特許ウォッチ

公開番号2025005414
公報種別公開特許公報(A)
公開日2025-01-16
出願番号2024099526
出願日2024-06-20
発明の名称学習用データ生成方法および学習用データ生成プログラム
出願人東レ株式会社
代理人弁理士法人酒井国際特許事務所
主分類G06N 20/00 20190101AFI20250108BHJP(計算;計数)
要約【課題】確率的に極まれに発生する現象に対する予測精度の低下を抑制した学習済みモデルを作成することができる学習用データ生成方法および学習用データ生成プログラムを提供すること。
【解決手段】学習用データの生成方法は、コンピュータが、イベントの発生を示す第1のラベルを付す第1データ期間を設定するとともに、第1のラベルが付された第1のラベルデータと、イベントの未発生を示す第2のラベルが付された第2のラベルデータとの割合に応じて設定され、第2のラベルを付す第2データ期間を設定し、第1および第2データ期間のデータをそれぞれ抽出する抽出ステップと、抽出したデータに対して第1または第2のラベルを付して学習用データを生成する生成ステップと、を含み、抽出ステップは、候補とする複数の割合ごとに第1および第2データ期間のデータをそれぞれ抽出し、生成ステップは、候補ごとに抽出した第1または第2のラベルをそれぞれ付す。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータが、時系列データに対して、レアイベントを含むイベントの発生の有無を判定するため学習済みモデルの作成に用いる学習用データを生成する学習用データ生成方法であって、
前記イベントの発生を示す第１のラベルを付す第１データ期間を設定するとともに、前記第１のラベルが付された第１のラベルデータと、前記イベントの未発生を示す第２のラベルが付された第２のラベルデータとの割合に応じて設定され、前記第２のラベルを付す第２データ期間を設定し、前記第１および第２データ期間のデータをそれぞれ抽出する抽出ステップと、
前記抽出ステップで抽出した前記データに対して前記第１または第２のラベルを付して学習用データを生成する生成ステップと、
を含み、
前記抽出ステップは、候補とする複数の前記割合ごとに前記第１および第２データ期間のデータをそれぞれ抽出し、
前記生成ステップは、候補とする複数の前記割合ごとに抽出した前記第１および第２データ期間のデータに前記第１または第２のラベルをそれぞれ付す、
学習用データ生成方法。
続きを表示（約 1,000 文字）【請求項２】
前記第１データ期間について、長さが互いに異なる複数の期間候補を有し、
前記抽出ステップは、各期間候補について、前記第１および第２データ期間のデータをそれぞれ抽出する、
請求項１に記載の学習用データ生成方法。
【請求項３】
前記第２データ期間について、データの取得態様が互いに異なる複数の取得候補を有し、
前記抽出ステップは、各取得候補について、前記第１および第２データ期間のデータをそれぞれ抽出する、
請求項１または２に記載の学習用データ生成方法。
【請求項４】
前記時系列データ、前記抽出ステップによって抽出されたデータ、前記第１または第２のラベルが付与されたデータのいずれかに対し、平滑化処理を施す平滑化ステップ、
をさらに含む請求項１に記載の学習用データ生成方法。
【請求項５】
前記学習用データは、前記第１または第２のラベルが付されたデータを用い、第１および第２のラベルを目的変数、各パラメータの時系列データを説明変数とした教師あり学習を行うためのデータであり、
前記候補ごとに、学習済みモデルの判別精度と、前記説明変数の判別に対する寄与とを定量化する定量化ステップ、
をさらに含む請求項１に記載の学習用データ生成方法。
【請求項６】
コンピュータに、時系列データに対して、レアイベントを含むイベントの発生の有無を判定するため学習済みモデルの作成に用いる学習用データを生成する学習用データ生成プログラムであって、
前記イベントの発生を示す第１のラベルを付す第１データ期間を設定するとともに、前記第１のラベルが付された第１のラベルデータと、前記イベントの未発生を示す第２のラベルが付された第２のラベルデータとの割合に応じて設定され、前記第２のラベルを付す第２データ期間を設定し、前記第１および第２データ期間のデータをそれぞれ抽出する抽出ステップと、
前記抽出ステップで抽出した前記データに対して前記第１または第２のラベルを付して学習用データを生成する生成ステップと、
を前記コンピュータに実行させ、
前記抽出ステップは、候補とする複数の前記割合ごとに前記第１および第２データ期間のデータをそれぞれ抽出し、
前記生成ステップは、候補とする複数の前記割合ごとに抽出した前記第１および第２データ期間のデータに前記第１または第２のラベルをそれぞれ付す、
学習用データ生成プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、学習用データ生成方法および学習用データ生成プログラムに関するものである。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
近年、生産データや品質データ等の製造に係る時系列データ、または、心電情報等の生体情報に係る時系列データの解析を効率化させるための技術として、多岐にわたるデータのパターンから、そのパターンの特徴に基づいて、状態・評価を分類する技術が知られている（例えば、特許文献１を参照）。特許文献１では、データラベルが付された時系列データを学習して分類モデルが生成される。
【先行技術文献】
【特許文献】
【０００３】
特開２０２０－１４０４９９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
ところで、時系列データの正常／異常の判定を行う際、異常として判定されるケースとしては、パラメータの数値異常のみならず、この数値異常と比しても確率的に極まれに発生する現象を含む。例えば、紡糸工程の糸切れや、成膜工程の膜破れ等が、この現象に相当するレアイベントである。このレアイベントの要因解析のためにデータに正常/異常のラベリングをする場合、このレアイベントである異常データが、正常データに対し極端に少なくなる。このような偏りの大きいデータを用いて要因解析を実施すると、異常に対する予測精度が低下するおそれがあった。
【０００５】
本発明は、上記に鑑みてなされたものであって、確率的に極まれに発生する現象に対する予測精度の低下を抑制した学習済みモデルを作成することができる学習用データ生成方法および学習用データ生成プログラム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】
【０００６】
上述した課題を解決し、目的を達成するために、本発明に係る学習用データ生成方法は、コンピュータが、時系列データに対して、レアイベントを含むイベントの発生の有無を判定するため学習済みモデルの作成に用いる学習用データを生成する学習用データ生成方法であって、前記イベントの発生を示す第１のラベルを付す第１データ期間を設定するとともに、前記第１のラベルが付された第１のラベルデータと、前記イベントの未発生を示す第２のラベルが付された第２のラベルデータとの割合に応じて設定され、前記第２のラベルを付す第２データ期間を設定し、前記第１および第２データ期間のデータをそれぞれ抽出する抽出ステップと、前記抽出ステップで抽出した前記データに対して前記第１または第２のラベルを付して学習用データを生成する生成ステップと、を含み、前記抽出ステップは、候補とする複数の前記割合ごとに前記第１および第２データ期間のデータをそれぞれ抽出し、前記生成ステップは、候補とする複数の前記割合ごとに抽出した前記第１および第２データ期間のデータに前記第１または第２のラベルをそれぞれ付す。
【０００７】
本発明に係る学習用データ生成方法は、上記発明において、前記第１データ期間について、長さが互いに異なる複数の期間候補を有し、前記抽出ステップは、各期間候補について、前記第１および第２データ期間のデータをそれぞれ抽出する。
【０００８】
本発明に係る学習用データ生成方法は、上記発明において、前記第２データ期間について、データの取得態様が互いに異なる複数の取得候補を有し、前記抽出ステップは、各取得候補について、前記第１および第２データ期間のデータをそれぞれ抽出する。
【０００９】
本発明に係る学習用データ生成方法は、上記発明において、前記時系列データ、前記抽出ステップによって抽出されたデータ、前記第１または第２のラベルが付与されたデータのいずれかに対し、平滑化処理を施す平滑化ステップ、をさらに含む。
【００１０】
本発明に係る学習用データ生成方法は、上記発明において、前記学習用データは、前記第１または第２のラベルが付されたデータを用い、正常／異常のラベルを目的変数、各パラメータの時系列データを説明変数とした教師あり学習を行うためのデータであり、前記候補ごとに、学習済みモデルの判別精度と、前記説明変数の判別に対する寄与とを定量化する定量化ステップ、をさらに含む。
（【００１１】以降は省略されています）

関連特許