信息处理系统及信息处理系统的学习方法技术方案

一种信息处理系统及信息处理系统的学习方法。在以往的机器学习中，关于数据较少的事件，存在预测精度降低的问题。在本发明专利技术的优选的一个方式中，在输入原始数据并输出预测结果的信息处理系统中，根据原始数据至少生成第1数据和第2数据。使用第1数据进行预测的第1预测式具有至少一个参数，具有使用第1预测式的第1预测结果来调整该参数的第1学习器。使用第2数据进行预测的第2预测式具有至少一个参数，具有使用第2预测式的第2预测结果来调整该参数的第2学习器。并且，在由第1学习器调整的参数和由第2学习器调整的参数中具有至少一个共同的参数。

Learning Method of Information Processing System and Information Processing System

【技术实现步骤摘要】
信息处理系统及信息处理系统的学习方法
本专利技术涉及信息处理系统，用于使用企业、人及社会活动的数据支援预测或判断。
技术介绍
为了运用企业或社会每时每刻收集并蓄积的数据，人工智能技术受到关注。特别是，关于通过捕捉数据的特点来根据图像进行人脸或对象的识别的图像识别、根据声音的特点识别语言的声音识别等，近年来通过采用深度学习的技术实现了精度的大幅提高。随着包括深度学习在内的机器学习或人工智能的技术的发展，期待着能够根据数据进行商务或社会的预测。对采用这样的数据和机器学习的预测技术，期待着在企业业绩的预测、需求的预测、事故或故障的预测等方面的广范围的应用。关于这样的现有技术，例如已有如专利文献1那样的技术。专利文献1：日本特开2017－201526号公报在机器学习中，通过抽取过去的数据中潜在的事件的特点，根据数据生成预测的模型式。在人工智能(AI)的用语中，将其称为“学习”。然而，对发生频次少的罕见事件进行学习，由于过去的实绩数据少而更加困难。在以往包括深度学习的机器学习中，使用过去的实绩数据调整预测式中包含的预测参数，使得预测误差减小。但是，在发生频次少的事件中，根据在特定的状况下偶然发生的事件调整预测参数，将陷入过度适应，在新的状况下反而导致预测精度降低，这种“过度学习”现象的产生成为大问题。
技术实现思路
根据本专利技术的优选的一个方式，在输入原始数据并输出预测结果的信息处理系统中，根据原始数据至少生成第1数据和第2数据。使用第1数据进行预测的第1预测式具有至少一个参数，具有使用第1预测式的第1预测结果来调整该参数的第1学习器。使用第2数据进行预测的第2预测式具有至少一个参数，具有使用第2预测式的第2预测结果来调整该参数的第2学习器。并且，在由第1学习器调整的参数和由第2学习器调整的参数中具有至少一个共同的参数。根据本专利技术的优选的另一个方式，准备多个由说明变量和第1结果数据的组构成的示教数据，准备多个由说明变量的组构成的第1学习用数据，采用使用了由多个参数构成的预测参数的预测式，根据第1学习用数据得到第1预测数据，以使第1结果数据与第1预测数据的误差减小的方式，变更预测参数来得到第1预测参数。并且，准备多个由说明变量和第2结果数据的组构成的改变数据，准备多个由说明变量的组构成的第2学习用数据，采用使用了预测参数的预测式，根据第2学习用数据得到第2预测数据，以使第2结果数据与第2预测数据的误差减小的方式，变更预测参数来得到第2预测参数。并且，对相对于第2预测参数的变化而言的误差的变化、以及相对于第2预测参数的变化而言的第2结果数据与第2预测数据的相关系数的变化中的至少一个变化进行评价，根据预测参数抽取规定的参数，对第1预测参数中的与所抽取的规定的参数相符的参数，校正第1预测参数。专利技术效果对于以往的机器学习(包括深度学习)面临的数据较少的事件，能够避免预测精度降低的问题。附图说明图1是表示实施例的信息处理系统的概念图。图2是表示构成实施例的预测器的框图。图3是表示实施例的信息处理系统的结构的框图。图4是表示构成实施例的信息处理系统的学习器2的框图。图5是表示实施例的学习器2的处理流程的流程图。标号说明101原始数据；102前处理器；103随机数生成1；104数据抽取器1；105学习用数据1；106预测器1；107示教数据；108预测数据1；109学习器1；110随机数生成3；111学习参数1；112预测参数；113随机数生成2；114数据抽取器2；115学习用数据2；116预测器2；117预测数据2；119与示教数据不同的改变数据；120学习器2；121学习参数2；122随机数生成4；123已加工数据。具体实施方式关于实施方式，使用附图进行详细说明。但是，本专利技术不能限定地解释为以下示出的实施方式的记载内容。本领域技术人员容易理解，能够在不脱离本专利技术的思想乃至宗旨的范围内变更其具体结构。在以下说明的专利技术的结构中，对于相同部分或者具有相同功能的部分，在不同的附图之间共同使用相同的标号，有时省略重复说明。本说明书等中的“第1”、“第2”、“第3”等表述，是为了识别构成要素而附加的，不一定限定数量、顺序或者其内容。并且，构成要素的识别用的号码是在每个上下文中使用的，在一个上下文中使用的号码，在其它的上下文中未必表示相同的构成要素。并且，用某一号码识别的构成要素不妨碍兼用于通过其它号码识别的构成要素的功能。在附图等中示出的各构成要素的位置、尺寸、形状、范围等是为了容易理解专利技术，存在不表示实际的位置、尺寸、形状、范围等的情况。因此，本专利技术不限于附图等公开的位置、尺寸、形状、范围等。在本说明书中引用的期刊物、专利及专利文献，直接构成本说明书的说明的一部分。在本说明书中用单数形式表示的构成要素，只要在特定段落的上下文中没有明确注释，就视为也包括复数形式。在以下说明的具体的实施例中，在使用过去的数据减小预测误差的以往的第1学习周期的基础上，还具有第2学习周期，该第2学习周期中，通过有意识地对AI输入错误的数据，使学习不受错误数据影响。这不仅用于学习根据过去的数据而应该反应的“信号”的特点，而且还学习不受没有意义的“噪声”影响的情况。另外，在优选的方式中，取代以往深度学习所采用的“多数决定”，而使用以“和/乘积/否定”为基本要素并多层化的网络构造来构成预测式，以便能够说明由人工智能得到的结果的依据。由此，对于以往的机器学习(包括深度学习)所面临的数据较少的事件，能够避免预测精度降低的问题，即使是较少的数据也能够具有高度的预测能力，并对其结果进行排他性分解来进行说明。【实施例1】图1是表示本专利技术的信息处理系统的具体例的概念图。在该具体例中，输入原始数据(101)，输出预测原始数据中包含的示教数据(正解数据)的精度良好的预测模型。其中，预测模型具体地是指用于预测的算法即预测器(106)及其参数即预测参数(112)。作为具体例，说明融资审查的预测。原始数据是融资对象的信息(例如住房贷款等融资的申请数据中包含的性别、年龄、工作年数、借款金额、年收入等用于规定条件的条件数据)，示教数据是融资的案件是否成为过呆账的过去的实绩(结果)的数据即结果数据。条件数据与说明变量相当，结果数据与目的变量相当。关于各种过去的融资对象，将融资对象的M个信息(说明变量)和是否成为过呆账的1个示教数据(目的变量)这两者相加，关于各种融资对象的过去的实绩，准备N个数据集(dataset)。一件融资用由M+1个数据构成的数据的束(即向量)表示。若将该M+1维的向量数据收集了N件，则原始数据成为N行、M+1列的表格数据或者数据库及文本数据。该信息处理系统输出融资的结果、预测该融资对象是否成为呆账的模型(预测式和预测参数)。以融资预测的例子来说明该信息处理系统。首先，对原始数据进行前处理使成为计算机容易处理的形式(102)。例如，作为考虑数据中包含工作单位分类的分类，按照金融业、制造业、公务员等这样的类别进行分类。将类别替换为1和0的数值，在申请者是金融业时设为1，在非金融业时设为0。这成为表示工作单位是金融业的数值。按照类别被分类的数据可以这样转换成1和0的数值信息(按照每种类别成为多个数据列)。说明原始数据是数值数据的情况。例如，在输入年收入的数值的情况下，本文档来自技高网...

【技术保护点】
1.一种信息处理系统，输入原始数据并输出预测结果，其特征在于，根据所述原始数据，至少生成第1数据和第2数据，使用所述第1数据进行预测的第1预测式具有至少一个参数，具有使用所述第1预测式的第1预测结果来调整该参数的第1学习器，使用所述第2数据进行预测的第2预测式具有至少一个参数，具有使用所述第2预测式的第2预测结果来调整该参数的第2学习器，在由所述第1学习器调整的参数和由所述第2学习器调整的参数中具有至少一个共同的参数。

【技术特征摘要】
2017.12.18 JP 2017-2414301.一种信息处理系统，输入原始数据并输出预测结果，其特征在于，根据所述原始数据，至少生成第1数据和第2数据，使用所述第1数据进行预测的第1预测式具有至少一个参数，具有使用所述第1预测式的第1预测结果来调整该参数的第1学习器，使用所述第2数据进行预测的第2预测式具有至少一个参数，具有使用所述第2预测式的第2预测结果来调整该参数的第2学习器，在由所述第1学习器调整的参数和由所述第2学习器调整的参数中具有至少一个共同的参数。2.根据权利要求1所述的信息处理系统，其特征在于，所述第2数据中的示教数据是不使用来自所述原始数据的数据、而被赋予了与所述原始数据不同的标记或者数值的数据。3.根据权利要求1所述的信息处理系统，其特征在于，所述第1预测式包括加权和及非线性函数。4.根据权利要求1所述的信息处理系统，其特征在于，所述第1预测式包括乘积及加权和。5.根据权利要求1所述的信息处理系统，其特征在于，所述第2学习器具有学习部和反应性评价部，所述学习部调整包括所述共同的参数的多个参数，以使所述第2数据与所述第2预测结果的误差减小的方式，调整所述多个参数，所述反应性评价部在所述多个参数中抽取所述误差的变化量相对于参数的变化而言大至规定以上的参数。6.根据权利要求1所述的信息处理系统，其特征在于，所述第2学习器具有学习部和反应性评价部，所述学习部调整包括所述共同的参数的多个参数，以使所述第2数据与所述第2预测结果的误差减小的方式，调整所述多个参数，所述反应性评价部在所述多个参数中抽取所述第2数据与所述第2预测结果的相关系数的变化量相对于参数的变化而言大至规定以上的参数。7.根据权利要求1所述的信息处理系统，其特征在于，所述第2学习器具有学习部、反应性评价部及参数校正部，所述学习部调整包括所述共同的参数的多个参数，以使所述第2数据与所述第2预测结果的误差减小的方式，调整所述多个参数，所述反应性评价部在所述多个参数中抽取所述误差或者所述第2数据与所述第2预测结果的相关系数的变化量相对于参数的变化而言大至规定以上的参数，所述参数校正部对所抽取的所述参数，校正由所述第1学习器调整的参数。8.根据权利要求7所述的信息处理系统，其特征在于，所述参数校正部对...

【专利技术属性】
技术研发人员：矢野和男，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：日本,JP