特許ウォッチ

公開番号2025051049
公報種別公開特許公報(A)
公開日2025-04-04
出願番号2023159945
出願日2023-09-25
発明の名称学習処理装置及び学習処理プログラム
出願人株式会社不二越
代理人個人,個人
主分類G06N 20/00 20190101AFI20250328BHJP(計算;計数)
要約【課題】学習データ群の分割工程を含む機械学習において、データの分割及び学習を繰り返す試行錯誤を行わずに、学習精度を向上可能な学習処理装置及び学習処理プログラムを提供する。
【解決手段】学習処理装置10は、学習用データ群34を、分割規則に従って、訓練データ群(36)とテストデータ群(38)とに分割するデータ分割部22と、分割された訓練データ群(36)を用いて、本番学習器30と同一の又は異なる演算モデルを有する複数の模擬学習器32に対してそれぞれ学習処理を行う学習処理部24と、機械学習がなされた複数の模擬学習器32に対して、分割されたテストデータ群(38)を用いて精度をそれぞれ求め、得られた複数の精度に基づいて本番学習器30における分割規則を決定する規則決定部26と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
本番学習器に対する機械学習に用いられる学習用データ群を取得するデータ取得部と、
前記データ取得部により取得された前記学習用データ群を、分割規則に従って、訓練データ群とテストデータ群とに分割するデータ分割部と、
前記データ分割部により分割された前記訓練データ群を用いて、前記本番学習器と同一の又は異なる演算モデルを有する複数の模擬学習器に対してそれぞれ学習処理を行う学習処理部と、
前記学習処理部により機械学習がなされた前記複数の模擬学習器に対して、前記データ分割部により分割された前記テストデータ群を用いて精度をそれぞれ求め、得られた前記複数の精度に基づいて前記本番学習器における前記分割規則を決定する規則決定部と、
を備える、学習処理装置。
続きを表示（約 770 文字）【請求項２】
前記分割規則は、シード値に対応する乱数列又は疑似乱数列を参照して前記学習用データ群をランダムにソートする規則を含み、
前記規則決定部は、前記複数の精度の和又は平均値が最大になる前記シード値を決定する、
請求項１に記載の学習処理装置。
【請求項３】
前記複数の模擬学習器は、前記本番学習器と同一の入出力特性を有し、
前記複数の模擬学習器の演算量は、前記本番学習器の演算量よりも少ない、
請求項１に記載の学習処理装置。
【請求項４】
前記複数の模擬学習器は、前記本番学習器と同一の入出力特性を有し、
前記複数の模擬学習器の学習量は、前記本番学習器の学習量よりも少ない、
請求項１に記載の学習処理装置。
【請求項５】
前記複数の模擬学習器は、前記演算モデルの種類又は前記演算モデルを記述するハイパーパラメータの値がそれぞれ異なる、
請求項１に記載の学習処理装置。
【請求項６】
本番学習器に対する機械学習に用いられる学習用データ群を取得する取得ステップと、
取得された前記学習用データ群を、分割規則に従って、訓練データ群とテストデータ群とに分割する分割ステップと、
分割された前記訓練データ群を用いて、前記本番学習器と同一の又は異なる演算モデルを有する複数の模擬学習器に対してそれぞれ学習処理を行う学習ステップと、
機械学習がなされた前記複数の模擬学習器に対して、分割された前記テストデータ群を用いて精度をそれぞれ求め、得られた前記複数の精度に基づいて前記本番学習器における前記分割規則を決定する決定ステップと、
を一つ又は複数のコンピュータに実行させる、学習処理プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、学習器に対して学習処理を施す学習処理装置及び学習処理プログラムに関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
従来から、学習用データの集合体（以下、「学習用データ群」ともいう）を用いて、学習器に対して機械学習を施す技術が知られている。この学習用データ群は、学習の目的毎（例えば、訓練用、テスト用など）に分割して用いられる。
【０００３】
特許文献１には、全体データセットの中から、同じデータを含まないようにランダムに選択しテストデータセットを生成する方法が開示されている。
【０００４】
特許文献２には、哺乳動物細胞培養のためのデータ駆動モデルを生成する際に、モデリングに利用可能な情報が、７０：３０～８０：２０の比で訓練データセットと試験データセットとにランダムに分割する方法が開示されている。
【先行技術文献】
【特許文献】
【０００５】
特開２０２１－０２２３７７号公報
特表２０２２－５４４９２８号
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ところで、特許文献１，２に開示される方法のように、学習用データ群をランダムに分割する場合であってもデータの偏りが生じ、この偏りによって学習精度が変動することがある。この対策として、所望の精度に収まるまでの間、データの分割と学習を繰り返し試行することも考えられるが、その分だけ学習処理に要する時間が増加するという問題がある。
【０００７】
本発明はこのような問題に鑑みてなされたものであり、その目的は、学習データ群の分割工程を含む機械学習において、データの分割及び学習を繰り返す試行錯誤を行わずに、学習精度を向上可能な学習処理装置及び学習処理プログラムを提供することにある。
【課題を解決するための手段】
【０００８】
本発明の第一態様における学習処理装置は、本番学習器に対する機械学習に用いられる学習用データ群を取得するデータ取得部と、前記データ取得部により取得された前記学習用データ群を、分割規則に従って、訓練データ群とテストデータ群とに分割するデータ分割部と、前記データ分割部により分割された前記訓練データ群を用いて、前記本番学習器と同一の又は異なる演算モデルを有する複数の模擬学習器に対してそれぞれ学習処理を行う学習処理部と、前記学習処理部により機械学習がなされた前記複数の模擬学習器に対して、前記データ分割部により分割された前記テストデータ群を用いて精度をそれぞれ求め、得られた前記複数の精度に基づいて前記本番学習器における前記分割規則を決定する規則決定部と、を備える。
【０００９】
本発明の第二態様における学習処理装置では、前記分割規則は、シード値に対応する乱数列又は疑似乱数列を参照して前記学習用データ群をランダムにソートする規則を含み、前記規則決定部は、前記複数の精度の和又は平均値が最大になる前記シード値を決定する。
【００１０】
本発明の第三態様における学習処理装置では、前記複数の模擬学習器は、前記本番学習器と同一の入出力特性を有し、前記複数の模擬学習器の演算量は、前記本番学習器の演算量よりも少ない。
（【００１１】以降は省略されています）

関連特許