特許ウォッチ

公開番号2024072687
公報種別公開特許公報(A)
公開日2024-05-28
出願番号2022183670
出願日2022-11-16
発明の名称データ生成プログラム、データ生成方法およびデータ生成装置
出願人富士通株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06N 20/00 20190101AFI20240521BHJP(計算;計数)
要約【課題】訓練データについてオーバーサンプリングを行なう際のオーバーラップを抑制するデータ生成プログラム、データ生成方法およびデータ生成装置を提供する。
【解決手段】データ生成プログラムは、選択する処理と、生成する処理とをコンピュータに実行させる。選択する処理は、複数のデータを属性に基づいて分類した複数のデータ群のうち第1の属性の値が第1の値である第1のデータ群に含まれるデータの第1の分布に基づいて、複数のデータ群のうち第1の属性の値が第2の値である第2のデータ群から第1のデータを選択する。生成する処理は、第1のデータに基づいて、第1の属性の値が第2の値である新たなデータを生成する。
【選択図】図3
特許請求の範囲【請求項１】
複数のデータを属性に基づいて分類した複数のデータ群のうち第１の属性の値が第１の値である第１のデータ群に含まれるデータの第１の分布に基づいて、前記複数のデータ群のうち前記第１の属性の値が第２の値である第２のデータ群から第１のデータを選択し、
前記第１のデータに基づいて、前記第１の属性の値が前記第２の値である新たなデータを生成する、
処理をコンピュータに実行させることを特徴とするデータ生成プログラム。
続きを表示（約 980 文字）【請求項２】
前記第１のデータ群は、第２の属性が第３の値であり、前記第２のデータ群は前記第２の属性が第４の値であり、
前記第１のデータ群のデータ数は、前記第１の属性が前記第１の値で前記第２の属性が前記第４の値であるデータ群より多い、
ことを特徴とする請求項１に記載のデータ生成プログラム。
【請求項３】
前記生成する処理は、前記第１の属性が前記第２の値で前記第２の属性が前記第３の値であり、前記第２のデータ群よりデータ数が多いデータ群に含まれるデータの第２の分布に基づいて前記新たなデータを生成する、
ことを特徴とする請求項２に記載のデータ生成プログラム。
【請求項４】
前記選択する処理は、前記第２のデータ群から前記第１の分布との距離が遠いデータ順に複数の前記第１のデータを選択する、
ことを特徴とする請求項１に記載のデータ生成プログラム。
【請求項５】
前記生成する処理は、前記第２のデータ群のデータ数と、前記複数のデータ群のうち前記第２のデータ群よりもデータ数の多いデータ群のデータ数との差分に基づく数の前記新たなデータを生成する、
ことを特徴とする請求項１に記載のデータ生成プログラム。
【請求項６】
複数のデータを属性に基づいて分類した複数のデータ群のうち第１の属性の値が第１の値である第１のデータ群に含まれるデータの第１の分布に基づいて、前記複数のデータ群のうち前記第１の属性の値が第２の値である第２のデータ群から第１のデータを選択し、
前記第１のデータに基づいて、前記第１の属性の値が前記第２の値である新たなデータを生成する、
処理をコンピュータが実行することを特徴とするデータ生成方法。
【請求項７】
複数のデータを属性に基づいて分類した複数のデータ群のうち第１の属性の値が第１の値である第１のデータ群に含まれるデータの第１の分布に基づいて、前記複数のデータ群のうち前記第１の属性の値が第２の値である第２のデータ群から第１のデータを選択し、
前記第１のデータに基づいて、前記第１の属性の値が前記第２の値である新たなデータを生成する、
処理を実行する制御部を含むことを特徴とするデータ生成装置。

発明の詳細な説明【技術分野】
【０００１】
本発明の実施形態は、データ生成プログラム、データ生成方法およびデータ生成装置に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
近年、大学入試の合否判定、銀行の与信判定などの意思決定プロセスでは、機械学習モデルを用いた判定が活用されている。機械学習モデルは、複数の訓練データのそれぞれに含まれる特徴とクラス（合否や与信の可否など）を用いて機械学習を行なうことで、入力された特徴から適切なクラス分類が可能となる。
【０００３】
複数の訓練データについては、クラスやグループなどの属性について、しばしば偏りがある。例えば、クラスについては、合格に対して不合格のほうが多くなるなど、特定のクラスに偏る場合がある。また、グループについては、男性／女性などのグループにおいて女性に対して男性のほうが多くなるなど、特定のグループに偏る場合がある。
【０００４】
複数の訓練データにおけるこのような偏りは、機械学習モデルの訓練時に数が少ないクラスやグループの学習が進まず、クラス分類の精度が悪化する問題として知られている。この問題に対する従来技術としては、複数の訓練データに対して、数の少ないクラスやグループのデータを新たに生成して補完することで、精度の改善を試みるデータのオーバーサンプリング技術がある。
【先行技術文献】
【特許文献】
【０００５】
国際公開第２０２２／０４４０６４号
国際公開第２０１８／０７９０２０号
米国特許出願公開第２０２１／０１５８０９４号明細書
米国特許出願公開第２０２０／０３８０３０９号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、上記の従来技術では、オーバーサンプリングによって異なるクラス間でデータが重なるオーバーラップが発生するという問題がある。
【０００７】
１つの側面では、訓練データについてオーバーサンプリングを行なう際のオーバーラップを抑制できるデータ生成プログラム、データ生成方法およびデータ生成装置を提供することを目的とする。
【課題を解決するための手段】
【０００８】
１つの案では、データ生成プログラムは、選択する処理と、生成する処理とをコンピュータに実行させる。選択する処理は、複数のデータを属性に基づいて分類した複数のデータ群のうち第１の属性の値が第１の値である第１のデータ群に含まれるデータの第１の分布に基づいて、複数のデータ群のうち第１の属性の値が第２の値である第２のデータ群から第１のデータを選択する。生成する処理は、第１のデータに基づいて、第１の属性の値が第２の値である新たなデータを生成する。
【発明の効果】
【０００９】
訓練データについてオーバーサンプリングを行なう際のオーバーラップを抑制できる。
【図面の簡単な説明】
【００１０】
図１Ａは、実施形態にかかるデータ生成装置におけるデータ生成の概要を説明する説明図である。
図１Ｂは、近傍が同じクラスに属する割合を考慮してデータ生成を行なう場合を説明する説明図である。
図１Ｃは、近傍が同じクラスに属する割合を考慮してデータ生成を行なう場合を説明する説明図である。
図２は、実施形態にかかるデータ生成装置の機能構成例を示すブロック図である。
図３は、実施形態にかかるデータ生成装置の動作例を示すフローチャートである。
図４は、実施形態にかかるデータ生成装置のデータ生成に関連する動作例を示すフローチャートである。
図５は、実施形態にかかるデータ生成装置のデータ生成の一例を説明する説明図である。
図６は、評価メトリクスを説明する説明図である。
図７は、評価結果の一例を説明する説明図である。
図８は、コンピュータ構成の一例を説明する説明図である。
図９は、従来のデータ生成を説明する説明図である。
図１０は、従来のデータ生成による不均衡の是正を説明する説明図である。
図１１は、従来のデータ生成によるオーバーラップの発生を説明する説明図である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許