特開 2023-93067 情報処理プログラム、情報処理方法および情報処理装置

(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】P2023093067

(43)【公開日】2023-07-04

(54)【発明の名称】情報処理プログラム、情報処理方法および情報処理装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20230627BHJP

【ＦＩ】

G06N20/00 130

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2021208473

(22)【出願日】2021-12-22

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(71)【出願人】

【識別番号】504176911

【氏名又は名称】国立大学法人大阪大学

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】鈴木 浩史

(72)【発明者】

【氏名】後藤 啓介

(72)【発明者】

【氏名】岩下 洋哲

(72)【発明者】

【氏名】▲高▼木 拓也

(72)【発明者】

【氏名】大堀 耕太郎

(72)【発明者】

【氏名】原 聡

(57)【要約】      （修正有）

【課題】説明可能なモデル生成時の計算コストを削減することが可能な情報処理プログラム、情報処理方法及び情報処理装置を提供する。
【解決手段】情報処理装置は、１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループとなるように、複数の線形モデルを複数のグループに分類する。情報処理装置はまた、複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、複数の線形モデルから重要度が反映される線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータに、
１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループとなるように、前記複数の線形モデルを複数のグループに分類し、
前記複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、前記複数の線形モデルから前記重要度が反映される線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する、
処理を実行させることを特徴とする情報処理プログラム。

【請求項2】

前記学習データに含まれる各説明変数について、重要な説明変数と仮定した場合の第１重要度と重要な説明変数ではないと仮定した場合の第２重要度とのそれぞれを組み合わせて定式化した前記複数の線形モデルを生成する、処理を前記コンピュータに実行させることを特徴とする請求項１に記載の情報処理プログラム。

【請求項3】

前記決定する処理は、
前記各説明変数について、前記第１重要度を含む線形モデルが属するグループの数である第１のグループ数と、前記第２重要度を含む線形モデルが属するグループの数である第２のグループ数とを算出し、
前記第１のグループ数と前記第２のグループ数との合算値が最も少なくなる説明変数を、前記質問の対象とする説明変数に決定する、ことを特徴とする請求項２に記載の情報処理プログラム。

【請求項4】

前記決定する処理は、
前記質問の対象とする説明変数が重要であるか否かをユーザに質問し、
前記質問に対する回答を取得し、
前記回答と合致しない重要度の説明変数を含む線形モデルが属するグループを前記複数のグループから削除する、ことを特徴とする請求項３に記載の情報処理プログラム。

【請求項5】

前記決定する処理は、
削除後のグループ数が閾値未満である場合は、削除後のグループ数に属する線形モデルの少なくとも１つを出力し、
削除後のグループ数が閾値以上である場合は、削除後のグループ数に属する線形モデルを用いて、前記合算値の算出および前記質問の対象とする説明変数の決定を実行する、ことを特徴とする請求項４に記載の情報処理プログラム。

【請求項6】

コンピュータが、
１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループとなるように、前記複数の線形モデルを複数のグループに分類し、
前記複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、前記複数の線形モデルから前記重要度が反映される線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する、
処理を実行することを特徴とする情報処理方法。

【請求項7】

１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループとなるように、前記複数の線形モデルを複数のグループに分類し、
前記複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、前記複数の線形モデルから前記重要度が反映される線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する、
制御部を有す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】

本発明は、情報処理プログラム、情報処理方法および情報処理装置に関する。

【背景技術】

【0002】

ＡＩ（Artificial Intelligence）技術が普及し、ブラックボックスなモデルの判断を鵜呑みにできない、人間にとって解釈可能な判断の根拠を示してほしいなど、説明可能な機械学習モデルの需要が増加している。このことから、ルールリスト、決定木、線形モデルなどのホワイトボックスモデルを予め用いることも行われるが、ホワイトボックスなモデルを単に用いるだけでは、人間にとって解釈可能なモデルとは限らない。

【0003】

現場知識にそぐわないＡＩモデルは、ユーザの納得感が低くなることから、学習データの説明変数のうちどれがＡＩモデルに出現するかが重要である。例えば、線形モデルでは、説明変数に係数で重み付けが行われることから、出現する説明変数により、ユーザの納得感も変化する。

【0004】

近年では、モデル生成と人間へのフィードバックとを繰り返す対話型アプローチにより、人間が納得できて精度がよいモデルを生成することが行われている。例えば、説明変数の重要度を導入した定式化により線形モデルを生成し、説明変数を１つ選択し、重要と思っているか否かをユーザに質問することを繰り返して説明変数を決定する。このとき、質問する説明変数には質問後に真の最適解に近づくと推測されるものが選択される。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１９－１６９１４７号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、上記技術では、未質問の説明変数がｋ個あれば、２^ｋ通りのモデル候補から提案のモデルをランダムに選択する。このため、ユーザの納得感を高めるために多数の説明変数に対して質問を行うことが望ましく、その場合計算コストが非常にかかる。

【0007】

一つの側面では、説明可能なモデル生成時の計算コストを削減することができる情報処理プログラム、情報処理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】

【0008】

第１の案では、情報処理プログラムは、コンピュータに、１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループとなるように、前記複数の線形モデルを複数のグループに分類し、前記複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、前記複数の線形モデルから前記重要度が反映される線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する、処理を実行させることを特徴とする。

【発明の効果】

【0009】

一実施形態によれば、説明可能なモデル生成時の計算コストを削減することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施例１にかかる情報処理装置を説明する図である。

【図2】図２は、説明変数と係数との関係を説明する図である。

【図3】図３は、実施例１にかかる情報処理装置の機能構成を示す機能ブロック図である。

【図4】図４は、学習データの一例を説明する図である。

【図5】図５は、複数の線形モデルと同値類によるグループ化を説明する図である。

【図6】図６は、質問に対する同値類の残数の変化を説明する図である。

【図7】図７は、質問する説明変数の選択を説明する図である。

【図8】図８は、質問に用いる画面例を説明する図である。

【図9】図９は、説明変数２が有用ではない場合の結果と再質問を説明する図である。

【図10】図１０は、説明変数４が重要である場合の結果を説明する図である。

【図11】図１１は、線形モデル出力時の画面例を説明する図である。

【図12】図１２は、処理の流れを示すフローチャートである。

【図13】図１３は、ハードウェア構成例を説明する図である。

【発明を実施するための形態】

【0011】

以下に、本発明にかかる情報処理プログラム、情報処理方法および情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

【実施例0012】

［情報処理装置の説明］
図１は、実施例１にかかる情報処理装置１０を説明する図である。図１に示すように、情報処理装置１０は、ユーザ５へ質問を繰り返す対話型アプローチにより、ユーザ５が納得できて精度がよいモデルを生成するコンピュータの一例である。

【0013】

近年利用されている説明可能なモデルでは、モデルの生成環境、モデルを適用する適用環境などの現場知識にそぐわないモデルが生成されることもあり、ユーザの納得感が低いことがある。例えば、線形モデル（以下では、単に「モデル」と記載する場合がある）を例にして説明すると、線形モデルでは、説明変数に係数で重み付けを行うことから、ユーザの納得感を高めるには、学習データに含まれる説明変数のうちどれがモデルに出現するかが重要である。

【0014】

図２は、説明変数と係数との関係を説明する図である。図２に示すように、学習データの説明変数が「温度」、「圧力」、「回転数」などであり、それぞれの係数が「０」、「０．５」、「－０．３」であるとする。この場合、納得感は、出現する説明変数の係数により変化する。重要な説明変数は、係数が０でないことが望ましい。つまり、図２の例では、説明変数「温度」の係数が０であることから、説明変数「温度」が重要なユーザにとっては納得ができないモデルとなる。

【0015】

このようなことから、対話型アプローチが利用されている。具体的には、情報処理装置１０は、説明変数の重要度を導入した定式化により線形モデルを生成し、説明変数を１つ選択し、それを重要と思っているか否かをユーザに質問することを繰り返すことで、各説明変数の重要度を判定する。このとき、情報処理装置１０は、質問する説明変数には質問後に真の最適解に近づくと推測されるものを選択する。

【0016】

ところが、この手法では、未質問の説明変数について重要か否かがランダムに仮定されており、提案される線形モデルは考えうるモデルの一部からランダムに選択されていることになる。つまり、ユーザの納得感を高めるために多数の説明変数に対して質問を行うことが望ましいが、その場合、説明可能なモデル生成時の計算コストが高い。

【0017】

そこで、実施例１にかかる情報処理装置１０は、１以上の変数をそれぞれが含む複数の線形モデルについて、各線形モデルに含まれる変数および変数に対する係数符号が一致する線形モデルが同一のグループ（同値類）となるように、複数の線形モデルを複数のグループに分類する。そして、情報処理装置１０は、複数の線形モデルの学習に使用される学習データに含まれる説明変数それぞれについての重要度の決定に利用される質問を出力して、複数の線形モデルから重要度が反映された線形モデルを選択する際に、質問の回答に基づき選択対象となるグループの減少度合いに基づき、質問の対象とする説明変数を決定する。

【0018】

具体的には、図１に示すように、情報処理装置１０は、学習データの各説明変数を重要視するかしないかを組合せた複数の線形モデルを生成し、複数の線形モデルを、係数が一致かつ係数の符号化が一致する同値類によりグループ化する。その後、情報処理装置１０は、同値類の残により質問する説明変数ｉの選択、説明変数ｉが重要か否かの質問、質問の返答による線形モデルの絞り込みを繰り返すことで、ユーザに適した線形モデルを、対話的かつユーザにとって少ない負担で生成する。

【0019】

つまり、情報処理装置１０は、ユーザに適したモデルがいずれかの同値類と等価になるように、線形モデルを係数符号の同値類に分割し、候補となる同値類の個数を大きく削減するように質問する説明変数を選択し同値類を効率的に絞り込む。この結果、情報処理装置１０は、説明可能なモデル生成時の計算コストを削減し、処理負荷の低減および処理時間の短縮を実現することができる。

【0020】

［情報処理装置の機能構成］
図３は、実施例１にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図３に示すように、情報処理装置１０は、通信部１１、出力部１２、記憶部１３、制御部２０を有する。

【0021】

通信部１１は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどにより実現される。例えば、通信部１１は、管理者の端末との間で、各種データの送受信を実行する。

【0022】

出力部１２は、各種情報を表示出力する処理部であり、例えばディスプレイやタッチパネルなどにより実現される。例えば、出力部１２は、後述する各種画面を表示し、画面上で返答を受け付ける。

【0023】

記憶部１３は、各種データや制御部２０が実行する各種プログラムを記憶する処理部であり、例えばメモリやハードディスクなどにより実現される。この記憶部１３は、学習データＤＢ１４、モデルＤＢ１５を記憶する。

【0024】

学習データＤＢ１４は、線形モデルの学習（訓練）に利用される学習データ（訓練データ）を記憶するデータベースである。ここで記憶される学習データは、複数の説明変数を有する。図４は、学習データの一例を説明する図である。図４に示すように、学習データＤＢ１４は、各学習データを識別するデータ名と各学習データが有する複数の説明変数とを対応付けて記憶する。図４の例では、学習データＡは、説明変数Ａ１、説明変数Ａ２、説明変数Ａ３を有する例を示している。なお、説明変数は、例えば温度などである。また、各学習データが教師あり学習に利用されるデータである場合には、正解情報であるラベルがさらに設定される。

【0025】

モデルＤＢ１５は、複数の線形モデルを記憶するデータベースである。ここで記憶される各線形モデルは、詳細については後述するが、後述するモデル生成部２１により生成されるモデルであり、現場知識に合致させるために生成されたモデルである。

【0026】

制御部２０は、情報処理装置１０全体を司る処理部であり、例えばプロセッサなどにより実現される。この制御部２０は、モデル生成部２１、質問部２２を有する。なお、モデル生成部２１、質問部２２は、プロセッサが有する電子回路やプロセッサが実行するプロセスなどにより実現される。

【0027】

モデル生成部２１は、学習データに基づき複数の線形モデルを生成する処理部である。具体的には、Lassoなどの手法を用いて、説明変数の重要度を導入した定式化により、重要度の割り当て方が異なる複数の線形モデルを生成して、モデルＤＢ１５に格納する。

【0028】

例えば、モデル生成部２１は、式（１）に示す線形モデルを生成する。式（１）に示す線形モデルＬは、精度の制御を示す第１項と、出現する説明変数の制御を示す第２項との和により定義される。ここで、Ｘは、学習データの説明変数であり、ｙは、学習データの目的変数（ラベル）である。また、β_ｉは、説明変数ｉの係数であり、ρ_ｉは、説明変数ｉの重要度である。なお、ρ_ｉは、ε、ｗ（０＜ε＜ｗ＜∞、ユーザパラメータ）のいずれかであり、ユーザに質問しなければ特定できない変数である。なお、ρ_ｉ＝εの場合は、説明変数ｉが重要な要素と処理され、ρ_ｉ＝ｗの場合は、説明変数ｉが重要ではない要素と処理される。このように、モデル生成部２１は、ρの値により、説明変数の重要度を設定することができる。

【0029】

【数1】

【0030】

実施例１において、モデル生成部２１は、学習データに含まれる各説明変数について、重要な説明変数と仮定した場合の第１重要度（ρ＝ε）と重要な説明変数ではないと仮定した場合の第２重要度（ρ＝ｗ）とのそれぞれを組み合わせて定式化した前記複数の線形モデルを生成する。

【0031】

具体的には、モデル生成部２１は、各説明変数について、重要である場合（ρ＝ε）と、重要ではない場合（ρ＝ｗ）とする各組合せにより、複数の線形モデルを生成する。例えば、モデル生成部２１は、学習データの説明変数がα_１とα_２の２つである場合、α_１を重要視する（係数ρ_ｉ＝ε）、α_２を重要視しない（係数ρ_ｉ＝ｗ）、α_２を重要視する（係数ρ_２＝ε）、α_２を重要視しない（係数ρ_ｉ＝ｗ）を組み合わせた４つの線形モデルを生成する。

【0032】

つまり、モデル生成部２１は、モデルを「モデル名、ρ（説明変数１の重要度，説明変数２の重要度）」で表した場合、「モデル１、ρ（ε，ε）」、「モデル２、ρ（ｗ，ε）」、「モデル３、ρ（ε，ｗ）」、「モデル４、ρ（ｗ，ｗ）」の４つのモデルを生成する。

【0033】

質問部２２は、説明変数が重要であるか否かをユーザに質問する処理部である。具体的には、質問部２２は、（１）複数の線形モデルを係数符号の同値類に分割し、（２）考慮すべき同値類の個数が大きく減るような説明変数について質問し、（３）質問に対する返答により線形モデルの絞り込みを行う一連の処理を繰り返す。

【0034】

ここで、一連の処理内の各処理について説明する。なお、ここでは、学習データが４つの説明変数を有し、各説明変数ｉの係数β_ｉが算出された、重要度の割り当て方が異なる１６個の線形モデル（Ｍ１からＭ１６）が生成された例で説明する。

【0035】

（１）複数の線形モデルの分類（グループ化）
図５は、複数の線形モデルと同値類によるグループ化を説明する図である。図５に示すように、モデル生成部２１により、Ｍ１からＭ１６の１６個の線形モデルが生成される。なお、各モデルは、「モデル名、重要度ρ（説明変数１が重要であるか否か（εまたはｗ），説明変数２が重要であるか否か，説明変数３が重要であるか否か，説明変数４が重要であるか否か）、各説明変数の係数」で表すとする。例えば、「Ｍ、ρ（ε，ｗ）、β_１＝０．１、β_２＝－０．５」の場合、説明変数１を重要視し、説明変数２を重要視しない計算を実行する線形モデルであり、説明変数１の係数として「β_１＝０．１」、説明変数２の係数として「β_２＝－０．５」が設定される線形モデルであることを示す。

【0036】

Ｍ１は、ρ（ε，ε，ε，ε）、説明変数１の係数β_１＝０、説明変数２の係数β_２＝－０．５、説明変数３の係数β_３＝０．３、説明変数４の係数β_４＝０．６を有するモデルである。Ｍ２は、ρ（ε，ε，ε，ｗ）、係数β_１＝０、係数β_２＝－０．５、係数β_３＝０．３、係数β_４＝０．６を有するモデルである。Ｍ３は、ρ（ε，ε，ｗ，ε）、係数β_１＝－０．５、係数β_２＝０、係数β_３＝０．４、係数β_４＝０．５を有するモデルである。Ｍ４は、ρ（ε，ε，ｗ，ｗ）、係数β_１＝０、係数β_２＝－０．１、係数β_３＝０．３、係数β_４＝０．５を有するモデルである。

【0037】

Ｍ５は、ρ（ε，ｗ，ε，ε）、係数β_１＝０．４、係数β_２＝－０．９、係数β_３＝０、係数β_４＝０．８を有するモデルである。Ｍ６は、ρ（ε，ｗ，ε，ｗ）、係数β_１＝０、係数β_２＝－０．８、係数β_３＝０、係数β_４＝０．９を有するモデルである。Ｍ７は、ρ（ε，ｗ，ｗ，ε）、係数β_１＝０．１、係数β_２＝－０．３、係数β_３＝０、係数β_４＝０．９を有するモデルである。Ｍ８は、ρ（ε，ｗ，ｗ，ｗ）、係数β_１＝０、係数β_２＝－０．３、係数β_３＝０、係数β_４＝０．９を有するモデルである。

【0038】

Ｍ９は、ρ（ｗ，ε，ε，ε）、係数β_１＝－０．１、係数β_２＝０、係数β_３＝１．０、係数β_４＝０．１を有するモデルである。Ｍ１０は、ρ（ｗ，ε，ε，ｗ）、係数β_１＝０、係数β_２＝－０．２、係数β_３＝０．８、係数β_４＝０．１を有するモデルである。Ｍ１１は、ρ（ｗ，ε，ｗ，ε）、係数β_１＝－０．２、係数β_２＝０、係数β_３＝１、係数β_４＝０．１を有するモデルである。Ｍ１２は、ρ（ｗ，ε，ｗ，ｗ）、係数β_１＝０、係数β_２＝－０．１、係数β_３＝０．９、係数β_４＝０．１を有するモデルである。

【0039】

Ｍ１３は、ρ（ｗ，ｗ，ε，ε）、係数β_１＝０．１、係数β_２＝－０．１、係数β_３＝０．１、係数β_４＝０．６を有するモデルである。Ｍ１４は、ρ（ｗ，ｗ，ε，ｗ）、係数β_１＝０、係数β_２＝－０．７、係数β_３＝０．２、係数β_４＝０．６を有するモデルである。Ｍ１５は、ρ（ｗ，ｗ，ｗ，ε）、係数β_１＝０．４、係数β_２＝－０．３、係数β_３＝０．２、係数β_４＝０．５を有するモデルである。Ｍ１６は、ρ（ｗ，ｗ，ｗ，ｗ）、係数β_１＝０、係数β_２＝－０．１、係数β_３＝０．３、係数β_４＝０．５を有するモデルである。

【0040】

このような状態において、質問部２２は、すべて説明変数の係数符号が同じモデルをまとめたものである同値類により、各モデルをグループ化する。例えば、質問部２２は、係数（β_ｉ）がすべて同じであるＭ１、Ｍ２、Ｍ４、Ｍ１０、Ｍ１２、Ｍ１４、Ｍ１６をグループ１（Ｇ１）に分類する。同様に、質問部２２は、係数（β_ｉ）がすべて同じであるＭ３、Ｍ９、Ｍ１１をグループ２（Ｇ２）に分類し、係数（β_ｉ）がすべて同じであるＭ５とＭ７をグループ３（Ｇ３）に分類し、係数（β_ｉ）がすべて同じであるＭ６とＭ８をグループ４（Ｇ４）に分類し、係数（β_ｉ）がすべて同じであるＭ１３とＭ１５をグループ５（Ｇ５）に分類する。すなわち、質問部２２は、複数の線形モデルを５つのグループに分類する。

【0041】

（２）考慮すべき同値類の個数が大きく減るような説明変数について質問
次に、質問部２２は、各説明変数について、重要であったときの残りの同値類の個数と重要でなかったときの残りの同値類の個数とを算出し、上記の値が最もバランスしかつ小さい説明変数（半々に近いもの）を質問対象に選択する。

【0042】

図６は、質問に対する同値類の残数の変化を説明する図である。図６に示すように、質問部２２は、４グループに分類された複数の線形モデルに対して、仮に、説明変数１（ｉ＝１）が重要であるかと質問を行った場合に、重要であるとする返答（はい）、重要ではない返答（いいえ）のそれぞれについて、同値類の残数を計算する。

【0043】

例えば、質問部２２は、説明変数１が重要であると仮定した場合、図６の（ａ）に示すように、説明変数１に「ε」が設定されているＭ１、Ｍ２、Ｍ３、Ｍ４、Ｍ５、Ｍ６、Ｍ７、Ｍ８を抽出し、同値類のグループ数を４（Ｇ１、Ｇ２、Ｇ３、Ｇ４）と算出する。つまり、質問部２２は、説明変数１が重要であると仮定した場合、同値類のグループが５から４に変化するので、同値類の残数を４と特定する。

【0044】

一方、質問部２２は、説明変数１が重要ではないと仮定した場合、図６の（ｂ）に示すように、説明変数１に「ｗ」が設定されているＭ９、Ｍ１０、Ｍ１１、Ｍ１２、Ｍ１３、Ｍ１４、Ｍ１５、Ｍ１６を抽出し、同値類のグループ数を３（Ｇ１、Ｇ２、Ｇ５）と算出する。つまり、質問部２２は、説明変数１が重要ではないと仮定した場合、同値類のグループが５から３に変化するので、同値類の残数を３と特定する。

【0045】

上述した手法を用いて、質問部２２は、各説明変数が重要であるか重要でないかのそれぞれについて、同値類の残数を算出し、最も同値類の残数が減少する説明変数を質問対象に選択する。図７は、質問する説明変数の選択を説明する図である。図７に示すように、質問部２２は、説明変数１を選択して質問し、返答が「はい（重要である）」の場合は同値類の残数が４、返答が「いいえ（重要ではない）」の場合は同値類の残数が３と算出する。同様に、質問部２２は、説明変数２を選択して質問し、返答が「はい」の場合は同値類の残数が２、返答が「いいえ」の場合は同値類の残数が４と算出し、説明変数３を選択して質問し、返答が「はい」の場合は同値類の残数が５、返答が「いいえ」の場合は同値類の残数が５と算出し、説明変数４を選択して質問し、返答が「はい」の場合は同値類の残数が４、返答が「いいえ」の場合は同値類の残数が２と算出する。

【0046】

この結果、質問部２２は、説明変数１に対する残数の合計が７、説明変数２に対する残数の合計６、説明変数３に対する残数の合計が１０、説明変数４に対する残数の合計が６であり、最も同値類の残数が減少する説明変数が説明変数２と説明変数４であることを特定し、この２つのうちランダムに選択した説明変数２を質問対象に選択する。図８は、質問に用いる画面例を説明する図である。図８に示すように、質問部２２は、説明変数が重要であるか否かを選択させる画面を、出力部１２に表示したり、ユーザ端末に送信したりする。この画面には、「説明変数［ＸＸＸ］は重要ですか」などのメッセージ、重要である場合に選択されるボタン「はい」と、重要はない場合に選択されるボタン「いいえ」が含まれる。

【0047】

（３）質問に対する返答により線形モデルの絞り込み
次に、質問部２２は、（２）で選択された説明変数２についての質問の実際の回答に基づき、ユーザの納得感が高い線形モデルを絞り込む。そして、質問部２２は、絞り込んだ複数の線形モデルに対して、（２）で説明した処理を実行し、次の説明変数について質問を実行する。

【0048】

図９は、説明変数２が有用ではない場合の結果と再質問を説明する図である。図９に示すように、質問部２２は、説明変数２が重要か否かの質問に対して、ユーザ５から「重要である（はい）」の返答を受信すると、４つのρのうち２番目のρが「ｗ」である線形モデル（Ｍ５、Ｍ６、Ｍ７、Ｍ８、Ｍ１３、Ｍ１４、Ｍ１５、Ｍ１６）を対象外とする。そして、質問部２２は、残った線形モデル（Ｍ１、Ｍ２、Ｍ３、Ｍ４、Ｍ９、Ｍ１０、Ｍ１１、Ｍ１２）を用いて、説明変数１、説明変数３、説明変数４の中から、（２）で説明した処理により、質問対象を選択する。

【0049】

具体的には、図９に示すように、質問部２２は、説明変数１を選択して質問し、返答が「はい（重要である）」の場合は同値類の残数が２、返答が「いいえ（重要ではない）」の場合は同値類の残数が２と算出する。同様に、質問部２２は、説明変数３を選択して質問し、返答が「はい」の場合は同値類の残数が２、返答が「いいえ」の場合は同値類の残数が２と算出し、説明変数４を選択して質問し、返答が「はい」の場合は同値類の残数が２、返答が「いいえ」の場合は同値類の残数が１と算出する。

【0050】

この結果、質問部２２は、説明変数１に対する残数の合計が４、説明変数３に対する残数の合計が４０、説明変数４に対する残数の合計が３であり、最も同値類の残数が減少する説明変数が説明変数４であることを特定し、説明変数４を質問対象に選択する。そして、質問部２２は、図８に示した画面を用いて、説明変数４が重要であるか否かをユーザ５に問い合わせる。

【0051】

その後、質問部２２は、説明変数４が重要であるか否かの質問について、ユーザ５より「重要ではない（いいえ）」の返答を受信したとする。図１０は、説明変数４が重要である場合の結果を説明する図である。図１０に示すように、質問部２２は、図９に示した線形モデルのうち、４つのρのうち４番目のρが「ε」である線形モデル（Ｍ１、Ｍ３、Ｍ９、Ｍ１１）を対象外とする。そして、質問部２２は、残った線形モデル（Ｍ２、Ｍ４、Ｍ１０、Ｍ１２）の同値類（グループ）が閾値以下（例えば１）であることから、これらの４つのモデルすべてもしくは４つのモデルからランダムに選択された１つ以上のモデルを、ユーザ５に出力（提供）する。

【0052】

図１１は、線形モデル出力時の画面例を説明する図である。図１１に示すように、質問部２２は、「あなたに適したモデルが完成しました。下のボタンでダウンロードできます。」などのメッセージを含む画面を、出力部１２に表示したり、ユーザ端末に送信したりする。この画面には、ボタン「ダウンロード」が含まれており、このボタン「ダウンロード」が選択されると、質問部２２は、上述した４つのモデルすべてもしくは４つのモデルからランダムに選択された１つ以上のモデルを、ユーザ端末等に出力する。

【0053】

この結果、ユーザ５は、自身が重要視する説明変数を用いる学習が実行できる線形モデルを取得し、学習データを用いた学習により、現場知識を反映させた適切な線形モデルを生成することができる。なお、モデルの学習（訓練）は、情報処理装置１０が実行することもできる。

【0054】

［処理の流れ］
図１２は、処理の流れを示すフローチャートである。図１２に示すように、情報処理装置１０の制御部２０は、学習データＤＢ１４から学習データを取得し（Ｓ１０１）、学習データの説明変数に基づき、複数の線形モデルの生成、同値類の算出、グループ化を実行する（Ｓ１０２）。

【0055】

続いて、制御部２０は、同値類が残り１つではない場合（Ｓ１０３：Ｎｏ）、各説明変数について、重要である場合と重要ではない場合との同値類の残数を算出する（Ｓ１０４）。そして、制御部２０は、重要な場合とそうでない場合で同値類の残数のバランスがよく、より残数が少ない説明変数について質問を実行する（Ｓ１０５）。そして、制御部２０は、ユーザの返答を受け取り、同値類を絞り込む（Ｓ１０６）。

【0056】

その後、制御部２０は、Ｓ１０３に戻って、同値類が残り１つか否かを判定し（Ｓ１０３）、同値類が残り１つではない場合（Ｓ１０３：Ｎｏ）、Ｓ１０４以降を繰り返す。一方、制御部２０は、同値類が残り１つである場合（Ｓ１０３：Ｙｅｓ）、同値類内の線形モデルを１つ出力する（Ｓ１０７）。

【0057】

［効果］
上述したように、情報処理装置１０は、線形モデルを係数符号の同値類に分割することでユーザに適した線形モデルがいずれかの同値類と等価とすることができる。情報処理装置１０は、候補となる同値類の個数を大きく削減するように、質問する説明変数を選択し同値類を効率的に絞り込むことができる。この結果、情報処理装置１０は、少ない回数でユーザに適した線形モデルを生成することができ、説明可能なモデル生成時の計算コストを削減することができる。

【0058】

また、質問が多くなると、途中であきらめてしまうユーザの多発が考えられるが、実施例１による手法では、説明変数がｋ個ある場合でも、全説明変数について質問する必要がないので、ユーザが最後まで返答する可能性が高くなる。この結果、情報処理装置１０は、処理の高速化の観点と、ユーザの現場知識を考慮した線形モデルの提供の観点との両方の観点から、納得度の高いサービス提供および納得度の高い線形モデルの提供を実現することができる。

【実施例0059】

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

【0060】

［数値等］
上記実施例で用いた数値例、線形モデル例、説明変数の例および数、係数、グループ数、各画面例等は、あくまで一例であり、任意に変更することができる。また、各フローチャートで説明した処理の流れも矛盾のない範囲内で適宜変更することができる。また、線形モデルに限らず、説明変数の重要度を導入できるモデルであれば、ニューラルネットワークなどを用いることもできる。

【0061】

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

【0062】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

【0063】

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

【0064】

［ハードウェア］
図１３は、ハードウェア構成例を説明する図である。図１３に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１３に示した各部は、バス等で相互に接続される。

【0065】

通信装置１０ａは、ネットワークインタフェースカードなどであり、他の装置との通信を行う。ＨＤＤ１０ｂは、図３に示した機能を動作させるプログラムやＤＢを記憶する。

【0066】

プロセッサ１０ｄは、図３に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図３等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、情報処理装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、モデル生成部２１、質問部２２等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、モデル生成部２１、質問部２２等と同様の処理を実行するプロセスを実行する。

【0067】

このように、情報処理装置１０は、プログラムを読み出して実行することで情報処理方法を実行する情報処理装置として動作する。また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、上記実施例が同様に適用されてもよい。

【0068】

このプログラムは、インターネットなどのネットワークを介して配布されてもよい。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行されてもよい。