[發明專利]系統、方法和程序

在審

• 申請號: 202010747273.8
• 申請日: 2020-07-29
• 公開（公告）號: CN112308239A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 今井哲
• 申請（專利權）人: 佳能株式會社
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N3/04;G06N3/08
• 代理公司: 北京怡豐知識產權代理有限公司 11293
• 代理人: 遲軍

本發明提供系統、方法和程序。所述系統管理利用在學習處理中包括多個參數的輸入數據而生成的預測模型并且包括：第一計算單元，其被構造為，根據學習結果計算所述多個參數中的各個參數的學習貢獻率；第一指定單元，其被構造為，根據由所述第一計算單元計算出的學習貢獻率，來指定學習貢獻率低的參數；第一指令單元，其被構造為，給出使用排除由所述第一指定單元指定的參數的輸入數據的再學習指令；第二指定單元，其被構造為，指定與由所述第一指定單元指定的參數相對應的構造；以及第一發布單元，其被構造為，發布用于由所述第二指定單元指定的構造的停止命令。

技術領域

本發明涉及管理預測模型的系統、方法和程序。

背景技術

在機器學習中，通過從用于學習的輸入數據理解特征來學習預測模型，并使用完全學習的預測模型來進行實際操作。在現有技術中，已知如下系統，該系統通過利用使用這種預測模型的預測輸入數據來預測特定事件。

在進行這種預測的系統中，為了通過使用各種類型的輸入數據進行預測來提高預測精度，輸入數據通常為多維向量。順便提及，當輸入數據的維數很大時，除了龐大的計算學習成本之外，還存在以下問題：需要大量的學習數據來適當地學習特征。眾所周知，當多維向量的維數很大時，學習精度實際上會劣化。這是因為，由于維數的增加，多維向量所取的特征的寬度呈指數擴展，因此從有限量的輸入數據不能充分地理解特征。

因此，在現有技術中，研究了降低學習輸入數據的維數。例如，日本特開2011-197934號公報公開了一種發明，其中降維處理包括將對學習的貢獻程度(以下稱為學習貢獻率)低的參數設置為降維對象。

為了從多維學習輸入數據適當地理解和學習特征，如上所述，有必要結合降維處理。然而，在日本特開2011-197934號公報中，降維處理只是不使用降維的參數。因此，當在降低之前，對各構造(configuration)(例如，設備、傳感器或軟件)中收集的降維的參數進行獲取、發送等時，即使進行了降維處理也會不斷收集降維的參數。在這種情況下，存在如下問題：浪費了用于獲取降維的參數的構造和發生的通信處理的操作成本。

發明內容

本發明的目的在于降低在機器學習中進行預測的系統中浪費的操作成本。

根據本發明的實施例，一種系統管理利用在學習處理中包括多個參數的輸入數據而生成的預測模型并且包括：第一計算單元，其被構造為，根據學習結果計算所述多個參數中的各個參數的學習貢獻率；第一指定單元，其被構造為，根據由所述第一計算單元計算出的學習貢獻率，來指定學習貢獻率低的參數；第一指令單元，其被構造為，給出使用排除由所述第一指定單元指定的參數的輸入數據的再學習指令；第二指定單元，其被構造為，指定與由所述第一指定單元指定的參數相對應的構造(configuration)；以及第一發布單元，其被構造為，發布用于由所述第二指定單元指定的構造的停止命令。

通過以下參照附圖對示例性實施例的描述，本發明的其他特征將變得清楚。

附圖說明

圖1是示出根據本發明的示例1的信息處理系統的構造的框圖。

圖2A是示出參數優化系統101和網關設備102的硬件構造的框圖。

圖2B是示出參數獲取設備103的硬件構造的框圖。

圖3是示出參數優化系統101的功能構造的框圖。

圖4是示出網關設備102的功能構造的框圖。

圖5是示出參數獲取設備103的功能構造的框圖。

圖6A是根據本發明的示例1的序列圖。

圖6B是示出根據本發明的示例1的學習貢獻確定單元304中的處理流程的流程圖。

圖7A是根據本發明的示例2的序列圖。