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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-07-22
(45)【発行日】2024-07-30
(54)【発明の名称】学習装置、学習方法およびプログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240723BHJP
【ＦＩ】
G06N20/00
【請求項の数】
10
(21)【出願番号】P 2023502032
(86)(22)【出願日】2021-06-07
(86)【国際出願番号】 JP2021021609
(87)【国際公開番号】W WO2022180870
(87)【国際公開日】2022-09-01
【審査請求日】2023-08-10
(31)【優先権主張番号】P 2021031172
(32)【優先日】2021-02-26
(33)【優先権主張国・地域又は機関】JP
【新規性喪失の例外の表示】特許法第３０条第２項適用 令和２年６月１０日、″ｈｔｔｐ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／２００６．０５６１６″
(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】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100181135
【弁理士】
【氏名又は名称】橋本 隆史
(72)【発明者】
【氏名】谷本 啓
(72)【発明者】
【氏名】坂井 智哉
(72)【発明者】
【氏名】竹之内 高志
(72)【発明者】
【氏名】鹿島 久嗣
【審査官】真木 健彦
(56)【参考文献】
【文献】特開２０２０－００８９１６（ＪＰ，Ａ）
【文献】国際公開第２０１５／１７３８４２（ＷＯ，Ａ１）
【文献】米国特許出願公開第２０１８／０１０１１７８（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する学習データ取得手段と、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う学習手段と、
を備える学習装置。
【請求項2】
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う学習手段を備える学習装置。
【請求項3】
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う学習手段を備える学習装置。
【請求項4】
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得する学習データ取得手段と、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習を行う学習手段と、
を備える学習装置。
【請求項5】
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得し、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う、
学習方法。
【請求項6】
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う学習方法。
【請求項7】
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得し、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力する、
学習方法。
【請求項8】
コンピュータに、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得することと、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行うことと、
を実行させるためのプログラム。
【請求項9】
コンピュータに、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行うこと
を実行させるためのプログラム。
【請求項10】
コンピュータに、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得することと、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力することと、
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】
本発明は、学習装置、学習方法およびプログラムに関する。
【背景技術】
【0002】
機械学習における因果関係の候補を提示するなど、学習に関する技術が提案されている（例えば、特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１９－１９４８４９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
学習により得られたモデルを意思決定に用いることが想定される場合、対象ごとの特性など対象ごとに固定の値と、可変の値とがモデルへの入力となることが考えられる。その場合に、学習時と意思決定時とで可変の値の分布が異なる場合が想定される。このように、可変の値を変更して結果をシミュレートすることを前提としたモデルの学習を行うことが求められ得る。
【0005】
本発明は、上述の課題を解決することのできる学習装置、学習方法およびプログラムを提供することを目的の１つとしている。
【課題を解決するための手段】
【0006】
本発明の第１の態様によれば、学習装置は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する学習データ取得手段と、前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う学習手段と、を備える。
【0007】
本発明の第２の態様によれば、学習装置は、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う学習手段を備える。
【0008】
本発明の第３の態様によれば、学習装置は、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う学習手段を備える。
【0009】
本発明の第４の態様によれば、学習装置は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得する学習データ取得手段と、前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習を行う学習手段と、を備える。
【0010】
本発明の第５の態様によれば、学習方法では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得し、前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う。
【0011】
本発明の第６の態様によれば、学習方法では、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う。
【0012】
本発明の第７の態様によれば、学習方法では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得し、前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力する。
【0013】
本発明の第８の態様によれば、プログラムは、コンピュータに、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得することと、前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行ことと、を実行させるためのプログラムである。
【0014】
本発明の第９の態様によれば、プログラムは、コンピュータに、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行ことを実行させるためのプログラムである。
【0015】
本発明の第１０の態様によれば、プログラムは、コンピュータに、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得することと、前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力することと、を実行させるためのプログラムである。
【発明の効果】
【0016】
本発明によれば、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【図面の簡単な説明】
【0017】
【図1】実施形態に係る学習装置の概略構成の例を示す図である。
【図2】実施形態に係る学習装置が扱うモデルの入出力の第一例を示す図である。
【図3】実施形態に係る学習装置が扱うモデルの入出力の第二例を示す図である。
【図4】実施形態に係る学習時と運用時とでのモデルへの入力データの分布の違いを説明するための図である。
【図5】実施形態に係る学習装置が扱うモデルの入出力の第三例を示す図である。
【図6】実施形態に係る学習装置が扱うモデルの入出力の第四例を示す図である。
【図7】実施形態に係る学習装置の構成の第二例を示す図である。
【図8】実施形態に係る学習装置の構成の第三例を示す図である。
【図9】実施形態に係る学習装置の構成の第四例を示す図である。
【図10】実施形態に係る学習装置の構成の第五例を示す図である。
【図11】実施形態に係る学習方法における処理手順の第一例を示すフローチャートである。
【図12】実施形態に係る学習方法における処理手順の第二例を示すフローチャートである。
【図13】実施形態に係る学習方法における処理手順の第三例を示すフローチャートである。
【図14】実施形態に係る学習方法における処理手順の第四例を示すフローチャートである。
【図15】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
【発明を実施するための形態】
【0018】
以下、本発明の実施形態を説明するが、以下の実施形態は請求の範囲に係る発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
【0019】
図１は、実施形態に係る学習装置の概略構成の例を示す図である。図１に示す構成で、学習装置１００は、通信部１１０と、表示部１２０と、操作入力部１３０と、記憶部１８０と、制御部１９０とを備える。記憶部１８０は、モデル記憶部１８１を備える。制御部１９０は、モデル計算部１９１と、学習データ取得部１９２と、学習部１９３とを備える。
【0020】
学習装置１００は、モデルの学習を行う。学習装置１００は、例えばパソコン（Personal Computer；ＰＣ）またはワークステーション（Workstation）などのコンピュータを用いて構成されていてもよい。
通信部１１０は、他の装置と通信を行う。例えば通信部１１０が、他の装置から学習データを受信するようにしてもよい。また、モデルが学習装置１００の外部にある場合、通信部１１０が、モデルへの入力データを送信して計算を指示し、モデルの出力を受信するようにしてもよい。
通信部１１０は、他の装置と通信を行う。例えば通信部１１０が、他の装置から学習データを受信するようにしてもよい。また、モデルが学習装置１００の外部にある場合、通信部１１０が、モデルへの入力データを送信して計算を指示し、モデルの出力を受信するようにしてもよい。
【0021】
表示部１２０は、例えば液晶パネルまたはＬＥＤ（Light Emitting Diode、発光ダイオード）パネル等の表示画面を備え、各種画像を表示する。例えば、表示部１２０が、モデルの出力を表示するようにしてもよい。
操作入力部１３０は、例えばキーボードおよびマウス等の入力デバイスを備え、ユーザ操作を受け付ける。例えば、操作入力部１３０が、モデルの学習開始を指示するユーザ操作を受け付けるようにしてもよい。
操作入力部１３０は、例えばキーボードおよびマウス等の入力デバイスを備え、ユーザ操作を受け付ける。例えば、操作入力部１３０が、モデルの学習開始を指示するユーザ操作を受け付けるようにしてもよい。
【0022】
記憶部１８０は、各種データを記憶する。記憶部１８０は、学習装置１００が備える記憶デバイスを用いて構成される。
モデル記憶部１８１は、モデルを記憶する。ただし、学習装置１００が学習の対象とするモデルは、モデル記憶部１８１が記憶するものに限定されない。たとえば、学習装置１００が学習の対象とするモデルが、専用のハードウェアを用いて構成されていてもよい。また、学習装置１００が学習の対象とするモデルが、学習装置１００とは別の装置として構成されていてもよい。
モデル記憶部１８１は、モデルを記憶する。ただし、学習装置１００が学習の対象とするモデルは、モデル記憶部１８１が記憶するものに限定されない。たとえば、学習装置１００が学習の対象とするモデルが、専用のハードウェアを用いて構成されていてもよい。また、学習装置１００が学習の対象とするモデルが、学習装置１００とは別の装置として構成されていてもよい。
【0023】
制御部１９０は、学習装置１００の各部を制御して各種処理を実行する。制御部１９０の機能は、例えば、学習装置１００が備えるＣＰＵ（Central Processing Unit、中央処理装置）が記憶部１８０からプログラムを読み出して実行することで実行される。
モデル計算部１９１は、モデルによる計算を実行する。例えば、モデル記憶部１８１がソフトウェア的に構成されたモデルを記憶している場合、モデル計算部１９１がモデル記憶部１８１からモデルのソフトウェアを読み出して演算を実行するようにしてもよい。あるいはモデルが学習装置１００の外部の構成となっている場合、モデル計算部１９１が、通信部１１０を介してモデルに対して計算の実行を指示するようにしてもよい。
モデル計算部１９１は、モデルによる計算を実行する。例えば、モデル記憶部１８１がソフトウェア的に構成されたモデルを記憶している場合、モデル計算部１９１がモデル記憶部１８１からモデルのソフトウェアを読み出して演算を実行するようにしてもよい。あるいはモデルが学習装置１００の外部の構成となっている場合、モデル計算部１９１が、通信部１１０を介してモデルに対して計算の実行を指示するようにしてもよい。
【0024】
学習データ取得部１９２は、学習データを取得する。例えば、学習データ取得部１９２が、通信部１１０を介して他の装置から学習データを取得するようにしてもよい。
学習部１９３は、モデルの学習を実行する。学習部１９３が公知の方法を用いてモデルの学習を行うようにしてもよい。
学習部１９３は、モデルの学習を実行する。学習部１９３が公知の方法を用いてモデルの学習を行うようにしてもよい。
【0025】
学習装置１００が扱うモデルについて、モデルによる推定の対象が複数あり、対象ごとの固定値と、対象ごとに値を変更可能な可変項目とがあるものとする。モデルによる推定の対象のそれぞれを推定対象個体と称する。ここでいうモデルによる推定は、出力の正解値を不知のモデルが値を出力することである。ここでいう推定は予測であってもよいが、これに限定されない。例えば、学習装置１００が扱うモデルが、対象と可変項目値とに対する予測に用いられてもよいし、対象における可変項目値の評価に用いられてもよいが、これらの用途に限定されない。
推定対象個体ごとの固定値をｘと表記し、可変項目値（可変項目の値）をａと表記する。
推定対象個体ごとの固定値をｘと表記し、可変項目値（可変項目の値）をａと表記する。
【0026】
図２は、学習装置１００が扱うモデルの入出力の第一例を示す図である。
図２の例で、モデルｆは、固定値ｘと可変項目値ａとの入力を受けて推定値を出力する。モデルｆを、ｆ（ｘ，ａ）とも表記する。モデルｆが出力する推定値は、固定値ｘで特定される推定対象個体について可変項目値ａが設定されたときの推定値である。この推定値をｙ＾ａと表記する。また、推定対象項目値ｙａは、推定値ｙ＾ａに対する実際値に該当する。
ここでいう推定対象項目は、モデルが推定結果として出力する対象となる項目、すなわち、アウトカムである。推定対象項目値は、アウトカムに対する実際値（測定値）である。
図２の例で、モデルｆは、固定値ｘと可変項目値ａとの入力を受けて推定値を出力する。モデルｆを、ｆ（ｘ，ａ）とも表記する。モデルｆが出力する推定値は、固定値ｘで特定される推定対象個体について可変項目値ａが設定されたときの推定値である。この推定値をｙ＾ａと表記する。また、推定対象項目値ｙａは、推定値ｙ＾ａに対する実際値に該当する。
ここでいう推定対象項目は、モデルが推定結果として出力する対象となる項目、すなわち、アウトカムである。推定対象項目値は、アウトカムに対する実際値（測定値）である。
【0027】
モデルｇは、固定値ｘの入力を受けて推定対象項目基準値を出力する。推定対象項目基準値をｙ＾と表記する。モデルｇを、ｇ（ｘ）とも表記する。
推定対象項目基準値ｙ＾は、推定対象個体ごとに定まる値であり、推定対象個体ごとの推定対象項目値ｙａの平均的な値を示す。具体的には、推定対象項目基準値ｙ＾は、１つの推定対象個体について、可変項目値ａごとに得られる推定対象項目値ｙａについて、固定値ｘが与えられたもとでの過去の意思決定者の可変項目値の選択に関して条件付き期待値をとったものの推定値と捉えることができる。推定対象基準値は、アウトカムの基準値である。
モデルｇの値を計算するモデル計算部１９１は、基準値算出手段の例に該当する。すなわち、モデル計算部１９１は、モデルｇを用いて、推定対象個体ごとの固定値ｘに応じた推定対象項目基準値ｙ＾を算出する。
推定対象項目基準値ｙ＾は、推定対象個体ごとに定まる値であり、推定対象個体ごとの推定対象項目値ｙａの平均的な値を示す。具体的には、推定対象項目基準値ｙ＾は、１つの推定対象個体について、可変項目値ａごとに得られる推定対象項目値ｙａについて、固定値ｘが与えられたもとでの過去の意思決定者の可変項目値の選択に関して条件付き期待値をとったものの推定値と捉えることができる。推定対象基準値は、アウトカムの基準値である。
モデルｇの値を計算するモデル計算部１９１は、基準値算出手段の例に該当する。すなわち、モデル計算部１９１は、モデルｇを用いて、推定対象個体ごとの固定値ｘに応じた推定対象項目基準値ｙ＾を算出する。
【0028】
学習部１９３は、例えば、固定値ｘと、可変項目値ａと、推定対象項目値ｙａとの組み合わせによる学習データのうち、固定値ｘと、推定対象項目値ｙａとを用いて、可変項目値ａを無視して、モデルｇの学習を行う。ここでの可変項目値ａを無視することは、可変項目値ａをモデルｇへの入力として用いないことである。
このように、学習部１９３が、推定対象項目値ｙａを正解としてモデルｇの学習を行ってもよいことから、モデルｇの出力値である推定対象項目基準値ｙ＾は、モデルｇによる推定対象項目値ｙａの推定値に該当する。
このように、学習部１９３が、推定対象項目値ｙａを正解としてモデルｇの学習を行ってもよいことから、モデルｇの出力値である推定対象項目基準値ｙ＾は、モデルｇによる推定対象項目値ｙａの推定値に該当する。
【0029】
推定対象個体、固定値ｘおよび可変項目値ａは、特定のものに限定されない。また、固定値ｘ、可変項目値ａそれぞれのデータ形式は、特定のものに限定されない。
例えば、推定対象個体は小売店等の店舗であり、固定値ｘは、店舗の所在地など各店舗固有の特性値であってもよい。可変項目値ａは、店舗における品揃えなど、店舗ごとに実施可能な行動であってもよい。推定値ｙ＾ａは、各店舗の売り上げなど、品揃えに応じて店舗ごとに求まる値とすることができる。推定対象項目基準値ｙ＾は、例えば、店舗ごとの平均的な売り上げと捉えることができる。
例えば、推定対象個体は小売店等の店舗であり、固定値ｘは、店舗の所在地など各店舗固有の特性値であってもよい。可変項目値ａは、店舗における品揃えなど、店舗ごとに実施可能な行動であってもよい。推定値ｙ＾ａは、各店舗の売り上げなど、品揃えに応じて店舗ごとに求まる値とすることができる。推定対象項目基準値ｙ＾は、例えば、店舗ごとの平均的な売り上げと捉えることができる。
【0030】
あるいは、推定対象個体は人であり、固定値ｘは、各個人の性別および年齢など各個人固有の特性値であってもよい。可変項目値ａは、喫煙の有無など、各個人が実施可能な行動であってもよい。推定値ｙ＾ａは、各個人の健康の評価値など、個人の行動に応じて個人ごとに求まる値とすることができる。推定対象項目基準値ｙ＾は、例えば、各個人に平均的な行動を想定した場合の健康の評価値と捉えることができる。
【0031】
モデルｆの使い方の１つとして、推定値ｆ（ｘ，ａ）＝ｙ＾ａが大きい値になるような可変項目値ａを求めるといった使い方が考えられる。例えば、推定値ｙ＾ａが各店舗の売り上げである場合に、ある店舗において、売り上げｙ＾ａが大きくなるような品揃えａを求めることが考えられる。
この場合、推定値ｙ＾ａが大きいにもかかわらず、実際の値（推定対象項目値ｙａ）が小さいことを避けるようにモデルｆの学習を行うことが好ましいと考えられる。そこで、学習部１９３が、式（１）に示されるＥＲの値が小さいほど評価が高くなる評価関数を用いてモデルｆの学習を行うようにしてもよい。
この場合、推定値ｙ＾ａが大きいにもかかわらず、実際の値（推定対象項目値ｙａ）が小さいことを避けるようにモデルｆの学習を行うことが好ましいと考えられる。そこで、学習部１９３が、式（１）に示されるＥＲの値が小さいほど評価が高くなる評価関数を用いてモデルｆの学習を行うようにしてもよい。
【0032】
【数1】
【0033】
logは、対数関数を表す。Ｎは、学習に用いられるサンプルの個数を示す。ここでいうサンプルは、学習データにおける個々のサンプルである。例えば、１つの推定対象個体における固定値ｘと、その推定対象個体について設定される１つの可変項目値ａと、その固定値ｘかつその可変項目値ａの場合の正解である推定対象項目値ｙとの組み合わせが、１つのサンプルを構成していてもよい。
【0034】
このサンプルを含む学習データを取得する学習データ取得部１９２は、学習データ取得手段の例に該当する。すなわち、学習データ取得部１９２は、推定対象個体ごとの固定値ｘと、可変項目値ａと、その固定値ｘおよびその可変項目値ａに応じた推定対象項目値ｙａとを含む学習データを取得する。
ｓは、式（２）のように示される。
ｓは、式（２）のように示される。
【0035】
【数2】
【0036】
ここでのｙは、サンプルに含まれる推定対象項目値であり、サンプルによって特定される固定値ｘおよび可変項目値ａに対するモデルｆの出力の正解値を示す。
モデルｇは、上述したように、固定値ｘと推定対象項目値ｙとの関係について学習したモデルである。モデルｇの値は、固定値ｘが定まったときの推定対象項目値ｙの平均として用いられる。
モデルｇは、上述したように、固定値ｘと推定対象項目値ｙとの関係について学習したモデルである。モデルｇの値は、固定値ｘが定まったときの推定対象項目値ｙの平均として用いられる。
【0037】
Ｉは、引数値が真の場合に値が１となり、引数値が偽の場合に値が０となる関数である。したがって、Ｉ（ｙ－ｇ（ｘ）≧０）の値は、ｙ≧ｇ（ｘ）の場合に１となり、ｙ＜ｇ（ｘ）の場合に０となる。
ｖは、式（３）のように示される。
ｖは、式（３）のように示される。
【0038】
【数3】
【0039】
σはシグモイド関数を示す。したがって、ｖは、０＜ｖ＜１の値をとり、式（１）の「ｌｏｇ（ｖ）」は負の値をとる。すなわち、ｌｏｇ（ｖ）＜０である。また、ｆ（ｘ，ａ）－ｇ（ｘ）の値が大きいほど、「ｌｏｇ（ｖ）」の値が大きくなる。すなわち、ｆ（ｘ，ａ）－ｇ（ｘ）の値が大きいほど、「ｌｏｇ（ｖ）」は、大きさ｜ｌｏｇ（ｖ）｜が小さい負の値になる。
【0040】
式（２）より、ｙ＜ｇ（ｘ）の場合、ｓ＝０であり、式（１）の「ｓ ｌｏｇ（ｖ）」の値は０になる。一方、ｙ≧ｇ（ｘ）かつｆ（ｘ，ａ）＜ｇ（ｘ）の場合、「ｓ ｌｏｇ（ｖ）」の値は、比較的小さい負の値になり、ｙ≧ｇ（ｘ）かつｆ（ｘ，ａ）≧ｇ（ｘ）の場合、「ｓ ｌｏｇ（ｖ）」の値は、比較的大きい負の値になる。上記のように、小さい負の値とは、大きさ（絶対値）が大きい負の値であり、大きい負の値とは、大きさ（絶対値）が小さい負の値である。
このように、式（１）の「ｓ ｌｏｇ（ｖ）」の値は、ｙ≧ｇ（ｘ）かつｆ（ｘ，ａ）＜ｇ（ｘ）の場合に比較的小さい負の値になり、それ以外の場合は０または０に近い負の値（比較的大きい負の値）になる。
このように、式（１）の「ｓ ｌｏｇ（ｖ）」の値は、ｙ≧ｇ（ｘ）かつｆ（ｘ，ａ）＜ｇ（ｘ）の場合に比較的小さい負の値になり、それ以外の場合は０または０に近い負の値（比較的大きい負の値）になる。
【0041】
また、式（３）より、１－ｖは、０＜１－ｖ＜１の値をとり、式（１）の「ｌｏｇ（１－ｖ）」は負の値をとる。また、ｆ（ｘ，ａ）－ｇ（ｘ）の値が大きいほど、１－ｖの値が小さくなり、「ｌｏｇ（１－ｖ）」の値が小さくなる。すなわち、ｆ（ｘ，ａ）－ｇ（ｘ）の値が大きいほど、「ｌｏｇ（１－ｖ）」は、大きさ｜ｌｏｇ（１－ｖ）｜が大きい負の値になる。
【0042】
式（２）より、ｙ≧ｇ（ｘ）の場合、１－ｓ＝０であり、式（１）の「（１－ｓ）（１－ｌｏｇ（ｖ））」の値は０になる。一方、ｙ＜ｇ（ｘ）かつｆ（ｘ，ａ）≧ｇ（ｘ）の場合、「（１－ｓ）（１－ｌｏｇ（ｖ））」の値は、比較的小さい負の値になり、ｙ＜ｇ（ｘ）かつｆ（ｘ，ａ）＜ｇ（ｘ）の場合、「（１－ｓ）（１－ｌｏｇ（ｖ））」の値は、比較的大きい負の値になる。
このように、式（１）の「（１－ｓ）（１－ｌｏｇ（ｖ））」の値は、ｙ＜ｇ（ｘ）かつｆ（ｘ，ａ）≧ｇ（ｘ）の場合に比較的小さい負の値になり、それ以外の場合は０または０に近い負の値（比較的大きい負の値）になる。
このように、式（１）の「（１－ｓ）（１－ｌｏｇ（ｖ））」の値は、ｙ＜ｇ（ｘ）かつｆ（ｘ，ａ）≧ｇ（ｘ）の場合に比較的小さい負の値になり、それ以外の場合は０または０に近い負の値（比較的大きい負の値）になる。
【0043】
したがって、モデルｆの学習に用いられるサンプルのうち、「（ｙ≧ｇ（ｘ）かつｆ（ｘ，ａ）＜ｇ（ｘ））または（ｙ＜ｇ（ｘ）かつｆ（ｘ，ａ）≧ｇ（ｘ））」となるサンプルの割合が多いほど、ＥＲの値が大きくなる。そこで、学習部１９３が、ＥＲの値が小さくなるようにモデルｆ（ｘ，ａ）の学習を行うことで、ｆ（ｘ，ａ）≧ｇ（ｘ）の場合は、ｙ≧ｇ（ｘ）であり、ｆ（ｘ，ａ）＜ｇ（ｘ）の場合は、ｙ＜ｇ（ｘ）であることが期待される。
【0044】
上述したように、モデルｇ（ｘ）の出力は推定対象項目値ｙ＾として用いられる。したがって、ＥＲの値が小さいほど評価が高くなる評価関数は、推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上である場合、および、推定値ｙ＾ａが推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾未満である場合に評価が高くなる評価関数の例に該当する。
【0045】
推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上である場合、および、推定値ｙ＾ａが推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾未満である場合に評価が高くなる評価関数は、モデルｆの学習に用いられるサンプルの個数に対する、推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上であるサンプルの個数と、推定値ｙ＾ａが推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾未満であるサンプルの個数との合計の割合が多いほど評価が高くなる評価関数であってもよい。
【0046】
上記のように、学習部１９３が、ＥＲの値が小さいほど評価が高くなる評価関数を用いてモデルｆの学習を行うようにしてもよい。
例えば、学習部１９３が、式（４）に示されるＬの値が小さいほど評価が高くなる評価関数を用いてモデルｆの学習を行うようにしてもよい。
例えば、学習部１９３が、式（４）に示されるＬの値が小さいほど評価が高くなる評価関数を用いてモデルｆの学習を行うようにしてもよい。
【0047】
【数4】
【0048】
ＭＳＥは、モデルｆの出力である評価項目推定値ｙ＾ａと、正解値である評価項目値ｙとの平均二乗誤差（Mean Squared Error）を示す。Ｌの値が小さいほど、評価項目推定値ｙ＾ａと評価項目値ｙとの平均二乗誤差が小さく、この点で、モデルｆの精度が高い。また、Ｌの値が小さいほど、ＥＲについて上述したように、ｆ（ｘ，ａ）≧ｇ（ｘ）の場合は、ｙ≧ｇ（ｘ）であり、ｆ（ｘ，ａ）＜ｇ（ｘ）の場合は、ｙ＜ｇ（ｘ）であることが期待される。
【0049】
学習部１９３が、関数値が小さいほど評価が高い評価関数（すなわち、損失関数）を用いてモデルｆの学習を行う場合、Ｌを項の１つとして含む評価関数、または、Ｌに正の係数を乗算した項を含む評価関数を用いるようにしてもよい。
学習部１９３が、関数値が大きいほど評価が高い評価関数を用いてモデルｆの学習を行う場合、－Ｌを項の１つとして含む評価関数、または、Ｌに負の係数を乗算した項を含む評価関数を用いるようにしてもよい。
Ｌの値を算出する処理は、式（４）に示す幾何平均を算出する処理に限定されず、例えば、算術平均を算出する処理、または、重み付き平均を算出する処理等であってもよい。
学習部１９３が、関数値が大きいほど評価が高い評価関数を用いてモデルｆの学習を行う場合、－Ｌを項の１つとして含む評価関数、または、Ｌに負の係数を乗算した項を含む評価関数を用いるようにしてもよい。
Ｌの値を算出する処理は、式（４）に示す幾何平均を算出する処理に限定されず、例えば、算術平均を算出する処理、または、重み付き平均を算出する処理等であってもよい。
【0050】
ここで、式（５）が成り立つとの知見が得られた。
【0051】
【数5】
【0052】
「Ｒｅｇｒｅｔ＠ｋ」は、推定対象項目値ｙａを得られる可変項目値ａのうち、推定値ｙ＾ａが最大となる可変項目値ａからｋ番目に大きい可変項目値ａの何れか、すなわち、推定値ｙ＾ａが上位ｋ個の何れかとなる可変項目値ａに対応する推定対象項目値ｙａの平均と、真の上位ｋ個の推定対象項目値ｙａの平均との間の差を示す。
「｜Ａｃｔｉｏｎ Ｓｅｔ｜」は、可変項目値ａの要素数（すなわち、設定可能なパラメタの個数）を示す。
分数の分母の「ｋ」は、Ｒｅｇｒｅｔ＠ｋにおける可変項目値ａの個数の「ｋ」を示す。
「｜Ａｃｔｉｏｎ Ｓｅｔ｜」は、可変項目値ａの要素数（すなわち、設定可能なパラメタの個数）を示す。
分数の分母の「ｋ」は、Ｒｅｇｒｅｔ＠ｋにおける可変項目値ａの個数の「ｋ」を示す。
【0053】
「Ｕｎｉｆｏｒｍ ＭＳＥ」は、可変項目値ａが一様分布に従う場合の、推定対象項目値ｙａと推定値ｙ＾ａとの平均二乗誤差を示す。
「Ｔｏｐ－ｋ Ｅｒｒｏｒ」は、推定値ｙ＾ａが上位ｋ個以内であるかどうかと、推定対象項目値ｙａが上位ｋ個以内であるかどうかとが逆になる可変項目値ａの割合を示す。
「Ｔｏｐ－ｋ Ｅｒｒｏｒ」は、推定値ｙ＾ａが上位ｋ個以内であるかどうかと、推定対象項目値ｙａが上位ｋ個以内であるかどうかとが逆になる可変項目値ａの割合を示す。
【0054】
推定値ｙ＾ａが上位ｋ個以内であるかどうかと、推定対象項目値ｙａが上位ｋ個以内であるかどうかとが逆になる可変項目値ａの個数は、推定値ｙ＾ａが上位ｋ個以内であり、かつ、推定対象項目値ｙａが上位ｋ個以内でない可変項目値ａの個数と、推定値ｙ＾ａが上位ｋ個以内でなく、かつ、推定対象項目値ｙａが上位ｋ個以内である可変項目値ａの個数との合計である。
式（４）に示されるＬを用いることで、式（５）に基づいて、もし可変項目値ごとの真の推定対象項目値を全て知っていればその上位ｋ個から選択することで得られたはずの評価項目値の平均と推定に基づいて上位ｋ個から選択した場合の平均の差（Ｒｅｇｒｅｔ＠ｋ）を近似的に抑えることができる。この「差」を「後悔」（Ｒｅｇｒｅｔ）と称し、「Ｒｅｇｒｅｔ＠ｋ」との表記を用いている。
式（４）に示されるＬを用いることで、式（５）に基づいて、もし可変項目値ごとの真の推定対象項目値を全て知っていればその上位ｋ個から選択することで得られたはずの評価項目値の平均と推定に基づいて上位ｋ個から選択した場合の平均の差（Ｒｅｇｒｅｔ＠ｋ）を近似的に抑えることができる。この「差」を「後悔」（Ｒｅｇｒｅｔ）と称し、「Ｒｅｇｒｅｔ＠ｋ」との表記を用いている。
【0055】
学習部１９３は、まず、学習データを用いてモデルｇの学習を行う。学習部１９３がモデルｇの学習を完了した後、モデル計算部１９１が、学習データのサンプルごとに推定対象項目基準値ｙ＾を算出し、学習データ取得部１９２が、そのサンプルに推定対象項目基準値ｙ＾を含めた学習データ生成する。学習部１９３は、推定対象項目基準値ｙ＾を含む学習データを用いて、モデルｆの学習を行う。あるいは、学習部１９３が、モデルｆの学習にサンプルを適用する毎に、モデル計算部１９１が、そのサンプルの場合のモデルｇの出力（すなわち、推定対象項目基準値ｙ＾）を算出するようにしてもよい。
【0056】
以上のように、モデル計算部１９１は、推定対象個体ごとの固定値ｘに応じた推定対象項目基準値ｙ＾を算出する。学習データ取得部１９２は、推定対象個体ごとの固定値ｘと、可変項目値ａと、その固定値ｘおよびその可変項目値ａに応じた推定対象項目値ｙａとを含む学習データを取得する。モデルｆは、前記推定対象個体ごとの固定値ｘと、可変項目値ａとの入力に対して、推定対象項目値ｙａの推定値ｙ＾ａを出力する。学習部１９３は、モデルｆの学習を、学習データ取得部１９２が取得する学習データと、推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上である場合、および、推定値が推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが前記推定対象項目基準値ｙ＾未満である場合に評価が高くなる評価関数とを用いて行う。
【0057】
学習部１９３は、学習手段の例に該当する。式（１）のＥＲの値が小さいほど評価が高くなる評価関数、または、式（４）のＬの値が小さいほど評価が高くなる評価関数は、推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上である場合、および、推定値が推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが前記推定対象項目基準値ｙ＾未満である場合に評価が高くなる評価関数の例に該当する。
【0058】
上述した、ｆ（ｘ，ａ）≧ｇ（ｘ）の場合はｙ≧ｇ（ｘ）であること、および、ｆ（ｘ，ａ）＜ｇ（ｘ）の場合はｙ＜ｇ（ｘ）であることは、推定値ｙ＾ａが推定対象項目基準値ｙ＾以上であり、かつ、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上である場合、および、推定値が推定対象項目基準値ｙ＾未満であり、かつ、推定対象項目値ｙａが前記推定対象項目基準値ｙ＾未満である場合の例に該当する。
【0059】
学習装置１００によれば、モデルｆの出力（推定値ｙ＾ａ）が大きいにもかかわらず、実際の値（推定対象項目値ｙａ）が小さい可能性が小さいと期待される。学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0060】
また、モデル計算部１９１は、モデルｇを用いて、推定対象項目基準値ｙ＾を算出する。モデルｇは、推定対象個体ごとの固定値ｘと推定対象項目値ｙとを学習データとして用いた学習によって、推定対象個体ごとの固定値ｘの入力に対して推定対象項目値ｙの推定値を出力するモデルの例に該当する。
【0061】
学習装置１００によれば、モデルｇに固定値ｘを入力することで推定対象項目基準値ｙ＾を算出できる点で、モデルｇ（ｘ）の学習のほうが、モデルｆ（ｘ，ａ）の学習よりも容易に行うことができる。特に、モデルｆ（ｘ，ａ）の学習では、学習データの分布ｐ（ｘ，ａ）以外でも、必要な推定精度を得られるように学習を行うことが要求される。これに対し、モデルｇ（ｘ）の学習では、可変項目値ａの変更が学習に影響しないため、過去のデータの分布について、必要な推定精度を得られるように学習すればよい。
【0062】
また、学習装置１００によれば、推定対象項目基準値ｙ＾として推定対象項目値ｙａの平均的な値を得られる点で、推定値ｙ＾ａとの比較対象、および、推定対象項目値ｙａとの比較対象として適切な値を得られる。仮に、推定対象項目基準値ｙ＾が推定対象項目値ｙａに対して非常に大きい場合、常にｙ＾＞ｙａとなり比較が無意味になってしまうといったことが考えられる。これに対して、モデル計算部１９１が推定対象項目基準値ｙ＾として推定対象項目値ｙａの平均的な値を得られることで、上記のような無意味な比較を回避できる。
【0063】
また、学習部１９３は、推定対象項目値ｙａが推定対象項目基準値ｙ＾以上か、あるいは、推定対象項目値ｙａが推定対象項目基準値ｙ＾未満かに応じた値をとるステップ関数と、推定対象個体ごとの固定値ｘおよび可変項目値ａの入力に対するモデルｆの出力（推定値ｙ＾ａ）から推定対象項目基準値ｙ＾を減算した差に関して単調かつ微分可能な関数との積を含む前記評価関数を用いる。なお、「差」は、モデルｆの出力と推定対象項目基準値ｙ＾との差異を表していればよい。以降、同様である。
式（２）の「Ｉ（ｙ－ｇ（ｘ）≧０）」の値は、ｙ＜ｇ（ｘ）のとき０となり、ｙ≧ｇ（ｘ）のとき１となる。「Ｉ（ｙ－ｇ（ｘ）≧０）」は、ステップ関数の例に該当する。
学習装置１００によれば、評価関数として上記のように微分可能な関数を用いることで、可変項目値ａの入力に関して微分可能な関数を用いることで、誤差逆伝播法（Backpropagation）など公知の学習方法を適用可能である。
式（２）の「Ｉ（ｙ－ｇ（ｘ）≧０）」の値は、ｙ＜ｇ（ｘ）のとき０となり、ｙ≧ｇ（ｘ）のとき１となる。「Ｉ（ｙ－ｇ（ｘ）≧０）」は、ステップ関数の例に該当する。
学習装置１００によれば、評価関数として上記のように微分可能な関数を用いることで、可変項目値ａの入力に関して微分可能な関数を用いることで、誤差逆伝播法（Backpropagation）など公知の学習方法を適用可能である。
【0064】
図３は、学習装置１００が扱うモデルの入出力の第二例を示す図である。
図３の例で、モデルφは、固定値ｘと可変項目値ａとの入力を受けて特徴表現を出力する。モデルφをφ（ｘ，ａ）とも表記する。モデルφが出力する特徴表現は、モデルφへの入力データである固定値ｘおよび可変項目値ａの特徴を示すデータである。この特徴表現をΦと表記する。特徴表現は、実数ベクトルで示されていてもよい。この場合の実数ベクトルを特徴ベクトルとも称する。特徴表現を特徴量とも称する。
モデルｈは、特徴表現Φの入力を受けて推定値ｙ＾ａを出力する。モデルｈを、ｈ（Φ）とも表記する。
モデルφとモデルｈとの組み合わせにてモデルｆを構成する。
図３の例で、モデルφは、固定値ｘと可変項目値ａとの入力を受けて特徴表現を出力する。モデルφをφ（ｘ，ａ）とも表記する。モデルφが出力する特徴表現は、モデルφへの入力データである固定値ｘおよび可変項目値ａの特徴を示すデータである。この特徴表現をΦと表記する。特徴表現は、実数ベクトルで示されていてもよい。この場合の実数ベクトルを特徴ベクトルとも称する。特徴表現を特徴量とも称する。
モデルｈは、特徴表現Φの入力を受けて推定値ｙ＾ａを出力する。モデルｈを、ｈ（Φ）とも表記する。
モデルφとモデルｈとの組み合わせにてモデルｆを構成する。
【0065】
図３の例で、学習部１９３は、モデルφおよびモデルｈの学習時と運用時との入力データの分布の違いに対応するように、モデルの学習（特にモデルφの学習）を行う。
図４は、学習時と運用時とでのモデルへの入力データの分布の違いを説明するための図である。
図４は、１つの店舗における商品の品揃えと売り上げの関係の例を示している。図４のグラフの横軸は、品揃えを示す。図を見易くするために、図４では、品揃えを１次元で示している。品揃えは、可変項目値ａの例に該当する。
図４のグラフの縦軸は、売り上げを示す。売り上げは、推定対象項目値ｙａの例に該当する。
図４は、学習時と運用時とでのモデルへの入力データの分布の違いを説明するための図である。
図４は、１つの店舗における商品の品揃えと売り上げの関係の例を示している。図４のグラフの横軸は、品揃えを示す。図を見易くするために、図４では、品揃えを１次元で示している。品揃えは、可変項目値ａの例に該当する。
図４のグラフの縦軸は、売り上げを示す。売り上げは、推定対象項目値ｙａの例に該当する。
【0066】
線Ｌ１１は、品揃えと売り上げとの実際の関係の例を示す。品揃えと売り上げとの関係の測定データの例が、線Ｌ１１上の黒丸で示されている。線Ｌ１２は、品揃えに対する売り上げの測定値を直線近似するモデルの例を示している。
ここで、測定データが測定されたときの品揃えは、店長が好適な品揃えとして考えたものであり、図４に示すように測定データが、売り上げが高い（大きい）側に偏っている場合について考える。
ここで、測定データが測定されたときの品揃えは、店長が好適な品揃えとして考えたものであり、図４に示すように測定データが、売り上げが高い（大きい）側に偏っている場合について考える。
【0067】
この場合、売り上げが低い（小さい）場合の、品揃えと売り上げとの関係がモデルに反映されておらず、これによりモデルの精度が低いことが考えられる。例えば、店長が、売り上げが高くなるように品揃えを決定しようとして、線Ｌ１２上に示される点ｙ＾ａ１に基づいて、品揃えａ１に決定したものとする。この場合、実際の売り上げは線Ｌ１１上の点ｙａ１で示される売り上げとなり、店長が見込んだ、点ｙ＾ａ１で示される売り上げよりも大幅に低くなることが考えられる。
【0068】
これに対し、測定データを十分に得られていない入力データについても、測定データに示される関係を反映させることができれば、モデルの精度が高くなると期待される。
そこで、学習部１９３は、可変項目について一様分布（均等分布）に基づいて乱択（Random Sampling）された一様分布データを用いてモデルφの学習を行う。一様分布データをａｒａｎｄと表記する。
そこで、学習部１９３は、可変項目について一様分布（均等分布）に基づいて乱択（Random Sampling）された一様分布データを用いてモデルφの学習を行う。一様分布データをａｒａｎｄと表記する。
【0069】
学習部１９３は、学習データに含まれる可変項目値ａを用いた場合と、一様分布データａｒａｎｄを用いた場合とで特徴表現Φの分布が同様になるように、モデルφの学習を行う。
学習データに含まれる可変項目値ａを用いた場合の特徴表現Φは、学習データのサンプルに含まれる、可変項目値ａと固定値ｘとの組み合わせの入力を受けてモデルφが出力する特徴表現Φである。一様分布データａｒａｎｄを用いた場合の特徴表現Φは、学習データのサンプルに含まれる、可変項目値ａと固定値ｘとの組み合わせから、可変項目値ａを一様分布データａｒａｎｄに置き換えた組み合わせの入力を受けてモデルφが出力する特徴表現Φである。
ここでは、一様分布データａｒａｎｄを用いた場合の特徴表現をΦｒａｎｄと表記して、学習データに含まれる可変項目値ａを用いた場合の特徴表現Φと区別する。
学習データに含まれる可変項目値ａを用いた場合の特徴表現Φは、学習データのサンプルに含まれる、可変項目値ａと固定値ｘとの組み合わせの入力を受けてモデルφが出力する特徴表現Φである。一様分布データａｒａｎｄを用いた場合の特徴表現Φは、学習データのサンプルに含まれる、可変項目値ａと固定値ｘとの組み合わせから、可変項目値ａを一様分布データａｒａｎｄに置き換えた組み合わせの入力を受けてモデルφが出力する特徴表現Φである。
ここでは、一様分布データａｒａｎｄを用いた場合の特徴表現をΦｒａｎｄと表記して、学習データに含まれる可変項目値ａを用いた場合の特徴表現Φと区別する。
【0070】
学習部１９３は、さらに、学習後のモデルφが、学習データのサンプルに含まれる固定値ｘおよび可変項目値ａの組み合わせの入力を受けて出力する特徴表現Φと、そのサンプルに含まれる推定対象項目値ｙａとが紐付けられた学習データを用いて、モデルｈの学習を行う。
【0071】
モデルφによって学習データに含まれる可変項目値ａが、一様分布データａｒａｎｄの場合の特徴表現Φｒａｎｄと同様の分布を示す特徴表現Φに変換される。これにより、学習部１９３は、学習データで示される可変項目値ａだけでなく、可変項目値ａの分布全体について、学習データに含まれる可変項目値ａと推定対象項目値ｙａとの関係をモデルｈに反映させるように、モデルｈの学習を行うことができる。この点で、モデルφとモデルｈとの組み合わせによるモデルｆの精度が高いことが期待される。
【0072】
学習データ取得部１９２が、一様分布データａｒａｎｄを取得する方法は、特定の方法に限定されない。例えば、学習データ取得部１９２が、可変項目値ａの一様分布のモデルが乱択するデータを一様分布データａｒａｎｄとして取得するようにしてもよい。あるいは、学習データ取得部１９２が、学習装置１００のユーザなど人が作成した一様分布データａｒａｎｄを取得するようにしてもよい。
学習データ取得部１９２に代えて学習部１９３が一様分布データａｒａｎｄを取得するようにしてもよい。
学習データ取得部１９２に代えて学習部１９３が一様分布データａｒａｎｄを取得するようにしてもよい。
【0073】
モデルφの学習について、学習部１９３が、特徴表現Φの分布と特徴表現Φｒａｎｄの分布との分布間距離が小さくなるように、モデルφの学習を行うようにしてもよい。例えば、学習部１９３が、特徴表現Φの分布と特徴表現Φｒａｎｄの分布との分布間距離を含む評価関数を用いて、分布間距離を最小化するように、モデルφの学習を行うようにしてもよい。また、学習部１９３が、特徴表現Φの分布と特徴表現Φｒａｎｄの分布との分布間距離が所定の閾値以下になるように、モデルφの学習を行うようにしてもよい。
この場合の分布間距離は、式（６）のように示される。
この場合の分布間距離は、式（６）のように示される。
【0074】
【数6】
【0075】
ＤＩＰＭ（Integral Probability Metric）は、引数に示される２つの分布の分布間距離を示す。「｛φ（ｘ，ａ）｝」は、学習データに含まれる可変項目値ａを用いた場合にモデルφが出力する特徴表現Φの集合を示す。「｛φ（ｘ，ａｒａｎｄ）｝」は、一様分布データａｒａｎｄを用いた場合にモデルφが出力する特徴表現Φｒａｎｄの集合を示す。
分布間距離は、２つの分布の一致度合いを示す指標である。学習部１９３が用いる分布間距離は、特定のものに限定されない。例えば、学習部１９３が、分布間距離としてＭＭＤ（Maximum Mean Discrepancy）またはWasserstein距離を用いるようにしてもよいが、これらに限定されない。
分布間距離は、２つの分布の一致度合いを示す指標である。学習部１９３が用いる分布間距離は、特定のものに限定されない。例えば、学習部１９３が、分布間距離としてＭＭＤ（Maximum Mean Discrepancy）またはWasserstein距離を用いるようにしてもよいが、これらに限定されない。
【0076】
以上のように、モデルφは、推定対象個体ごとの固定値ｘと可変項目値ａとの入力に対して特徴表現Φを出力する。学習部１９３は、モデルφの学習を、推定対象個体ごとの固定値ｘと学習データに含まれる可変項目値ａとの入力に対してモデルφが出力する特徴表現Φの分布と、推定対象個体ごとの固定値と一様分布に基づき乱択された可変項目値ａｒａｎｄとの入力に対してモデルφが出力する特徴表現Φｒａｎｄの分布との分布間距離が小さくなるように行う。
【0077】
学習装置１００によって学習済みのモデルφによれば、学習データに含まれる可変項目値ａが、一様分布データａｒａｎｄの場合の特徴表現Φｒａｎｄと同様の分布を示す特徴表現Φに変換される。これにより、学習部１９３は、学習データで示される可変項目値ａだけでなく、可変項目値ａの分布全体について、学習データに含まれる可変項目値ａと推定対象項目値ｙａとの関係をモデルｈに反映させるように、モデルｈの学習を行うことができる。この点で、モデルφとモデルｈとの組み合わせによるモデルｆの精度が高いことが期待される。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0078】
図５は、学習装置１００が扱うモデルの入出力の第三例を示す図である。
図５の例で、モデルφｘは、固定値ｘの入力を受けて特徴表現を出力する。モデルφｘは、第一モデルの例に該当する。モデルφｘが出力する特徴表現を、Φｘと表記する。特徴表現Φｘは、モデルφｘへの入力データである固定値ｘの特徴を示すデータである。特徴表現Φｘは、第一特徴表現の例に該当する。
モデルφｘを、φｘ（ｘ）とも表記する。
図５の例で、モデルφｘは、固定値ｘの入力を受けて特徴表現を出力する。モデルφｘは、第一モデルの例に該当する。モデルφｘが出力する特徴表現を、Φｘと表記する。特徴表現Φｘは、モデルφｘへの入力データである固定値ｘの特徴を示すデータである。特徴表現Φｘは、第一特徴表現の例に該当する。
モデルφｘを、φｘ（ｘ）とも表記する。
【0079】
モデルφａは、可変項目値ａの入力を受けて特徴表現を出力する。モデルφａは、第二モデルの例に該当する。モデルφａが出力する特徴表現を、Φａと表記する。特徴表現Φａは、モデルφａへの入力データである可変項目値ａの特徴を示すデータである。特徴表現Φａは、第二特徴表現の例に該当する。
モデルφａを、φａ（ａ）とも表記する。
図５の例では、モデルｈは、特徴表現Φｘと特徴表現Φａとの組み合わせによる特徴表現Φの入力を受けて推定値ｙ＾ａを出力する。
モデルφｘとモデルφａとモデルｈとの組み合わせにてモデルｆを構成する。
モデルφａを、φａ（ａ）とも表記する。
図５の例では、モデルｈは、特徴表現Φｘと特徴表現Φａとの組み合わせによる特徴表現Φの入力を受けて推定値ｙ＾ａを出力する。
モデルφｘとモデルφａとモデルｈとの組み合わせにてモデルｆを構成する。
【0080】
学習部１９３は、特徴表現Φｘと特徴表現Φａとが確率変数として独立になるように、モデルφｘおよびモデルφａのうち少なくとも何れか一方の学習を行う。
これにより、固定値ｘの値に依存しない特徴表現Φａの分布を得られる。したがって、モデルφａが、測定データでは固定値ｘとの組み合わせにて得られる可変項目値ａから固定値ｘに依存しない特徴を抽出して特徴表現Φａとして出力すると考えられる。これにより、学習部１９３は、学習データで示される固定値ｘごとの可変項目値ａだけでなく、可変項目値ａの分布全体について、学習データに含まれる可変項目値ａと推定対象項目値ｙａとの関係をモデルｈに反映させるように、モデルｈの学習を行うことができる。この点で、モデルφｘとモデルφａとモデルｈとの組み合わせによるモデルｆの精度が高いことが期待される。
これにより、固定値ｘの値に依存しない特徴表現Φａの分布を得られる。したがって、モデルφａが、測定データでは固定値ｘとの組み合わせにて得られる可変項目値ａから固定値ｘに依存しない特徴を抽出して特徴表現Φａとして出力すると考えられる。これにより、学習部１９３は、学習データで示される固定値ｘごとの可変項目値ａだけでなく、可変項目値ａの分布全体について、学習データに含まれる可変項目値ａと推定対象項目値ｙａとの関係をモデルｈに反映させるように、モデルｈの学習を行うことができる。この点で、モデルφｘとモデルφａとモデルｈとの組み合わせによるモデルｆの精度が高いことが期待される。
【0081】
学習部１９３が、特徴表現Φｘと特徴表現Φａとが確率変数として独立になるように、モデルφｘおよびモデルφａのうち少なくとも何れか一方の学習を行う方法は、特定の方法に限定されない。例えば、学習部１９３が、ＨＳＩＣ（Hilbert-Schmidt Independence Criterion、ヒルベルト－シュミット独立基準）が小さくなるように、モデルφｘおよびモデルφａのうち少なくとも何れか一方の学習を行うようにしてもよい。さらに例えば、学習部１９３が、特徴表現Φの分布と特徴表現Φｒａｎｄの分布との分布間距離を含む評価関数を用いて、分布間距離を最小化するように、モデルφの学習を行うようにしてもよい。また、学習部１９３が、特徴表現Φの分布と特徴表現Φｒａｎｄの分布との分布間距離が所定の閾値以下になるように、モデルφの学習を行うようにしてもよい。
この場合のＨＳＩＣは、式（７）のように示される。
この場合のＨＳＩＣは、式（７）のように示される。
【0082】
【数7】
【0083】
「ＨＳＩＣ」は、ヒルベルト－シュミット独立基準の値を示す。「｛φｘ（ｘ）｝」は、モデルφｘが出力する特徴表現Φｘの集合を示す。「｛φａ（ａ）｝」は、モデルφａが出力する特徴表現Φａの集合を示す。
【0084】
以上のように、モデルφｘは、推定対象個体ごとの固定値ｘの入力に対して特徴表現Φｘを出力する。モデルφａは、可変項目値ａの入力に対して特徴表現Φａを出力する。学習部１９３は、特徴表現Φｘの分布と、特徴表現Φａの分布との独立性の評価指標を含む評価関数を用いて、評価指標が示す独立性が高くなるように、モデルφｘまたはモデルφｙの少なくとも何れか一方の学習を行う。
【0085】
これにより、固定値ｘの値に依存しない特徴表現Φａの分布を得られる。したがって、モデルφａが、測定データでは固定値ｘとの組み合わせにて得られる可変項目値ａから固定値ｘに依存しない特徴を抽出して特徴表現Φａとして出力すると考えられる。これにより、学習部１９３は、学習データで示される固定値ｘごとの可変項目値ａだけでなく、可変項目値ａの分布全体について、学習データに含まれる可変項目値ａと推定対象項目値ｙａとの関係をモデルｈに反映させるように、モデルｈの学習を行うことができる。この点で、モデルφｘとモデルφａとモデルｈとの組み合わせによるモデルｆの精度が高いことが期待される。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0086】
図６は、学習装置１００が扱うモデルの入出力の第四例を示す図である。
図６の例で、モデルｑは、固定値ｘおよび可変項目値ａの入力を受けて、推定値ｙ＾ａから推定対象項目基準値ｙ＾を減算した差に相当する値を出力する。モデルｑの出力をｒａと表記する。推定対象項目基準値ｙ＾をモデルｇの出力「ｇ（ｘ）」で表して、ｒａは、式（８）のように示される。
図６の例で、モデルｑは、固定値ｘおよび可変項目値ａの入力を受けて、推定値ｙ＾ａから推定対象項目基準値ｙ＾を減算した差に相当する値を出力する。モデルｑの出力をｒａと表記する。推定対象項目基準値ｙ＾をモデルｇの出力「ｇ（ｘ）」で表して、ｒａは、式（８）のように示される。
【0087】
【数8】
【0088】
モデルｑを、ｑ（ｘ，ａ）とも表記する。
図６で「＋」で示される加算モデルは、モデルｇ（ｘ）の出力と、モデルｑ（ｘ，ａ）の出力とを足し合わせる。加算モデルの出力は、推定値ｙ＾ａに該当する。
モデルｇとモデルｑと加算モデルとの組み合わせにてモデルｆを構成する。
この場合のモデルｆは、式（９）のように示される。
図６で「＋」で示される加算モデルは、モデルｇ（ｘ）の出力と、モデルｑ（ｘ，ａ）の出力とを足し合わせる。加算モデルの出力は、推定値ｙ＾ａに該当する。
モデルｇとモデルｑと加算モデルとの組み合わせにてモデルｆを構成する。
この場合のモデルｆは、式（９）のように示される。
【0089】
【数9】
【0090】
ここで、モデルｇは、固定値ｘが示す推定対象個体ごとの条件下での、推定値ｙ＾ａの条件付き平均と捉えることができ、式（１０）のように示される。
【数10】
【0091】
「Ｅ」は期待値を示す。「ａ～μ（ａ｜ｘ）」は、可変項目値ａの分布が、固定値ｘに応じた分布（学習データにおける可変項目値ａの分布）に従うことを示す。「Ｅ［ｙａ｜ｘ］」は、固定値ｘについて条件付けされた可変項目値ａに対する推定対象項目値ｙａの期待値を示す。
図６の例で、モデルｇは、理想的には、推定値ｙ＾ａのうち、推定対象個体ごとの固定値ｘに基づき可変項目値ａには依存しない部分の値を出力するものと捉えることができる。そして、モデルｑは、理想的には、推定値ｙ＾ａのうち、推定対象個体ごとの固定値ｘおよび可変項目値ａの両方に依存する部分の値を、モデルｇの出力に対する補正値として出力するものと捉えることができる。
図６の例で、モデルｇは、理想的には、推定値ｙ＾ａのうち、推定対象個体ごとの固定値ｘに基づき可変項目値ａには依存しない部分の値を出力するものと捉えることができる。そして、モデルｑは、理想的には、推定値ｙ＾ａのうち、推定対象個体ごとの固定値ｘおよび可変項目値ａの両方に依存する部分の値を、モデルｇの出力に対する補正値として出力するものと捉えることができる。
【0092】
学習データ取得部１９２は、式（８）に示されるように、学習データのサンプルに含まれる推定対象項目値ｙａから、そのサンプルにおけるモデルｇの出力を減算した値ｒａを算出し、推定対象項目値ｙａを算出した値ｒａで置き換えた学習データを生成する。
学習部１９３は、学習データ取得部１９２が生成した学習データを用いて、式（８）に示されるように、学習データのサンプルに含まれる推定対象項目値ｙａから、そのサンプルにおけるモデルｇの出力を減算した値ｒａを出力するように、モデルｑの学習を行う。
学習部１９３は、学習データ取得部１９２が生成した学習データを用いて、式（８）に示されるように、学習データのサンプルに含まれる推定対象項目値ｙａから、そのサンプルにおけるモデルｇの出力を減算した値ｒａを出力するように、モデルｑの学習を行う。
【0093】
ここで、固定値ｘ、および、可変項目値ａの両方の影響を受けるモデルｆ全体の学習では、入力データ空間が広く複雑な関数であるため十分なサンプルを得られず高精度に学習を行えないことが考えられる。例えば、図３を参照して説明したように、学習データに示されない可変項目値ａについて、学習データを十分に反映させることができない、といったことが考えられる。
これに対して、モデルｇは可変項目値ａの入力を受けない。また、モデルｑは、固定値ｘの影響が一定程度予め除外された値ｒａを予測することのみが求められることから、モデルｆの場合と比較して簡易な関数で表されるモデルで十分な近似精度を得られると考えられる。この点で、学習部１９３が、モデルｇの学習およびモデルｑの学習をより高精度に行えると期待される。
ここでいう、関数が簡易であるとは、その関数をニューラルネットワークとして表現した場合のパラメタの二乗和が小さいことであってもよい。また、ここでいう、関数が簡易であるとは、小さい定数ρに関してρ－リプシッツ連続な関数であることであってもよい。
これに対して、モデルｇは可変項目値ａの入力を受けない。また、モデルｑは、固定値ｘの影響が一定程度予め除外された値ｒａを予測することのみが求められることから、モデルｆの場合と比較して簡易な関数で表されるモデルで十分な近似精度を得られると考えられる。この点で、学習部１９３が、モデルｇの学習およびモデルｑの学習をより高精度に行えると期待される。
ここでいう、関数が簡易であるとは、その関数をニューラルネットワークとして表現した場合のパラメタの二乗和が小さいことであってもよい。また、ここでいう、関数が簡易であるとは、小さい定数ρに関してρ－リプシッツ連続な関数であることであってもよい。
【0094】
また、学習部１９３は、モデルｇ、モデルｆの学習も教師有り学習で行うことができ、この点でも学習を高精度に行えること、および、学習部１９３の負荷が比較的小さいことが期待される。
【0095】
学習部１９３は、まず、学習データを用いてモデルｇの学習を行う。学習部１９３がモデルｇの学習を完了した後、モデル計算部１９１が、学習データのサンプルごとに推定対象項目基準値ｙ＾を算出し、学習データ取得部１９２が、そのサンプルの推定対象項目値ｙａを差分ｒａに置き換えた学習データを生成する。学習部１９３は、推定対象項目値ｙａを差分ｒａに置き換えられた学習データを用いて、モデルｑの学習を行う。
【0096】
以上のように、モデル計算部１９１は、推定対象個体ごとの固定値ｘに応じた推定対象項目基準値ｙ＾を、モデルｇを用いて算出する。学習データ取得部１９２は、推定対象個体ごとの固定値ｘと、可変項目値ａと、その固定値ｘおよびその可変項目値ａに応じた推定対象項目値ｙ＾ａから推定対象項目基準値ｙ＾が減算された差分ｒａとを含む学習データを取得する。学習部１９３は、学習データ取得部１９２が取得する学習データを用いて、モデルｑの学習を行う。モデルｑは、推定対象個体ごとの固定値ｘと可変項目値ａとの入力に対して推定対象項目値ｙ＾ａから前記推定対象項目基準値ｙ＾が減算された差分ｒａの推定値を出力する。
【0097】
モデルｑが、固定値ｘおよび可変項目値ａの入力を受けて差分ｒａを出力することで、モデルｆが、固定値ｘおよび可変項目値ａの入力を受けて推定対象項目値ｙ＾ａを出力する場合よりも、固定値ｘとモデルの出力との相関性が低い（小さい）ことが考えられる。このことから、モデルｑでは、モデルｆの場合と比較して簡易な関数で表されるモデルで十分な近似精度を得られると考えられる。
【0098】
推定対象項目値ｙ＾ａに対する固定値ｘの影響が大きく、可変項目値ａの影響が比較的小さい場合、モデルｑの仮説空間が特に小さいことが考えられる。可変項目値ａの影響が比較的小さい場合の例として、上述した推定対象個体が小売店等の店舗である場合で、推定対象項目値ｙ＾ａに該当する売り上げに対して店舗の立地等の固定値ｘの影響が大きく、可変項目値ａに該当する品揃えの影響が比較的小さい場合が挙げられる。
【0099】
このように、モデルｑの仮説空間が比較的小さいことで、過学習が比較的生じにくいなど、学習部１９３がモデルｑの学習を比較的高精度に行えると期待される。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習装置１００によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0100】
また、学習部１９３は、差分ｒａを正解として用いる教師有り学習でモデルｑの学習を行うことができる。この点でも、学習部１９３がモデルｑの学習を比較的高精度に行えると期待される。
また、上記の、式（８）のように、ｆ（ｘ，ａ）＝ｇ（ｘ）＋ｑ（ｘ，ａ）の形であって、ｇ（ｘ）がデータ分布上でａに関して周辺化した条件付き期待値をとったものを推定するように学習される場合、モデルｑがモデルｇの推定誤差に対してロバストであると期待される。「データ分布上でａに関して周辺化した条件付き期待値をとったもの」は、式（１０）の右辺、すなわち、「Ｅａ～μ（ａ｜ｘ）［ｙａ｜ｘ］」を意味する。ここでいうロバストは、モデルｇのパラメタ推定誤差が、モデルｑのパラメタの推定に及ぼす影響が小さいことである。より具体的には、ここでいうロバストは、モデルｇのパラメタの推定値が真の関数を表すパラメタから微小に変化した場合の、モデルｑの推定精度の悪化が小さいことである。
また、上記の、式（８）のように、ｆ（ｘ，ａ）＝ｇ（ｘ）＋ｑ（ｘ，ａ）の形であって、ｇ（ｘ）がデータ分布上でａに関して周辺化した条件付き期待値をとったものを推定するように学習される場合、モデルｑがモデルｇの推定誤差に対してロバストであると期待される。「データ分布上でａに関して周辺化した条件付き期待値をとったもの」は、式（１０）の右辺、すなわち、「Ｅａ～μ（ａ｜ｘ）［ｙａ｜ｘ］」を意味する。ここでいうロバストは、モデルｇのパラメタ推定誤差が、モデルｑのパラメタの推定に及ぼす影響が小さいことである。より具体的には、ここでいうロバストは、モデルｇのパラメタの推定値が真の関数を表すパラメタから微小に変化した場合の、モデルｑの推定精度の悪化が小さいことである。
【0101】
また、１つの店舗について売り上げが大きくなるように品揃えを決定する用途では、モデルｇが出力する推定対象項目基準値ｙ＾は不要であり、モデルｑが出力する差分ｒａがあればよい。この点で、ｇ（ｘ）の推定精度それ自体は問題にならない。
また、モデルｇについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、学習部１９３がモデルｇの学習を比較的高精度に行えると期待される。この点で、モデル計算部１９１が、モデルｇを用いて、式（８）に基づいて推定値ｙ＾ａを算出する場合、推定値ｙ＾ａを高精度に計算できると期待される。
また、モデルｇについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、学習部１９３がモデルｇの学習を比較的高精度に行えると期待される。この点で、モデル計算部１９１が、モデルｇを用いて、式（８）に基づいて推定値ｙ＾ａを算出する場合、推定値ｙ＾ａを高精度に計算できると期待される。
【0102】
学習装置１００が、図２に示されるモデルを用いる学習方法と、図３に示されるモデルを用いる学習方法と、図５に示されるモデルを用いる学習方法とのうち何れか１つを行うようにしてもよい。学習装置１００が、図２に示されるモデルを用いる学習方法と、図３に示されるモデルを用いる学習方法と、図５に示されるモデルを用いる学習方法とのうち２つ以上を組み合わせて行うようにしてもよい。
【0103】
ここでいう、図２に示されるモデルを用いる学習方法は、式（１）のＥＲの値が小さくなるようにモデルｆの学習を行うことを含む学習方法である。図３に示されるモデルを用いる学習方法は、特徴表現Φの分布と特徴表現の分布との分布間距離が小さくなるようにモデルφの学習を行うことを含む学習方法である。図５に示されるモデルを用いる学習方法は、差分ｒａを含む学習データを用いてモデルｑの学習を行うことを含む学習方法である。
【0104】
学習装置１００が、図２に示されるモデルを用いる学習方法と、図６に示されるモデルを用いる学習方法とのうち何れか１つを行うようにしてもよい。学習装置１００が、図２に示されるモデルを用いる学習方法と、図６に示されるモデルを用いる学習方法とを組み合わせて行うようにしてもよい。
ここでいう、図６に示されるモデルを用いる学習方法は、式（８）に示される差分ｒａを含む学習データを用いて、モデルｑの学習を行うことを含む学習方法である。
ここでいう、図６に示されるモデルを用いる学習方法は、式（８）に示される差分ｒａを含む学習データを用いて、モデルｑの学習を行うことを含む学習方法である。
【0105】
学習装置１００が学習の対象とするモデルは、特定の方式のモデルに限定されない。
例えば、モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上が、ニューラルネットワークを用いて構成されていてもよい。あるいは、モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上が、数式、論理式またはこれらの組み合わせにて示されていてもよい。
例えば、モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上が、ニューラルネットワークを用いて構成されていてもよい。あるいは、モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上が、数式、論理式またはこれらの組み合わせにて示されていてもよい。
【0106】
モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上を、モデル記憶部１８１が記憶していてもよい。また、モデルｆ、モデルｇ、モデルφ、モデルｈ、モデルφｘ、モデルφａ、および、モデルｑのうち何れか１つ以上が、学習装置１００とは別の専用のハードウェアを用いて構成されていてもよい。
【0107】
図７は、実施形態に係る学習装置の構成の第二例を示す図である。図７に示す構成で、学習装置６１０は、基準値算出部６１１と、学習データ取得部６１２と、学習部６１３とを備える。
かかる構成で、基準値算出部６１１は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。学習データ取得部６１２は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する。学習部６１３は、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値の推定値を出力するモデルの学習を、学習データ取得部６１２が取得する学習データと、推定値が推定対象項目基準値以上であり、かつ、推定対象項目値が推定対象項目基準値以上である場合、および、推定値が推定対象項目基準値未満であり、かつ、推定対象項目値が推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う。
基準値算出部６１１は、基準値算出手段の例に該当する。学習データ取得部６１２は、学習データ取得手段の例に該当する。学習部６１３は、学習手段の例に該当する。
かかる構成で、基準値算出部６１１は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。学習データ取得部６１２は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する。学習部６１３は、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値の推定値を出力するモデルの学習を、学習データ取得部６１２が取得する学習データと、推定値が推定対象項目基準値以上であり、かつ、推定対象項目値が推定対象項目基準値以上である場合、および、推定値が推定対象項目基準値未満であり、かつ、推定対象項目値が推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う。
基準値算出部６１１は、基準値算出手段の例に該当する。学習データ取得部６１２は、学習データ取得手段の例に該当する。学習部６１３は、学習手段の例に該当する。
【0108】
学習装置６１０によれば、モデルが出力する推定値が大きいにもかかわらず、実際の値である推定対象項目値が小さい可能性が小さいと期待される。学習装置６１０によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0109】
基準値算出部６１１は、例えば、図１に示されるモデル計算部１９１の機能を用いて実行することができる。学習データ取得部６１２は、例えば、図１に示される学習データ取得部１９２の機能を用いて実行することができる。学習部６１３は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
【0110】
図８は、実施形態に係る学習装置の構成の第三例を示す図である。図８に示す構成で、学習装置６２０は、学習部６２１を備える。
かかる構成で、学習部６２１は、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、推定対象個体ごとの固定値と学習データに含まれる可変項目値との入力に対してモデルが出力する特徴表現の分布と、推定対象個体ごとの固定値と一様分布に基づき乱択された可変項目値との入力に対してモデルが出力する特徴表現の分布との分布間距離が小さくなるように行う。
学習部６２１は、学習手段の例に該当する。
かかる構成で、学習部６２１は、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、推定対象個体ごとの固定値と学習データに含まれる可変項目値との入力に対してモデルが出力する特徴表現の分布と、推定対象個体ごとの固定値と一様分布に基づき乱択された可変項目値との入力に対してモデルが出力する特徴表現の分布との分布間距離が小さくなるように行う。
学習部６２１は、学習手段の例に該当する。
【0111】
学習装置６２０によって学習が行われたモデルによれば、学習データに含まれる可変項目値が、一様分布に基づき乱択された可変項目値の場合の特徴表現と同様の分布を示す特徴表現に変換される。特徴表現の入力を受けて推定対象項目値を出力するモデルの学習に、学習データに基づいて得られる特徴表現を用いることができる。これにより、学習データで示される可変項目値だけでなく、可変項目値の分布全体について、学習データに含まれる可変項目値と推定対象項目値との関係を、特徴表現の入力を受けて推定対象項目値を出力するモデルに反映させるように、学習を行うことができる。学習装置６２０によれば、この点で、上記の２つのモデルの組み合わせによる、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値を出力するモデルの精度が高いことが期待される。学習装置６２０によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習部６２１は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
学習部６２１は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
【0112】
図９は、実施形態に係る学習装置の構成の第四例を示す図である。図９に示す構成で、学習装置６３０は、学習部６３１を備える。
かかる構成で、学習部６３１は、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、評価指標が示す独立性が高くなるように、第一モデルまたは第二モデルの少なくとも何れか一方の学習を行う。
学習部６３１は、学習手段の例に該当する。
かかる構成で、学習部６３１は、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、評価指標が示す独立性が高くなるように、第一モデルまたは第二モデルの少なくとも何れか一方の学習を行う。
学習部６３１は、学習手段の例に該当する。
【0113】
学習装置６３０によって学習済みの第二モデルよれば、固定値に依存しない特徴表現の分布を得られる。したがって、第二モデルが、測定データで固定値との組み合わせにて得られる可変項目値から固定値に依存しない特徴を抽出して特徴表現として出力すると考えられる。これにより、学習データで示される固定値ごとの可変項目値だけでなく、可変項目値の分布全体について、学習データに含まれる可変項目値と推定対象項目値との関係を、第一特徴表現および第二特徴表現の入力を受けて推定対象項目値を出力するモデルに反映させるように、学習を行うことができる。学習装置６３０によれば、この点で、第一モデルと、第二モデルと、第一特徴表現および第二特徴表現の入力を受けて推定対象項目値を出力するモデルとの組み合わせによる、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値を出力するモデルの精度が高いことが期待される。
学習装置６３０によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習部６３１は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
学習装置６３０によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
学習部６３１は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
【0114】
図１０は、実施形態に係る学習装置の構成の第五例を示す図である。図１０に示す構成で、学習装置６４０は、基準値算出部６４１と、学習データ取得部６４２と、学習部６４３とを備える。
かかる構成で、基準値算出部６４１は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。学習データ取得部６４２は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値から推定対象項目基準値が減算された差分とを含む学習データを取得する。学習部６４３は、学習データ取得部６４２が取得する学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値から推定対象項目基準値が減算された差分の推定値を出力するモデルの学習を行う。
基準値算出部６４１は、基準値算出手段の例に該当する。学習データ取得部６４２は、学習データ取得手段の例に該当する。学習部６４３は、学習手段の例に該当する。
かかる構成で、基準値算出部６４１は、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。学習データ取得部６４２は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値から推定対象項目基準値が減算された差分とを含む学習データを取得する。学習部６４３は、学習データ取得部６４２が取得する学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値から推定対象項目基準値が減算された差分の推定値を出力するモデルの学習を行う。
基準値算出部６４１は、基準値算出手段の例に該当する。学習データ取得部６４２は、学習データ取得手段の例に該当する。学習部６４３は、学習手段の例に該当する。
【0115】
モデルが、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出することで、固定値および可変項目値の入力を受けて推定対象項目値を出力する場合よりも、固定値とモデルの出力との相関性が低いことが考えられる。このことから、モデルの仮説空間が比較的小さいことが考えられる。
【0116】
このように、モデルの仮説空間が比較的小さいことで、過学習が比較的生じにくいなど、学習部６４３がモデルの学習を比較的高精度に行えると期待される。学習装置６４０によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
また、学習部６４３は、推定対象項目値から推定対象項目基準値が減算された差分を正解として用いる教師有り学習でモデルの学習を行うことができる。この点でも、学習部６４３がモデルの学習を比較的高精度に行えると期待される。
また、学習部６４３は、推定対象項目値から推定対象項目基準値が減算された差分を正解として用いる教師有り学習でモデルの学習を行うことができる。この点でも、学習部６４３がモデルの学習を比較的高精度に行えると期待される。
【0117】
また、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して、推定値を算出することができる。
この場合、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの学習が、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの推定誤差に対してロバストであることが期待される。
この場合、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの学習が、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの推定誤差に対してロバストであることが期待される。
【0118】
また、１つの推定対象個体について、推定対象項目値が大きくなるような可変項目値を決定したいといった用途の場合、実際に推定対象項目値を算出する必要は無く、モデルが出力する差分が大きくなるような可変項目値に決定すればよい。この点で、モデルｇの推定誤差は可変項目値の決定性能に直接的には影響しない。
また、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、このモデルの学習を比較的高精度に行えると期待される。この点で、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して推定値を算出する場合、推定値を高精度に算出できると期待される。
基準値算出部６４１は、例えば、図１に示されるモデル計算部１９１の機能を用いて実現することができる。学習データ取得部６４２は、例えば、図１に示される学習データ取得部１９２の機能を用いて実現することができる。学習部６４３は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
また、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、このモデルの学習を比較的高精度に行えると期待される。この点で、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して推定値を算出する場合、推定値を高精度に算出できると期待される。
基準値算出部６４１は、例えば、図１に示されるモデル計算部１９１の機能を用いて実現することができる。学習データ取得部６４２は、例えば、図１に示される学習データ取得部１９２の機能を用いて実現することができる。学習部６４３は、例えば、図１に示される学習部１９３の機能を用いて実現することができる。
【0119】
図１１は、実施形態に係る学習方法における処理手順の第一例を示すフローチャートである。図１１に示す学習方法は、基準値を算出すること（ステップＳ６１１）と、学習データを取得すること（ステップＳ６１２）と、学習を行うこと（ステップＳ６１３）とを含む。
基準値を算出すること（ステップＳ６１１）では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。
学習データを取得すること（ステップＳ６１２）では、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する。
学習を行うこと（ステップＳ６１３）では、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値の推定値を出力するモデルの学習を、学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う。
基準値を算出すること（ステップＳ６１１）では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。
学習データを取得すること（ステップＳ６１２）では、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する。
学習を行うこと（ステップＳ６１３）では、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値の推定値を出力するモデルの学習を、学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う。
【0120】
図１１に示される方法によれば、モデルが出力する推定値が大きいにもかかわらず、実際の値である推定対象項目値が小さい可能性が小さいと期待される。図１１に示される方法によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0121】
図１２は、実施形態に係る学習方法における処理手順の第二例を示すフローチャートである。図１２に示す学習方法は、学習を行うこと（ステップＳ６２１）を含む。
学習を行うこと（ステップＳ６２１）では、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、推定対象個体ごとの固定値と学習データに含まれる可変項目値との入力に対してモデルが出力する特徴表現の分布と、推定対象個体ごとの固定値と一様分布に基づき乱択された可変項目値との入力に対してモデルが出力する特徴表現の分布との分布間距離が小さくなるように行う。
学習を行うこと（ステップＳ６２１）では、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、推定対象個体ごとの固定値と学習データに含まれる可変項目値との入力に対してモデルが出力する特徴表現の分布と、推定対象個体ごとの固定値と一様分布に基づき乱択された可変項目値との入力に対してモデルが出力する特徴表現の分布との分布間距離が小さくなるように行う。
【0122】
図１２に示す方法によって学習が行われたモデルによれば、学習データに含まれる可変項目値が、一様分布に基づき乱択された可変項目値の場合の特徴表現と同様の分布を示す特徴表現に変換される。特徴表現の入力を受けて推定対象項目値を出力するモデルの学習に、学習データに基づいて得られる特徴表現を用いることができる。これにより、学習データで示される可変項目値だけでなく、可変項目値の分布全体について、学習データに含まれる可変項目値と推定対象項目値との関係を、特徴表現の入力を受けて推定対象項目値を出力するモデルに反映させるように、学習を行うことができる。図１２に示す方法によれば、この点で、上記の２つのモデルの組み合わせによる、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値を出力するモデルの精度が高いことが期待される。図１２に示す方法によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0123】
図１３は、実施形態に係る学習方法における処理手順の第三例を示すフローチャートである。図１３に示す学習方法は、学習を行うこと（ステップＳ６３１）を含む。
学習を行うこと（ステップＳ６３１）では、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、評価指標が示す独立性が高くなるように、第一モデルまたは第二モデルの少なくとも何れか一方の学習を行う。
学習を行うこと（ステップＳ６３１）では、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、評価指標が示す独立性が高くなるように、第一モデルまたは第二モデルの少なくとも何れか一方の学習を行う。
【0124】
図１３に示す方法によって学習済みの第二モデルよれば、固定値に依存しない特徴表現の分布を得られる。したがって、第二モデルが、測定データでは固定値との組み合わせにて得られる可変項目値から固定値に依存しない特徴を抽出して特徴表現として出力すると考えられる。これにより、学習データで示される固定値ごとの可変項目値だけでなく、可変項目値の分布全体について、学習データに含まれる可変項目値と推定対象項目値との関係を、第一特徴表現および第二特徴表現の入力を受けて推定対象項目値を出力するモデルに反映させるように、学習を行うことができる。図１３に示す方法によれば、この点で、第一モデルと、第二モデルと、第一特徴表現および第二特徴表現の入力を受けて推定対象項目値を出力するモデルとの組み合わせによる、推定対象個体ごとの固定値と可変項目値との入力に対して推定対象項目値を出力するモデルの精度が高いことが期待される。
図１３に示す方法によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
図１３に示す方法によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
【0125】
図１４は、実施形態に係る学習方法における処理手順の第四例を示すフローチャートである。図１４に示す学習方法は、基準値を算出すること（ステップＳ６４１）と、学習データを取得すること（ステップＳ６４２）と、学習を行うこと（ステップＳ６４３）とを含む。
基準値を算出すること（ステップＳ６４１）では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。
学習データを取得すること（ステップＳ６４２）では、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値から前記推定対象項目基準値が減算された差分とを含む学習データを取得する。
学習を行うこと（ステップＳ６４３）では、学習データを用いて、推定対象個体ごとの固定値と可変項目値とを入力に対して前記推定対象項目値から前記推定対象項目基準値が減算された差分の推定値を出力する。
基準値を算出すること（ステップＳ６４１）では、推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する。
学習データを取得すること（ステップＳ６４２）では、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値から前記推定対象項目基準値が減算された差分とを含む学習データを取得する。
学習を行うこと（ステップＳ６４３）では、学習データを用いて、推定対象個体ごとの固定値と可変項目値とを入力に対して前記推定対象項目値から前記推定対象項目基準値が減算された差分の推定値を出力する。
【0126】
図１４に示す方法によれば、モデルが、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出することで、固定値および可変項目値の入力を受けて推定対象項目値を出力する場合よりも、固定値とモデルの出力との相関性が低いことが考えられる。このことから、モデルの仮説空間が比較的小さいことが考えられる。
【0127】
このように、モデルの仮説空間が比較的小さいことで、過学習が比較的生じにくいなど、モデルの学習を比較的高精度に行えると期待される。図１４に示す方法によれば、この点で、学習の対象ごとに固定の値と可変の値とがモデルへの入力となる場合に、その入力に対応してモデルの学習を行うことができる。
また、図１４に示す方法によれば、推定対象項目値から推定対象項目基準値が減算された差分を正解として用いる教師有り学習でモデルの学習を行うことができる。この点でも、モデルの学習を比較的高精度に行えると期待される。
また、図１４に示す方法によれば、推定対象項目値から推定対象項目基準値が減算された差分を正解として用いる教師有り学習でモデルの学習を行うことができる。この点でも、モデルの学習を比較的高精度に行えると期待される。
【0128】
また、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して、推定値を算出することができる。
この場合、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの学習が、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの推定誤差に対してロバストであることが期待される。
この場合、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの学習が、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの推定誤差に対してロバストであることが期待される。
【0129】
また、１つの推定対象個体について、推定対象項目値が大きくなるような可変項目値を決定したいといった用途の場合、実際に推定対象項目値を算出する必要は無く、モデルが出力する差分が大きくなるような可変項目値に決定すればよい。この点で、モデルｇの推定誤差は可変項目値の決定性能に直接的には影響しない。
また、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、このモデルの学習を比較的高精度に行えると期待される。この点で、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して推定値を算出する場合、推定値を高精度に算出できると期待される。
また、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルについても仮説空間が比較的小さいこと、および、教師有り学習で学習を行えることから、このモデルの学習を比較的高精度に行えると期待される。この点で、固定値および可変項目値の入力を受けて、推定対象項目値から推定対象項目基準値が減算された差分の推定値を算出するモデルの出力と、固定値および可変項目値の入力を受けて推定対象項目基準値を算出するモデルの出力とを合計して推定値を算出する場合、推定値を高精度に算出できると期待される。
【0130】
図１５は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。
図１５に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
図１５に示す構成で、コンピュータ７００は、ＣＰＵ７１０と、主記憶装置７２０と、補助記憶装置７３０と、インタフェース７４０と、不揮発性記録媒体７５０とを備える。
【0131】
上記の学習装置１００、６１０、６２０、６３０および６４０のうち何れか１つ以上またはその一部が、コンピュータ７００に実装されてもよい。その場合、上述した各処理部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ７１０は、プログラムに従って、上述した各記憶部に対応する記憶領域を主記憶装置７２０に確保する。各装置と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って通信を行うことで実行される。また、インタフェース７４０は、不揮発性記録媒体７５０用のポートを有し、不揮発性記録媒体７５０からの情報の読出、および、不揮発性記録媒体７５０への情報の書込を行う。
【0132】
学習装置１００がコンピュータ７００に実装される場合、制御部１９０およびその各部の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0133】
また、ＣＰＵ７１０は、プログラムに従って、記憶部１８０およびその各部に対応する記憶領域を主記憶装置７２０に確保する。
通信部１１０による他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
表示部１２０による表示は、インタフェース７４０が表示装置を有し、ＣＰＵ７１０の制御に従って各種画像を表示することで実行される。
操作入力部１３０によるユーザ操作の受け付けは、インタフェース７４０が例えばキーボードおよびマウスなどの入力デバイスを有してユーザ操作を受け付け、受け付けたユーザ操作を示す情報をＣＰＵ７１０へ出力することで実行される。
通信部１１０による他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
表示部１２０による表示は、インタフェース７４０が表示装置を有し、ＣＰＵ７１０の制御に従って各種画像を表示することで実行される。
操作入力部１３０によるユーザ操作の受け付けは、インタフェース７４０が例えばキーボードおよびマウスなどの入力デバイスを有してユーザ操作を受け付け、受け付けたユーザ操作を示す情報をＣＰＵ７１０へ出力することで実行される。
【0134】
学習装置６１０がコンピュータ７００に実装される場合、基準値算出部６１１、学習データ取得部６１２、および、学習部６１３の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0135】
また、ＣＰＵ７１０は、プログラムに従って、学習装置６１０が行う処理のための記憶領域を主記憶装置７２０に確保する。
学習装置６１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６１０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
学習装置６１０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６１０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
【0136】
学習装置６２０がコンピュータ７００に実装される場合、学習部６２１の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0137】
また、ＣＰＵ７１０は、プログラムに従って、学習装置６２０が行う処理のための記憶領域を主記憶装置７２０に確保する。
学習装置６２０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６２０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
学習装置６２０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６２０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
【0138】
学習装置６３０がコンピュータ７００に実装される場合、学習部６３１の動作は、プログラムの形式で補助記憶装置７３０に記憶されている。ＣＰＵ７１０は、プログラムを補助記憶装置７３０から読み出して主記憶装置７２０に展開し、当該プログラムに従って上記処理を実行する。
【0139】
また、ＣＰＵ７１０は、プログラムに従って、学習装置６３０が行う処理のための記憶領域を主記憶装置７２０に確保する。
学習装置６３０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６３０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
学習装置６３０と他の装置との通信は、インタフェース７４０が通信機能を有し、ＣＰＵ７１０の制御に従って動作することで実行される。
学習装置６３０とユーザとのインタラクションは、インタフェース７４０が入力デバイスおよび出力デバイスを有し、ＣＰＵ７１０の制御に従って出力デバイスにて情報をユーザに提示し、入力デバイスにてユーザ操作を受け付けることで実行される。
【0140】
上述したプログラムのうち何れか１つ以上が不揮発性記録媒体７５０に記録されていてもよい。この場合、インタフェース７４０が不揮発性記録媒体７５０からプログラムを読み出すようにしてもよい。そして、ＣＰＵ７１０が、インタフェース７４０が読み出したプログラムを直接実行するか、あるいは、主記憶装置７２０または補助記憶装置７３０に一旦保存して実行するようにしてもよい。
【0141】
なお、学習装置１００、６１０、６２０、６３０および６４０が行う処理の全部または一部を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Read Only Memory）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
【0142】
以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
【0143】
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、以下には限定されない。
【0144】
（付記１）
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する学習データ取得手段と、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う学習手段と、
を備える学習装置。
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得する学習データ取得手段と、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う学習手段と、
を備える学習装置。
【0145】
（付記２）
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、付記１に記載の学習装置。
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、付記１に記載の学習装置。
【0146】
（付記３）
前記学習手段は、前記推定対象項目値が前記推定対象項目基準値以上か、あるいは、前記推定対象項目値が前記推定対象項目基準値未満かに応じた値をとるステップ関数と、前記推定対象個体ごとの固定値および前記可変項目値の入力に対する前記モデルの出力と前記推定対象項目基準値との差異に関して単調かつ微分可能な関数との積を含む前記評価関数を用いる、
付記１または付記２に記載の学習装置。
前記学習手段は、前記推定対象項目値が前記推定対象項目基準値以上か、あるいは、前記推定対象項目値が前記推定対象項目基準値未満かに応じた値をとるステップ関数と、前記推定対象個体ごとの固定値および前記可変項目値の入力に対する前記モデルの出力と前記推定対象項目基準値との差異に関して単調かつ微分可能な関数との積を含む前記評価関数を用いる、
付記１または付記２に記載の学習装置。
【0147】
（付記４）
前記学習手段は、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う、
付記１から３の何れか一つに記載の学習装置。
前記学習手段は、推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う、
付記１から３の何れか一つに記載の学習装置。
【0148】
（付記５）
前記学習手段は、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う、
付記１から４の何れか一つに記載の学習装置。
前記学習手段は、推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う、
付記１から４の何れか一つに記載の学習装置。
【0149】
（付記６）
前記学習データ取得手段は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データをさらに取得し、
前記学習手段は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習をさらに行う、
付記１から５の何れか一つに記載の学習装置。
前記学習データ取得手段は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データをさらに取得し、
前記学習手段は、推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習をさらに行う、
付記１から５の何れか一つに記載の学習装置。
【0150】
（付記７）
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、
付記６に記載の学習装置。
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、
付記６に記載の学習装置。
【0151】
（付記８）
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う学習手段
を備える学習装置。
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う学習手段
を備える学習装置。
【0152】
（付記９）
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う学習手段
を備える学習装置。
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う学習手段
を備える学習装置。
【0153】
（付記１０）
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得する学習データ取得手段と、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習を行う学習手段と、
を備える学習装置。
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出する基準値算出手段と、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得する学習データ取得手段と、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力するモデルの学習を行う学習手段と、
を備える学習装置。
【0154】
（付記１１）
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、
付記１０に記載の学習装置。
前記基準値算出手段は、前記推定対象個体ごとの固定値と前記推定対象項目値とを学習データとして用いた学習によって、前記推定対象個体ごとの固定値の入力に対して前記推定対象項目値の推定値を出力するモデルを用いて、前記推定対象項目基準値を算出する、
付記１０に記載の学習装置。
【0155】
（付記１２）
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得し、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う、
学習方法。
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得し、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行う、
学習方法。
【0156】
（付記１３）
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う
学習方法。
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行う
学習方法。
【0157】
（付記１４）
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う
学習方法。
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行う
学習方法。
【0158】
（付記１５）
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得し、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力する、
学習方法。
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出し、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得し、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力する、
学習方法。
【0159】
（付記１６）
コンピュータに、
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得することと、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行うことと、
を実行させるためのプログラムを記憶した記録媒体。
コンピュータに、
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
前記推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値とを含む学習データを取得することと、
前記推定対象個体ごとの固定値と前記可変項目値との入力に対して前記推定対象項目値の推定値を出力するモデルの学習を、前記学習データと、前記推定値が前記推定対象項目基準値以上であり、かつ、前記推定対象項目値が前記推定対象項目基準値以上である場合、および、前記推定値が前記推定対象項目基準値未満であり、かつ、前記推定対象項目値が前記推定対象項目基準値未満である場合に評価が高くなる評価関数とを用いて行うことと、
を実行させるためのプログラムを記憶した記録媒体。
【0160】
（付記１７）
コンピュータに、
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行うこと
を実行させるためのプログラムを記憶した記録媒体。
コンピュータに、
推定対象個体ごとの固定値と可変項目値との入力に対して特徴表現を出力するモデルの学習を、前記推定対象個体ごとの固定値と学習データに含まれる前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布と、前記推定対象個体ごとの固定値と一様分布に基づき乱択された前記可変項目値との入力に対して前記モデルが出力する前記特徴表現の分布との分布間距離が小さくなるように行うこと
を実行させるためのプログラムを記憶した記録媒体。
【0161】
（付記１８）
コンピュータに、
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行うこと
を実行させるためのプログラムを記憶した記録媒体。
コンピュータに、
推定対象個体ごとの固定値の入力に対して第一モデルが出力する第一特徴表現の分布と、可変項目値の入力に対して第二モデルが出力する第二特徴表現の分布との独立性の評価指標を含む評価関数を用いて、前記評価指標が示す前記独立性が高くなるように、前記第一モデルまたは前記第二モデルの少なくとも何れか一方の学習を行うこと
を実行させるためのプログラムを記憶した記録媒体。
【0162】
（付記１９）
コンピュータに、
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得することと、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力することと、
を実行させるためのプログラムを記憶した記録媒体。
コンピュータに、
推定対象個体ごとの固定値に応じた推定対象項目基準値を算出することと、
推定対象個体ごとの固定値と、可変項目値と、その固定値およびその可変項目値に応じた推定対象項目値と前記推定対象項目基準値との差異とを含む学習データを取得することと、
前記学習データを用いて、推定対象個体ごとの固定値と可変項目値との入力に対して前記推定対象項目値と前記推定対象項目基準値との差異の推定値を出力することと、
を実行させるためのプログラムを記憶した記録媒体。
【符号の説明】
【0163】
１００、６１０、６２０、６３０、６４０ 学習装置
１１０ 通信部
１２０ 表示部
１３０ 操作入力部
１８０ 記憶部
１８１ モデル記憶部
１９０ 制御部
１９１ モデル計算部
１９２、６１２、６４２ 学習データ取得部
１９３、６１３、６２１、６３１、６４３ 学習部
６１１、６４１ 基準値算出部
１１０ 通信部
１２０ 表示部
１３０ 操作入力部
１８０ 記憶部
１８１ モデル記憶部
１９０ 制御部
１９１ モデル計算部
１９２、６１２、６４２ 学習データ取得部
１９３、６１３、６２１、６３１、６４３ 学習部
６１１、６４１ 基準値算出部
【0164】
この出願は、２０２１年２月２６日に出願された日本国特願２０２１－０３１１７２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
【産業上の利用可能性】
【0165】
本発明は、学習装置、学習方法および記録媒体に適用してもよい。
【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】