JP7626248B2

JP7626248B2 - 前方互換性モデルの訓練

Info

Publication number: JP7626248B2
Application number: JP2023563193A
Authority: JP
Inventors: ヴィヴェクバルソピア; 義男亀田; 智哉坂井
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2021-04-20
Filing date: 2022-03-07
Publication date: 2025-02-04
Anticipated expiration: 2042-03-07
Also published as: JP2024514653A; WO2022224600A1; US20220343212A1

Description

本開示は、前方互換性モデルの訓練に関する。

機械学習モデルは、予測を行うために使用される。そのようなモデルは、利用可能な情報が自然に増加し、パターンが逸脱するにつれて、性能を改善または維持するように更新される。モデルが更新されると、新しいモデルは古いモデルとは異なる挙動をし得る。新しいモデルが全体的により正確である場合であっても、新しいモデルは、古いモデルが正確であった特定の状況下では不正確さをもたらす可能性がある。新しいモデルによってもたらされるこのような不正確さの量は、負フリップ率（ＮｅｇａｔｉｖｅＦｌｉｐＲａｔｅ：ＮＦＲ）と呼ばれる。

本開示の第１の例示的な態様によれば、複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、前記現在の訓練データセットの入力に応答した、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することとを含む動作をコンピュータに実施させるためのプログラムが提供される。

本開示の第２の例示的な態様によれば、複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、前記現在の訓練データセットの入力に応答して、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することとを含む、方法が提供される。

本開示の第３の例示的な態様によれば、現在の訓練データセットのパラメータを変化させるための摂動ベクトルを生成することと、前記摂動ベクトルから、前記現在の訓練データセットにおける各サンプルに対応するサンプル重みを含む最も摂動されたサンプル重みセットを検出することと、前記最も摂動されたサンプル重みセットに基づいて複数のサンプル重みを調整することと、前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を訓練して、第２のモデルを生成することとを含む動作をコンピュータに実施させるためのプログラムが提供される。

本開示の態様は、添付の図と併せて読むと、以下の詳細な説明から最もよく理解される。業界の標準的な慣行に従って、様々な特徴は縮尺通りに描かれていないことに留意されたい。実際、様々な特徴の寸法は、説明を明確にするために任意に拡大または縮小されることがある。
本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のためのデータフローの概略図である。本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための動作フローである。本発明の少なくとも１つの実施形態による、サンプル重みを初期化するための動作フローである。本発明の少なくとも１つの実施形態による、予測データセットから予測モデルを生成するための動作フローである。本発明の少なくとも１つの実施形態による、モデル変動から予測モデルを生成するための別の動作フローである。本発明の少なくとも１つの実施形態による、サンプル重みを調整するための動作フローである。本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための別の動作フローである。本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための例示的なハードウェア構成のブロック図である。

以下の開示は、提供される主題の異なる特徴を実施するための多くの異なる実施形態または例を提供する。以下、本開示を簡略化するために、構成要素、値、動作、材料、配置などの具体的な例を説明する。もちろん、これらは単なる例であり、限定することを意図するものではない。他の構成要素、値、動作、材料、配置なども考えられる。加えて、本開示は、様々な例において参照番号および／または文字を繰り返すことができる。この繰り返しは、単純化および明確化のためのものであり、それ自体は、説明した様々な実施形態および／または構成の間の関係を規定するものではない。

新しいモデルが、古いモデルが正確であった状況下で不正確である場合、モデルのユーザは、予測の新しい欠点に適応しなければならず、これは少なくとも一部のユーザを失望させるであろう。一方、モデルの少なくとも一部のユーザは、古いモデルが不正確であった状況下で新しいモデルが正確であることを歓迎する。

更新されたモデルにおけるＮＦＲは、新しいモデルを古いモデルと後方互換性を持たせるために新しいモデルの訓練中に対策を講じることによって低減され得る。新しいモデルを後方互換性にするための技術は、訓練中にサンプル重みを使用して、古いモデルからの正しい出力をもたらした入力に応答して新しいモデルが正しいことを促すことを含む。新しいモデルを、古いモデルが正しい場合に正しいものになるように訓練することにより、少なくとも一部のユーザのフラストレーションを回避または低減する。

少なくともいくつかの実施形態では、古いモデルを新しいモデルと前方互換性を持たせるために、古いモデルの訓練中に対策が講じられる。少なくともいくつかの実施形態では、前方互換性訓練は、将来のモデルが後方互換性訓練を受けない場合であっても、将来のモデルにおいてＮＦＲをさらに減少させる。

図１は、本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のためのデータフローの概略図である。この図は、仮説クラス１００、学習関数１０１、現在の訓練データセット１０２、訓練セクション１０３、訓練されたモデル１０４、サンプル重み調整セクション１０５、サンプル重み１０６、ハイパーパラメータ１０８、および前のモデル１０９を含む。

仮説クラス１００は、所与のタスクのための学習関数のクラスまたはグループである。少なくともいくつかの実施形態では、解釈可能な仮説クラス１００は、決定木と、線形分類器とを含む。

学習関数１０１は、解釈可能な仮説クラス１００を備える複数の学習関数のうちの１つである。少なくともいくつかの実施形態では、学習関数１０１は、ニューラルネットワークまたは他のタイプの機械学習アルゴリズムもしくは近似関数である。少なくともいくつかの実施形態では、学習関数１０１は、０と１との間のランダムに割り当てられた初期値を有する重みを含む。少なくともいくつかの実施形態では、学習関数は、線形分類器および／または決定木のうちの１つである。

現在の訓練データセット１０２は、複数のサンプルを含むデータセットである。各サンプルは、正しい結果を示すラベルを有する。言い換えれば、サンプルがモデルに入力されると、モデルは、対応するラベルに示される正しい結果を出力しなければならない。少なくともいくつかの実施形態では、現在の訓練データセット１０２は、実際の分布を表すようにするために、現在の訓練データセット１０２が用意およびキュレートされる。

訓練セクション１０３は、現在の訓練データセット１０２に基づいて学習関数１０１を訓練し、訓練されたモデル１０４を生成するように構成される。少なくともいくつかの実施形態では、訓練セクション１０３は、学習関数１０１を現在の訓練データセット１０２に適用し、現在の訓練データセット１０２の入力に応答して、学習関数１０１の出力に基づいて学習関数１０１の重みを調整するように構成される。少なくともいくつかの実施形態では、訓練セクション１０３は、サンプル重み１０６にさらに基づいて学習関数１０１の重みを調整するように構成される。少なくともいくつかの実施形態では、訓練セクション１０３は、訓練の複数のエポックを実施し、線形分類モデルまたは決定木として訓練されたモデル１０４を生成するように構成される。少なくともいくつかの実施形態では、訓練セクション１０３は、訓練を実施して訓練されたモデル１０４の複数の反復を発生させるように構成され、訓練されたモデル１０４の各反復は、異なるように調整されたサンプル重みのセットで訓練される。少なくともいくつかの実施形態では、訓練セクション１０３は、学習関数１０１を予測訓練データセットに適用し、予測モデル１０７を生成すように構成される。

サンプル重み調整セクション１０５は、訓練されたモデル１０４、ハイパーパラメータ１０８、前のモデル１０９、および予測モデル１０７のうちの１つまたは複数に基づいて、サンプル重みを訓練データセット１０２に割り当てるように構成される。少なくともいくつかの実施形態では、サンプル重み調整セクション１０５は、前のモデル１０９および予測モデル１０７のうちの１つまたは複数の正しい出力に基づいて、訓練データ１０２のサンプルに対する重みを調整する。少なくともいくつかの実施形態では、複数のサンプル重み１０６のうちの各サンプル重みは、前方互換性要素および／または後方互換性要素を含む。少なくともいくつかの実施形態では、複数のサンプル重みのうちの各サンプル重みは、前方互換性要素と後方互換性要素の和である。

ハイパーパラメータ１０８は、サンプル重み調整セクション１０５によるサンプル重みの調整または学習関数１０１の訓練に影響を及ぼす値を含む。少なくともいくつかの実施形態では、ハイパーパラメータ１０８は、訓練中の前方互換性および後方互換性の相対的重要性に影響を及ぼすハイパーパラメータを含む。少なくともいくつかの実施形態では、複数のサンプル重みのうちの各サンプル重みの前方互換性要素および後方互換性要素のうちの１つには、相対的重要性係数（ｒｅｌａｔｉｖｅｓｉｇｎｉｆｉｃａｎｃｅｆａｃｔｏｒ）が乗算される。少なくともいくつかの実施形態では、ハイパーパラメータ１０８は、学習係数、いくつかの予測モデルなどを含む。様々な他のハイパーパラメータは、特定の実施形態に関して以下で説明され、そのいずれも、少なくともいくつかの実施形態ではハイパーパラメータ１０８に含まれる。

前のモデル１０９は、前の訓練データセットを使用して学習関数１０１から訓練される。少なくともいくつかの実施形態では、前のモデル１０９は、サンプル重み調整セクション１０５によって現在の訓練データセット１０２に適用され、後方互換性のための適切なサンプル重みセットを決定する。

図２は、本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための動作フローである。動作フローは、前方互換性モデルの訓練の方法を提供する。少なくともいくつかの実施形態では、方法は、以下に説明する図８に示すコントローラおよび装置など、特定の動作を実施するためのセクションを含む装置のコントローラによって実施される。

Ｓ２１０において、調整セクションまたはそのサブセクションは、現在の訓練データセットのサンプル重みを初期化する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットにおける各サンプルに対応するサンプル重みを初期化する。少なくともいくつかの実施形態では、調整セクションは、Ｓ２２０における学習関数の訓練の前に、複数のサンプル重みの後方互換性要素が現在の訓練データセットの入力に応答した前のモデルの出力に基づき、複数のサンプル重みの前方互換性要素が均一になるように、複数のサンプル重みを初期化する。少なくともいくつかの実施形態では、サンプル重みの初期化は、以下に説明する図３に示すように進行する。

Ｓ２２０において、訓練セクションまたはそのサブセクションは、現在の訓練データセットを用いて学習関数を訓練する。少なくともいくつかの実施形態では、訓練セクションは、現在の訓練データセットを用いて学習関数を訓練し、第１のモデルを生成し、現在の訓練データセットは、複数のサンプルを含む。少なくともいくつかの実施形態では、訓練セクションは、経験的リスク最小化（ＥＲＭ：ＥｍｐｉｒｉｃａｌＲｉｓｋＭｉｎｉｍｉｚａｔｉｏｎ）によって学習関数を訓練する。少なくともいくつかの実施形態では、訓練セクションは、損失関数を最小化することによって学習関数を訓練する：

ここで、ｈ＾は訓練されたモデルであり、ｌは損失関数であり、ｈ_θは学習関数であり、ｘ_ｉは訓練データセットからのサンプルであり、ｈ_θ（ｘ_ｉ）は学習関数からの出力であり、ｙ_ｉは訓練データセットに従った正しい出力である。少なくともいくつかの実施形態では、訓練セクションは、後方互換性要素を用いてＳ２１０で初期化された複数のサンプル重みにより学習関数を訓練する。少なくともいくつかの実施形態では、訓練セクションは、損失関数におけるサンプル重みを使用して学習関数を訓練する：

ここで、ω_ｉはサンプルｘ_ｉに対応するサンプル重みであり、Ｗはすべてのサンプル重みω_ｉを含むサンプル重みセットである。

Ｓ２３０において、生成セクションまたはそのサブセクションは、複数の予測モデルを生成する。少なくともいくつかの実施形態では、生成セクションは、複数の予測モデルを生成し、各予測モデルは、現在の訓練データセットまたは第１のモデルのうちの１つの変動に基づく。少なくともいくつかの実施形態では、生成セクションは、Ｓ２２０で訓練されたモデルから複数の予測モデルを生成する。少なくともいくつかの実施形態では、生成セクションは、現在の訓練データセットから複数の予測モデルを生成する。

Ｓ２４０において、調整セクションまたはそのサブセクションは、現在の訓練データセットのサンプル重みを調整する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットの入力に応答して、複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整する。少なくともいくつかの実施形態では、調整セクションは、予測モデルが現在の訓練データセットからの入力に応答して正しく出力しているかどうかに基づいて、各サンプル重みを調整する。少なくともいくつかの実施形態では、サンプル重みの調整は、以下に説明する図６に示すように進行する。

Ｓ２２２において、再訓練セクションは、Ｓ２４０で調整されたサンプル重みを使用して学習関数を再訓練する。少なくともいくつかの実施形態では、再訓練セクションは、現在の訓練データセットおよび複数のサンプル重みを用いて学習関数を再訓練し、第２のモデルを生成する。少なくともいくつかの実施形態では、再訓練セクションは、損失関数におけるサンプル重みを使用して学習関数を再訓練する：

ここで、α_ｉはサンプルｘ_ｉに対応するサンプル重みであり、Ｈはすべての学習関数ｈを含む仮説クラスである。Ｓ２２２の各反復において、再訓練セクションは、異なるように調整されたサンプル重みセットを使用して学習関数を再訓練する。

Ｓ２２４において、コントローラまたはそのセクションは、終了条件が満たされているかどうかを決定する。少なくともいくつかの実施形態では、終了条件は、Ｓ２４０およびＳ２２２における動作の反復回数である。少なくともいくつかの実施形態では、終了条件は、Ｓ２２２における再訓練の最新の反復で再訓練されたモデルの閾値ＮＦＲである。コントローラが終了条件が満たされていないと決定する場合、動作フローは、別の反復のためにＳ２４０におけるサンプル重み調整に戻る。コントローラが終了条件が満たされていると決定する場合、動作フローは終了する。

図３は、本発明の少なくとも１つの実施形態による、サンプル重みを初期化するための動作フローである。動作フローは、サンプル重みを初期化する方法を提供する。少なくともいくつかの実施形態では、方法は、図１のサンプル重み調整セクション１０５などの調整セクション、またはそれに対応して名付けられたそのサブセクションによって実施される。

Ｓ３１２において、調整セクションまたはそのサブセクションは、均一なサンプル重みを生成する。少なくともいくつかの実施形態では、調整セクションは、すべてのサンプル重みが０、１、またはすべてのサンプル重みに対して均一である任意の他の値になるように、すべてのサンプル重みを生成する。

Ｓ３１４において、調整セクションまたはそのサブセクションは、後方互換性を適用するかどうかを決定する。少なくともいくつかの実施形態では、調整セクションは、後方互換性が後方互換性のための基礎を提供する既存のモデルを必要とするため、前のモデルが存在するかどうかに基づいて後方互換性を適用するかどうかを決定する。調整セクションが後方互換性を適用すると決定する場合、Ｓ３１６において、動作フローは、前のモデル適用に進行する。調整セクションが後方互換性を適用しないと決定する場合、動作フローは終了し、均一に初期化されたサンプル重みを維持する。

Ｓ３１６において、調整セクションは、前のモデルを現在の訓練データセットに適用する。少なくともいくつかの実施形態では、調整セクションは、前のモデルを現在の訓練データセットにおける各サンプルに適用し、将来の参照のために出力を記録する。

Ｓ３１８において、調整セクションは、サンプル重みの後方互換性要素を調整する。少なくともいくつかの実施形態では、各サンプル重みは、後方互換性要素と、前方互換性要素とを有する。少なくともいくつかの実施形態では、各サンプル重みは、後方互換性要素と前方互換性要素の合計に等しい。少なくともいくつかの実施形態では、後方互換性要素および前方互換性要素のうちの１つには、相対的重要性係数が乗算される。

図４は、本発明の少なくとも１つの実施形態による、予測データセットから予測モデルを生成するための動作フローである。動作フローは、予測データセットから予測モデルを生成する方法を提供する。少なくともいくつかの実施形態では、方法は、生成セクション、またはそれに対応して名付けられたそのサブセクションによって実施される。少なくともいくつかの実施形態では、生成セクションは、図１のサンプル重み調整セクション１０５などの調整セクションのサブセクションである。

Ｓ４３２において、生成セクションまたはそのサブセクションは、予測データセットを生成する。少なくともいくつかの実施形態では、生成セクションは、現在の訓練データセットから予測データセットを生成する。少なくともいくつかの実施形態では、生成セクションは、オーバーサンプリング、サブサンプリングなどによって現在の訓練データセットをランダムに変更する。少なくともいくつかの実施形態では、生成セクションは、モデルの適用に基づいて予測データセットを生成するための技術を使用する。少なくともいくつかの実施形態では、生成セクションは、摂動ベクトルに従って訓練データを変更することによって予測データセットを生成する。少なくともいくつかの実施形態では、Ｓ４３２の反復が進行するにつれて、生成セクションは、現在の訓練データセットの変動に基づいて複数の予測訓練データセットを生成する。

Ｓ４３３において、生成セクションまたはそのサブセクションは、Ｓ４３３で生成された予測データセットを用いて学習関数を訓練し、予測モデルを生成する。少なくともいくつかの実施形態では、生成セクションは、図１の訓練セクション１０３などの訓練セクションに学習関数を訓練させる。少なくともいくつかの実施形態では、生成セクションは、ＥＲＭによって学習関数を訓練する。少なくともいくつかの実施形態では、生成セクションは、図２に示すＳ２２０で学習関数を訓練するのと実質的に同様に学習関数を訓練するが、現在の訓練データセットの代わりに予測データセットを使用する。少なくともいくつかの実施形態では、生成セクションは、前のモデルをＳ４３３で生成された予測データセットに適用することによって、後方互換性のために初期化されたサンプル重みをさらに使用して学習関数を訓練する。少なくともいくつかの実施形態では、Ｓ４３３の反復が進行するにつれて、生成セクションは、複数の予測訓練データセットのうちの各予測訓練データセットを用いて学習関数を訓練し、複数の予測モデルのうちの対応する予測モデルを生成する。

Ｓ４３４において、生成セクションまたはそのサブセクションは、終了条件が満たされているかどうかを決定する。少なくともいくつかの実施形態では、終了条件は、Ｓ４３２およびＳ４３３における動作の反復回数である。生成セクションが終了条件が満たされていないと決定する場合、動作フローは、別の反復のためにＳ４３２における予測データセット生成に戻る。生成セクションが終了条件が満たされていると決定する場合、動作フローは終了する。

図５は、本発明の少なくとも１つの実施形態による、モデル変動から予測モデルを生成するための別の動作フローである。動作フローは、モデル変動から予測モデルを生成する方法を提供する。少なくともいくつかの実施形態では、方法は、生成セクション、またはそれに対応して名付けられたそのサブセクションによって実施される。少なくともいくつかの実施形態では、生成セクションは、図１のサンプル重み調整セクション１０５などの調整セクションのサブセクションである。

Ｓ５３６において、生成セクションまたはそのサブセクションは、現在の訓練データセットを使用して訓練されたモデルからパラメータを抽出する。少なくともいくつかの実施形態では、生成セクションは、図２に示すＳ２２０で訓練されたモデルからパラメータを抽出する。少なくともいくつかの実施形態では、生成セクションは、式１の損失関数を最小化することによって訓練されたモデルからパラメータθを抽出する。

Ｓ５３７において、生成セクションまたはそのサブセクションは、モデルのパラメータを変化させるためのランダムベクトルを生成する。少なくともいくつかの実施形態では、生成セクションは、第１のモデルのパラメータを変化させるためのランダムベクトルを生成する。少なくともいくつかの実施形態では、生成セクションは、ランダムベクトルεを生成する。Ｓ５３７の反復が進行するにつれて、生成セクションは、複数のランダムベクトルを生成する。

Ｓ５３８において、生成セクションまたはそのサブセクションは、Ｓ５３７で生成されたベクトルに基づいてモデルのパラメータを変化させる。少なくともいくつかの実施形態では、生成セクションは、ランダムベクトルに基づいて第１のモデルのパラメータを変化させ、複数の予測モデルを発生させる。少なくともいくつかの実施形態では、生成セクションは、ランダムベクトルεに基づいてパラメータθを変化させる。少なくともいくつかの実施形態では、生成セクションは、ランダムベクトルεをパラメータθに加算し、摂動モデルθ_εを生成する。Ｓ５３８の反復が進行するにつれて、生成セクションは、複数の予測モデルを生成し、複数の予測モデルのうちの各予測モデルは、第１のモデルのパラメータの固有の変動に対応する。

Ｓ５３９において、生成セクションまたはそのサブセクションは、終了条件が満たされているかどうかを決定する。少なくともいくつかの実施形態では、終了条件は、Ｓ５３７およびＳ５３８における動作の反復回数である。生成セクションが終了条件が満たされていないと決定する場合、動作フローは、別の反復のためにＳ５３７におけるランダムベクトル生成に戻る。生成セクションが終了条件が満たされていると決定する場合、動作フローは終了する。

図６は、本発明の少なくとも１つの実施形態による、サンプル重みを調整するための動作フローである。動作フローは、サンプル重みを調整する方法を提供する。少なくともいくつかの実施形態では、方法は、図１のサンプル重み調整セクション１０５などの調整セクションによって実施される。

Ｓ６４２において、調整セクションまたはそのサブセクションは、複数の予測モデルのうちの１つまたは複数の互換性のないモデルを識別する。少なくともいくつかの実施形態では、調整セクションは、図２に示すＳ２３０で生成されたモデルのうちの１つまたは複数の最も互換性のないモデルを識別する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットで訓練されたモデルと比較して、各予測モデルについてのＮＦＲを識別する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットの入力に応答した、第１のモデルの出力を複数の予測モデルのうちの各予測モデルの出力と比較する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットのサンプルの入力に応答した、予測モデルの出力を図２に示すＳ２２０で訓練されたモデルと比較する。少なくともいくつかの実施形態では、予測モデルが正しい出力を有し、Ｓ２２０で訓練されたモデルが誤った出力を有する場合、負フリップが集計される。少なくともいくつかの実施形態によれば、すべての負フリップが各予測モデルについて集計されると、より負のフリップに関連付けられた予測モデルは、調整セクションによってより互換性がないと識別される。少なくともいくつかの実施形態では、複数の予測モデルの中で識別された１つまたは複数の予測モデルは、第１のモデルに対して最も高い負フリップ率を有する。少なくともいくつかの実施形態では、調整セクションは、以下の総当たり関数（ｂｒｕｔｅｆｏｒｃｅｆｕｎｃｔｉｏｎ）に従って最も互換性のないモデルを識別する：

ここで、ｈ１は重み付けされていない現在の訓練データセットを使用して訓練されたモデルであり、Ｈは複数の予測モデルであり、ｈ２^～は最も互換性のないモデルであり、ω２^～は最も互換性のないモデルに対応するサンプル重みセットである。少なくともいくつかの実施形態では、図２に示すＳ２４０における複数のサンプル重みの調整およびＳ２２２における学習関数の再訓練が複数の反復に対して実施されるため、各後続の反復でのＳ２４０における複数のサンプル重みの調整は、複数の予測モデルのうちの１つまたは複数の互換性のないモデルを識別するために、現在の訓練データセットの入力に応答した、前の反復においてＳ２２２で再訓練された第２のモデルの出力を複数の予測モデルのうちの各予測モデルの出力と比較することを含む。

Ｓ６４４において、調整セクションまたはそのサブセクションは、現在の訓練データセットにおける次のサンプルを選択する。調整セクションは、Ｓ６４４の第１の反復において第１のサンプルを選択する。Ｓ６４４の反復が進行するにつれて、現在の訓練データセットにおけるすべてのサンプルが処理のために選択される。

Ｓ６４６において、調整セクションまたはそのサブセクションは、Ｓ６４４で選択されたサンプルに対して正しい出力を有する互換性のないモデルの割合を決定する。少なくともいくつかの実施形態では、調整セクションは、１つまたは複数の予測モデルの中から、訓練データセットにおける対応するサンプルの入力に応答した正しい出力を有する予測モデルの数を決定する。少なくともいくつかの実施形態では、調整セクションは、どの互換性のないモデルが正しい出力を有するかを決定し、次いで、その数をＳ６４２で決定された互換性のないモデルの総数で除算する。１つの互換性のないモデルのみがＳ６４２で決定される少なくともいくつかの実施形態では、調整セクションによって決定される割合は、互換性のないモデルが正しいということに応答して１、または互換性のないモデルが正しくないということに応答して０のいずれかである。

Ｓ６４８において、調整セクションまたはそのサブセクションは、Ｓ６４６で決定された割合に基づいて、Ｓ６４４で選択されたサンプルに対応するサンプル重みの前方互換性要素を調整する。少なくともいくつかの実施形態では、調整セクションは、複数のサンプル重みの前方互換性要素を設定する。少なくともいくつかの実施形態では、調整セクションは、予測モデルの数に比例してサンプル重みを設定する。少なくともいくつかの実施形態では、調整セクションは、転置または拡大などによってサンプル重みを調整する際、Ｓ６４６で決定された割合をさらに操作する。

Ｓ６４９において、調整セクションまたはそのサブセクションは、現在の訓練データセットにおけるすべてのサンプルが処理されたかどうかを決定する。調整セクションが未処理のサンプルが残っていると決定する場合、動作フローは、別の反復のためにＳ６４４における次のサンプル選択に戻る。調整セクションがすべてのサンプルが処理されたと決定する場合、動作フローは終了する。

図７は、本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための別の動作フローである。動作フローは、前方互換性モデルの訓練の別の方法を提供する。少なくともいくつかの実施形態では、方法は、以下に説明する図８に示すコントローラおよび装置など、特定の動作を実施するためのセクションを含む装置のコントローラによって実施される。

Ｓ７１０において、調整セクションまたはそのサブセクションは、現在の訓練データセットのサンプル重みを初期化する。少なくともいくつかの実施形態では、調整セクションは、現在の訓練データセットにおける各サンプルに対応するサンプル重みを初期化する。少なくともいくつかの実施形態では、サンプル重みの初期化は、図３に示すように進行する。

Ｓ７５０において、生成セクションまたはそのサブセクションは、現在の訓練データセットについての摂動ベクトルを生成する。少なくともいくつかの実施形態では、生成セクションは、図２に示すＳ２４０におけるサンプル重み調整の複数の反復からのサンプル重みセットなどの複数のサンプル重みセットから摂動ベクトルを導出する。

Ｓ７５２において、調整セクションまたはそのサブセクションは、Ｓ７５０で生成された摂動ベクトルから最も摂動されたサンプル重みセットを検出する。少なくともいくつかの実施形態では、調整セクションは、摂動ベクトルを使用して、図２に示すＳ２２０における学習関数訓練と同様に、現在の訓練データセットを使用して訓練されたモデルを現在の訓練データセットに適用することによって、最も摂動されたサンプル重みセットを検出する。

Ｓ７５４において、調整セクションまたはそのサブセクションは、最も摂動されたサンプル重みセットからの対応する摂動されたサンプル重みに比例して、各サンプル重みの前方互換性要素を設定する。少なくともいくつかの実施形態では、調整セクションは、転置または拡大などによって各サンプル重みをさらに操作する。

Ｓ７５６において、訓練セクションまたはそのサブセクションは、Ｓ７５４で調整されたサンプル重みを有する現在の訓練データセットを使用して学習関数を訓練する。少なくともいくつかの実施形態では、訓練セクションは、損失関数におけるサンプル重みを使用して学習関数を訓練する：

ここで、φ（ω、ｕ）は重み付けされていない現在の訓練データセットｕと重み付けされている現在の訓練データセットωとの間のカルバックライブラー発散（Ｋｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒｄｉｖｅｒｇｅｎｃｅ）であり、Ｗはδによって制限される摂動ベクトルに従ってすべての可能なサンプル重みセットを表す。

図８は、本発明の少なくとも１つの実施形態による、前方互換性モデルの訓練のための例示的なハードウェア構成のブロック図である。

例示的なハードウェア構成は、ネットワーク８６９と通信し、入力デバイス８６７と相互作用する装置８６０を含む。装置８６０は、入力デバイス８６７から入力またはコマンドを受信するコンピュータまたは他のコンピューティングデバイスであってもよい。装置８６０は、入力デバイス８６７に直接的に接続するホストサーバであってもよいし、ネットワーク８６９を通じて間接的に接続するホストサーバであってもよい。いくつかの実施形態では、装置８６０は、２つ以上のコンピュータを含むコンピュータシステムである。いくつかの実施形態では、装置８６０は、装置８６０のユーザのためのアプリケーションを実行するパーソナルコンピュータである。

装置８６０は、コントローラ８６２と、記憶ユニット８６４と、通信インターフェース８６８と、入出力インターフェース８６６とを含む。いくつかの実施形態では、コントローラ８６２は、命令を実行するプロセッサまたはプログラマブル回路を含み、命令は、プロセッサまたはプログラマブル回路に命令に従って動作を実施させる。いくつかの実施形態では、コントローラ８６２は、アナログもしくはデジタルプログラマブル回路、またはそれらの任意の組み合わせを含む。いくつかの実施形態では、コントローラ８６２は、通信を通して相互作用する物理的に分離された記憶装置または回路を含む。いくつかの実施形態では、記憶ユニット８６４は、命令の実行中にコントローラ８６２がアクセスするための実行可能データおよび実行不可能データを記憶することが可能な不揮発性コンピュータ可読媒体を含む。通信インターフェース８６８は、ネットワーク８６９との間でデータの送受信を行う。入出力インターフェース８６６は、パラレルポート、シリアルポート、キーボードポート、マウスポート、モニタポートなどを介して様々な入出力ユニットに接続し、コマンドを受け付けたり情報を提示したりする。

コントローラ８６２は、訓練セクション８７２を含み、訓練セクション８７２は、再訓練セクション８７４と、生成セクション８７６と、調整セクション８７５とを含む。記憶ユニット８６４は、訓練データセット８８２と、一般パラメータ８８４と、モデルパラメータ８８６と、サンプル重み８８８とを含む。

訓練セクション８７２は、学習関数を訓練するように構成されたコントローラ８６２の回路または命令である。少なくともいくつかの実施形態では、訓練セクション８７２は、図１の学習関数１０１などの学習関数を訓練し、図１の訓練されたモデル１０４および予測モデル１０７などのモデルを生成するように構成される。少なくともいくつかの実施形態では、訓練セクション８７２は、訓練データセット８８２、一般パラメータ８８４に含まれる損失関数およびハイパーパラメータ、モデルパラメータ８８６に含まれる学習関数および訓練されたモデル、ならびにサンプル重み８８８などの記憶ユニット８６４内の情報を利用する。少なくともいくつかの実施形態では、訓練セクション８７２は、前述のフローチャートで説明したように、追加の機能を実施するためのサブセクションを含む。少なくともいくつかの実施形態では、そのようなサブセクションは、再訓練セクション８７３など、それらの機能に関連付けられた名前によって参照され得る。

再訓練セクション８７４は、サンプル重みに基づいて学習関数を再訓練するように構成されたコントローラ８６２の回路または命令である。少なくともいくつかの実施形態では、再訓練セクション８７４は、図１の学習関数１０１などの学習関数を再訓練し、図１の訓練されたモデル１０４などのような訓練されたモデルを生成するように構成される。少なくともいくつかの実施形態では、再訓練セクション８７４は、訓練データ８８２、一般パラメータ８８４に含まれる損失関数およびハイパーパラメータ、モデルパラメータ８８６に含まれる学習関数および訓練されたモデル、ならびにサンプル重み８８８などの記憶ユニット８６４内の情報を利用する。少なくともいくつかの実施形態では、再訓練セクション８７４は、前述のフローチャートで説明したように、追加の機能を実施するためのサブセクションを含む。少なくともいくつかの実施形態では、そのようなサブセクションは、それらの機能に関連付けられた名前によって参照され得る。

生成セクション８７６は、予測モデルを生成するように構成されたコントローラ８６２の回路または命令である。少なくともいくつかの実施形態では、生成セクション８７６は、図４などの予測データセットから、図５などのモデルパラメータ変動などから予測モデルを生成するように構成される。少なくともいくつかの実施形態では、生成セクション８７６は、一般パラメータ８８４に含まれるハイパーパラメータ、モデルパラメータ８８６に含まれる訓練されたモデル、およびサンプル重み８８８などの記憶ユニット８６４内の情報を利用する。少なくともいくつかの実施形態では、生成セクション８７６は、前述のフローチャートで説明したように、追加の機能を実施するためのサブセクションを含む。少なくともいくつかの実施形態では、そのようなサブセクションは、それらの機能に関連付けられた名前によって参照され得る。

調整セクション８７８は、サンプル重みを調整するように構成されたコントローラ８６２の回路または命令である。少なくともいくつかの実施形態では、調整セクション８７８は、モデルパラメータ８８６に含まれる訓練されたモデルおよび１つまたは複数の予測モデル、ならびに一般パラメータ８８４に含まれるハイパーパラメータに基づいて、サンプル重みを訓練データセット８８２に調整するように構成される。少なくともいくつかの実施形態では、調整セクション８７８は、サンプル重み８８８に値を記録する。少なくともいくつかの実施形態では、調整セクション８７８は、前述のフローチャートで説明したように、追加の機能を実施するためのサブセクションを含む。少なくともいくつかの実施形態では、そのようなサブセクションは、対応する機能に関連付けられた名前によって参照される。

少なくともいくつかの実施形態では、装置は、本明細書の動作を実施するために論理機能を処理することが可能な別のデバイスである。少なくともいくつかの実施形態では、コントローラおよび記憶ユニットは、完全に別々のデバイスである必要はなく、いくつかの実施形態では回路または１つまたは複数のコンピュータ可読媒体を共有する。少なくともいくつかの実施形態では、記憶ユニットは、コンピュータ実行可能命令とコントローラによってアクセスされるデータの両方を記憶するハードドライブを含み、コントローラは、中央処理装置（ＣＰＵ）とＲＡＭとの組み合わせを含み、コンピュータ実行可能命令は、本明細書の動作の実施中にＣＰＵによる実行のために全体的または部分的にコピーすることができる。

装置がコンピュータである少なくともいくつかの実施形態では、コンピュータにインストールされたプログラムは、コンピュータに本明細書に記載の実施形態の装置として機能させるか、または装置に関連付けられた動作を実施させることが可能である。少なくともいくつかの実施形態では、そのようなプログラムは、コンピュータに本明細書に記載のフローチャートおよびブロック図のブロックの一部またはすべてに関連付けられた特定の動作を実施させるためにプロセッサによって実行可能である。

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して説明され、そのブロックは、（１）動作が実施されるプロセスのステップ、または（２）動作の実施を担当するコントローラのセクションを表すことができる。特定のステップおよびセクションは、専用回路、コンピュータ可読媒体に記憶されたコンピュータ可読命令を供給されるプログラマブル回路、および／またはコンピュータ可読媒体に記憶されたコンピュータ可読命令を供給されるプロセッサによって実施される。いくつかの実施形態では、専用回路は、デジタルおよび／またはアナログハードウェア回路を含み、集積回路（ＩＣ）および／またはディスクリート回路を含んでもよい。いくつかの実施形態では、プログラマブル回路は、論理ＡＮＤ、ＯＲ、ＸＯＲ、ＮＡＮＤ、ＮＯＲ、および他の論理演算、フリップフロップ、レジスタ、メモリ要素など、例えばフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブル論理アレイ（ＰＬＡ）などを備える再構成可能ハードウェア回路を含む。

本発明の様々な実施形態は、システム、方法、および／またはコンピュータプログラム製品を含む。いくつかの実施形態では、コンピュータプログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体（複数可）を含む。

いくつかの実施形態では、コンピュータ可読記憶媒体は、命令実行デバイスによって使用するための命令を保持および記憶することができる有形のデバイスを含む。いくつかの実施形態では、コンピュータ可読記憶媒体は、例えば、限定はしないが、電子記憶デバイス、磁気記憶デバイス、光記憶デバイス、電磁記憶デバイス、半導体記憶デバイス、または上記の任意の適切な組み合わせを含む。コンピュータ可読記憶媒体のより具体的な例の非網羅的なリストは、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ポータブルコンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、パンチカードまたは命令が記録された溝内の隆起構造などの機械的にエンコードされたデバイス、および上記の任意の適切な組み合わせを含む。本明細書で使用されるコンピュータ可読記憶媒体は、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の伝送媒体（例えば、光ファイバケーブルを通過する光パルス）を通って伝搬する電磁波、またはワイヤを通して伝送される電気信号などの一時的な信号自体であると解釈されるべきではない。

いくつかの実施形態では、本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスに、またはネットワーク、例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、および／もしくは無線ネットワークを介して外部コンピュータもしくは外部記憶デバイスにダウンロード可能である。いくつかの実施形態では、ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、および／またはエッジサーバを含むことができる。各コンピューティング／処理デバイス内のネットワークアダプタカードまたはネットワークインターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶するためにコンピュータ可読プログラム命令を転送する。

いくつかの実施形態では、上述の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語もしくは同様のプログラミング言語などの従来の手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組み合わせで記述されるソースコードもしくはオブジェクトコードのいずれかである。いくつかの実施形態では、コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンソフトウェアパッケージとして、部分的にユーザのコンピュータ上でかつ部分的にリモートコンピュータ上で、または完全にリモートコンピュータもしくはサーバ上で実行される。いくつかの実施形態では、後者のシナリオでは、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）もしくはワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを通じてユーザのコンピュータに接続されるか、または外部コンピュータ（例えば、インターネットサービスプロバイダを使用してインターネットを通じて）に接続されてもよい。いくつかの実施形態では、例えば、プログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、またはプログラマブル論理アレイ（ＰＬＡ）を含む電子回路は、本発明の態様を実施するために、コンピュータ可読プログラム命令の状態情報を利用することによってコンピュータ可読プログラム命令を実行して電子回路を個別化する。

以上、本発明の実施形態について説明したが、特許請求の範囲に記載の技術的範囲は、上述の実施形態に限定されない。様々な改変および改良を上述の実施形態に加えることができることは、当業者には明らかであろう。このような改変または改良を加えた実施形態が本発明の技術的範囲に含まれることもまた、特許請求の範囲の記載から明らかである。

特許請求の範囲、実施形態、または図中において示す装置、システム、プログラム、および方法によって実施される動作、手順、ステップ、および各プロセスの段階は、順序が「よりも前に」、「先立って」などによって示されておらず、また、前のプロセスからの出力を後のプロセスで使用するのでない限り、任意の順序で実施することができる。プロセスの流れが、特許請求の範囲、実施形態、または図中において「まず」または「次に」などの語句を使用して説明されるとしても、これは必ずしもプロセスがこの順序で実施されなければならないことを意味するものではない。

本発明の少なくとも１つの実施形態によれば、前方互換性モデルは、現在の訓練データセットを用いて学習関数を訓練し、第１のモデルを生成することであって、現在の訓練データセットは、複数のサンプルを含むことと、複数の予測モデルを生成することであって、各予測モデルは、現在の訓練データセットまたは第１のモデルのうちの１つの変動に基づくことと、現在の訓練データセットの入力に応答した、複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、現在の訓練データセットおよび複数のサンプル重みを用いて学習関数を再訓練し、第２のモデルを発生させることとを含む動作によって取得される。

いくつかの実施形態は、コンピュータプログラム内の命令、コンピュータプログラムの命令を実行するプロセッサによって実施される方法、および方法を実施する装置を含む。いくつかの実施形態では、装置は、命令内の動作を実施するように構成された回路を含むコントローラを含む。

上記は、当業者が本開示の態様をよりよく理解することができるように、いくつかの実施形態の特徴を概説している。当業者は、本明細書に導入された実施形態と同じ目的を実行し、かつ／または同じ利点を達成するための他のプロセスおよび構造を設計または修正するための基礎として本開示を容易に使用することができることを理解するべきである。当業者はまた、そのような同等の構成が本開示の精神および範囲から逸脱するものではなく、本開示の精神および範囲から逸脱することなく本明細書において様々な変更、置換、および改変を行うことができることを認識するべきである。

上述の例示的な実施形態の一部またはすべては、以下の付記のように記載することができるが、これに限定されるものではない。

（付記１）
複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、
複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、
前記現在の訓練データセットの入力に応答した、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、
前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することと
を含む動作をコンピュータに実施させるために前記コンピュータによって実行可能な命令を含む、コンピュータ可読媒体。

（付記２）
前記複数の予測モデルを生成することは、
前記現在の訓練データセットの変動に基づいて複数の予測訓練データセットを生成することと、
前記複数の予測訓練データセットのうちの各予測訓練データセットを用いて前記学習関数を訓練して、前記複数の予測モデルのうちの対応する予測モデルを生成することと
を含む、付記１に記載のコンピュータ可読媒体。

（付記３）
前記複数の予測モデルを生成することは、
前記第１のモデルのパラメータを変化させるためのランダムベクトルを生成することと、
前記ランダムベクトルに基づいて前記第１のモデルの前記パラメータを変化させて、前記複数の予測モデルを生成することと
を含み、
前記複数の予測モデルのうちの各予測モデルは、前記第１のモデルの前記パラメータの固有の変動に対応する、
付記１に記載のコンピュータ可読媒体。

（付記４）
前記複数のサンプル重みを調整することは、
前記現在の訓練データセットの入力に応答した、前記第１のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較すること
を含み、
前記複数の予測モデルのうちの前記１つまたは複数の予測モデルは、前記第１のモデルに対して最も高い負フリップ率を有する、
付記１に記載のコンピュータ可読媒体。

（付記５）
前記複数のサンプル重みを調整することは、前記複数のサンプル重みのうちの各サンプル重みについて、
前記１つまたは複数の予測モデルのうちの、前記現在の訓練データセットにおける対応するサンプルの入力に応答した正しい出力を有する予測モデルの数を決定することと、
前記予測モデルの数に比例して前記サンプル重みを設定することと
をさらに含む、付記４に記載のコンピュータ可読媒体。

（付記６）
前記複数のサンプル重みを調整すること、および前記学習関数を再訓練することは、複数の反復にわたって実施され、
各後続の反復において前記複数のサンプル重みを調整することは、前記現在の訓練データセットの入力に応答した、前の反復において再訓練された前記第２のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較することを含む、
付記５に記載のコンピュータ可読媒体。

（付記７）
前記複数のサンプル重みのうちの各サンプル重みは、前方互換性要素と、後方互換性要素とを含む、付記１に記載のコンピュータ可読媒体。

（付記８）
前のモデルを前記現在の訓練データセットに適用することと、
前記学習関数の訓練の前に、
前記複数のサンプル重みの前記後方互換性要素が前記現在の訓練データセットの入力に応答した前記前のモデルの出力に基づき、また
前記複数のサンプル重みの前記前方互換性要素が均一になる
ように、前記複数のサンプル重みを初期化することと
をさらに含み、
前記学習関数を訓練することは、前記複数のサンプル重みをさらに用い、
前記複数のサンプル重みを調整することは、前記複数のサンプル重みの前記前方互換性要素を設定することを含む、
付記７に記載のコンピュータ可読媒体。

（付記９）
前記複数のサンプル重みの前記前方互換性要素を前記設定することは、
前記現在の訓練データセットの入力に応答して、前記第１のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較すること
をさらに含み、
前記複数の予測モデルのうちの前記１つまたは複数の予測モデルは、前記第１のモデルに対して最も高い負フリップ率を有する、
付記８に記載のコンピュータ可読媒体。

（付記１０）
前記複数のサンプル重みの前記前方互換性要素を設定することは、前記複数のサンプル重みのうちの各サンプル重みについて、
前記１つまたは複数の予測モデルのうちの、前記訓練データセットにおける対応するサンプルの入力に応答して正しい出力を有する予測モデルの数を決定することと、
前記予測モデルの数に比例して前記前方互換性要素を設定することと
をさらに含む、付記９に記載のコンピュータ可読媒体。

（付記１１）
前記複数のサンプル重みのうちの各サンプル重みは、前記前方互換性要素と前記後方互換性要素の和を含み、
前記複数のサンプル重みのうちの各サンプル重みの前記前方互換性要素または前記後方互換性要素のうちの１つには、相対的重要性係数が乗算される、
付記７に記載のコンピュータ可読媒体。

（付記１２）
前記学習関数は、線形分類器または決定木のうちの１つを含む、付記１に記載のコンピュータ可読媒体。

（付記１３）
複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、
複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、
前記現在の訓練データセットの入力に応答して、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、
前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することと
を含む、方法。

（付記１４）
前記複数の予測モデルを生成することは、
前記現在の訓練データセットの変動に基づいて複数の予測訓練データセットを生成することと、
前記複数の予測訓練データセットのうちの各予測訓練データセットを用いて前記学習関数を訓練して、前記複数の予測モデルのうちの対応する予測モデルを生成することと
を含む、付記１３に記載の方法。

（付記１５）
前記複数の予測モデルを生成することは、
前記第１のモデルのパラメータを変化させるためのランダムベクトルを生成することと、
前記ランダムベクトルに基づいて前記第１のモデルの前記パラメータを変化させ、前記複数の予測モデルを生成することと
を含み、
前記複数の予測モデルのうちの各予測モデルは、前記第１のモデルの前記パラメータの固有の変動に対応する、
付記１３に記載の方法。

（付記１６）
前記複数のサンプル重みを調整することは、
前記現在の訓練データセットの入力に応答した、前記第１のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較すること
を含み、
前記複数の予測モデルのうちの前記１つまたは複数の予測モデルは、前記第１のモデルに対して最も高い負フリップ率を有する、
付記１３に記載の方法。

（付記１７）
前記複数のサンプル重みを調整することは、前記複数のサンプル重みのうちの各サンプル重みについて、
前記１つまたは複数の予測モデルのうちの、前記現在の訓練データセットにおける対応するサンプルの入力に応答した正しい出力を有する予測モデルの数を決定することと、
前記予測モデルの数に比例して前記サンプル重みを設定することと
をさらに含む、付記１６に記載の方法。

（付記１８）
前記複数のサンプル重みを調整すること、および前記学習関数を再訓練することは、複数の反復にわたって実施され、
各後続の反復において前記複数のサンプル重みを調整することは、前記現在の訓練データセットの入力に応答した、前の反復において再訓練された前記第２のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較することを含む、
付記１７に記載の方法。

（付記１９）
前記複数のサンプル重みのうちの各サンプル重みは、前方互換性要素と、後方互換性要素とを含む、付記１３に記載の方法。

（付記２０）
現在の訓練データセットのパラメータを変化させるための摂動ベクトルを生成することと、
前記摂動ベクトルから、前記現在の訓練データセットにおける各サンプルに対応するサンプル重みを含む最も摂動されたサンプル重みセットを検出することと、
前記最も摂動されたサンプル重みセットに基づいて複数のサンプル重みを調整することと、
前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を訓練して、第２のモデルを生成することと
を含む動作をコンピュータに実施させるために前記コンピュータによって実行可能な命令を含む、コンピュータ可読媒体。

本出願は、２０２１年４月２０日に出願された米国仮特許出願第６３／１７７，３５５号明細書の利益を主張し、その全体が参照により本明細書に組み込まれる。さらに、本出願は、２０２１年７月２９日に出願された米国特許出願第１７／３８９，２３７号明細書の利益を主張し、その全体が参照により本明細書に組み込まれる。

Claims

複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、
複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、
前記現在の訓練データセットの入力に応答した、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、
前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することと
を含む動作をコンピュータに実施させるためのプログラムであって、
前記複数のサンプル重みを調整することは、
前記現在の訓練データセットの入力に応答した、前記第１のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較すること
を含み、
前記複数の予測モデルのうちの前記１つまたは複数の予測モデルは、前記第１のモデルに対して最も高い負フリップ率を有し、
前記複数のサンプル重みを調整することは、前記複数のサンプル重みのうちの各サンプル重みについて、
前記１つまたは複数の予測モデルのうちの、前記現在の訓練データセットにおける対応するサンプルの入力に応答した正しい出力を有する予測モデルの数を決定することと、
前記予測モデルの数に比例して前記サンプル重みを設定することと
をさらに含む、プログラム。
前記複数の予測モデルを生成することは、
前記現在の訓練データセットの変動に基づいて複数の予測訓練データセットを生成することと、
前記複数の予測訓練データセットのうちの各予測訓練データセットを用いて前記学習関数を訓練して、前記複数の予測モデルのうちの対応する予測モデルを生成することと
を含む、請求項１に記載のプログラム。
前記複数の予測モデルを生成することは、
前記第１のモデルのパラメータを変化させるためのランダムベクトルを生成することと、
前記ランダムベクトルに基づいて前記第１のモデルの前記パラメータを変化させて、前記複数の予測モデルを生成することと
を含み、
前記複数の予測モデルのうちの各予測モデルは、前記第１のモデルの前記パラメータの固有の変動に対応する、
請求項１に記載のプログラム。
前記複数のサンプル重みを調整すること、および前記学習関数を再訓練することは、複数の反復にわたって実施され、
各後続の反復において前記複数のサンプル重みを調整することは、前記現在の訓練データセットの入力に応答した、前の反復において再訓練された前記第２のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較することを含む、
請求項１に記載のプログラム。
前記複数のサンプル重みのうちの各サンプル重みは、前方互換性要素と、後方互換性要素とを含む、請求項１に記載のプログラム。
前のモデルを前記現在の訓練データセットに適用することと、
前記学習関数の訓練の前に、
前記複数のサンプル重みの前記後方互換性要素が前記現在の訓練データセットの入力に応答した前記前のモデルの出力に基づき、また
前記複数のサンプル重みの前記前方互換性要素が均一になる
ように、前記複数のサンプル重みを初期化することと
をさらに含み、
前記学習関数を訓練することは、前記複数のサンプル重みをさらに用い、
前記複数のサンプル重みを調整することは、前記複数のサンプル重みの前記前方互換性要素を設定することを含む、
請求項５に記載のプログラム。
コンピュータが、
複数のサンプルを含む現在の訓練データセットを用いて学習関数を訓練して、第１のモデルを生成することと、
複数の予測モデルを生成することであって、前記複数の予測モデルの各予測モデルは、前記現在の訓練データセットまたは前記第１のモデルのうちの１つの変動に基づくことと、
前記現在の訓練データセットの入力に応答した、前記複数の予測モデルのうちの１つまたは複数の予測モデルの出力に基づいて複数のサンプル重みを調整することと、
前記現在の訓練データセットおよび前記複数のサンプル重みを用いて前記学習関数を再訓練して、第２のモデルを生成することと
を含む、方法であって、
前記複数のサンプル重みを調整することは、
前記現在の訓練データセットの入力に応答した、前記第１のモデルの出力を前記複数の予測モデルのうちの各予測モデルの出力と比較すること
を含み、
前記複数の予測モデルのうちの前記１つまたは複数の予測モデルは、前記第１のモデルに対して最も高い負フリップ率を有し、
前記複数のサンプル重みを調整することは、前記複数のサンプル重みのうちの各サンプル重みについて、
前記１つまたは複数の予測モデルのうちの、前記現在の訓練データセットにおける対応するサンプルの入力に応答した正しい出力を有する予測モデルの数を決定することと、
前記予測モデルの数に比例して前記サンプル重みを設定することと
をさらに含む、方法。