Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
JP7613699B2 - 情報処理装置及び情報処理方法 - Google Patents
[go: Go Back, main page]

JP7613699B2 - 情報処理装置及び情報処理方法 - Google Patents

情報処理装置及び情報処理方法 Download PDF

Info

Publication number
JP7613699B2
JP7613699B2 JP2023080141A JP2023080141A JP7613699B2 JP 7613699 B2 JP7613699 B2 JP 7613699B2 JP 2023080141 A JP2023080141 A JP 2023080141A JP 2023080141 A JP2023080141 A JP 2023080141A JP 7613699 B2 JP7613699 B2 JP 7613699B2
Authority
JP
Japan
Prior art keywords
class
classes
data
classification model
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023080141A
Other languages
English (en)
Other versions
JP2024164562A (ja
Inventor
隼人 田之上
隆之 堀
裕真 鈴木
秀明 岡本
寛貴 宅島
一也 植木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SoftBank Corp
Meisei Gakuen
Original Assignee
SoftBank Corp
Meisei Gakuen
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SoftBank Corp, Meisei Gakuen filed Critical SoftBank Corp
Priority to JP2023080141A priority Critical patent/JP7613699B2/ja
Publication of JP2024164562A publication Critical patent/JP2024164562A/ja
Application granted granted Critical
Publication of JP7613699B2 publication Critical patent/JP7613699B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Description

本発明は、情報処理装置及び情報処理方法に関する。
従来、分類対象となるデータを高精度に分類する分類モデルとして、深層学習モデルをはじめとする様々な機械学習モデルが知られている。また従来、分類モデルの分類精度を向上させるために、機械学習モデルのサイズ（以下、モデルサイズと記載する場合がある）を大きくする様々な技術が知られている。例えば、画像分類モデルとして用いられる畳み込みニューラルネットワーク（ＣＮＮ）の各層のチャネル数、層数および解像度を単一のパラメータを用いて複合的にスケールアップさせる技術が知られている。
Mingxing Tan、Quoc V. Le、"EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks"、［online］、May 2019、［令和５年４月１７日検索］、インターネット＜URL：https://arxiv.org/pdf/1905.11946.pdf＞
しかしながら、上記の従来技術では、画像分類モデルとして用いられる畳み込みニューラルネットワーク（ＣＮＮ）の各層のチャネル数、層数および解像度を単一のパラメータを用いて複合的にスケールアップさせるにすぎないため、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができるとは限らない。
本願は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる情報処理装置及び情報処理方法を提供することを目的とする。
本願に係る情報処理装置は、複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスを生成するクラス生成部と、分類対象となる分類対象データを、前記上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類する機械学習モデルである分類モデルを前記上位クラスごとに生成するモデル生成部と、を備える。
また、本願に係る情報処理装置は、複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類対象となる分類対象データを分類する機械学習モデルである分類モデルと、処理対象となる処理対象データとを取得する取得部と、最上位のクラスに対応する前記分類モデルから順番に選択される所定の上位クラスに対応する前記分類モデルである上位の分類モデルを用いて、前記処理対象データが分類される第１下位クラスを推定し、前記上位の分類モデルの推定結果に基づいて、前記所定の上位クラスの下位に属する複数の下位クラスの各々に対応する前記分類モデルの中から、前記第１下位クラスに対応する前記分類モデルである下位の分類モデルを選択し、選択された前記下位の分類モデルを用いて、前記処理対象データが分類される第２下位クラスを推定する推定部と、を備える。
実施形態の一態様によれば、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。
図１は、分類モデルのモデルサイズと分類クラス数との関係を示す図である。 図２は、実施形態に係る情報処理装置の構成例を示す図である。 図３は、実施形態に係る階層的なクラスの生成処理について説明するための図である。 図４は、実施形態に係る階層的な分類モデルの生成処理について説明するための図である。 図５は、実施形態に係る階層的な分類モデルの学習データセットについて説明するための図である。 図６は、実施形態に係るクラスの推定処理について説明するための図である。 図７は、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となる場合について説明するための図である。 図８は、上位の分類モデルによる複数の推定結果を採用することにより、下位クラスの推定結果が正解となる場合について説明するための図である。 図９は、通常の多クラス分類モデルと未知のクラスを検知可能な多クラス分類モデルについて説明するための図である。 図１０は、変形例に係るクラスの推定処理について説明するための図である。 図１１は、変形例に係る推定処理を中止する場合の一例について説明するための図である。 図１２は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。
以下に、本願に係る情報処理装置及び情報処理方法を実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置及び情報処理方法が限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
（実施形態）
〔１．はじめに〕
従来、分類モデルによる分類クラス数が増加すると、分類モデルの学習に用いられる学習データセットの複雑さが増し、それらの特徴を学習した分類モデル（例えば、深層学習モデル）のモデルサイズは大きくなる傾向があることが知られている。例えば、映像に含まれる人物の行動の種類を認識する機械学習モデルである行動認識モデルの場合、「掴む」という動作一つをとっても、掴まれる対象の種類ごとに掴むという行動の種類（つまり、分類クラス）が異なる。例えば、行動認識モデルは、人の手を掴むという動作と、人の足を掴むという動作を異なる動作として分類するように学習される。このように、行動認識モデルは、例えば、「掴む」という動作のように、人と物との動作であれば、人の動作の対象となる物の種類ごとに行動を分類するように学習される。また、人の行動の種類は、人と物との動作に限られず、人と人との動作または人（単体）の動作など豊富な種類が存在する。そのため、一般的に、行動認識モデルのモデルサイズは非常に大きくなる傾向があることが知られている。
図１を用いて、分類モデルのモデルサイズと分類クラス数との関係について説明する。図１は、分類モデルのモデルサイズと分類クラス数との関係を示す図である。図１に示すように、一般的に、分類モデルによる分類クラス数が増加すると、分類モデルのモデルサイズは急激に大きくなるという関係があることが知られている。また、分類モデルを実装する情報処理装置のマシンスペックの高さや計算機リソースの量の上限に応じて、モデルサイズの上限であるサイズ限界が決まる。また、サイズ限界が決まると、サイズ限界に応じて、分類モデルによって分類可能な分類クラス数の上限である分類可能限界が決まる。
図１で述べたように、分類モデルのモデルサイズが大きいほど、分類モデルによって分類可能な分類クラス数は多くなる。しかしながら、モデルサイズが大きい分類モデル（以下、「大型の分類モデル」と記載する場合がある。）を用いたデータの分類処理には、より高性能なマシンスペックやより豊富な計算機リソースを要する。そこで、例えば、オンプレミスの情報処理装置と比べると計算機リソースがより豊富なクラウドコンピューティング（以下、クラウドと記載する場合がある）に大型の分類モデルを実装し、データの分類を行うことが考えられる。
しかしながら、分類対象となるデータの中には、プライバシーの観点からクラウドを利用することができないものが存在する。このようにクラウドを利用することができない場合、分類モデルをオンプレミスの情報処理装置に実装し、データの分類を行うことになる。しかしながら、オンプレミスの情報処理装置（特にエッジデバイス）のマシンスペックの高さや計算機リソースの量には上限が存在する。なお、クラウドを利用する場合であっても、一般的には、利用者の資力の問題等により、利用可能なマシンスペックの高さや計算機リソースの量には上限が存在する。
このように、一般的には、利用可能なマシンスペックの高さや計算機リソースの量には上限が存在する。したがって、より詳細な分類を可能とするために分類モデルを大型化する場合、利用可能な分類モデルのモデルサイズには上限（図１に示すサイズ限界）が存在する。また、利用可能な分類モデルのモデルサイズには上限が存在するため、分類モデルによって分類可能な分類クラス数にも上限（図１に示す分類可能限界）が存在する。したがって、大型化された分類モデルを用いて詳細な分類を行うことを可能とすることは困難な場合があった。
これに対し、本実施形態に係る情報処理装置は、公知の技術により生成された大型の分類モデルから得られる複数の異なるクラスそれぞれに属するデータに対応する特徴量のクラスごとの平均値であるクラス特徴量に対する階層クラスタリングを実施する。また、情報処理装置は、階層クラスタリングにより階層的にクラスタリングされたクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、複数の異なるクラスよりも上位のクラスである複数の上位クラスを生成する。このようにして、情報処理装置は、複数の異なるクラスと、複数の異なるクラスよりも上位のクラスである複数の上位クラスとを含む階層的なクラスである階層クラスを生成する。なお、複数の異なるクラスは、階層クラスにおける最下位のクラスに対応する。また、情報処理装置は、階層クラスタリングにより階層的なクラスタを生成する過程を表現するグラフである樹形図を生成し、樹形図に含まれる分岐点の数に対応する数の分類モデルを取得する。ここで、樹形図に含まれる分岐点の各々は、階層クラスに含まれる上位クラスの各々に対応する。また、情報処理装置は、分類対象となる分類対象データを、上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類するように学習された分類モデルを上位クラスごとに生成する。
これにより、本実施形態に係る情報処理装置は、上位クラスごとに生成された複数の分類モデルそれぞれのモデルサイズは小さいまま、分類クラス数を大きくすることを可能とすることができる。したがって、情報処理装置は、詳細な分類を可能とする分類モデルの小型化を実現可能とすることができる。また、情報処理装置は、詳細な分類を可能とする分類モデルの小型化を実現可能とすることができるので、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。例えば、情報処理装置は、小型化された行動認識モデルを用いて詳細な行動の分類を行うことを可能とすることができる。
また、本実施形態に係る情報処理装置は、上位クラスごとに生成された複数の分類モデルと、処理対象となる処理対象データとを取得する。続いて、情報処理装置は、複数の分類モデルの中から最上位のクラスに対応する最上位の分類モデルを選択する。続いて、情報処理装置は、選択された最上位の分類モデルを用いて、最上位のクラスの下位に属する複数の上位クラスのうち、処理対象データが分類される第１の上位クラス（以下、第１上位クラスと記載する場合がある。）を推定する。続いて、情報処理装置は、最上位の分類モデルの推定結果に基づいて、最上位のクラスの下位に属する複数の上位クラスの各々に対応する分類モデルの中から、第１上位クラスに対応する第１上位の分類モデルを選択する。続いて、情報処理装置は、選択された第１上位の分類モデルを用いて、第１上位クラスの下位に属する複数の上位クラスのうち、処理対象データが分類される第２の上位クラス（以下、第２上位クラスと記載する場合がある。）を推定する。続いて、情報処理装置は、第１上位の分類モデルの推定結果に基づいて、第１上位クラスの下位に属する複数の上位クラスの各々に対応する分類モデルの中から、第２上位クラスに対応する第２上位の分類モデルを選択する（以下、「選択処理」と記載する場合がある。）。続いて、情報処理装置は、選択された第２上位の分類モデルを用いて、第２上位クラスの下位に属する複数のクラスのうち、処理対象データが分類されるクラスを推定する（以下、「推定処理」と記載する場合がある。）。このように、情報処理装置は、処理対象データが分類されるクラスが最下位のクラスである複数の異なるクラスのいずれかと一致するまで、選択処理と推定処理を繰り返し実行する。
これにより、本実施形態に係る情報処理装置は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。例えば、情報処理装置は、小型化された行動認識モデルを用いて詳細な行動の分類を行うことを可能とすることができる。
なお、本明細書における上位クラスまたは下位クラスという表現は、階層クラスにおける相対的な関係を示すものである。例えば、本明細書における上位クラスとは、階層クラスに含まれる最下位のクラスである複数の異なるクラスよりも上位のクラスのことを指す。また、本明細書における下位クラスとは、階層クラスに含まれる所定の上位クラスの下位に属するクラスのことを指す。したがって、階層クラスに含まれる複数のクラスのうち、最上位のクラスおよび最下位のクラス（複数の異なるクラス）以外のクラスは、上位クラスとなる場合や下位クラスとなる場合がある。
また、本明細書における分類モデルは、例えば、画像を分類する分類モデル（画像分類モデルともいう）、動画を分類する分類モデル（動画分類モデルともいう）、映像に含まれる人物の行動の種類を分類する分類モデル（行動認識モデルともいう）または文章を分類する分類モデル（文章分類モデルまたはテキスト分類モデルともいう）であってよい。
〔２．情報処理装置の構成〕
図２を用いて、実施形態に係る情報処理装置１００の構成例について説明する。図２は、実施形態に係る情報処理装置１００の構成例を示す図である。情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
（通信部１１０）
通信部１１０は、ＮＩＣ（Network Interface Card）やアンテナ等によって実現される。通信部１１０は、各種ネットワークと有線または無線で接続され、例えば、情報処理装置１００以外の他の情報処理装置との間で情報の送受信を行う。
（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。具体的には、記憶部１２０は、各種データを記憶する。例えば、記憶部１２０は、分類モデルの学習に用いられる学習データセットに関する情報を記憶する。また、記憶部１２０は、各種プログラムを記憶する。例えば、記憶部１２０は、モデル生成部１３３によって上位クラスごとに生成された分類モデルに関する情報と上位クラスを識別可能な情報とを対応付けて記憶する。
（制御部１３０）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
制御部１３０は、取得部１３１と、クラス生成部１３２と、モデル生成部１３３と、推定部１３４を機能部として有し、以下に説明する情報処理の作用を実現または実行してよい。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、各機能部は、制御部１３０の機能を示したものであり、必ずしも物理的に区別されるものでなくともよい。
（取得部１３１）
取得部１３１は、各種情報を取得してよい。具体的には、取得部１３１は、複数の異なるクラスにそれぞれ属するデータに関する特徴量を取得してよい。取得部１３１は、複数の異なるクラスにそれぞれ属するデータに関する特徴量として、複数の異なるクラスにそれぞれ属するデータに対応する特徴量を取得してよい。例えば、取得部１３１は、通信部１１０を介して、公知の技術により生成された大型の分類モデルを実装する他の情報処理装置から、大型の分類モデルが備える特徴量抽出によって抽出された複数の異なるクラスそれぞれに属するデータに対応する特徴量を取得してよい。例えば、取得部１３１は、大型の分類モデルによって分類可能な全てクラスである複数の異なるクラス（以下、「複数の異なるクラス」と記載する場合がある。）それぞれに属するデータに対応する特徴量を取得してよい。なお、複数の異なるクラスにそれぞれ属するデータとは、言い換えると、大型の分類モデルを用いて複数の異なるクラスにそれぞれ分類されるデータである。
例えば、分類モデルが画像分類モデルである場合、公知の技術により生成された大型の分類モデルは、ＡｌｅｘＮｅｔ（Krizhevsky et al., 2012）、ＺＦＮｅｔ（Matthew et al., 2013）、ＶＧＧＮｅｔ（Simonyan et al., 2014）、ＧｏｏｇＬｅＮｅｔ（Szegedy et al., 2014）、ＲｅｓＮｅｔ（Residual Network）（Kaiming He et al., 2015）、ＤｅｎｓｅＮｅｔ（Gao Huang et al., 2016）、ＭｏｂｉｌｅＮｅｔ（Andrew G. Howard et al., 2017）、ＳＥＮｅｔ（Squeeze-and-Excitation Networks）（Jie Hu et al., 2018）、ＥｆｆｉｃｉｅｎｔＮｅｔ（Tan et al., 2019）、またはＥｆｆｉｃｉｅｎｔＮｅｔＶ２（Tan et al., 2021）等であってよい。
（クラス生成部１３２）
クラス生成部１３２は、取得部１３１によって取得された複数の異なるクラスにそれぞれ属するデータに対応する特徴量の複数の異なるクラスそれぞれにおける平均値であるクラス特徴量を算出してよい。クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータの特徴量のクラスごとの平均値であるクラス特徴量を算出してよい。ここで、クラス特徴量は、複数の異なるクラスそれぞれに属するデータの特徴量の代表値である。
図３を用いて、実施形態に係る階層的なクラスの生成処理について説明する。図３は、実施形態に係る階層的なクラスの生成処理について説明するための図である。図３の左端の図、左端から２番目の図および左端から３番目の図に示す横軸および縦軸は、クラス特徴量の特徴量空間を概略的に示す。また、図３の左端の図、左端から２番目の図および左端から３番目の図に示す丸印それぞれは、複数の異なるクラスそれぞれのクラス特徴量を示す。図３の左端の図、左端から２番目の図および左端から３番目の図では、クラス生成部１３２は、クラス特徴量の類似度に基づいて、クラス特徴量に対する階層クラスタリングを実施することにより、階層的なクラスタを生成する。図３の右端の図では、クラス生成部１３２は、階層的なクラスタを生成する過程を表現するグラフである樹形図を生成する。例えば、クラス生成部１３２は、２分木の木構造である樹形図を生成してよい。なお、図３では、簡単のため、１２個のクラス特徴量しか図示されていないが、実際には１３個以上のクラス特徴量が存在してよい。
図３の左端の図では、クラス生成部１３２は、複数のクラス特徴量の各々を要素とする複数のクラスタを生成する。以下では、複数のクラス特徴量の各々を要素とするクラスタのことを最下位クラスタと記載する場合がある。なお、図３の左端の図では、クラス特徴量と最下位クラスタを同一の丸印によって示す。また、クラス生成部１３２は、複数の最下位クラスタを生成した場合、複数の最下位クラスタの各々に対応するクラスである複数の最下位クラスを生成する。ここで、複数の最下位クラスの各々は、上述した複数の異なるクラスの各々に対応する。図３の右端の図では、樹形図ＧＨ１の最下層に示す複数の白い丸印の各々が複数の最下位クラスの各々を示す。なお、図３の右端の図では、簡単のため、１２個の最下位クラスのうち、４個の最下位クラスの図示を省略し、８個の最下位クラスのみを図示する。また、実際には１３個以上の最下位クラスが存在してよい。
続いて、クラス生成部１３２は、あらゆるクラス特徴量のペアについて、クラス特徴量同士の類似度を算出する。例えば、クラス生成部１３２は、クラス特徴量同士の類似度を算出してよい。続いて、クラス生成部１３２は、クラス特徴量同士の類似度が最も高い２つのクラス特徴量をそれぞれ要素とする２つの最下位クラスタから順番に最下位クラスタ同士を結合する。例えば、クラス生成部１３２は、クラス特徴量同士の類似度が第１類似度を上回る２つのクラス特徴量をそれぞれ要素とする２つの最下位クラスタ同士を結合することにより、複数の第１上位クラスタＣ１１～Ｃ１６を生成する。第１上位クラスタは、クラス特徴量同士の類似度が第１類似度を上回る２つのクラス特徴量をそれぞれ要素とする２つの最下位クラスタの組を要素とするクラスタである。また、クラス生成部１３２は、複数の第１上位クラスタＣ１１～Ｃ１６を生成した場合、複数の第１上位クラスタＣ１１～Ｃ１６の各々に対応するクラスである複数の第１上位クラスＬ１１～Ｌ１６を生成する。図３の右端の図では、樹形図ＧＨ１の下から２番目の層に示す複数の丸印の各々が複数の第１上位クラスＬ１１～Ｌ１４の各々を示す。なお、図３の右端の図では、簡単のため、第１上位クラスＬ１５およびＬ１６の各々に対応する丸印の記載を省略する。また、実際には７個以上の第１上位クラスタおよび第１上位クラスが存在してよい。
なお、あらゆるクラス特徴量のペアについて、クラス特徴量同士の類似度を算出することは、あらゆる最下位クラスタのペアについて、最下位クラスタ同士の距離を算出することに対応する。クラス生成部１３２は、あらゆる最下位クラスタのペアについて、最下位クラスタ同士の距離を算出してよい。例えば、クラス生成部１３２は、最下位クラスタ同士のユークリッド距離またはマンハッタン距離を算出してよい。続いて、クラス生成部１３２は、最下位クラスタ同士の距離が第１距離を下回る２つの最下位クラスタ同士を結合することにより、複数の第１上位クラスタＣ１１～Ｃ１６を生成してよい。
図３の左端から２番目の図および図３の左端から３番目の図では、クラス生成部１３２は、あらゆる第１上位クラスタのペアについて、第１上位クラスタ同士の類似度を算出する。例えば、クラス生成部１３２は、第１上位クラスタに含まれる２つのクラス特徴量の平均値に基づいて、第１上位クラスタ同士の類似度を算出してよい。続いて、クラス生成部１３２は、第１上位クラスタ同士の類似度が第２閾値を上回る２つの第１上位クラスタ同士を結合することにより複数の第２上位クラスタＣ２１～Ｃ２３を生成する。第２上位クラスタは、第１上位クラスタ同士の類似度が第２閾値を上回る２つの第１上位クラスタの組を要素とするクラスタである。図３では、クラス生成部１３２は、第１上位クラスタＣ１１およびＣ１２の組を要素とする第２上位クラスタＣ２１、第１上位クラスタＣ１３およびＣ１４の組を要素とする第２上位クラスタＣ２２、および、第１上位クラスタＣ１５およびＣ１６の組を要素とする第２上位クラスタＣ２３を生成する。また、クラス生成部１３２は、複数の第２上位クラスタＣ２１～Ｃ２３を生成した場合、複数の第２上位クラスタＣ２１～Ｃ２３の各々に対応するクラスである複数の第２上位クラスＬ２１～Ｌ２３を生成する。図３の右端の図では、樹形図ＧＨ１の下から３番目の層に示す複数の丸印の各々が複数の第２上位クラスＬ２１～Ｌ２２の各々を示す。なお、図３の右端の図では、簡単のため、第２上位クラスＬ２３に対応する丸印の記載を省略する。また、実際には４個以上の第２上位クラスタおよび第２上位クラスが存在してよい。
なお、あらゆる第１上位クラスタのペアについて、第１上位クラスタ同士の類似度を算出することは、あらゆる第１上位クラスタのペアについて、第１上位クラスタ同士の距離を算出することに対応する。クラス生成部１３２は、あらゆる第１上位クラスタのペアについて、第１上位クラスタ同士の距離を算出してよい。例えば、クラス生成部１３２は、第１上位クラスタ同士のユークリッド距離またはマンハッタン距離を算出してよい。続いて、クラス生成部１３２は、第１上位クラスタ同士の距離が第２距離を下回る２つの第１上位クラスタ同士を結合することにより、複数の第２上位クラスタＣ２１～Ｃ２３を生成してよい。
上述したように、クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、複数の異なるクラスよりも上位のクラスである上位クラスを生成する。具体的には、クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータの特徴量の平均値を代表値として、上位クラスを生成する。なお、クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータの特徴量の中央値または最頻値を代表値として、上位クラスを生成してもよい。
また、クラス生成部１３２は、複数のクラス特徴量の類似度に基づいて、複数のクラス特徴量の各々を要素とするクラスタである複数の最下位クラスタの各々を結合することにより生成されるクラスタである複数の第１上位クラスタの各々に対応するクラスである複数の第１上位クラス、および、複数の第１上位クラスタの類似度に基づいて、複数の第１上位クラスタの各々を結合することにより生成されるクラスタである複数の第２上位クラスタの各々に対応するクラスである複数の第２上位クラスを生成することにより、上位クラスを生成する。
また、クラス生成部１３２は、新たに生成される上位クラスタの数が数個～１０個以下となるまでクラス特徴量に対する階層クラスタリングを実施してよい。このように、クラス生成部１３２は、新たに生成される上位クラスタの数が所定の閾値を下回るまで複数のクラス特徴量を階層的にクラスタリングする。例えば、クラス生成部１３２は、新たに生成される上位クラスタの数が１個となるまでクラス特徴量に対する階層クラスタリングを実施してよい。クラス生成部１３２は、新たに生成される上位クラスタの数が１個となるまでクラス特徴量に対する階層クラスタリングを実施した場合、最後に生成されたクラスタに対応する上位クラスを最上位のクラスとしてよい。
（モデル生成部１３３）
モデル生成部１３３は、分類対象となる分類対象データを、上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類する機械学習モデルである分類モデルを上位クラスごとに生成する。図４を用いて、実施形態に係る階層的な分類モデルの生成処理について説明する。図４は、実施形態に係る階層的な分類モデルの生成処理について説明するための図である。モデル生成部１３３は、クラス生成部１３２によって生成された樹形図に含まれる分岐点の数に対応する数の分類モデルを生成する。具体的には、モデル生成部１３３は、クラス生成部１３２によって生成された樹形図に含まれる分岐点の数に対応する数の分類モデルを取得してよい。例えば、モデル生成部１３３は、大型の分類モデルよりも小型の分類モデルを取得してよい。例えば、モデル生成部１３３は、ＭｏｂｉｌｅＮｅｔ（Andrew G. Howard et al., 2017）やＳｈｕｆｆｌｅＮｅｔ（Xiangyu Zhang et al., 2018）等の分類モデルを取得してよい。図４の左端の図では、モデル生成部１３３は、クラス生成部１３２によって生成された樹形図ＧＨ２に含まれる分岐点Ｐ１１、Ｐ１２（図示略）、Ｐ１３およびＰ２１それぞれに対応する分類モデルを取得してよい。例えば、モデル生成部１３３は、分類モデルに関する情報を記憶する記憶部１２０から、４つの分類モデルを取得してよい。なお、図４の左端の図は、クラス生成部１３２によって生成された樹形図ＧＨ２であって、最下層であるＢ層と、Ｂ層より一つ上の層であるＡ層からなる樹形図ＧＨ２を示す。なお、クラス生成部１３２によって生成される樹形図は、３層以上からなるものであってよい。
また、上述したように、樹形図に含まれる分岐点の各々は、階層クラスに含まれる上位クラスの各々に対応する。図４では、分岐点Ｐ２１が最上位のクラス、分岐点Ｐ１１～Ｐ１３の各々が３つの上位クラス１～３の各々に対応する。図４では、クラス生成部１３２によって生成された６つの最下位クラス４～９、３つの上位クラス１～３および１つの最上位のクラスを含む階層クラスを示す。なお、クラス生成部１３２によって生成される複数の最下位クラスの数は７個以上であってよい。また、クラス生成部１３２によって生成される複数の上位クラスの数は４個以上であってよい。
また、モデル生成部１３３は、樹形図に含まれる分岐点の数に対応する数の分類モデルを取得した場合、樹形図に含まれる分岐点の各々に対応する上位クラスの各々に対応する分類モデルを生成する。図４の中央の図では、モデル生成部１３３は、樹形図ＧＨ２に含まれる分岐点Ｐ２１に対応する最上位のクラスに対応する分類モデルＡ_１と、樹形図ＧＨ２に含まれる分岐点Ｐ１１～Ｐ１３の各々に対応する上位クラス１～３の各々に対応する分類モデルＢ_１～Ｂ_３を生成してよい。
具体的には、モデル生成部１３３は、最上位のクラスの下位に属する３つの上位クラス１～３の各々からサンプリングされたデータと、３つの上位クラス１～３の各々に対応するラベルとの組である第１の学習データセットに基づいて学習させた分類モデルＡ_１を生成する。例えば、モデル生成部１３３は、第１の学習データセットに含まれるデータが入力情報として分類モデルＡ_１に入力された場合、データに対応するラベルを出力情報として出力するように学習された分類モデルＡ_１を生成する。例えば、モデル生成部１３３は、第１の学習データセットに含まれるデータが入力情報として分類モデルＡ_１に入力された場合、３つの上位クラス１～３の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大である上位クラスに対応するラベルを出力情報として出力するよう学習された分類モデルＡ_１を生成してよい。
また、モデル生成部１３３は、上位クラス１の下位に属する２つの最下位クラス４および５の各々からサンプリングされたデータと、２つの最下位クラス４および５の各々に対応するラベルとの組である第２の学習データセットに基づいて学習させた分類モデルＢ_１を生成する。例えば、モデル生成部１３３は、第２の学習データセットに含まれるデータが入力情報として分類モデルＢ_１に入力された場合、データに対応するラベルを出力情報として出力するように学習された分類モデルＢ_１を生成する。例えば、モデル生成部１３３は、第２の学習データセットに含まれるデータが入力情報として分類モデルＢ_１に入力された場合、２つの最下位クラス４および５の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大である最下位クラスに対応するラベルを出力情報として出力するよう学習された分類モデルＢ_１を生成してよい。
また、モデル生成部１３３は、上位クラス２の下位に属する２つの最下位クラス６および７の各々からサンプリングされたデータと、２つの最下位クラス６および７の各々に対応するラベルとの組である第３の学習データセットに基づいて学習させた分類モデルＢ_２を生成する。例えば、モデル生成部１３３は、第３の学習データセットに含まれるデータが入力情報として分類モデルＢ_２に入力された場合、データに対応するラベルを出力情報として出力するように学習された分類モデルＢ_２を生成する。例えば、モデル生成部１３３は、第３の学習データセットに含まれるデータが入力情報として分類モデルＢ_２に入力された場合、２つの最下位クラス６および７の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大である最下位クラスに対応するラベルを出力情報として出力するよう学習された分類モデルＢ_２を生成してよい。
また、モデル生成部１３３は、上位クラス３の下位に属する２つの最下位クラス８および９の各々からサンプリングされたデータと、２つの最下位クラス８および９の各々に対応するラベルとの組である第４の学習データセットに基づいて学習させた分類モデルＢ_３を生成する。例えば、モデル生成部１３３は、第４の学習データセットに含まれるデータが入力情報として分類モデルＢ_３に入力された場合、データに対応するラベルを出力情報として出力するように学習された分類モデルＢ_３を生成する。例えば、モデル生成部１３３は、第４の学習データセットに含まれるデータが入力情報として分類モデルＢ_３に入力された場合、２つの最下位クラス８および９の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大である最下位クラスに対応するラベルを出力情報として出力するよう学習された分類モデルＢ_３を生成してよい。
上述したように、モデル生成部１３３は、複数の下位クラスの各々からサンプリングされるデータが入力情報として機械学習モデルに入力された場合、データが属する下位クラスに対応するラベルである下位ラベルを出力情報として出力するよう学習された機械学習モデルである分類モデルを上位クラスごとに生成する。例えば、モデル生成部１３３は、複数の下位クラスの各々からサンプリングされるデータが入力情報として機械学習モデルに入力された場合、下位クラスの各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大である下位クラスに対応するラベルである下位ラベルを出力情報として出力するよう学習された機械学習モデルである分類モデルを上位クラスごとに生成する。このようにして、モデル生成部１３３は、階層クラスの階層構造に対応する階層性を有する複数の分類モデルの集合である第１の階層分類モデルを生成する。
図５を用いて、実施形態に係る階層的な分類モデルの学習データセットについて説明する。図５は、実施形態に係る階層的な分類モデルの学習データセットについて説明するための図である。モデル生成部１３３は、複数の下位クラスの各々からサンプリングされるデータの数が類似するように複数の下位クラスの各々からサンプリングされたデータと、データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された機械学習モデルである分類モデルを上位クラスごとに生成する。図５では、モデル生成部１３３は、図４で説明した上位クラス１に対応する分類モデルＢ_１の学習データセットとして、図４で説明した最下位クラス４および５の各々からサンプリングされるデータの数がなるべく均等になるように最下位クラス４および５の各々からサンプリングされたデータと、最下位クラス４および５の各々に対応する最下位ラベル４および５の各々との組である第２の学習データセットを生成する。
（推定部１３４）
図６を用いて、実施形態に係るクラスの推定処理について説明する。図６は、実施形態に係るクラスの推定処理について説明するための図である。取得部１３１は、モデル生成部１３３によって生成された第１の階層分類モデルと、処理対象となる処理対象データとを取得する。図６では、取得部１３１は、モデル生成部１３３によって生成された第１の階層分類モデルに含まれる最上位の分類モデルＡ_１、最上位の分類モデルＡ_１の下位に属する第１上位の分類モデルＢ_１～Ｂ_３、第１上位の分類モデルＢ_１～Ｂ_３の下位に属する第２上位の分類モデルＣ_１～Ｃ_２０、…、および、第（Ｎ―１）上位の分類モデル（図示略）の下位に属する第Ｎ（Ｎは３以上の自然数）上位の分類モデルＸ_１～Ｘ_１００と、処理対象となる入力データとを取得する。
推定部１３４は、取得部１３１によって取得された第１の階層分類モデルの中から最上位の分類モデルを選択する。図６では、推定部１３４は、取得部１３１によって取得された第１の階層分類モデルの中から最上位の分類モデルＡ_１を選択してよい。続いて、推定部１３４は、選択された最上位の分類モデルを用いて、最上位のクラスの下位に属する複数の上位クラスのうち、処理対象データが分類される第１の上位クラス（以下、第１上位クラスと記載する場合がある。）を推定する。図６では、推定部１３４は、選択された最上位の分類モデルＡ_１を用いて、最上位のクラスの下位に属する３つの上位クラスのうち、入力データが分類される第１上位クラスを推定してよい。例えば、推定部１３４は、入力データを最上位の分類モデルＡ_１に入力して、最上位の分類モデルＡ_１から出力されるラベルに対応する第１上位クラスを推定結果として得てよい。
続いて、推定部１３４は、最上位の分類モデルの推定結果に基づいて、最上位のクラスの下位に属する複数の上位クラスの各々に対応する分類モデルの中から、第１上位クラスに対応する第１上位の分類モデルを選択する。図６では、推定部１３４は、最上位のクラスの下位に属する複数の上位クラスの各々に対応する第１上位の分類モデルＢ_１～Ｂ_３の中から、第１上位クラスに対応する第１上位の分類モデルＢ_３を選択してよい。
続いて、推定部１３４は、選択された第１上位の分類モデルを用いて、第１上位クラスの下位に属する複数の上位クラスのうち、処理対象データが分類される第２の上位クラス（以下、第２上位クラスと記載する場合がある。）を推定する。図６では、推定部１３４は、選択された第１上位の分類モデルＢ_３を用いて、第１上位クラスの下位に属する２０個の上位クラスのうち、入力データ分類される第２上位クラスを推定してよい。例えば、推定部１３４は、入力データを第１上位の分類モデルＢ_３に入力して、第１上位の分類モデルＢ_３から出力されるラベルに対応する第２上位クラスを推定結果として得てよい。
続いて、推定部１３４は、第１上位の分類モデルの推定結果に基づいて、第１上位クラスの下位に属する複数の上位クラスの各々に対応する分類モデルの中から、第２上位クラスに対応する第２上位の分類モデルを選択する。図６では、推定部１３４は、第１上位クラスの下位に属する複数の上位クラスの各々に対応する第２上位の分類モデルＣ_１～Ｃ_２０の中から、第２上位クラスに対応する第２上位の分類モデルＣ_１１を選択してよい。
また、推定部１３４は、第（Ｎ―１）上位の分類モデルの推定結果に基づいて、第（Ｎ―１）上位クラスの下位に属する複数の上位クラスの各々に対応する分類モデルの中から、第Ｎ上位クラスに対応する第Ｎ上位の分類モデルを選択する。図６では、推定部１３４は、第（Ｎ―１）上位クラスの下位に属する複数の上位クラスの各々に対応する第Ｎ上位の分類モデルＸ_１～Ｘ_１００の中から、第Ｎ上位クラスに対応する第Ｎ上位の分類モデルＸ_５０を選択してよい。
続いて、推定部１３４は、選択された第Ｎ上位の分類モデルを用いて、第Ｎ上位クラスの下位に属する複数の最下位クラスのうち、処理対象データが分類される最下位クラスを推定する。図６では、推定部１３４は、選択された第Ｎ上位の分類モデルＸ_５０を用いて、第Ｎ上位クラスの下位に属する２００個の最下位クラスのうち、処理対象データが分類される最下位クラスを推定してよい。例えば、推定部１３４は、入力データを第Ｎ上位の分類モデルＸ_５０に入力して、第Ｎ上位の分類モデルＸ_５０から出力されるラベル（図６に示す出力データに相当）に対応する最下位クラスを推定結果として得てよい。このように、推定部１３４は、処理対象データが分類されるクラスが最下位のクラスである複数の異なるクラスのいずれかと一致するまで、選択処理と推定処理を繰り返し実行する。
上述したように、推定部１３４は、最上位のクラスに対応する分類モデルから順番に選択される所定の上位クラスに対応する分類モデルである上位の分類モデルを用いて、処理対象データが分類される第１下位クラスを推定し、上位の分類モデルの推定結果に基づいて、所定の上位クラスの下位に属する複数の下位クラスの各々に対応する分類モデルの中から、第１下位クラスに対応する分類モデルである下位の分類モデルを選択し、選択された下位の分類モデルを用いて、処理対象データが分類される第２下位クラスを推定する。また、推定部１３４は、処理対象データが複数の異なるクラスのいずれかに分類されるまで、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、下位の分類モデルを選択し、選択された下位の分類モデルを用いて第２下位クラスを推定する処理を繰り返し実行する。
〔３．変形例〕
上述した実施形態に係る処理は、上記実施形態以外にも種々の異なる形態にて実施されてよい。
上述した実施形態では、モデル生成部１３３が、処理対象データを２以上のクラスに分類する分類モデル（以下、「通常の多クラス分類モデルと」と記載する場合がある。）の集合である第１の階層分類モデルを生成する場合について説明した。これに対し、変形例では、モデル生成部１３３が、２クラス分類モデルの代わりに、処理対象データを未知のクラスを含む３以上のクラスに分類する分類モデル（以下、「未知クラスを検出可能な多クラス分類モデル」と記載する場合がある。）の集合である第２の階層分類モデルを生成する場合について説明する。
また、上述した実施形態では、推定部１３４が、処理対象データが複数の最下位クラスのいずれかに分類されるまで、上位の分類モデルによる１つの推定結果のみを採用し、１つの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から１つの分類モデルを選択し、選択された１つの分類モデルを用いて下位クラスを推定する処理を繰り返し実行する場合について説明した。これに対し、変形例では、推定部１３４が、処理対象データが複数の最下位クラスのいずれかに分類されるまで、上位の分類モデルによる２以上の推定結果を採用し、２以上の推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から２以上の分類モデルを選択し、選択された２以上の分類モデルそれぞれを用いて下位クラスをそれぞれ推定する処理を繰り返し実行する。また、変形例では、推定部１３４が、選択された２以上の分類モデルそれぞれの推定結果が所定の条件を満たす場合、分類モデルを選択する処理以後の処理を中止することを決定する場合について説明する。
まず、図７を用いて、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となる場合について説明する。図７は、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となる場合について説明するための図である。図７では、分類モデルに入力される入力データの正解の分類先は最下位クラス９である。このとき、推定部１３４は、入力データを最上位の分類モデルＡ_１に入力すると、上位クラス１～３の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大（図７では０．５）である上位クラス１に対応するラベルを出力情報として出力する。続いて、推定部１３４は、入力データを上位クラス１に対応する分類モデルＢ_１に入力すると、最下位クラス４または５の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大（図７では０．６）である最下位クラス５に対応するラベルを出力情報として出力する。このように、図７では、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となる。
次に、図８を用いて、上位の分類モデルによる複数の推定結果を採用することにより、下位クラスの推定結果が正解となる場合について説明する。図８は、上位の分類モデルによる複数の推定結果を採用することにより、下位クラスの推定結果が正解となる場合について説明するための図である。図８では、図７と同様、分類モデルに入力される入力データの正解の分類先は最下位クラス９である。このとき、推定部１３４は、入力データを最上位の分類モデルＡ_１に入力すると、上位クラス１～３の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が高い方から順に２つの上位クラス１および３の各々に対応する分類モデルＢ_１および分類モデルＢ_３を選択する。続いて、推定部１３４は、選択された２つの分類モデルＢ_１およびＢ_３を用いて、選択された２つの分類モデルＢ_１およびＢ_３の各々に対応する上位クラス１および３の各々の下位に属する最下位クラスの各々に入力データが分類される確率値を推定する。例えば、推定部１３４は、分類モデルＢ_１に入力データを入力すると、最下位クラス４または５の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大（図８では０．６）である最下位クラス５に対応するラベルを出力情報として出力する。また、推定部１３４は、分類モデルＢ_３に入力データを入力すると、最下位クラス８または９の各々にデータが分類される確率値をそれぞれ推定し、推定された確率値が最大（図８では０．９）である最下位クラス９に対応するラベルを出力情報として出力する。
上述したように、推定部１３４は、上位の分類モデルを用いて、処理対象データが複数の下位クラスの各々に分類される確率値を推定し、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の分類モデルを選択し、選択された複数の分類モデルを用いて、選択された複数の分類モデルの各々に対応する下位クラスのさらに下位のクラスの各々に処理対象データが分類される確率値を推定する。これにより、情報処理装置１００は、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となることを防ぐことができる。
また、図８では、推定部１３４は、入力データが最上位のクラスから２つの最下位クラス５および９に分類されるまでの分類経路（１）および（２）における各クラスに分類される確率値の積の値を算出してよい。例えば、推定部１３４は、分類経路（１）に対応する２つの確率値０．５と０．６の積の値である０．５×０．６＝０．３を算出してよい。また、推定部１３４は、分類経路（２）に対応する２つの確率値０．４と０．９の積の値である０．４×０．９＝０．３６を算出してよい。続いて、推定部１３４は、分類経路（１）および（２）の各々における確率値の積の値である０．３と０．３６との比較に基づいて、確率値の積の値が最大である０．３６の分類経路（２）を採用し、入力データが最下位クラス９に分類されると推定してよい。このように、図８では、上位の分類モデルによる複数の推定結果を採用することにより、下位クラスの推定結果が正解となる。
上述したように、推定部１３４は、処理対象データが複数の異なるクラスのうちの２以上のクラスに分類される場合、処理対象データが最上位のクラスから複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値の比較に基づいて、処理対象データが確率値の積の値が最大である分類経路に対応するクラスに分類されると推定する。
次に、図９を用いて、通常の多クラス分類モデルと未知のクラスを検知可能な多クラス分類モデルについて説明する。図９は、通常の多クラス分類モデルと未知のクラスを検知可能な多クラス分類モデルについて説明するための図である。図９の左側は、通常の多クラス分類モデルを示す。通常の多クラス分類モデルは、入力データが何であろうと、あらかじめ学習した複数のクラスの各々に入力データが分類される確率値を推定する。図９の左側に示す通常の多クラス分類モデル（以下、「第１多クラス分類モデル」と記載する。）は、分類対象データを犬のクラスまたは猫のクラスのうちいずれかに分類するよう学習された分類モデルである。このとき、本来は鳥のクラスに分類されるべき入力データを第１多クラス分類モデルに入力した場合、第１多クラス分類モデルは、入力データが犬のクラスに分類される確率を７０％、猫のクラスに分類される確率を３０％と推定する。
図９の右側は、未知のクラスを検知可能な多クラス分類モデルを示す。未知のクラスを検知可能な多クラス分類モデルは、あらかじめ学習した複数のクラスに分類されない入力データを未知のクラスに分類することができる。図９の右側に示す未知のクラスを検知可能な多クラス分類モデル（以下、「第２多クラス分類モデル」と記載する。）は、分類対象データを犬のクラス、猫のクラスまたは未知のクラスのうちいずれかに分類するよう学習された分類モデルである。このとき、鳥のクラスに分類されるべき入力データを第２多クラス分類モデルに入力した場合、第２多クラス分類モデルは、入力データが犬のクラスに分類される確率を１０％、猫のクラスに分類される確率を１５％、未知のクラスに分類される確率を７５％と推定する。このように、未知のクラスを検知可能な多クラス分類モデルは、あらかじめ学習した複数のクラス以外のクラスに分類されるべき処理対象データを未知のクラスに分類することを可能とすることができる。
そこで、変形例では、モデル生成部１３３は、分類対象データを複数の下位クラスまたは複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する機械学習モデルである分類モデルを上位クラスごとに生成する。モデル生成部１３３は、分類対象データを複数の下位クラスまたは複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する機械学習モデルである分類モデルであって、上位クラスごとに生成された分類モデルを生成する。例えば、モデル生成部１３３は、クラス生成部１３２によって生成された樹形図に含まれる分岐点の数に対応する数の分類モデルとして、未知のクラスを検知可能な多クラス分類モデルを取得してよい。続いて、モデル生成部１３３は、図４および図５で説明したのと同様にして、分類モデルを生成してよい。例えば、モデル生成部１３３は、複数の下位クラスの各々からサンプリングされるデータが入力情報として機械学習モデルに入力された場合、複数の下位クラスの各々にデータが分類される確率値をそれぞれ推定し、推定された確率値を出力情報として出力するよう学習された機械学習モデルである分類モデルを上位クラスごとに生成する。このようにして、モデル生成部１３３は、階層クラスの階層構造に対応する階層性を有する複数の分類モデルの集合である第２の階層分類モデルを生成する。また、モデル生成部１３３は、未知のクラスを検知可能な多クラス分類モデルの集合である第２の階層分類モデルを生成する。これにより、情報処理装置１００は、例えば、上位の分類モデルによって処理対象データが未知のクラスに分類された場合、処理を中止することができるので、上位の分類モデルの推定結果の誤りにより、下位クラスの推定結果が不正解となることを防ぐことができる。
次に、図１０を用いて、変形例に係るクラスの推定処理について説明する。図１０は、変形例に係るクラスの推定処理について説明するための図である。図１０では、図６と重複する内容については、記載を省略する。取得部１３１は、分類対象データを複数の下位クラスまたは複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する機械学習モデルである分類モデルであって、上位クラスごとに生成された分類モデルと、処理対象データとを取得する。図１０では、取得部１３１は、モデル生成部１３３によって生成された第２の階層分類モデルと、処理対象データとを取得する。図１０では、取得部１３１は、モデル生成部１３３によって生成された第２の階層分類モデルに含まれる最上位の分類モデルＡ_１、最上位の分類モデルＡ_１の下位に属する第１上位の分類モデルＢ_１～Ｂ_３、第１上位の分類モデルＢ_１～Ｂ_３の下位に属する第２上位の分類モデルＣ_１～Ｃ_２０、…、および、第（Ｎ―１）上位の分類モデル（図示略）の下位に属する第Ｎ（Ｎは３以上の自然数）上位の分類モデルＸ_１～Ｘ_１００と、処理対象となる入力データとを取得する。
また、図１０では、推定部１３４は、選択された最上位の分類モデルＡ_１を用いて、最上位のクラスの下位に属する３つの上位クラスおよび未知のクラスの各々に入力データが分類される確率値をそれぞれ推定してよい。また、推定部１３４は、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の分類モデルを選択する処理以後の処理を中止するか否かを判定する。ここで、２以上の所定数は、複数の下位クラスの数よりも小さい数であってよい。以下では、処理を中止するか否かを判定する処理のことを処理継続判定または継続判定処理と記載する場合がある。例えば、推定部１３４は、分類対象データが未知のクラスに分類された場合、処理対象データが複数の下位クラスまたは未知のクラスの各々に分類される確率値の差が第１閾値を超えた場合、または、処理対象データが最上位のクラスから複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値が第２閾値を下回った場合、所定数の下位クラスの各々に対応する複数の分類モデルを選択する処理以後の処理を中止することを決定する。図１０では、推定部１３４は、処理継続判定の結果、処理を継続することを決定する。
また、推定部１３４は、処理を継続することを決定した場合、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の分類モデルを選択する。以下では、複数の分類モデルを選択する処理のことを複数選択処理と記載する場合がある。図１０では、推定部１３４は、最上位の分類モデルの推定結果に基づいて、最上位のクラスの下位に属する複数の第１上位クラスの各々に対応する第１上位の分類モデルＢ_１～Ｂ_３の中から、確率値が高い方から順に２つの第１上位クラスの各々に対応する２つの第１上位の分類モデルＢ_２およびＢ_３を選択してよい。続いて、推定部１３４は、選択された２つの第１上位の分類モデルＢ_２およびＢ_３をそれぞれ用いて、２つの第１上位クラスの各々の下位に属する複数の上位クラスおよび未知のクラスの各々に入力データが分類される確率値をそれぞれ推定してよい。推定部１３４は、処理対象データが分類されるクラスが最下位のクラスである複数の異なるクラスのいずれかと一致するまで、継続判定処理と複数選択処理と推定処理を繰り返し実行する。
次に、図１１を用いて、変形例に係る推定処理を中止する場合の一例について説明する。図１１は、変形例に係る推定処理を中止する場合の一例について説明するための図である。図１１では、推定部１３４は、処理対象データが複数の下位クラスまたは未知のクラスの各々に分類される確率値の差が第１閾値を超えたため、所定数の下位クラスの各々に対応する複数の分類モデルを選択する処理以後の処理を中止することを決定する。なお、推定部１３４は、処理対象データが分類されるクラスが最下位のクラスである複数の異なるクラスのいずれかと一致する前に処理を中止することを決定した場合、継続判定処理の条件を緩和し、処理を最初から再度実行してよい。例えば、推定部１３４は、複数の下位クラスの各々に対応する分類モデルの中から、確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の分類モデルを選択する際の所定数を増加させてよい。また、推定部１３４は、分類対象データが未知のクラスに分類された場合、処理対象データが複数の下位クラスまたは未知のクラスの各々に分類される確率値の差が第１閾値を超えた場合に処理を中止する際の第１閾値を大きくしてよい。また、推定部１３４は、処理対象データが最上位のクラスから複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値が第２閾値を下回った場合に処理を中止する際の第２閾値を小さくしてよい。
〔４．効果〕
上述したように、実施形態に係る情報処理装置１００は、クラス生成部１３２とモデル生成部１３３を備える。クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、複数の異なるクラスよりも上位のクラスである上位クラスを生成する。モデル生成部１３３は、分類対象となる分類対象データを、上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類する機械学習モデルである分類モデルを上位クラスごとに生成する。
これにより、情報処理装置１００は、上位クラスごとに生成された複数の分類モデルそれぞれのモデルサイズは小さいまま、分類クラス数を大きくすることを可能とすることができる。したがって、情報処理装置１００は、詳細な分類を可能とする分類モデルの小型化を実現可能とすることができる。また、情報処理装置１００は、詳細な分類を可能とする分類モデルの小型化を実現可能とすることができるので、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。例えば、情報処理装置１００は、小型化された行動認識モデルを用いて詳細な行動の分類を行うことを可能とすることができる。また、情報処理装置１００は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができるので、持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」の達成に貢献できる。
また、クラス生成部１３２は、複数の異なるクラスにそれぞれ属するデータの特徴量の平均値を代表値として、上位クラスを生成する。
これにより、情報処理装置１００は、複数の異なるクラスにそれぞれ属するデータの特徴量の平均値に基づいて、適切に上位クラスを生成することができる。
また、クラス生成部１３２は、新たに生成されるクラスタの数が所定の閾値を下回るまで複数のクラス特徴量を階層的にクラスタリングする。
これにより、情報処理装置１００は、所望の数の上位クラスを生成することができる。
また、クラス生成部１３２は、複数のクラス特徴量の類似度に基づいて、複数のクラス特徴量の各々を要素とするクラスタである複数の最下位クラスタの各々を結合することにより生成されるクラスタである複数の第１上位クラスタの各々に対応するクラスである複数の第１上位クラス、および、複数の第１上位クラスタの類似度に基づいて、複数の第１上位クラスタの各々を結合することにより生成されるクラスタである複数の第２上位クラスタの各々に対応するクラスである複数の第２上位クラスを生成することにより、上位クラスを生成する。
これにより、情報処理装置１００は、クラス特徴量の類似度に基づいて、適切に第１上位クラスを生成することができる。また、情報処理装置１００は、第１上位クラスタの類似度に基づいて、適切に第２上位クラスを生成することができる。
また、クラス生成部１３２は、階層的なクラスタを生成する過程を表現するグラフである樹形図を生成する。モデル生成部１３３は、樹形図に含まれる分岐点の数に対応する数の分類モデルを生成する。
これにより、情報処理装置１００は、生成された上位クラスの数に対応する分類モデルを生成することができる。
また、モデル生成部１３３は、複数の下位クラスの各々からサンプリングされるデータの数が類似するように複数の下位クラスの各々からサンプリングされたデータと、データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された機械学習モデルである分類モデルを上位クラスごとに生成する。
これにより、情報処理装置１００は、学習データセットに含まれる下位クラスのデータに偏りがないようにすることができるため、精度の高い分類モデルを生成することができる。
また、モデル生成部１３３は、データが入力情報として機械学習モデルに入力された場合、下位ラベルを出力情報として出力するよう学習された機械学習モデルである分類モデルを上位クラスごとに生成する。
これにより、情報処理装置１００は、適切に分類モデルを生成することができる。
また、モデル生成部１３３は、分類対象データを複数の下位クラスまたは複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する機械学習モデルである分類モデルを上位クラスごとに生成する。
これにより、情報処理装置１００は、例えば、上位の分類モデルによって処理対象データが未知のクラスに分類された場合、処理を中止することができるので、上位の分類モデルの推定結果の誤りにより、下位クラスの推定結果が不正解となることを防ぐことができる。
また、情報処理装置１００は、取得部１３１と推定部１３４を備える。取得部１３１は、複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、複数の異なるクラスよりも上位のクラスである上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類対象となる分類対象データを分類する機械学習モデルである分類モデルと、処理対象となる処理対象データとを取得する。推定部１３４は、最上位のクラスに対応する分類モデルから順番に選択される所定の上位クラスに対応する分類モデルである上位の分類モデルを用いて、処理対象データが分類される第１下位クラスを推定し、上位の分類モデルの推定結果に基づいて、所定の上位クラスの下位に属する複数の下位クラスの各々に対応する分類モデルの中から、第１下位クラスに対応する分類モデルである下位の分類モデルを選択し、選択された下位の分類モデルを用いて、処理対象データが分類される第２下位クラスを推定する。
これにより、情報処理装置１００は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。例えば、情報処理装置１００は、小型化された行動認識モデルを用いて詳細な行動の分類を行うことを可能とすることができる。また、情報処理装置１００は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができるので、持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」の達成に貢献できる。
また、推定部１３４は、処理対象データが複数の異なるクラスのいずれかに分類されるまで、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、下位の分類モデルを選択し、選択された下位の分類モデルを用いて第２下位クラスを推定する処理を繰り返し実行する。
これにより、情報処理装置１００は、小型化された分類モデルを用いて詳細な分類を行うことを可能とすることができる。
また、推定部１３４は、上位の分類モデルを用いて、処理対象データが複数の下位クラスの各々に分類される確率値を推定し、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の分類モデルを選択し、選択された複数の分類モデルを用いて、選択された複数の分類モデルの各々に対応する下位クラスのさらに下位のクラスの各々に処理対象データが分類される確率値を推定する。
これにより、情報処理装置１００は、上位の分類モデルによる一の推定結果のみを採用することにより、下位クラスの推定結果が不正解となることを防ぐことができる。
また、推定部１３４は、処理対象データが複数の異なるクラスのうちの２以上のクラスに分類される場合、処理対象データが最上位のクラスから複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値の比較に基づいて、処理対象データが確率値の積の値が最大である分類経路に対応するクラスに分類されると推定する。
これにより、情報処理装置１００は、複数の分類モデルによる推定結果を採用した場合であっても、適切な分類結果を得ることができる。
また、取得部１３１は、分類対象データを複数の下位クラスまたは複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する機械学習モデルである分類モデルであって、上位クラスごとに生成された分類モデルと、処理対象データとを取得する。推定部１３４は、上位の分類モデルの推定結果に基づいて、複数の下位クラスの各々に対応する分類モデルの中から、所定数の下位クラスの各々に対応する複数の分類モデルを選択する処理以後の処理を中止するか否かを判定する。
これにより、情報処理装置１００は、例えば、処理対象データが未知のクラスに分類された場合、処理を中止することができるので、上位の分類モデルの推定結果の誤りにより、下位クラスの推定結果が不正解となることを防ぐことができる。
また、推定部１３４は、分類対象データが未知のクラスに分類された場合、処理対象データが複数の下位クラスまたは未知のクラスの各々に分類される確率値の差が第１閾値を超えた場合、または、処理対象データが最上位のクラスから複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値が第２閾値を下回った場合、所定数の下位クラスの各々に対応する複数の分類モデルを選択する処理以後の処理を中止することを決定する。
これにより、情報処理装置１００は、上位の分類モデルの推定結果の誤りが生じそうな場合には、処理を中止することができるので、上位の分類モデルの推定結果の誤りにより、下位クラスの推定結果が不正解となることを防ぐことができる。
〔５．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１００は、例えば図１２に示すような構成のコンピュータ１０００によって実現される。図１２は、情報処理装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を備える。
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
〔６．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
例えば、上述した実施形態では、情報処理装置１００が、取得部１３１と、クラス生成部１３２と、モデル生成部１３３と、推定部１３４を機能部として有する場合について説明したが、各部はそれぞれ別々の装置に分散して構成することができる。例えば、情報処理装置１００は、処理対象データが分類されるクラスを推定する情報処理装置として、取得部１３１と、推定部１３４を機能部として有することができる。また、情報処理装置１００以外の情報処理装置（以下、「生成装置」と記載する）は、分類モデルを生成する情報処理装置として、取得部１３１と、クラス生成部１３２と、モデル生成部１３３を機能部として有することができる。このとき、情報処理装置１００と生成装置とは、各種ネットワークと有線または無線で接続され、相互に情報の送受信を行ってよい。例えば、情報処理装置１００は、生成装置によって生成された分類モデルに関する情報を生成装置から受信してよい。また、情報処理装置１００は、生成装置から受信した分類モデルを用いて、処理対象データが分類されるクラスを推定してよい。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１３０ 制御部
１３１ 取得部
１３２ クラス生成部
１３３ モデル生成部
１３４ 推定部

Claims (15)

  1. 複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスを生成するクラス生成部と、
    分類対象となる分類対象データを、前記上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類する機械学習モデルである分類モデルを前記上位クラスごとに生成するモデル生成部と、
    を備え、
    前記モデル生成部は、
    前記複数の下位クラスの各々からサンプリングされるデータの数が類似するように前記複数の下位クラスの各々からサンプリングされたデータと、前記データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された前記機械学習モデルである前記分類モデルを前記上位クラスごとに生成する、
    情報処理装置。
  2. 前記クラス生成部は、
    前記複数の異なるクラスにそれぞれ属するデータの特徴量の平均値を前記代表値として、前記上位クラスを生成する、
    請求項１に記載の情報処理装置。
  3. 前記クラス生成部は、
    新たに生成されるクラスタの数が所定の閾値を下回るまで前記複数のクラス特徴量を階層的にクラスタリングする、
    請求項１に記載の情報処理装置。
  4. 前記クラス生成部は、
    前記複数のクラス特徴量の類似度に基づいて、前記複数のクラス特徴量の各々を要素とするクラスタである複数の最下位クラスタの各々を結合することにより生成されるクラスタである複数の第１上位クラスタの各々に対応するクラスである複数の第１上位クラス、および、前記複数の第１上位クラスタの類似度に基づいて、前記複数の第１上位クラスタの各々を結合することにより生成されるクラスタである複数の第２上位クラスタの各々に対応するクラスである複数の第２上位クラスを生成することにより、前記上位クラスを生成する、
    請求項１に記載の情報処理装置。
  5. 前記クラス生成部は、
    前記階層的なクラスタを生成する過程を表現するグラフである樹形図を生成し、
    前記モデル生成部は、
    前記樹形図に含まれる分岐点の数に対応する数の前記分類モデルを生成する、
    請求項１に記載の情報処理装置。
  6. 前記モデル生成部は、
    前記データが入力情報として前記機械学習モデルに入力された場合、前記下位ラベルを出力情報として出力するよう学習された前記機械学習モデルである前記分類モデルを前記上位クラスごとに生成する、
    請求項１に記載の情報処理装置。
  7. 前記モデル生成部は、
    前記分類対象データを前記複数の下位クラスまたは前記複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する前記機械学習モデルである前記分類モデルを前記上位クラスごとに生成する、
    請求項１に記載の情報処理装置。
  8. 複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類対象となる分類対象データを分類する機械学習モデルである分類モデルであって、前記複数の下位クラスの各々からサンプリングされるデータの数が類似するように前記複数の下位クラスの各々からサンプリングされたデータと、前記データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された前記機械学習モデルであって、前記上位クラスごとに生成された前記機械学習モデルである前記分類モデルと、処理対象となる処理対象データとを取得する取得部と、
    最上位のクラスに対応する前記分類モデルから順番に選択される所定の上位クラスに対応する前記分類モデルである上位の分類モデルを用いて、前記処理対象データが分類される第１下位クラスを推定し、前記上位の分類モデルの推定結果に基づいて、前記所定の上位クラスの下位に属する複数の下位クラスの各々に対応する前記分類モデルの中から、前記第１下位クラスに対応する前記分類モデルである下位の分類モデルを選択し、選択された前記下位の分類モデルを用いて、前記処理対象データが分類される第２下位クラスを推定する推定部と、
    を備える情報処理装置。
  9. 前記推定部は、
    前記処理対象データが前記複数の異なるクラスのいずれかに分類されるまで、前記上位の分類モデルの推定結果に基づいて、前記複数の下位クラスの各々に対応する前記分類モデルの中から、前記下位の分類モデルを選択し、選択された前記下位の分類モデルを用いて前記第２下位クラスを推定する処理を繰り返し実行する、
    請求項８に記載の情報処理装置。
  10. 前記推定部は、
    前記上位の分類モデルを用いて、前記処理対象データが前記複数の下位クラスの各々に分類される確率値を推定し、前記上位の分類モデルの推定結果に基づいて、前記複数の下位クラスの各々に対応する前記分類モデルの中から、前記確率値が高い方から順に２以上の所定数の下位クラスの各々に対応する複数の前記分類モデルを選択し、選択された複数の前記分類モデルを用いて、選択された複数の前記分類モデルの各々に対応する下位クラスのさらに下位のクラスの各々に前記処理対象データが分類される確率値を推定する、
    請求項８に記載の情報処理装置。
  11. 前記推定部は、
    前記処理対象データが前記複数の異なるクラスのうちの２以上のクラスに分類される場合、前記処理対象データが前記最上位のクラスから前記複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値の比較に基づいて、前記処理対象データが前記確率値の積の値が最大である前記分類経路に対応するクラスに分類されると推定する、
    請求項１０に記載の情報処理装置。
  12. 前記取得部は、
    前記分類対象データを前記複数の下位クラスまたは前記複数の下位クラスのいずれでもない未知のクラスのうちいずれかのクラスに分類する前記機械学習モデルである前記分類モデルであって、前記上位クラスごとに生成された前記分類モデルと、前記処理対象データとを取得し、
    前記推定部は、
    前記上位の分類モデルの推定結果に基づいて、前記複数の下位クラスの各々に対応する前記分類モデルの中から、前記所定数の下位クラスの各々に対応する複数の前記分類モデルを選択する処理以後の処理を中止するか否かを判定する、
    請求項１０に記載の情報処理装置。
  13. 前記推定部は、
    前記分類対象データが前記未知のクラスに分類された場合、前記処理対象データが前記複数の下位クラスまたは前記未知のクラスの各々に分類される確率値の差が第１閾値を超えた場合、または、前記処理対象データが前記最上位のクラスから前記複数の異なるクラスのうちの２以上のクラスの各々に対応するクラスに分類されるまでの分類経路における各クラスに分類される確率値の積の値が第２閾値を下回った場合、前記所定数の下位クラスの各々に対応する複数の前記分類モデルを選択する処理以後の処理を中止することを決定する、
    請求項１２に記載の情報処理装置。
  14. 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
    複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスを生成するクラス生成工程と、
    分類対象となる分類対象データを、前記上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類する機械学習モデルである分類モデルを前記上位クラスごとに生成するモデル生成工程と、
    を含み、
    前記モデル生成工程は、
    前記複数の下位クラスの各々からサンプリングされるデータの数が類似するように前記複数の下位クラスの各々からサンプリングされたデータと、前記データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された前記機械学習モデルである前記分類モデルを前記上位クラスごとに生成する、
    情報処理方法。
  15. 情報処理装置が実行するプログラムにより実現される情報処理方法であって、
    複数の異なるクラスにそれぞれ属するデータに関する特徴量であって、前記複数の異なるクラスそれぞれの代表値である複数のクラス特徴量の類似度に基づいて、階層的にクラスタリングされた前記複数のクラス特徴量に基づく階層的なクラスタの各々に対応するクラスであって、前記複数の異なるクラスよりも上位のクラスである上位クラスの下位に属する複数の下位クラスのうちいずれかの下位クラスに分類対象となる分類対象データを分類する機械学習モデルである分類モデルであって、前記複数の下位クラスの各々からサンプリングされるデータの数が類似するように前記複数の下位クラスの各々からサンプリングされたデータと、前記データが属する下位クラスに対応するラベルである下位ラベルとの組である学習データセットに基づいて学習された前記機械学習モデルであって、前記上位クラスごとに生成された前記機械学習モデルである前記分類モデルと、処理対象となる処理対象データとを取得する取得工程と、
    最上位のクラスに対応する前記分類モデルから順番に選択される所定の上位クラスに対応する前記分類モデルである上位の分類モデルを用いて、前記処理対象データが分類される第１下位クラスを推定し、前記上位の分類モデルの推定結果に基づいて、前記所定の上位クラスの下位に属する複数の下位クラスの各々に対応する前記分類モデルの中から、前記第１下位クラスに対応する前記分類モデルである下位の分類モデルを選択し、選択された前記下位の分類モデルを用いて、前記処理対象データが分類される第２の下位クラスを推定する推定工程と、
    を含む情報処理方法。
JP2023080141A 2023-05-15 2023-05-15 情報処理装置及び情報処理方法 Active JP7613699B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023080141A JP7613699B2 (ja) 2023-05-15 2023-05-15 情報処理装置及び情報処理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2023080141A JP7613699B2 (ja) 2023-05-15 2023-05-15 情報処理装置及び情報処理方法

Publications (2)

Publication Number Publication Date
JP2024164562A JP2024164562A (ja) 2024-11-27
JP7613699B2 true JP7613699B2 (ja) 2025-01-15

Family

ID=93607364

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023080141A Active JP7613699B2 (ja) 2023-05-15 2023-05-15 情報処理装置及び情報処理方法

Country Status (1)

Country Link
JP (1) JP7613699B2 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015049398A (ja) 2013-09-02 2015-03-16 本田技研工業株式会社 音響認識装置、音響認識方法、及び音響認識プログラム
JP2016024503A (ja) 2014-07-16 2016-02-08 日本電信電話株式会社 クラス分類装置、方法、及びプログラム
JP2020021378A (ja) 2018-08-02 2020-02-06 パナソニックＩｐマネジメント株式会社 物品判別システム、買物支援システム、買物支援方法、物品判別方法、及びプログラム
WO2020036191A1 (ja) 2018-08-15 2020-02-20 日本電信電話株式会社 学習データ作成装置、学習データ作成方法、及びプログラム
WO2022180796A1 (ja) 2021-02-26 2022-09-01 日本電気株式会社 分類システム、方法およびプログラム
JP2022188727A (ja) 2021-06-09 2022-12-21 京セラ株式会社 認識装置、端末装置、認識器構築装置、認識器修正装置、構築方法、及び修正方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015049398A (ja) 2013-09-02 2015-03-16 本田技研工業株式会社 音響認識装置、音響認識方法、及び音響認識プログラム
JP2016024503A (ja) 2014-07-16 2016-02-08 日本電信電話株式会社 クラス分類装置、方法、及びプログラム
JP2020021378A (ja) 2018-08-02 2020-02-06 パナソニックＩｐマネジメント株式会社 物品判別システム、買物支援システム、買物支援方法、物品判別方法、及びプログラム
WO2020036191A1 (ja) 2018-08-15 2020-02-20 日本電信電話株式会社 学習データ作成装置、学習データ作成方法、及びプログラム
WO2022180796A1 (ja) 2021-02-26 2022-09-01 日本電気株式会社 分類システム、方法およびプログラム
JP2022188727A (ja) 2021-06-09 2022-12-21 京セラ株式会社 認識装置、端末装置、認識器構築装置、認識器修正装置、構築方法、及び修正方法

Also Published As

Publication number Publication date
JP2024164562A (ja) 2024-11-27

Similar Documents

Publication Publication Date Title
US11741361B2 (en) Machine learning-based network model building method and apparatus
US10909455B2 (en) Information processing apparatus using multi-layer neural network and method therefor
US10783402B2 (en) Information processing apparatus, information processing method, and storage medium for generating teacher information
US9002101B2 (en) Recognition device, recognition method, and computer program product
EP3069302B1 (en) Memory facilitation using directed acyclic graphs
US11886990B2 (en) Classification device, classification method, and computer program product
US20180260531A1 (en) Training random decision trees for sensor data processing
US11816185B1 (en) Multi-view image analysis using neural networks
US9563822B2 (en) Learning apparatus, density measuring apparatus, learning method, computer program product, and density measuring system
CN113366494A (zh) 用于少样本无监督图像到图像转换的方法
US11288567B2 (en) Method for training deep neural network (DNN) using auxiliary regression targets
JP7225194B2 (ja) 画像フレーム抽出装置、画像フレーム抽出方法およびプログラム
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
JP5821590B2 (ja) 画像識別情報付与プログラム及び画像識別情報付与装置
CN116883786B (zh) 图数据增广方法、装置、计算机设备及可读存储介质
JPWO2017188048A1 (ja) 作成装置、作成プログラム、および作成方法
Mozaffari et al. Facial expression recognition using deep neural network
JP7613699B2 (ja) 情報処理装置及び情報処理方法
Vale et al. A co-training-based algorithm using confidence values to select instances
EP4287075A1 (en) Training data generation device and method
US20240013057A1 (en) Information processing method, information processing apparatus, and non-transitory computer-readable storage medium
JP6214073B2 (ja) 生成装置、生成方法、及び生成プログラム
CN117437577A (zh) 基于多特征融合的视频分类方法及系统
CN117011751A (zh) 使用变换器网络分割视频图像序列
WO2023181319A1 (ja) 情報処理装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231019

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240924

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20241115

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20241126

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241218

R150 Certificate of patent or registration of utility model

Ref document number: 7613699

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150