特許ウォッチ

公開番号2024057734
公報種別公開特許公報(A)
公開日2024-04-25
出願番号2022164589
出願日2022-10-13
発明の名称情報処理プログラム,訓練プログラム,情報処理方法,訓練方法および情報処理装置
出願人富士通株式会社
代理人弁理士法人真田特許事務所,個人
主分類G06N 20/00 20190101AFI20240418BHJP(計算;計数)
要約【課題】AI(Artificial Intelligence)モデルの精度向上に寄与する訓練データを効率的に作成することができるようにする。
【解決手段】入力データに応じた予測結果の出力を行なう第1のAIモデルに対する入力データと、この入力データに対する第1のAIモデルの予測結果と正解との差を示す第1の損失値とを対応付けた訓練データを用いた機械学習により訓練された、第2のAIモデルに複数のデータを入力することで、複数のデータそれぞれについての第1の損失値の予測値を取得し、取得した第1の損失値の予測値に基づいて、複数のデータの中から、第1のAIモデルの前記訓練データに用いるデータを選択する。
【選択図】図5
特許請求の範囲【請求項１】
入力データに応じた予測結果の出力を行なう第１のＡＩ（Artificial Intelligence）モデルに対する入力データと、当該入力データに対する前記第１のＡＩモデルの予測結果と正解との差を示す第１の損失値とを対応付けた訓練データを用いた機械学習により訓練された、第２のＡＩモデルに複数のデータを入力することで、前記複数のデータそれぞれについての前記第１の損失値の予測値を取得し、
取得した前記第１の損失値の予測値に基づいて、前記複数のデータの中から、前記第１のＡＩモデルの前記訓練データに用いるデータを選択する
処理をコンピュータに実行させることを特徴とする情報処理プログラム。
続きを表示（約 1,100 文字）【請求項２】
前記訓練データに用いるデータを選択する処理は、前記複数のデータの中から、前記第１の損失値の予測値が高いデータを優先して選択する
処理を含むことを特徴とする請求項１に記載の情報処理プログラム。
【請求項３】
入力データに対する第１のＡＩモデルの予測結果と正解との差を示す第１の損失値を取得し、
前記入力データと前記第１の損失値とを対応付けた訓練データを用いて、入力データに対する第１の損失値を予測する第２のＡＩモデルの訓練を行なう、
処理をコンピュータに実行させることを特徴とする訓練プログラム。
【請求項４】
入力データに応じた予測結果の出力を行なう第１のＡＩモデルに対する入力データと、当該入力データに対する前記第１のＡＩモデルの予測結果と正解との差を示す第１の損失値とを対応付けた訓練データを用いた機械学習により訓練された、第２のＡＩモデルに複数のデータを入力することで、前記複数のデータそれぞれについての前記第１の損失値の予測値を取得し、
取得した前記第１の損失値の予測値に基づいて、前記複数のデータの中から、前記第１のＡＩモデルの前記訓練データに用いるデータを選択する
処理をコンピュータが実行することを特徴とする情報処理方法。
【請求項５】
入力データに対する第１のＡＩモデルの予測結果と正解との差を示す第１の損失値を取得し、
前記入力データと前記第１の損失値とを対応付けた訓練データを用いて、入力データに対する第１の損失値を予測する第２のＡＩモデルの訓練を行なう、
処理をコンピュータが実行することを特徴とする訓練方法。
【請求項６】
入力データに応じた予測結果の出力を行なう第１のＡＩモデルに対する入力データと、当該入力データに対する前記第１のＡＩモデルの予測結果と正解との差を示す第１の損失値とを対応付けた訓練データを用いた機械学習により訓練された、第２のＡＩモデルに複数のデータを入力することで、前記複数のデータそれぞれについての前記第１の損失値の予測値を取得し、
取得した前記第１の損失値の予測値に基づいて、前記複数のデータの中から、前記第１のＡＩモデルの前記訓練データに用いるデータを選択する
処理を実行する制御部を含むことを特徴とする情報処理装置。
【請求項７】
入力データに対する第１のＡＩモデルの予測結果と正解との差を示す第１の損失値を取得し、
前記入力データと前記第１の損失値とを対応付けた訓練データを用いて、入力データに対する第１の損失値を予測する第２のＡＩモデルの訓練を行なう、
処理を実行する制御部を含むことを特徴とする情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、情報処理プログラム，訓練プログラム，情報処理方法，訓練方法および情報処理装置に関する。
続きを表示（約 1,100 文字）【背景技術】
【０００２】
従来のＡＩ（Artificial Intelligence）モデルの作成（訓練）フローでは、十分な量の全体データから、ＡＩモデルの作成に使用するデータをいくつか抽出する。全体データからＡＩモデルの作成に使用するデータを抽出する作業をサンプリングといってよい。また、サンプリングにより抽出されたデータをサンプリングデータといってよい。
【０００３】
従来のＡＩモデル作成方法においては、全体データからサンプリングデータを手作業あるいはランダムに抽出している。
【０００４】
抽出したサンプリングデータに対してＡＩモデルが学習する正解データが付与され、訓練データが生成される。サンプリングデータと正解データとの組み合わせをデータセットといってよい。また、サンプリングデータに対して正解データを付与することをアノテーションといってよい。
【０００５】
生成されたデータセットを用いてＡＩモデルの機械学習および評価が実施される。ＡＩモデルの作成では、上述したサンプリング，アノテーションおよび機械学習・評価の一連の処理が、データセットを拡充していきながら繰り返し実施される。また、ＡＩモデル生成におけるゴールは、十分な認識精度・処理性能を有するＡＩモデルの生成である。
【０００６】
また、従来においては、例えば、全学習データセットからサンプリングされた部分データセットのメタ特徴量を用いて、全学習データセットを用いて生成した機械学習の予測モデルの精度情報を予測することで、効率的に予測モデルの予測精度を向上させる方法が知られている。
【先行技術文献】
【特許文献】
【０００７】
国際公開第２０２１／０４９３６５号
国際公開第２０２１／２４１１７３号
【発明の概要】
【発明が解決しようとする課題】
【０００８】
上述の如く、従来のＡＩモデル作成方法においては、全体データの中からサンプリングデータを手作業あるいはランダムに抽出している。
【０００９】
しかしながら、サンプリングを手作業で行なう場合には、手作業に由来する客観性の欠如のおそれがあり、また、サンプリングを実施するための作業負荷が大きい。
【００１０】
また、サンプリングをランダムに行なう場合には、ＡＩモデルの認識精度に寄与しやすいデータを選ぶことができない。そのため、無駄なアノテーション作業が発生し、アノテーション作業あたりの認識精度向上効率が低くなる。
（【００１１】以降は省略されています）

関連特許