特開 2022-83595 学習装置、予測モデルの生成方法、特性予測装置、特性予測方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022083595

(43)【公開日】2022-06-06

(54)【発明の名称】学習装置、予測モデルの生成方法、特性予測装置、特性予測方法、及びプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20220530BHJP

   G16Z 99/00 20190101ALI20220530BHJP

   G05B 19/418 20060101ALI20220530BHJP

【ＦＩ】

G06N20/00

G16Z99/00

G05B19/418 Z

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2020195008

(22)【出願日】2020-11-25

(71)【出願人】

【識別番号】000001199

【氏名又は名称】株式会社神戸製鋼所

(74)【代理人】

【識別番号】100125645

【弁理士】

【氏名又は名称】是枝 洋介

(74)【代理人】

【識別番号】100145609

【弁理士】

【氏名又は名称】楠屋 宏行

(74)【代理人】

【識別番号】100149490

【弁理士】

【氏名又は名称】羽柴 拓司

(72)【発明者】

【氏名】四方田 真美

(72)【発明者】

【氏名】和田 尭

(72)【発明者】

【氏名】日野 英逸

【テーマコード（参考）】

3C100

5L049

【Ｆターム（参考）】

3C100AA57

3C100AA58

3C100AA70

3C100BB13

3C100BB15

3C100BB27

3C100BB33

5L049DD01

(57)【要約】

【課題】評価基準が異なる場合であっても十分な訓練データ確保して予測モデルを生成することが容易な学習装置を提供する。
【解決手段】学習装置は、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、第１製品及び第２製品の特性をランク付けした特性ランクの差を取得する取得部と、特徴量の差を説明変数、特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき対象製品及び基準製品の特性の優劣を予測するための予測モデルを生成する学習部とを備える。
【選択図】図４

【特許請求の範囲】

【請求項1】

特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得する取得部と、
前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成する学習部と、
を備える、学習装置。

【請求項2】

前記第１製品及び前記第１製品の特性ランクの差は、前記第１製品の特性が前記第１製品の特性よりも優れている場合、前記第１製品の特性が前記第１製品の特性と同程度である場合、及び前記第１製品の特性が前記第１製品の特性よりも劣っている場合の３つにラベル分けされ、
前記学習部は、順序回帰により、前記対象製品の特性が前記基準製品の特性よりも優れている場合、前記対象製品の特性が前記基準製品の特性と同程度である場合、及び前記対象製品の特性が前記基準製品の特性よりも劣っている場合の３つのラベルを予測するように、前記予測モデルを生成する、
請求項１に記載の学習装置。

【請求項3】

前記学習部は、回帰係数及び前記３つのラベル間の閾値を前記予測モデルのパラメータとして算出する、
請求項２に記載の学習装置。

【請求項4】

前記複数のグループのうちの同じグループに属する複数の製品から前記第１製品及び前記第２製品を選択する選択部をさらに備える、
請求項１ないし３の何れかに記載の学習装置。

【請求項5】

前記選択部は、前記複数のグループのそれぞれにおいて前記第１製品及び前記第２製品の組を生成する、
請求項４に記載の学習装置。

【請求項6】

前記選択部は、前記複数の製品から組み合わせを変えて前記第１製品及び前記第２製品の組を複数生成する、
請求項４または５に記載の学習装置。

【請求項7】

前記選択部は、前記複数の製品から組み合わせを変えて複数生成された前記第１製品及び前記第２製品の組から、特性ランクの差が０である組の一部または全部を除外する、
請求項４ないし６の何れかに記載の学習装置。

【請求項8】

前記第１製品及び前記第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性ランクの差を算出する算出部をさらに備える、
請求項１ないし７の何れかに記載の学習装置。

【請求項9】

特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得し、
前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成する、
予測モデルの生成方法。

【請求項10】

特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得すること、及び、
前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成すること、
をコンピュータに実行させるプログラム。

【請求項11】

対象製品及び基準製品の特徴量の差を取得する取得部と、
特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測する予測部と、
を備える、特性予測装置。

【請求項12】

前記予測部は、順序回帰により、前記対象製品の特性が前記基準製品の特性よりも優れている場合、前記対象製品の特性が前記基準製品の特性と同程度である場合、及び前記対象製品の特性が前記基準製品の特性よりも劣っている場合の３つのラベルを予測する、
請求項１１に記載の特性予測装置。

【請求項13】

対象製品及び基準製品の特徴量の差を取得し、
特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測する、
特性予測方法。

【請求項14】

対象製品及び基準製品の特徴量の差を取得すること、及び、
特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測すること、
をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、学習装置、予測モデルの生成方法、特性予測装置、特性予測方法、及びプログラムに関する。

【背景技術】

【0002】

特許文献１には、予測系を構築するためのデータとして呈味成分と香気成分からなる成分分析値と官能検査データを用い、予測手法としてバックブロバゲーションモデルからなるニューラルネットワークによる非線形解析手法を用いて、ヨーグルトのおいしさを予測する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開平９－２１８１９２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、製品開発においては、製品の特性を官能試験等によりランク付けすることがあるが、評価者や基準製品が異なる等、評価基準が異なる場合には、個別に予測モデルを作成する必要が生じる。しかしながら、個別に予測モデルを作成しようとすると、訓練データが不足するおそれがある。

【0005】

本発明は、上記課題に鑑みてなされたものであり、その主な目的は、評価基準が異なる場合であっても十分な訓練データを確保して予測モデルを生成することが容易な学習装置、予測モデルの生成方法、特性予測装置、特性予測方法、及びプログラムを提供することにある。

【課題を解決するための手段】

【0006】

上記課題を解決するため、本発明の一の態様の学習装置は、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得する取得部と、前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成する学習部と、を備える。

【0007】

また、本発明の他の態様の予測モデルの生成方法は、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得し、前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成する。

【0008】

また、本発明の他の態様のプログラムは、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差と、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を取得すること、及び、前記特徴量の差を説明変数、前記特性ランクの差を目的変数として、対象製品及び基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測するための予測モデルを生成すること、をコンピュータに実行させる。

【0009】

また、本発明の他の態様の特性予測装置は、対象製品及び基準製品の特徴量の差を取得する取得部と、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測する予測部と、を備える。

【0010】

また、本発明の他の態様の特性予測方法は、対象製品及び基準製品の特徴量の差を取得し、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測する。

【0011】

また、本発明の他の態様のプログラムは、対象製品及び基準製品の特徴量の差を取得すること、及び、特性の評価基準が互いに異なる複数のグループのうちの同じグループに属する複数の製品から選択される第１製品及び第２製品の特徴量の差を説明変数、前記第１製品及び前記第２製品の特性をランク付けした特性ランクの差を目的変数として予め生成された予測モデルを用い、前記対象製品及び前記基準製品の特徴量の差に基づき前記対象製品及び前記基準製品の特性の優劣を予測すること、をコンピュータに実行させる。

【発明の効果】

【0012】

本発明によれば、評価基準が異なる場合であっても十分な訓練データ確保して予測モデルを生成することが容易となる。

【図面の簡単な説明】

【0013】

【図1】評価基準が異なる複数の製品グループを説明する図である。

【図2】評価基準が異なる複数の製品グループを説明する図である。

【図3】特性ランクの差を３つのラベルに分類する例を説明する図である。

【図4】特性予測システムの構成例を示す図である。

【図5】製品データの例を示す図である。

【図6】学習フェーズの手順例を示す図である。

【図7】推論フェーズの手順例を示す図である。

【図8A】比較例を説明するための図である。

【図8B】実施例を説明するための図である。

【図9A】比較例を説明するための図である。

【図9B】実施例を説明するための図である。

【図9C】実施例を説明するための図である。

【発明を実施するための形態】

【0014】

以下、本発明の実施形態について、図面を参照しながら説明する。

【0015】

［導入］
まず、製品の特性を官能試験等によりランク付けする際に、評価基準が異なる場合の問題点について説明する。

【0016】

例えば、ｎ個の製品について製品データがあるとする。あるｉ番目の製品（i=1,2,…,n）の、設計パラメータ等の製品の特徴を表すｍ個の特徴量 x_i1,x_i2,…,x_im を並べたベクトルを X_i=[x_i1,x_i2,…,x_im]^T 、特性値を y_i∈Ｒ とする。また、ｎ個の製品データをまとめて、y=[y₁,y₂,…,y_n]^T 、X=[X₁,X₂,…, X_n]^T と表す。特性値ｙは特徴量Ｘに対して線形な関係を持ち、下記式（１）で表せるとする。

【0017】

ここで、ａ_０は定数、α=[a₁,a₂,…,a_m]^T であり、a₁,a₂,…,a_m は特徴量と特性値の関係をあらわす真モデルの係数である。特性値ｙは直接計測することが困難であり、官能試験などによってｋ段階評価のランク指標（特性ランク）により評価されているとする。

【0018】

図１に示すように、評価基準が異なるＬ個の製品グループが存在する場合を考える。評価基準が異なるとは、例えば製品の開発案件ごとにランク評価の基準となる基準製品Ｓが異なる場合や評価者によって評価の仕方に差異がある場合など、評価のされ方が異なる場合である。g=1,2,…,L を製品グループの番号とし、ｇ番目の製品グループにはｎ^ｇ個の製品が含まれるとする。

【0019】

特性値ｙから製品グループ毎の評価基準で評価されたｋ段階のランク評価値（特性ランク）を、i^g=1,2,…,n^g として Y_ig ^g と表し、ｎ^ｇ個の製品データをまとめて Y^g=[Y₁ ^g,Y₂ ^g,…,Y_ng ^g]^T と表す。また、Ｘから製品グループｇに含まれる製品を取り出したものをＸ^ｇと表す。ランク評価値 Y_ig ^g はそれぞれ離散値 r₁,r₂,r₃,…,r_k の何れかの値をとり、r₁<r₂<r₃<…<r_k のように順序が存在する。

【0020】

製品グループ毎に異なる基準材料Ｓ（例えば、図１の黒縁無しの丸）の特性値を Y_S ^g とする。j=1,2,…,k とし、X_ig ^gα－Y_S ^g がランク評価の閾値θ_j-1,θ_j の間の値をとるとき、ランク評価値 Y_ig ^g が r_j となるとする。すなわち、下記式（２）である。

【0021】

ここでは、閾値θ_j が全ての製品グループで共通である場合を仮定している。また、特性値がいかなる値をとってもランク評価値 Y_i が r₁,r₂,r₃,…,r_k の何れかの値をとることから、θ₀＝－∞，θ_k＝∞ である。

【0022】

さらに、製品グループ毎に閾値が異なる場合を考えると、上記式（２）は、下記式（３）となる。

【0023】

ここで、θ_j-1 ^g,θ_j ^g は製品グループ毎に異なる閾値であり、何れのｇにおいてもθ₀ ^g＝－∞，θ_k ^g＝∞ である。

【0024】

上記式（２）や上記式（３）の設定において、特徴量がＸ_ｐであるときのランク評価値Ｙ_ｐを予測できるようなモデルを、既存の製品データから学習したいとする。

【0025】

目的変数がランク指標であるような問題において、予測モデルを学習するための方法としては、順序回帰手法などが知られているが、一般的な順序回帰手法ではデータを生成する真モデルや、目的変数がランク指標に変換されるときの関係性は、全データで共通であると仮定されていることが多い。

【0026】

製品データ中に評価基準が異なるＬ個の製品グループが含まれる場合において、一般的な順序回帰手法を用いてモデル学習を行うには、（ｉ）基準材料Ｓやθ_j-1 ^g,θ_j ^g の製品グループによる違いを無視して全ての製品データから学習する、（ｉｉ）製品グループそれぞれで予測モデルを学習する（Ｌ個の予測モデルができる）、という２つの方法が考えられる。

【0027】

しかし、上記式（２）や上記式（３）のように製品グループ毎にＸからＹへの関係が異なるため、図２に示すように、Ｙが同じであっても製品グループが違えばＸの値が大きく異なるということも考えられる。

【0028】

このため、（ｉ）の方法では、正確な予測モデルを学習することは困難である。また、（ｉｉ）の方法では、製品グループ数Ｌが多い場合や、データ数ｎ^ｇが極端に少ない製品グループが存在する場合などにおいて、訓練データの少なさから予測モデルの学習が困難となる場合がある。

【0029】

本実施形態によれば、以下に説明するように、製品グループによって基準材料Ｓやθ_j-1 ^g,θ_j ^g が異なる場合など、評価基準が異なる場合であっても、全データを用いて予測モデルを学習できるようになる。

【0030】

（ア）まず、上記式（２）の場合を考える。同じ製品グループｇから２つの製品Ａ，Ｂの特徴量 X_A ^g ,X_B ^g を取り出して差をとると、下記式（４）となり、製品グループによって変わる基準材料Ｓの影響を除去することができる。すなわち、上記式（１）のａ_０を消すことができる。上記式（２）の場合は、閾値θ_j が全ての製品グループで共通であるため、２つの製品Ａ，Ｂの特徴量 X_A ^g ,X_B ^g の差をとることで、全製品データに対する予測モデルを求めることができるようになる。

【0031】

（イ）次に、上記式（３）の場合を考える。一般的には上記式（２）のように製品グループによってランク評価の閾値が共通であることは稀であり、上記式（３）のような評価方法となっていることが多いと考えられる。同じ製品グループｇから、２つの製品Ａ，Ｂの特徴量 X_A ^g ,X_B ^g を取り出して差をとると、下記式（５）となる。

【0032】

しかしながら、閾値θ_j ^g は製品グループ毎に異なるため、このままでは全製品データに対する予測モデルは求められないおそれがある。

【0033】

そこで、製品Ａ，Ｂのランク指標 Y_A ^g ,Y_B ^g を比較し、Y_A ^g の方が高い場合、Y_B ^gの方が高い場合、Y_A ^g とY_B ^g が同じランクの場合の３つのラベルへと変換する。すなわち、応答変数ｚが離散値ｚ_－，ｚ_０，ｚ_＋ をとるとしたとき、下記のように分類する。ここでは、ｚ_－<ｚ_０<ｚ_＋である。

【0034】

ランク指標の大小関係は製品グループによって変化することはないと考えられるため、図３に示すように、この操作によってランク指標の大小関係の情報を維持しつつ、ランク指標の閾値θ_j-1 ^g,θ_j ^g が製品グループ毎に異なるという課題を解決し、全製品データに対する予測モデルを求めることができるようになる。

【0035】

以下、本実施形態の具体的な構成例及び手順例について説明する。

【0036】

［システム概要］
図４は、特性予測システム１００の構成例を示す図である。特性予測システム１００は、特性予測装置１、記憶部５、及び学習装置６を備えている。これらの機器は、例えばインターネット又はＬＡＮ等の通信ネットワークを介して相互に通信可能である。

【0037】

特性予測装置１は、制御部１０を備えている。制御部１０は、ＣＰＵ、ＲＡＭ、ＲＯＭ、不揮発性メモリ、及び入出力インターフェース等を含むコンピュータである。制御部１０のＣＰＵは、ＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行する。

【0038】

制御部１０は、算出部１１、取得部１２、及び予測部１３を備えている。これらの機能部は、制御部１０のＣＰＵがＲＯＭ又は不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。

【0039】

プログラムは、例えば光ディスク又はメモリカード等の情報記憶媒体を介して供給されてもよいし、例えばインターネット又はＬＡＮ等の通信ネットワークを介して供給されてもよい。

【0040】

学習装置６も、特性予測装置１と同様、制御部６０を備えている。制御部６０は、選択部６１、算出部６２、取得部６３、及び学習部６４を備えている。なお、学習装置６は、１又は複数のサーバコンピュータで構成されてもよい。

【0041】

特性予測装置１及び学習装置６は、記憶部５にアクセス可能である。記憶部５には、学習装置６により生成された予測モデル２００が、特性予測装置１により読出し可能に保存されている。

【0042】

［学習フェーズ］
図５は、学習フェーズに用いられる製品データの例を示す図である。製品データは、同図に示すようなデータベースによって製品グループ毎に管理される。データベースでは、「製品」の識別子に「特性ランク」及び複数の「特徴量」が関連付けられている。

【0043】

「特性ランク」は、製品の特性を例えば官能試験等によってランク付けした特性ランクを表す。例えば、特性に本来何らかの絶対指標があるが、それを直接測定できないために、特性のランク付けが行われる。特性は、例えば材料特性等である。

【0044】

「特徴量」は、製品の特徴量を表す。例えば特性が材料特性である場合には、特徴量には、成分値や熱処理条件などの材料特性に影響を及ぼす種々の特徴量が用いられる。

【0045】

製品データは、特性の評価基準が互いに異なる複数の製品グループに分かれている。評価基準が異なるとは、例えば、比較対象となる基準材料が異なる場合や、評価者が異なる場合など、評価のされ方が異なる場合である。

【0046】

図６は、学習装置６において実現される、実施形態に係る予測モデルの生成方法としての学習フェーズの手順例を示す図である。学習装置６の制御部６０は、同図に示す処理をプログラムに従って実行することにより、選択部６１、算出部６２、取得部６３、及び学習部６４として機能する。

【0047】

まず、制御部６０は、複数の製品グループのうちの同じ製品グループｇに属する複数の製品から２つの製品Ａ，Ｂを選択する（Ｓ１１：選択部６１としての処理）。

【0048】

次に、制御部６０は、製品Ａの特徴量Ｘ_Ａ ^ｇと製品Ｂの特徴量Ｘ_Ｂ ^ｇとの差Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇを算出する（Ｓ１２：算出部６２としての処理）。算出された差Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇは、予測モデルを生成するための説明変数となる。

【0049】

次に、制御部６０は、製品Ａの特性ランクＹ_Ａ ^ｇと製品Ｂの特性ランクＹ_Ｂ ^ｇを比較し、特性ランクＹ_Ａ ^ｇ，Ｙ_Ｂ ^ｇの大小関係に応じたラベルｚを分類する（Ｓ１３，Ｓ１４：算出部６２としての処理）。ラベルｚは、特性ランクの差の例であり、予測モデルを生成するための目的変数となる。

【0050】

ラベルｚは、製品Ａの特性ランクＹ_Ａ ^ｇよりも製品Ｂの特性ランクＹ_Ｂ ^ｇが高い場合を表すラベルｚ_－、製品Ａの特性ランクＹ_Ａ ^ｇと製品Ｂの特性ランクＹ_Ｂ ^ｇが同じである場合を表すラベルｚ_０、及び製品Ａの特性ランクＹ_Ａ ^ｇが製品Ｂの特性ランクＹ_Ｂ ^ｇよりも高い場合を表すラベルｚ_＋の３種類がある。すなわち、ラベルｚは、製品Ａ，Ｂの特性の優劣を表している。

【0051】

このようにして、製品Ａ，Ｂの特徴量の差Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇを説明変数、特性ランクの大小関係に応じたラベルｚを目的変数とした訓練データが生成される。

【0052】

詳しくは、制御部６０は、同じ製品グループｇに属する複数の製品から、組み合わせを変えて製品Ａ，Ｂの組を複数生成し、それぞれについて訓練データを生成する。例えば、製品グループｇに属する製品の数をｎ^ｇとするとき、最大_ｎ ^ｇＣ_２個の訓練データを生成することができる。さらに、制御部６０は、複数の製品グループのそれぞれにおいて、同様に製品Ａ，Ｂの組を複数生成し、それぞれについて訓練データを生成する。このようにして、多数の訓練データを生成することが可能となる。

【0053】

なお、制御部６０は、同じ製品グループｇに属するｎ^ｇ個の製品から組み合わせを変えて生成された全_ｎ ^ｇＣ_２個の製品Ａ，Ｂの組のうち、特性ランクの差が０の組（ｚ＝ｚ_０の組）の一部または全部を除外してもよい。これにより、特性ランクに差がある製品Ａ，Ｂの組の割合を増やすことができるので、特性ランクの大小関係を効率的に学習することが可能となる。

【0054】

次に、制御部６０は、製品Ａ，Ｂの特徴量の差Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇを説明変数、特性ランクの大小関係に応じたラベルｚを目的変数とした訓練データを用いて順序回帰により予測モデルを生成し、予測モデルのパラメータβ，Θ_－，Θ_＋を算出する（Ｓ１５，Ｓ１６：取得部６３及び学習部６４としての処理）。

【0055】

予測モデルは、対象製品及び基準製品の特徴量の差に基づき対象製品及び基準製品の特性の優劣を予測するためのものである。予測モデルのパラメータのうち、βは回帰係数であり、Θ_－はラベルｚ_－とｚ_０の閾値であり、Θ_＋はラベルｚ_０とｚ_＋の閾値である。

【0056】

このように、特徴量の差を説明変数、特性ランクの差を目的変数とすることで、製品グループ毎に異なる基準に対応する項ａ_０（上記式（１）参照）を消すことができるので、評価基準が異なる複数の製品グループがあっても、十分な訓練データを確保することが可能となる。すなわち、複数の製品グループのそれぞれで生成された訓練データをまとめて予測モデルの生成に利用することが可能となる。

【0057】

また、目的変数を特性ランクの優劣を表す３つのラベルｚ_－，ｚ_０，ｚ_＋とすることで、製品グループによってランクの閾値が異なる場合や、同じ製品グループで各ランクの幅が異なる場合であっても、特性の優劣に関しては製品グループ等によらず共通であるため、複数の製品グループのそれぞれで生成された訓練データをまとめて予測モデルの生成に利用することが可能となる。

【0058】

［推論フェーズ］
図７は、特性予測装置１において実現される、実施形態に係る特性予測方法としての推論フェーズの手順例を示す図である。特性予測装置１の制御部１０は、同図に示す処理をプログラムに従って実行することにより、算出部１１、取得部１２、及び予測部１３として機能する。

【0059】

まず、制御部１０は、特性を予測したい製品Ｐ（以下、対象製品Ｐという）の特徴量Ｘ_Ｐを取得する（Ｓ２１）。

【0060】

次に、制御部１０は、対象製品Ｐと同じ製品グループから選択される、対象製品Ｐと比較したい製品Ｑ（以下、基準製品Ｑという）の特徴量Ｘ_Ｑも取得する（Ｓ２２）。

【0061】

次に、制御部１０は、対象製品Ｐの特徴量Ｘ_Ｐと基準製品Ｑの特徴量Ｘ_Ｑとの差Ｘ_Ｐ－Ｘ_Ｑを算出する（Ｓ２３：算出部１１としての処理）。

【0062】

次に、制御部１０は、上記学習フェーズで算出した予測モデルのパラメータを用いて、対象製品Ｐと基準製品Ｑの特性の優劣を予測する（Ｓ２４，Ｓ２５：取得部１２及び予測部１３としての処理）。

【0063】

具体的には、制御部１０は、対象製品Ｐと基準製品Ｑの特徴量の差Ｘ_Ｐ－Ｘ_Ｑに回帰係数βを乗じた（Ｘ_Ｐ－Ｘ_Ｑ）βの値を閾値Θ_－，Θ_＋と比較して、３つのラベルｚ_－，ｚ_０，ｚ_＋の何れに分類されるか予測する。

【0064】

ラベルｚ_－であれば、対象製品Ｐの特性は基準製品Ｑよりも劣っていることを表し、ラベルｚ_０であれば、対象製品Ｐの特性は基準製品Ｑと同程度であることを表し、ラベルｚ_＋であれば、対象製品Ｐの特性は基準製品Ｑよりも優れていることを表す。

【0065】

このようにして、対象製品Ｐと基準製品Ｑの特性の優劣が予測される。このような予測手法は、新しい製品を開発する際など、その製品の特性がどの程度になるかを予測したい場合において有用である。

【0066】

さらに、基準製品Ｑを様々に変えることで、それぞれの基準製品Ｑに対する対象製品Ｐの特性の優劣を求めることができる。この結果を総合することで、対象製品Ｐの特性ランクＹ_ｐを予測することも可能である。例えば、基準製品Ｑ１の特性ランクＹ_Ｑ１がｒ_１、基準製品Ｑ２の特性ランクＹ_Ｑ２がｒ_３であり、対象製品Ｐの特性ランクＹ_ｐとの優劣がＹ_ｐ＞Ｙ_Ｑ１、Ｙ_ｐ＜Ｙ_Ｑ２である場合には、対象製品Ｐの特性ランクＹ_ｐはｒ_２であると予測できる。

【0067】

［変形例］
以下、訓練データの生成に係る変形例について説明する。

【0068】

（Ａ）同じ製品グループｇに属するｎ^ｇ個の製品から２つの製品Ａ，Ｂを選択する際、グループ内でとり得る_ｎ ^ｇＣ_２通りの全ての組み合わせを訓練データに用いてもよい。この場合、製品グループ内の製品データを最大限に利用することができるため、データ数が少ない製品グループがある場合や特徴量の次元数が大きい場合など、訓練データ数を多く確保したい場合に有用である。

【0069】

（Ｂ）同じ製品グループｇに属する複数の製品から２つの製品Ａ，Ｂを選択する際、２つの製品Ａ，Ｂの片方をランク評価の基準となる基準製品Ｓに固定してもよい。この場合、製品Ａの特性ランクＹ_Ａ ^ｇは基準製品Ｓの特性ランクＹ_Ｓ ^ｇを基準に評価されているため、Ｙ_Ａ ^ｇとＹ_Ｓ ^ｇの大小関係は正確であると考えられ、ｚの分類がより正確な訓練データを生成することが可能となる。

【0070】

（Ｃ）同じ製品グループｇに属する複数の製品から２つの製品Ａ，Ｂを選択する際、特性ランクＹ_Ａ ^ｇ，Ｙ_Ｂ ^ｇの差が大きい製品Ａ，Ｂの組を優先してもよい。すなわち、特性ランクＹ_Ａ ^ｇ，Ｙ_Ｂ ^ｇの差が０である製品Ａ，Ｂの組の一部または全部を除外してもよい。この場合、予測モデルがｚ_０に分類する傾向を強く学習してしまうことを抑制することが可能となる。

【0071】

（Ｄ）同じ製品グループｇに属する複数の製品から２つの製品Ａ，Ｂを選択して特徴量の差を算出する際、Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇだけでなく、Ｘ_Ｂ ^ｇ－Ｘ_Ａ ^ｇを使用してもよい。この場合、Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇがｚ_－に分類されるときはＸ_Ｂ ^ｇ－Ｘ_Ａ ^ｇはｚ_＋に分類されるため、Ｘ_Ａ ^ｇ－Ｘ_Ｂ ^ｇだけではｚ_－，ｚ_＋の一方の数が十分でない場合も、ｚ_－，ｚ_＋の両方への分類をうまく学習させることが可能となる。

【0072】

（Ｅ）特徴量Ｘ_ｉについて、製品データに含まれる全ての特徴量を必ずしも使用する必要はなく、特性ｙ_ｉへの関係が強いと考えられる特徴量を選択してＸ_ｉを構成してもよい。使用する特徴量が必要以上に多い場合、求める回帰係数βのパラメータ数が多くなり、予測モデルの学習に多くの訓練データが必要となってしまう。そこで、製品データが潤沢でない場合には、特性への関係が弱い特徴量を除外することで、予測モデルを学習しやすくすることが可能となる。

【0073】

（Ｆ）特徴量Ｘ_ｉには、例えば成分量や製造工程条件といった特徴量を２乗したものや、特徴量同士を掛け合わせたもの等を追加してもよい。例えば、（ｘ_ｉ１）^２を特徴量Ｘ_ｉに追加した場合、上記式（１）の右辺にａ_１ｘ_ｉ１＋ａ_ｍ＋１（ｘ_ｉ１）^２が含まれるようになるため、ｘ_ｉ１と特性ｙ_ｉの２次関数的な関係を表現できるような予測モデルを得ることが可能となる。

【0074】

［実施例１］
上記（Ｂ）の効果について説明する。特徴量が１種類（ｍ＝１、Ｘ＝ｘ）、５段階評価（ｋ＝５）、製品グループ数Ｌ＝４、特性の真値の生成モデルが線形であるようなデータを人工的に作成した。このデータでは、製品グループ毎に特徴量の範囲が異なる設定とした。

【0075】

図８Ａは、縦軸を製品グループ毎に求めた特性ランクＹ、横軸をｘとしてプロットしたグラフである。同図では、見やすくするため、実際のデータ数よりも点数を減らしてプロットしている（以降の図も同じ）。このようなデータに対し、ｘを説明変数、Ｙを目的変数として作成した訓練データに一般的な順序回帰手法を適用して学習した予測モデルにより、同じ生成モデルから作成した検証用データのランク評価値を予測したときの結果が正答である割合は２８．２％であった。

【0076】

一方、図８Ｂは、上記（Ｂ）に基づき、ｘの差をとったｘ_Ａ－ｘ_Ｂを横軸、ラベルｚを縦軸としてプロットしたグラフである。この図から分かるとおり、製品グループ毎のランク評価基準の違いが取り払われ、ｚへ線形に分類する予測モデルを全てのデータから学習できるようになる。ｘ_Ａ－ｘ_Ｂを説明変数、ｚを目的変数として作成した訓練データに一般的な順序回帰手法を適用して予測モデルを学習した。さらに、検証用データの各点に対し訓練データ中の複数の点と大小を比較してランク評価値を求めた結果が正答である割合は９６．０％であった。

【0077】

［実施例２］
上記（Ｆ）の効果について説明する。実施例１と同様にデータを人工的に作成した。但し、特性の真値の生成モデルがｙ＝Ａｘ^２と表されるようなデータとし、その他の設定は実施例１と同じとした。

【0078】

図９Ａは、縦軸を製品グループ毎に求めた特性ランクＹ、横軸をｘとしてプロットしたグラフである。このようなデータに対し、ｘを説明変数、Ｙを目的変数として作成した訓練データに一般的な順序回帰手法を適用して学習した予測モデルにより、検証用データのランク評価値を予測したときの結果が正答である割合は３３．１％であった。

【0079】

また、上記（Ｂ）に基づき、ｘ_Ａ－ｘ_Ｂを説明変数、ｚを目的変数として作成した訓練データに一般的な順序回帰手法を適用して予測モデルを学習し、検証用データの各点に対し訓練データ中の複数の点と大小を比較してランク評価値を求めた結果が正答である割合は３３．１％であった。

【0080】

一方、上記（Ｆ）に基づき、特徴量にｘ^２を追加してＸ＝［ｘ，ｘ^２］^Ｔとした。図９Ｂは、ラベルｚを縦軸として、Ｘの差をとったｘ_Ａ－ｘ_Ｂのうち、ｘの項を横軸としたグラフである。図９Ｃは、ｘ^２の項を横軸としたグラフである。これらの図から分かるとおり、Ｘ＝ｘのみではｚへの線形な分類は困難であるが、ｘ^２を追加することでｚへ線形に分類する予測モデルを構築できるようになる。

【0081】

さらに、上記（Ｂ）に基づきｘ_Ａ－ｘ_Ｂを説明変数、ｚを目的変数として作成した訓練データに一般的な順序回帰手法を適用して予測モデルを学習し、検証用データの各点に対し訓練データ中の複数の点と大小を比較してランク評価値を求めた結果が正答である割合は８７．１％となった。

【0082】

以上、本発明の実施形態について説明したが、本発明は以上に説明した実施形態に限定されるものではなく、種々の変更が当業者にとって可能であることはもちろんである。

【符号の説明】

【0083】

１ 特性予測装置、１０ 制御部、１１ 算出部、１２ 取得部、１３ 予測部、５ 記憶部、６ 学習装置、６０ 制御部、６１ 選択部、６２ 算出部、６３ 取得部、６４ 学習部、１００ 特性予測システム、２００ 予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8A】

【図8B】

【図9A】

【図9B】

【図9C】