特許ウォッチ

公開番号2025157840
公報種別公開特許公報(A)
公開日2025-10-16
出願番号2024060119
出願日2024-04-03
発明の名称情報処理プログラム、情報処理方法および情報処理装置
出願人富士通株式会社
代理人弁理士法人扶桑国際特許事務所
主分類G06N 3/0455 20230101AFI20251008BHJP(計算;計数)
要約【課題】特定の確率分布に従うサンプルデータを効率的に抽出する。
【解決手段】コンピュータは、第1の確率分布に従うデータ空間に含まれる第1のサンプルデータを取得する。コンピュータは、データ空間と第2の確率分布に従う潜在空間とを対応付ける機械学習モデルを用いて、潜在空間における第1のサンプルデータに対応する第1の潜在表現を基準にして、潜在空間における第2の潜在表現を選択する。コンピュータは、機械学習モデルを用いて、データ空間に含まれるサンプルデータのうち第2の潜在表現に対応する第2のサンプルデータを出力する。
【選択図】図11
特許請求の範囲【請求項１】
第１の確率分布に従うデータ空間に含まれる第１のサンプルデータを取得し、
前記データ空間と第２の確率分布に従う潜在空間とを対応付ける機械学習モデルを用いて、前記潜在空間における前記第１のサンプルデータに対応する第１の潜在表現を基準にして、前記潜在空間における第２の潜在表現を選択し、
前記機械学習モデルを用いて、前記データ空間に含まれるサンプルデータのうち前記第２の潜在表現に対応する第２のサンプルデータを出力する、
処理をコンピュータに実行させる情報処理プログラム。
続きを表示（約 1,000 文字）【請求項２】
前記機械学習モデルは、変分オートエンコーダであり、
前記選択は、前記変分オートエンコーダに含まれるエンコーダを用いて、前記第１のサンプルデータを前記第１の潜在表現に変換する処理を含み、
前記出力は、前記変分オートエンコーダに含まれるデコーダを用いて、前記第２の潜在表現を前記第２のサンプルデータに変換する処理を含む、
請求項１記載の情報処理プログラム。
【請求項３】
前記選択は、前記第１の潜在表現における前記第２の確率分布の勾配を用いて、前記第１の潜在表現を確率的に遷移させることで、前記第２の潜在表現を選択する処理を含む、
請求項１記載の情報処理プログラム。
【請求項４】
前記出力は、前記第１の潜在表現から前記第２の潜在表現への遷移確率と、前記第１の確率分布が示す前記第１のサンプルデータの抽出確率と、前記第１の確率分布が示す前記第２のサンプルデータの抽出確率とを用いて、前記第２のサンプルデータを採択するか否かを示す採択確率を算出する処理を含む、
請求項１記載の情報処理プログラム。
【請求項５】
第１の確率分布に従うデータ空間に含まれる第１のサンプルデータを取得し、
前記データ空間と第２の確率分布に従う潜在空間とを対応付ける機械学習モデルを用いて、前記潜在空間における前記第１のサンプルデータに対応する第１の潜在表現を基準にして、前記潜在空間における第２の潜在表現を選択し、
前記機械学習モデルを用いて、前記データ空間に含まれるサンプルデータのうち前記第２の潜在表現に対応する第２のサンプルデータを出力する、
処理をコンピュータが実行する情報処理方法。
【請求項６】
第１の確率分布に従うデータ空間と第２の確率分布に従う潜在空間とを対応付ける機械学習モデルを記憶する記憶部と、
前記データ空間に含まれる第１のサンプルデータを取得し、前記機械学習モデルを用いて、前記潜在空間における前記第１のサンプルデータに対応する第１の潜在表現を基準にして、前記潜在空間における第２の潜在表現を選択し、前記機械学習モデルを用いて、前記データ空間に含まれるサンプルデータのうち前記第２の潜在表現に対応する第２のサンプルデータを出力する処理部と、
を有する情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は情報処理プログラム、情報処理方法および情報処理装置に関する。
続きを表示（約 2,200 文字）【背景技術】
【０００２】
コンピュータは、特定の確率分布に従うデータ空間から、複数のサンプルデータをランダムに抽出することがある。各サンプルデータが抽出される確率は、データ空間の確率分布と整合することが好ましい。例えば、物体の挙動や特性を分析する物理シミュレーションでは、方程式を解析的に解くことが難しいことがある。その場合、コンピュータは、物体の状態をサンプリングすることで、方程式の近似解を求めることがある。データ空間からのサンプルデータの抽出や、抽出されたサンプルデータを用いたシミュレーションの１つとして、モンテカルロ法と呼ばれる手法がある。
【０００３】
データ空間の確率分布が複雑である場合、純粋なモンテカルロ法では、その確率分布に従うサンプルデータを直接的に抽出することが難しいことがある。これに対して、マルコフ連鎖モンテカルロ法（ＭＣＭＣ：Markov Chain Monte Carlo）は、抽出されたサンプルデータの集合が特定の確率分布に近づくように、連続的にサンプルデータを抽出する。
【０００４】
マルコフ連鎖モンテカルロ法に関する技術の一つとして、変分オートエンコーダ（ＶＡＥ：Variational Autoencoder）を用いた自己学習モンテカルロ法（ＳＬＭＣ：Self-Learning Monte Carlo）が提案されている。この関連技術は、訓練済みの変分オートエンコーダが示す潜在空間の全体から、正規分布に従ってランダムに特徴量を選択し、変分オートエンコーダに含まれるデコーダを用いて、選択した特徴量をサンプルデータ候補に変換する。関連技術は、前に抽出されたサンプルデータとサンプルデータ候補との関係から、そのサンプルデータ候補を次のサンプルデータとして採択するか否か決定する。
【先行技術文献】
【非特許文献】
【０００５】
Yuma Ichikawa, Akira Nakagawa, Hiromoto Masayuki and Yuhei Umeda, "Toward Unlimited Self-Learning Monte Carlo with Annealing Process Using VAE's Implicit Isometricity", arXiv:2211.14024, November 2022
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかし、潜在空間の全体からランダムに特徴量を選択する方法では、前のサンプルデータとの関係で、採択確率が低いサンプルデータ候補が多く生成されることがある。このため、棄却されるサンプルデータ候補が増加することがあり、十分な量のサンプルデータを抽出するまでの所要時間が長くなるおそれがある。そこで、１つの側面では、本発明は、特定の確率分布に従うサンプルデータを効率的に抽出することを目的とする。
【課題を解決するための手段】
【０００７】
１つの態様では、以下の処理をコンピュータに実行させる情報処理プログラムが提供される。第１の確率分布に従うデータ空間に含まれる第１のサンプルデータを取得する。データ空間と第２の確率分布に従う潜在空間とを対応付ける機械学習モデルを用いて、潜在空間における第１のサンプルデータに対応する第１の潜在表現を基準にして、潜在空間における第２の潜在表現を選択する。機械学習モデルを用いて、データ空間に含まれるサンプルデータのうち第２の潜在表現に対応する第２のサンプルデータを出力する。また、１つの態様では、コンピュータが実行する情報処理方法が提供される。また、１つの態様では、記憶部と処理部とを有する情報処理装置が提供される。
【発明の効果】
【０００８】
１つの側面では、特定の確率分布に従うサンプルデータを効率的に抽出できる。
【図面の簡単な説明】
【０００９】
第１の実施の形態の情報処理装置を説明するための図である。
第２の実施の形態の情報処理装置のハードウェア例を示す図である。
マルコフ連鎖モンテカルロ法の例を示す図である。
局所遷移による次サンプルの提案例を示す図である。
多峰分布からのサンプリング例を示す図である。
変分オートエンコーダの構造例を示す図である。
潜在空間上の局所遷移による次サンプルの提案例を示す図である。
実行結果テーブルの例を示す図である。
独立提案によるサンプリング結果の例を示す図である。
局所遷移によるサンプリング結果の例を示す図である。
情報処理装置の機能例を示すブロック図である。
サンプル生成の手順例を示すフローチャートである。
【発明を実施するための形態】
【００１０】
以下、本実施の形態について図面を参照して説明する。なお、複数の実施の形態が組み合わされて実施されてもよい。なお、本実施の形態においては、データ空間において特定の確率分布に従う複数のサンプルデータ（乱数）を生成する処理を、サンプリングと記載することがある。
（【００１１】以降は省略されています）

関連特許