特許ウォッチ

公開番号2024119663
公報種別公開特許公報(A)
公開日2024-09-03
出願番号2023026727
出願日2023-02-22
発明の名称学習装置、および分類装置
出願人京セラ株式会社,国立研究開発法人理化学研究所
代理人弁理士法人 HARAKENZO WORLD PATENT & TRADEMARK
主分類G06N 20/00 20190101AFI20240827BHJP(計算;計数)
要約【課題】閾値を探索するための計算負荷を低減する。
【解決手段】学習装置(10)は、正データ(51)と未知データ(52)とを含む学習用データ(50)を入力として、学習用データ(50)を正例と負例とに分類するとともにAUCを最大化するように学習された学習済分類モデル(102)を生成する第1学習部(11)を備え、第1学習部(11)は正例および負例に振り分けるベース閾値の絶対値が小さくなるように学習させる。
【選択図】図1
特許請求の範囲【請求項１】
分類対象データを正例または負例に分類する学習済分類モデルを生成する学習装置であって、
前記正例を示す複数の正データと、前記正例であるか、または前記負例であるかが未知の複数の未知データとを含む学習用データを入力として、該学習用データを前記正例と前記負例とに分類するとともにＡＵＣを最大化するように学習された前記学習済分類モデルを生成する第１学習部を備え、
前記第１学習部は、前記正例および前記負例に振り分けるベース閾値の絶対値が小さくなるように学習させる、学習装置。
続きを表示（約 950 文字）【請求項２】
前記第１学習部は、前記ベース閾値の絶対値が小さくなる補正項を有するＡＵＣ損失式に基づいて、学習前分類モデルに学習させる、請求項１に記載の学習装置。
【請求項３】
前記補正項は、
入力される前記学習用データについて、前記学習前分類モデルが正例に分類する割合と前記未知データ中の正クラス事前確率との差が大きくなるほど増加する第１項と、
入力される前記学習用データについて、前記学習前分類モデルが負例に分類する割合と前記未知データ中の負クラス事前確率との差が大きくなるほど増加する第２項と、の和で示される請求項２に記載の学習装置。
【請求項４】
前記補正項は、入力される前記学習用データについて、
前記未知データ中の正クラス事前確率と前記未知データ中の負クラス事前確率との比と、
前記学習前分類モデルが正例に分類する割合と負例に分類する割合との比と、の差で示される、請求項２に記載の学習装置。
【請求項５】
前記補正項は、入力される前記学習用データについて、
前記未知データ中の正クラス事前確率と前記学習前分類モデルが負例に分類する割合との積と、
前記未知データ中の負クラス事前確率と前記学習前分類モデルが正例に分類する割合との積と、との差で示される、請求項２に記載の学習装置。
【請求項６】
前記学習用データを入力として、該学習用データを前記正例と前記負例とに分類するとともに分類結果に基づく誤差を最小化するように学習された前記学習済分類モデルを生成する第２学習部と、
前記学習用データに応じて、前記第１学習部と前記第２学習部との切り替えを行う切替部と、を備える請求項１に記載の学習装置。
【請求項７】
前記切替部は、正例を示す複数の正データと負例を示す複数の負データとを含む精度検証用データと前記学習済分類モデルとを用いて算出された評価指標に基づいて前記切り替えを行う請求項６に記載の学習装置。
【請求項８】
請求項１～７の何れか１項に記載の学習装置によって学習された学習済分類モデルを用いて、前記分類対象データの分類を行う分類装置。

発明の詳細な説明【技術分野】
【０００１】
本開示は、データを分類する分類モデルを学習させる学習装置等に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
近年、機械学習により学習した学習済モデルを用いて、データを分類することが多く行われている。また、機械学習においても様々な学習方法が提案されている。例えば、特許文献１には、ＰＵ（Positive-Unlabeled）分類において、ＡＵＣ（Area Under the Curve）を最適化する機械学習を行う機械学習装置が記載されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０１５－１９６８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
ＰＵ分類を用いたＡＵＣ最適化学習では、計算負荷が増大するという問題があった。
【課題を解決するための手段】
【０００５】
上記の課題を解決するために、本開示の一態様に係る学習装置は、分類対象データを正例または負例に分類する学習済分類モデルを生成する学習装置であって、前記正例を示す複数の正データと、前記正例であるか、または前記負例であるかが未知の複数の未知データとを含む学習用データを入力として、該学習用データを前記正例と前記負例とに分類するとともに、ＡＵＣを最大化するように学習された前記学習済分類モデルを生成する第１学習部を備え、前記第１学習部は、前記正例および負例に振り分けるベース閾値の絶対値が小さくなるように学習させる。
【発明の効果】
【０００６】
本開示の一態様によれば、計算負荷を小さくすることができる。
【図面の簡単な説明】
【０００７】
本開示の実施形態に係る学習装置の要部構成を示す機能ブロック図である。
学習装置が学習に用いる学習用データの例を示す図である。
学習装置における学習理の流れを示すフローチャートである。
分類装置の要部構成を示す機能ブロック図である。
分類システムの構成を示す図である。
前記学習装置の変形例を示す機能ブロック図である。
【発明を実施するための形態】
【０００８】
まず、図１を参照して、本実施形態に係る学習装置１０について説明する。図１は、学習装置１０の要部構成を示す機能ブロック図である。学習装置１０は、データを正と負とに分ける二値分類を行うための分類モデル１００を学習させるものである。具体的には、学習装置１０は、ＰＵ学習（Positive-Unlabeled Learning）と呼ばれる学習方法で、分類モデル１００を学習させる。
【０００９】
ＰＵ学習とは、正例を示す複数の正データと、正例であるか、または負例であるかが未知の複数の未知データとを含む学習用データを入力として学習を行う方法である。
【００１０】
二値分類では、ＰＵ学習の他に、正例を示す複数の正データと負例である複数の負データとを含むデータを学習用データとするＰＮ学習がある。しかし、ＰＮ学習では、ラベルが付与されていないデータを学習用データとすることができない。ＰＵ学習はこのようにＰＮ学習では対応できないデータについても対処できる学習方法である。
（【００１１】以降は省略されています）

関連特許