[發明專利]信息處理裝置、程序及信息處理方法

在審

• 申請號: 201880095979.1
• 申請日: 2018-07-31
• 公開（公告）號: CN112513892A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 田中信秋
• 申請（專利權）人: 三菱電機株式會社
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京天昊聯合知識產權代理有限公司 11112
• 代理人: 何立波;張天舒

具有：存儲部(102)，其對包含多個數字數據(DD)的數據集合(DG)及包含向多個數字數據(DD)的每一者分別附加的多個標簽(RD)的標簽集合(RG)進行存儲；特征提取部(103)，其通過從多個數字數據(DD)的每一者提取預先確定的特征，生成表示提取出的特征的特征矢量，從而生成包含多個特征矢量的特征矢量集合(BG)；以及聚類判定部(104)，其通過使用標簽集合(RG)，針對特征矢量集合(BG)試驗性地進行有教師的聚類，對聚類的可能性進行判斷，從而對數據集合(DG)的均勻性進行判定。

技術領域

本發明涉及信息處理裝置、程序及信息處理方法。

背景技術

由于深層學習及其關聯技術的進步，能夠進行與圖像或聲音相關的復雜的識別任務的系統已經變得常見。在這樣的系統中，能夠根據大量的學習數據自動地找出其潛在的構造，由此實現了通過深層學習以前的傳統方法無法達成的高泛化性能。

但是，這樣的系統在無法得到能夠用于學習的豐富的帶標簽數據的狀況下不會起到作用。另一方面，在現實存在的各種任務中，能得到豐富的學習數據的狀況是非常稀少的。因此，實際上在大部分情況下，以深層學習為首的非傳統方法發揮不了作用。

例如，一直以來在研究基于從設備發出的聲音、振動，自動地對該設備的健全性進行診斷的方法，至今開發了各種方法。例如，非專利文獻1所記載的MT(Mahalanobis-Taguchi)法是其中最具有代表性的方法之一。在MT法中，事先作為基準空間而對正常樣本分布的特征空間進行學習，通過在診斷時觀測到的特征矢量與基準空間以何種程度偏離而作出正常或異常的判定。

在MT法等傳統方法中，通過在特征的提取中結合經驗性的見解，或進行與特征矢量的分布相關的假設，從而能夠容易地對所學習的模型施加恰當的限制。因此，在這樣的方法中不需要深層學習中所需要的大量的數據。

非專利文獻1：立林和夫著，“入門タグチメソッド”，“株式會社日科技連出版社”，2004年、P.167-185

發明內容

但是，在傳統方法中，學習所需要的數據只要有少量即可，相應于此，存在如果其質量不高則不會起到作用這樣的問題。然而，在這樣的領域中，使測定的數據的質量提高這樣的觀點的技術非常少。特別地，幾乎不存在不需要作為對象的任務所固有的知識的通常方法，在此之上，甚至沒有充分確立定量地表示測定出的數據的質量的方法。

因此，本發明的1個或多個方式的目的在于提供能夠對所使用的數據集合的均勻性進行判定的通常的手段。

本發明的1個方式涉及的信息處理裝置的特征在于，具有：存儲部，其對包含多個數字數據的數據集合、及包含向所述多個數字數據的每一者分別附加的多個標簽的標簽集合進行存儲；特征提取部，其通過從所述多個數字數據的每一者提取出預先確定的特征，生成表示所述提取出的特征的特征矢量，從而生成包含多個所述特征矢量的特征矢量集合；以及聚類判定部，其通過使用所述標簽集合，針對所述特征矢量集合試驗性地進行有教師的聚類，對所述聚類的可能性進行判斷，從而對所述數據集合的均勻性進行判定。

本發明的1個方式涉及的程序的特征在于，使計算機作為如下單元起作用：存儲部，其對包含多個數字數據的數據集合、及包含向所述多個數字數據的每一者分別附加的多個標簽的標簽集合進行存儲；特征提取部，其通過從所述多個數字數據的每一者提取出預先確定的特征，生成表示所述提取出的特征的特征矢量，從而生成包含多個所述特征矢量的特征矢量集合；以及聚類判定部，其通過使用所述標簽集合，針對所述特征矢量集合試驗性地進行有教師的聚類，對所述聚類的可能性進行判斷，從而對所述數據集合的均勻性進行判定。