特開 2023-165464 機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラム

(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】P2023165464

(43)【公開日】2023-11-16

(54)【発明の名称】機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231109BHJP

【ＦＩ】

G06N20/00

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022076480

(22)【出願日】2022-05-06

(71)【出願人】

【識別番号】000000099

【氏名又は名称】株式会社ＩＨＩ

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100170818

【弁理士】

【氏名又は名称】小松 秀輝

(72)【発明者】

【氏名】斉藤 弘樹

(57)【要約】

【課題】学習モデルを更新するか否かの判断を適切に実行する。
【解決手段】機械学習モデル更新装置１は、運用データＣを受ける入力手段１１と、運用データＣを構成するサンプルＣＳが、第１の学習モデルＭの学習に用いた第１の学習データＤの集合に内包されるか否かを評価する評価手段１３と、評価手段１３の結果を利用して第１の学習モデルＭを第２の学習モデルＭに更新するか否かの判定を行うための更新判定指標値θ１を得る算出手段１４と、更新判定指標値θ１が更新条件を満たす場合に、第１の学習モデルＭを第２の学習モデルＭに更新する更新手段１７と、を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

運用データを受ける入力手段と、
前記運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価する評価手段と、
前記評価手段の結果を利用して前記第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得る算出手段と、
前記更新判定指標値が更新条件を満たす場合に、前記第１の学習モデルを前記第２の学習モデルに更新する更新手段と、を備える機械学習モデル更新装置。

【請求項2】

前記更新手段は、
前記更新判定指標値を利用して前記第１の学習モデルを前記第２の学習モデルに更新するか否かを判定する更新判定手段と、
前記運用データを利用して前記第１の学習データを第２の学習データに更新する学習データ更新手段と、
前記第２の学習データを用いて前記第１の学習モデルを前記第２の学習モデルに更新する学習モデル更新手段と、を有する、請求項１に記載の機械学習モデル更新装置。

【請求項3】

前記評価手段は、前記要素ごとに前記第１の学習データの集合に内包されるか否かを評価した結果、前記要素が前記第１の学習データの集合に内包されない場合には、前記第１の学習データの集合に内包されないことを示すフラグを前記要素に付す、請求項１に記載の機械学習モデル更新装置。

【請求項4】

前記評価手段は、前記第１の学習データの集合から前記要素までの距離に基づいて内包されるか否かを評価する、請求項１に記載の機械学習モデル更新装置。

【請求項5】

前記算出手段は、前記運用データが含む前記要素の総数に対する前記フラグが付された前記要素の数の割合を、前記更新判定指標値として得る、請求項３に記載の機械学習モデル更新装置。

【請求項6】

前記更新条件は、閾値であり、
前記更新判定手段は、前記更新判定指標値が前記閾値を超えた場合に、前記第１の学習モデルを第２の学習モデルに更新すると判定する、請求項２に記載の機械学習モデル更新装置。

【請求項7】

運用データを受けるステップと、
前記運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価するステップと、
前記評価することの結果を利用して前記第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得るステップと、
前記更新判定指標値が更新条件を満たす場合に、前記第１の学習モデルを前記第２の学習モデルに更新するステップと、を含む機械学習モデル更新方法。

【請求項8】

運用データを受けるステップと、
前記運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価するステップと、
前記評価することの結果を利用して前記第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得るステップと、
前記更新判定指標値が更新条件を満たす場合に、前記第１の学習モデルを前記第２の学習モデルに更新するステップと、をコンピュータに実行させる、機械学習モデル更新プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラムに関する。

【背景技術】

【0002】

機械学習を用いた推論装置は、推論の結果を改善するために学習モデルの更新を行う。例えば、推論に用いられる運用データを利用して学習モデルを更新するか否かの判断を行うことがある。特許文献１の装置は、複数のサンプルの集合である運用データを平均と分散とによって評価する。特許文献１の装置は、平均と分散とによる評価値を用いて、学習モデルを更新するか否かの判定を行う。

【0003】

例えば、特許文献１は、機械学習モデルを更新する機能を持った装置を開示する。この装置は、指標値の算出と、指標値の算出と、学習モデル更新と、をこの順に実行する。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－８６７７８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

運用データは、必ずしも正規分布に従うとは限らない。運用データが正規分布に従う場合には、平均と分散とによって複数のサンプルの集合を適切に評価できる。したがって、学習モデルを更新するか否かの判断を適切に実行できる。しかし、運用データが正規分布に従わない場合には、平均と分散とによって複数のサンプルの集合を適切に評価できない。その結果、学習モデルを更新するか否かの判断を適切に実行できないことが生じる。

【0006】

本発明は、学習モデルを更新するか否かの判断を適切に実行できる機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラムを提供する。

【課題を解決するための手段】

【0007】

本発明の一形態である機械学習モデル更新装置は、運用データを受ける入力手段と、運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価する評価手段と、評価手段の結果を利用して第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得る算出手段と、更新判定指標値が更新条件を満たす場合に、第１の学習モデルを第２の学習モデルに更新する更新手段と、を備える。

【0008】

機械学習モデル更新装置は、運用データを構成する要素ごとに、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを、第１の学習モデルを第２の学習モデルに更新するか否かの条件として用いる。要素ごとに学習データの集合に内包されるか否を評価することによれば、運用データに含まれる要素の分布の態様に左右されることなく、更新の必要がある態様と更新の必要がない態様とを適切に判断できる。つまり、機械学習モデル更新装置は、学習モデルを更新するか否かの判断を適切に実行できる。

【0009】

上記の機械学習モデル更新装置の更新手段は、更新判定指標値を利用して第１の学習モデルを第２の学習モデルに更新するか否かを判定する更新判定手段と、運用データを利用して第１の学習データを第２の学習データに更新する学習データ更新手段と、第２の学習データを用いて第１の学習モデルを第２の学習モデルに更新する学習モデル更新手段と、を有してもよい。この構成によれば、第１の学習モデルを第２の学習モデルに好適に更新することができる。

【0010】

上記の機械学習モデル更新装置の評価手段は、要素ごとに第１の学習データの集合に内包されるか否かを評価した結果、要素が第１の学習データの集合に内包されない場合には、第１の学習データの集合に内包されないことを示すフラグを要素に付してもよい。この構成によれば、フラグの有無に基づく更新の判断を行うことが可能になる。

【0011】

上記の機械学習モデル更新装置の評価手段は、第１の学習データの集合から要素までの距離に基づいて内包されるか否かを評価してもよい。この構成によれば、フラグの有無に基づく更新の判断を行うことが可能になる。

【0012】

上記の機械学習モデル更新装置の算出手段は、運用データが含む要素の総数に対するフラグが付された要素の数の割合を、更新判定指標値として得てもよい。この構成によれば、更新の判断を容易に行うことが可能になる。

【0013】

上記の機械学習モデル更新装置における更新条件は、閾値であってもよい。更新判定手段は、更新判定指標値が閾値を超えた場合に、第１の学習モデルを第２の学習モデルに更新すると判定してもよい。この構成によれば、更新の判断をさらに容易に行うことが可能になる。

【0014】

本発明の別の形態である機械学習モデル更新方法は、運用データを受けるステップと、運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価するステップと、評価することの結果を利用して第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得るステップと、更新判定指標値が更新条件を満たす場合に、第１の学習モデルを第２の学習モデルに更新するステップと、を含む。機械学習モデル更新方法は、機械学習モデル更新装置と同様に、運用データに含まれる要素の分布の態様に左右されることなく、更新の必要がある態様と更新の必要がない態様とを適切に判断できる。

【0015】

本発明のさらに別の形態である機械学習モデル更新プログラムは、運用データを受けるステップと、運用データを構成する要素が、第１の学習モデルの学習に用いた第１の学習データの集合に内包されるか否かを評価するステップと、評価することの結果を利用して第１の学習モデルを第２の学習モデルに更新するか否かの判定を行うための更新判定指標値を得るステップと、更新判定指標値が更新条件を満たす場合に、第１の学習モデルを第２の学習モデルに更新するステップと、をコンピュータに実行させる。機械学習モデル更新プログラムも、機械学習モデル更新装置と同様に、運用データに含まれる要素の分布の態様に左右されることなく、更新の必要がある態様と更新の必要がない態様とを適切に判断できる。

【発明の効果】

【0016】

本発明の機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラムは、学習モデルを更新するか否かの判断を適切に実行できる。

【図面の簡単な説明】

【0017】

【図1】図１は、機械学習モデル更新装置が利用される様子を概略的に示す機能ブロック図である。

【図2】図２は、機械学習モデル更新装置を実現するコンピュータの構成図である。

【図3】図３は、機械学習モデル更新装置を含む情報提供装置の機能ブロック図である。

【図4】図４（ａ）は、更新前の学習データの一例である。図４（ｂ）は、運用データの一例である。図４（ｃ）は、判定する処理を説明するための概略図である。図４（ｄ）は、更新後の学習データの一例である。

【図5】図５は、機械学習モデル更新装置が実行する機械学習モデル更新方法を含む情報提供処理のフローチャートである。

【図6】図６は、機械学習モデル更新装置が実行する機械学習モデル更新方法のフローチャートである。

【発明を実施するための形態】

【0018】

以下、添付図面を参照して、実施形態に係る機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラムを詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

【0019】

図１は、機械学習モデル更新装置１の利用例を示す機能ブロック図である。機械学習モデル更新装置１は、例えば、対象設備２０１の監視又は制御に用いられる。対象設備２０１には、複数のセンサ２０２、２０３、２０４が設けられている。例えば、センサ２０２は、温度を計測する。センサ２０３は、圧力を計測する。センサ２０４は、流量を計測する。センサ２０２、２０３、２０４は、計測した値を情報提供装置１００に出力する。

【0020】

センサ２０２、２０３、２０４から情報提供装置１００に渡される情報を、「運用データＣ」と称する。つまり、運用データＣは、時間と関連付けられた少なくとも１種類の計測値を含む。図１の例示では、運用データＣは、温度と時間とが関連づけられたデータと、圧力と時間とが関連づけられたデータと、流量と時間とが関連づけられたデータと、を含む。さらに、例えば、温度と時間とが関連づけられたデータとは、ある時間に計測された温度の値を複数含む。つまり、データは、複数の数値を含む。これらの温度、流量及び圧力を示すひとつひとつの数値を、「サンプル」（要素）と称する。

【0021】

情報提供装置１００は、運用データＣを用いて、対象設備２０１に関する値を推論し、推論した結果を出力する。例えば、対象設備２０１に関する値は、対象設備２０１の稼働状況を監視するための値であってもよい。この場合には、情報提供装置１００は、推論結果Ｒをディスプレイといった外部装置２０６に出力する。また、情報提供装置１００は、推論結果Ｒを通信回線を通じて上流側の装置に送信してもよい。

【0022】

対象設備２０１に関する値は、対象設備２０１の監視に用いられるものに限定されない。対象設備２０１に関する値は、対象設備２０１の制御のための値であってもよい。この場合には、情報提供装置１００は、推論結果Ｒをコントローラ２０５に出力する。コントローラ２０５は、推論結果Ｒを用いて制御信号Ｈを生成する。そして、コントローラ２０５は、制御信号Ｈを対象設備２０１に出力する。

【0023】

情報提供装置１００は、機械学習モデル更新装置１と、記憶装置２と、推論装置３と、を有する。これらの機能ブロックは、コンピュータ３００（図２参照）にて機械学習モデル更新プログラムＰＧを実行することによって実現される。

【0024】

機械学習モデル更新装置１は、いわゆる学習済みモデルを生成する。以下、学習済みモデルは、単に「学習モデルＭ」と称する。機械学習モデル更新装置１は、例えば、運用データＣを利用して学習モデルＭを生成する。機械学習モデル更新装置１が実行する学習モデルＭの生成とは、最初の学習モデルＭを生成する動作を含む。最初の学習モデルＭを生成する動作は、例えば、学習フェーズと称する。さらに、機械学習モデル更新装置１が実行する学習モデルＭの生成とは、既に生成された学習モデルＭを更新することによって新たな学習モデルＭを生成する動作も含む。学習モデルＭを更新する動作は、例えば、更新フェーズと称する。機械学習モデル更新装置１は、生成した学習モデルＭを記憶装置２に出力する。

【0025】

記憶装置２は、学習モデルＭを記憶する。なお、記憶装置２は、学習モデルＭとは別の様々な情報を記憶してよい。

【0026】

推論装置３は、学習モデルＭと運用データＣとを用いて、対象設備２０１に関する値を推論する。対象設備２０１に関する値を推論する動作は、推論フェーズと称する。推論装置３は、推論結果Ｒをコントローラ２０５や外部装置２０６に出力する。

【0027】

図２を参照して、機械学習モデル更新装置１のハードウェア構成について説明する。機械学習モデル更新装置１は、例えば、コンピュータ３００によって機械学習モデル更新プログラムＰＧが実行されることによって実現される。機械学習モデル更新プログラムＰＧは、コンピュータ３００に機械学習モデル更新方法を実行させるためのものである。

【0028】

機械学習モデル更新装置１は、１又は複数のコンピュータ３００を含む。コンピュータ３００は、プロセッサであるＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、主記憶部３０２と、補助記憶部３０３と、通信制御部３０４と、入力装置３０５と、出力装置３０６とを有する。機械学習モデル更新装置１は、これらのハードウェアと、プログラム等のソフトウェアとにより構成された１又は複数のコンピュータ３００によって構成される。

【0029】

機械学習モデル更新装置１が複数のコンピュータ３００によって構成される場合には、これらのコンピュータ３００はローカルで接続されてもよいし、インターネット又はイントラネットなどの通信ネットワークを介して接続されてもよい。この接続によって、論理的に１つの機械学習モデル更新装置１が構築される。

【0030】

ＣＰＵ３０１は、オペレーティングシステムやアプリケーション・プログラムなどを実行する。主記憶部３０２は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成される。補助記憶部３０３は、ハードディスクおよびフラッシュメモリなどにより構成される記憶媒体である。補助記憶部３０３は、一般的に主記憶部３０２よりも大量のデータを記憶する。通信制御部３０４は、ネットワークカード又は無線通信モジュールにより構成される。入力装置３０５は、キーボード、マウス、タッチパネル、および、音声入力用マイクなどにより構成される。出力装置３０６は、ディスプレイおよびプリンタなどにより構成される。

【0031】

補助記憶部３０３は、予め、機械学習モデル更新プログラムＰＧおよび処理に必要なデータを格納している。機械学習モデル更新プログラムＰＧは、機械学習モデル更新装置１の各機能要素をコンピュータ３００に実行させる。例えば、機械学習モデル更新プログラムＰＧは、ＣＰＵ３０１又は主記憶部３０２によって読み込まれ、ＣＰＵ３０１、主記憶部３０２、補助記憶部３０３、通信制御部３０４、入力装置３０５、および出力装置３０６の少なくとも１つを動作させる。例えば、機械学習モデル更新プログラムＰＧは、主記憶部３０２および補助記憶部３０３におけるデータの読み出しおよび書き込みを行う。

【0032】

機械学習モデル更新プログラムＰＧは、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に記録された上で提供されてもよい。機械学習モデル更新プログラムＰＧは、データ信号として通信ネットワークを介して提供されてもよい。

【0033】

以下、機械学習モデル更新装置１について詳細に説明する。

【0034】

図３に示すように、機械学習モデル更新装置１は、いくつかの機能構成要素を含む。これらの機能構成要素は、コンピュータ３００によって機械学習モデル更新プログラムＰＧが実行されることによってそれぞれ実現される。

【0035】

機械学習モデル更新装置１は、入力手段１１と、学習モデル生成手段１２と、評価手段１３と、算出手段１４と、更新判定手段１５と、学習データ更新手段１６と、を含む。そして、学習モデル生成手段１２、更新判定手段１５及び学習データ更新手段１６は、更新手段１７を構成する。なお、機械学習モデル更新装置１は、これらの機能構成要素とは別に、学習モデルＭの更新に要する付加的な動作のための機能構成要素を必要に応じて備えてもよい。

【0036】

入力手段１１は、情報提供装置１００の外部から運用データＣを受ける。入力手段１１は、受けた運用データＣを記憶装置２に渡す。記憶装置２は、運用データＣを記憶する。入力手段１１は、例えば、図２に示す通信制御部３０４又は入力装置３０５に対応してよい。入力手段１１は、運用データＣになんらのデータ処理を施すことなく、運用データＣを記憶装置２に渡してもよい。また、入力手段１１は、運用データＣになんらかのデータ処理を施した後に、データ処理が施された運用データＣを記憶装置２に渡してもよい。

【0037】

学習モデル生成手段１２は、学習モデルＭを生成する。学習モデル生成手段１２は、記憶装置２から学習データＤを受ける。学習モデル生成手段１２は、学習データＤを利用して学習を行う。そして、学習モデル生成手段１２は、学習が終了した学習モデルＭを記憶装置に渡す。学習モデル生成手段１２は、新たな学習モデルＭを生成することもできるし、既に記憶装置２に記憶されている学習モデルＭを元にして新たな学習モデルＭを生成することもできる。つまり、学習モデル生成手段１２は、後述する学習データ更新手段１６によって更新された学習データＤを教師データとすることによって、更新された学習モデルＭを得ることができる。従って、学習モデル生成手段１２は、請求項に記載する学習モデル更新手段としても機能する。

【0038】

学習モデルＭとしては、種々のモデルを採用することができる。例えば、学習モデルＭとして、ニューラルネットワークモデルを採用してもよい。また、学習モデルＭとして、決定木モデルを採用してもよい。本実施形態の機械学習モデル更新装置１では、学習データＤに運用データＣのサンプルが内包されるか否かを評価した結果を用いて学習モデルＭの更新するか否かを判断している。このような判断において、決定木モデルは、相性がよい。

【0039】

評価手段１３は、運用データＣを構成するサンプルにフラグ付けを行う。評価手段１３は、記憶装置２から学習データＤと運用データＣとを受ける。このときに評価手段１３が記憶装置２から受ける学習データＤは、今現在利用されている学習モデルＭの生成に利用されたものである。さらに、評価手段１３が記憶装置２から受ける運用データＣは、今現在行われている推論処理に利用されたものであってよい。つまり、評価手段１３が受ける学習データＤは、評価手段１３が受ける運用データＣよりも時間的に過去のものであってもよい。

【0040】

評価手段１３は、運用データＣを構成するサンプルＣＳ（図４（ｂ）参照）が、学習データＤの集合（図４（ａ）参照）に内包されるか否かを評価する。具体的には、評価手段１３は、運用データＣを構成する一つのサンプルＣＳを選択し、選択されたサンプルＣＳが学習データＤの集合に内包されるか否かを評価する。つまり、評価手段１３は、サンプルＣＳをひとつづつについて学習データＤの集合に内包されるか否かを評価する（図４（ｃ）参照）。従って、原理的には、運用データＣに含まれるサンプルＣＳの数は、複数である必要なく、サンプルＣＳの数は１つであってもよい。サンプルの集合について、その集合の特性をよく表す平均や分散などの評価値を得るためには、十分な数のサンプルが必要である。しかし、評価手段１３は、サンプルＣＳをひとつづつ処理するので、サンプルＣＳの数は必ずしも複数である必要はない。

【0041】

集合に内包されるか否かの評価には、種々の外れ値検知のアルゴリズムを用いてよい。外れ値検知のアルゴリズムとしては、例えば、局所外れ値因子法（Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ：ＬＯＦ）、ｋ近傍法（Ｋ Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ：ｋＮＮ）が例示できる。これらの外れ値検知のアルゴリズムは、距離に基づいた検知手法である。なお、評価手段１３が採用する外れ値検知は、必ずしも距離に基づいた検知手法である必要はない。例えば、評価手段１３は、ニューラルネットワークを用いてサンプルＣＳが学習データＤの集合に内包されるか否かを評価してもよい。

【0042】

評価手段１３は、サンプルＣＳが学習データＤの集合に内包されると評価した場合には、そのサンプルＣＳに学習データＤの集合に内包されることを示す内包フラグを付す。例えば、学習データＤの集合に内包されることを示す内包フラグとは、「０」という数値によって示してよい。

【0043】

評価手段１３は、サンプルＣＳが学習データＤの集合に内包されないと評価した場合には、そのサンプルＣＳに学習データＤの集合に内包されないことを示す内包フラグを付す。例えば、学習データＤの集合に内包されないことを示す内包フラグとは、「１」という数値によって示してよい。なお、評価手段１３は、学習データＤの集合に内包されないと評価したサンプルＣＳにのみ内包フラグを付してもよい。

【0044】

評価手段１３は、内包フラグが付されたサンプルを含むフラグ付き運用データＣＦを算出手段１４に渡す。

【0045】

算出手段１４は、評価手段１３からフラグ付き運用データＣＦを受ける。算出手段１４は、フラグ付き運用データＣＦを用いて更新判定指標値θ１を得る。更新判定指標値θ１は、例えば、内包フラグ（１：学習データＤの集合に内包されない）が付されたサンプルの数であってもよい。また、更新判定指標値θ１は、例えば、フラグ付き運用データＣＦが含むサンプルの総数に対する内包フラグ（１：学習データＤの集合に内包されない）が付されたサンプルの割合であってもよい。算出手段１４は、更新判定指標値θ１を更新判定手段１５に渡す。

【0046】

更新判定手段１５は、算出手段１４から更新判定指標値θ１を受ける。更新判定手段１５は、更新判定指標値θ１が更新条件を満たすか否を判定する。更新条件は、閾値であってもよい。例えば、更新判定手段１５は、更新判定指標値θ１が総サンプル数に対する内包フラグ（１）が付されたサンプルの割合であるとき、その割合が予め定めた所定の数値よりも大きい場合（更新条件を満たす場合）に、学習モデルＭを更新すると判定してよい。更新判定手段１５は、更新条件を満たさない場合に、学習モデルＭを更新しないと判定してよい。更新判定手段１５は、判定結果θ２を学習データ更新手段１６に渡す。

【0047】

学習データ更新手段１６は、更新判定手段１５から判定結果θ２を受ける。学習データ更新手段１６は、更新判定指標値θ１が更新条件を満たす旨の判定結果θ２を受けたとき、学習データＤを更新する。具体的には、学習データ更新手段１６は、記憶装置２から学習データＤと、運用データＣと、を受ける。学習データ更新手段１６は、運用データＣを利用して学習データＤを更新する。そして、学習データ更新手段１６は、更新した学習データＤを記憶装置２に渡す。

【0048】

学習データＤを更新する手法には、特に制限はない。例えば、現在の学習データＤに対して、内包フラグ（１：学習データＤの集合に内包されない）が付されたサンプルＣＳのみを追加することによって、更新された学習データＤを得てもよい。また、現在の学習データＤに対して、内包フラグの内容を問わず、内包フラグが付された全てのサンプルを現在の学習データＤに対して追加することによって、更新された学習データＤを得てもよい（図４（ｄ）参照）。

【0049】

次に、図５及び図６に示すフローチャートを参照しながら、機械学習モデル更新方法について説明する。

【0050】

まず、図５に示すように、第１の運用データＣを受ける（ステップＳ１）。ステップＳ１は、入力手段１１が実行する。次に、第１の運用データＣを用いて第１の学習モデルＭを得る（ステップＳ２）。ステップＳ２は、学習モデル生成手段１２が実行する。このステップＳ１、Ｓ２は、いわゆる学習フェーズである。次に、第２の運用データＣを受ける（ステップＳ３）。ステップＳ３は、入力手段１１が実行する。そして、第２の運用データＣと第１の学習モデルＭとを用いて推論結果Ｒを得る（ステップＳ４）。ステップＳ４は、推論装置３が実行する。このステップＳ４は、いわゆる推論フェーズである。

【0051】

ここで、機械学習モデル更新方法（ステップＳ５）は、第２の運用データＣを用いる。そこで、機械学習モデル更新方法は、推論フェーズが終了した後に行ってもよい。なお、機械学習モデル更新方法は、推論フェーズと並行して行ってもよい。機械学習モデル更新方法（ステップＳ５）の後に、第３の運用データＣを受ける（ステップＳ６、ステップＳ７）。そして、第２の推論フェーズでは、機械学習モデル更新方法（ステップＳ５）の実行結果に応じて、更新された第２の学習モデルＭを用いる処理（ステップＳ８）又は更新されない第１の学習モデルＭを用いる処理（ステップＳ９）の何れかが実行される。

【0052】

以下、図６を参照しながら、機械学習モデル更新方法について詳細に説明する。いま、記憶装置２には、第１の学習データＤと、第１の学習モデルＭとが記憶されているとする。

【0053】

まず、第２の運用データＣを受ける（ステップＳ５１）。ステップＳ５１は、入力手段１１が実行する。次に、評価処理を実行する。評価処理は、評価手段１３が実行する。具体的には、運用データＣがＭ個のサンプルを含むとき、第ｍ番目のサンプルＣＳについて第１の学習データＤの集合に内包されるか否かを評価する（ステップＳ５２）。内包される場合には（ステップＳ５２：ＹＥＳ）、第ｍのサンプルに内包フラグ（０）を付す（ステップＳ５３）。内包されない場合には（ステップＳ５２：ＮＯ）、第ｍのサンプルに内包フラグ（１）を付す（ステップＳ５４）。次に、全てのサンプルＣＳについて内包フラグを付したか否かを判定する（ステップＳ５５）。全てのサンプルＣＳについて内包フラグを付していない場合には（ステップＳ５５：ＮＯ）、再びステップＳ５２を実行する。全てのサンプルＣＳについて内包フラグを付した場合には（ステップＳ５５：ＹＥＳ）、次のステップＳ５６を実行する。以上のステップＳ５２～Ｓ５５は、評価処理を構成する。

【0054】

更新判定指標値θ１を得る（ステップＳ５６）。ステップＳ５６は、算出手段１４が実行する。次に、更新判定指標値θ１が更新条件を満たすか否かを判定する（ステップＳ５７）。ステップＳ５７は、更新判定手段１５が実行する。

【0055】

更新判定指標値θ１が更新条件を満たさない場合には（ステップＳ５７：ＮＯ）、学習データＤを更新しない。この場合には、機械学習モデル更新の処理を終了する。その後、図５に示すステップＳ７及びステップＳ９が実行される。

【0056】

更新判定指標値θ１が更新条件を満たす場合には（ステップＳ５７：ＹＥＳ）、第１の学習データＤを更新することによって第２の学習データＤを得る（ステップＳ５８）。続いて、第２の学習データＤを用いて第２の学習モデルＭを得る（ステップＳ５９）。ステップＳ５９は、学習モデル生成手段１２が実行する。その後、機械学習モデル更新の処理（ステップＳ５）を終了する。その後、図５に示すステップＳ６及びステップＳ８が実行される。

【0057】

機械学習モデル更新装置１は、運用データＣを受ける入力手段１１と、運用データＣを構成するサンプルＣＳが、第１の学習モデルＭの学習に用いた第１の学習データＤの集合に内包されるか否かを評価する評価手段１３と、評価手段１３の結果を利用して第１の学習モデルＭを更新するか否かの決定を行うための更新判定指標値θ１を得る算出手段１４と、更新判定指標値θ１が更新条件を満たす場合に、第１の学習モデルＭを第２の学習モデルＭに更新する更新手段１７と、を備える。

【0058】

機械学習モデル更新装置１は、運用データＣを構成するサンプルＣＳごとに、第１の学習モデルＭの学習に用いた第１の学習データＤの集合に内包されるか否かを、第１の学習モデルＭを第２の学習モデルＭに更新するか否かの条件として用いる。サンプルＣＳごとに学習データＭの集合に内包されるか否を評価することによれば、運用データＣに含まれるサンプルＣＳの分布の態様に左右されることなく、更新の必要がある態様と更新の必要がない態様とを適切に判断できる。つまり、機械学習モデル更新装置１は、学習モデルＭを更新するか否かの判断を適切に実行できる。

【0059】

上記の機械学習モデル更新装置１の更新手段１７は、更新判定指標値θ１を利用して第１の学習モデルＭを更新するか否かを決定する更新判定手段１５と、運用データＣを利用して第１の学習データＤを第２の学習データＭに更新する学習データ更新手段１６と、第２の学習データＤを用いて第１の学習モデルＭを第２の学習モデルＭに更新する学習モデル生成手段１２と、を有する。この構成によれば、第１の学習モデルＭを第２の学習モデルＭに好適に更新することができる。

【0060】

上記の機械学習モデル更新装置１の評価手段１３は、運用データＣを構成するサンプルＣＳごとに第１の学習データＭの集合に内包されるか否かを評価した結果、運用データＣを構成するサンプルＣＳが第１の学習データＤの集合に内包されない場合には、第１の学習データＤの集合に内包されないことを示す内包フラグ（１）をサンプルＣＳに付す。この構成によれば、内包フラグの有無に基づく更新の判断を行うことが可能になる。

【0061】

上記の機械学習モデル更新装置１の評価手段１３は、第１の学習データＤの集合からサンプルＣＳまでの距離に基づいて内包されるか否かを評価する。この構成によれば、内包フラグの有無に基づく更新の判断を行うことが可能になる。

【0062】

上記の機械学習モデル更新装置１の算出手段１４は、運用データＣが含むサンプルＣＳの総数に対する内包フラグ（１）が付されたサンプルＣＳの数の割合を、更新判定指標値θ１として得る。この構成によれば、更新の判断を容易に行うことが可能になる。

【0063】

上記の機械学習モデル更新装置１において更新条件は、閾値である。更新判定手段１５は、更新判定指標値θ１が閾値を超えた場合に、第１の学習モデルＭを更新すると決定する。この構成によれば、更新の判断をさらに容易に行うことが可能になる。

【0064】

本発明の機械学習モデル更新装置、機械学習モデル更新方法及び機械学習モデル更新プログラムは、上述した実施形態に限定されない。

【0065】

算出手段１４は、フラグ付き運用データＣＦに付された内包フラグの内容を利用して、更新判定指標値θ１を得た。具体的には、実施形態の算出手段１４は、「内包する：０」又は「内包しない：１」の２値によって示される情報を用いて、更新判定指標値θ１を得た。評価手段１３は、内包フラグを決定するための内部処理においていくつかの値を生成する。例えば、評価手段１３は、「内包する：０」又は「内包しない：１」の判定結果を得るために、内部パラメータとして連続値で示されるスコアを用いる。評価手段１３は、スコアが所定の数値より小さい場合には、「内包する：０」と判定する。評価手段１３は、スコアが所定の数値より大きい場合には、「内包しない：１」と判定する。評価手段１３は、「０」又は「１」で示される内包フラグに加えて、サンプルに対してスコアを付すことによりスコア付き運用データを出力してもよい。そして、算出手段１４は、当該スコアを用いて更新判定指標値θ１を得てもよい。

【0066】

運用データＣには特に制限はない。例えば、運用データＣは、一日（２４時間）に得られたデータであってもよい。運用データＣは、一週間（２４時間×７日）に得られたデータであってもよい。

【符号の説明】

【0067】

１ 機械学習モデル更新装置
１１ 入力手段
１２ 学習モデル生成手段（学習モデル更新手段）
１３ 評価手段
１４ 算出手段
１５ 更新判定手段
１６ 学習データ更新手段
１７ 更新手段
Ｃ 運用データ
Ｄ 学習データ
Ｍ 学習モデル
Ｒ 推論結果

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】