知財求人 - 知財ポータルサイト「IP Force」
(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】P2024167998
(43)【公開日】2024-12-05
(54)【発明の名称】情報処理装置、情報処理方法およびプログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20241128BHJP
G06F 11/07 20060101ALI20241128BHJP
【ＦＩ】
G06N20/00 130
G06F11/07 151
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2023084370
(22)【出願日】2023-05-23
(71)【出願人】
【識別番号】000003078
【氏名又は名称】株式会社東芝
(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】山口 晃広
(72)【発明者】
【氏名】植野 研
(72)【発明者】
【氏名】新垣 隆生
【テーマコード（参考）】
5B042
【Ｆターム（参考）】
5B042JJ18
(57)【要約】
【課題】一部の状態の学習データのみでモデルを学習する場合であっても、当該モデルを用いた分類をより高精度に実行する。
【解決手段】情報処理装置は、処理部を備える。処理部は、検知モデルを用いて、入力波形データが第１状態であるか否かを検知する。処理部は、第１状態であることが検知されたときに、検知モデルを用いて予め検知された第２状態である複数の第２状態波形データを取得する。処理部は、第１状態であることが検知された第１状態波形データと、複数の第２状態波形データと、を学習データとして用いて、波形データが第１状態および第２状態のいずれであるかを分類する分類モデルを学習することにより、第１状態波形データが第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する。処理部は、生成された部分波形パターンを出力する。
【選択図】図１
【解決手段】情報処理装置は、処理部を備える。処理部は、検知モデルを用いて、入力波形データが第１状態であるか否かを検知する。処理部は、第１状態であることが検知されたときに、検知モデルを用いて予め検知された第２状態である複数の第２状態波形データを取得する。処理部は、第１状態であることが検知された第１状態波形データと、複数の第２状態波形データと、を学習データとして用いて、波形データが第１状態および第２状態のいずれであるかを分類する分類モデルを学習することにより、第１状態波形データが第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する。処理部は、生成された部分波形パターンを出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
検知モデルを用いて、入力波形データが第１状態であるか否かを検知し、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得し、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成し、
処理部
を備える情報処理装置。
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得し、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成し、
処理部
を備える情報処理装置。
【請求項2】
前記処理部は、前記部分波形パターンを用いて前記学習データの特徴量を算出し、算出した前記特徴量を前記分類モデルに入力したときの分類性能を示す評価指標を算出し、前記評価指標が他の前記部分波形パターンより大きい１つ以上の前記部分波形パターンを生成する、
請求項１に記載の情報処理装置。
請求項１に記載の情報処理装置。
【請求項3】
前記処理部は、
選択する前記部分波形パターンの長さ、および、前記部分波形パターンを選択する範囲のうち、少なくとも一方である選択パラメータを、前記検知モデルによる検知時に得られる選択情報に基づいて決定し、
決定された前記選択パラメータに従い前記第１状態波形データから前記部分波形パターンを選択し、選択した前記部分波形パターンを用いて前記特徴量を算出する、
請求項２に記載の情報処理装置。
選択する前記部分波形パターンの長さ、および、前記部分波形パターンを選択する範囲のうち、少なくとも一方である選択パラメータを、前記検知モデルによる検知時に得られる選択情報に基づいて決定し、
決定された前記選択パラメータに従い前記第１状態波形データから前記部分波形パターンを選択し、選択した前記部分波形パターンを用いて前記特徴量を算出する、
請求項２に記載の情報処理装置。
【請求項4】
前記選択情報は、前記入力波形データが前記第１状態であることを検知するときに用いた波形データの長さ、および、前記入力波形データに含まれる部分波形パターンのうち前記第１状態であることが検知された部分波形パターンを含む範囲、のうち少なくとも一方である、
請求項３に記載の情報処理装置。
請求項３に記載の情報処理装置。
【請求項5】
前記評価指標は、
前記学習データを前記分類モデルで分類するときのクラス分類損失、
前記クラス分類損失と前記分類モデルの複雑さとに基づく、赤池情報量規準、ベイズ情報量規準、および、最小記述長のうちいずれか、または、
検証用データを前記分類モデルで分類するときのクラス分類損失、である、
請求項２に記載の情報処理装置。
前記学習データを前記分類モデルで分類するときのクラス分類損失、
前記クラス分類損失と前記分類モデルの複雑さとに基づく、赤池情報量規準、ベイズ情報量規準、および、最小記述長のうちいずれか、または、
検証用データを前記分類モデルで分類するときのクラス分類損失、である、
請求項２に記載の情報処理装置。
【請求項6】
前記特徴量は、前記部分波形パターンと前記学習データとの距離、前記部分波形パターンと前記学習データとの類似度、または、前記部分波形パターンと前記学習データとの非類似度である、
請求項２に記載の情報処理装置。
請求項２に記載の情報処理装置。
【請求項7】
前記処理部は、
複数の前記入力波形データに対して、前記入力波形データが前記第１状態であるか否かを検知し、
複数の前記入力波形データに含まれる第１入力波形データについて第１部分波形パターンを生成した後、複数の前記入力波形データに含まれる第２入力波形データに対する前記部分波形パターンとして、前記第１部分波形パターンと類似せず、かつ、前記第１部分波形パターンで学習した前記分類モデルに対する前記分類性能の差異が閾値以上でない前記部分波形パターンを除外した第２部分波形パターンを生成する、
請求項２に記載の情報処理装置。
複数の前記入力波形データに対して、前記入力波形データが前記第１状態であるか否かを検知し、
複数の前記入力波形データに含まれる第１入力波形データについて第１部分波形パターンを生成した後、複数の前記入力波形データに含まれる第２入力波形データに対する前記部分波形パターンとして、前記第１部分波形パターンと類似せず、かつ、前記第１部分波形パターンで学習した前記分類モデルに対する前記分類性能の差異が閾値以上でない前記部分波形パターンを除外した第２部分波形パターンを生成する、
請求項２に記載の情報処理装置。
【請求項8】
前記処理部は、
前記閾値の指定を受け付け、
指定された前記閾値を用いて前記第２部分波形パターンを生成する、
請求項７に記載の情報処理装置。
前記閾値の指定を受け付け、
指定された前記閾値を用いて前記第２部分波形パターンを生成する、
請求項７に記載の情報処理装置。
【請求項9】
前記処理部は、
複数の前記第２状態波形データのうち、
前記第１状態であることが検知された前記入力波形データと類似する前記第２状態波形データ、および、
前記検知モデルによる検知で用いられる特徴量が、前記第１状態であることが検知された前記入力波形データに対する前記検知モデルによる検知で用いられる特徴量と類似する前記第２状態波形データ、のうち少なくとも一方を取得する、
請求項１に記載の情報処理装置。
複数の前記第２状態波形データのうち、
前記第１状態であることが検知された前記入力波形データと類似する前記第２状態波形データ、および、
前記検知モデルによる検知で用いられる特徴量が、前記第１状態であることが検知された前記入力波形データに対する前記検知モデルによる検知で用いられる特徴量と類似する前記第２状態波形データ、のうち少なくとも一方を取得する、
請求項１に記載の情報処理装置。
【請求項10】
前記検知モデルは、複数の部分検知モデルを含み、
前記処理部は、複数の前記部分検知モデルのうち、前記第１状態であることを検知した前記部分検知モデルによる検知に用いられた前記第２状態波形データを取得する、
請求項１に記載の情報処理装置。
前記処理部は、複数の前記部分検知モデルのうち、前記第１状態であることを検知した前記部分検知モデルによる検知に用いられた前記第２状態波形データを取得する、
請求項１に記載の情報処理装置。
【請求項11】
前記処理部は、
取得する複数の前記第２状態波形データの個数の指定を受け付け、
前記個数の第２状態波形データを取得する、
請求項１に記載の情報処理装置。
取得する複数の前記第２状態波形データの個数の指定を受け付け、
前記個数の第２状態波形データを取得する、
請求項１に記載の情報処理装置。
【請求項12】
前記処理部は、
生成された前記部分波形パターンを出力する、
請求項１に記載の情報処理装置。
生成された前記部分波形パターンを出力する、
請求項１に記載の情報処理装置。
【請求項13】
前記処理部は、
前記入力波形データが前記第１状態であるか否かを検知する検知部と、
複数の前記第２状態波形データを取得する取得部と、
１つ以上の前記部分波形パターンを生成する生成部と、
を備える、
請求項１に記載の情報処理装置。
前記入力波形データが前記第１状態であるか否かを検知する検知部と、
複数の前記第２状態波形データを取得する取得部と、
１つ以上の前記部分波形パターンを生成する生成部と、
を備える、
請求項１に記載の情報処理装置。
【請求項14】
情報処理装置で実行される情報処理方法であって、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を含む情報処理方法。
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を含む情報処理方法。
【請求項15】
コンピュータに、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を実行させるためのプログラム。
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。
【背景技術】
【0002】
センサデータなどの時系列データ（時系列波形データ）のクラス分類技術では、分類性能に加えて分類の根拠を明確にすることが望ましい。分類の根拠を明確にする技術として、分類モデル（分類器）に加えて分類に有効な部分波形パターンであるシェイプレット（shapelet）を一緒に学習する教師有シェイプレット学習法が提案されている。
【0003】
一方、インフラ設備および製造装置などの異常検知では、学習時に異常事例（異常データ）を収集することが困難な場合がある。このため、判定根拠の提示性能および異常検知性能の向上に加えて、正常事例（正常データ）のみで学習することが求められる。この例は異常および正常の２つの状態（クラス）に分類する例であるが、複数の状態に分類するその他の例についても同様に、一部の状態の学習データのみで学習することが求められる場合がある。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特許第７１６６５０１号公報
【非特許文献】
【0005】
【非特許文献1】Isak Karlsson et al.，“Generalized random shapelet forests.”， Data Mining and Knowledge Discovery 30, 5 （2016）, 1053-1085
【発明の概要】
【発明が解決しようとする課題】
【0006】
本発明は、一部の状態の学習データのみでモデルを学習する場合であっても、当該モデルを用いた分類をより高精度に実行できる情報処理装置、情報処理方法およびプログラム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】
【0007】
情報処理装置は、処理部を備える。処理部は、検知モデルを用いて、入力波形データが第１状態であるか否かを検知する。処理部は、第１状態であることが検知されたときに、検知モデルを用いて予め検知された第２状態である複数の第２状態波形データを取得する。処理部は、第１状態であることが検知された第１状態波形データと、複数の第２状態波形データと、を学習データとして用いて、波形データが第１状態および第２状態のいずれであるかを分類する分類モデルを学習することにより、第１状態波形データが第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する。処理部は、生成された部分波形パターンを出力する。
【図面の簡単な説明】
【0008】
【図1】第１の実施形態の情報処理装置のブロック図。
【図2】第１の実施形態における学習処理のフローチャート。
【図3】第１の実施形態における推定処理のフローチャート。
【図4】第１の実施形態における根拠出力処理のフローチャート。
【図5】第２の実施形態の情報処理装置のブロック図。
【図6】第２の実施形態における根拠出力処理のフローチャート。
【図7】第２の実施形態の必要性を説明するための図。
【図8】実施形態の情報処理装置のハードウェア構成図。
【発明を実施するための形態】
【0009】
以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。
【0010】
以下では、分類する複数の状態（クラス）が異常および正常である場合を主に説明するが、分類する状態はこれらに限られず、どのような状態であってもよい。また、以下では、センサデータなどの時系列波形データを入力し、入力したデータの状態を検知する例を説明するが、処理対象のデータは時系列波形データに限られない。なお、以下では、時系列波形データを単に波形データという場合がある。
【0011】
上記のように、分類モデルおよびシェイプレットを一緒に学習する教師有シェイプレット学習法が提案され、データマイニングおよび機械学習の分野で注目を集めている。このような技術は、シェイプレットを特定しユーザに提示できるため説明性があり、また、学習時に正常および異常などのクラスラベルを活用できるため判定根拠の提示性能は高い。また、現在も盛んに技術が更新され、ハイパーパラメータの調整を不要にする技術、および、高い分類性能を達成する技術が提案されている。
【0012】
なお、同じ学習データを用いても学習するたびに判定根拠とされるシェイプレットが異なる場合がある。この結果、同一の異常にも関わらず提示されるシェイプレットが毎回異なり、ユーザを混乱させるような状況が生じうる。従って、同一の状態（異常など）については可能な限り同じシェイプレットが提示されることが望ましい。
【0013】
（第１の実施形態）
第１の実施形態の情報処理装置は、以下の要件を満たすように構成される。
・異常データなし（正常データのみ）で学習する。
・判定根拠を提示する。
・ハイパーパラメータの調整が不要である。
・異常検知の性能、および、判定根拠の提示性能が高い。
第１の実施形態の情報処理装置は、以下の要件を満たすように構成される。
・異常データなし（正常データのみ）で学習する。
・判定根拠を提示する。
・ハイパーパラメータの調整が不要である。
・異常検知の性能、および、判定根拠の提示性能が高い。
【0014】
例えば実施形態の情報処理装置は、正常データのみで学習した検知モデルで判定根拠を提示する際に、教師有シェイプレット学習法を用いる。これを実現するため、情報処理装置は、運用前ではなく異常検知を行う運用時にシェイプレットを学習する。異常検知時には異常データが少なくとも１つあるため、情報処理装置は、教師有シェイプレット学習法で判定根拠を提示することができる。
【0015】
運用時とは、検知モデルを用いた推定（検知、検査、推論などともいう）を行うフェーズである。運用前とは、推定に用いるための検知モデルを準備するフェーズであり、例えば、検知モデルの学習が実行される。運用前および運用時は、それぞれ学習フェーズおよび推定（推論）フェーズなどと呼ばれる場合がある。
【0016】
図１は、第１の実施形態の情報処理装置１００の構成の一例を示すブロック図である。図１に示すように、情報処理装置１００は、受付部１０１と、学習部１１０と、推定部１２０と、出力制御部１０２と、記憶部１３１と、表示部１３２と、を備えている。
【0017】
受付部１０１は、情報処理装置１００で用いられる各種情報の入力を受け付ける。例えば受付部１０１は、学習部１１０による学習に用いられる学習データ、推定の対象となる時系列波形データ（入力波形データ）、および、学習または推定で用いられる各種パラメータの指定を受け付ける。
【0018】
パラメータは、例えば以下のような情報である。
・提示（出力）するシェイプレットの最大数および最小数
・提示するシェイプレットの生成処理の繰り返し回数の上限
・異常が検知された入力波形データ（異常波形データ、第１状態波形データの一例）と比較するために取得される正常波形データ（第２状態波形データの一例）の個数
・提示（出力）するシェイプレットの最大数および最小数
・提示するシェイプレットの生成処理の繰り返し回数の上限
・異常が検知された入力波形データ（異常波形データ、第１状態波形データの一例）と比較するために取得される正常波形データ（第２状態波形データの一例）の個数
【0019】
学習部１１０は、検知モデルの学習を行う。本実施形態では、学習部１１０は、教師有シェイプレット学習法を適用しない。すなわち学習部１１０は、学習時にシェイプレットを特定しない。検知モデルは、波形データの異常および正常を検知できるモデルであれば、どのような方法で学習されてもよい。
【0020】
学習部１１０は、例えば、事前に収集された複数の正常の時系列波形データ（正常時系列データセット）を学習データとして用いて、検知モデルを学習する。例えば、学習部１１０は、Ｍｉｎｉｒｏｃｋｅｔを用いて教師無しの波形特徴量を生成し、生成した波形特徴量を用いて、以下のような技術で実現される検知モデルを学習する。
・ＤｅｅｐＳＶＤＤ（Support Vector Data Discription）
・ＥＣＯＤ（Empirical-Cumulative-distribution-based Outlier Detection）
・ＤｅｅｐＳＶＤＤ（Support Vector Data Discription）
・ＥＣＯＤ（Empirical-Cumulative-distribution-based Outlier Detection）
【0021】
ＭｉｎｉｒｏｃｋｅｔとＥＣＯＤとの組み合わせを用いると、検知モデルに関するハイパーパラメータの調整は不要となる。学習部１１０は、学習により得られた検知モデル、および、学習時に用いた特徴量を、例えば記憶部１３１に記憶する。記憶された検知モデルおよび特徴量は、推定部１２０による推定に用いられる。
【0022】
推定部１２０は、学習された検知モデルを用いて、推定の対象となる時系列波形データの状態を推定する。推定部１２０は、検知部１２１と、取得部１２２と、生成部１２３と、を備えている。
【0023】
検知部１２１は、検知モデルを用いて、入力波形データが異常（第１状態の一例）であるか否かを検知する。
【0024】
取得部１２２は、異常であることが検知されたときに、正常（第２状態の一例）である複数の正常波形データを取得する。正常波形データは、検知モデルを用いて、正常である波形データとして予め検知された波形データである。取得部１２２は、例えば、事前に収集された正常波形データセットから、複数の正常波形データを取得する。
【0025】
正常波形データセットは、例えば、検知モデルにより正常であると推定された複数の波形データを含むデータセットとして記憶部１３１に予め記憶される。取得部１２２は、記憶部１３１に記憶された正常波形データセットから、以下の手法（Ｍ１）～（Ｍ４）のうち少なくとも１つにより、複数の正常波形データを取得する。
【0026】
（Ｍ１）正常波形データセットの事例数（データ数）が少ない場合、取得部１２２は、正常波形データセットに含まれるすべての正常波形データを取得する。
【0027】
（Ｍ２）取得部１２２は、異常波形データと類似する正常波形データを取得する。類似するか否かは、例えば、データ間の距離が閾値（距離の閾値）以下であるか否かにより判定される。距離は、例えば、入力波形データと正常波形データとの間のユークリッド距離、および、ＤＴＷ（Dynamic Time Warping）距離などである。
【0028】
（Ｍ３）異常検知の際に特徴量を生成するような検知モデルが使用される場合は、取得部１２２は、検知モデルによる検知で用いられる特徴量が、異常波形データの特徴量と類似する正常波形データを取得する。
【0029】
（Ｍ４）装置の状態および季節などの違いに応じた複数の部分検知モデルを含む検知モデルが使用される場合、取得部１２２は、複数の部分検知モデルのうち、異常であることを検知した部分検知モデルによる検知に用いられた正常波形データ（異常の検知に寄与した部分検知モデルに関連する正常波形データ）を取得する。
【0030】
上記の（Ｍ４）の例を説明する。例えば、検知モデルが、季節に応じて複数の部分検知モデルを含むとする。このような検知モデルが使用される場合、推定部１２０は、例えば、異常の検知を行う時点の季節に応じた部分検知モデルを用いて、入力波形データに対する推定を行う。入力波形データが正常であることが検知されると、当該入力波形データは、正常波形データとして記憶部１３１の正常波形データセットに追加される。このとき、正常波形データは、例えば、検知を行った時点の季節、または、検知に用いた部分検知モデルを示す情報が対応づけられて記憶される。取得部１２２は、この情報を参照することにより、異常の検知に用いられた部分検知モデルと同じ部分検知モデルにより正常であると検知された正常波形データを特定することができる。
【0031】
受付部１０１により、取得される正常波形データの個数の指定が受け付けられる場合、取得部１２２は、指定された個数の第２状態波形データを取得してもよい。
【0032】
生成部１２３は、検知部１２１により入力波形データの異常が検知されたときに、入力波形データと、取得部１２２により取得された複数の正常波形データと、を用いて、１つ以上のシェイプレットを生成する。例えば生成部１２３は、異常波形データ（第１状態波形データ）と、取得された複数の正常波形データと、を学習データとして用いて分類モデルを学習することにより、シェイプレットを生成する。
【0033】
分類モデルは、検知モデルとは異なるモデルであり、入力された波形データが、異常および正常のいずれであるかを分類するモデルである。生成される１つ以上のシェイプレットは、入力波形データに含まれる複数の部分波形パターンのうち、入力波形データが異常であることを示す根拠となる部分波形パターンに相当する。
【0034】
生成部１２３によるシェイプレットの生成処理は、従来の教師有シェイプレット学習法と同様の手順により実現できる。生成部１２３による処理の詳細は後述する。
【0035】
出力制御部１０２は、情報処理装置１００で用いられる各種情報の出力を制御する。例えば出力制御部１０２は、生成部１２３により生成された１つ以上のシェイプレットを示す情報を、表示部１３２に出力（表示）する。
【0036】
上記各部（受付部１０１、学習部１１０、推定部１２０、および、出力制御部１０２）の少なくとも一部は、１つの処理部により実現されてもよい。上記各部は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）およびＧＰＵ（Graphics Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２つ以上を実現してもよい。
【0037】
記憶部１３１は、情報処理装置で用いられる各種情報を記憶する。例えば記憶部１３１は、正常波形データセット、および、学習された検知モデルを示す情報などを記憶する。
【0038】
なお、記憶部１３１は、フラッシュメモリ、メモリカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。
【0039】
表示部１３２は、情報処理装置１００で用いられる各種情報を表示する装置の一例である。表示部１３２は、例えば液晶ディスプレイなどの表示装置により実現される。
【0040】
なお、情報処理装置１００は、物理的に１つの装置によって構成されてもよいし、物理的に複数の装置によって構成されてもよい。例えば情報処理装置１００は、クラウド環境上で構築されてもよい。また、情報処理装置１００内の各部は、複数の装置に分散して備えられてもよい。例えば、学習に必要な機能（学習部１１０など）を備える装置（例えば、学習装置）と、推定に必要な機能（推定部１２０など）を備える装置（例えば、推定装置）と、を備えるように情報処理装置１００（情報処理システム）を構成してもよい。
【0041】
次に、第１の実施形態の情報処理装置１００による学習処理について説明する。学習処理は、運用前に検知モデルを学習する処理である。図２は、第１の実施形態における学習処理の一例を示すフローチャートである。
【0042】
学習部１１０は、検知モデルの学習のための学習データとして事前に収集された正常波形データセットを用いて、検知モデルを学習する（ステップＳ１０１）。学習部１１０は、学習した検知モデルを示す情報と、正常波形データセットに対して学習時に算出された特徴量と、を記憶部１３１に記憶し（ステップＳ１０２）、学習処理を終了する。
【0043】
次に、第１の実施形態の情報処理装置１００による推定処理について説明する。推定処理は、学習された検知モデルを用いて、推定の対象として入力される波形データ（入力波形データ）の状態を推定する処理である。図３は、第１の実施形態における推定処理の一例を示すフローチャートである。
【0044】
検知部１２１は、学習された検知モデルを用いて、入力波形データの異常を検知する（ステップＳ２０１）。推定部１２０は、異常が検知されたか否かを判定する（ステップＳ２０２）。異常が検知されなかった場合（ステップＳ２０２：Ｎｏ）、推定処理は終了する。なお、出力制御部１０２は、異常が検知されなかったことを示す情報を出力してもよい。
【0045】
異常が検知された場合（ステップＳ２０２：Ｙｅｓ）、推定部１２０は、異常の根拠を出力するか否かを判定する（ステップＳ２０３）。例えば推定部１２０は、単純な判定方法として、異常が検知されるごとに根拠を出力すると判定する。別な判定方法としては、一定期間、異常波形データを蓄積し、一定期間が経過したときに、蓄積された１つ以上の入力波形データの異常の根拠を出力すると判定する方法を適用できる。これにより、例えば、短期間に連続して異常が検知されるような場合に、根拠の出力をまとめて実行可能となる。
【0046】
根拠を出力しない場合（ステップＳ２０３：Ｎｏ）、推定処理は終了する。根拠を出力する場合（ステップＳ２０３：Ｙｅｓ）、推定部１２０は、根拠出力処理を実行する（ステップＳ２０４）。根拠出力処理の後、推定処理は終了する。
【0047】
上記のように、根拠出力処理では、教師有シェイプレット学習法を用いて根拠となるシェイプレットが生成され、出力される。このように、従来は運用前（学習フェーズ）に教師有シェイプレット学習法が実行されるのに対し、本実施形態では、運用時（推定フェーズ）に、教師有シェイプレット学習法を用いてシェイプレットが学習され根拠として出力される。
【0048】
図４は、ステップＳ２０４の根拠出力処理の一例を示すフローチャートである。
【0049】
取得部１２２は、事前に収集された正常波形データセットから複数の正常波形データを取得する（ステップＳ３０１）。例えば取得部１２２は、正常波形データセットから、今回の異常波形データに類似する複数の正常波形データを取得する。
【0050】
生成部１２３は、取得された複数の正常波形データと、異常が検知された入力波形データである異常波形データと、を学習データに設定する（ステップＳ３０２）。異常が検知されるごとに根拠を出力する場合は、異常波形データの個数は１個である。一定期間ごとに異常の根拠を出力する場合は、異常波形データの個数は１個以上になりうる。ステップＳ３０３～ステップＳ３０８は繰り返し処理となる。
【0051】
生成部１２３は、シェイプレットの長さＬを選択し、異常波形データから長さＬの部分波形を選択してシェイプレットｓ１としてシェイプレット集合に追加する（ステップＳ３０３）。
【0052】
シェイプレット集合は、根拠として出力するシェイプレットの候補を格納するための集合である。根拠出力処理の終了時にシェイプレット集合に格納されているシェイプレットが、異常の根拠を示すシェイプレットとして出力される。
【0053】
ステップＳ３０３では、異常波形データからシェイプレットｓ１が選択される。これにより、異常な波形データに特有なシェイプレットを獲得できる。単純な方法としては、生成部１２３は、まずシェイプレットの長さＬをランダムに選択し、さらに異常波形データからランダムに長さＬの部分波形（セグメント）を選択してシェイプレットｓ１とする。
【0054】
２個以上の異常波形データが学習データに含まれる場合は、生成部１２３は、例えば２個以上の異常波形データからランダムに１個の異常波形データを選択し、選択した異常波形データからシェイプレットｓ１を選択する。
【0055】
生成部１２３は、シェイプレットｓ１を用いて分類モデルの評価指標ｏ１を算出する（ステップＳ３０４）。例えば生成部１２３は、シェイプレットｓ１を追加したシェイプレット集合に含まれるシェイプレットそれぞれを用いて学習データの特徴量を算出し、算出した特徴量を分類モデルに入力したときの分類性能を示す評価指標ｏ１を算出する。
【0056】
特徴量は、例えば、シェイプレットと、学習データに含まれる複数の波形データそれぞれとの距離、類似度、または、非類似度で算出することができる。距離としては、例えば、シェイプレットと波形データとが最も類似する箇所でのユークリッド距離を利用できる。
【0057】
分類モデルは、シェイプレット集合に含まれるシェイプレットそれぞれに対して算出された複数の特徴量を入力し、各波形データが異常であるか正常であるかを出力するモデルである。学習データは、異常波形データおよび正常波形データを含むため、異常であるか正常であるかの正解が得られている教師データに相当する。分類モデルは、このような教師データに対するクラス分類損失が小さくなるように学習される。クラス分類損失は、誤差関数または損失関数の値と解釈することができる。
【0058】
分類モデルとしては、例えばロジスティック回帰モデルを用いることができる。この場合、クラス分類損失としては、クロスエントロピーロスを用いることができる。
【0059】
生成部１２３は、評価指標ｏ１として、以下のような指標を用いることができる。
・クラス分類損失と分類モデルの複雑さとに基づく、赤池情報量規準（ＡＩＣ：Akaike information criterion）、ベイズ情報量規準（ＢＩＣ：Bayesian information criterion）、および、最小記述長（ＭＤＬ：Minimum Description Length）のうちいずれか。
・学習データにおけるクラス分類損失。
・検証用データにおけるクラス分類損失。検証用データは、例えば、異常波形データが複数個ある場合、ステップＳ３０２で設定した学習データの一部から選択される。残りの学習データが、ステップＳ３０３以降の学習で使用される。
・クラス分類損失と分類モデルの複雑さとに基づく、赤池情報量規準（ＡＩＣ：Akaike information criterion）、ベイズ情報量規準（ＢＩＣ：Bayesian information criterion）、および、最小記述長（ＭＤＬ：Minimum Description Length）のうちいずれか。
・学習データにおけるクラス分類損失。
・検証用データにおけるクラス分類損失。検証用データは、例えば、異常波形データが複数個ある場合、ステップＳ３０２で設定した学習データの一部から選択される。残りの学習データが、ステップＳ３０３以降の学習で使用される。
【0060】
生成部１２３は、シェイプレットｓ１の選択に用いる選択パラメータを検知モデルによる検知時に得られる選択情報に基づいて決定し、決定した選択パラメータに従いシェイプレットｓ１を選択してもよい。
【0061】
選択パラメータは、例えば、選択するシェイプレットの長さＬ、および、シェイプレットを選択する範囲のうち、少なくとも一方である。選択情報は、例えば、入力波形データが異常であることを検知するときに用いた波形データ（異常検知に寄与した波形データ）の長さ、および、入力波形データに含まれる部分波形パターンのうち、異常であることが検知された部分波形パターンを含む範囲のうち、少なくとも一方である。
【0062】
このような選択情報を出力する検知モデルの例を説明する。例えば検知モデルは、異常の検知に用いる波形データの長さが相互に異なる複数の部分検知モデルを統合したアンサンブルモデルであってもよい。アンサンブルモデルは、例えば、複数の部分検知モデルそれぞれにより異常を検知し、複数の検知結果を統合して異常の有無を示す最終的な結果を出力する。このとき、アンサンブルモデルは、異常の検知に寄与した部分検知モデル、または、異常の検知に寄与した部分検知モデルが用いる波形データの長さ、を示す情報を、選択情報として出力する。
【0063】
検知モデルが、選択情報を出力するようなモデルである場合、生成部１２３は、検知モデルから出力される選択情報に応じて選択パラメータを選択し、シェイプレットｓ１の選択に用いることができる。すなわち、従来は検知モデルおよび分類モデルが独立に使用されていたが、本実施形態では、検知モデルによる出力を考慮して、分類モデルの学習方法を変更するように構成することができる。これにより、例えば、判定根拠の提示性能をより向上させることができる。
【0064】
次に、生成部１２３は、クラス分類に寄与しないシェイプレットｓ２を、現在のシェイプレット集合から除外したと仮定した場合のシェイプレット集合に含まれるシェイプレットを用いて、分類モデルの評価指標ｏ２を算出する（ステップＳ３０５）。評価指標ｏ２は、上記の評価指標ｏ１と同様の手法で算出することができる。
【0065】
例えばロジスティック回帰のような線形な分類モデルを用いる場合、生成部１２３は、分類重みの絶対値が最小となる特徴量に対応するシェイプレットを、クラス分類に寄与しないシェイプレットｓ２として選択する。生成部１２３は、シェイプレット集合に含まれる、選択したシェイプレットｓ２以外のシェイプレットを用いて評価指標ｏ２を算出する。
【0066】
生成部１２３は、シェイプレットｓ２を除外するか否かを判定する（ステップＳ３０６）。単純な方法としては、生成部１２３は、評価指標ｏ１と評価指標ｏ２とを比較し、評価指標ｏ２（シェイプレット集合からシェイプレットｓ２を除外したと仮定した場合の評価指標に相当）の方がよい評価を示す値であれば、シェイプレットｓ２を除外すると判定する。シェイプレットの最大数がパラメータとして指定されている場合は、生成部１２３は、シェイプレット集合に含まれるシェイプレットの個数が最大数を超えている場合に、シェイプレットｓ２を除外すると判定してもよい。
【0067】
なお、繰り返し処理（ステップＳ３０３～ステップＳ３０８）の１回目では、１つのシェイプレットｓ１のみがシェイプレット集合に含まれる。従って、シェイプレット集合からシェイプレットｓ２を除外する処理はスキップされてもよい。スキップしない場合であっても、シェイプレットｓ１を除外したと仮定した場合には、シェイプレット集合にシェイプレットが含まれないため、評価指標ｏ２の値は、評価指標ｏ１よりよい評価を示す値にならず、シェイプレットは除外しないと判定される。
【0068】
シェイプレットｓ２を除外すると判定された場合（ステップＳ３０６：Ｙｅｓ）、生成部１２３は、シェイプレット集合からシェイプレットｓ２を除外する（ステップＳ３０７）。シェイプレットｓ２を除外した場合、生成部１２３は、評価指標ｏ１の値を、評価指標ｏ２の値に更新する。
【0069】
シェイプレットｓ２を除外した後、または、シェイプレットｓ２を除外すると判定されなかった場合（ステップＳ３０６：Ｎｏ）、生成部１２３は、シェイプレットの生成を終了するか否かを判定する（ステップＳ３０８）。例えば生成部１２３は、繰り返し処理（ステップＳ３０３～ステップＳ３０８）の回数が、上限に達した場合に、シェイプレットの生成を終了すると判定する。
【0070】
シェイプレットの生成を終了しないと判定された場合（ステップＳ３０８：Ｎｏ）、ステップＳ３０３に戻り、次のシェイプレットを追加して処理が繰り返される。
【0071】
シェイプレットの生成を終了する判定された場合（ステップＳ３０８：Ｙｅｓ）、出力制御部１０２は、シェイプレット集合に含まれるシェイプレットを、異常検知の根拠となるシェイプレットとして出力する（ステップＳ３０９）。
【0072】
このような処理により、生成部１２３は、選択されたシェイプレットを用いて学習データの特徴量を算出し、算出した特徴量を分類モデルに入力したときの評価指標を算出し、評価指標が他のシェイプレットより大きい１つ以上のシェイプレットを、異常検知の根拠となるシェイプレットとして生成することができる。
【0073】
以上のように、第１の実施形態の情報処理装置は、正常データのみで学習した検知モデルにより異常を検知し、異常が検知されたときに（運用時に）、異常検知の根拠となるシェイプレットを学習して出力することができる。これにより、一部の状態の学習データのみでモデルを学習する場合であっても、当該モデルを用いた分類をより高精度に実行可能となる。また、本実施形態では、ハイパーパラメータの調整が不要となるモデルを用いるように構成することができる。
【0074】
（第２の実施形態）
第２の実施形態の情報処理装置は、複数の入力波形データに対して異常検知および根拠提示を繰り返す場合に、判定性能の差が小さく、かつ、既に提示したシェイプレットに類似するシェイプレットを出力（提示）する。
第２の実施形態の情報処理装置は、複数の入力波形データに対して異常検知および根拠提示を繰り返す場合に、判定性能の差が小さく、かつ、既に提示したシェイプレットに類似するシェイプレットを出力（提示）する。
【0075】
図５は、第２の実施形態の情報処理装置１００－２の構成の一例を示すブロック図である。図５に示すように、情報処理装置１００－２は、受付部１０１と、学習部１１０と、推定部１２０－２と、出力制御部１０２と、記憶部１３１と、表示部１３２と、を備えている。
【0076】
第２の実施形態では、推定部１２０－２内の生成部１２３－２の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態の情報処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。
【0077】
生成部１２３－２は、推定の対象として入力される複数の入力波形データに対してシェイプレットを生成するときの、以下のような機能が追加される。生成部１２３－２は、入力波形データＤＡ（第１入力波形データ）についてシェイプレットｓＡ（第１部分波形パターン）を生成したとする。生成部１２３－２は、その後に入力された入力波形データＤＢ（第２入力波形データ）に対するシェイプレットｓＢ（第２部分波形パターン）として、シェイプレットｓＡと類似せず、かつ、シェイプレットｓＡで学習した分類モデルに対する分類性能（評価指標）の差異が閾値以上でないシェイプレットを除外したシェイプレットを生成する。
【0078】
なお、本実施形態では、検知部１２１は、複数の入力波形データそれぞれに対して、検知モデルを用いて入力波形データが異常であるか否かを検知する。また、受付部１０１は、生成部１２３－２が分類性能の差異と比較する閾値（パラメータの一例）の指定を受け付けるように構成されてもよい。
【0079】
なお本実施形態の学習処理は、第１の実施形態の図２と同様であるため説明を省略する。また、本実施形態の推定処理の全体の流れは、第１の実施形態の推定処理を示す図３と同様である。本実施形態では、推定処理に含まれる根拠出力処理（ステップＳ２０４）の詳細が、第１の実施形態と異なっている。
【0080】
以下、本実施形態の根拠出力処理について、図６を用いて説明する。図６は、第２の実施形態における根拠出力処理の一例を示すフローチャートである。なお、図６は、１つの入力波形データが入力されるごとに実行される。
【0081】
ステップＳ４０１からステップＳ４０３までは、第１の実施形態の根拠出力処理のステップＳ３０１からステップＳ３０３までと同様の処理なので、その説明を省略する。
【0082】
本実施形態では、生成部１２３－２は、シェイプレットを出力済か否かを判定する（ステップＳ４０４）。例えば複数の入力波形データのうち２回目以降に入力される入力波形データに対する処理であり、かつ、当該入力波形データより前に入力された入力波形データに対してシェイプレットの出力処理（ステップＳ４１５、後述）が実行されている場合、生成部１２３－２は、シェイプレットを出力済であると判定する。
【0083】
シェイプレットを出力済でない場合（ステップＳ４０４：Ｎｏ）、第１の実施形態と同様の処理が実行される。すなわち、生成部１２３－２は、第１の実施形態のステップＳ３０４～ステップＳ３０９に相当するステップＳ４１０～ステップＳ４１５を実行する。ステップＳ４１０～ステップＳ４１５は、第１の実施形態のステップＳ３０４～ステップＳ３０９と同様の処理なので、その説明を省略する。
【0084】
シェイプレットを出力済の場合（ステップＳ４０４：Ｙｅｓ）、生成部１２３－２は、出力済のシェイプレット集合、および、当該シェイプレット集合について算出された評価指標ｏ１を取得する（ステップＳ４０５）。生成部１２３－２は、取得したシェイプレット集合に含まれるシェイプレットと、今回選択したシェイプレットｓ１とが類似するか否かを判定する（ステップＳ４０６）。
【0085】
例えば、生成部１２３－２は、シェイプレット集合に含まれる１つ以上のシェイプレットそれぞれと、シェイプレットｓ１と、のユークリッド距離を算出する。生成部１２３－２は、算出された１つ以上のユークリッド距離の中に、閾値以下のユークリッド距離がある場合に、シェイプレット集合に含まれるシェイプレットとシェイプレットｓ１とが類似すると判定する。
【0086】
類似すると判定した場合（ステップＳ４０６：Ｙｅｓ）、生成部１２３－は、第１の実施形態のステップＳ３０４～ステップＳ３０９と同様の処理であるステップＳ４１０～ステップＳ４１５を実行する。
【0087】
類似しないと判定した場合（ステップＳ４０６：Ｎｏ）、生成部１２３－２は、追加したシェイプレットｓ１を用いて分類モデルの評価指標ｏ２を算出する（ステップＳ４０７）。例えば生成部１２３は、シェイプレットｓ１を用いて学習データの特徴量を算出し、算出した特徴量を分類モデルに入力したときの分類性能を示す評価指標ｏ２を算出する。
【0088】
生成部１２３－２は、出力済のシェイプレット集合に対して算出された評価指標ｏ１と比較して、今回のシェイプレットｓ１を用いて算出された評価指標ｏ２が改善されたか否かを判定する（ステップＳ４０８）。例えば生成部１２３－２は、出力済のシェイプレット集合（シェイプレットｓＡに相当）に対して算出された評価指標ｏ１と、シェイプレットｓ１を用いて算出された評価指標ｏ２と、の差分（差異）を算出し、差分が閾値以上の場合、評価指標ｏ２が改善されたと判定する。
【0089】
評価指標ｏ２が改善された場合（ステップＳ４０８：Ｙｅｓ）、生成部１２３－２は、第１の実施形態のステップＳ３０４～ステップＳ３０９と同様の処理であるステップＳ４１０～ステップＳ４１５を実行する。
【0090】
評価指標ｏ２が改善されない場合（ステップＳ４０８：Ｎｏ）、生成部１２３－２は、シェイプレットｓ１をシェイプレット集合から削除し（ステップＳ４０９）、シェイプレットの生成を終了するか否かを判定する（ステップＳ４１４）。
【0091】
図７は、本実施形態の必要性を説明するための図である。図７の左側の２つのグラフに示す波形データは、正常波形データの例である。図７の右側の２つのグラフに示す波形データは、異常波形データの例である。図７に示す例は、正常波形データと異常波形データとが、２つのシェイプレット７０１（上に尖ったシェイプレット）、シェイプレット７０２（下に尖ったシェイプレット）により、異常であるか否かを判定可能である例である。すなわち、シェイプレット７０１および７０２のいずれを用いたとしても、正常と異常とが正しく分類される。
【0092】
本実施形態のような処理を行わない場合、同様の形状の入力波形データが入力されているにも関わらず、判定するごとに、異なるシェイプレットが異常検知の根拠として出力される可能性がある。
【0093】
本実施形態では、このような状況の発生を回避するために、過去に判定根拠として提示したシェイプレットと類似したシェイプレットによって今回の異常も検知できるのであれば、過去に提示したシェイプレットと類似した形状を持つシェイプレットを今回の判定根拠として提示する。図７の例では、例えば過去にシェイプレット７０１を出力した場合は、今回の入力波形データに対してもシェイプレット７０１を判定根拠として出力する。
【0094】
このように、第２の実施形態では、判定性能の差が小さく、かつ、既に提示したシェイプレットに類似するシェイプレットを出力することができる。これにより、例えば、同一の異常にも関わらず提示されるシェイプレットが毎回異なるような状況の発生を回避し、同一の異常については可能な限り同じシェイプレットを出力することができる。
【0095】
以上説明したとおり、第１から第２の実施形態によれば、一部の状態の学習データのみでモデルを学習する場合であっても、当該モデルを用いた分類をより高精度に実行できる。
【0096】
【0097】
第１または第２の実施形態の情報処理装置は、ＣＰＵ５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。
【0098】
第１または第２の実施形態の情報処理装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。
【0099】
第１または第２の実施形態の情報処理装置で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。
【0100】
さらに、第１または第２の実施形態の情報処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、第１または第２の実施形態の情報処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。
【0101】
第１または第２の実施形態の情報処理装置で実行されるプログラムは、コンピュータを上述した情報処理装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。
【0102】
実施形態の構成例について以下に記載する。
（構成例１）
検知モデルを用いて、入力波形データが第１状態であるか否かを検知し、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得し、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成し、
生成された前記部分波形パターンを出力する、
処理部
を備える情報処理装置。
（構成例２）
前記処理部は、前記部分波形パターンを用いて前記学習データの特徴量を算出し、算出した前記特徴量を前記分類モデルに入力したときの分類性能を示す評価指標を算出し、前記評価指標が他の前記部分波形パターンより大きい１つ以上の前記部分波形パターンを生成する、
構成例１に記載の情報処理装置。
（構成例３）
前記処理部は、
選択する前記部分波形パターンの長さ、および、前記部分波形パターンを選択する範囲のうち、少なくとも一方である選択パラメータを、前記検知モデルによる検知時に得られる選択情報に基づいて決定し、
決定された前記選択パラメータに従い前記第１状態波形データから前記部分波形パターンを選択し、選択した前記部分波形パターンを用いて前記特徴量を算出する、
構成例２に記載の情報処理装置。
（構成例４）
前記選択情報は、前記入力波形データが前記第１状態であることを検知するときに用いた波形データの長さ、および、前記入力波形データに含まれる部分波形パターンのうち前記第１状態であることが検知された部分波形パターンを含む範囲、のうち少なくとも一方である、
構成例３に記載の情報処理装置。
（構成例５）
前記評価指標は、
前記学習データを前記分類モデルで分類するときのクラス分類損失、
前記クラス分類損失と前記分類モデルの複雑さとに基づく、赤池情報量規準、ベイズ情報量規準、および、最小記述長のうちいずれか、または、
検証用データを前記分類モデルで分類するときのクラス分類損失、である、
構成例２から４のいずれか１つに記載の情報処理装置。
（構成例６）
前記特徴量は、前記部分波形パターンと前記学習データとの距離、前記部分波形パターンと前記学習データとの類似度、または、前記部分波形パターンと前記学習データとの非類似度である、
構成例２から５のいずれか１つに記載の情報処理装置。
（構成例７）
前記処理部は、
複数の前記入力波形データに対して、前記入力波形データが前記第１状態であるか否かを検知し、
複数の前記入力波形データに含まれる第１入力波形データについて第１部分波形パターンを生成した後、複数の前記入力波形データに含まれる第２入力波形データに対する前記部分波形パターンとして、前記第１部分波形パターンと類似せず、かつ、前記第１部分波形パターンで学習した前記分類モデルに対する前記分類性能の差異が閾値以上でない前記部分波形パターンを除外した第２部分波形パターンを生成する、
構成例２から６のいずれか１つに記載の情報処理装置。
（構成例８）
前記処理部は、
前記閾値の指定を受け付け、
指定された前記閾値を用いて前記第２部分波形パターンを生成する、
構成例７に記載の情報処理装置。
（構成例９）
前記処理部は、
複数の前記第２状態波形データのうち、
前記第１状態であることが検知された前記入力波形データと類似する前記第２状態波形データ、および、
前記検知モデルによる検知で用いられる特徴量が、前記第１状態であることが検知された前記入力波形データに対する前記検知モデルによる検知で用いられる特徴量と類似する前記第２状態波形データ、のうち少なくとも一方を取得する、
構成例１から８のいずれか１つに記載の情報処理装置。
（構成例１０）
前記検知モデルは、複数の部分検知モデルを含み、
前記処理部は、複数の前記部分検知モデルのうち、前記第１状態であることを検知した前記部分検知モデルによる検知に用いられた前記第２状態波形データを取得する、
構成例１から９のいずれか１つに記載の情報処理装置。
（構成例１１）
前記処理部は、
取得する複数の前記第２状態波形データの個数の指定を受け付け、
前記個数の第２状態波形データを取得する、
構成例１から１０のいずれか１つに記載の情報処理装置。
（構成例１２）
前記処理部は、
生成された前記部分波形パターンを出力する、
構成例１から１１のいずれか１つに記載の情報処理装置。
（構成例１３）
前記処理部は、
前記入力波形データが前記第１状態であるか否かを検知する検知部と、
複数の前記第２状態波形データを取得する取得部と、
１つ以上の前記部分波形パターンを生成する生成部と、
を備える、
構成例１から１２のいずれか１つに記載の情報処理装置。
（構成例１４）
情報処理装置で実行される情報処理方法であって、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を含む情報処理方法。
（構成例１５）
コンピュータに、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を実行させるためのプログラム。
（構成例１）
検知モデルを用いて、入力波形データが第１状態であるか否かを検知し、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得し、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成し、
生成された前記部分波形パターンを出力する、
処理部
を備える情報処理装置。
（構成例２）
前記処理部は、前記部分波形パターンを用いて前記学習データの特徴量を算出し、算出した前記特徴量を前記分類モデルに入力したときの分類性能を示す評価指標を算出し、前記評価指標が他の前記部分波形パターンより大きい１つ以上の前記部分波形パターンを生成する、
構成例１に記載の情報処理装置。
（構成例３）
前記処理部は、
選択する前記部分波形パターンの長さ、および、前記部分波形パターンを選択する範囲のうち、少なくとも一方である選択パラメータを、前記検知モデルによる検知時に得られる選択情報に基づいて決定し、
決定された前記選択パラメータに従い前記第１状態波形データから前記部分波形パターンを選択し、選択した前記部分波形パターンを用いて前記特徴量を算出する、
構成例２に記載の情報処理装置。
（構成例４）
前記選択情報は、前記入力波形データが前記第１状態であることを検知するときに用いた波形データの長さ、および、前記入力波形データに含まれる部分波形パターンのうち前記第１状態であることが検知された部分波形パターンを含む範囲、のうち少なくとも一方である、
構成例３に記載の情報処理装置。
（構成例５）
前記評価指標は、
前記学習データを前記分類モデルで分類するときのクラス分類損失、
前記クラス分類損失と前記分類モデルの複雑さとに基づく、赤池情報量規準、ベイズ情報量規準、および、最小記述長のうちいずれか、または、
検証用データを前記分類モデルで分類するときのクラス分類損失、である、
構成例２から４のいずれか１つに記載の情報処理装置。
（構成例６）
前記特徴量は、前記部分波形パターンと前記学習データとの距離、前記部分波形パターンと前記学習データとの類似度、または、前記部分波形パターンと前記学習データとの非類似度である、
構成例２から５のいずれか１つに記載の情報処理装置。
（構成例７）
前記処理部は、
複数の前記入力波形データに対して、前記入力波形データが前記第１状態であるか否かを検知し、
複数の前記入力波形データに含まれる第１入力波形データについて第１部分波形パターンを生成した後、複数の前記入力波形データに含まれる第２入力波形データに対する前記部分波形パターンとして、前記第１部分波形パターンと類似せず、かつ、前記第１部分波形パターンで学習した前記分類モデルに対する前記分類性能の差異が閾値以上でない前記部分波形パターンを除外した第２部分波形パターンを生成する、
構成例２から６のいずれか１つに記載の情報処理装置。
（構成例８）
前記処理部は、
前記閾値の指定を受け付け、
指定された前記閾値を用いて前記第２部分波形パターンを生成する、
構成例７に記載の情報処理装置。
（構成例９）
前記処理部は、
複数の前記第２状態波形データのうち、
前記第１状態であることが検知された前記入力波形データと類似する前記第２状態波形データ、および、
前記検知モデルによる検知で用いられる特徴量が、前記第１状態であることが検知された前記入力波形データに対する前記検知モデルによる検知で用いられる特徴量と類似する前記第２状態波形データ、のうち少なくとも一方を取得する、
構成例１から８のいずれか１つに記載の情報処理装置。
（構成例１０）
前記検知モデルは、複数の部分検知モデルを含み、
前記処理部は、複数の前記部分検知モデルのうち、前記第１状態であることを検知した前記部分検知モデルによる検知に用いられた前記第２状態波形データを取得する、
構成例１から９のいずれか１つに記載の情報処理装置。
（構成例１１）
前記処理部は、
取得する複数の前記第２状態波形データの個数の指定を受け付け、
前記個数の第２状態波形データを取得する、
構成例１から１０のいずれか１つに記載の情報処理装置。
（構成例１２）
前記処理部は、
生成された前記部分波形パターンを出力する、
構成例１から１１のいずれか１つに記載の情報処理装置。
（構成例１３）
前記処理部は、
前記入力波形データが前記第１状態であるか否かを検知する検知部と、
複数の前記第２状態波形データを取得する取得部と、
１つ以上の前記部分波形パターンを生成する生成部と、
を備える、
構成例１から１２のいずれか１つに記載の情報処理装置。
（構成例１４）
情報処理装置で実行される情報処理方法であって、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を含む情報処理方法。
（構成例１５）
コンピュータに、
検知モデルを用いて、入力波形データが第１状態であるか否かを検知する検知ステップと、
前記第１状態であることが検知されたときに、前記検知モデルを用いて予め検知された、前記第１状態と異なる第２状態である複数の第２状態波形データを取得する取得ステップと、
前記第１状態であることが検知された前記入力波形データである第１状態波形データと、複数の前記第２状態波形データと、を学習データとして用いて、波形データが前記第１状態および前記第２状態のいずれであるかを分類する分類モデルを学習することにより、前記第１状態波形データに含まれる複数の部分波形パターンのうち、前記第１状態波形データが前記第１状態であることを示す根拠となる１つ以上の部分波形パターンを生成する生成ステップと、
生成された前記部分波形パターンを出力する出力制御ステップと、
を実行させるためのプログラム。
【0103】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0104】
１００、１００－２ 情報処理装置
１０１ 受付部
１０２ 出力制御部
１１０ 学習部
１２０、１２０－２ 推定部
１２１ 検知部
１２２ 取得部
１２３、１２３－２ 生成部
１３１ 記憶部
１３２ 表示部
１０１ 受付部
１０２ 出力制御部
１１０ 学習部
１２０、１２０－２ 推定部
１２１ 検知部
１２２ 取得部
１２３、１２３－２ 生成部
１３１ 記憶部
１３２ 表示部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】