LEARNING DEVICE, ESTIMATION DEVICE, LEARNING METHOD, AND LEARNING PROGRAM

• Main Authors: KUMAGAI, Atsutoshi, IWATA, Tomoharu
• Format: Patent
• Language: English; French; Japanese
• Published: 22.04.2021
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; PHYSICS

A latent representation calculation unit (131) calculates, using a first model, a latent representation, from a sample belonging to a domain, that represents a feature of the domain. A by-domain objective function generation unit (132) and an all-domain objective function generation unit (133) generate, from the sample belonging to the domain and the latent representation of the domain calculated by the latent representation calculation unit (131), an objective function pertaining to a second model that calculates the abnormality score of the sample. An update unit (134) updates the first and second models so that the plurality of objective functions of the domain as calculated by the by-domain objective function generation unit (132) and the all-domain objective function generation unit (133) are optimized. Selon l'invention, une unité de calcul de représentation latente (131) calcule, à l'aide d'un premier modèle, une représentation latente, à partir d'un échantillon appartenant à un domaine, qui représente une caractéristique du domaine. Une unité de génération de fonction économique par domaine (132) et une unité de génération de fonction économique tout domaine (133) génèrent, à partir de l'échantillon appartenant au domaine et à partir de la représentation latente du domaine calculée par l'unité de calcul de représentation latente (131), une fonction économique se rapportant à un second modèle qui calcule le score d'anomalie de l'échantillon. Une unité de mise à jour (134) met à jour les premier et second modèles de telle sorte que la pluralité de fonctions économiques du domaine telles que calculées par l'unité de génération de fonction économique par domaine (132) et l'unité de génération de fonction économique tout domaine (133) sont optimisées. 潜在表現計算部（１３１）は、第１のモデルを用いて、ドメインに属するサンプルから、ドメインの特徴を表す潜在表現を計算する。また、ドメイン別目的関数生成部（１３２）及び全ドメイン目的関数生成部（１３３）は、ドメインに属するサンプル、及び、潜在表現計算部（１３１）によって計算されたドメインの潜在表現から、サンプルの異常スコアを算出する第２のモデルに関する目的関数を生成する。また、更新部（１３４）は、ドメイン別目的関数生成部（１３２）及び全ドメイン目的関数生成部（１３３）によって計算された複数のドメインの目的関数が最適化されるように、第１のモデル及び第２のモデルを更新する。