特許ウォッチ

公開番号2025159405
公報種別公開特許公報(A)
公開日2025-10-21
出願番号2024061899
出願日2024-04-08
発明の名称情報処理装置、制御方法、および制御プログラム
出願人コニカミノルタ株式会社
代理人IBC一番町弁理士法人
主分類G06N 20/00 20190101AFI20251014BHJP(計算;計数)
要約【課題】適切な学習用データの効率的な選定ができる情報処理装置を提供する。
【解決手段】データから特徴量をそれぞれ抽出する、互いに異なる複数の抽出部と、複数の前記抽出部によりそれぞれ抽出された複数の特徴量に基づいて、モデルの学習用データとして用いる前記データの選定に用いる前記特徴量を決定する決定部と、を含む情報処理装置。
【選択図】図1
特許請求の範囲【請求項１】
データから特徴量をそれぞれ抽出する、互いに異なる複数の抽出部と、
複数の前記抽出部によりそれぞれ抽出された複数の特徴量に基づいて、モデルの学習用データとして用いる前記データの選定に用いる前記特徴量を決定する決定部と、
を有する情報処理装置。
続きを表示（約 1,300 文字）【請求項２】
前記決定部は、前記抽出部ごとに、抽出される前記特徴量をクラスタリングし、クラスタ数が前記モデルにより実行されるタスクのクラス数に近い前記特徴量を抽出する前記抽出部を選定し、選定された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として決定する、請求項１に記載の情報処理装置。
【請求項３】
前記決定部は、前記抽出部ごとに、抽出される前記特徴量をクラスタリングし、各クラスタのバラツキが小さい前記特徴量を抽出する前記抽出部を選定し、選定された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として決定する、請求項１に記載の情報処理装置。
【請求項４】
前記決定部は、前記抽出部ごとに、抽出される前記特徴量をクラスタリングし、クラスタ間の距離が大きい前記特徴量を抽出する前記抽出部を選定し、選定された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として決定する、請求項１に記載の情報処理装置。
【請求項５】
前記決定部は、ラベルが付された前記データから抽出される前記特徴量のうち、同じ前記ラベルが付された前記データから抽出される前記特徴量が近い前記特徴量を抽出する前記抽出部を選定し、選定された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として決定する、請求項１に記載の情報処理装置。
【請求項６】
前記決定部は、ラベルが付された前記データから抽出される前記特徴量のうち、異なる前記ラベルが付された前記データから抽出される前記特徴量が離れた前記特徴量を抽出する前記抽出部を選定し、選定された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として決定する、請求項１に記載の情報処理装置。
【請求項７】
前記決定部は、１つの前記抽出部を選定する、請求項２～６のいずれか一項に記載の情報処理装置。
【請求項８】
前記決定部は、選定された複数の前記抽出部によりそれぞれ抽出される前記特徴量を加算した各値を、前記データの選定に用いる前記特徴量として決定する、請求項２～６のいずれか一項に記載の情報処理装置。
【請求項９】
前記決定部は、選定された複数の前記抽出部によりそれぞれ抽出される前記特徴量をマージした各値を、前記データの選定に用いる前記特徴量として決定する、請求項２～６のいずれか一項に記載の情報処理装置。
【請求項１０】
前記決定部による前記特徴量の決定の過程を表示する表示部と、
前記抽出部をユーザーにより選択可能に表示するユーザーインターフェースと、をさらに有し、
前記決定部は、前記ユーザーインターフェースにおいて選択された前記抽出部により抽出される前記特徴量を、前記データの選定に用いる前記特徴量として再決定する、請求項１に記載の情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、情報処理装置、制御方法、および制御プログラムに関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
近年、機械学習を用いた様々な技術が開発されている。例えば、機械学習により学習された学習済みモデルを含む分類器は、各種データを複数のクラスに分類できる。学習済みモデルは、データから特徴量を抽出し、抽出した特徴量に基づいてデータを複数のクラスのいずれかに分類する。例えば、製品の製造現場においては、画像データの入力に対して、良品か不良品かを分類する分類器が製品の検査に用いられ得る。
【０００３】
分類器の性能を向上させるためには、一般的に、機械学習に用いる教師データの数が多いほどよい。しかし、大量の教師データに正解ラベルを付与するアノテーションには多大な労力および時間が必要である。
【０００４】
このような問題を解決するために、学習効果が高いと推定される最小限のデータを選び出し、選び出したデータにのみアノテーションを行ってモデルを学習させるアクティブラーニングと呼ばれる技術がある。
【０００５】
下記の特許文献には次の先行技術が開示されている。正解なしデータから特徴ベクトルを算出する。選定候補の正解なしデータから算出された特徴ベクトルと、選定候補以外の正解なしデータから算出された特徴ベクトルと、の類似度を選定候補ごとに算出する。特徴ベクトルは、データから算出した複数の特徴量をベクトル形式で表したものである。算出された、類似度がより高い選定候補の正解なしデータを、学習に有効と推測されるデータとして選定する。
【先行技術文献】
【特許文献】
【０００６】
特開２０２２－１８４２７２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
データから特徴量を抽出できるモデルとして、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ）系、トランスフォーマー系、ＬＬＭ（ＬａｒｇｅＬａｎｇｕａｇｅＭｏｄｅｌｓ）等さまざまなモデルが存在する。そして、これらのモデルにより抽出される特徴量の傾向や粒度は比較的大きく異なり得る。このため、データから抽出される特徴量に基づいて、分類器の学習に用いる学習用データを選定する場合に、特徴量の抽出に用いるモデルによっては、適切な学習用データを選定できない可能性がある。上記先行技術は、このような問題に対応できない。
【０００８】
本発明は、上述の問題を解決するためになされたものである。すなわち、本発明は、適切な学習用データの効率的な選定を可能とする情報処理装置、制御方法、および制御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】
【０００９】
本発明の上記課題は、以下の手段によって解決される。
【００１０】
（１）データから特徴量をそれぞれ抽出する、互いに異なる複数の抽出部と、複数の前記抽出部によりそれぞれ抽出された複数の特徴量に基づいて、モデルの学習用データとして用いる前記データの選定に用いる前記特徴量を決定する決定部と、を有する情報処理装置。
（【００１１】以降は省略されています）

関連特許