Processing

Please wait...

Settings

Settings

Goto Application

1. WO2022009275 - TRAINING METHOD, TRAINING DEVICE, AND PROGRAM

Publication Number WO/2022/009275
Publication Date 13.01.2022
International Application No. PCT/JP2020/026435
International Filing Date 06.07.2020
IPC
G06N 3/08 2006.1
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Applicants
  • 日本電信電話株式会社 NIPPON TELEGRAPH AND TELEPHONE CORPORATION [JP]/[JP]
Inventors
  • 岩田 具治 IWATA, Tomoharu
Agents
  • 伊東 忠重 ITOH, Tadashige
  • 伊東 忠彦 ITOH, Tadahiko
  • 石原 隆治 ISHIHARA, Takaji
Priority Data
Publication Language Japanese (ja)
Filing Language Japanese (JA)
Designated States
Title
(EN) TRAINING METHOD, TRAINING DEVICE, AND PROGRAM
(FR) PROCÉDÉ D'ENTRAÎNEMENT, DISPOSITIF D'ENTRAÎNEMENT ET PROGRAMME
(JA) 学習方法、学習装置及びプログラム
Abstract
(EN) A training device according to an embodiment is characterized in that a computer performs: an input procedure for entering a data set collection D = \{D1, ..., DT\}, where Dt represents a data set composed of data that includes at least a feature quantity vector representing a feature of an example of a task t ε \{1, ..., T\}, with \{1, ..., T\} representing a set of tasks; a sampling procedure for sampling a task t from the set of tasks \{1, ..., T\}, and also sampling a first subset from the data set Dt for the task t and a second subset from the set obtained by excluding the first subset from the data set Dt; a generation procedure for generating, by means of a first neural network, a task vector representing the characteristics of the task t corresponding to the first subset; a transformation procedure for using the task vector to nonlinearly transform, by means of a second neural network, a feature quantity vector included in the data constituting the second subset; a score calculation procedure for using the nonlinearly transformed feature quantity vector and a preset center vector to calculate a score representing the degree of abnormality of the feature quantity vector; and a training procedure for using the score to train the parameters of the first neural network and the parameters of the second neural network so as to increase an index value representing abnormality detection generalization performance.
(FR) Un dispositif d'entraînement selon un mode de réalisation de l'invention est caractérisé par le fait qu'un ordinateur réalise les procédures suivantes : une procédure d'entrée consistant à fournir en entrée une collection d'ensembles de données D = \{D1, ..., DT\}, où Dt représente un ensemble de données composé de données qui comprennent au moins un vecteur de quantités caractéristiques représentant une caractéristique d'un exemple de tâche t ε \{1, ..., T\}, avec \{1, ..., T\} représentant un ensemble de tâches ; une procédure d'échantillonnage consistant à échantillonner une tâche t de l'ensemble de tâches \{1, ..., T\} et aussi échantillonner un premier sous-ensemble de l'ensemble de données Dt pour la tâche t et un deuxième sous-ensemble de l'ensemble obtenu en excluant le premier sous-ensemble de l'ensemble de données Dt ; une procédure de production consistant à produire, au moyen d'un premier réseau neuronal, un vecteur de tâche représentant les caractéristiques de la tâche t correspondant au premier sous-ensemble ; une procédure de transformation consistant à utiliser le vecteur de tâche pour transformer, de manière non linéaire au moyen d'un deuxième réseau neuronal, un vecteur de quantités caractéristiques inclus dans les données constituant le deuxième sous-ensemble ; une procédure de calcul de score consistant à utiliser le vecteur de quantités caractéristiques transformé de manière non linéaire et un vecteur de centre prédéfini pour calculer un score représentant le niveau d'anomalie du vecteur de quantités caractéristiques ; et une procédure d'entraînement consistant à utiliser le score pour entraîner les paramètres du premier réseau neuronal et les paramètres du deuxième réseau neuronal de façon à augmenter une valeur d'indice représentant la performance de généralisation de détection d'anomalie.
(JA) 一実施形態に係る学習装置は、タスク集合を{1,・・・,T}、タスクt∈{1,・・・,T}の事例の特徴を表す特徴量ベクトルが少なくとも含まれるデータで構成されるデータセットをDとして、データセット集合D={D,・・・,D}を入力する入力手順と、前記タスク集合{1,・・・,T}からタスクtをサンプリングし、前記タスクtのデータセットDから第1の部分集合と、前記データセットDのうち前記第1の部分集合を除く集合から第2の部分集合とをサンプリングするサンプリング手順と、前記第1の部分集合に対応するタスクtの性質を表すタスクベクトルを第1のニューラルネットワークにより生成する生成手順と、前記タスクベクトルを用いて、前記第2の部分集合を構成するデータに含まれる特徴量ベクトルを第2のニューラルネットワークにより非線形変換する変換手順と、前記非線形変換された特徴量ベクトルと予め設定された中心ベクトルとを用いて、前記特徴量ベクトルの異常度を表すスコアを計算するスコア計算手順と、前記スコアを用いて、異常検知の汎化性能を表す指標値が高くなるように前記第1のニューラルネットワークのパラメータと前記第2のニューラルネットワークのパラメータとを学習する学習手順と、をコンピュータが実行することを特徴とする。
Latest bibliographic data on file with the International Bureau