司 filed Critical 日商日立製作所股份有限公司
Publication of TW202121221A publication Critical patent/TW202121221A/zh
Application granted granted Critical
Publication of TWI787640B publication Critical patent/TWI787640B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3086—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves the use of self describing data formats, i.e. metadata, markup languages, human readable formats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/328—Computer systems status display
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Burglar Alarm Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

[課題] 可刪減由複數轉移源資料之中選擇在轉移目的端模型中所使用的資料所需的工時，且可適當判定是否可轉移轉移源模型。 [解決手段] 構成為具備：受理關於轉移源任務的第1靜態特性資料與第1觀測資料的輸入的資料輸入部(110)；將第1靜態特性資料作為目的變數、且將關於第1觀測資料的特徵量作為說明變數，而生成靜態特性模型的靜態特性資訊模型化部(120)；受理轉移目的端任務的第2靜態特性資料，選擇利用在處理的第1靜態特性資料的轉移源資料選擇部(130)；受理轉移目的端任務的第2觀測資料，根據第2觀測資料與靜態特性模型，算出擴張觀測資料的資料擴張部(140)；及算出關於在分析模型輸入擴張觀測資料所得的預測結果的泛化誤差，據此評估可轉移性的轉移源模型評估部。

Description

可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式
本發明係關於判定是否可將為了某任務所建構的分析模型轉移至供其他任務用的分析模型的技術。
伴隨感測技術的提升，活用資料，以得經營效果的事例不斷增加。尤其，製造業中的設備故障預兆或不良品感測的需求高，在多數工廠中廣被處理。
在以不良品感測為對象的感測器資料分析中，首先，收集由製造中的設備所收集到的關於溫度或風量等的感測器資料，算出根據感測器資料的平均或分散等統計量的特徵量，建構識別在不良發生前後的特徵量的變化點的分析模型(分析模型或僅稱為模型)。藉此，可藉由分析模型來自動感測不良發生。
另一方面，近年來，基於顧客需求多樣化，圖求少量多品種製造。伴隨製造品種的變更，製造現場負責人員係必須變更溫度或風量等製造參數，若製造參數改變，感測器資料的變化傾向會不同。因此，必須按每個品種建構分析模型，為了以全品種為對象建構分析模型，需要極大的工時。基於如上所示之背景，要求模型建構的工時刪減。
以模型建構的工時刪減為對象，過去已進行將關於分析完畢的品種的資料或分析模型轉移至新的分析對象的品種的分析模型建構的處理。但是，若轉移源的資料或分析模型不適合轉移目的端的分析模型，有發生負轉移(Negative Transfer)的可能性。在此，負轉移係指由於轉移源與轉移目的端的資料或分析模型彼此不類似，因此應用轉移學習的結果，轉移目的端模型的性能降低的現象。因此，要求判定轉移源資料是否有效於轉移目的端模型的性能提升。
例如，在專利文獻1中係記載可精度佳地判定事前領域(domain)是否有效於轉移學習的技術。專利文獻1所記載的機械學習裝置係具備有：取得包含各個具有預定條件下的檢測對象的特徵的複數學習用資料的目標領域、及包含具有與前述預定條件不同的條件下的檢測對象的特徵的學習候補資料的事前領域的取得部；使用藉由前述取得部所取得的目標領域及事前領域，執行已導入轉移學習的機械學習，生成前述檢測對象的檢測所使用的決策樹的試行轉移學習部；及使用構成藉由前述試行轉移學習部所生成的決策樹的全部葉節點，判斷藉由前述取得部所取得的事前領域是否有效於轉移學習的判斷部。 [先前技術文獻] [專利文獻]
[專利文獻1] 日本特開2016-191975號公開
(發明所欲解決之問題)
在專利文獻1所記載的技術中，若轉移源資料與轉移目的端資料的特徵不類似，無法抽出有效於轉移學習的資料，無法應用轉移學習。此外，在專利文獻1所記載的技術中，若有複數轉移源資料的候補，為了由該轉移源資料中選擇所使用的資料，需要工時。 因此，本發明係鑑於上述情形而完成者，目的在提供可刪減由複數轉移源資料之中選擇在轉移目的端模型中所使用的資料所需的工時，且可適當判定是否可將轉移源模型轉移為轉移目的端模型的技術。 (解決問題之技術手段)
為達成前述目的，一觀點之可轉移性判定裝置係判定轉移源任務的分析模型對轉移目的端任務的可轉移性的可轉移性判定裝置，其係具備：資料輸入部，其係受理表示關於轉移源任務的對象物及/或事象的靜態特性的第1靜態特性資料、與觀測到對轉移源任務的對象物及/或事象帶來作用之物及/或事象的第1觀測資料的輸入；靜態特性資訊模型化部，其係將第1靜態特性資料作為目的變數、且將關於第1觀測資料的特徵量作為說明變數，而生成靜態特性模型；轉移源資料選擇部，其係受理表示關於轉移目的端任務的對象物及/或事象的靜態特性的第2靜態特性資料，根據第1靜態特性資料、與第2靜態特性資料的距離，由複數第1靜態特性資料之中選擇利用在處理的第1靜態特性資料；資料擴張部，其係受理觀測到對轉移目的端任務的對象物及/或事象帶來作用之物及/或事象的第2觀測資料，根據第2觀測資料、所被選擇出的前述第1靜態特性資料、及靜態特性模型，算出適於在分析模型中的利用的擴張觀測資料；及轉移源模型評估部，其係算出關於在分析模型輸入擴張觀測資料所得的預測結果的泛化誤差，根據泛化誤差，評估分析模型對轉移目的端任務的可轉移性。 (發明之效果)
藉由本發明，可刪減由複數轉移源資料之中選擇在轉移目的端模型中所使用的資料所需的工時，且可適當判定是否可將轉移源模型轉移為轉移目的端模型。
參照圖面，說明實施形態。其中，以下說明的實施形態並非為限定有關申請專利範圍之發明者，而且在實施形態之中所說明的諸要素及其組合的全部並不一定為在發明的解決手段中為必須。
在以下說明中，係有以「AAA表格」、「AAA檔案」的表現說明資訊的情形，惟資訊亦可以任何資料構造表現。亦即，為了表示資訊不取決於資料構造，可將「AAA表格」、「AAA檔案」稱為「AAA資訊」。
圖1係示出一實施形態之分析模型可轉移性判定裝置的構成之一例的區塊圖。
作為可轉移性判定裝置之一例的分析模型可轉移性判定裝置1係用以為了解決某任務，判定是否可將根據由關於該任務的觀測對象之物或事象作為其行動所得的觀測資料所生成的分析模型(轉移源模型)，轉用在某任務(轉移目的端任務)，亦即可轉移性，且提示判定結果的裝置。
在此，任務係指對象業務中應解決的課題，例如某製品的不良發現或某製造設備的故障預兆。此外，分析模型係被使用在用以執行任務的模型。分析模型係例如觀測對象為製品，若執行對製品的任務時，例如將以用以觀測觀測對象的製品的感測器予以觀測而收集到的數值資料(觀測資料)及/或關於該數值資料的特徵量作為輸入，且輸出該製品為不良的確率、或該製品是否為不良的判定結果。關於數值資料的特徵量係表示將該數值資料加工後的資料。其中，關於觀測對象的分析模型係例如由使用者所供予。
藉由該分析模型可轉移性判定裝置1，可將為了判定作為對象的製品的不良所生成的分析模型(轉移源模型)轉移為用以判定其他製品的不良的分析模型(轉移目的端模型)，可以低工時解決其他製品的不良判定(其他任務)。
分析模型可轉移性判定裝置1係例如由PC (Personal Computer，個人電腦)等計算機所構成，具有：記憶體10、儲存器20、處理器30、網路介面(I/F)40、及使用者介面(I/F)50。
網路I/F40係例如有線LAN卡或無線LAN卡等介面，透過WAN(Wide Area Network，廣域網路)60等網路，與其他裝置進行通訊。其中，亦可將網路I/F40連接於LAN(Local Area Network，區域網路)或其他任何網路。
使用者I/F50係鍵盤、滑鼠等輸入裝置、或顯示器等輸出裝置，受理來自使用者的輸入，而且對使用者輸出(提示)各種資訊。
處理器30係藉由執行被儲存在記憶體20的程式來執行各種處理。例如，處理器30係按照由使用者I/F50被輸入的資料等，執行記憶體10的程式，且將根據處理結果的資訊輸出至使用者I/F50。
記憶體10係例如RAM(RANDOM ACCESS MEMORY，隨機存取記憶體)，記憶在處理器30被執行的程式、或所需資訊。在本實施形態中，記憶體10係記憶包含資料輸入程式12、靜態特性資訊模型化程式13、轉移源資料選擇程式14、資料擴張程式15、及轉移模型評估程式16的模型可轉移性判定程式11。
資料輸入程式12係藉由在處理器30被執行，由使用者受理有關作為對象的任務的靜態特性資料、觀測資料、關於分析模型的參數或特徵量生成檔案。
在此，靜態特性資料係表示關於作為對象的任務的對象(對象物、對象事象)的靜態性的特性的數值資料及/或文字資料(text data)，例如關於作為對象物的製品的規格或原料的種類/數量的資訊。此外，觀測資料係由對象作為其行動所得的資料，例如，關於製造作為對象物的製品時對原料帶來作用的溫度或風量的觀測資料、或觀測製造中的製品的畫像資料。特徵量生成檔案係記載有用以將觀測資料加工為特徵量的規則的檔案。
靜態特性資訊模型化程式13係藉由在處理器30被執行，將靜態特性資料以觀測資料模型化，而建構靜態特性模型。模型化(modeling)係表示生成根據將靜態特性資料作為輸出的觀測資料的數式。例如，若將靜態特性資料y以2個觀測資料x1 、x2 模型化，生成例如y=0.15*x1 +0.01*x2 的靜態測定模型。
轉移源資料選擇程式14係藉由在處理器30被執行，受理關於轉移目的端任務的靜態特性資料，且選擇關於與關於轉移目的端任務的靜態特性資料的距離為最近的轉移源任務的靜態特性資料。
資料擴張程式15係藉由在處理器30被執行，根據靜態特性模型，將轉移目的端任務的觀測資料擴張成擴張觀測資料。在此，擴張觀測資料係為了使用對其他任務所生成的分析模型，以解決對象任務，而將關於對象任務的觀測資料進行加工的資料。
轉移模型評估程式16係藉由在處理器30被執行，將轉移目的端的擴張觀測資料應用在轉移源的分析模型而算出分析模型的泛化誤差，藉此判定是否可在轉移目的端任務轉移轉移源的分析模型。在此，泛化誤差係指根據將有別於使用在供生成分析模型用的觀測資料的其他觀測資料輸入至分析模型時的輸出值與實測值的差分的值。
其中，資料輸入程式12、靜態特性資訊模型化程式13、轉移源資料選擇程式14、資料擴張程式15、及轉移模型評估程式16係可一體構成部分或全部，亦可個別構成。此外，資料輸入程式12、靜態特性資訊模型化程式13、轉移源資料選擇程式14、資料擴張程式15、及轉移模型評估程式16亦可以複數程式實現部分或全部程式。
儲存器20係例如硬碟或快閃記憶體等，儲存在靜態特性資料記憶部21、觀測資料記憶部22、分析模型記憶部23、靜態特性模型記憶部24、擴張資料記憶部25、模型可轉移性記憶部26、及記憶體10所叫出的各種程式。
靜態特性資料記憶部21係記憶由使用者所受理到的靜態特性資料。觀測資料記憶部22係記憶由使用者所受理到的觀測資料。分析模型記憶部23係記憶有關將用以解決對象任務的輸出以觀測資料模型化後的分析模型的資訊。靜態特性模型記憶部24係記憶有關將靜態特性資料以觀測資料模型化後的分析模型的資訊。擴張資料記憶部25係記憶擴張觀測資料。模型可轉移性記憶部26係記憶用以判定是否可轉移分析模型的資訊。
圖2係一實施形態之分析模型可轉移性判定裝置的概略區塊圖。
分析模型可轉移性判定裝置1係具有：資料輸入部110、靜態特性資訊模型化部120、轉移源資料選擇部130、資料擴張部140、及轉移源模型評估部150。
資料輸入部110係藉由處理器30執行資料輸入程式12來實現，靜態特性資訊模型化部120係藉由處理器30執行靜態特性資訊模型化程式13來實現，轉移源資料選擇部130係藉由處理器30執行轉移源資料選擇程式14來實現，資料擴張部140係藉由處理器30執行資料擴張程式15來實現，轉移源模型評估部160係藉由處理器30執行轉移模型評估程式16來實現。
資料輸入部110係由使用者受理靜態特性資料(第1靜態特性資料、第2靜態特性資料)及觀測資料(第1觀測資料、第2觀測資料)，且分別儲存在靜態特性資料記憶部21及觀測資料記憶部22。此外，資料輸入部110係將靜態特性資料及觀測資料傳送至靜態特性資訊模型化部120。此外，資料輸入部110係將靜態特性資料及觀測資料傳送至轉移源資料選擇部130。
靜態特性資訊模型化部120係由資料輸入部110受理靜態特性資料及觀測資料，建構靜態特性模型，且將靜態特性模型記錄在靜態特性模型記憶部24。其中，亦可由靜態特性資料記憶部21或觀測資料記憶部22受理靜態特性資料及觀測資料。
轉移源資料選擇部130係由資料輸入部110受理轉移目的端的靜態特性資料(第2靜態特性資料)，由靜態特性資料記憶部21受理轉移源的靜態特性資料(第1靜態特性資料)群，且根據轉移目的端的靜態特性資料與轉移源的靜態特性資料群，選擇使用在處理的轉移源的靜態特性記錄，將有關靜態特性記錄的轉移源任務ID傳送至資料擴張部140。在此，轉移源任務ID係用以特定成為對象的轉移源任務的ID。
資料擴張部140係由轉移源資料選擇部130受理轉移源任務ID，由觀測資料記憶部22受理有關轉移目的端任務的觀測資料(第2觀測資料)，由靜態特性模型記憶部24受理靜態特性模型，根據轉移源任務ID與有關轉移目的端任務的觀測資料、及轉移源的靜態特性資料，算出擴張觀測資料，且將擴張觀測資料傳送至轉移源模型評估部150。在此，擴張觀測資料係將關於成為對象的任務的觀測資料擴張為以其他任務為對象(以其他任務的分析模型為對象)的資料。
轉移源模型評估部150係由資料擴張部140受理有關轉移目的端任務的觀測資料、擴張觀測資料、及轉移源任務ID，根據轉移源任務ID，由分析模型記憶部23取得關於轉移源模型的分析模型，在分析模型應用擴張觀測資料而算出擴張觀測資料對轉移源模型的泛化誤差，且在分析模型應用觀測資料而算出觀測資料對轉移源模型的泛化誤差，根據泛化誤差與轉移源資料對轉移源模型的泛化誤差，算出轉移後性能提升率、可轉移性、及可轉移判定結果，且將擴張觀測資料記錄在擴張資料記憶部25，在模型可轉移性記憶部26記錄轉移後性能提升率、可轉移性、及可轉移判定結果。在此，轉移後性能提升率係資料擴張前後之轉移目的端資料對轉移源模型的性能提升率，以數值表示。可轉移性係可將轉移源模型轉移至轉移目的端任務的可能性，例如，以1至100的範圍的數值表示。可轉移判定結果係關於可轉移性的資訊之一例，判定是否可將轉移源模型轉移至轉移目的端任務的結果，例如，以可否的2值表示。
接著，詳細說明儲存器20所記憶的靜態特性資料記憶部21、觀測資料記憶部22、分析模型記憶部23、靜態特性模型記憶部24、擴張資料記憶部25、及模型可轉移性記憶部26。
圖3係示出靜態特性資料表格的構成例的圖。
靜態特性資料表格210係被記憶在靜態特性資料記憶部21。在靜態特性資料表格210係登錄有複數包含ID211、及靜態特性因子群212的記入(entry)。ID211係用以單義特定靜態特性資料的識別號。靜態特性因子群212係包含複數靜態特性因子，在圖3之例中，包含：部位A幅度213、部位B幅度214、原料X215等。部位A幅度213係製品的部位A的幅度。部位B幅度214係製品的部位B的幅度。原料X215係製品的原料X的比例。
例如，在圖3中，靜態特性資料表格210的ID211為“1”的記入係表示作為靜態特性因子的部位A幅度213為“0.8”，部位B幅度214為“10”，原料X215為“15”。
圖4係示出觀測資料表格的構成例的圖。
觀測資料表格220係被記憶在觀測資料記憶部22。在觀測資料表格220係登錄有複數包含收集時刻221、TID222、觀測資料群223、及不良判定227旳記入。收集時刻221係由感測器收集到觀測資料的時刻。TID222係用以單義特定任務的識別號。觀測資料群223係包含藉由複數感測器所得的觀測資料(感測器資料)，在圖4之例中係包含例如溫度A224、溫度B225、風量A226等。溫度A224係藉由溫度A感測器而被觀測到的溫度A。溫度B225係藉由溫度B感測器而被觀測到的溫度B。風量A226係藉由風量A感測器而被觀測到的風量A。不良判定227係關於收集到觀測資料時所製造的製品的檢查結果，在圖4之例中，若製品為良品，設定“0”，若製品為不良品，則設定“1”。
例如，在圖4中，觀測資料表格220的收集時刻221為“8/9 13:08:01”的記入係表示在TID222為“1”的任務中，在該收集時刻，製造出溫度A224為“80.4”、溫度B225為“95.0”、風量A226為“10.7”、不良判定227為“0”的製品。
圖5係示出分析模型表格的構成例的圖。
分析模型表格230係被記憶在分析模型記憶部23。在分析模型表格230係登錄有複數包含TID231、基本模型名232、模型參數列表233、對特徵量生成檔案的路徑234的記入。TID231係用以單義特定任務的識別號。基本模型名232係使用在用以生成分析模型的手法名。模型參數列表233係關於基本模型名232的參數名與參數的值的列表。對特徵量生成檔案的路徑234係表示對關於特徵量的生成方法所記載的特徵量生成檔案270(參照圖9)的路徑。
例如，在圖5中，分析模型表格230的TID231為“1”的記入係表示基本模型名232為“k-NN”、模型參數列表233為“k:1, metric:‘minkowski’”，對特徵量生成檔案的路徑234為“product_x/type_a.json”。
圖6係示出靜態特性模型表格的構成例的圖。
靜態特性模型表格240係被記憶在靜態特性模型記憶部24。靜態特性模型表格240係登錄有複數包含靜態特性因子名241、特徵量/權重成對242的記入。靜態特性因子名241係靜態特性因子的名稱。特徵量/權重成對242係表示特徵量名、與該特徵量名對特徵量的權重的成對的列表。
例如，在圖6中，靜態特性模型表格240的靜態特性因子241為“部位A幅度”的記入係表示特徵量/權重成對242為“x1 :0.15, x2 :0.01”。
圖7係示出擴張資料表格的構成例的圖。
擴張資料表格250係被記憶在擴張資料記憶部25。在擴張資料表格250係登錄有複數包含ID251、轉移源TID252、轉移目的端TID253、擴張資料254的記入。ID251係用以單義特定記入的識別號。轉移源TID252係用以單義特定轉移源任務的識別號。轉移目的端TID253係用以單義特定轉移目的端任務的識別號。擴張資料254係表示特徵量名與特徵量的成對的列表。
例如，在圖7中，擴張資料表格250的ID251為“1”的記入係表示轉移源TID252為“1”、轉移目的端TID253為“5”、擴張資料254為“x1 :3.9, x2 :21.14”。
圖8係示出模型可轉移性表格的構成例的圖。
模型可轉移性表格260係被記憶在模型可轉移性記憶部26。在模型可轉移性表格260係登錄有複數包含TID261、轉移後性能提升率262、可轉移性263、可轉移判定結果264的記入。TID261係用以單義特定任務的識別號。轉移後性能提升率262係觀測資料擴張前後的性能提升的比例。可轉移性263係可將轉移源模型轉移至轉移目的端任務的可能性。可轉移判定結果264係是否可將轉移源模型轉移至轉移目的端任務的判定結果。
例如，在圖8中，模型可轉移性表格260的TID261為“5”的記入係表示轉移後性能提升率262為“1.02”、可轉移性263為“92%”、可轉移判定結果264為“OK”。
圖9係示出特徵量生成檔案之一例的圖。
特徵量生成檔案270係被記憶在靜態特性模型記憶部24。特徵量生成檔案270係包含關於用以生成靜態特性模型的特徵量的方法的記述。特徵量生成檔案270係根據分析模型表格230對特徵量生成檔案的路徑234的記述來作參照。
特徵量生成檔案270係記述有包含model_id271、model_name272、feature_list273的記入。model_id271係用以單義特定模型的識別號。model_name272係模型的名稱。feature_list273係保持關於複數特徵量的資訊的列表。在feature_list273係記述有包含feature_id274、feature_name275、input276、logic277的記入。feature_id274係用以單義特定特徵量的識別號。feature_name275係特徵量名。input276係使用在用以生成特徵量的觀測資料名。input276係觀測資料表格220的觀測資料群223所包含的觀測資料之中的一以上的觀測資料名。logic277係用以生成特徵量的計算式。
例如，在圖9中，特徵量生成檔案270的model_id271為“1”的記入係model_name272為“model_a”，在feature_list273包含有3個以上的記入。feature_list273的feature_id274為“1”的記入係表示feature_name275為“x1 ”，input276為“‘溫度A’、‘風量A’”，logic277為“Mean(‘溫度A’)+1.5*Mean(‘風量A’)”。在此，Mean(x)係用以算出特徵量名x的平均值的函數。
接著，說明分析模型可轉移性判定裝置1的處理動作。
圖10係示出一實施形態之分析模型可轉移性判定裝置的主處理之一例的流程圖。
首先，資料輸入部110係將透過後述之資料輸入畫面70(參照圖15)而由使用者所被輸入之有關轉移源任務的靜態特性資料及觀測資料，分別記憶在靜態特性資料記憶部21的靜態特性資料表格210及觀測資料記憶部22的觀測資料表格220(步驟S10)。
接著，靜態特性資訊模型化部120係執行靜態特性資訊模型化處理(參照圖11)(步驟S11)。在靜態特性資訊模型化處理中，靜態特性資訊模型化部120係由資料輸入部110取得靜態特性資料及觀測資料，且將靜態特性資料以觀測資料模型化而建構靜態特性模型，且將靜態特性模型記錄在靜態特性模型記憶部24。
接著，轉移源資料選擇部130係執行轉移源資料選擇處理(參照圖12)(步驟S12)。在轉移源資料選擇處理中，轉移源資料選擇部130係由資料輸入部110受理有關轉移目的端任務的靜態特性資料，根據所受理到的有關轉移目的端任務的靜態特性資料，由靜態特性資料記憶部21取得有關預定的轉移源任務的靜態特性資料，且將關於轉 移源任務的轉移源任務ID傳送至資料擴張部140。
接著，資料擴張部140係執行轉移目的端資料擴張處理(參照圖13)(步驟S13)。在轉移目的端資料擴張處理中，資料擴張部140係根據由轉移源資料選擇部130所受理到的轉移源任務ID，由觀測資料記憶部22取得關於轉移源任務的觀測資料(第1觀測資料)，且由觀測資料記憶部22取得關於轉移目的端任務的觀測資料(第2觀測資料)，由靜態特性模型記憶部24取得靜態特性模型，根據關於轉移源任務ID的觀測資料、關於轉移目的端任務的觀測資料、及靜態特性模型，算出擴張觀測資料，且將擴張觀測資料及轉移源任務ID傳送至轉移源模型評估部150。
轉移源模型評估部150係執行性能評估處理(參照圖14)(步驟S14)。在性能評估處理中，轉移源模型評估部150係根據由資料擴張部140所受理到的轉移源任務ID，由分析模型記憶部23取得有關轉移源模型的分析模型，根據由資料擴張部140所受理到的擴張觀測資料、與所取得的分析模型，算出對分析模型的觀測資料的評估結果(可轉移性)。
接著，轉移源模型評估部150係判定評估結果是否為臨限值以上(步驟S15)，若評估結果為臨限值以上(步驟S15：YES)，設立意指轉移可能性高的可轉移性旗標，例如，將模型可轉移性表格260的可轉移性判定結果264設定為“OK”(步驟S16)，且結束處理，另一方面，若評估結果為未達臨限值(步驟S15：NO)，不做任何事即結束處理。
接著，詳細說明圖10的步驟S11所對應的靜態特性資訊模型化處理。
圖11係示出一實施形態之靜態特性資訊模型化處理之一例的流程圖。
首先，靜態特性資訊模型化部120係由觀測資料記憶部22取得觀測資料，根據觀測資料，決定算出1以上的種類的特徵量的函數(算出式)，且算出特徵量(步驟S100)。其中，所算出的特徵量的種類亦可例如被使用者所指示。
接著，靜態特性資訊模型化部120係將各種變數等初期化(步驟S101)。具體而言，靜態特性資訊模型化部120係在變數counter代入1，在變數cGError及變數pBestGError代入無限大，在物件M及物件pBestM代入空的值。在此，物件係包含任意數的變數及函數的資料構造。其中，在變數cGError及變數pBestGError代入無限大，惟若在程式中無法表現無限大，亦可例如取代無限大而使用被使用者所預先供予的預定的值。
接著，靜態特性資訊模型化部120係由在步驟S100中所算出的特徵量之中選擇一部分或全部特徵量作為處理對象(步驟S102)，由靜態特性資料記憶部22受理靜態特性資料，靜態特性資料之中選擇一部分或全部靜態特性因子作為處理對象(步驟S103)。在此，靜態特性因子係構成靜態特性資料的因子，例如，成為對象的製品中的部位A的幅度或原料X的比例。其中，以由特徵量選擇處理對象的方法、或由靜態特性資料選擇處理對象的方法而言，係可隨機選擇，亦可按照預先設定的規則(例如，被使用者所指定的規則)作選擇。
接著，靜態特性資訊模型化部120係執行多輸出迴歸，且執行生成靜態特性模型的處理(步驟S104)。具體而言，靜態特性資訊模型化部120係將觀測資料及靜態特性資料分割為學習用資料與測試用資料等2個。在此，以將觀測資料及靜態特性資料分割為學習用資料與測試用資料等2個的方法而言，例如，亦可將製品作為單位，而將觀測資料及靜態特性資料分割為2個。接著，靜態特性資訊模型化部120係將使用學習用資料而在步驟S103中所選擇出的靜態特性因子作為目的變數，且將在步驟S102中所選擇出的特徵量作為說明變數，來執行多輸出迴歸，且生成靜態特性模型，將靜態特性模型的靜態特性因子、特徵量、及參數代入物件M。
藉由靜態特性資訊模型化部120所為之多輸出迴歸的處理亦可以例如以下所示之順序來執行。
(順序1)隨機決定以下之式(1)的權重wij 。
Figure 02_image001
在此，m係特徵量的數，iter係該多輸出迴歸的處理中的反覆的次數，wij iter 係第iter次反覆中關於第i個靜態特性因子之對第j個特徵量的權重，x(n)j 係第n個任務(關於第n個製品的任務)中的第j個特徵量，x(n) 係第n個任務中的特徵量群的向量，yi iter (x(n) )係在第iter次反覆中使用特徵量群x(n) 所算出的第i個靜態特徵因子的預測值。
(順序2)在以下之式(2)輸入特徵量及靜態特性資料，且更新權重的值。
Figure 02_image003
在此，wij iter 、x(n)j 、x(n) 、yi iter (x(n) )係與式(1)的符號相同，N係任務的數量，y(n)i 係第n個任務中的第i個靜態特性因子的實測值，η係學習率。η係任意值，亦可被使用者所設定。
(順序3)使用以下之式(3)，算出學習誤差E(Etrain )，且若包含過去x次的學習誤差的分散為臨限值以下時、或變數iter的值大於臨限值時，進至順序4。若非如此，將變數iter增值而返回至順序2。
Figure 02_image005
在此，f係函數向量(f1 、f2 、…、fk )，fi 表示第i個函數。k係函數的數。x係學習資料向量(x(1) 、x(2) 、…、x(n) )。x(n) 係第n個任務中的特徵量群的向量。y係(i, n)成分為y(n)i 的實測值行列，y(n)i 係第n個任務中的第i個函數所對應的實測值。
在此，使用順序3中的式(3)時，係在fi 輸入yi iter ，在x輸入學習用資料，且在y輸入學習用資料所對應的靜態特性資料。
(順序4)輸出權重wij 。藉此，可適當決定泛化誤差E的分散已成為臨限值以下時或反覆了預定次處理時的權重。其中，若泛化誤差E的分散超過臨限值，關於此時所選擇的靜態特性因子，亦可由靜態特性模型作為削除對象，而形成為僅將臨限值以內的靜態特性因子作為目的變數的靜態特性模型。
接著，靜態特性資訊模型化部120係使用測試用資料及靜態特性模型，按照式(3)，算出靜態特性模型的泛化誤差E(Etest )，且代入變數cGError(步驟S105)。在此，在步驟S105中使用式(3)時，在f係輸入在步驟S104的順序3中已算出(學習)的靜態特性模型，亦即，用以將特徵量作為輸入而預測靜態特性因子的函數向量(y1 、y2 、…、yk )，在x係輸入測試用資料，在y係輸入測試用資料所對應的靜態特性資料。其中，yi 係用以預測第i個靜態特性因子的函數。
其中，亦可一邊變更步驟S104中的學習用資料與測試用資料的分割方法，一邊反覆執行步驟S104與步驟S105，算出泛化誤差E的平均值，而將所算出的平均值代入變數cGError。
接著，靜態特性資訊模型化部120係判定變數pBestGError的值(亦即，至此為止為最小的泛化誤差的值)是否大於變數cGError的值(跟前所算出的泛化誤差的值)(步驟S106)。結果，若變數pBestGError的值大於變數cGError的值(步驟S106：YES)，意指跟前所算出的泛化誤差更小，作為靜態特性模型為精度更佳，因此靜態特性資訊模型化部120係在變數pBestGError代入變數cGError的值，在物件pBestM代入物件M(步驟S107)，且將處理進至步驟S108。另一方面，若變數pBestGError的值不大於變數cGError的值(步驟S106：NO)，靜態特性資訊模型化部120係照原樣將處理進至步驟S108。
接著，在步驟S108中，靜態特性資訊模型化部120係判定變數counter是否為臨限值以下。
結果，若變數counter為臨限值以下(步驟S108：YES)，意指不超過預定次來反覆處理，因此，靜態特性資訊模型化部120係將變數counter增值(+1)(步驟S109)，且再次執行步驟S102之後的處理。其中，靜態特性資訊模型化部120若再度執行步驟S102之後的處理，在步驟S102中的特徵量的選擇、及在步驟S103中的靜態特性因子的選擇中，不再次選擇已選擇作為處理對象的靜態特性因子及特徵量的組合。
另一方面，若變數counter的值非為臨限值以下(步驟S108：NO)，意指超過預定次來反覆處理，因此靜態特性資訊模型化部120係將關於物件pBestM所包含的變數的資訊(亦即，處理中泛化誤差為最小的靜態特性模型的資訊)記錄在靜態特性模型記憶部24，並且根據在步驟S100中所決定的特徵量的算出式、及物件pBestM的內容，作成特徵量生成檔案270(步驟S110)，且結束處理。
藉由該靜態特性模型生成處理，複數靜態特性模型之中的靜態特性資料的泛化誤差為最小的靜態特性模型被決定為在之後的處理中所使用的靜態特性模型。其中，在上述例中，複數靜態特性模型之中的靜態特性資料的泛化誤差為最小的靜態特性模型被決定為在之後的處理中所使用的靜態特性模型，惟亦可例如將泛化誤差為預定的臨限值以下的靜態特性模型決定為在之後的處理中所使用的靜態特性模型。
接著，示出靜態特性模型生成處理的具體例。在具體例中，係形成為將用以判定製品不良的任務作為對象的模型生成的處理，按每個製品建構模型者。對象的任務係任務ID為1、2、3、4的4種類，使用各任務的靜態特性資料及觀測資料而生成靜態特性模型。靜態特性資料係包含關於部位A幅度、部位B幅度、原料X分量等3種類的靜態特性因子的資料，觀測資料係由溫度A感測器、溫度B感測器、風量A感測器、及風量B感測器在一定期間內所收集到的數值資料。特徵量係按每個感測器所算出的平均值及最大值，在步驟S108中所使用的臨限值為2，對於在步驟S104的順序4中的泛化誤差E的分散的臨限值為1.5。
靜態特性資訊模型化部120係在步驟S100中，由觀測資料記憶部22受理關於溫度A感測器、溫度B感測器、風量A感測器、風量B感測器的4種類的數值資料，關於4種類的資料，按每個感測器算出平均值及最大值。結果，關於任務ID為1、2、3、4的各個任務，按每個感測器算出平均值及最大值作為特徵量。算出特徵量的結果，例如，依任務ID為1、2、3、4的順序分別算出10、20、25、15，作為溫度A感測器的平均值。
靜態特性資訊模型化部120係在步驟S101中，在變數counter代入1，在變數cGError及變數pBestGError代入無限大，在物件M及物件pBestM代入空的值。
接著，靜態特性資訊模型化部120係在步驟S102中選擇特徵量。例如，靜態特性資訊模型化部120係選擇溫度A感測器中的平均值、與風量A感測器的平均值。
接著，靜態特性資訊模型化部120係在步驟S103中選擇靜態特性因子。例如，靜態特性資訊模型化部120係選擇例如部位A幅度與原料X分量。
接著，靜態特性資訊模型化部120係在步驟S104中，將觀測資料及靜態特性資料分割為學習用資料與測試用資料。分割的結果，例如，關於任務ID為1、2、3的任務的觀測資料及靜態特性資料被分割作為學習用資料，關於任務ID為4的任務的觀測資料及靜態特性資料被 分割作為測試用資料。
接著，靜態特性資訊模型化部120係實施多輸出迴歸，且算出靜態特性模型。結果，例如，取得以下之式(4)及式(5)，作為靜態特性模型。
[數4]y part_a =0.15＊x mean(temp_1) +0.01＊x mean(air_a) ．．．(4)
[數5]y material_x =0.02＊x mean(temp_1) +0.7＊x mean(air_a) ．．．(5)
在此，ypart_a，ymaterial_x，Xmean(temp_1)，Xmean(air_a)係分別表示部位A幅度、原料X分量、溫度A感測器中的平均值、風量A感測器的平均值的變數。
接著，靜態特性資訊模型化部120係將關於式(4)及式(5)的變數及參數代入物件M。其中，在該例中，係將變數及參數儲存在物件M，但是亦可例如將包含變數及參數的數式本身儲存在物件M。
接著，靜態特性資訊模型化部120係在步驟S105中，將關於任務ID為4的任務的特徵量代入式(4)及式(5)，使用式(3)，算出泛化誤差。例如，若假設任務ID為4的任務的部位A幅度、原料X分量、溫度A感測器中的平均值、風量A感測器的平均值分別為5.5、8、80、10，若使用該等值、及式(3)、式(4)、式(5)來算出泛化誤差，泛化誤差係被算出為((0.15*80+0.01*10)-5.5)2+((0.02*80+0.7*10)-8)2=43.92。
靜態特性資訊模型化部120係在步驟S106中，比較變數pBestGError與變數cGError的值。變數pBestGError的值為無限大、變數cGError的值為43.92，由於變數pBestGError的值較大，因此處理係移至步驟S107。
靜態特性資訊模型化部120係在步驟S107中，在變數pBestGError代入變數cGError的值亦即43.92，在物件pBestM代入物件M。
接著，靜態特性資訊模型化部120係在步驟S108中，將變數counter的值與臨限值作比較。在該例中，由於變數counter的值為1、臨限值為2，變數counter為臨限值以下，因此處理係移至步驟S109。
靜態特性資訊模型化部120係在步驟S109中，將變數counter增值而形成為2，且執行步驟S102。
靜態特性資訊模型化部120係執行第2次的步驟S102，且之後執行至步驟S106。在此，結果，若假設變數pBestGError為變數cGError以下，靜態特性資訊模型化部120係執行步驟S108及步驟S109，且將變數counter的值形成為3。
接著，靜態特性資訊模型化部120係執行第3次的步驟S102，且之後執行至步驟S106。結果，若假設變數pBestGError為變數cGError以下，靜態特性資訊模型化部120係執行步驟S108。變數counter為3，由於大於臨限值2，因此靜態特性資訊模型化部120係將處理進至步驟S110，將物件pBestM所包含的資訊記錄在靜態特性模型記 憶部24，且結束處理。具體而言，靜態特性資訊模型化部120係記錄式(4)及式(5)所包含的變數名及權重的值。
藉由上述之靜態特性模型生成處理，分析模型可轉移性判定裝置1係可以一定格式表現靜態特性因子與感測器的相關關係，可理解伴隨靜態特性因子的變化的觀測資料的變化。藉此，可理解伴隨製品的規格的不同的製造參數的變化，甚至可利用在判斷根據製造參數所生成的分析模型是否可在製品間再利用。
接著，詳細說明圖10的步驟S12所對應的轉移源資料選擇處理。
圖12係示出一實施形態之轉移源資料選擇處理之一例的流程圖。
首先，轉移源資料選擇部130係在由資料輸入部110受理到關於轉移目的端任務的靜態特性記錄之後，由靜態特性資料記憶部21取得關於轉移源任務的靜態特性記錄群(步驟S200)。
轉移源資料選擇部130係在變數NearestDist代入無限大、在變數TID代入-1(步驟S201)。
接著，轉移源資料選擇部130係由關於轉移源任務的靜態特性記錄群之中選擇1種類靜態特性記錄(步驟S202)。
接著，轉移源資料選擇部130係算出轉移目的端任務的靜態特性記錄、與所選擇出的關於轉移源任務的靜態特性記錄的距離，將所算出的值代入變數Dist(步驟S203)。在此，以在各記錄之間所算出的距離而言，例如，可形成為歐幾里德距離，亦可使用餘弦相似度，亦可使用以其他任何方法所算出的距離。
接著，轉移源資料選擇部130係判定變數NearestDist是否大於變數Dist(步驟S204)。結果，若變數NearestDist大於變數Dist的值(步驟S204：YES)，轉移源資料選擇部130係將處理移至步驟S205，若變數NearestDist不大於變數Dist的值(步驟S204：NO)，係將處理移至步驟S206。
在步驟S205中，轉移源資料選擇部130係在變數NearestDist代入變數Dist的值，在變數TID代入所選擇出的轉移源的靜態特性記錄的TID，且將處理移至步驟S206。
在步驟S206中，轉移源資料選擇部130係判定是否已將轉移源的靜態特性記錄群的全記錄選擇作為處理對象。結果，若已將轉移源的靜態特性記錄群的全記錄選擇作為處理對象(步驟S206：YES)，轉移源資料選擇部130係將處理移至步驟S207，若未將轉移源的靜態特性記錄群的全記錄選擇作為處理對象(步驟S206：NO)，係將處理移至步驟S202。
在步驟S207中，轉移源資料選擇部130係將有關轉移源及轉移目的端的TID的值輸出至資料擴張部140，且之後結束處理。
接著，示出轉移源資料選擇處理的具體例。在具體例中，係設為以用以判定製品不良的任務為對象的模型的生成中的轉移源資料選擇處理，且關於轉移源任務的製品，建構有模型者。對象的任務係任務ID為1、2、3、4、5的5種類，將任務ID為5的任務設為轉移目的端任務，將其他任務設為轉移源任務。靜態特性記錄係設為包含關於部位A幅度、部位B幅度、原料X分量的3種類的靜態特性因子者。
轉移源資料選擇部130係在步驟S200中，由資料輸入部110受理關於任務ID為5的轉移目的端任務的靜態特性記錄，之後，由靜態特性資料記憶部21受理關於任務ID為1、2、3、4的轉移源任務的靜態特性記錄。
接著，轉移源資料選擇部130係在步驟S201中，在變數NearestDist代入無限大、在變數TID代入-1。
接著，轉移源資料選擇部130係在步驟S202中，選擇關於任務ID為1的轉移源任務的靜態特性記錄。
接著，轉移源資料選擇部130係在步驟S203中，求出關於轉移目的端任務與轉移源任務的靜態特性記錄的距離。在此，假設轉移目的端任務的靜態特性記錄係依部位A幅度、部位B幅度、原料X分量的順序為“1.0”、“10”、“10”，轉移源任務的靜態特性記錄係依部位A幅度、部位B幅度、原料X分量的順序為“0.8”、“10”、“15”。此外，關於轉移目的端任務與轉移源任務的靜態特性記錄的距離係設為歐幾里德距離。在該情形下，轉移源資料選擇部130係算出(1.0-0.8)2 +(10-10)2 +(10-15)2 的平方根，轉移目的端任務與轉移源任務的靜態特性記錄的距離係算出為5.00。之後，轉移源資料選擇部130係在變數Dist代入5.00。
接著，轉移源資料選擇部130係在步驟S204中，比較變數NearestDist與變數Dist。該比較的結果，在該例中，變數NearestDist的值較大，因此轉移源資料選擇部130係將處理移至步驟S205。
接著，轉移源資料選擇部130係在步驟S205中，在變數NearestDist代入變數Dist的5.00，在變數TID代入轉移源任務的TID亦即1。
接著，轉移源資料選擇部130係在步驟S206中，判定是否已將轉移源的靜態特性記錄群的全記錄選擇作為處理對象。在該例中，由於尚未選擇出轉移源的靜態特性記錄群之中關於TID為2、3、4的任務的靜態特性記錄，因此轉移源資料選擇部130係將處理移至步驟S202。
之後，轉移源資料選擇部130係反覆3次步驟S202~步驟S206為止的處理，算出關於TID為2、3、4的轉移源任務的靜態特性記錄的各個、與關於轉移目的端任務的靜態特定記錄的距離。
接著，轉移源資料選擇部130係在步驟S206中，確認出已選擇完轉移源的靜態特性記錄群的全記錄之後，將處理移至步驟S207。
轉移源資料選擇部130係在步驟S207中，將關於轉移目的端及轉移源的TID的值輸出至資料擴張部 140。在該例中，轉移源資料選擇部130係輸出轉移目的端任務的TID亦即5、及轉移源任務的TID亦即1。
藉由上述之轉移源資料選擇處理，模型可轉移性判定裝置1係可由複數轉移源任務之中選擇容易轉移至轉移目的端任務的任務，且可刪減使用者選擇轉移源任務的工時。
接著，詳細說明圖10的步驟S13所對應的轉移目的端資料擴張處理。
圖13係示出一實施形態之轉移目的端資料擴張處理之一例的流程圖。
首先，資料擴張部140係由轉移源資料選擇部130受理有關轉移源及轉移目的端的TID的值。之後，資料擴張部140係根據轉移源的TID，取得轉移源的靜態特性記錄，且根據轉移目的端的TID取得轉移目的端的觀測資料。此外，資料擴張部140係由靜態特性模型記憶部24取得關於靜態特性模型的資訊(步驟S300)。
接著，資料擴張部140係使用在步驟S300中所取得的觀測資料，來算出特徵量。此外，資料擴張部140係在變數epoch代入1(步驟S301)。
接著，資料擴張部140係根據在步驟S301中所算出的特徵量(說明變數)，算出關於靜態特性因子的預測值(目的變數)(步驟S302)。
接著，資料擴張部140係根據以下之式(6)及式(7)，更新特徵量(步驟S303)。
Figure 02_image011
Figure 02_image013
在此，在式(6)中，xiter 係第iter次的反覆中的特徵量向量(x1 iter 、x2 iter 、…、xm iter )，m係特徵量的數。此外，H(xiter )係xiter 中的賈可比矩陣(Jacobian matrix)。f(xiter )係在式(7)的x代入xiter 時所得的向量。 此外，在式(7)中，y(x)係關於靜態特性因子的預測值的向量(y1 (x)、y2 (x)、…、yk (x))，yi (x)係關於第i個靜態特性因子的預測值。此外，x係特徵量向量(x1 、x2 、…、xj )，j係特徵量的數。此外，ytr_src 係表示轉移源任務的靜態特性因子的實測值的向量(ytr_src, 1 、ytr_src, 2 、…、ytr_src, m )，m係靜態特性因子的數。
接著，資料擴張部140係判定變數epoch(epoch數)是否為臨限值以下(步驟S304)。結果，若變數epoch為臨限值以下(步驟S304：YES)，資料擴張部140係將變數epoch增值(步驟S305)，且將處理移至步驟S302。另一方面，若變數epoch非為臨限值以下(步驟S304：NO)，資料擴張部140係將處理移至步驟S306。
藉由上述之步驟S302～S305，將根據關於轉移目的端任務的觀測資料的特徵量作為靜態特性模型的說明變數的初期值，以減低關於轉移源任務的靜態特性資料的值與靜態特性模型的輸出值的差的方式，藉由反覆法，算出靜態特性模型的說明變數的解。
在步驟S306中，資料擴張部140係將更新後的特徵量或反映出更新後的特徵量的觀測資料，作為擴張觀測資料而輸出至轉移源模型評估部150。以反映更新後的特徵量的方法而言，例如，若被使用者所供予，且特徵量為溫度感測器的平均值，擴張前的特徵量的值為10、擴張後的特徵量的值為20時，亦可在溫度感測器的觀測資料的值全部加算10。
接著，示出轉移目的端資料擴張處理的具體例。在具體例中，係將變數epoch用的臨限值設為100。資料擴張部140係在步驟S300中，由轉移源資料選擇部130受理轉移源及轉移目的端的TID。在此，以受理1作為轉移源的TID，受理5作為轉移目的端的TID的情形為例。
之後，資料擴張部140係取得TID為1的靜態特性記錄。結果，例如取得部位A幅度、部位B幅度、原料X分量分別為“0.8”、“10”、“15”的靜態特性記錄。
此外，資料擴張部140係取得TID為5的觀測資料。結果，取得圖4所示之觀測資料表格220中關於收集時刻、TID、不良判定等的記錄群。
此外，資料擴張部140係由靜態特性模型記憶部24取得關於靜態特性模型的資訊。結果，取得作為構成靜態特性模型的靜態特性因子的“部位A幅度”與“原料X”、或用以預測“部位A幅度”的特徵量名“x1 ”、“x2 ”及對該等特徵量的權重“0.15”、“0.01”。此外，取得記載有靜態特性模型的特徵量“x1 ”及“x2 ”的算出式的特徵量生成檔案270。
資料擴張部140係在步驟S301中，算出特徵量，且在變數epoch代入1。關於特徵量的算出方法，具體而言，由轉移目的端的觀測資料取得關於與在步驟S300中所取得的特徵量生成檔案270的input276所記載的觀測資料名相一致的觀測資料的記錄，將關於觀測資料名的記錄應用在logic277所記載的數式，算出在轉移源模型中所使用的特徵量。例如，關於feature_name275為“x1 ”的特徵量的算出方法，按照input276所記載的“‘溫度A’、‘風量A’”，由轉移目的端的觀測資料取得關於“溫度A”及“風量A”的記錄，且按照在logic277所記載的邏輯，亦即“Mean(‘溫度A’)+1.5*Mean(‘風量A’)”，算出對關於“溫度A”的觀測資料的平均值，加算將關於“風量A”的觀測資料的平均值形成1.5倍後的值後的值。關於特徵量x2 ，亦以與特徵量x1 同樣的順序算出。
接著，資料擴張部140係在步驟S302中，將在步驟S301中所算出的特徵量代入靜態特性模型，算出靜態特性因子的預測值。結果，關於靜態特性模型所包含的靜態特性因子亦即“部位A幅度”與“原料X”，例如，算出0.15*21.0+0.01*12.54=3.275，作為“部位A幅度”的預測值，例如，算出0.02*21.0+0.7*12.54=9.198，作為“原料X”的預測值。
資料擴張部140係在步驟S303中，根據式(6)及式(7)，更新特徵量。在式(7)中，向量y(x)係(3.275, 9.198)、向量ytr_src 係(0.8, 15.0)，因此向量f(x)係算出為(2.475, -5.802)。此外，關於式(6)的賈可比矩陣H的逆矩陣，算出行列成分ai, j 分別為a1, 1 =-1.272、a1, 2 =0.182、a2, 1 =0.036、a2, 2 =-0.273的2×2行列。使用以上結果計算式(6)後的結果，算出25.204及10.867，作為特徵量x1 及x2 的更新值。
資料擴張部140係在步驟S304中，將變數epoch的值1、與作為臨限值的100作比較，由於變數epoch的值為臨限值以下，因此執行步驟S305。
資料擴張部140係在步驟S305中，在變數epoch增值而形成為2，且執行步驟S302。
資料擴張部140係反覆步驟S302至步驟S305，至變數epoch的值達至作為臨限值的100為止，且若在變數epoch的值為101的狀態下執行步驟S304，處理移至步驟S306。
資料擴張部140係在步驟S306中輸出特徵量。藉此，資料擴張部140係輸出例如特徵量x1 為3.9、特徵量x2 為21.14的特徵量向量(x1 , x2 )。
藉由上述之轉移目的端資料擴張處理，分析模型可轉移性判定裝置1係可將有關轉移目的端任務的觀測資料適當轉換成容易適合於有關轉移源的分析模型的資料。藉此，在轉移源的觀測資料與轉移目的端的觀測資料的特徵不類似的情形下，亦可適用轉移學習。
接著，詳細說明圖10的步驟S14所對應的性能評估處理。
圖14係示出一實施例之性能評估處理之一例的流程圖。
轉移源模型評估部150係由資料擴張部140受理擴張觀測資料，之後，根據有關轉移源任務的TID，由分析模型記憶部23取得轉移源的分析模型(步驟S400)。
轉移源模型評估部150係在式(3)的f、x、及y分別輸入轉移源的分析模型(亦稱為轉移源模型)、擴張觀測資料、及轉移目的端的觀測資料所對應的不良判定結果，藉此算出泛化誤差(步驟S401)。
轉移源模型評估部150係將有關轉移目的端的觀測資料對轉移源模型的泛化誤差，以擴張觀測資料對轉移源模型的泛化誤差進行除算，藉此算出轉移後性能提升率，此外，將有關轉移源的觀測資料對轉移源模型的泛化誤差，以擴張觀測資料對轉移源模型的泛化誤差進行除算，藉此算出可轉移性(步驟S402)。
接著，示出性能評估處理的具體例。
轉移源模型評估部150係在步驟S400中受理擴張觀測資料，此外，取得轉移源模型。結果，受理例如x1 為0.03、x2 為1.54的擴張觀測資料。此外，取得圖5的分析模型表格230中的TID為1的記錄。亦即，取得基本模型名為“k-NN”、模型參數列表為“k:1, metric:‘minkowski’”、對特徵量生成檔案的路徑為“product_x/type_a.json”的記錄。
接著，轉移源模型評估部150係在步驟S401中，將在步驟S400中所取得的關於轉移源模型的記錄、擴張觀測資料、及轉移目的端的觀測資料所對應的不良判定的實測值輸入至式(3)來算出泛化誤差。
具體而言，首先，轉移源模型評估部150係對關於轉移源模型的記錄所包含的基本模型名所記載的統計/機械學習手法，輸入模型參數列表所記載的參數值，之後，輸入所算出的n個擴張觀測資料，藉此取得關於n種類的不良判定的預測結果。例如，轉移源模型評估部150係在基本模型名所記載的k近傍法(k-nearest neighbor；k-NN)中，對該手法的參數亦即k輸入1，此外，選擇“minkowski”作為metric。接著，轉移源模型評估部150係在k近傍法各1種類地輸入n種類的擴張觀測資料，藉此取得意指良品的預測值亦即“0”等n個預測值。之後，轉移源模型評估部150係藉由將預測值與關於擴張觀測資料的判定結果的實測值輸入至式(3)，算出泛化誤差。例如，若3種類的預測值依序為“0”、“1”、“0”，且關於擴張觀測資料的實測值依序為“0”、“0”、“0”時，求出((0-0)2 +(1-0)2 +(0-0)2 )/3=0.33作為泛化誤差。
接著，轉移源模型評估部150係在步驟S402中算出轉移後性能提升率、可轉移性。轉移後性能提升率係例如若在步驟S401中所算出的擴張觀測資料對轉移源模型的泛化誤差為0.33、有關轉移目的端的觀測資料對轉移源模型的泛化誤差為0.322時，算出為0.33/0.322=1.02。可轉移性(評估結果)係例如若有關轉移源的觀測資料對轉移源模型的泛化誤差為0.305時，算出為0.305/0.33*100= 92%。其中，在之後進行的圖10的步驟S15中，例如，若關於可轉移性的臨限值為90%時，可轉移性92%由於為臨限值90%以上，因此判定為臨限值以上，建立可轉移旗標(“OK”)。在步驟S402中所算出的轉移後性能提升率及可轉移性、與在步驟S15中的可轉移旗標(可轉移判定結果)係例如藉由轉移源模型評估部150，而顯示在後述之可轉移性判定結果畫面90(參照圖17)。
藉由上述之性能評估處理，分析模型可轉移性判定裝置1係可容易且適當地判定是否可將轉移源模型轉移至轉移目的端的任務。
接著，說明藉由模型可轉移性判定裝置1所顯示的各種畫面。
圖15係示出資料輸入畫面之一例的圖。
資料輸入畫面70係藉由資料輸入部110而被顯示在使用者I/F50，用以輸入靜態特性資料及觀測資料的畫面。資料輸入畫面70係包含：靜態特性資料輸入欄700、觀測資料輸入欄701、可轉移性判定按鍵702、及對分析模型資訊登錄畫面的遷移按鍵703。
靜態特性資料輸入欄700係用以輸入靜態特性資料的欄。在靜態特性資料輸入欄700中，係受理靜態特性因子與其值之組的輸入。觀測資料輸入欄701係用以指定(輸入)儲存有觀測資料的檔案或目錄的欄。可轉移性判定按鍵702係選擇可進行有關靜態特性資料輸入欄700及觀測資料輸入欄701所記載的資料對任務的轉移的分析模型，用以使算出該分析模型的可轉移性的處理(上述之主處理)起動的按鍵。若可轉移性判定按鍵702被按下，即執行主處理。對分析模型資訊輸入畫面的遷移按鍵703係用以使作畫面遷移至分析模型資訊輸入畫面80(參照圖16)的處理起動的按鍵。若對分析模型資訊輸入畫面的遷移按鍵703被按下，資料輸入部110係顯示分析模型資訊輸入畫面80。
例如，在圖15所示之資料輸入畫面70中，在靜態特性資料輸入欄700，係在關於“部位A幅度”、“部位B幅度”、“原料X比例”、“原料Y比例”的4種類的靜態特性因子的輸入欄，輸入有“0.8”、“10”、“15%”、“3%”等靜態特性因子的值。此外，在觀測資料輸入欄701係輸入有儲存有觀測資料的目錄名亦即“product_x/sensor_data”。
接著，說明分析模型資訊輸入畫面80。
圖16係示出分析模型資訊輸入畫面之一例的圖。
分析模型資訊輸入畫面80係輸入關於分析模型的資訊的畫面。分析模型資訊輸入畫面80係包含：基本模型名輸入欄800、模型參數輸入欄801、特徵量生成檔案輸入欄802、對資料輸入畫面的遷移按鍵803、靜態特性模型生成按鍵804。基本模型名輸入欄800係用以輸入使用在用以生成分析模型的手法的名稱的欄。模型參數輸入欄801係用以輸入有關被輸入至基本模型名輸入欄800的手法名的手法的參數名、及該參數的值的欄。特徵量生成檔案欄802係用以輸入對特徵量生成檔案270的路徑的欄。對資料輸入畫面的遷移按鍵803係用以使畫面遷移至資料輸入畫面70的處理起動的按鍵。若對資料輸入畫面的遷移按鍵803被按下，資料輸入部110係顯示資料輸入畫面70。靜態特性模型生成按鍵804係用以使生成靜態特性模型的處理起動的按鍵。
例如，在圖16所示之分析模型資訊輸入畫面80中，在基本模型名輸入欄800係輸入“k-NN”。此外，在模型參數輸入欄801係輸入參數名為“k”、及表示該參數的值的“1”。在特徵量生成檔案輸入欄802係輸入特徵量生成檔案270的路徑亦即“product_x/type_a.json”。
接著，說明可轉移性判定結果畫面。
圖17係示出可轉移性判定結果畫面之一例的圖。
可轉移性判定結果畫面90係用以輸出有關可轉移性的判定結果的資訊的畫面。可轉移性判定結果顯示畫面90係包含：可轉移性判定結果顯示欄91、及資料擴張結果顯示欄92。可轉移性判定結果顯示欄91係顯示關於可轉移性的判定結果的欄。可轉移性判定結果顯示欄91係包含：轉移源TID顯示欄910、轉移後性能提升率顯示欄911、可轉移性顯示欄912、及可轉移性判定結果顯示欄913。轉移源TID顯示欄910係用以顯示關於轉移源任務的TID的欄。轉移後性能提升率顯示欄911係示出觀測資料擴張前後的性能提升的比例的欄，例如，顯示轉移後性能提升率262。可轉移性顯示欄912係顯示可將轉移源模型轉移至轉移目的端任務的可能性的欄，例如，顯示可轉移性263。可轉移性判定結果顯示欄913係顯示可否將轉移源模型轉移至轉移目的端任務的判定結果的欄，顯示可轉移判定結果264。
資料擴張結果顯示欄92係示出將特徵量擴張至擴張觀測資料的方法的欄。資料擴張結果顯示欄92係包含：擴張對象顯示欄920、擴張幅度顯示欄921、及幅度算出根據顯示欄922。擴張對象顯示欄920係顯示成為擴張的對象的特徵量的名稱的欄。擴張幅度顯示欄921係顯示成為擴張的對象的特徵量的擴張幅度的欄。幅度算出根據顯示欄922係示出算出顯示於擴張幅度顯示欄921的擴張幅度的根據的欄，例如，顯示橫軸表示擴張對象的特徵量(說明函數)、縱軸表示靜態特性因子(目標函數)的靜態特性模型的圖表，在該圖表上，標繪出關於轉移目的端任務的資料(第2觀測資料)、及關於轉移目的端任務的資料(擴張觀測資料：對應圖中移轉源)。其中，縱軸的靜態特性因子的種類亦可由使用者選擇。
例如，在圖17所示之可轉移性判定結果顯示畫面90的可轉移性判定結果顯示欄91，係顯示轉移源TID顯示欄910為“1”、轉移後性能提升率顯示欄911為“1.02”、可轉移性顯示欄912為“92%”、可轉移判定結果顯示欄913為“OK”的記入。此外，在資料擴張結果顯示欄92係顯示包含擴張對象顯示欄920為“風量A平均值”、擴張幅度顯示欄921為“15.2”、在幅度算出根據顯示欄922顯示S字型的函數圖表的記入的複數記入。
藉由該可轉移性判定結果顯示畫面90，藉由參照可轉移性判定結果顯示欄91，使用者係可適當掌握關於轉移源任務的分析模型的轉移後性能提升率、或可轉移性、或可轉移性的判定結果。此外，藉由參照資料擴張結果顯示欄92，使用者係可適當掌握擴張對象的特徵量、擴張幅度、及擴張幅度的算出根據。
其中，本發明並非為限定於上述實施形態者，可在未脫離本發明之要旨的範圍內適當變形來實施。
例如，在上述實施形態中，亦可由使轉移後性能提升率、或可轉移性、或可轉移性的判定結果顯示的轉移源模型之中，由使用者受理使用在轉移目的端任務的轉移源模型的指定，使用所被指定的轉移源模型，進行轉移目的端任務中的不良判定。具體而言，處理器30亦可由使用者，受理使得轉移至預定的轉移目的端任務的轉移源任務的分析模型的指定，重新受理關於轉移目的端任務的觀測資料，由觀測資料生成轉移源任務的分析模型所對應的擴張觀測資料，將擴張觀測資料輸入至轉移源任務的分析模型，進行在轉移目的端任務的不良判定。此時，處理器30對應指定受理部、及不良判定部。若如上所示，可使用所指定的轉移源模型，容易且適當地進行轉移目的端任務中的不良判定。
此外，在上述實施形態中，亦可在硬體電路進行處理器原所進行的處理的一部分或全部。此外，上述實施形態中的程式係可由程式源予以安裝。程式源亦可為程式分配伺服器或記憶媒體(例如可移動型的記憶媒體)。
1:分析模型可轉移性判定裝置 10:記憶體 11:模型可轉移性判定程式 12:資料輸入程式 13:靜態特性資訊模型化程式 14:轉移源資料選擇程式 15:資料擴張程式 16:轉移模型評估程式 20:儲存器 21:靜態特性資料記憶部 22:觀測資料記憶部 23:分析模型記憶部 24:靜態特性模型記憶部 25:擴張資料記憶部 26:模型可轉移性記憶部 30:處理器 40:網路I/F 50:使用者I/F 70:資料輸入畫面 80:分析模型資訊輸入畫面 90:可轉移性判定結果顯示畫面 91:可轉移性判定結果顯示欄 92:資料擴張結果顯示欄 110:資料輸入部 120:靜態特性資訊模型化部 130:轉移源資料選擇部 140:資料擴張部 150:轉移源模型評估部 210:靜態特性資料表格 211:ID 212:靜態特性因子群 213:部位A幅度 214:部位B幅度 215:原料X 220:觀測資料表格 221:收集時刻 222:TID 223:觀測資料群 224:溫度A 225:溫度B 226:風量A 227:不良判定 230:分析模型表格 231:TID 232:基本模型名 233:模型參數列表 234:對特徵量生成檔案的路徑 240:靜態特性模型表格 241:靜態特性因子名 242:特徵量/權重成對 250:擴張資料表格 251:ID 252:轉移源TID 253:轉移目的端TID 254:擴張資料 260:模型可轉移性表格 261:TID 262:轉移後性能提升率 263:可轉移性 264:可轉移判定結果 270:特徵量生成檔案 700:靜態特性資料輸入欄 701:觀測資料輸入欄 702:可轉移性判定按鍵 703:遷移按鍵 800:基本模型名輸入欄 801:模型參數輸入欄 802:特徵量生成檔案輸入欄 803:遷移按鍵 804:靜態特性模型生成按鍵 910:轉移源TID顯示欄 911:轉移後性能提升率顯示欄 912:可轉移性顯示欄 913:可轉移性判定結果顯示欄 920:擴張對象顯示欄 921:擴張幅度顯示欄 922:幅度算出根據顯示欄
[圖1]係示出一實施形態之分析模型可轉移性判定裝置的構成之一例的區塊圖。 [圖2]係一實施形態之分析模型可轉移性判定裝置的概略區塊圖。 [圖3]係示出靜態特性資料表格的構成例的圖。 [圖4]係示出觀測資料表格的構成例的圖。 [圖5]係示出分析模型表格的構成例的圖。 [圖6]係示出靜態特性模型表格的構成例的圖。 [圖7]係示出擴張資料表格的構成例的圖。 [圖8]係示出模型可轉移性表格的構成例的圖。 [圖9]係示出特徵量生成檔案之一例的圖。 [圖10]係示出一實施形態之分析模型可轉移性判定裝置的主處理之一例的流程圖。 [圖11]係示出一實施形態之靜態特性資訊模型化處理之一例的流程圖。 [圖12]係示出一實施形態之轉移源資料選擇處理之一例的流程圖。 [圖13]係示出一實施形態之轉移目的端資料擴張處理之一例的流程圖。 [圖14]係示出一實施例之性能評估處理之一例的流程圖。 [圖15]係示出資料輸入畫面之一例的圖。 [圖16]係示出分析模型資訊輸入畫面之一例的圖。 [圖17]係示出可轉移性判定結果畫面之一例的圖。
21:靜態特性資料記憶部
22:觀測資料記憶部
23:分析模型記憶部
24:靜態特性模型記憶部
25:擴張資料記憶部
26:模型可轉移性記憶部
30:處理器
110:資料輸入部
120:靜態特性資訊模型化部
130:轉移源資料選擇部
140:資料擴張部
150:轉移源模型評估部

Claims (9)

  1. 一種可轉移性判定裝置，其係判定轉移源任務的分析模型對轉移目的端任務的可轉移性的可轉移性判定裝置，其係具備： 資料輸入部，其係受理表示關於前述轉移源任務的對象物及/或事象的靜態特性的第1靜態特性資料、與觀測到對前述轉移源任務的對象物及/或事象帶來作用之物及/或事象的第1觀測資料的輸入； 靜態特性資訊模型化部，其係將前述第1靜態特性資料作為目的變數、且將關於前述第1觀測資料的特徵量作為說明變數，而生成靜態特性模型； 轉移源資料選擇部，其係受理表示關於轉移目的端任務的對象物及/或事象的靜態特性的第2靜態特性資料，根據前述第1靜態特性資料、與前述第2靜態特性資料的距離，由複數第1靜態特性資料之中選擇利用在處理的第1靜態特性資料； 資料擴張部，其係受理觀測到對前述轉移目的端任務的對象物及/或事象帶來作用之物及/或事象的第2觀測資料，根據前述第2觀測資料、所被選擇出的前述第1靜態特性資料、及前述靜態特性模型，算出適於在前述分析模型中的利用的擴張觀測資料；及 轉移源模型評估部，其係算出關於在前述分析模型輸入前述擴張觀測資料所得的預測結果的泛化誤差，根據前述泛化誤差，評估前述分析模型對前述轉移目的端任務的可轉移性。
  2. 如請求項1之可轉移性判定裝置，其中，前述轉移源模型評估部係使前述可轉移性的資訊顯示。
  3. 如請求項1之可轉移性判定裝置，其中，前述靜態特性資訊模型化部係： 將由複數種類的特徵量之中決定所使用的特徵量而生成靜態特性模型，且算出因所生成的前述靜態特性模型所致之靜態特性資料的泛化誤差的處理，改變所使用的特徵量的組合而反覆進行複數次， 將複數前述靜態特性模型之中的前述靜態特性資料的泛化誤差為最小或預定的臨限值以下的靜態特性模型，決定為所使用的靜態特性模型。
  4. 如請求項1之可轉移性判定裝置，其中，前述靜態特性資訊模型化部係： 按在所生成的靜態特性模型所被輸出旳靜態特性資料的每個靜態特性因子，算出泛化誤差，將僅將泛化誤差成為預定的臨限值以下的靜態特性因子作為目的變數的靜態特性模型，決定為所使用的靜態特性模型。
  5. 如請求項1之可轉移性判定裝置，其中，前述資料擴張部係將根據關於轉移目的端任務的第2觀測資料的特徵量作為前述靜態特性模型的說明變數的初期值，以減低關於轉移源任務之所被選擇出的前述第1靜態特性資料的值與前述靜態特性模型的輸出值的差的方式，藉由反覆法，算出前述靜態特性模型的說明變數的解，且將說明變數的解輸出作為擴張觀測資料。
  6. 如請求項1之可轉移性判定裝置，其中，轉移源模型評估部係使表示前述靜態特性模型的目的變數與說明變數的關係的圖表顯示，並且與前述圖表相對應而使前述第2觀測資料、與前述擴張觀測資料顯示。
  7. 如請求項1之可轉移性判定裝置，其中，另外具備：受理轉移至前述轉移目的端任務的轉移源任務的分析模型的指定的指定受理部， 前述資料輸入部係受理重新觀測到對前述轉移目的端任務的對象物及/或事象帶來作用之物及/或事象的第3觀測資料， 前述資料擴張部係根據前述第3觀測資料，算出適於在所被指定出的前述分析模型的利用的擴張觀測資料， 另外具備：對所被指定出的前述分析模型，輸入前述擴張觀測資料，藉此進行前述轉移目的端任務中的不良判定的不良判定部。
  8. 一種可轉移性判定方法，其係藉由判定轉移源任務的分析模型對轉移目的端任務的可轉移性的可轉移性判定裝置所為之可轉移性判定方法，其係： 受理表示關於前述轉移源任務的對象物及/或事象的靜態特性的第1靜態特性資料、與觀測到對前述轉移源任務的對象物及/或事象帶來作用之物及/或事象的第1觀測資料的輸入； 將前述第1靜態特性資料作為目的變數、且將關於前述第1觀測資料的特徵量作為說明變數，而生成靜態特性模型； 受理表示關於轉移目的端任務的對象物及/或事象的靜態特性的第2靜態特性資料，根據前述第1靜態特性資料、與前述第2靜態特性資料的距離，由複數第1靜態特性資料之中選擇利用在處理的第1靜態特性資料； 受理觀測到對前述轉移目的端任務的對象物及/或事象帶來作用之物及/或事象的第2觀測資料，根據前述第2觀測資料、所被選擇出的前述第1靜態特性資料、及前述靜態特性模型，算出適於在前述分析模型中的利用的擴張觀測資料； 算出關於在前述分析模型輸入前述擴張觀測資料所得的預測結果的泛化誤差，根據前述泛化誤差，評估前述分析模型對前述轉移目的端任務的可轉移性。
  9. 一種可轉移性判定程式，其係用以使電腦執行判定轉移源任務的分析模型對轉移目的端任務的可轉移性的處理的可轉移性判定程式， 其係使前述電腦作為以下各部來發揮功能： 資料輸入部，其係受理表示關於前述轉移源任務的對象物及/或事象的靜態特性的第1靜態特性資料、與觀測到對前述轉移源任務的對象物及/或事象帶來作用之物及/或事象的第1觀測資料的輸入； 靜態特性資訊模型化部，其係將前述第1靜態特性資料作為目的變數、且將關於前述第1觀測資料的特徵量作為說明變數，而生成靜態特性模型； 轉移源資料選擇部，其係受理表示關於轉移目的端任務的對象物及/或事象的靜態特性的第2靜態特性資料，根據前述第1靜態特性資料、與前述第2靜態特性資料的距離，由前述第1靜態特性資料之中選擇利用在處理的第1靜態特性資料； 資料擴張部，其係受理觀測到對前述轉移目的端任務的對象物及/或事象帶來作用之物及/或事象的第2觀測資料，根據前述第2觀測資料、所被選擇出的前述第1靜態特性資料、及前述靜態特性模型，算出適於在前述分析模型中的利用的擴張觀測資料；及 轉移源模型評估部，其係算出關於在前述分析模型輸入前述擴張觀測資料所得的預測結果的泛化誤差，根據前述泛化誤差，評估前述分析模型對前述轉移目的端任務的可轉移性。
TW109126639A 2019-11-26 2020-08-06 可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式 TWI787640B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019212832A JP7353940B2 (ja) 2019-11-26 2019-11-26 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム
JP2019-212832 2019-11-26

Publications (2)

Publication Number Publication Date
TW202121221A TW202121221A (zh) 2021-06-01
TWI787640B true TWI787640B (zh) 2022-12-21

Family

ID=75973947

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109126639A TWI787640B (zh) 2019-11-26 2020-08-06 可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式

Country Status (3)

Country Link
US (1) US20210157707A1 (zh)
JP (1) JP7353940B2 (zh)
TW (1) TWI787640B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7056794B1 (ja) * 2021-11-10 2022-04-19 トヨタ自動車株式会社 モデル学習システム及びモデル学習装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080141072A1 (en) * 2006-09-21 2008-06-12 Impact Technologies, Llc Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life
TWI363305B (zh) * 2007-01-19 2012-05-01 Ming-Shyan Huang
JP2016191975A (ja) * 2015-03-30 2016-11-10 株式会社メガチップス 機械学習装置
TWI656413B (zh) * 2016-10-21 2019-04-11 荷蘭商Ａｓｍｌ荷蘭公司 用於控制工業製程的方法與設備
US20190213288A1 (en) * 2018-01-08 2019-07-11 Synopsys, Inc. Automated Root-Cause Analysis, Visualization, and Debugging of Static Verification Results
TW201944298A (zh) * 2018-04-10 2019-11-16 日商日立製作所股份有限公司 加工配方生成裝置

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6532076B1 (en) * 2000-04-04 2003-03-11 Therma-Wave, Inc. Method and apparatus for multidomain data analysis
US9431006B2 (en) * 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
US8380647B2 (en) * 2009-08-14 2013-02-19 Xerox Corporation Training a classifier by dimension-wise embedding of training data
US8856050B2 (en) * 2011-01-13 2014-10-07 International Business Machines Corporation System and method for domain adaption with partial observation
US9177262B2 (en) * 2013-12-02 2015-11-03 Qbase, LLC Method of automated discovery of new topics
US20150317337A1 (en) * 2014-05-05 2015-11-05 General Electric Company Systems and Methods for Identifying and Driving Actionable Insights from Data
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
US9384450B1 (en) * 2015-01-22 2016-07-05 International Business Machines Corporation Training machine learning models for open-domain question answering system
US20160253597A1 (en) * 2015-02-27 2016-09-01 Xerox Corporation Content-aware domain adaptation for cross-domain classification
US9971856B2 (en) * 2015-05-28 2018-05-15 International Business Machines Corporation CFD modeling of a bounded domain with viscous region partitioning
IL247474B (en) * 2015-08-26 2021-09-30 Viavi Solutions Inc Detection by spectroscopy
JP6620882B2 (ja) * 2015-09-16 2019-12-18 日本電気株式会社 ドメイン適応を用いたパターン認識装置、方法およびプログラム
US11137462B2 (en) * 2016-06-10 2021-10-05 Board Of Trustees Of Michigan State University System and method for quantifying cell numbers in magnetic resonance imaging (MRI)
US10489280B2 (en) * 2017-11-21 2019-11-26 International Business Machines Corporation Method and apparatus for test modeling
US11128648B2 (en) * 2018-01-02 2021-09-21 Maryam AMIRMAZLAGHANI Generalized likelihood ratio test (GLRT) based network intrusion detection system in wavelet domain
US11009452B2 (en) * 2018-01-26 2021-05-18 Viavi Solutions Inc. Reduced false positive identification for spectroscopic quantification
US10810408B2 (en) * 2018-01-26 2020-10-20 Viavi Solutions Inc. Reduced false positive identification for spectroscopic classification
US10817805B2 (en) * 2018-05-18 2020-10-27 Google Llc Learning data augmentation policies
US10685172B2 (en) * 2018-05-24 2020-06-16 International Business Machines Corporation Generating a textual description of an image using domain-independent anomaly analysis
US11481664B2 (en) * 2018-09-05 2022-10-25 General Electric Company Methods and systems for generating device-specific machine learning model
US20200134090A1 (en) * 2018-10-26 2020-04-30 Ca, Inc. Content exposure and styling control for visualization rendering and narration using data domain rules
CA3060811A1 (en) * 2018-10-31 2020-04-30 Royal Bank Of Canada System and method for cross-domain transferable neural coherence model
WO2020104072A1 (en) * 2018-11-21 2020-05-28 Telefonaktiebolaget Lm Ericsson (Publ) Method and machine learning manager for handling prediction of service characteristics
US12009060B2 (en) * 2018-12-14 2024-06-11 Merck Sharp & Dohme Llc Identifying biosynthetic gene clusters
US11768932B2 (en) * 2019-06-28 2023-09-26 Baidu Usa Llc Systems and methods for fast training of more robust models against adversarial attacks
US20210019665A1 (en) * 2019-07-18 2021-01-21 International Business Machines Corporation Machine Learning Model Repository Management and Search Engine
US11475128B2 (en) * 2019-08-16 2022-10-18 Mandiant, Inc. System and method for heterogeneous transferred learning for enhanced cybersecurity threat detection
JP6991412B2 (ja) * 2019-10-16 2022-02-03 三菱電機株式会社 検索装置、検索方法、検索プログラム及び学習モデル検索システム
US11443236B2 (en) * 2019-11-22 2022-09-13 International Business Machines Corporation Enhancing fairness in transfer learning for machine learning models with missing protected attributes in source or target domains

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080141072A1 (en) * 2006-09-21 2008-06-12 Impact Technologies, Llc Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life
TWI363305B (zh) * 2007-01-19 2012-05-01 Ming-Shyan Huang
JP2016191975A (ja) * 2015-03-30 2016-11-10 株式会社メガチップス 機械学習装置
TWI656413B (zh) * 2016-10-21 2019-04-11 荷蘭商Ａｓｍｌ荷蘭公司 用於控制工業製程的方法與設備
US20190213288A1 (en) * 2018-01-08 2019-07-11 Synopsys, Inc. Automated Root-Cause Analysis, Visualization, and Debugging of Static Verification Results
TW201944298A (zh) * 2018-04-10 2019-11-16 日商日立製作所股份有限公司 加工配方生成裝置

Also Published As

Publication number Publication date
TW202121221A (zh) 2021-06-01
JP2021086241A (ja) 2021-06-03
JP7353940B2 (ja) 2023-10-02
US20210157707A1 (en) 2021-05-27

Similar Documents

Publication Publication Date Title
Ding et al. Structural damage identification using improved Jaya algorithm based on sparse regularization and Bayesian inference
KR101917006B1 (ko) 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
RU2522037C2 (ru) Идентификация отказов в авиационном двигателе
US7925470B2 (en) Novelty detection
CN108900546A (zh) 基于lstm的时间序列网络异常检测的方法与装置
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
JP7063389B2 (ja) 処理装置、処理方法、およびプログラム
Gitzel Data Quality in Time Series Data: An Experience Report.
US20220358438A1 (en) Material property prediction system and material property prediction method
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
TWI787640B (zh) 可轉移性判定裝置、可轉移性判定方法、及可轉移性判定程式
JP5146084B2 (ja) モデル作成支援システム、モデル作成支援方法、モデル作成支援プログラム
US20200311326A1 (en) Self-service artificial intelligence platform leveraging data-based and physics-based models for providing real-time controls and recommendations
Mata et al. Forest fire evolution prediction using a hybrid intelligent system
Gunawan et al. C4. 5, K-Nearest Neighbor, Naïve Bayes, and Random Forest Algorithms Comparison to Predict Students' on TIME Graduation
WO2020230324A1 (ja) 学習装置、学習方法および学習プログラム
JP2013168020A (ja) プロセスの状態予測方法
WO2022079919A1 (ja) 検知プログラム、検知方法および検知装置
WO2020225959A1 (ja) 設計支援システム、設計支援方法および設計支援プログラム
Georgioudakis et al. Investigation of the performance of various modal correlation criteria in structural damage identification
JP7056747B2 (ja) 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム
Zhang et al. Automated Data-Driven Physics Discovery of Turbine Component Damage
JP6633403B2 (ja) 解析対象決定装置及び解析対象決定方法
Gata et al. The Feasibility of Credit Using C4. 5 Algorithm Based on Particle Swarm Optimization Prediction
Derville et al. Using machine learning technology to accelerate the development of plasma etching processes