知財求人 - 知財ポータルサイト「IP Force」
特許7420214学習データ生成装置、学習データ生成方法、学習モデル生成方法、プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-01-15
(45)【発行日】2024-01-23
(54)【発明の名称】学習データ生成装置、学習データ生成方法、学習モデル生成方法、プログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240116BHJP
G01N 33/00 20060101ALI20240116BHJP
【ＦＩ】
G06N20/00 130
G01N33/00 C
【請求項の数】
8
(21)【出願番号】P 2022505678
(86)(22)【出願日】2020-03-13
(86)【国際出願番号】 JP2020010982
(87)【国際公開番号】W WO2021181643
(87)【国際公開日】2021-09-16
【審査請求日】2022-08-12
(73)【特許権者】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100109313
【弁理士】
【氏名又は名称】机 昌彦
(74)【代理人】
【識別番号】100149618
【弁理士】
【氏名又は名称】北嶋 啓至
(72)【発明者】
【氏名】清水 ひろみ
(72)【発明者】
【氏名】西本 慎之介
(72)【発明者】
【氏名】渡辺 純子
(72)【発明者】
【氏名】江藤 力
(72)【発明者】
【氏名】殿内 規之
(72)【発明者】
【氏名】山田 聡
【審査官】多賀 実
(56)【参考文献】
【文献】特開２０１９－０６０８７０（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１９／０２２０６９８（ＵＳ，Ａ１）
【文献】国際公開第２０１９／１３５４０３（ＷＯ，Ａ１）
【文献】国際公開第２０２０／００８７１１（ＷＯ，Ａ１）
【文献】中本 高道，「におい認識技術の最近の研究状況」，電子情報通信学会誌，社団法人電子情報通信学会，1996年10月25日，第79巻, 第10号，pp.1028-1029
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／００－９９／００
Ｇ０１Ｎ ３３／００
(57)【特許請求の範囲】
【請求項1】
ニオイデータと前記ニオイデータに関する情報とを取得する取得手段と、前記ニオイデータに関する情報に基づいて、ラベル候補を生成するラベル候補生成手段と、
前記生成したラベル候補を出力する出力手段と、
前記出力されたラベル候補からラベルの選択を受け付ける受付手段と、
前記選択されたラベルと前記ニオイデータとから学習データを生成する学習データ生成手段とを備え、
前記ニオイデータに関する情報は、前記ニオイデータに関する音声、テキスト、又は、画像のうち少なくとも一つである、
学習データ生成装置。
【請求項2】
前記ニオイデータに関する情報は、ニオイデータとラベルとの関係を学習した学習済みモデルであり、前記ラベル候補生成手段は、前記取得したニオイデータと、前記学習済みモデルとに基づいて前記ラベル候補を生成し、
請求項１に記載の学習データ生成装置。
【請求項3】
前記学習済みモデルは、ニオイデータと、ニオイの官能評価の結果との関係が学習された、請求項２に記載の学習データ生成装置。
【請求項4】
前記学習済みモデルは、ニオイデータと、前記ニオイデータの測定対象の化学的性質を示すデータとの関係が学習された、請求項２または３に記載の学習データ生成装置。
【請求項5】
前記学習済みモデルは、ニオイデータとニオイを嗅いだときの生体反応を示すデータとの関係が学習された、請求項２から４の何れか１項に記載の学習データ生成装置。
【請求項6】
ニオイデータと前記ニオイデータに関する情報とを取得し、前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成し、
前記ニオイデータに関する情報は、前記ニオイデータに関する音声、テキスト、又は、画像のうち少なくとも一つである、
学習データ生成方法。
【請求項7】
ニオイデータと前記ニオイデータに関する情報とを取得し、前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成し、
前記生成した学習データに基づいて学習モデルを生成し、
前記ニオイデータに関する情報は、前記ニオイデータに関する音声、テキスト、又は、画像のうち少なくとも一つである、
学習モデル生成方法。
【請求項8】
ニオイデータと前記ニオイデータに関する情報とを取得する処理と、前記ニオイデータに関する情報に基づいて、ラベル候補を生成する処理と、
前記生成したラベル候補を出力する処理と、
前記出力されたラベル候補からラベルの選択を受け付ける処理と、
前記選択されたラベルとニオイデータとから学習データを生成する処理とをコンピュータに実行させ、
前記ニオイデータに関する情報は、前記ニオイデータに関する音声、テキスト、又は、画像のうち少なくとも一つである、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、学習データ生成装置、学習データ生成方法、学習モデル生成方法、プログラム記録媒体に関する。
【背景技術】
【0002】
特許文献１は、検出した室内のニオイと、室内のニオイに関する各ユーザの官能評価とを相互に関連づけて評価データを取得する技術を開示する。
【先行技術文献】
【特許文献】
【0003】
【文献】国際公開第２０１８／１６８６７２号
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１においては、事前に用意された官能評価の選択肢が正解ラベルとして用いられる。そのため、特許文献１に記載の技術では、事前に用意された官能評価の選択肢以外の正解ラベルを用いた機械学習を実行することができない。
【0005】
本発明の目的は、所望の正解ラベルを用いた機械学習を実行するための学習データを生成することにある。
【課題を解決するための手段】
【0006】
本発明の学習データ生成装置は、ニオイデータと前記ニオイデータに関する情報とを取得する取得手段と、前記ニオイデータに関する情報に基づいて、ラベル候補を生成するラベル候補生成手段と、前記生成したラベル候補を出力する出力手段と、前記出力されたラベル候補からラベルの選択を受け付ける受付手段と、前記選択されたラベルと前記ニオイデータとから学習データを生成する学習データ生成手段と、を備える。
【0007】
本発明の学習データ生成方法は、ニオイデータと前記ニオイデータに関する情報とを取得し、前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、前記生成したラベル候補を出力し、前記出力されたラベル候補からラベルの選択を受け付け、前記選択されたラベルとニオイデータとから学習データを生成する。
【0008】
本発明の学習モデル生成方法は、ニオイデータと前記ニオイデータに関する情報とを取得し、前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、前記生成したラベル候補を出力し、前記出力されたラベル候補からラベルの選択を受け付け、前記選択されたラベルとニオイデータとから学習データを生成し、前記生成した学習データに基づいて学習モデルを生成する。
【0009】
本発明の学習データ生成プログラム記録媒体は、ニオイデータと前記ニオイデータに関する情報とを取得する処理と、前記ニオイデータに関する情報に基づいて、ラベル候補を生成する処理と、前記生成したラベル候補を出力する処理と、前記出力されたラベル候補からラベルの選択を受け付ける処理と、前記選択されたラベルとニオイデータとから学習データを生成する処理とをコンピュータに実行させるプログラムを記録するプログラム記録媒体である。
【発明の効果】
【0010】
本発明は、所望の正解ラベルを用いた機械学習を実行するための学習データを生成するという効果がある。
【図面の簡単な説明】
【0011】
【図1】ニオイを検知するセンサ１０及びセンサ１０がニオイを検知することにより得られる時系列データを例示する図である。
【図2】予測モデルの概略図である。
【図3】学習データ生成システム１００の概略を示す図である。
【図4】実施形態１の学習データ生成装置２０００の機能構成を例示する図である。
【図5】学習データ生成装置２０００を実現するための計算機を例示する図である。
【図6】実施形態１の学習データ生成装置２０００によって実行される処理の流れを例示する図である。
【図7】端末装置１１に表示される、ニオイデータに関する情報として音声を取得する画面を例示する図である。
【図8】端末装置１１に表示されるラベル候補を選択するための画面を例示する図である。
【図9】端末装置１１に表示される、ニオイデータに関する情報として画像を取得するための画面を例示する図である。
【図10】端末装置１１に表示される、測定対象が含まれる部分領域の選択を受け付ける画面を例示する図である。
【図11】端末装置１１に表示される、ラベルの選択を受け付ける画面を例示する図である。
【図12】端末装置１１に表示される、ニオイデータに関する情報としてテキストを取得する画面を例示する図である。
【図13】記憶部２０１０が記憶する学習データを例示する図である。
【図14】実施形態２の学習データ生成装置２０００の機能構成を例示する図である。
【図15】実施形態２の学習データ生成装置２０００によって実行される処理の流れを例示する図である。
【図16】学習済みモデルの概略を示す図である。
【図17】ラベル空間を例示する図である。
【図18】ラベル候補生成部２０７０による処理の概略を示す図である。
【図19】実施形態３の学習データ生成装置２０００の機能構成を例示する図である。
【図20】実施形態３の学習データ生成装置２０００によって実行される処理の流れを例示する図である。
【図21】実施形態４の学習データ生成装置２０００の機能構成を例示する図である。
【図22】実施形態５の学習データ生成装置２０００の機能構成を例示する図である。
【発明を実施するための形態】
【0012】
［実施形態１］
以下、本発明に係る実施形態１を説明する。
以下、本発明に係る実施形態１を説明する。
【0013】
＜センサについて＞
本実施形態で用いるセンサについて説明する。図１は、ニオイを検知するセンサ１０及びセンサ１０がニオイを検知することにより得られる時系列データを例示する図である。センサ１０は、分子が付着する受容体を有し、その受容体における分子の付着と離脱に応じて検出値が変化するセンサである。なお、センサ１０によってセンシングされているガスを、対象ガスと呼ぶ。また、センサ１０から出力される検出値の時系列データを、時系列データ２０と呼ぶ。ここで、必要に応じ、時系列データ２０をＹとも表記し、時刻ｔの検出値をｙ（ｔ）とも表記する。Ｙは、ｙ（ｔ）が列挙されたベクトルとなる。
本実施形態で用いるセンサについて説明する。図１は、ニオイを検知するセンサ１０及びセンサ１０がニオイを検知することにより得られる時系列データを例示する図である。センサ１０は、分子が付着する受容体を有し、その受容体における分子の付着と離脱に応じて検出値が変化するセンサである。なお、センサ１０によってセンシングされているガスを、対象ガスと呼ぶ。また、センサ１０から出力される検出値の時系列データを、時系列データ２０と呼ぶ。ここで、必要に応じ、時系列データ２０をＹとも表記し、時刻ｔの検出値をｙ（ｔ）とも表記する。Ｙは、ｙ（ｔ）が列挙されたベクトルとなる。
【0014】
例えば、センサ１０は、膜型表面応力センサ（Ｍｅｍｂｒａｎｅ－ｔｙｐｅ Ｓｕｒｆａｃｅ ｓｔｒｅｓｓ Ｓｅｎｓｏｒ； ＭＳＳ）である。ＭＳＳは、受容体として、分子が付着する官能膜を有しており、その官能膜に対する分子の付着と離脱によってその官能膜の支持部材に生じる応力が変化する。ＭＳＳは、この応力の変化に基づく検出値を出力する。なお、センサ１０は、ＭＳＳには限定されず、受容体に対する分子の付着と離脱に応じて生じる、センサ１０の部材の粘弾性や動力学特性（質量や慣性モーメント等）に関連する物理量の変化に基づいて検出値を出力するものであればよく、カンチレバー式、膜型、光学式、ピエゾ、振動応答等の様々なタイプのセンサを採用することができる。
【0015】
＜予測モデルについて＞
本実施形態で用いる予測モデルについて説明する。図２は、予測モデルの概略図である。ここでは、センサ１０から出力される検出値の時系列データから、果物の種類を予測する予測モデルを例として示す。図２（Ａ）は、予測モデルを学習するフェーズを示す。図２（Ａ）では、ある果物の種類（リンゴ等）と、センサ１０から出力される検出値の時系列データ２０との組み合わせを学習データとして、予測モデルが学習される。図２（Ｂ）は、予測モデルを利用するフェーズを示す。図２（Ｂ）では、予測モデルは、種類が未知である果物から取得された時系列データを入力として受け付け、果物の種類を予測結果として出力する。
本実施形態で用いる予測モデルについて説明する。図２は、予測モデルの概略図である。ここでは、センサ１０から出力される検出値の時系列データから、果物の種類を予測する予測モデルを例として示す。図２（Ａ）は、予測モデルを学習するフェーズを示す。図２（Ａ）では、ある果物の種類（リンゴ等）と、センサ１０から出力される検出値の時系列データ２０との組み合わせを学習データとして、予測モデルが学習される。図２（Ｂ）は、予測モデルを利用するフェーズを示す。図２（Ｂ）では、予測モデルは、種類が未知である果物から取得された時系列データを入力として受け付け、果物の種類を予測結果として出力する。
【0016】
なお、以下で説明する実施形態においては、予測モデルは、果物の種類を予測するものに限定されない。予測モデルは、センサ１０から出力される検出値の時系列データに基づいて、予測結果を出力するものであればよい。例えば、予測モデルは、人の呼気から特定の病気の有無を予測するものであってもよいし、住居内のニオイから有害物質の有無を予測するものであってもよいし、工場内のニオイから工場設備の異常を予測するものであってもよい。
【0017】
＜本実施形態の概略＞
図３は、学習データ生成システム１００の概略を示す図である。学習データ生成システム１００は、主に、学習データ生成装置２０００と、ニオイを検知することにより時系列データを取得するセンサ１０と、検知したニオイに関する情報を受け付ける端末装置１１とを有する。学習データ生成装置２０００とセンサ１０、及び学習データ生成装置２０００と端末装置１１は、それぞれ通信網等を介してデータ通信を行う。なお、図１では、センサ１０及び端末装置１１は１台ずつ存在しているが、それぞれ複数台存在してもよい。
図３は、学習データ生成システム１００の概略を示す図である。学習データ生成システム１００は、主に、学習データ生成装置２０００と、ニオイを検知することにより時系列データを取得するセンサ１０と、検知したニオイに関する情報を受け付ける端末装置１１とを有する。学習データ生成装置２０００とセンサ１０、及び学習データ生成装置２０００と端末装置１１は、それぞれ通信網等を介してデータ通信を行う。なお、図１では、センサ１０及び端末装置１１は１台ずつ存在しているが、それぞれ複数台存在してもよい。
【0018】
学習データ生成装置２０００は、学習データ生成に関する処理を行う。具体的には、学習データ生成装置２０００は、センサ１０から時系列データ（「ニオイデータ」とも呼ぶ。）を受信し、評価者１２から端末装置１１を通じて、ニオイデータに関する情報を受信する。ニオイデータに関する情報の詳細は後述する。
【0019】
ここで、評価者１２は、ニオイデータに関する情報を入力し、後述するラベル候補を選択する人物を指す。以下、本実施形態では、ニオイデータに関する情報を入力する評価者と、ラベル候補を選択する評価者は、同一人物と仮定して説明する。しかし、ニオイデータに関する情報を入力する評価者と、ラベル候補を選択する評価者とは異なっていてもよい。
【0020】
学習データ生成装置２０００は、ニオイデータに関する情報から、ニオイデータに付与されるラベル候補を生成し、端末装置１１に出力する。端末装置１１は、画面上に、ラベル候補を表示し、評価者１２からラベルの選択を受け付ける。端末装置１１は、受け付けたラベルを学習データ生成装置２０００に出力する。学習データ生成装置２０００は、受け付けたラベルとニオイデータとを組み合わせて、学習データを生成する。
【0021】
＜学習データ生成装置２０００の機能構成の例＞
図４は、実施形態１の学習データ生成装置２０００の機能構成を例示する図である。学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。取得部２０２０は、センサ１０から、ニオイデータを取得し、端末装置１１から、ニオイデータに関する情報を取得する。ラベル候補生成部２０３０は、ニオイデータに関する情報に基づいて、ラベル候補を生成する。出力部２０４０は、ラベル候補生成部２０３０により生成されたラベル候補を端末装置１１に出力する。受付部２０５０は、端末装置１１からラベルの選択を受け付ける。学習データ生成部２０６０は、選択されたラベルと、ニオイデータとから学習データを生成し、記憶部２０１０に出力する。
図４は、実施形態１の学習データ生成装置２０００の機能構成を例示する図である。学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。取得部２０２０は、センサ１０から、ニオイデータを取得し、端末装置１１から、ニオイデータに関する情報を取得する。ラベル候補生成部２０３０は、ニオイデータに関する情報に基づいて、ラベル候補を生成する。出力部２０４０は、ラベル候補生成部２０３０により生成されたラベル候補を端末装置１１に出力する。受付部２０５０は、端末装置１１からラベルの選択を受け付ける。学習データ生成部２０６０は、選択されたラベルと、ニオイデータとから学習データを生成し、記憶部２０１０に出力する。
【0022】
＜学習データ生成装置２０００のハードウェア構成＞
図５は、図３及び図４に示した学習データ生成装置２０００を実現するための計算機を例示する図である。計算機１０００は任意の計算機である。例えば、計算機１０００は、Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ（ＰＣ）やサーバマシン等の据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末等の可搬型の計算機である。計算機１０００は、学習データ生成装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。
図５は、図３及び図４に示した学習データ生成装置２０００を実現するための計算機を例示する図である。計算機１０００は任意の計算機である。例えば、計算機１０００は、Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ（ＰＣ）やサーバマシン等の据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末等の可搬型の計算機である。計算機１０００は、学習データ生成装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。
【0023】
計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０等を互いに接続する方法は、バス接続に限定されない。
【0024】
プロセッサ１０４０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の種々のプロセッサである。メモリ１０６０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、メモリカード、又はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を用いて実現される補助記憶装置である。
【0025】
入出力インタフェース１１００は、計算機１０００と入出力デバイスを接続するためのインタフェースである。例えば、入出力インタフェース１１００には、キーボード等の入力装置や、ディスプレイ装置等の出力装置が接続される。その他にも例えば、入出力インタフェース１１００には、センサ１０が接続される。ただし、センサ１０は必ずしも計算機１０００と直接接続されている必要はない。例えば、センサ１０は、計算機１０００と共有している記憶装置に取得したデータを記憶させてもよい。
【0026】
ネットワークインタフェース１１２０は、計算機１０００を通信網に接続するためのインタフェースである。この通信網は、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）である。ネットワークインタフェース１１２０が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。
【0027】
ストレージデバイス１０８０は、学習データ生成装置２０００の各機能構成部を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。
【0028】
＜処理の流れ＞
図６は、実施形態１の学習データ生成装置２０００によって実行される処理の流れを例示する図である。取得部２０２０は、ニオイデータとニオイデータに関する情報を取得する（Ｓ１００）。ラベル候補生成部２０３０は、ニオイデータに関する情報に基づいて、ラベル候補を生成する（Ｓ１１０）。出力部２０４０は、生成されたラベル候補を端末装置１１に出力する（Ｓ１２０）。受付部２０５０は、ラベル候補からラベルの選択を受け付ける（Ｓ１３０）。学習データ生成部２０６０は、選択されたラベルとニオイデータとから学習データを生成する（Ｓ１４０）。
図６は、実施形態１の学習データ生成装置２０００によって実行される処理の流れを例示する図である。取得部２０２０は、ニオイデータとニオイデータに関する情報を取得する（Ｓ１００）。ラベル候補生成部２０３０は、ニオイデータに関する情報に基づいて、ラベル候補を生成する（Ｓ１１０）。出力部２０４０は、生成されたラベル候補を端末装置１１に出力する（Ｓ１２０）。受付部２０５０は、ラベル候補からラベルの選択を受け付ける（Ｓ１３０）。学習データ生成部２０６０は、選択されたラベルとニオイデータとから学習データを生成する（Ｓ１４０）。
【0029】
＜ニオイデータに関する情報が音声である場合＞
図７、８、９を用いて、ニオイデータに関する情報が音声である場合の学習データ生成装置２０００の動作を説明する。図７は、端末装置１１に表示される、ニオイデータに関する情報として音声を取得する画面を例示する図である。図７に示す画面は、例えば、ニオイの評価を依頼する旨のメッセージ１１ａ（「どんなニオイですか？マイクに話してください」等）を含む。
図７、８、９を用いて、ニオイデータに関する情報が音声である場合の学習データ生成装置２０００の動作を説明する。図７は、端末装置１１に表示される、ニオイデータに関する情報として音声を取得する画面を例示する図である。図７に示す画面は、例えば、ニオイの評価を依頼する旨のメッセージ１１ａ（「どんなニオイですか？マイクに話してください」等）を含む。
【0030】
評価者１２は、測定対象１３のニオイの評価（「リンゴのニオイ。甘いニオイがする。」等）を、音声で端末装置１１に入力する。端末装置１１は、受け付けた音声を、取得部２０２０に出力する。取得部２０２０は、取得した音声をラベル候補生成部２０３０に出力する。
【0031】
ラベル候補生成部２０３０が、取得した音声に基づいてラベル候補を生成する処理を説明する。ラベル候補生成部２０３０は、取得した音声を、既存の音声認識の技術を用いることで、テキストに変換する。そして、ラベル候補生成部２０３０は、変換したテキストに対して、既存の自然言語処理の技術を適用することで、ラベル候補を生成する。ラベル候補を生成するための自然言語処理の技術としては、例えば、表現辞書に基づく文字列マッチング、ＴＦ－ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ － Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）、Ｋｅｙ－Ｇｒａｐｈ、及び公知の機械学習技術を用いる手法がある。ラベル候補生成部２０３０は、変換したテキストと生成したラベル候補を出力部２０４０に出力する。出力部２０４０は、端末装置１１に変換したテキストと生成されたラベル候補を出力する。
【0032】
ここで、ラベル候補生成部２０３０が、自然言語処理の技術を利用してラベル候補を生成する方法の一例を説明する。まず、ラベル候補生成部２０３０は、音声から変換されたテキストに対して、形態素解析を実行し、テキストに含まれる単語の品詞情報を取得する。次に、ラベル候補生成部２０３０は、テキストに含まれる単語のうち、所定の品詞（「名詞」、「形容詞」等）が付与された単語を、ラベル候補として取得する。
【0033】
なお、ラベル候補生成部２０３０が用いる所定の品詞の決定方法は、限定されない。例えば、ラベル候補生成部２０３０は、評価者１２から、機械学習のタスク設定を更に受け付け、受け付けたタスク設定に基づいて、所定の品詞を決定してもよい。具体的には、評価者１２から受け付けたタスク設定が「物体識別」である場合、ラベル候補生成部２０３０は、物体の名称を表しうる品詞（「名詞」、「固有名詞」等）が付与された単語を、ラベル候補として取得する。また、評価者１２から受け付けたタスク設定が「極性分類」である場合、ラベル候補生成部２０３０は、テキストの極性に影響を与えうる品詞（「形容詞」、「副詞」等）が付与された単語をラベル候補として取得する。
【0034】
図８は、端末装置１１に表示されるラベル候補を選択するための画面を例示する図である。図８に示す画面は、例えば、登録するラベルを選択することを指示する旨のメッセージ１１ｂ（「登録するラベルを選択してください。」等）、音声の認識結果１１ｃ、ラベル候補１１ｄを含む。音声の認識結果１１ｃは、評価者１２が入力したニオイの評価に関する音声の認識結果である。ラベル候補１１ｄは、ラベル候補生成部２０３０により生成されたラベル候補（「リンゴ」、「甘い」等）を示すボタンである。
【0035】
評価者１２は、例えば、ラベル候補１１ｄから、登録するラベルのボタンを押下することにより、ラベルを選択する。取得部２０２０は、選択されたラベルを取得する。
【0036】
なお、図８に示したラベル候補１１ｄに、「該当なし」が含まれていてもよい。評価者１２は、ラベル候補１１ｄの中に、適切なラベルが存在しない場合、「該当なし」を選択する。この場合、例えば、図７に示した動作が再度行われる。
【0037】
＜ニオイデータに関する情報が画像である場合＞
図９、１０、１１を用いて、ニオイデータに関する情報が画像である場合の学習データ生成装置２０００の動作を説明する。図９は、端末装置１１に表示される、ニオイデータに関する情報として画像を取得するための画面を例示する図である。図９に示す画面は、例えば、測定対象１３を撮像する指示する旨のメッセージ１１ｅ（「測定対象の画像を撮影してください。」等）を含む。
図９、１０、１１を用いて、ニオイデータに関する情報が画像である場合の学習データ生成装置２０００の動作を説明する。図９は、端末装置１１に表示される、ニオイデータに関する情報として画像を取得するための画面を例示する図である。図９に示す画面は、例えば、測定対象１３を撮像する指示する旨のメッセージ１１ｅ（「測定対象の画像を撮影してください。」等）を含む。
【0038】
評価者１２は、測定対象１３を、端末装置１１に備え付けられた撮像装置を用いて、撮像する。端末装置１１は、撮像された画像を、取得部２０２０に出力する。取得部２０２０は、取得した音声をラベル候補生成部２０３０に出力する。
【0039】
ラベル候補生成部２０３０が、取得した画像に基づいてラベル候補を生成する処理を説明する。ラベル候補生成部２０３０は、取得した画像から、既存の画像認識の技術を用いることで、測定対象が含まれる領域候補となる部分領域を抽出する。部分領域を抽出する画像認識の技術としては、スライディングウィンドウ法、ＢＩＮＧ（ｂｉｎａｒｉｚｅｄ ｎｏｒｍｅｄ ｇｒａｄｉｅｎｔｓ）、選択的検索法、分岐限定法等がある。そして、ラベル候補生成部２０３０は、抽出した部分領域を出力部２０４０に出力する。出力部２０４０は、端末装置１１に抽出した部分領域を出力する。
【0040】
図１０は、端末装置１１に表示される、測定対象が含まれる部分領域の選択を受け付ける画面を例示する図である。図１０に示す画面は、例えば、測定対象を含む部分領域を選択する旨のメッセージ１１ｆ（「測定対象を選択してください。」等）、抽出した部分領域１１ｇ、及び抽出した部分領域１１ｈを含む。
【0041】
評価者１２は、表示された部分領域のうち、測定対象１３を含む部分領域を選択する。端末装置１１は、選択された部分領域を、受付部２０５０に出力する。
【0042】
ラベル候補生成部２０３０は、取得した部分領域に対して、既存の画像認識の技術を用いることで、ラベル候補を生成する。ラベル候補を生成する画像認識の技術としては、線形分類器、集団学習、及び畳み込みニューラルネットワーク等の非線形分類器を用いる手法等がある。ラベル候補生成部２０３０は、生成したラベル候補を出力部２０４０に出力する。出力部２０４０は、端末装置１１にラベル候補を出力する。
【0043】
図１１は、端末装置１１に表示される、ラベルの選択を受け付ける画面を例示する図である。図１１に示す画面は、例えば、ラベルを選択する旨のメッセージ１１ｉ（「「リンゴ」を登録しますか？」等）、選択ボタン「はい」１１ｊ、及び選択ボタン「いいえ」１１ｋを含む。
【0044】
評価者１２は、表示されたラベル候補を選択する場合は、選択ボタン「はい」１１ｊを押下し、選択しない場合は、選択ボタン「いいえ」１１ｋを押下する。評価者１２が選択ボタン「はい」１１ｊを押下した場合は、端末装置１１は、選択されたラベルを受付部２０５０に出力する。評価者１２が、選択ボタン「いいえ」１１ｋを押下した場合、端末装置１１は、画面上に、図９に示した、測定対象１３を撮像する指示を再度表示してもよい。
【0045】
なお、図１１に示す画面では、一つのラベル候補の選択可否を受け付けている。しかし、ラベル候補生成部２０３０が、画像に基づいて生成するラベル候補が複数ある場合は、図１１に示す画面は、複数のラベル候補を表示してもよい。その場合、評価者１２は、表示されたラベル候補から、少なくとも一つ以上のラベルを選択する。そして、端末装置１１は、選択されたラベルを受付部２０５０に出力する。
＜ニオイデータに関する情報がテキストである場合＞
図１２を用いて、ニオイデータに関する情報がテキストである場合の学習データ生成装置２０００の動作を説明する。図１２は、端末装置１１に表示される、ニオイデータに関する情報としてテキストを取得する画面を例示する図である。図１２に示す画面は、例えば、測定対象１３のニオイの評価を依頼する旨のメッセージ１１ｌ（「どんなニオイですか？入力してください」等）を含む。
＜ニオイデータに関する情報がテキストである場合＞
図１２を用いて、ニオイデータに関する情報がテキストである場合の学習データ生成装置２０００の動作を説明する。図１２は、端末装置１１に表示される、ニオイデータに関する情報としてテキストを取得する画面を例示する図である。図１２に示す画面は、例えば、測定対象１３のニオイの評価を依頼する旨のメッセージ１１ｌ（「どんなニオイですか？入力してください」等）を含む。
【0046】
評価者１２は、測定対象１３のニオイの評価を、画面上に表示されたキーボードを用いて入力する（「リンゴのニオイ」等）。端末装置１１は、受け付けたテキストを取得部２０２０に出力する。取得部２０２０は、取得した文章をラベル候補生成部２０３０に出力する。
【0047】
ラベル候補生成部２０３０が、取得した文章に基づいてラベル候補を生成する処理は、ニオイデータに関する情報が音声の場合において、音声をテキストに変換した後の処理と同様である。
＜生成される学習データについて＞
学習データ生成部２０６０が、学習データを生成する処理を説明する。学習データ生成部２０６０は、選択されたラベルとニオイデータとを対応付けることで、学習データを生成し、記憶部２０１０に出力する。
＜生成される学習データについて＞
学習データ生成部２０６０が、学習データを生成する処理を説明する。学習データ生成部２０６０は、選択されたラベルとニオイデータとを対応付けることで、学習データを生成し、記憶部２０１０に出力する。
【0048】
図１３は、記憶部２０１０が記憶する学習データを例示する図である。図１３における各レコードが学習データに対応する。各学習データは、例えば、学習データを識別するためのＩＤ、センサ１０がニオイを検知したことにより得られるニオイデータ、及び選択されたラベルを含む。
【0049】
なお、各レコードは、ニオイを検知したセンサ１０を識別するためのセンサＩＤ、測定日、測定対象、及び測定環境を含んでいてもよい。
【0050】
測定日は、例えば、センサ１０に対象ガスが噴射された日でもよいし、生成された学習データが記憶部２０１０に記憶された日でもよい。なお、測定日は、測定時間を含む測定日時であってもよい。
【0051】
測定環境は、ニオイを測定する際の環境に関する情報である。例えば、測定環境として、センサ１０が設置された環境の温度、湿度及びサンプリング周期がある。
【0052】
サンプリング周期は、ニオイを測定する間隔を示し、Δｔ［ｓ］、あるいはその逆数を用いたサンプリング周波数［Ｈｚ］として表される。例えば、サンプリング周期は、０．１［ｓ］、０．０１［ｓ］等である。
【0053】
また、ニオイがサンプルガスとパージガスを交互にセンサ１０に噴射することで測定される場合、サンプルガス及びパージガス噴射時間を、サンプリング周期としてもよい。ここで、サンプルガスとは、図１における対象ガスである。パージガスは、センサ１０に付着した対象ガスを除去するためのガス（例えば、窒素）である。例えば、センサ１０は、サンプルガスは５秒間、パージガスは５秒間、噴射されることでデータを測定できる。
【0054】
上述した温度、湿度、サンプリング周期等の測定環境は、例えば、センサ１０の内部又は外部に備えられた計器によって取得されてもよいし、端末装置１１を通じて、ユーザから入力されてもよい。
【0055】
なお、本実施形態においては、温度、湿度、サンプリング周期を測定環境の例として説明したが、他の測定環境の例としては、測定対象とセンサ１０の距離、パージガスの種類、キャリアガス、センサの種類（センサＩＤ等）、測定時の季節、測定時の気圧、測定時の大気（ＣＯ２濃度等）及び測定者についての情報がある。キャリアガスは、測定対象のニオイと同時に噴射されるガスであり、例えば窒素や大気を用いる。サンプルガスは、キャリアガスと測定対象のニオイの混合である。
【0056】
また、上述した温度・湿度は、測定対象、キャリアガス、パージガス、センサ１０自体、センサ１０周辺の大気、センサ１０、あるいはセンサ１０を制御する機器の設定値から取得されたものであってもよい。
【0057】
＜作用・効果＞
本実施形態に係る学習データ生成装置２０００は、ニオイデータに関する情報に基づいて、ラベル候補を生成し、評価者１２が選択したラベルとニオイデータとを対応付けることで、所望の正解ラベルを用いた機械学習を実行するための学習データを生成するという効果がある。
本実施形態に係る学習データ生成装置２０００は、ニオイデータに関する情報に基づいて、ラベル候補を生成し、評価者１２が選択したラベルとニオイデータとを対応付けることで、所望の正解ラベルを用いた機械学習を実行するための学習データを生成するという効果がある。
【0058】
［実施形態２］
以下、本発明に係る実施形態２を説明する。実施形態２は、実施形態１と比べて、ラベル候補生成部２０７０が、学習済みモデルに基づいてラベル候補を生成する点で異なる。以下、詳細を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図１４は、実施形態２の学習データ生成装置２０００の機能構成を例示する図である。実施形態２の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０７０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。取得部２０２０は、センサ１０からニオイデータを取得し、モデル記憶部２０１１から後述する学習済みモデルを取得する。ラベル候補生成部２０７０は、取得したニオイデータと学習済みモデルとに基づいて、ラベル候補を生成する。出力部２０４０、受付部２０５０、学習データ生成部２０６０の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
以下、本発明に係る実施形態２を説明する。実施形態２は、実施形態１と比べて、ラベル候補生成部２０７０が、学習済みモデルに基づいてラベル候補を生成する点で異なる。以下、詳細を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図１４は、実施形態２の学習データ生成装置２０００の機能構成を例示する図である。実施形態２の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０７０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。取得部２０２０は、センサ１０からニオイデータを取得し、モデル記憶部２０１１から後述する学習済みモデルを取得する。ラベル候補生成部２０７０は、取得したニオイデータと学習済みモデルとに基づいて、ラベル候補を生成する。出力部２０４０、受付部２０５０、学習データ生成部２０６０の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
【0059】
＜処理の流れ＞
図１５は、実施形態２の学習データ生成装置２０００によって実行される処理の流れを例示する図である。取得部２０２０は、ニオイデータと学習済みモデルとを取得する（Ｓ２００）。ラベル候補生成部２０７０は、ニオイデータと学習済みモデルとに基づいて、ラベル候補を生成する（Ｓ２１０）。Ｓ２２０、Ｓ２３０、及びＳ２４０に係る処理は、他の実施形態と同様であり、本実施形態では説明を省略する。
図１５は、実施形態２の学習データ生成装置２０００によって実行される処理の流れを例示する図である。取得部２０２０は、ニオイデータと学習済みモデルとを取得する（Ｓ２００）。ラベル候補生成部２０７０は、ニオイデータと学習済みモデルとに基づいて、ラベル候補を生成する（Ｓ２１０）。Ｓ２２０、Ｓ２３０、及びＳ２４０に係る処理は、他の実施形態と同様であり、本実施形態では説明を省略する。
【0060】
＜学習済みモデルの概略＞
モデル記憶部２０１１が記憶する学習済みモデルの詳細を説明する。図１６は、学習済みモデルの概略を示す図である。学習済みモデルは、ニオイデータの特徴量を規定する波形空間上の値に、ラベル空間上の値を割り当てる機械学習モデルである。ラベル空間の詳細は後述する。
モデル記憶部２０１１が記憶する学習済みモデルの詳細を説明する。図１６は、学習済みモデルの概略を示す図である。学習済みモデルは、ニオイデータの特徴量を規定する波形空間上の値に、ラベル空間上の値を割り当てる機械学習モデルである。ラベル空間の詳細は後述する。
【0061】
学習済みモデルの学習方法としては、深層学習モデル等の公知の機械学習の手法がある。例えば、学習済みモデルが、教師あり機械学習によって学習されたモデルである場合、学習データは、図１６に示す波形空間における「コーヒー」を示す値と、ラベル空間における「コーヒー」を示す値とを対応付けたデータである。
【0062】
ラベル空間について説明する。ラベル空間は、ニオイの特徴を示すベクトル空間であり、学習済みモデルの予測結果として得られる値が定義される空間である。ラベル空間の値を用いてニオイを表現することにより、複数のニオイの関係を定量的に表すことが可能となる。例えば、図１６に示すラベル空間上の「コーヒー」と「お茶」又は、「ゴム」と「タイヤ」のように、あるラベル空間において近い距離に位置するラベルは、そのラベル空間において近いニオイを示している。また、図１６に示すラベル空間上の「コーヒー」と「タイヤ」又は、「お茶」と「ゴム」のように、あるラベル空間において逆方向に位置するラベルは、そのラベル空間において対照的な性質のニオイを示していると考えることができる。但し、同じニオイであっても、ラベル空間が違えば、それを表現する値は異なる。本実施形態では、以下に述べるように、複数のラベル空間を使用した学習済みモデルを使用することができる。
【0063】
＜物質の構造や化学的性質を示す空間を用いた学習済みモデル＞
学習済みモデルのラベル空間が、物質の構造や化学的性質によって定義される空間である場合を説明する。図１７は、ラベル空間を例示する図である。図１７（Ａ）は、物質の化学的性質として「分子量」及び「沸点」を軸とするベクトル空間をラベル空間とし、この空間上でラベル「エチレン」及び「エタノール」を表現した例を示す。分子量及び沸点以外に使用可能な軸としては、組成式、示性式、構造式、官能基の種類・数、炭素数、不飽和度、濃度、水に対する溶けやすさ、極性、融点、密度、分子軌道等が挙げられる。また、物質の構造や化学的性質を示す空間は、分子構造を高次元の実数ベクトルで表現する手法であるｍｏｌ２ｖｅｃで定義される空間であってもよい。
学習済みモデルのラベル空間が、物質の構造や化学的性質によって定義される空間である場合を説明する。図１７は、ラベル空間を例示する図である。図１７（Ａ）は、物質の化学的性質として「分子量」及び「沸点」を軸とするベクトル空間をラベル空間とし、この空間上でラベル「エチレン」及び「エタノール」を表現した例を示す。分子量及び沸点以外に使用可能な軸としては、組成式、示性式、構造式、官能基の種類・数、炭素数、不飽和度、濃度、水に対する溶けやすさ、極性、融点、密度、分子軌道等が挙げられる。また、物質の構造や化学的性質を示す空間は、分子構造を高次元の実数ベクトルで表現する手法であるｍｏｌ２ｖｅｃで定義される空間であってもよい。
【0064】
＜官能評価指標を示す空間を用いた学習済みモデル＞
学習済みモデルのラベル空間が、人間の感覚を用いて対象のニオイを判定する検査で得られた指標（官能評価指標）によって定義される空間である場合を説明する。図１７（Ｂ）は、官能評価指標の一例として「不快」及び「あまい」を軸とするベクトル空間をラベル空間とし、この空間上でラベル「チョコ」及び「芳香剤」を表現した例を示す。なお、官能評価としては、例えば、２点識別法や３点識別法等の識別型試験、スコアリング法やＱＤＡ（Ｑｕａｎｔｉｔａｔｉｖｅ Ｄｅｓｃｒｉｐｔｉｖｅ Ａｎａｌｙｓｉｓ）法等の記述型試験、時間強度試験、ＴＤＳ（Ｔｅｍｐｏｒａｌ Ｄｏｍｉｎａｎｃｅ ｏｆ Ｓｅｎｓａｔｉｏｎｓ）、ＴＣＡＴＡ（Ｔｅｍｐｏｒａｌ Ｃｈｅｃｋ Ａｌｌ Ｔｈａｔ Ａｐｐｌｙ）等のタイムダイナミック法、一般パネルを用いた嗜好型の官能評価方法等が挙げられる。
学習済みモデルのラベル空間が、人間の感覚を用いて対象のニオイを判定する検査で得られた指標（官能評価指標）によって定義される空間である場合を説明する。図１７（Ｂ）は、官能評価指標の一例として「不快」及び「あまい」を軸とするベクトル空間をラベル空間とし、この空間上でラベル「チョコ」及び「芳香剤」を表現した例を示す。なお、官能評価としては、例えば、２点識別法や３点識別法等の識別型試験、スコアリング法やＱＤＡ（Ｑｕａｎｔｉｔａｔｉｖｅ Ｄｅｓｃｒｉｐｔｉｖｅ Ａｎａｌｙｓｉｓ）法等の記述型試験、時間強度試験、ＴＤＳ（Ｔｅｍｐｏｒａｌ Ｄｏｍｉｎａｎｃｅ ｏｆ Ｓｅｎｓａｔｉｏｎｓ）、ＴＣＡＴＡ（Ｔｅｍｐｏｒａｌ Ｃｈｅｃｋ Ａｌｌ Ｔｈａｔ Ａｐｐｌｙ）等のタイムダイナミック法、一般パネルを用いた嗜好型の官能評価方法等が挙げられる。
【0065】
＜においを嗅いだときの反応を示す空間を用いた学習済みモデル＞
学習済みモデルのラベル空間が、人間がニオイを嗅いだときに人体に生じる何らかの生体反応によって定義される空間である場合を説明する。生体反応としては、例えば、人間がニオイを嗅いだときの脳波、機能的核磁気共鳴画像（ｆＭＲＩ：ｆｕｎｃｔｉｏｎａｌＭａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）、心拍間隔（ＲＲＩ：Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）がある。ラベル空間は、上記の生体反応の特徴量を規定する波形空間である。
学習済みモデルのラベル空間が、人間がニオイを嗅いだときに人体に生じる何らかの生体反応によって定義される空間である場合を説明する。生体反応としては、例えば、人間がニオイを嗅いだときの脳波、機能的核磁気共鳴画像（ｆＭＲＩ：ｆｕｎｃｔｉｏｎａｌＭａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）、心拍間隔（ＲＲＩ：Ｒ－Ｒ Ｉｎｔｅｒｖａｌ）がある。ラベル空間は、上記の生体反応の特徴量を規定する波形空間である。
【0066】
＜単語埋め込み空間を用いた学習済みモデル＞
学習済みモデルのラベル空間が、単語埋め込み（単語分散表現）によって定義される空間である場合を説明する。単語埋め込み（単語分散表現）とは、単語の意味を高次元の実数ベクトルとして表す手法であり、ｗｏｒｄ２ｖｅｃ、ＧｌｏＶｅ、ｆａｓｔＴｅｘｔ及びＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）等の手法が知られている。
学習済みモデルのラベル空間が、単語埋め込み（単語分散表現）によって定義される空間である場合を説明する。単語埋め込み（単語分散表現）とは、単語の意味を高次元の実数ベクトルとして表す手法であり、ｗｏｒｄ２ｖｅｃ、ＧｌｏＶｅ、ｆａｓｔＴｅｘｔ及びＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）等の手法が知られている。
【0067】
但し、単語埋め込み（単語分散表現）の性質は、それを学習する際に使用する文章（コーパス）に依存するため、学習済みモデルのラベル空間として単語埋め込み空間を用いる場合は、ニオイに関連する文章を使用して単語埋め込み（単語分散表現）の学習を行う必要がある。ニオイに関連する文章とは、例えば、嗅覚に関する論文等の研究文書、化粧品のレビューコメント、食料品カタログ、グルメガイドのレビュー記事等がある。
【0068】
＜ラベル候補生成部２０７０の動作の例＞
図１８は、ラベル候補生成部２０７０による処理の概略を示す図である。図１８を参照して、ラベル候補生成部２０７０による処理を具体的に説明する。ここでは、ラベル候補生成部２０７０が、単語埋め込み空間を用いた学習済みモデルを用いる場合を例として説明する。
図１８は、ラベル候補生成部２０７０による処理の概略を示す図である。図１８を参照して、ラベル候補生成部２０７０による処理を具体的に説明する。ここでは、ラベル候補生成部２０７０が、単語埋め込み空間を用いた学習済みモデルを用いる場合を例として説明する。
【0069】
図１８に示すように、ラベル候補生成部２０７０は、取得部２０２０からニオイデータを取得する。ラベル候補生成部２０７０は、取得したニオイデータの特徴量を算出する。算出された特徴量は、図１８に示すように、波形空間上で、取得したニオイデータを示す値２２に対応する。次に、ラベル候補生成部２０７０は、ニオイデータを示す値２２と学習済みモデルとを用いて、ラベル空間上の予測値２４を算出する。そして、ラベル候補生成部２０７０は、最近傍探索を行い、例えば、「タイヤ」に対応する点２６を、予測値の近傍点として取得する。ラベル候補生成部２０７０は、「タイヤ」をラベル候補として生成する。
【0070】
なお、ラベル候補生成部２０７０がニオイデータの特徴量を算出する方法としては、例えば、センサ１０を用いて複数回測定対象を検出することにより得られたニオイデータの平均値、検出値の形状における特徴を示す値、ニオイデータを指数成分に分解したときの成分構成の値、最大値、最小値、中央値等がある。また、ラベル候補生成部２０７０は、取得したニオイデータの値を特徴量としてもよい。
【0071】
また、ラベル候補生成部２０７０が取得するラベル候補は一つに限定されない。ラベル候補生成部２０７０は、例えば、Ｋ近傍法を用いて複数の近傍点を取得し、複数のラベル候補を生成してもよい。
【0072】
＜作用・効果＞
本実施形態に係る学習データ生成装置２０００は、ニオイデータとニオイの特徴を示すベクトル空間とを対応付ける学習済みモデルを用いて、ラベル候補を生成する。すなわち、学習データ生成装置２０００は、複数のニオイの関係を定量的に考慮してラベル候補を生成することができるため、所望の正解ラベルを用いた機械学習を実行するための学習データを生成するという効果がある。
本実施形態に係る学習データ生成装置２０００は、ニオイデータとニオイの特徴を示すベクトル空間とを対応付ける学習済みモデルを用いて、ラベル候補を生成する。すなわち、学習データ生成装置２０００は、複数のニオイの関係を定量的に考慮してラベル候補を生成することができるため、所望の正解ラベルを用いた機械学習を実行するための学習データを生成するという効果がある。
【0073】
［実施形態３］
以下、本発明に係る実施形態３を説明する。実施形態３は、他の実施形態と比べて、学習部２０８０を有する点で異なる。以下、詳細を説明する。
以下、本発明に係る実施形態３を説明する。実施形態３は、他の実施形態と比べて、学習部２０８０を有する点で異なる。以下、詳細を説明する。
【0074】
＜学習データ生成装置２０００の機能構成の例＞
図１９は、実施形態３の学習データ生成装置２０００の機能構成を例示する図である。実施形態３の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０、及び学習部２０８０を有する。学習部２０８０は、記憶部２０１０から、学習データを取得し、機械学習を実行する。取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
図１９は、実施形態３の学習データ生成装置２０００の機能構成を例示する図である。実施形態３の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０、及び学習部２０８０を有する。学習部２０８０は、記憶部２０１０から、学習データを取得し、機械学習を実行する。取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
【0075】
＜処理の流れ＞
図２０は、実施形態３の学習データ生成装置２０００によって実行される処理の流れを例示する図である。学習部２０８０は、学習データを取得する（Ｓ３００）。学習部２０８０は、取得した学習データに基づいて、機械学習を実行する（Ｓ３１０）。なお、学習部２０８０が機械学習を実行する手法としては、深層学習やＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等があり、特に限定されない。
図２０は、実施形態３の学習データ生成装置２０００によって実行される処理の流れを例示する図である。学習部２０８０は、学習データを取得する（Ｓ３００）。学習部２０８０は、取得した学習データに基づいて、機械学習を実行する（Ｓ３１０）。なお、学習部２０８０が機械学習を実行する手法としては、深層学習やＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等があり、特に限定されない。
【0076】
［実施形態４］
以下、本発明に係る実施形態４を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図２１は、実施形態４の学習データ生成装置２０００の機能構成を例示する図である。実施形態２の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。各部の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
以下、本発明に係る実施形態４を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図２１は、実施形態４の学習データ生成装置２０００の機能構成を例示する図である。実施形態２の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、及び学習データ生成部２０６０を有する。各部の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
【0077】
［実施形態５］
以下、本発明に係る実施形態５を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図２２は、実施形態５の学習データ生成装置２０００の機能構成を例示する図である。実施形態５の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０、及び学習部２０８０を有する。各部の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
以下、本発明に係る実施形態５を説明する。
＜学習データ生成装置２０００の機能構成の例＞
図２２は、実施形態５の学習データ生成装置２０００の機能構成を例示する図である。実施形態５の学習データ生成装置２０００は、取得部２０２０、ラベル候補生成部２０３０、出力部２０４０、受付部２０５０、学習データ生成部２０６０、及び学習部２０８０を有する。各部の動作は、他の実施形態と同様であり、本実施形態では説明を省略する。
【0078】
なお、本願発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
【0079】
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明におけるレプリケーション方法などの概略を説明する。但し、本発明は、以下の構成に限定されない。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明におけるレプリケーション方法などの概略を説明する。但し、本発明は、以下の構成に限定されない。
【0080】
（付記１）
ニオイデータと前記ニオイデータに関する情報とを取得する取得手段と、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成するラベル候補生成手段と、
前記生成したラベル候補を出力する出力手段と、
前記出力されたラベル候補からラベルの選択を受け付ける受付手段と、
前記選択されたラベルと前記ニオイデータとから学習データを生成する学習データ生成手段と、
を備える学習データ生成装置。
ニオイデータと前記ニオイデータに関する情報とを取得する取得手段と、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成するラベル候補生成手段と、
前記生成したラベル候補を出力する出力手段と、
前記出力されたラベル候補からラベルの選択を受け付ける受付手段と、
前記選択されたラベルと前記ニオイデータとから学習データを生成する学習データ生成手段と、
を備える学習データ生成装置。
【0081】
（付記２）
前記ニオイデータに関する情報は、前記ニオイデータに関する音声であり、
前記ラベル候補生成手段は、前記音声に基づいて前記ラベル候補を生成する、
付記１に記載の学習データ生成装置。
前記ニオイデータに関する情報は、前記ニオイデータに関する音声であり、
前記ラベル候補生成手段は、前記音声に基づいて前記ラベル候補を生成する、
付記１に記載の学習データ生成装置。
【0082】
（付記３）
前記ニオイデータに関する情報は、前記ニオイデータに関するテキストであり、
前記ラベル候補生成手段は、前記テキストに基づいて前記ラベル候補を生成する、
付記１又は２に記載の学習データ生成装置。
前記ニオイデータに関する情報は、前記ニオイデータに関するテキストであり、
前記ラベル候補生成手段は、前記テキストに基づいて前記ラベル候補を生成する、
付記１又は２に記載の学習データ生成装置。
【0083】
（付記４）
前記ニオイデータに関する情報は、前記ニオイデータの測定対象を含む画像であり、
前記ラベル候補生成手段は、前記画像に基づいて前記生成候補を出力する、
付記１から３の何れか１項に記載の学習データ生成装置。
前記ニオイデータに関する情報は、前記ニオイデータの測定対象を含む画像であり、
前記ラベル候補生成手段は、前記画像に基づいて前記生成候補を出力する、
付記１から３の何れか１項に記載の学習データ生成装置。
【0084】
（付記５）
前記ニオイデータに関する情報は、ニオイデータとラベルとの関係を学習した学習済みモデルであり、
前記ラベル候補生成手段は、前記取得したニオイデータと、前記学習済みモデルとに基づいて前記ラベル候補を生成し、
付記１から４の何れか１項に記載の学習データ生成装置。
前記ニオイデータに関する情報は、ニオイデータとラベルとの関係を学習した学習済みモデルであり、
前記ラベル候補生成手段は、前記取得したニオイデータと、前記学習済みモデルとに基づいて前記ラベル候補を生成し、
付記１から４の何れか１項に記載の学習データ生成装置。
【0085】
（付記６）
前記学習済みモデルは、ニオイデータと、ニオイの官能評価の結果との関係が学習された、
付記５に記載の学習データ生成装置。
前記学習済みモデルは、ニオイデータと、ニオイの官能評価の結果との関係が学習された、
付記５に記載の学習データ生成装置。
【0086】
（付記７）
前記学習済みモデルは、ニオイデータと、前記ニオイデータの測定対象の化学的性質を示すデータとの関係が学習された、
付記５から６の何れか１項に記載の学習データ生成装置。
前記学習済みモデルは、ニオイデータと、前記ニオイデータの測定対象の化学的性質を示すデータとの関係が学習された、
付記５から６の何れか１項に記載の学習データ生成装置。
【0087】
（付記８）
前記学習済みモデルは、ニオイデータとニオイを嗅いだときの生体反応を示すデータとの関係が学習された、
付記５から７の何れか１項に記載の学習データ生成装置。
前記学習済みモデルは、ニオイデータとニオイを嗅いだときの生体反応を示すデータとの関係が学習された、
付記５から７の何れか１項に記載の学習データ生成装置。
【0088】
（付記９）
ニオイデータと前記ニオイデータに関する情報とを取得し、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成する、
学習データ生成方法。
ニオイデータと前記ニオイデータに関する情報とを取得し、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成する、
学習データ生成方法。
【0089】
（付記１０）
ニオイデータと前記ニオイデータに関する情報とを取得し、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成し、
前記生成した学習データに基づいて学習モデルを生成する、
学習モデル生成方法。
ニオイデータと前記ニオイデータに関する情報とを取得し、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成し、
前記生成したラベル候補を出力し、
前記出力されたラベル候補からラベルの選択を受け付け、
前記選択されたラベルとニオイデータとから学習データを生成し、
前記生成した学習データに基づいて学習モデルを生成する、
学習モデル生成方法。
【0090】
（付記１１）
ニオイデータと前記ニオイデータに関する情報とを取得する処理と、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成する処理と、
前記生成したラベル候補を出力する処理と、
前記出力されたラベル候補からラベルの選択を受け付ける処理と、
前記選択されたラベルとニオイデータとから学習データを生成する処理と、
をコンピュータに実行させるプログラムを記録するプログラム記録媒体。
ニオイデータと前記ニオイデータに関する情報とを取得する処理と、
前記ニオイデータに関する情報に基づいて、ラベル候補を生成する処理と、
前記生成したラベル候補を出力する処理と、
前記出力されたラベル候補からラベルの選択を受け付ける処理と、
前記選択されたラベルとニオイデータとから学習データを生成する処理と、
をコンピュータに実行させるプログラムを記録するプログラム記録媒体。
【符号の説明】
【0091】
１０ センサ
１１ 端末装置
１１ａ ニオイの評価を依頼する旨のメッセージ
１１ｂ 登録するラベルを選択することを指示する旨のメッセージ
１１ｃ 音声の認識結果
１１ｄ ラベル候補
１１ｅ 測定対象１３を撮像する指示する旨のメッセージ
１１ｆ 測定対象を含む部分領域を選択する旨のメッセージ
１１ｇ 抽出した部分領域
１１ｈ 抽出した部分領域
１１ｉ ラベルを選択する旨のメッセージ
１１ｊ 選択ボタン「はい」
１１ｋ 選択ボタン「いいえ」
１１ｌ 測定対象１３のニオイの評価を依頼する旨のメッセージ
１２ 評価者
１３ 測定対象
２０ 時系列データ
２２ ニオイデータを示す値
２４ ラベル空間上の予測値
２６ 「タイヤ」に対応する点
１００ 学習データ生成システム
１０００ 計算機
１０２０ バス
１０４０ プロセッサ
１０６０ メモリ
１０８０ ストレージデバイス
１１００ 入出力インタフェース
１１２０ ネットワークインタフェース
２０００ 学習データ生成装置
２０１０ 記憶部
２０１１ モデル記憶部
２０２０ 取得部
２０３０ ラベル候補生成部
２０４０ 出力部
２０５０ 受付部
２０６０ 学習データ生成部
２０７０ ラベル候補生成部
２０８０ 学習部
１１ 端末装置
１１ａ ニオイの評価を依頼する旨のメッセージ
１１ｂ 登録するラベルを選択することを指示する旨のメッセージ
１１ｃ 音声の認識結果
１１ｄ ラベル候補
１１ｅ 測定対象１３を撮像する指示する旨のメッセージ
１１ｆ 測定対象を含む部分領域を選択する旨のメッセージ
１１ｇ 抽出した部分領域
１１ｈ 抽出した部分領域
１１ｉ ラベルを選択する旨のメッセージ
１１ｊ 選択ボタン「はい」
１１ｋ 選択ボタン「いいえ」
１１ｌ 測定対象１３のニオイの評価を依頼する旨のメッセージ
１２ 評価者
１３ 測定対象
２０ 時系列データ
２２ ニオイデータを示す値
２４ ラベル空間上の予測値
２６ 「タイヤ」に対応する点
１００ 学習データ生成システム
１０００ 計算機
１０２０ バス
１０４０ プロセッサ
１０６０ メモリ
１０８０ ストレージデバイス
１１００ 入出力インタフェース
１１２０ ネットワークインタフェース
２０００ 学習データ生成装置
２０１０ 記憶部
２０１１ モデル記憶部
２０２０ 取得部
２０３０ ラベル候補生成部
２０４０ 出力部
２０５０ 受付部
２０６０ 学習データ生成部
２０７０ ラベル候補生成部
２０８０ 学習部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】