特許ウォッチ

公開番号2025067590
公報種別公開特許公報(A)
公開日2025-04-24
出願番号2023177690
出願日2023-10-13
発明の名称タスク制御プログラム、情報処理装置及びタスク制御方法
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 20190101AFI20250417BHJP(計算;計数)
要約【課題】AutoMLの汎化性能を評価する時間を短縮する。
【解決手段】複数のタスク101のそれぞれに対してAutomated Machine Learning(AutoML)処理102を実行して、複数のタスク101のそれぞれに対しての複数のパイプライン103を取得し、複数のパイプライン103のうち評価値に基づいて選択された一以上のパイプラインの類似性と、一以上のパイプラインのそれぞれの評価値の類似性とに基づいて、複数のタスクを複数のグループに分類し、複数のタスク101のそれぞれのAutoML処理102の実行時間に基づいて、複数のグループのそれぞれから一つのタスクを選択することによってタスク群を生成する。
【選択図】図2
特許請求の範囲【請求項１】
複数のタスクのそれぞれに対してAutomated Machine Learning（AutoML）処理を実行して、前記複数のタスクのそれぞれに対しての複数のパイプラインを取得し、
前記複数のパイプラインのうち評価値に基づいて選択された一以上のパイプラインの類似性と、前記一以上のパイプラインのそれぞれの評価値の類似性とに基づいて、前記複数のタスクを複数のグループに分類し、
前記複数のタスクのそれぞれの前記AutoML処理の実行時間に基づいて、前記複数のグループのそれぞれから一つのタスクを選択することによってタスク群を生成する、
処理をコンピュータに実行させる、タスク制御プログラム。
続きを表示（約 960 文字）【請求項２】
前記一つのタスクは、前記複数のグループのうち前記一つのタスクが属するグループにおいて、実行時間の合計値が最小のタスクである、
請求項１に記載のタスク制御プログラム。
【請求項３】
前記一以上のパイプラインにおける前記評価値の偏りに基づき、前記複数のグループを複数の第１のサブグループに更に分類する、
処理を前記コンピュータに実行させる、請求項１又は２に記載のタスク制御プログラム。
【請求項４】
機械学習モデルのハイパーパラメータの類似度に基づき、前記複数の第１のサブグループを複数の第２のサブグループに更に分類する、
処理を前記コンピュータに実行させる、請求項３に記載のタスク制御プログラム。
【請求項５】
複数のタスクのそれぞれに対してAutomated Machine Learning（AutoML）処理を実行して、前記複数のタスクのそれぞれに対しての複数のパイプラインを取得し、
前記複数のパイプラインのうち評価値に基づいて選択された一以上のパイプラインの類似性と、前記一以上のパイプラインのそれぞれの評価値の類似性とに基づいて、前記複数のタスクを複数のグループに分類し、
前記複数のタスクのそれぞれの前記AutoML処理の実行時間に基づいて、前記複数のグループのそれぞれから一つのタスクを選択することによってタスク群を生成する、
プロセッサを備える、情報処理装置。
【請求項６】
複数のタスクのそれぞれに対してAutomated Machine Learning（AutoML）処理を実行して、前記複数のタスクのそれぞれに対しての複数のパイプラインを取得し、
前記複数のパイプラインのうち評価値に基づいて選択された一以上のパイプラインの類似性と、前記一以上のパイプラインのそれぞれの評価値の類似性とに基づいて、前記複数のタスクを複数のグループに分類し、
前記複数のタスクのそれぞれの前記AutoML処理の実行時間に基づいて、前記複数のグループのそれぞれから一つのタスクを選択することによってタスク群を生成する、
処理をコンピュータが実行する、タスク制御方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、タスク制御プログラム、情報処理装置及びタスク制御方法に関する。
続きを表示（約 1,700 文字）【背景技術】
【０００２】
データ利活用の機運が高まっているのに対して、データサイエンティストが不足している。その中で、非エンジニアや初心者のデータサイエンティストでも扱えるAutomated Machine Learning（AutoML）が注目されている。
【０００３】
入力したデータやタスクに対して、適切な機械学習パイプラインを出力するのがAutoMLである。ここで、タスクとは、「データのどのカラムを推測したいターゲットとするか」や「推測方法は分類か回帰か」などのユーザが設定する項目のことである。AutoMLは様々なドメインで利用されることが想定され、その汎化性能を評価するためには様々なデータやタスクに対して適切なパイプラインを出力できることを示す必要がある。その際に利用されるのが、ベンチマークデータ・タスクセットである。
【０００４】
AutoML自体が日々進化しているため、ベンチマークデータ・タスクセットの実行頻度は高い。
【先行技術文献】
【特許文献】
【０００５】
国際公開第２０１４／１１８９３８号
特開２００８－１０７８９６号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしなから、ベンチマークデータ・タスクセットは量が多いため、実行にコスト（例えば、時間や計算資源）がかかってしまう。
【０００７】
１つの側面では、AutoMLの汎化性能を評価する時間を短縮することを目的とする。
【課題を解決するための手段】
【０００８】
１つの側面では、タスク制御プログラムは、複数のタスクのそれぞれに対してAutomated Machine Learning（AutoML）処理を実行して、前記複数のタスクのそれぞれに対しての複数のパイプラインを取得し、前記複数のパイプラインのうち評価値に基づいて選択された一以上のパイプラインの類似性と、前記一以上のパイプラインのそれぞれの評価値の類似性とに基づいて、前記複数のタスクを複数のグループに分類し、前記複数のタスクのそれぞれの前記AutoML処理の実行時間に基づいて、前記複数のグループのそれぞれから一つのタスクを選択することによってタスク群を生成する、処理をコンピュータに実行させる。
【発明の効果】
【０００９】
１つの側面では、AutoMLの汎化性能を評価する時間を短縮することができる。
【図面の簡単な説明】
【００１０】
実施形態における情報処理装置のハードウェア構成例を模式的に示すブロック図である。
図１に示した情報処理装置のソフトウェア構成例を模式的に示すブロック図である。
図２に示したパイプライン類似度判定部の構成例を模式的に示すブロック図である。
図２に示したベンチマーク選定部の構成例を模式的に示すブロック図である。
実施形態におけるタスク制御処理を説明する図である。
実施形態におけるパイプライン類似度の判定処理を説明するフローチャートである。
実施形態におけるベンチマークの選定処理を説明するフローチャートである。
変形例におけるパイプライン類似度判定部の構成例を模式的に示すブロック図である。
変形例における全ベンチマークタスクの実行結果例を示すテーブルである。
変形例におけるパイプライン類似度の判定処理を説明する図である。
変形例におけるパイプラインの評価値の偏りからのサブグループの作成処理を説明する図である。
変形例における機械学習モデルのハイパーパラメータの最適値の類似度によるサブグループの作成処理を説明する図である。
変形例におけるパイプライン類似度の判定処理を説明するフローチャートである。
【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