LEARNING DEVICE, PREDICTION DEVICE, LEARNING METHOD, PREDICTION METHOD, LEARNING PROGRAM, AND PREDICTION PROGRAM

• Main Authors: YAMAGUCHI, Hiroto, ONIZUKA, Makoto, SASAKI, Yuya, MAEKAWA, Seiji
• Format: Patent
• Language: English; French; Japanese
• Published: 10.08.2023
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; PHYSICS

A learning device (10) has: a sequence generation unit (145) for generating a fixed-length sequence from training data based on a plurality of time-series data items respectively acquired from a plurality of types of applications; a feature amount acquisition unit (146) for acquiring a feature amount of the sequence by using a first deep learning model; a calculation unit (147) for, by using a second deep learning model, determining a prediction result of occurrence of event or data corresponding to the training data from the feature amount of the sequence; and an update unit (143) for updating parameters of the first deep learning model and the second deep learning model such that an error between the prediction result and correct data from the training data becomes small. L'invention concerne un dispositif d'apprentissage (10) qui comprend : une unité de génération de séquence (145) pour générer une séquence de longueur fixe à partir de données de formation sur la base d'une pluralité d'éléments de données chronologiques acquis respectivement à partir d'une pluralité de types d'applications ; une unité d'acquisition de quantité de caractéristiques (146) pour acquérir une quantité de caractéristiques de la séquence à l'aide d'un premier modèle d'apprentissage profond ; une unité de calcul (147) pour déterminer, à l'aide d'un second modèle d'apprentissage profond, un résultat de prédiction d'occurrence d'événement ou de données correspondant aux données de formation à partir de la quantité de caractéristiques de la séquence ; et une unité de mise à jour (143) pour mettre à jour des paramètres du premier modèle d'apprentissage profond et du second modèle d'apprentissage profond de telle sorte qu'une erreur entre le résultat de prédiction et des données correctes à partir des données de formation soit faible. 学習装置（１０）は、複数種類のアプリケーションからそれぞれ取得された複数の時系列データに基づく学習データ学習から固定長のシーケンスを生成するシーケンス生成部（１４５）と、第１の深層学習モデルを用いて、シーケンスの特徴量を取得する特徴量取得部（１４６）と、第２の深層学習モデルを用いて、シーケンスの特徴量から、学習データに対応するイベントまたはデータの発生の予測結果を求める算出部（１４７）と、予測結果と、学習データの正解データとの誤差が小さくなるように、第１の深層学習モデル及び第２の深層学習モデルのパラメータを更新する更新部（１４３）と、を有する。