特許ウォッチ

公開番号2025176999
公報種別公開特許公報(A)
公開日2025-12-05
出願番号2024083455
出願日2024-05-22
発明の名称学習プログラム、学習方法、および情報処理装置
出願人富士通株式会社
代理人弁理士法人片山特許事務所
主分類G06N 20/00 20190101AFI20251128BHJP(計算;計数)
要約【課題】複雑な確率分布を学習することができる学習プログラム、学習方法、および情報処理装置を提供する。
【解決手段】コンピュータに、目的確率分布よりもピークが少ない確率分布を学習することで確率分布モデルを生成する第1処理と、学習済みの前記確率分布よりも前記目的確率分布に近い確率分布に対して、生成済みの前記確率分布モデルのパラメータを用いて学習することで新たな確率分布モデルを生成する第2処理と、を実行させる。
【選択図】図4

特許請求の範囲【請求項１】
コンピュータに、
目的確率分布よりもピークが少ない確率分布を学習することで確率分布モデルを生成する第１処理と、
学習済みの前記確率分布よりも前記目的確率分布に近い確率分布に対して、生成済みの前記確率分布モデルのパラメータを用いて学習することで新たな確率分布モデルを生成する第２処理と、を実行させることを特徴とする学習プログラム。
続きを表示（約 1,100 文字）【請求項２】
前記目的確率分布を表すＰ（ｘ）に対して、０＜γ≦１、Ｐ（ｘ；γ）≡Ｐγ（ｘ）／Ｚ（γ）、Ｚ（γ）＝∫ｄｘＰ
γ
（ｘ）となる分布を用意し、前記第１処理の際のγの値より、前記第２処理の際のγの値の方を大きくすることを特徴とする請求項１に記載の学習プログラム。
【請求項３】
前記コンピュータに、前記第２処理を２回以上繰り返し実行させることを特徴とする請求項１に記載の学習プログラム。
【請求項４】
前記目的確率分布を表すＰ（ｘ）に対して、０＜γ≦１、Ｐ（ｘ；γ）≡Ｐ
γ
（ｘ）／Ｚ（γ）、Ｚ（γ）＝∫ｄｘＰ
γ
（ｘ）となる分布を用意し、前記第１処理の際のγの値より、前記第２処理の際のγの値の方を大きくし、前記第２処理を繰り返す際にγの値を大きくしていくことを特徴とする請求項３に記載の学習プログラム。
【請求項５】
前記目的確率分布を表すＰ（ｘ）に対して、０＜γ≦１、Ｐ（ｘ；γ）≡Ｐγ（ｘ）Ｓ
１－γ
（ｘ）／Ｚ（γ）、Ｚ（γ）＝∫ｄｘＰ
γ
（ｘ）Ｓ
１－γ
（ｘ）となる分布を用意し、前記第１処理の際のγの値より、前記第２処理の際のγの値の方を大きくすることを特徴とする請求項１に記載の学習プログラム。
【請求項６】
前記コンピュータに、前記第２処理を２回以上繰り返し実行させ、
前記目的確率分布を表すＰ（ｘ）に対して、０＜γ≦１、Ｐ（ｘ；γ）≡Ｐ
γ
（ｘ）／Ｚ（γ）、Ｚ（γ）＝∫ｄｘＰ
γ
（ｘ）Ｓ
１－γ
（ｘ）となる分布を用意し、前記第１処理の際のγの値より、前記第２処理の際のγの値の方を大きくし、前記第２処理を繰り返す際にγの値を大きくしていくことを特徴とする請求項１に記載の学習プログラム。
【請求項７】
コンピュータが、
目的確率分布よりもピークが少ない確率分布を学習することで確率分布モデルを生成する第１処理と、
学習済みの前記確率分布よりも前記目的確率分布に近い確率分布に対して、生成済みの前記確率分布モデルのパラメータを用いて学習することで新たな確率分布モデルを生成する第２処理と、を実行することを特徴とする学習方法。
【請求項８】
目的確率分布よりもピークが少ない確率分布を学習することで確率分布モデルを生成する第１処理を実行し、学習済みの前記確率分布よりも前記目的確率分布に近い確率分布に対して、生成済みの前記確率分布モデルのパラメータを用いて学習することで新たな確率分布モデルを生成する第２処理、を実行する学習部を備えることを特徴とする情報処理装置。

発明の詳細な説明【技術分野】
【０００１】
本件は、学習プログラム、学習方法、および情報処理装置に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
モデルを学習する技術が開示されている（例えば、特許文献１～４参照）。
【先行技術文献】
【特許文献】
【０００３】
特開２０１９－９５６００号公報
特開２０２３－１２９３０９号公報
米国特許公開第２０２２／８３５８３７３号
米国特許公開第２０１９／０３４７５７０号
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、複雑な確率分布を機械学習によってモデリングしようとしても、高い精度でモデルを生成するのは困難である。
【０００５】
１つの側面では、本発明は、複雑な確率分布を学習することができる学習プログラム、学習方法、および情報処理装置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】
１つの態様では、学習プログラムは、コンピュータに、目的確率分布よりも単純な分布を有する確率分布を学習することで確率分布モデルを生成する第１処理と、学習済みの前記確率分布よりも前記目的確率分布に近い確率分布に対して、生成済みの前記確率分布モデルのパラメータを用いて学習することで新たな確率分布モデルを生成する第２処理と、を実行させる。
【発明の効果】
【０００７】
複雑な確率分布を学習することができる。
【図面の簡単な説明】
【０００８】
（ａ）は単純確率分布を例示する図であり、（ｂ）は複雑確率分布を例示する図である。
（ａ）は情報処理装置の全体構成を表す機能ブロック図であり、（ｂ）は情報処理装置のハードウェア構成図である。
情報処理装置の動作の一例を表すフローチャートである。
学習結果を示す図である。
【発明を実施するための形態】
【０００９】
機械学習の分野では、未知の複雑な確率分布を機械学習によりモデリングする技術（生成モデル）が発展している。特に、パラメータθで特徴付けられる生成モデルＱ
θ
（ｘ）が主流として発展している。例えば、生成モデルＱ
θ
（ｘ）として、ＲＢＭ：Restricted Boltzman Machine、ＶＡＥ：Variational Autoencoder、ＧＡＮ：Generative Adversarial Networkなどが挙げられる。
【００１０】
統計学の分野では、確率分布の規格化定数以外の関数形が与えられる状況下で、当該確率分布からサンプリングを行う技術が提案されてきている。例えば、タンパク質、ベイズ統計モデリングにおいて、確率分布からサンプリングを行う技術が提案されてきている。具体的には、下記式（１）のように、規格化定数以外の関数形が与えられているものとする。なお、下記式（１）において、Ｚは規格化定数であるため、Ｚの値の評価が困難となっている。
TIFF
2025176999000002.tif
23
168
（【００１１】以降は省略されています）

関連特許