特開2017-228086IP Force 特許公報全文掲載

技術分野

機械学習管理プログラム、機械学習管理方法、および機械学習管理装置

要約特許出願時に添付された[要約書]

【課題】キャッシュされたデータの再利用を促進させる。
【解決手段】機械学習管理装置10は、複数の第1モデルそれぞれの予測性能に基づいて、複数の第2訓練データを用いて複数のアルゴリズムでモデル探索することで生成される複数の第2モデルそれぞれを生成するか否かの判別に用いる指標値を、複数の第2モデルそれぞれについて算出する。次に機械学習管理装置10は、第2訓練データを用いて生成された第2モデルのうち指標値が閾値以上となる第2モデルの数を、その第2訓練データをキャッシュする優先度とする。そして、機械学習管理装置10は、第2訓練データを用いたモデル探索が実行されたとき、その第2訓練データの優先度に基づいてキャッシュするか否かを決定し、キャッシュすると決定した場合、その第2訓練データを記憶部12に格納する。
【選択図】図1

発明が解決しようとする課題[発明の詳細な説明]から抜粋

予測性能を高めるためには、対象のデータに対して適切な機械学習のアルゴリズムを選択することも重要である。適切な機械学習のアルゴリズムを選択するために、例えば同じデータに対して機械学習アルゴリズムを変えながら何度もモデルの作成とモデルの評価とが繰り返し実行される。選択された機械学習アルゴリズムによりモデルの生成および評価を行う一連の処理を、以下モデル探索と呼ぶ。 モデル探索を繰り返すとき、過去に実施したモデル探索の過程で生成したデータを繰り返し使用する場合がある。そこでモデル探索時に生成したデータをキャッシュに格納しておくことで、データを再利用することができる。しかし、キャッシュの容量には制限があり、すべてのデータをキャッシュすることはできない。また、LRU(Least Recently Used)のような一般的なキャッシュアルゴリズムでは機械学習におけるモデル探索の手順が考慮されておらず、機械学習時のデータの再利用が不十分である。 1つの側面では、本件は、キャッシュされたデータの再利用を促進させることを目的とする。

課題を解決するための手段[発明の詳細な説明]から抜粋

1つの案では、コンピュータに以下の処理を実行させる機械学習管理プログラムが提供される。機械学習管理プログラムに基づいてコンピュータは、まず、サンプリング率の異なる複数の訓練データのうちの一部の第1訓練データを用いて、複数の機械学習アルゴリズムそれぞれでモデル探索を実行することにより複数の第1モデルを生成する。次にコンピュータは、複数の第1モデルそれぞれの予測性能に基づいて、複数の訓練データの・・・ 続きを知財ポータルサイト IP Force にログインして見る
【発明の効果】
1態様によれば、キャッシュされたデータの再利用を促進させることができる。

この発明についての権利主張の範囲[特許請求の範囲]

知財ポータルサイト IP Force にログインして確認する (無料)

この特許公報に記載されている図面[図面の簡単な説明]から抜粋

【図1】第1の実施の形態に係る機械学習管理装置の構成例を示す図である。

【図2】第2の実施の形態の並列分散処理システムの構成例を示す図である。

【図3】マスタノードのハードウェアの一構成例を示す図である。

【図4】サンプリングサイズと予測性能の関係例を示すグラフである。

【図5】学習時間と予測性能の関係例を示すグラフである。

【図6】複数の機械学習アルゴリズムについて改善速度優先探索を行った場合の実行順序の例を示す図である。

【図7】モデル探索の実行順序の第1の例を示す図である。

【図8】モデル探索の実行順序の第2の例を示す図である。

【図9】LRUポリシーによるキャッシュ状況の推移例を示す図である。

【図10】第2の実施の形態における並列分散処理システムが有する機械学習機能を示すブロック図である。

【図11】機械学習の概略手順を示すフローチャートである。

【図12】学習ステップごとの実行予定回数の第1の例を示す図である。

【図13】学習ステップごとの実行予定回数の第2の例を示す図である。

【図14】学習ステップごとの実行予定回数の第3の例を示す図である。

【図15】学習ステップごとの実行予定回数の第4の例を示す図である。

【図16】機械学習の詳細な手順を示すフローチャートである。

【図17】改善速度優先探索によるモデル探索処理の手順を示すフローチャートである。

【図18】予測性能改善速度の算出手順の一例を示すフローチャートである。

【図19】学習ステップごとの実行予定回数の第5の例を示す図である。

【図20】第2の実施の形態のキャッシュ制御によるキャッシュ状況の推移例を示す第1の図である。

【図21】第2の実施の形態のキャッシュ制御によるキャッシュ状況の推移例を示す第2の図である。

【図22】第2の実施の形態のキャッシュ制御によるキャッシュ状況の推移例を示す第3の図である。

【図23】初期の予測結果の第1の例を示す図である。

【図24】実測値反映後の予測結果の第1の例を示す図である。

【図25】初期の予測結果の第2の例を示す図である。

【図26】実測値反映後の予測結果の第2の例を示す図である。

【図27】実測値反映後の予測結果の第3の例を示す図である。

【図28】初期の予測結果の第3の例を示す図である。

【図29】実測値反映後の予測結果の第4の例を示す図である。

【図30】キャッシュの利用状況の表示画面の例を示す図である。

選択図 図1出願人が指定した本件の代表的な図

10 機械学習管理装置   11 演算部   11a 生成手段   11b 算出手段   11c 優先度判定手段   11d 決定手段   11e 格納手段   12 記憶部

全ての図面はログインすると無料で閲覧できます。ログイン・ユーザー登録

[広告欄]

ログインすれば広告は減ります

ログインすれば広告は減ります