特表 2024-504691 時系列表現学習におけるアンカー・ウィンドウ・サイズおよび位置選択

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2024-02-01

(54)【発明の名称】時系列表現学習におけるアンカー・ウィンドウ・サイズおよび位置選択

(51)【国際特許分類】

   G06N 3/049 20230101AFI20240125BHJP

   G06F 18/27 20230101ALI20240125BHJP

【ＦＩ】

G06N3/049

G06F18/27

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023544152

(86)(22)【出願日】2022-01-25

(85)【翻訳文提出日】2023-07-20

(86)【国際出願番号】 CN2022073816

(87)【国際公開番号】W WO2022161358

(87)【国際公開日】2022-08-04

(31)【優先権主張番号】17/162,649

(32)【優先日】2021-01-29

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】390009531

【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション

【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ

【住所又は居所原語表記】Ｎｅｗ Ｏｒｃｈａｒｄ Ｒｏａｄ， Ａｒｍｏｎｋ， Ｎｅｗ Ｙｏｒｋ １０５０４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100112690

【弁理士】

【氏名又は名称】太佐 種一

(74)【代理人】

【識別番号】100120710

【弁理士】

【氏名又は名称】片岡 忠彦

(74)【復代理人】

【識別番号】110000420

【氏名又は名称】弁理士法人ＭＩＰ

(72)【発明者】

【氏名】パブルリ、ベンカタ ナガラジュ

(72)【発明者】

【氏名】スブラマニアン、ダーマシャンカー

(72)【発明者】

【氏名】チャン、ユアン－チ

(72)【発明者】

【氏名】ヴ、ロン

(72)【発明者】

【氏名】ディンガー、ティモシー、レア

(57)【要約】

コンピューティング・デバイスを使用して変量時系列データにおけるウィンドウ・サイズを決定する方法であって、方法は、コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取ることを含む。コンピューティング・デバイスは、変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットする。コンピューティング・デバイスは、さらに、変量時系列データの移動ウィンドウ平均を計算する。コンピューティング・デバイスは、追加として、すべての変量時系列データを横断して標準偏差を計算する。コンピューティング・デバイスは、計算された標準偏差を降順にソートする。コンピューティング・デバイスは、さらに、少なくとも１つのアンカーが上記標準偏差のインデックスを訪れるまでそのインデックスを反復する。コンピューティング・デバイスは、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大する。コンピューティング・デバイスは、拡大されたアンカーに基づいてウィンドウ・サイズを決定する。

【特許請求の範囲】

【請求項1】

コンピューティング・デバイスを使用して変量時系列データにおけるウィンドウ・サイズを決定する方法であって、前記方法が、
コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取ることと、
前記コンピューティング・デバイスによって、前記変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることと、
前記コンピューティング・デバイスによって、前記変量時系列データの移動ウィンドウ平均を計算することと、
前記コンピューティング・デバイスによって、すべての変量時系列データを横断して標準偏差を計算することと、
前記コンピューティング・デバイスによって、計算された前記標準偏差を降順にソートすることと、
前記コンピューティング・デバイスによって、少なくとも１つのアンカーが前記標準偏差のインデックスを訪れるまで前記インデックスを反復することと、
前記コンピューティング・デバイスによって、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することと、
前記コンピューティング・デバイスによって、前記拡大されたアンカーに基づいてウィンドウ・サイズを決定することと
を含む方法。

【請求項2】

前記変量時系列データが、一変量時系列データまたは多変量時系列データである、請求項１に記載の方法。

【請求項3】

前記ウィンドウ・サイズが、前記変量時系列データの表現機械学習の三重項損失式で実装される、請求項２に記載の方法。

【請求項4】

前記反復することが、
最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすること
をさらに含む、請求項２に記載の方法。

【請求項5】

前記コンピューティング・デバイスによって、前記始まりと終わりとの間の前記ウィンドウ・サイズ位置をマークすること
をさらに含む、請求項４に記載の方法。

【請求項6】

前記コンピューティング・デバイスによって、標準偏差が閾値を超過するその隣まで前記移動ウィンドウ・サイズを反復して拡大すること
をさらに含む、請求項２に記載の方法。

【請求項7】

前記コンピューティング・デバイスによって、前記前のアンカーが訪れたことのない位置にある次の最大標準偏差を選択することと、
前記コンピューティング・デバイスによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることと
をさらに含む、請求項２に記載の方法。

【請求項8】

変量時系列データにおけるウィンドウ・サイズを決定するためのコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品が、プログラム命令が具体化されたコンピュータ可読ストレージ媒体を備え、前記プログラム命令が、
プロセッサによって、機械学習モデルに関連付けられた変量時系列データを受け取ることと、
前記プロセッサによって、前記変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることと、
前記プロセッサによって、前記変量時系列データの移動ウィンドウ平均を計算することと、
前記プロセッサによって、すべての変量時系列データを横断して標準偏差を計算することと、
前記プロセッサによって、計算された前記標準偏差を降順にソートすることと、
前記プロセッサによって、少なくとも１つのアンカーが前記標準偏差のインデックスを訪れるまで前記インデックスを反復することと、
前記プロセッサによって、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することと、
前記プロセッサによって、前記拡大されたアンカーに基づいてウィンドウ・サイズを決定することと
を前記プロセッサに行わせるように前記プロセッサによって実行可能な、コンピュータ・プログラム製品。

【請求項9】

前記変量時系列データが、一変量時系列データまたは多変量時系列データである、請求項８に記載のコンピュータ・プログラム製品。

【請求項10】

前記ウィンドウ・サイズが、前記変量時系列データの表現機械学習の三重項損失式で実装される、請求項９に記載のコンピュータ・プログラム製品。

【請求項11】

前記反復することが、
最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすること
をさらに含む、請求項９に記載のコンピュータ・プログラム製品。

【請求項12】

前記プロセッサによって実行可能な前記プログラム命令が、
前記プロセッサによって、前記始まりと終わりとの間の前記ウィンドウ・サイズ位置をマークすること
を前記プロセッサにさらに行わせる、請求項１１に記載のコンピュータ・プログラム製品。

【請求項13】

前記プロセッサによって実行可能な前記プログラム命令が、
前記プロセッサによって、標準偏差が閾値を超過するその隣まで前記移動ウィンドウ・サイズを反復して拡大すること
を前記プロセッサにさらに行わせる、請求項９に記載のコンピュータ・プログラム製品。

【請求項14】

前記プロセッサによって実行可能な前記プログラム命令が、
前記プロセッサによって、前記前のアンカーが訪れたことのない位置にある次の最大標準偏差を選択することと、
前記プロセッサによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることと
を前記プロセッサにさらに行わせる、請求項９に記載のコンピュータ・プログラム製品。

【請求項15】

装置であって、
命令を格納するように構成されたメモリと、
プロセッサであって、
機械学習モデルに関連付けられた変量時系列データを受け取ることと、
前記変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることと、
前記変量時系列データの移動ウィンドウ平均を計算することと、
すべての変量時系列データを横断して標準偏差を計算することと、
計算された前記標準偏差を降順にソートすることと、
少なくとも１つのアンカーが前記標準偏差のインデックスを訪れるまで前記インデックスを反復することと、
前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することと、
前記拡大されたアンカーに基づいてウィンドウ・サイズを決定することと
を行うための前記命令を実行するように構成された、プロセッサと
を備える装置。

【請求項16】

前記変量時系列データが、一変量時系列データまたは多変量時系列データである、請求項１５に記載の装置。

【請求項17】

前記ウィンドウ・サイズが、前記変量時系列データの表現機械学習の三重項損失式で実装される、請求項１６に記載の装置。

【請求項18】

前記反復することが、
最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすること
をさらに含む、請求項１６に記載の装置。

【請求項19】

前記プロセッサが、
前記始まりと終わりとの間の前記ウィンドウ・サイズ位置をマークすることと、
標準偏差が閾値を超過するその隣まで前記移動ウィンドウ・サイズを反復して拡大することと
を行うための前記命令を実行するようにさらに構成される、請求項１８に記載の装置。

【請求項20】

前記プロセッサが、
前記プロセッサによって、前記前のアンカーが訪れたことのない位置にある次の最大標準偏差を選択することと、
前記プロセッサによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることと
を行うための前記命令を実行するようにさらに構成される、請求項１６に記載の装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態の分野は、コンピューティング・デバイスを使用して、一変量または多変量時系列データにおけるウィンドウ・サイズを決定することに関する。

【背景技術】

【0002】

表現学習は、多くの領域におけるデータの顕著な特性を捕らえる本質的な特徴を学習するのに有効であることがわかってきた。具体的には、三重損失（triple-loss）ベースの表現学習は、「三重項損失（triplet loss）」、すなわち、ベースライン（アンカー）入力が、正（おそらく真であろう）の入力および負（おそらく偽であろう）の入力と比較される、人工ニューラル・ネットワークのための損失関数を含み、表現空間においてベースライン（アンカー）入力から正（おそらく真）の入力への距離が最小化され、（表現空間において）ベースライン（アンカー）入力から負（おそらく偽）の入力への距離が最大化されるように表現が学習される。

【0003】

従来の最先端の時系列表現学習（ＲＬ：representation learning）は、三重項損失を伴う膨張時間畳み込みニューラル・ネットワーク（ＣＮＮ）アーキテクチャに従い、この場合、アンカー・ウィンドウの位置およびサイズがランダムに選ばれ、正のサンプルがアンカー・ウィンドウの中でランダムに選ばれ、負のサンプルがアンカー・ウィンドウの外でランダムに選ばれる。ランダムな正／負は、三重項の容易な組立てを可能にするが、従来の時系列ＲＬは、正を選択する際に自己相似性を強調するだけであり、相違点の負を完全に運任せにする。

【発明の概要】

【0004】

実施形態は、コンピューティング・デバイスを使用して、変量時系列データの時系列表現機械学習（ＭＬ）の三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択することに関する。一実施形態は、コンピューティング・デバイスを使用して変量時系列データにおけるウィンドウ・サイズを決定する方法を提供し、方法は、コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取ることを含む。コンピューティング・デバイスは、変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットする。コンピューティング・デバイスは、さらに、変量時系列データの移動ウィンドウ平均を計算する。コンピューティング・デバイスは、追加として、すべての変量時系列データを横断して標準偏差を計算する。コンピューティング・デバイスは、計算された標準偏差を降順にソートする。コンピューティング・デバイスは、さらに、少なくとも１つのアンカーが上記標準偏差のインデックスを訪れるまでそのインデックスを反復する。コンピューティング・デバイスは、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大する。コンピューティング・デバイスは、拡大されたアンカーに基づいてウィンドウ・サイズを決定する。いくつかの特徴は、分類精度でおよび複数のＭＬ訓練実行を横断して測定された幅広い変動を低減させるという利点に寄与する。他の特徴は、特により難しいデータセットに対して、複数の訓練実行を横断した精度平均および範囲で表現ＭＬを改善するという利点に寄与する。いくつかの特徴は、従来の技術より速く結果の最適化を収束させるという利点に寄与し、不十分な極小値でトラップされる可能性が低くなる。いくつかの実施形態は、自動サーチ時間を低減させるためにＭＬ自動化における実践的な利益を提供し、コンピューティング時間を低減させるために表現ＭＬ実行の数を低減させる。１つまたは複数の実施形態は、早期に停止される必要があるＭＬ実行時の改善された確実性を提供する。

【0005】

以下の特徴のうちの１つまたは複数が含まれてもよい。いくつかの実施形態では、方法は、変量時系列データが、一変量時系列データまたは多変量時系列データであることをさらに含んでもよい。

【0006】

いくつかの実施形態では、方法は、追加として、ウィンドウ・サイズが、変量時系列データの表現機械学習の三重項損失式で実装されることを含んでもよい。

【0007】

１つまたは複数の実施形態では、方法は、最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすることをさらに含んでもよい。

【0008】

いくつかの実施形態では、方法は、追加として、コンピューティング・デバイスによって、始まりと終わりとの間のウィンドウ・サイズ位置をマークすることを含んでもよい。

【0009】

１つまたは複数の実施形態では、方法は、コンピューティング・デバイスによって、標準偏差が閾値を超過するその隣まで移動ウィンドウ・サイズを反復して拡大することを含んでもよい。

【0010】

いくつかの実施形態では、方法は、コンピューティング・デバイスによって、その位置を前のアンカーが訪れたことがない次の最大標準偏差を選択することと、コンピューティング・デバイスによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることとをさらに含んでもよい。

【0011】

本実施形態のこれらおよび他の特徴、態様、および利点は、以下の説明、添付の特許請求の範囲、および付随の図を参照すると、理解されるであろう。

【図面の簡単な説明】

【0012】

【図1】一実施形態による、一変量時系列データ処理の時系列表現機械学習（ＭＬ）の三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択するための流れ図である。

【図2】一実施形態による、多変量時系列データ処理の時系列表現ＭＬの三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択するための流れ図である。

【図3】一実施形態による、分散駆動（variance driven）三重項アンカー・ウィンドウ選択ＭＬ学習処理のためのコンピューティング・プロセスの図である。

【図4A】訓練セットからの異なるクラスのグラフである。

【図4B】一実施形態による、図４Ａのグラフに関する特定のウィンドウ・サイズに対する移動平均の標準偏差のグラフである。

【図5A】別の訓練セットからの異なるクラスのグラフである。

【図5B】一実施形態による、図５Ａのグラフに関する特定のウィンドウ・サイズに対する移動平均の標準偏差のグラフである。

【図6】一実施形態による、一変量または多変量時系列処理の表現ＭＬ学習の三重項損失式のためのアンカー・ウィンドウを決定するためのプロセスのブロック図である。

【図7】実施形態による、クラウド・コンピューティング環境の図である。

【図8】実施形態による、抽象化モデル層のセットの図である。

【図9】実施形態による、一変量または多変量時系列処理の表現ＭＬ学習の三重項損失式におけるアンカーを決定するためのシステムのネットワーク・アーキテクチャの図である。

【図10】実施形態による、図７のサーバもしくはクライアントまたはその両方に関連付けられ得る代表的なハードウェア環境の図である。

【図11】一実施形態による、一変量または多変量時系列処理の表現ＭＬ学習の三重項損失式におけるアンカーを決定するための分散型システムを示すブロック図である。

【発明を実施するための形態】

【0013】

様々な実施形態の説明は、例証のために提示されてきたが、網羅的であること、または開示の実施形態に限定されることを意図するものではない。説明される実施形態の範囲から逸脱することなく、多くの変更形態および変形形態が当業者には明らかになるであろう。本明細書で使用される専門用語は、実施形態の原理、実用的応用、もしくは市場で見つかる技術に対する技術的改善を最も良く説明するように、または、本明細書で開示された実施形態を当業者が理解できるように選ばれた。

【0014】

実施形態は、コンピューティング・デバイスを使用して、変量時系列データの時系列表現機械学習（ＭＬ）の三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択することに関する。一実施形態は、コンピューティング・デバイスを使用して変量時系列データにおけるウィンドウ・サイズを決定する方法を提供し、方法は、コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取ることを含む。コンピューティング・デバイスは、変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットする。コンピューティング・デバイスは、さらに、変量時系列データの移動ウィンドウ平均を計算する。コンピューティング・デバイスは、追加として、すべての変量時系列データを横断して標準偏差を計算する。コンピューティング・デバイスは、計算された標準偏差を降順にソートする。コンピューティング・デバイスは、さらに、少なくとも１つのアンカーが上記標準偏差のインデックスを訪れるまでそのインデックスを反復する。コンピューティング・デバイスは、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大する。コンピューティング・デバイスは、拡大されたアンカーに基づいてウィンドウ・サイズを決定する。いくつかの特徴は、分類精度でおよび複数のＭＬ訓練実行を横断して測定された幅広い変動を低減させるという利点に寄与する。他の特徴は、特により難しいデータセットに対して、複数の訓練実行を横断した精度平均および範囲で表現ＭＬを改善するという利点に寄与する。いくつかの特徴は、従来の技術より速く結果の最適化を収束させるという利点に寄与し、不十分な極小値でトラップされる可能性が低くなる。いくつかの実施形態は、自動サーチ時間を低減させるためにＭＬ自動化における実践的な利益を提供し、コンピューティング時間を低減させるために表現ＭＬ実行の数を低減させる。１つまたは複数の実施形態は、早期に停止される必要があるＭＬ実行時の改善された確実性を提供する。いくつかの実施形態は、三重項損失関数最小化のためのアンカーの選択を提供する。

【0015】

以下の特徴のうちの１つまたは複数が含まれてもよい。いくつかの実施形態では、方法は、変量時系列データが、一変量時系列データまたは多変量時系列データであることをさらに含んでもよい。

【0016】

いくつかの実施形態では、方法は、追加として、ウィンドウ・サイズが、変量時系列データの表現機械学習の三重項損失式で実装されることを含んでもよい。

【0017】

１つまたは複数の実施形態では、方法は、最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすることをさらに含んでもよい。

【0018】

いくつかの実施形態では、方法は、追加として、コンピューティング・デバイスによって、始まりと終わりとの間のウィンドウ・サイズ位置をマークすることを含んでもよい。

【0019】

１つまたは複数の実施形態では、方法は、コンピューティング・デバイスによって、標準偏差が閾値を超過するその隣まで移動ウィンドウ・サイズを反復して拡大することを含んでもよい。

【0020】

いくつかの実施形態では、方法は、コンピューティング・デバイスによって、その位置を前のアンカーが訪れたことがない次の最大標準偏差を選択することと、コンピューティング・デバイスによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることとをさらに含んでもよい。

【0021】

１つまたは複数の実施形態は、１つまたは複数の人工知能（ＡＩ：artificial intelligence）モデルを採用する処理のための（例えば、プロセス１００、プロセス２００、プロセス３００などのための）モデルを含む。ＡＩモデルは、訓練済ＭＬモデル（例えば、ニューラル・ネットワーク（ＮＮ）、畳み込みＮＮ（ＣＮＮ）、回帰ＮＮ（ＲＮＮ）、長短期格納（ＬＳＴＭ）ベースのＮＮ、ゲート回帰ユニット（ＧＲＵ）ベースのＲＮＮ、ツリー・ベースのＣＮＮ、自己注意ネットワーク（例えば、注意メカニズムを基本的なビルディング・ブロックとして利用するＮＮであり、自己注意ネットワークは、シーケンス・モデリング・タスクに効果的であることが示されてきたが、回帰または畳み込みを有していない）、ＢｉＬＳＴＭ（双方向ＬＳＴＭ）などのモデル）を含んでもよい。人工ＮＮは、ノードまたはニューロンの相互接続されたグループである。

【0022】

既存のアプローチは、アンカー・イメージをクロップすること／カットすること／書き換えること（例えば、正のためにアンカーをサブサンプリングすること）、および、ランダム・イメージを選ぶこと（例えば、負のためにランダム時系列区間を選ぶこと）など、イメージ・ベースの三重項生成を時系列にフィットさせようとする。イメージと違って、数値の時系列は、類似性およびコントラストのより自然な測定を提供する。１つまたは複数の実施形態は、三重項訓練のために正および負のサンプル選択が実行されてもよい。一実施形態では、複数の正のサンプルのより一般的なケースに修正された単一の（自己サブサンプリングされた）正のサンプルを使用する元の三重損失関数のために、ウィンドウ選択が実行され、これらも、自己サブサンプリングされることに制約されない。

【0023】

図１は、一実施形態による、一変量時系列データ処理１００の時系列表現ＭＬの三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択するための流れ図を示す。最先端の時系列表現学習は、イメージ、テキスト表現学習のＣＮＮアーキテクチャに従う。従来の技術では、イメージにおけるアンカー畳み込みウィンドウ、文におけるアンカー・ワード・ウィンドウ（スパン）、および時系列におけるアンカー時間ウィンドウの位置およびサイズが、それぞれランダムに選ばれる。イメージおよびテキスト・コーパスと違って、実践的な時系列の問題は、ランダム選択を通じて効果的に学習するための、より少ない例を有する。従来の技術に伴う問題の１つは、ランダム・アンカー・ウィンドウ選択が、複数の訓練実行を横断して分類精度で測定される幅広い変動につながることである。

【0024】

一実施形態では、ブロック１１０において、処理１００は、ノイズ入り信号を滑らかにするために領域知識に基づいて、移動平均ウィンドウ・サイズＷを選択すること（またはセットすること）を含む。時系列では、「ウィンドウ」は、２次元行列ｍ×ｓなどの、データの区間であり、ここで、ｍは、時系列の次元であり、ｓは、区間における時間ステップの数である。一実施形態では、標準偏差閾値（σ）がセットされる。ブロック１２０において、各時系列インスタンスに対して、ウィンドウ・ベースの移動平均ウィンドウ・サイズは、ベクトル長Ｌ－Ｗとして計算される。ブロック１３０において、処理１００は、時系列インスタンスの（例えば、ＭＬ訓練セットにおける各インデックスＫにおける）移動平均を横断して標準偏差をベクトル長Ｌ－Ｗとして計算する。ブロック１４０において、集約された標準偏差ベクトルは、降順にソートされる。ブロック１５０において、処理１００は、最大標準偏差Ｋのインデックス位置から始める。ブロック１６０において、処理１００は、アンカー・ウィンドウの始まりをＫ－Ｗとして、および終わりをＫ＋Ｗとしてセットする。ブロック１７０において、処理１００は、すべてのインデックスを訪れるまで、各反復に対して、Ｋ－ＷとＫ＋Ｗのインデックス間の位置に、（少なくとも１つのアンカーが）訪れたとマークする（例えば、フラグ（例えば、真、偽など）、ビット（０、１）などをセットする）。ブロック１７５において、処理１００は、（少なくとも１つのアンカーが）アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗの隣を訪れた場合、アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗを反復して拡大する。一実施形態では、ブロック１７５は、また、アンカー・ウィンドウを、σより大きい標準偏差を有するアンカー・ウィンドウの隣に拡大してもよい。ブロック１８０において、処理１００は、現在のアンカー・ウィンドウを出力する（または放出する）。ブロック１９０において、処理１００は、その位置を訪れたことがない次の最大標準偏差Ｋを選択（またはセット）し、処理１００は、Ｌ－Ｗベクトルにおけるすべての位置を訪れると停止し、そうでなければ、処理１００は、ブロック１６０に戻って処理１００を続ける。

【0025】

一実施形態では、処理１００は、ＭＬモデル訓練中に表現ＭＬの変動を改善し狭めるために、静的なアンカー・ウィンドウ選択を提供する。イメージおよび文と区別できるものとして、一実施形態では、処理１００が、数値の時系列情報に対して、対照的な代数演算を実施することが提供される。１つまたは複数の実施形態では、アンカー・ウィンドウは、局所分散、または広く対照的な統計的尺度を通じて選択される。処理１００は、複数の訓練実行を横断して精度平均および範囲で、特により難しいデータセットに対して、表現ＭＬを改善する。一実施形態では、処理１００は、従来の技術より速く収束させ、不十分な極小値においてトラップされる可能性が低くなる。いくつかの実施形態は、自動サーチ時間を低減させるためにＭＬ自動化における実践的な利益をもたらし、表現ＭＬ実行の数を低減させて、コンピューティング時間を低減させる。１つまたは複数の実施形態は、早期に停止される必要があるＭＬ実行時の改善された確実性を提供する。

【0026】

一実施形態では、処理１００は、以下のような、一変量または多変量時系列のためのＭＬアンカー選択時に実行されてもよい。アンカー内で、ランダムな長さおよび位置のサンプルが選択され、正の母集団と呼ばれる。一実施形態では、アンカーは、複数の時系列オブジェクトの訓練バッチにおける各時系列オブジェクトから、適切な選択プロトコルを使用して選択される。一実施形態では、選択プロトコルは、複数の時系列オブジェクトの訓練バッチにおける各時系列オブジェクトに対する、対応する長さのランダムな部分区間の選択を含んでもよい。いくつかの実施形態では、アンカー選択は、局所分散ベースの選択プロトコルを使用することを含むが、このプロトコルは、時系列全体を通じて体系的にスイープするとともに、複数の時系列オブジェクトの訓練バッチに含まれる各時系列オブジェクトに対して、バッチを横断すると１つずつ選択される、アンカー・オブジェクトのシーケンスを生じるものである。

【0027】

図２は、一実施形態による、多変量時系列データ処理２００の時系列表現ＭＬの三重項損失式におけるアンカー・ウィンドウ・サイズおよび位置を選択するための流れ図を示している。一実施形態では、ブロック２１０において、処理２００は、最大標準偏差Ｋのインデックス位置から始めることを含む。ブロック２２０において、処理２００は、アンカー・ウィンドウの始まりをＫ－Ｗとして、および終わりをＫ＋Ｗとしてセットする。ブロック２３０において、処理２００は、すべてのインデックスを訪れるまで、各反復に対して、Ｋ－ＷとＫ＋Ｗのインデックス間の位置に、（少なくとも１つのアンカーが）訪れたとマークする（例えば、フラグ（例えば、真、偽など）、ビット（０、１）などをセットする）。ブロック２４０において、処理２００は、アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗの隣の標準偏差が、予めセットされた閾値（例えば、１．０など）を上回る場合、アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗを反復して（少なくとも１つのアンカーがすべてのインデックスを訪れるまで反復する）拡大する。ブロック２５０において、プロセス２００は、（少なくとも１つのアンカーが）アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗの隣を訪れた場合、アンカー・ウィンドウの始まりＫ－Ｗおよび終わりＫ＋Ｗを反復して拡大する。ブロック２６０において、処理２００は、現在のアンカー・ウィンドウを出力する（または放出する）。ブロック２７０において、処理２００は、訪れていない位置にある次の最大標準偏差Ｋを選択（またはセット）し、処理２００は、Ｌ－Ｗベクトルにおけるすべての位置を訪れると停止するが、そうでなければ、処理２００は、ブロック２２０に戻って処理２００を続ける。

【0028】

図３は、一実施形態による、分散駆動の三重項アンカー・ウィンドウ選択ＭＬ学習処理のためのコンピューティング・プロセス３００を示す。一実施形態では、プロセス３００は、最大分散の周期をカバーするアンカー（ｘ^ｒｅｆ）を漸進的に選択し、各ＭＬ反復においてカバレッジを拡大する。一実施形態では、プロセス３００は、

【数1】

を、標準偏差が閾値

【数2】

（標準偏差ベクトル）＞θ（標準偏差閾値）を超過するその隣まで反復して拡大する。プロセス３００は、また、

【数3】

を、

【数4】

（訪れたベクトル）が真値を有するその隣まで反復して拡大する。一実施形態では、

【数5】

（訪れたベクトル）は、前の、より大きな分散アンカー・ウィンドウによってカバーされたインデックスを記録する。

【0029】

一実施形態では、いくつかの利点および利益は、プロセス３００のための分散駆動の三重項アンカー・ウィンドウ選択ＭＬ学習が、複数の訓練実行を横断した精度範囲＞５％の一変量データセットの精度を改善し、データセットの８５％において平均精度を改善し、データセットの７４％において範囲を狭めたことである。いくつかの実施形態は、複数の訓練実行を横断して最大、平均、および範囲の精度で、特に、より難しいデータセットに対して、表現学習を改善する。一実施形態では、プロセス３００は、イメージ処理からのアイデアに時系列を無理矢理フィットさせるのではなく、時系列に自然な数値演算を活用する。一実施形態は、自己相似性／サブサンプリングのみよりも堅牢な距離ベースの正のサンプル・マイニングを提供し、類似の時間区間のより豊かなセットを生ずる。一実施形態では、ＭＬ自動化における実践的な利益は、自動サーチ時間を低減させ、表現学習実行の数を低減させて計算時間を節約し、学習実行が早期に停止される必要がある場合の確実性をより良くし、特徴エンジニアリング・ツール・ボックスへのより洗練された追加を提供する。追加として、１つまたは複数の実施形態は、訓練データ統計に基づいて、ＲＬのためのアンカーを選択するように一般化されてもよい。

【0030】

図４Ａは、訓練セットからの異なる１２個のクラスの実例のグラフ４００を示す。異なるクラス（最上部から最下部まで）は、訓練セット（例えば、３次元の加速度計データ）から名付けられる（２ ４ ３ ５ １ ８ １０ ９ ７ １１ ６ １２）。加速度計から生じた新しい時系列が提示されると、ＭＬは、新しいシリーズを１２個のクラスのうちの１つに分類しようとする。

【0031】

図４Ｂは、一実施形態による、図４Ａのグラフに関する特定のウィンドウ・サイズに対する移動平均の標準偏差のグラフ４１０を示している。グラフ４１０では、プロセス３００（図３）によって識別されたアンカー・ウィンドウは、グラフ４１０において１から１５までの数字でラベル付けされている。数字１でラベル付けされたアンカー・ウィンドウは、最大コントラストが発生した訓練データのセグメントに置かれている。数字２でラベル付けされたアンカー・ウィンドウは、第２の最大コントラストが発生した訓練データのセグメントに置かれている。プロセス３００に従って、その後のアンカー・ウィンドウが、さらに低いコントラスト・セグメントに置かれ、最後に、完全なシリーズを全体としてカバーする。最小アンカー・ウィンドウ長Ｗは、この例証的な例では、１６にセットされている。

【0032】

図５Ａは、別の訓練セットからの異なるクラスのグラフ５００を示す。グラフ５００に対して、訓練セットは、シェープレットのためにデザインされたシミュレートされたデータセットである。クラス（０ １）は、最上部から最下部まで使用され、示されている。図４Ａとは対照的に、このデータセットは、視覚的により多くのノイズが入っており、人間の検査で区別するのは難しい。それでも、このデータセットは、２つのクラスを正確に分類するように、プロセス３００（図３）を使用して学習されてもよい。

【0033】

図５Ｂは、一実施形態による、図５Ａのグラフ５００に関する特定のウィンドウ・サイズにわたる移動平均の標準偏差のグラフ５１０を示す。グラフ５１０では、標準偏差は、ウィンドウ・サイズ１６にわたる移動平均の標準偏差に対して、１から２３までの数字でラベル付けされている。グラフ４１０（図４Ｂ）に示されたラベル・コンベンションと同様に、数字１でラベル付けされたアンカー・ウィンドウは、最大コントラストが発生した訓練データのセグメントに置かれる。その後のアンカー・ウィンドウは、さらに低いコントラスト・セグメントにおいて漸増的に識別され、最後に、完全なシリーズを全体としてカバーする。

【0034】

図６は、一実施形態による、一変量または多変量時系列処理の表現ＭＬ学習の三重項損失式のためのアンカー・ウィンドウを決定するためのプロセス６００のブロック図を示す。一実施形態では、ブロック６１０において、プロセス６００は、（図７のコンピューティング・ノード７１０、図８のハードウェアおよびソフトウェア層８６０、図９の処理システム９００、図１０のシステム１０００、図１１のシステム１１００などからの）コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取る。ブロック６２０において、プロセス６００は、さらに、コンピューティング・デバイスによって、変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることを行う。ブロック６３０において、プロセス６００は、さらに、コンピューティング・デバイスによって、変量時系列データの移動ウィンドウ平均を計算することを行う。ブロック６４０において、プロセス６００は、コンピューティング・デバイスによって、すべての変量時系列データを横断して標準偏差を計算することを行う。ブロック６５０において、プロセス６００は、さらに、コンピューティング・デバイスによって、計算された標準偏差を降順にソートすることを行う。ブロック６６０において、プロセス６００は、追加として、コンピューティング・デバイスによって、少なくとも１つのアンカーが上記標準偏差のインデックスを訪れるまでそのインデックスを反復することを行う。ブロック６７０において、プロセス６００は、さらに、コンピューティング・デバイスによって、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することを行う。ブロック６８０において、プロセス６００は、さらに、コンピューティング・デバイスによって、拡大されたアンカーに基づいてウィンドウ・サイズを決定することを行う。

【0035】

一実施形態では、プロセス６００は、変量時系列データが、一変量時系列データまたは多変量時系列データであるという特徴をさらに含んでもよい。

【0036】

一実施形態では、プロセス６００は、ウィンドウ・サイズが、変量時系列データの表現機械学習の三重項損失式で実装されるという特徴をさらに含んでもよい。

【0037】

一実施形態では、プロセス６００は、反復が、最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすることをさらに含むことを含んでもよい。

【0038】

一実施形態では、プロセス６００は、コンピューティング・デバイスによって、始まりと終わりとの間のウィンドウ・サイズ位置をマークすることをさらに含んでもよい。

【0039】

一実施形態では、プロセス６００は、コンピューティング・デバイスによって、標準偏差が閾値を超過するその隣まで移動ウィンドウ・サイズを反復して拡大することをさらに含んでもよい。

【0040】

一実施形態では、プロセス６００は、コンピューティング・デバイスによって、前のアンカーが訪れたことのない位置にある次の最大標準偏差を選択することと、コンピューティング・デバイスによって、ウィンドウ・ベースの移動平均ベクトルにおけるすべての位置を訪れると、処理を終わらせることとを、さらに含んでもよい。

【0041】

本開示は、クラウド・コンピューティングについての詳細な説明を含むが、本明細書で列挙される教示の実装形態は、クラウド・コンピューティング環境に限定されないことが予め理解されている。むしろ、本実施形態の実施形態は、現在知られているか、後で開発される、他の任意のタイプのコンピューティング環境と共に実行される能力がある。

【0042】

クラウド・コンピューティングは、最低限の管理努力またはサービスの提供者との対話で迅速に提供および解放されることが可能な、構成可能なコンピューティング・リソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン（ＶＭ）、およびサービス）の共用プールへの、便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは、少なくとも５つの特性、少なくとも３つのサービス・モデル、および少なくとも４つの展開モデルを含んでもよい。

【0043】

特性は、以下の通りである。

【0044】

オンデマンド・セルフ・サービス：クラウド利用者は、サービスの提供者との人間対話を必要とせずに、必要に応じてかつ自動的に、サーバ時間およびネットワーク・ストレージなどの、コンピューティング能力を一方的に提供することができる。

【0045】

ブロード・ネットワーク・アクセス：能力は、ネットワーク上で利用可能であり、シンまたはシック・クライアント・プラットフォーム（例えば、モバイル・フォン、ラップトップ、およびＰＤＡ）に、ヘテロジニアスによる使用を増進する標準メカニズムを通じてアクセスされる。

【0046】

リソース・プーリング：プロバイダのコンピューティング・リソースは、マルチ・テナント・モデルを使用して複数の利用者をサーブするためにプールされ、異なる物理および仮想リソースが、需要に応じて動的に割り当てられ、再割り当てされる。利用者が一般に、提供されたリソースの正確なロケーションに対する制御権も知識も有していないが、高レベルの抽象化（例えば、国、州、またはデータ・センタ）でロケーションを指定する能力があり得るという点で、位置独立の意味がある。

【0047】

迅速な弾力性：能力は、素早くスケール・アウトするために、迅速かつ弾力的に、および場合によっては自動的に提供され、素早くスケール・インするために迅速に解放されることが可能である。利用者にとって、提供するために利用可能な能力は、しばしば、無制限のように見え、任意の量でいつでも購入されることが可能である。

【0048】

測定されるサービス：クラウド・システムは、サービスのタイプ（例えば、ストレージ、処理、帯域幅、および、アクティブな利用者アカウント）に適切な、いくつかの抽象化レベルで計量能力を活用することによって、リソース使用を自動的に制御し、最適化する。リソース使用量は、モニタ、制御、およびレポートされることが可能であり、これにより、利用されるサービスの提供者と利用者双方に透明性をもたらす。

【0049】

サービス・モデルは、以下の通りである。

【0050】

サービスとしてのソフトウェア（ＳａａＳ）：利用者に提供される能力は、クラウド・インフラストラクチャ上で動く提供者のアプリケーションを使用するための能力である。アプリケーションは、ウェブ・ブラウザ（例えば、ウェブ・ベースのｅメール）などの、シン・クライアント・インターフェースを通じて様々なクライアント・デバイスからアクセス可能である。利用者は、限定的な利用者固有のアプリケーション構成設定についての可能な例外を除いて、ネットワーク、サーバ、オペレーティング・システム、ストレージ、または、ことによると個々のアプリケーション能力を含む、基礎をなすクラウド・インフラストラクチャの管理も制御も行わない。

【0051】

サービスとしてのプラットフォーム（ＰａａＳ）：利用者に提供される能力は、提供者によってサポートされるプログラミング言語およびツールを使用して作成された、利用者が作成または獲得したアプリケーションをクラウド・インフラストラクチャ上に展開するための能力である。利用者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基礎をなすクラウド・インフラストラクチャの管理も制御も行わないが、展開されたアプリケーション、および場合によってはアプリケーション・ホスト環境構成に対する制御を行う。

【0052】

サービスとしてのインフラストラクチャ（ＩａａＳ）：利用者に提供される能力は、処理、ストレージ、ネットワーク、および他の基本的なコンピューティング・リソースを提供するための能力であり、この場合、利用者は、オペレーティング・システムおよびアプリケーションを含むことができる任意のソフトウェアを展開し動かすことができる。利用者は、基礎をなすクラウド・インフラストラクチャの管理も制御も行わないが、オペレーティング・システム、ストレージ、展開されたアプリケーションに対する制御、および、場合によってはネットワーキング構成要素（例えば、ホスト・ファイアウォール）の選択についての限定的な制御を行う。

【0053】

展開モデルは、以下の通りである。

【0054】

プライベート・クラウド：クラウド・インフラストラクチャは、組織のためだけに運用される。クラウド・インフラストラクチャは、組織またはサード・パーティによって管理されてもよく、敷地内にあっても敷地外にあってもよい。

【0055】

コミュニティ・クラウド：クラウド・インフラストラクチャは、いくつかの組織によって共有され、懸念（例えば、ミッション、セキュリティ要件、ポリシ、およびコンプライアンス考慮）を共有してきた固有のコミュニティをサポートする。クラウド・インフラストラクチャは、組織またはサード・パーティによって管理されてもよく、敷地内にあっても敷地外にあってもよい。

【0056】

パブリック・クラウド：クラウド・インフラストラクチャは、一般大衆または大規模な業界団体が利用でき、クラウド・サービスを売る組織によって所有される。

【0057】

ハイブリッド・クラウド：クラウド・インフラストラクチャは、一意のエンティティのままであるが、データおよびアプリケーション可搬性を可能にする標準的または独自の技術（例えば、クラウド間の負荷分散のためのクラウド・バースティング）でまとめられた、２つ以上のクラウド（プライベート、コミュニティ、またはパブリック）の構成である。

【0058】

クラウド・コンピューティング環境は、無国籍、疎結合、モジュラリティ、および意味論的相互運用性に焦点を合わせたサービス指向のものである。クラウド・コンピューティングの中心には、相互接続されたノードのネットワークを備えるインフラストラクチャがある。

【0059】

図７をここで参照すると、例証的なクラウド・コンピューティング環境７５０が描写されている。図示のように、クラウド・コンピューティング環境７５０は、例えば、パーソナル・デジタル・アシスタント（ＰＤＡ）またはセルラー電話７５４Ａ、デスクトップ・コンピュータ７５４Ｂ、ラップトップ・コンピュータ７５４Ｃ、もしくは自動車コンピュータ・システム７５４Ｎ、またはそれらの組合せなど、クラウド利用者によって使用されるローカル・コンピューティング・デバイスが通信し得る、１つまたは複数のクラウド・コンピューティング・ノード７１０を備える。ノード７１０は、互いに通信してもよい。ノード７１０は、上記で説明されたような、プライベート、コミュニティ、パブリック、もしくはハイブリッド・クラウド、またはそれらの組合せなど、１つまたは複数のネットワークにおいて、物理的または仮想的にグループ化されてもよい（図示せず）。これは、クラウド利用者がローカル・コンピューティング・デバイス上でリソースを維持する必要がない、サービスとしてのインフラストラクチャ、プラットフォーム、もしくはソフトウェア、またはそれらの組合せを、クラウド・コンピューティング環境７５０が提供することを可能にする。図７に示されたコンピューティング・デバイス７５４Ａ～Ｎのタイプは、例証のためのものにすぎず、コンピューティング・ノード７１０およびクラウド・コンピューティング環境７５０は、任意のタイプのネットワークもしくはネットワーク・アドレス可能接続またはその両方を介して（例えば、ウェブ・ブラウザを使用して）、任意のタイプのコンピュータ化デバイスと通信可能であることが理解されている。

【0060】

図８をここで参照すると、クラウド・コンピューティング環境７５０（図７）によって提供される機能抽象化層のセットが示されている。図８に示された構成要素、層、および機能は、例証のためのものにすぎず、実施形態はこれらに限定されないことを予め理解されたい。図示のように、以下の層および対応する機能が提供される。

【0061】

ハードウェアおよびソフトウェア層８６０は、ハードウェアおよびソフトウェア構成要素を含む。ハードウェア構成要素の例は、メインフレーム８６１、ＲＩＳＣ（縮小命令セット・コンピュータ）アーキテクチャ・ベースのサーバ８６２、サーバ８６３、ブレード・サーバ８６４、ストレージ・デバイス８６５、ならびにネットワークおよびネットワーキング構成要素８６６を含む。いくつかの実施形態では、ソフトウェア構成要素は、ネットワーク・アプリケーション・サーバ・ソフトウェア８６７およびデータベース・ソフトウェア８６８を含む。

【0062】

仮想化層８７０は、仮想サーバ８７１、仮想ストレージ８７２、仮想プライベート・ネットワークを含む仮想ネットワーク８７３、仮想アプリケーションおよびオペレーティング・システム８７４、ならびに仮想クライアント８７５という、仮想エンティティの例が提供され得る抽象化層を提供する。

【0063】

一例では、管理層８８０は、下記で説明される機能を提供し得る。リソース提供８８１は、クラウド・コンピューティング環境内のタスクを実施するために利用されるコンピューティング・リソースおよび他のリソースの動的な調達を行う。計量および価格設定８８２は、クラウド・コンピューティング環境内でリソースが利用されるときのコスト追跡、および、これらのリソースの消費量に対する請求またはインボイスを行う。一例では、これらのリソースは、アプリケーション・ソフトウェア・ライセンスを含んでもよい。セキュリティは、クラウド利用者およびタスクの本人確認、ならびにデータおよび他のリソースの保護を提供する。ユーザ・ポータル８８３は、利用者およびシステム・アドミニストレータに、クラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８８４は、要求されるサービス・レベルが満たされるように、クラウド・コンピューティング・リソースの配分および管理を行う。サービス・レベル・アグリーメント（ＳＬＡ）計画およびフルフィルメント８８５は、ＳＬＡに応じて、将来の要件が予想されるクラウド・コンピューティング・リソースの事前配置および調達を行う。

【0064】

ワークロード層８９０は、クラウド・コンピューティング環境が利用され得る機能の例を提供する。この層から提供され得るワークロードおよび機能の例は、マッピングおよびナビゲーション８９１、ソフトウェア開発およびライフサイクル管理８９２、仮想クラスルーム教育配信８９３、データ分析処理８９４、トランザクション処理８９５、ならびに、コンピューティング・デバイスを使用して一変量または多変量時系列処理８９６の表現学習の三重項損失式のためのアンカー・ウィンドウを決定するためのもの（例えば、図１のプロセス１００、図２のプロセス２００、図３のプロセス３００、図９のシステム９００、図１０のシステム１０００、図１１のシステム１１００を参照）を含む。上述のように、図９に関して説明された前述の例のすべてが例証にすぎず、実施形態は、これらの例に限定されない。

【0065】

本開示は、クラウド・コンピューティングについての詳細な説明を含むが、本明細書で列挙される教示の実装形態は、クラウド・コンピューティング環境に限定されないことが繰り返して言われる。むしろ、実施形態は、現在知られているか、後で開発される、任意のタイプのクラスタ化されたコンピューティング環境で実行されてもよい。

【0066】

図９は、実施形態による、コンピューティング・デバイスを使用して、一変量または多変量時系列データ処理における特徴を認識するようにＮＮを訓練するための、システムのネットワーク・アーキテクチャ９００である。図９に示されたように、第１のリモート・ネットワーク９０４および第２のリモート・ネットワーク９０６を含む、複数のリモート・ネットワーク９０２が提供される。ゲートウェイ９０１は、リモート・ネットワーク９０２とすぐ近くのネットワーク９０８との間で連結されてもよい。本ネットワーク・アーキテクチャ９００の文脈では、ネットワーク９０４、９０６は、それぞれ、インターネット、公衆交換電話網（ＰＳＴＮ）、内線電話網などのＬＡＮ、ＷＡＮを含むがこれらに限定されない、任意の形をしていてもよい。

【0067】

使用中、ゲートウェイ９０１は、リモート・ネットワーク９０２から、すぐ近くのネットワーク９０８への入口ポイントとして機能する。したがって、ゲートウェイ９０１は、ゲートウェイ９０１に到着したデータの所与のパケットを送る能力があるルータ、ならびに、ゲートウェイ９０１内および外の実際の経路を所与のパケットに与えるスイッチとして機能してもよい。

【0068】

ゲートウェイ９０１を介してリモート・ネットワーク９０２からアクセス可能な、すぐ近くのネットワーク９０８に連結された少なくとも１つのデータ・サーバ９１４がさらに含まれる。データ・サーバ９１４は、任意のタイプのコンピューティング・デバイス／グループウェアを含んでもよいことに留意されたい。複数のユーザ・デバイス９１６が、各データ・サーバ９１４に連結される。このようなユーザ・デバイス９１６は、デスクトップ・コンピュータ、ラップトップ・コンピュータ、ハンドヘルド・コンピュータ、プリンタ、もしくは他の任意のタイプのロジック内蔵デバイス、またはそれらの組合せを含んでもよい。ユーザ・デバイス９１６は、また、いくつかの実施形態では、ネットワークのいずれかに直接連結されてもよいことに留意されたい。

【0069】

例えば、ファクシミリ機、プリンタ、スキャナ、ハードディスク・ドライブ、ネットワーク化されたもしくはローカルなまたはその両方のストレージ・ユニットまたはシステムなどの周辺機器９２０または一連の周辺機器９２０は、ネットワーク９０４、９０６、９０８のうちの１つまたは複数に連結されてもよい。データベースもしくは追加の構成要素またはその両方は、ネットワーク９０４、９０６、９０８に連結された任意のタイプのネットワーク要素と共に利用されるか、これらに統合されてもよいことに留意されたい。本説明の文脈では、ネットワーク要素は、ネットワークの任意の構成要素を指してもよい。

【0070】

いくつかのアプローチによれば、本明細書で説明される方法およびシステムは、ＩＢＭ（登録商標）ｚ／ＯＳ環境をエミュレートするＵＮＩＸ（登録商標）システム、ＭＩＣＲＯＳＯＦＴ（登録商標）ＷＩＮＤＯＷＳ（登録商標）環境を仮想的にホストするＵＮＩＸ（登録商標）システム、ＩＢＭ（登録商標）ｚ／ＯＳ環境をエミュレートするＭＩＣＲＯＳＯＦＴ（登録商標）ＷＩＮＤＯＷＳ（登録商標）システムなどの、１つまたは複数の他のシステムをエミュレートする仮想システムもしくはシステムまたはその両方と共に、またはこれらにおいて、またはその両方で、実行されてもよい。この仮想化もしくはエミュレーションまたはその両方は、いくつかの実施形態では、ＶＭＷＡＲＥ（登録商標）ソフトウェアの使用を通じて実行されてもよい。

【0071】

図１０は、一実施形態による、図９のユーザ・デバイス９１６もしくはサーバ９１４またはその両方に関連付けられた代表的なハードウェア・システム１０００の環境を示す。一例では、ハードウェア構成は、マイクロプロセッサなどの中央処理ユニット１０１０、およびシステム・バス１０１２を介して相互接続されたいくつかの他のユニットを有するワークステーションを含む。図１０に示されたワークステーションは、ランダム・アクセス・メモリ（ＲＡＭ）１０１４、リード・オンリ・メモリ（ＲＯＭ）１０１６、（ディスク・ストレージ・ユニット１０２０などの周辺機器デバイスをバス１０１２に接続するための）Ｉ／Ｏアダプタ１０１８、（キーボード１０２４、マウス１０２６、スピーカ１０２８、マイクロフォン１０３２、もしくは、タッチ・スクリーン、デジタル・カメラ（図示せず）などの他のユーザ・インターフェース・デバイス、またはそれらの組合せをバス１０１２に接続するための）ユーザ・インターフェース・アダプタ１０２２、（ワークステーションを通信ネットワーク１０３５（例えば、データ処理ネットワーク）に接続するための）通信アダプタ１０３４、および（バス１０１２を表示デバイス１０３８に接続するための）ディスプレイ・アダプタ１０３６を含んでもよい。

【0072】

一例では、ワークステーションは、その上に、ＭＩＣＲＯＳＯＦＴ（登録商標）ＷＩＮＤＯＷＳ（登録商標）オペレーティング・システム（ＯＳ）、ＭＡＣ ＯＳ（登録商標）、ＵＮＩＸ（登録商標）ＯＳなどの、オペレーティング・システムを常駐させてもよい。一実施形態では、システム１０００は、ＰＯＳＩＸ（登録商標）ベースのファイル・システムを採用する。また、他の例が、言及されたもの以外のプラットフォームおよびオペレーティング・システム上で実行されてもよいことが理解されよう。このような他の例は、オブジェクト指向プログラム方法と共に、ＪＡＶＡ（登録商標）、ＸＭＬ、Ｃ、もしくはＣ＋＋言語、またはそれらの組合せ、または他のプログラミング言語を使用して書かれたオペレーティング・システムを含んでもよい。オブジェクト指向プログラミング（ＯＯＰ）は、複雑なアプリケーションを開発するために、ますます使用されるようになってきており、同様に使用されてもよい。

【0073】

図１１は、一実施形態による、コンピューティング・デバイスを使用して、一変量または多変量時系列データ処理における特徴を認識するようにＮＮを訓練するための、分散型システム１１００を示すブロック図である。一実施形態では、システム１１００は、クライアント・デバイス１１１０（例えば、モバイル・デバイス、スマート・デバイス、コンピューティング・システムなど）、クラウドまたはリソース共有環境１１２０（例えば、パブリック・クラウド・コンピューティング環境、プライベート・クラウド・コンピューティング環境、データ・センタなど）、およびサーバ１１３０を含む。一実施形態では、クライアント・デバイス１１１０は、クラウドまたはリソース共有環境１１２０を通じてサーバ１１３０からクラウド・サービスが提供される。

【0074】

１つまたは複数の実施形態は、統合の任意の可能な技術詳細レベルのシステム、方法、もしくはコンピュータ・プログラム製品、またはそれらの組合せでもよい。コンピュータ・プログラム製品は、本実施形態の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読ストレージ媒体（または複数の媒体）を含んでもよい。

【0075】

コンピュータ可読ストレージ媒体は、命令実行デバイスによる使用のための命令を保持および格納可能な有形デバイスであることが可能である。コンピュータ可読ストレージ媒体は、例えば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、または前述の任意の適切な組合せでもよいがこれらに限定されない。コンピュータ可読ストレージ媒体のより具体的な例の完全に網羅されていないリストは、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリ・メモリ（ＲＯＭ）、消去可能プログラマブル・リード・オンリ・メモリ（ＥＰＲＯＭまたはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリ・スティック、フロッピー（登録商標）ディスク、命令を記録したパンチ・カードまたは溝内隆起構造などの機械的にエンコードされたデバイス、および前述の任意の適切な組合せを含む。本明細書で使用されるようなコンピュータ可読ストレージ媒体は、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の伝送媒体を通じて伝搬する電磁波（例えば、光ファイバ・ケーブルを通過する光パルス）、またはワイヤを通じて伝送される電気信号など、一時的な信号であると本質的に解釈されるべきではない。

【0076】

本明細書で説明されるコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれの計算／処理デバイスに、あるいは、例えば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、もしくはワイヤレス・ネットワーク、またはそれらの組合せといったネットワークを介して外部コンピュータまたは外部ストレージ・デバイスに、ダウンロードされることが可能である。ネットワークは、銅伝送ケーブル、光伝送ファイバ、ワイヤレス伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはそれらの組合せを備えてもよい。各計算／処理デバイス内のネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、コンピュータ可読プログラム命令をネットワークから受け取り、それぞれの計算／処理デバイス内のコンピュータ可読ストレージ媒体に格納するためにコンピュータ可読プログラム命令を転送する。

【0077】

実施形態の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、インストラクション・セット・アーキテクチャ（ＩＳＡ）命令、機械語命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路機器用の構成データ、または、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋、もしくは同様のものなどのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語もしくは類似のプログラミング言語などの手続き型プログラミング言語を含む１つもしくは複数のプログラミング言語の任意の組合せで書かれたソース・コードもしくはオブジェクト・コードでもよい。コンピュータ可読プログラム命令は、全面的にユーザのコンピュータ上で、もしくは部分的にユーザのコンピュータ上で、スタンド・アロンのソフトウェア・パッケージとして、または、部分的にユーザのコンピュータ上かつ部分的にリモート・コンピュータ上で、または全面的にリモート・コンピュータもしくはサーバ上で実行することができる。後者のシナリオでは、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）またはワイド・エリア・ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを通じてユーザのコンピュータに接続されてもよく、または、接続は、（例えば、インターネット・サービス・プロバイダを使用してインターネットを通じて）外部コンピュータに対して行われてもよい。いくつかの実施形態では、例えば、プログラム可能論理回路機器、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ）を含む電子回路機器は、本実施形態の態様を実施するために、コンピュータ可読プログラム命令の状態情報を利用して電子回路機器を個別化にすることによって、コンピュータ可読プログラム命令を実行することができる。

【0078】

実施形態の態様は、方法、装置（システム）、およびコンピュータ・プログラム製品の流れ図もしくはブロック図またはその両方を参照しながら本明細書で説明される。流れ図もしくはブロック図またはその両方の各ブロック、および流れ図もしくはブロック図またはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実行可能であることが理解されよう。

【0079】

これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラム可能データ処理装置のプロセッサを介して実行する命令が、流れ図もしくはブロック図またはその両方の１つまたは複数のブロックで指定された機能／行為を実行するための手段を作り出すべく、コンピュータ、または機械を生み出すための他のプログラム可能データ処理装置のプロセッサに提供されてもよい。これらのコンピュータ可読プログラム命令は、また、流れ図もしくはブロック図またはその両方の１つまたは複数のブロックで指定された機能／行為の態様を実行する命令を含む製品を、命令を格納したコンピュータ可読ストレージ媒体が備えるべく、コンピュータ可読ストレージ媒体に格納されてもよく、特定の様式で機能するように、コンピュータ、プログラム可能データ処理装置、もしくは他のデバイス、またはそれらの組合せに指示することができる。

【0080】

コンピュータ可読プログラム命令は、また、コンピュータ、他のプログラム可能装置、または他のデバイス上で実行する命令が、流れ図もしくはブロック図またはその両方の１つまたは複数のブロックで指定された機能／行為を実行するべく、コンピュータ実行処理を生み出すために、コンピュータ、他のプログラム可能装置、または他のデバイス上で一連の動作ステップを実施させるように、コンピュータ、他のプログラム可能データ処理装置、または他のデバイスにロードされてもよい。

【0081】

図中の流れ図およびブロック図は、様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態のアーキテクチャ、機能、および動作を示す。この点に関して、流れ図またはブロック図における各ブロックは、指定の論理機能を実行するための１つまたは複数の実行可能命令を含む命令のモジュール、セグメント、または一部を表してもよい。いくつかの代替的な実装形態では、ブロックに記された機能は、図に記された順序とは無関係に行われてもよい。例えば、連続して示された２つのブロックは、実際には、同時に、実質的に同時に、部分的もしくは全面的に時間重複した様式で実行される、１つのステップとして遂行されてもよく、またはブロックは、時には、含まれる機能に応じて、逆の順序で実行されてもよい。ブロック図もしくは流れ図またはその両方の各ブロック、および、ブロック図もしくは流れ図またはその両方におけるブロックの組合せは、指定の機能もしくは行為を行うか、または、専用ハードウェアとコンピュータ命令の組合せを実行する専用ハードウェア・ベースのシステムによって実行可能であることも指摘される。

【0082】

特許請求の範囲における単数形の要素への言及は、そのように明示的に述べられない限り「１つおよび唯一」を意味するためのものではなく、むしろ「１つまたは複数」を意味する。当業者に現在知られているか、後で知られることになる、上述の例示的実施形態の要素に対するすべての構造的および機能的な同等物は、本特許請求の範囲によって包含されることが意図される。本明細書における請求要素は、要素が、「～のための手段」または「～のためのステップ」という句を使用して、明確に列挙されない限り、米国特許法第１１２条第６段落の規定に基づいて解釈されるべきではない。

【0083】

本明細書で使用される専門用語は、特定の実施形態を説明するためのものにすぎず、実施形態の限定であることを意図するものではない。本明細書で使用されるように、単数形「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が別途明らかに指示しない限り、複数形を同様に含むことを意図する。「備える（comprises）」もしくは「備える（comprising）」という用語またはその両方は、本明細書で使用されるとき、述べられた特徴、整数、ステップ、動作、要素、もしくは構成要素、またはそれらの組合せの存在を指定するが、１つまたは複数の他の特徴、整数、ステップ、動作、要素、構成要素、もしくはそのグループ、またはそれらの組合せの存在または追加を排除するものではないことがさらに理解されよう。

【0084】

下記の特許請求の範囲における機能要素に加えて、すべての手段またはステップの対応する構造、材料、行為、および同等物は、具体的に特許請求されるような、他の特許請求される要素と組み合わせて機能を実施するための任意の構造、材料、または行為を含むことを意図する。本実施形態の説明は、例証および説明のために提示されてきたが、網羅的であること、または開示の形の実施形態に限定されることを意図するものではない。実施形態の範囲から逸脱することなく、多くの変更形態および変形形態が当業者には明らかであろう。実施形態は、実施形態の原理および実践的応用を最も良く説明するように、および、意図される特定の使用に適するような、様々な修正を伴う様々な実施形態のための実施形態を他の当業者が理解できるように、選ばれ、説明された。

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5A】

【図5B】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【手続補正書】

【提出日】2023-08-10

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

コンピューティング・デバイスを使用して変量時系列データにおけるウィンドウ・サイズを決定する方法であって、
コンピューティング・デバイスによって、機械学習モデルに関連付けられた変量時系列データを受け取ることと、
前記コンピューティング・デバイスによって、前記変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることと、
前記コンピューティング・デバイスによって、前記変量時系列データの移動ウィンドウ平均を計算することと、
前記コンピューティング・デバイスによって、変量時系列データを横断して標準偏差を計算することと、
前記コンピューティング・デバイスによって、計算された前記標準偏差を降順にソートすることと、
前記コンピューティング・デバイスによって、少なくとも１つのアンカーが前記標準偏差のインデックスを訪れるまで前記インデックスを反復することと、
前記コンピューティング・デバイスによって、前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することと、
前記コンピューティング・デバイスによって、前記拡大されたアンカーに基づいてウィンドウ・サイズを決定することと
を含む方法。

【請求項2】

前記変量時系列データが、一変量時系列データまたは多変量時系列データである、請求項１に記載の方法。

【請求項3】

前記ウィンドウ・サイズが、前記変量時系列データの表現機械学習の三重項損失式で実装される、請求項２に記載の方法。

【請求項4】

前記反復することが、
最大標準偏差および現在のウィンドウ・サイズを使用して次のウィンドウ・サイズの始まりおよび終わりをセットすること
をさらに含む、請求項２または３に記載の方法。

【請求項5】

前記コンピューティング・デバイスによって、前記始まりと終わりとの間の前記ウィンドウ・サイズ位置をマークすること
をさらに含む、請求項４に記載の方法。

【請求項6】

前記コンピューティング・デバイスによって、標準偏差が閾値を超過するその隣まで前記移動ウィンドウ・サイズを反復して拡大すること
をさらに含む、請求項２～５のいずれか１項に記載の方法。

【請求項7】

前記コンピューティング・デバイスによって、前記前のアンカーが訪れたことのない位置にある次の最大標準偏差を選択することと、
前記コンピューティング・デバイスによって、ウィンドウ・ベースの移動平均ベクトルにおける複数の位置を訪れると、処理を終わらせることと
をさらに含む、請求項２～６のいずれか１項に記載の方法。

【請求項8】

請求項１～７のいずれか１項に記載された方法を、コンピュータに対して実行させるためのコンピュータ・プログラム。

【請求項9】

請求項８に記載のコンピュータ・プログラムを記録した、コンピュータ可読ストレージ媒体。

【請求項10】

命令を格納するように構成されたメモリと、
プロセッサであって、
機械学習モデルに関連付けられた変量時系列データを受け取ることと、
前記変量時系列データの移動ウィンドウ・サイズおよび標準偏差をセットすることと、
前記変量時系列データの移動ウィンドウ平均を計算することと、
変量時系列データを横断して標準偏差を計算することと、
計算された前記標準偏差を降順にソートすることと、
少なくとも１つのアンカーが前記標準偏差のインデックスを訪れるまで前記インデックスを反復することと、
前のアンカーが訪れた隣のアンカーをカバーするように各アンカーを反復して拡大することと、
前記拡大されたアンカーに基づいてウィンドウ・サイズを決定することと
を行うための前記命令を実行するように構成された、プロセッサと
を備える装置。

【国際調査報告】