信息处理装置、信息处理方法以及存储介质制造方法及图纸

实施方式的信息处理装置具有数据取得部以及网络处理部。取得部取得包含多个真实节点和一个以上的真实边缘的图结构数据，所述真实边缘连接所述多个真实节点中的两个。网络处理部基于所述数据取得部所取得的图结构数据，执行在神经网络中使多个虚拟节点各自的第k－1层的特征量至少传播到其他虚拟节点的第k层的特征量的处理(k为1以上的自然数)，所述多个虚拟节点包含所述多个真实节点以及所述一个以上的真实边缘，所述其他虚拟节点与所述各个虚拟节点有连接关系。

【技术实现步骤摘要】
【国外来华专利技术】信息处理装置、信息处理方法以及存储介质
本专利技术的实施方式关于信息处理装置、信息处理方法以及存储介质。
技术介绍
近年来，进行了将人工智能运用于产业领域的尝试。其利用被研究的人工智能技术多是深度学习及其相关技术，适用范围扩展至图像识别、故障分析、特性预测等。特别是，图像识别中积极地进行了运用卷积神经网络(CNN；ConvolutionalNeuralNetwork)的研究和实际应用。CNN中，对于图像的各像素点实施使用了附近的像素信息的过滤器处理(卷积处理、池化(pooling)处理)后，通过输入至全连接(fullconnection)的神经网络，能够实现提高计算的效率化和精度。可以认为作为过滤器处理的卷积、池化是将实际的视觉系统的结构反映到神经网络的结构中的处理，该实际的视觉系统的结构是指实际的视觉区上的感受野上的处理仅以附近的视觉细胞的信号为对象的局部处理。该过滤器处理中，由视觉区整体来分散并列地进行相同的处理。并且，在反映了视觉系统的神经网络中，各像素彼此的连接结构至少作为刚刚输入后的处理而成为具有局部连接图(graph)结构的处理。与之相关，为了将图结构的数据适用于人工智能，正在进行反映了图结构的神经网络的研究(参照非专利文献1)。然而，在以往的反映了图结构的神经网络的技术中，存在无法应对大规模化、多样性、变动性等需求的情况。现有技术文献非专利文献非专利文献1：“GRAPHATTENTIONNETWORKS”。PetarVelickovicetal，PublishedasaconferencepaperatICLR2018
技术实现思路
专利技术要解决的课题本专利技术要解决的课题是提供一种能够应对更广泛的需求的信息处理装置、信息处理方法、以及存储介质。用于解决课题的手段实施方式的信息处理装置具有数据取得部和网络处理部。数据取得部取得包含多个真实节点和一个以上的真实边缘的图结构数据，所述真实边缘连接所述多个真实节点中的两个。网络处理部基于所述数据取得部所取得的图结构的数据，执行在神经网络中使多个虚拟节点各自的第k－1层的特征量至少传播到其他虚拟节点的第k层的特征量的处理，所述多个虚拟节点包含所述多个真实节点以及所述一个以上的真实边缘，所述其他虚拟节点与所述各个虚拟节点有连接关系(k为1以上的自然数)。附图说明图1是表示通过以往的构思从图结构的数据生成神经网络的样子的图。图2是表示通过第一实施方式的方法从图结构的数据生成神经网络的样子的图。图3是用于对信息处理装置决定系数αi,j的方法进行说明的图。图4是第一实施方式的信息处理装置的框图。图5是表示虚拟节点AN的种类的定义的一个例子的图。图6是表示通过第二实施方式的方法从图结构的数据生成的神经网络的图。图7是表示根据对象数据的变更而变更神经网络的样子的图。图8是第二实施方式的信息处理装置的框图。图9是用于对将第二实施方式适用于电力输电配电网的样子进行说明的图。图10是表示变形例的神经网络的一个例子的图。具体实施方式以下，参照附图对实施方式的信息处理装置、信息处理方法、以及程序进行说明。首先，对信息处理装置制作的神经网络的原理进行说明。图1是表示通过以往的构思从图结构的数据生成神经网络的样子的图。图1的上图示意性地示出了图结构的数据。图示的构成中存在真实节点RN1～RN4。“真实节点”是用于与后述的“虚拟节点”区分的概念，意味着信息处理装置所取得的图结构的数据(处理对象数据、元数据)中的节点。真实节点RN1具有特征量h1，真实节点RN2具有特征量h2，真实节点RN3具有特征量h3，真实节点RN4具有特征量h4。特征量例如是向量，但在本说明书以及附图中，标量和向量在表述上不进行区分。图1的上图中，真实节点RN1与真实节点RN2在真实边缘RE12上被连接，真实节点RN1与真实节点RN3在真实边缘RE13上被连接，真实节点RN1与真实节点RN4在真实边缘RE14上被连接，真实节点RN2与真实节点RN3在真实边缘RE23上被连接。“真实边缘”是用于与后述的“虚拟边缘”区分的概念，意味着信息处理装置所取得的图结构的数据的边缘。这里的“被连接”意味着相互的特征量在下一个状态下对双方的特征量互相带来影响的关系。该定义以无向图作为前提，但在处理有向图的情况下，“被连接”意味着一方的特征量在下一个状态下对另一方的特征量带来影响的关系。图1的下图是表示基于图1的上图所示的图结构的数据所生成的神经网络的一个例子的图。h1#、h2#、h3#、h4#分别是真实节点RN1、RN2、RN3、RN4各自的特征量的、中间第1层的特征量。如图所示，图1的上图中的真实边缘RE原样地成为神经网络的连接结构。特征量h1#如式(1)所示。式中，α1,1～α1,4是表示传播程度的系数。由此，某真实节点RN的第k层的特征量通过相对于有连接关系的其他真实节点RN以及该真实节点RN自身的、k－1层的特征量分别乘以系数与传播矩阵W并合计而求得。关于传播矩阵将后述。h1#＝α1,1·W·h1+α1,2·W·h2+α1,3·W·h3+α1,4·W·h4…(1)(第一实施方式)图2是表示通过第一实施方式的方法从图结构的数据生成神经网络的样子的图。如图所示，第一实施方式的信息处理装置不仅设定包含真实节点RN的虚拟节点AN，还设定包含真实边缘RE的虚拟节点AN，并生成神经网络，该神经网络是使虚拟节点AN的第k－1层的特征量传播到有连接关系的其他虚拟节点AN的第k层的特征量、以及该虚拟节点AN自身的第k层的特征量的神经网络。k为1以上的自然数，k＝0的层例如意味着输入层。信息处理装置例如基于式(2)决定中间第1层的特征量。式(2)相当于虚拟节点(RN1)的中间第1层的特征量h1#的计算方法。作为一个例子，α1、12是表示虚拟节点(RN1)与虚拟节点(RE12)之间的传播程度的系数。虚拟节点(RN1)的中间第2层的特征量h1##如式(3)所示。中间第3层以后也依次以同样的规则决定特征量。h1#＝α1,1·W·h1+α1,12·W·h12+α1,13·W·h13+α1,14·W·h14…(2)h1##＝α1,1·W·h1#+α1,12·W·h12#+α1,13·W·h13#+α1,14·W·h14#…(3)信息处理装置例如通过基于图注意力网络(GraphAttentionNetwork)的规则决定系数αi,j。图3是用于对信息处理装置决定系数αi,j的方法进行说明的图。信息处理装置将向量(Whi，Whj)输入到单独神经网络a(注意力)，该向量(Whi，Whj)结合了传播源的虚拟节点RNi的特征量hi乘以传播矩阵W而得的向量Whi与传播目标的虚拟节点RNj的特征量hj乘以传播矩阵W而得的向量Whj，并将输出层的向量输入到S型函数(sigmoid函数)、ReLU、归一化指数函数本文档来自技高网...

【技术保护点】
1.一种信息处理装置，具备：/n数据取得部，取得包含多个真实节点和一个以上的真实边缘的图结构的数据，所述真实边缘连接所述多个真实节点中的两个；以及/n网络处理部，基于所述数据取得部所取得的图结构的数据，执行在神经网络中使多个虚拟节点各自的第k－1层的特征量至少传播到其他虚拟节点的第k层的特征量的处理(k为1以上的自然数)，所述多个虚拟节点包含所述多个真实节点以及所述一个以上的真实边缘，所述其他虚拟节点与所述各个虚拟节点有连接关系。/n

【技术特征摘要】
【国外来华专利技术】20180523 JP 2018-0991751.一种信息处理装置，具备：
数据取得部，取得包含多个真实节点和一个以上的真实边缘的图结构的数据，所述真实边缘连接所述多个真实节点中的两个；以及
网络处理部，基于所述数据取得部所取得的图结构的数据，执行在神经网络中使多个虚拟节点各自的第k－1层的特征量至少传播到其他虚拟节点的第k层的特征量的处理(k为1以上的自然数)，所述多个虚拟节点包含所述多个真实节点以及所述一个以上的真实边缘，所述其他虚拟节点与所述各个虚拟节点有连接关系。


2.根据权利要求1所述的信息处理装置，其中，
所述网络处理部还使所述多个虚拟节点各自的第k－1层的特征量传播到所述各个虚拟节点自身的第k层的特征量。


3.根据权利要求1所述的信息处理装置，其中，
所述网络处理部从多个种类中设定所述虚拟节点的种类，按所述设定的虚拟节点的每个种类，使对系数进行设定的规则不同，所述系数是使所述特征量传播时的系数。


4.根据权利要求1所述的信息处理装置，其中，
所述网络处理部利用基于图注意力网络的规则来设定使所述特征量传播时的系数的至少一部分。

【专利技术属性】
技术研发人员：伊藤秀将，釜谷幸男，花井克之，
申请(专利权)人：株式会社东芝，东芝数字解决方案株式会社，
类型：发明
国别省市：日本;JP