特開 2024-165067 学習モデル生成装置および学習モデル生成方法

(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】P2024165067

(43)【公開日】2024-11-28

(54)【発明の名称】学習モデル生成装置および学習モデル生成方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241121BHJP

   G06F 18/2433 20230101ALI20241121BHJP

【ＦＩ】

G06N20/00

G06F18/2433

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023080904

(22)【出願日】2023-05-16

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(71)【出願人】

【識別番号】000227205

【氏名又は名称】ＮＥＣプラットフォームズ株式会社

(74)【代理人】

【識別番号】100103090

【弁理士】

【氏名又は名称】岩壁 冬樹

(74)【代理人】

【識別番号】100124501

【弁理士】

【氏名又は名称】塩川 誠人

(72)【発明者】

【氏名】鴇田 翔哉

(72)【発明者】

【氏名】堺 淳

(72)【発明者】

【氏名】竹内 俊樹

(72)【発明者】

【氏名】原山 理佳

(72)【発明者】

【氏名】濱田 毅

(72)【発明者】

【氏名】下田 智大

(57)【要約】

【課題】学習モデルのサイズ減らすことができ、かつ、学習に際して用意すべきメモリのサイズを小さくする。
【解決手段】学習モデル生成装置１０は、それぞれが特徴量を示す複数の特徴量データをグループ分けするデータ分割手段１１と、データ分割手段１１によって形成された複数のグループのうちの第１のグループに属する特徴量データ、または、第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する学習モデル生成手段１２とを含む。
【選択図】図５

【特許請求の範囲】

【請求項1】

それぞれが特徴量を示す複数の特徴量データをグループ分けするデータ分割手段と、
前記データ分割手段によって形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する学習モデル生成手段と
を備えた学習モデル生成装置。

【請求項2】

収集されたデータの各々から特徴量を抽出する特徴量抽出手段を備え、
前記データ分割手段は、前記特徴量抽出手段によって抽出された特徴量を示す複数の特徴量データをグループ分けする
請求項１記載の学習モデル生成装置。

【請求項3】

前記学習モデル生成手段が生成した前記学習モデルを用いて、前記他のグループに属する特徴量データが異常データであるか否かを判定する異常判定手段を備え、
前記学習モデル生成手段は、前記異常判定手段によって異常データであると判定された特徴量データを、前記他のグループに属する特徴量データの一部として、前記学習モデルを再学習させる
請求項２記載の学習モデル生成装置。

【請求項4】

前記異常判定手段は、全ての前記他のグループについて、特徴量データが異常データであるか否かの判定を実行し、
前記学習モデル生成手段は、全ての前記他のグループについて、前記学習モデルを再学習させる
請求項３記載の学習モデル生成装置。

【請求項5】

前記異常判定手段は、異常データであると判定した特徴量データを異常データ記憶部に格納し、
前記学習モデル生成手段は、前記異常データ記憶部に格納されている異常データを、前記他のグループに属する特徴量データの一部とする
請求項１から請求項４のうちのいずれか１項に記載の学習モデル生成装置。

【請求項6】

それぞれが特徴量を示す複数の特徴量データをグループ分けし、
形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する
学習モデル生成方法。

【請求項7】

収集されたデータの各々から特徴量を抽出し、
抽出された特徴量を示す複数の特徴量データをグループ分けする
請求項６記載の学習モデル生成方法。

【請求項8】

生成された前記学習モデルを用いて、前記他のグループに属する特徴量データが異常データであるか否かを判定し、
異常データであると判定された特徴量データを、前記他のグループに属する特徴量データの一部として、前記学習モデルを再学習させる
請求項７記載の学習モデル生成方法。

【請求項9】

コンピュータに、
それぞれが特徴量を示す複数の特徴量データをグループ分けする処理と、
形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する処理と
を実行させるための学習モデル生成プログラム。

【請求項10】

コンピュータに、
収集されたデータの各々から特徴量を抽出する処理と、
抽出された特徴量を示す複数の特徴量データをグループ分けする処理と
を実行させる請求項９記載の学習モデル生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、異常検知のための学習モデルを生成する学習モデル生成装置および学習モデル生成方法に関する。

【背景技術】

【0002】

電波を用いた無線通信が、様々な分野で利用されている。それに応じて、電波干渉や無線通信システムの障害の検知を行うこと、すなわち、異常検知が重要視される。そして、機械学習を利用して異常検知が行われることがある（例えば、特許文献１，２参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－１５９９５７号公報

【特許文献2】特開２０２２－１８２８４４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

対象の異常データを収集することは困難であるが、正常データは比較的容易に収集できる。そこで、機械学習を利用して異常検知を行う場合、正常データを学習データとして、モデル（機械学習モデル。以下、学習モデルという。）が教師なし機械学習で学習されることが多い。なお、正常データは、電波干渉や障害等がないときに得られるデータである。異常データは、電波干渉または障害等が存在するときに得られるデータである。

【0005】

正常データのみで学習を行う場合には、学習済みの学習モデルを用いるときに、正常と判定すべきデータを異常と判定してしまう過検出が発生する可能性がある。また、検知漏れが生ずる可能性がある。

【0006】

過検出および検知漏れの発生の可能性を減らすために、様々な状況で収集された大量の学習データが必要になる。また、学習モデルのサイズが大きくなる。

【0007】

大量の学習データが使用されるので、用意すべきメモリのサイズが大きくなる。また、学習モデルのサイズが大きくなるので、学習モデルを実現するための計算機に求められる性能が高くなる。換言すれば、高価な計算機が必要になる。

【0008】

本発明は、学習モデルのサイズ減らすことができ、かつ、学習に際して用意すべきメモリのサイズを小さくすることができる学習モデル生成装置および学習モデル生成方法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】

【0009】

本発明による学習モデル生成装置は、それぞれが特徴量を示す複数の特徴量データをグループ分けするデータ分割手段と、データ分割手段によって形成された複数のグループのうちの第１のグループに属する特徴量データ、または、第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する学習モデル生成手段とを含む。

【0010】

本発明による学習モデル生成方法は、それぞれが特徴量を示す複数の特徴量データをグループ分けし、形成された複数のグループのうちの第１のグループに属する特徴量データ、または、第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する。

【0011】

本発明による学習モデル生成プログラムは、コンピュータに、それぞれが特徴量を示す複数の特徴量データをグループ分けする処理と、形成された複数のグループのうちの第１のグループに属する特徴量データ、または、第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する処理とを実行させる。

【発明の効果】

【0012】

本発明によれば、学習モデルのサイズ減らすことができ、かつ、学習に際して用意すべきメモリのサイズを小さくすることができる。

【図面の簡単な説明】

【0013】

【図1】学習モデル生成装置の一実施形態の構成を示すブロック図である。

【図2】学習モデル生成部の処理を説明するための説明図である。

【図3】学習モデル生成装置の動作を示すフローチャートである。

【図4】学習モデル生成装置の機能を実現可能な情報処理装置の構成例を示すブロック図である。

【図5】学習モデル生成装置の主要部を示すブロック図である。

【発明を実施するための形態】

【0014】

以下、本発明の実施形態を図面を参照して説明する。

【0015】

図１は、異常検知のための学習モデルを生成する学習モデル生成装置の一実施形態の構成を示すブロック図である。図１に示す学習モデル生成装置１００は、特徴量検出部１１０、データ記憶部（特徴量記憶部）１２０、データ分割部１３０、分割データセット記憶部１４０、学習モデル２００を生成する学習モデル生成部１５０、異常判定部１６０、および異常データ記憶部１７０とを備えている。なお、図１における矢印は、信号（データ）の流れの方向を端的に示すが、双方向性を排除するものではない。このことは、他のブロック図についても同様である。

【0016】

学習モデル２００は、生成後すなわち学習済み後に、入力されたデータが正常データであるのか異常データであるのかを推定する推定モデルである。すなわち、学習済み後の学習モデル２００は、異常検知を行うための推定モデルとして使用可能である。

【0017】

異常検知は、入力されたデータが正常であるのか異常であるのかを判定することである。以下、電波を利用する無線通信分野において、電波干渉や障害（例えば、システムや機器等の故障や不具合）などが生じているか否か判定する場合を例にする。その場合、異常データは、電波干渉や障害などが生じている場合に取得されるデータである。また、電波干渉や障害などが生じていない場合に取得されるデータが正常データである。

【0018】

異常検知の運用時に、すなわち、推定フェーズにおいて、学習済みの学習モデル２００は、入力されたデータが正常であるのか異常であるのかの推定結果を示す推定データを出力するために使用される。推定データに基づいて、異常検知処理が実行される。異常検知処理は、例えば、電波干渉や障害が生じていることを検知する処理である。

【0019】

特徴量検出部１１０には、収集されたデータが入力される。電波干渉や障害などが生じているか否か判定する場合には、入力されるデータは受信データである。受信データは、例えば、無線電波を受信する受信部（図示せず）から出力されるデータである。

【0020】

特徴量検出部１１０は、入力されたデータの各々から特徴量を抽出する。電波干渉や障害などが生じているか否か判定する場合には、特徴量は、電波干渉を受けているか否か判定するための特徴量や、障害が生じているか否か判定するための特徴量などである。具体的には、特徴量は、例えば、周波数方向および時間方向の情報を含む統計的な情報を示す量である。一例として、特徴量として、振幅確率分布（ＡＰＤ：Amplitude Probability Distribution）、累積分布関数（ＣＤＦ：Cumulative Distribution Function）、振幅ヒストグラム、周波数スペクトラムを使用可能である。

【0021】

特徴量検出部１１０は、抽出した複数の特徴量を、複数の特徴量データとしてデータ記憶部１２０に格納する。

【0022】

データ分割部１３０は、データ記憶部１２０に格納されている特徴量データ群を、複数のグループに分割する。以下、グループに含まれるデータの集まりを、分割データセットという。データ分割部１３０は、分割データセットを、分割データセット記憶部１４０に格納する。

【0023】

学習モデル２００は、学習データ（訓練データ）を用いて機械学習を繰り返すことで生成される。機械学習は、ランダムフォレスト、サポートベクトルマシン、ニューラルネットワーク（Neural Network）、ディープニューラルネットワーク（Deep Neural Network）などである。学習モデル生成部１５０は、分割データセット記憶部１４０に格納されている分割データセットを学習データとして使用して学習モデル２００を生成する。なお、学習モデル生成部１５０は、学習モデル２００を生成するときに、分割データセットに加えて、異常データを使用することがある。

【0024】

以下、学習モデル２００の学習時に使用される異常データを「学習用異常データ」といい、学習モデル２００による推定結果が異常である場合の特徴量データを、「判定された異常データ」という。

【0025】

異常判定部１６０は、判定された異常データの集まりである異常データ群を、異常データ記憶部１７０に格納する。なお、学習モデル２００は正常／異常の判定結果を出力するので、学習モデル２００は異常判定部１６０の一部であると捉えることもできる。

【0026】

図２は、学習モデル生成部１５０の処理（学習フェーズ）を説明するための説明図である。

【0027】

図２に示すｘ_１～ｘ_４は、それぞれ、分割データセットを示す。なお、分割データセットの数すなわち入力データの分割数ｎ（ｎ≧２）は任意であるが、図２には、ｎ＝４の場合が例示されている。

【0028】

図２に示す例では、学習モデル生成部１５０は、まず、分割データセットｘ_１に含まれる特徴量データを学習データとして学習モデル２００を学習させる。学習完了後の学習モデル２００を学習モデルｙ_１とする（図２における（１）参照）。なお、本実施形態において、学習として教師なし学習が想定されるが、学習は、教師なし学習に限定されない。また、教師なし学習として、一般的な、主成分分析、クラスター分析、自己組織化マップ（SOM: self-organizing map）などを使用できる。

【0029】

異常判定部１６０は、学習モデルｙ_１を用いて、分割データセットｘ_２に含まれる特徴量データの異常判定を行う。異常判定部１６０は、異常と判定された特徴量データ群すなわち判定された異常データ群を異常データ記憶部１７０に格納する。

【0030】

次に、学習モデル生成部１５０は、分割データセットｘ_１に含まれる特徴量データと異常データ記憶部１７０に格納されている異常データ群に含まれる特徴量データとを学習データとして学習モデルｙ_１を学習させる。学習完了後の学習モデル２００を学習モデルｙ_１－２とする（図２における（２）参照）。

【0031】

なお、学習モデルｙ_１を学習させる時点で、異常データ記憶部１７０に格納されている異常データ群は、分割データセットｘ_２に含まれる特徴量データのうち異常と判定された特徴量データである。また、図２において、分割データセットｘ_１に含まれる特徴量データと、分割データセットｘ_２に含まれる特徴量データのうち異常と判定された特徴量データとの集まりが、ｘ_１－２で示されている。

【0032】

異常判定部１６０は、学習モデルｙ_１－２を用いて、分割データセットｘ_３に含まれる特徴量データの異常判定を行う。異常判定部１６０は、異常と判定された特徴量データ群すなわち判定された異常データ群を異常データ記憶部１７０に格納する。

【0033】

次に、学習モデル生成部１５０は、分割データセットｘ_１－２に含まれる特徴量データと異常データ記憶部１７０に格納されている異常データ群に含まれる特徴量データとを学習データとして学習モデルｙ_１－２を学習させる。学習完了後の学習モデル２００を学習モデルｙ_１－３とする（図２における（３）参照）。

【0034】

なお、学習モデルｙ_１－２を学習させる時点で、異常データ記憶部１７０に格納されている異常データ群は、分割データセットｘ_３に含まれる特徴量データのうち異常と判定された特徴量データである。また、図２において、分割データセットｘ_１に含まれる特徴量データと、分割データセットｘ_２に含まれる特徴量データのうち異常と判定された特徴量データと、分割データセットｘ_３に含まれる特徴量データのうち異常と判定された特徴量データとの集まりが、ｘ_１－３で示されている。

【0035】

異常判定部１６０は、学習モデルｙ_１－３を用いて、分割データセットｘ_４に含まれる特徴量データの異常判定を行う。異常判定部１６０は、異常と判定された特徴量データ群すなわち判定された異常データ群を異常データ記憶部１７０に格納する。

【0036】

次に、学習モデル生成部１５０は、分割データセットｘ_１－３に含まれる特徴量データと異常データ記憶部１７０に格納されている異常データ群に含まれる特徴量データとを学習データとして学習モデルｙ_１－３を学習させる。学習完了後の学習モデル２００を学習モデルｙ_１－４とする（図２における（４）参照）。

【0037】

なお、学習モデルｙ_１－３を学習させる時点で、異常データ記憶部１７０に格納されている異常データ群は、分割データセットｘ_４に含まれる特徴量データのうち異常と判定された特徴量データである。また、図２において、分割データセットｘ_１に含まれる特徴量データと、分割データセットｘ_２に含まれる特徴量データのうち異常と判定された特徴量データと、分割データセットｘ_３に含まれる特徴量データのうち異常と判定された特徴量データと、分割データセットｘ_４に含まれる特徴量データのうち異常と判定された特徴量データとの集まりが、ｘ_１－４で示されている。

【0038】

図２に示された例では、分割数は４である。分割数が４を超える場合（ｎ＞４の場合）には、学習モデル生成部１５０および異常判定部１６０が、分割データセットに含まれる特徴量データと、それまでの処理で得られた異常データとを学習データとして学習モデル２００を学習させる処理と、未だ使用されていない分割データセットに含まれる特徴量データの異常検知処理とを、繰り返し実行すればよい。そして、最終的に、学習モデルｙ_１－ｎが得られる。

【0039】

学習モデルｙ_１－ｎを得る場合に、学習フェーズにおいて、入力されたデータの全てを学習データとする訳ではない。つまり、ｎ個の分割データセットに含まれる特徴量データの全てが学習データとして使用される訳ではない。図２に示す例では、最初の分割データセットｘ_１に含まれる特徴量データのみが、学習データとして使用される。

【0040】

分割データセットｘ_１以外の分割データセットｘ_２，ｘ_３，ｘ_４については、異常データであると判定された特徴量データのみが学習データとして使用される。したがって、過検出等を防止することを目的として大量の特徴量データの全てを学習データとして使用する場合に比べて、学習データとして使用される特徴量データの数は少なくなる。したがって、学習モデルのサイズを小さくすることができる。また、学習フェーズにおいて用意されるべきメモリのサイズを小さくすることができる。

【0041】

また、正常データであると判定された、分割データセットｘ_２，ｘ_３，ｘ_４に含まれる特徴量データは、互いに類似している特徴量データである可能性がある。類似する多数の特徴量データを学習データとして使用しても、学習モデルの精度は上がらない。つまり、本実施形態では、学習モデルを生成するときに、学習データの数は少なくなっているが、大量の特徴量データの全てを学習データとして使用する場合と同程度の精度の学習モデル（学習済みの学習モデル）が得られることが期待される。

【0042】

次に、図３のフローチャートを参照して、学習モデル生成装置１００の動作を説明する。

【0043】

特徴量検出部１１０は、入力されたデータから特徴量を抽出する（ステップＳ１０１）。特徴量検出部１１０は、抽出した特徴量を示す特徴量データをデータ記憶部１２０に格納する。

【0044】

データ分割部１３０は、データ記憶部１２０に格納されている特徴量データ群を、複数のグループ（分割データセット）に分割する（ステップＳ１０２）。データ分割部１３０は、分割データセットを、分割データセット記憶部１４０に格納する。

【0045】

学習モデル生成部１５０は、変数ｋに１をセットする（ステップＳ１０３）。

【0046】

学習モデル生成部１５０は、図２に示すように、ｋ番目（この場合には、１番目）の分割データセットと異常データ記憶部１７０に格納されている異常データ（学習用異常データ）とを学習モデル２００に与えて、学習モデル２００を学習させる（ステップＳ１０４）。なお、ｋ＝１の場合には、異常データ記憶部１７０に異常データは格納されていない。よって、ｋ＝１の場合、学習モデル２００は、１番目の分割データセット（図２におけるｘ_１に相当）のみを用いて学習を行う。

【0047】

なお、ｋ≧２であるときに実行される学習は、再学習であるともいえる。

【0048】

学習モデル生成部１５０は、変数ｋの値を１増やす（ステップＳ１０５）。変数ｋの値がｎ（分割数）に達している場合には、処理を終了する（ステップＳ１０６）。

【0049】

変数ｋの値がｎ未満である場合には、異常判定部１６０は、学習モデルｙ_{（ｋ－１）}を用いて、次の分割データセット（分割データセットｘ_ｋ）に含まれる特徴量データの異常判定を行う（ステップＳ１０７）。異常判定部１６０は、判定された異常データ群を、学習用異常データとして異常データ記憶部１７０に格納する（ステップＳ１０８）。そして、ステップＳ１０４の処理に戻る。

【0050】

図３に示された処理によって、学習済みの学習モデル２００が得られる。具体的には、ステップＳ１０６において変数ｋの値がｎ（分割数）に達していると判定されたときに、そのときの学習モデル２００は、最終的な学習済みの学習モデルになる。

【0051】

なお、本実施形態では、主として、電波干渉や障害等に起因する異常の検知に用いられる学習モデルを生成する場合を例にした。しかし、本実施形態の学習モデル生成装置１００は、電波干渉や障害等に起因する異常に限られず、他の要因に基づく異常の検知に用いられる学習モデルを生成することもできる。他の要因に基づく異常の検知の一例として、ＩｏＴ（Internet of Things）での外れ値の検出、マルウェアの検出、製品の良品判定などがある。

【0052】

推定フェーズでは、学習済みの学習モデル２００を用いて、異常検知が実行される。すなわち、異常検知の対象である入力データの特徴量すなわち特徴量データが、学習モデル２００に入力される。学習モデル２００は、特徴量データが正常なデータであるのか異常なデータであるのかの推定結果を出力する。

【0053】

図４は、上記の実施形態の学習モデル生成装置１００の機能を実現可能な情報処理装置（コンピュータ）の構成例を示すブロック図である。図４に示す情報処理装置は、１つまたは複数のＣＰＵ（Central Processing Unit ）などのプロセッサ、プログラムメモリ１００２およびメモリ１００３を含む。図４には、１つのプロセッサ１００１を有する情報処理装置が例示されている。

【0054】

プログラムメモリ１００２は、例えば、非一時的なコンピュータ可読媒体（non-transitory computer readable medium ）である。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium ）を含む。例えば、プログラムメモリ１００２として、フラッシュＲＯＭ（Read Only Memory）などの半導体記憶媒体やハードディスク等の磁気記憶媒体が使用可能である。プログラムメモリ１００２は、上記の実施形態の学習モデル生成装置１００における各ブロック（特徴量検出部１１０、データ分割部１３０、学習モデル生成部１５０、および異常判定部１６０）の機能を実現するための学習モデル生成プログラムが格納される。

【0055】

プロセッサ１００１は、プログラムメモリ１００２に格納されている学習モデル生成プログラムに従って処理を実行することによって、学習モデル生成装置１００の機能を実現する。複数のプロセッサが搭載されている場合には、複数のプロセッサが共働して学習モデル生成装置１００の機能を実現することもできる。

【0056】

メモリ１００３として、例えば、ＲＡＭ（Random Access Memory）が使用可能である。メモリ１００３には、学習モデル生成装置１００が処理を実行しているときに発生する一時的なデータなどが記憶される。メモリ１００３に学習モデル生成プログラムが転送され、プロセッサ１００１がメモリ１００３内の画像処理プログラムに基づいて処理を実行するような形態も想定しうる。なお、プログラムメモリ１００２とメモリ１００３とは、一体であってもよい。

【0057】

データ記憶部１２０、分割データセット記憶部１４０、および異常データ記憶部１７０は、メモリ１００３に構築可能である。学習モデル２００は、例えば、メモリ１００３において構築される。学習済みの学習モデル２００を、他の情報処理装置に移植することができる。すなわち、あるコンピュータにおいて生成された学習モデルを、別のコンピュータで用いることができる。

【0058】

図５は、学習モデル生成装置の主要部を示すブロック図である。図５に示す学習モデル生成装置１０は、それぞれが特徴量を示す複数の特徴量データをグループ分けするデータ分割手段（データ分割部）１１（実施形態では、データ分割部１３０で実現される。）と、データ分割手段１１によって形成された複数のグループ（例えば、分割データセットｘ_１～ｘ_４）のうちの第１のグループ（例えば、分割データセットｘ_１）に属する特徴量データ、または、第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する学習モデル生成手段（学習モデル生成部）１２（実施形態では、学習モデル生成部１５０で実現される。）とを備えている。

【0059】

学習モデル生成装置１０は、収集されたデータの各々から特徴量を抽出する特徴量抽出手段（実施形態では、特徴量抽出部１１０で実現される。）を備え、データ分割手段１１は、特徴量抽出手段によって抽出された特徴量を示す複数の特徴量データをグループ分けするように構成されていてもよい。

【0060】

学習モデル生成装置１０は、学習モデル生成手段１２が生成した学習モデルを用いて、他のグループに属する特徴量データが異常データであるか否かを判定する異常判定手段（実施形態では、異常判定部１６０で実現される。）を備え、学習モデル生成手段１２は、異常判定手段によって異常データであると判定された特徴量データを、他のグループに属する特徴量データの一部として、学習モデルを再学習させるように構成されていてもよい。

【0061】

上記の実施形態の一部または全部は、以下の付記のようにも記載され得るが、本発明は、以下の構成に限定されるわけではない。

【0062】

（付記１）それぞれが特徴量を示す複数の特徴量データをグループ分けするデータ分割手段と、
前記データ分割手段によって形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する学習モデル生成手段と
を備えた学習モデル生成装置。

【0063】

（付記２）収集されたデータの各々から特徴量を抽出する特徴量抽出手段を備え、
前記データ分割手段は、前記特徴量抽出手段によって抽出された特徴量を示す複数の特徴量データをグループ分けする
付記１記載の学習モデル生成装置。

【0064】

（付記３）前記学習モデル生成手段が生成した前記学習モデルを用いて、前記他のグループに属する特徴量データが異常データであるか否かを判定する異常判定手段を備え、
前記学習モデル生成手段は、前記異常判定手段によって異常データであると判定された特徴量データを、前記他のグループに属する特徴量データの一部として、前記学習モデルを再学習させる
付記２記載の学習モデル生成装置。

【0065】

（付記４）前記異常判定手段は、全ての前記他のグループについて、特徴量データが異常データであるか否かの判定を実行し、
前記学習モデル生成手段は、全ての前記他のグループについて、前記学習モデルを再学習させる
付記３記載の学習モデル生成装置。

【0066】

（付記５）前記異常判定手段は、異常データであると判定した特徴量データを異常データ記憶部に格納し、
前記学習モデル生成手段は、前記異常データ記憶部に格納されている異常データを、前記他のグループに属する特徴量データの一部とする
付記１から付記４のうちのいずれか１項に記載の学習モデル生成装置。

【0067】

（付記６）それぞれが特徴量を示す複数の特徴量データをグループ分けし、
形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する
学習モデル生成方法。

【0068】

（付記７）収集されたデータの各々から特徴量を抽出し、
抽出された特徴量を示す複数の特徴量データをグループ分けする
付記６記載の学習モデル生成方法。

【0069】

（付記８）生成された前記学習モデルを用いて、前記他のグループに属する特徴量データが異常データであるか否かを判定し、
異常データであると判定された特徴量データを、前記他のグループに属する特徴量データの一部として、前記学習モデルを再学習させる
付記７記載の学習モデル生成方法。

【0070】

（付記９）コンピュータに、
それぞれが特徴量を示す複数の特徴量データをグループ分けする処理と、
形成された複数のグループのうちの第１のグループに属する特徴量データ、または、前記第１のグループに属する特徴量データと他のグループに属する特徴量データの一部とを学習データとして学習モデルを生成する処理と
を実行させるための学習モデル生成プログラム。

【0071】

（付記１０）コンピュータに、
収集されたデータの各々から特徴量を抽出する処理と、
抽出された特徴量を示す複数の特徴量データをグループ分けする処理と
を実行させる付記９記載の学習モデル生成プログラム。

【0072】

（付記１１）コンピュータに、
生成された前記学習モデルを用いて、前記他のグループに属する特徴量データが異常データであるか否かを判定する処理を実行させ、
異常データであると判定された特徴量データを、前記他のグループに属する特徴量データの一部として、前記学習モデルを再学習させる
付記１０記載の学習モデル生成プログラム。

【符号の説明】

【0073】

１０，１００ 学習モデル生成装置
１１ データ分割手段
１２ 学習モデル生成手段
１１０ 特徴量検出部
１２０ データ記憶部
１３０ データ分割部
１４０ 分割データセット記憶部
１５０ 学習モデル生成部
１６０ 異常判定部
１７０ 異常データ記憶部
２００ 学習モデル
１００１ プロセッサ
１００２ プログラムメモリ
１００３ メモリ

【図1】

【図2】

【図3】

【図4】

【図5】