本发明专利技术提供一种学习装置及记录介质，可在过去的多个案例中使用的多个学习完成数据集之中选择性地使用与新案例的学习数据集类似的学习完成数据集来进行机器学习。学习装置(10)包括CPU(11)。CPU(11)从过去的多个案例的机器学习中所使用且各自包含输入数据、正确答案数据及学习完成模型的多个学习完成数据集之中，选择与用于新案例的机器学习的包含输入数据及正确答案数据的学习数据集类似的学习完成数据集，并使用所选择的学习完成数据集的输入数据及正确答案数据、以及学习数据集的输入数据及正确答案数据来进行机器学习。入数据及正确答案数据来进行机器学习。入数据及正确答案数据来进行机器学习。
【技术实现步骤摘要】
学习装置及记录介质
[0001]本专利技术涉及一种学习装置及记录介质。
技术介绍
[0002]例如，在专利文献1中记载有一种对输入的图像数据进行与所述图像数据的特征对应的内容的图像处理后予以输出的图像处理装置。所述图像处理装置具有：图像处理部，具有图像处理的内容不同的多种图像处理单元；以及指定单元，用于在图像处理部内的图像处理单元中指定要使用的图像处理单元或其数量。另外，所述图像处理装置具有：神经网络(neural network)，将表示图像数据的特征的数据输入至输入层，并从输出层输出选择数据，所述选择数据用于从由指定单元指定的图像处理单元中选择一个图像处理单元；以及学习单元，使神经网络进行学习，以便从输出层输出用于选择与输入至输入层的数据对应的适当的图像处理单元的选择数据。
[0003]另外，在专利文献2中记载有一种可容易地利用深度神经网络(deep neural network，DNN)的提供装置。所述提供装置包括：登记部，对学习器进行登记，所述学习器连接有输出相对于输入数据的运算结果的节点，且所述学习器从输入数据提取与规定的类别对应的特征；以及接收部，接收对特征的类别的指定。另外，所述提供装置包括：提供部，基于由登记部登记的学习器，选择用于提取与由接收部接收的特征的类别对应的特征的学习器，并提供基于所选择的所述学习器而生成的新的学习器；以及计算部，计算向提供了提供部所选择的学习器的卖主支付的报酬。
[0004][现有技术文献][0005][专利文献][0006][专利文献1]日本专利特开平10-283458号公报
[0007][专利文献2]日本专利特开2016-004548号公报
技术实现思路
[0008][专利技术所要解决的问题][0009]且说，在使用新案例的学习数据集进行机器学习的情况下，通过有效利用在过去的案例中进行机器学习而得的结果即学习完成数据集，相对于新案例的学习模型，性能、品质等得到保证。
[0010]然而，并非将过去的多个案例中使用的多个学习完成数据集全部移用即可，理想的是排除与新案例的学习数据集不类似的学习完成数据集，仅选择性地移用类似的学习完成数据集。
[0011]本专利技术的目的在于提供一种学习装置及记录介质，可在过去的多个案例中使用的多个学习完成数据集之中选择性地使用与新案例的学习数据集类似的学习完成数据集来进行机器学习。
[0012][解决问题的技术手段][0013]为了实现所述目的，第一实施例的学习装置包括处理器，所述处理器从过去的多个案例的机器学习中所使用且各自包含输入数据、正确答案数据及学习完成模型的多个学习完成数据集之中，选择与用于新案例的机器学习的包含输入数据及正确答案数据的学习数据集类似的学习完成数据集，且使用所选择的所述学习完成数据集的输入数据及正确答案数据、以及所述学习数据集的输入数据及正确答案数据来进行机器学习。
[0014]另外，第二实施例的学习装置是根据第一实施例所述的学习装置，其中，所述处理器将所述学习数据集的输入数据输入至各个所述学习完成模型，算出从所述学习完成模型获得的输出数据与所述学习数据集的正确答案数据的类似度，并基于所算出的类似度，选择与所述学习数据集类似的学习完成数据集。
[0015]另外，第三实施例的学习装置是根据第二实施例所述的学习装置，其中，所述类似度由所述输出数据的像素值与所述学习数据集的正确答案数据的像素值的差、所述输出数据相对于所述学习数据集的正确答案数据的识别率、及所述输出数据相对于所述学习数据集的正确答案数据的编辑距离的至少一者表示。
[0016]另外，第四实施例的学习装置是根据第一实施例所述的学习装置，其中，所述处理器针对所述多个学习完成数据集的各个来算出相对于所述学习数据集的类似度，并基于所算出的类似度，选择与所述学习数据集类似的学习完成数据集。
[0017]另外，第五实施例的学习装置是根据第四实施例所述的学习装置，其中，所述类似度由所述学习完成数据集的输入数据与所述学习数据集的输入数据的类似度、及所述学习完成数据集的正确答案数据与所述学习数据集的正确答案数据的类似度的至少一者表示。
[0018]另外，第六实施例的学习装置是根据第一实施例所述的学习装置，其中，所述处理器使用所述多个学习完成数据集的各个中所含的输入数据及正确答案数据来进行机器学习，由此生成学习模型，对所生成的学习模型输入所述学习数据集的输入数据及正确答案数据，并基于从所生成的所述学习模型获得的输出结果，选择与所述学习数据集类似的学习完成数据集。
[0019]另外，第七实施例的学习装置是根据第一实施例至第六实施例中的任一实施例所述的学习装置，其中，所述处理器基于本装置的安装目的地信息，将所述多个学习完成数据集进一步限缩为能够由本装置处理的学习完成数据集。
[0020]另外，第八实施例的学习装置是根据第一实施例至第七实施例中的任一实施例所述的学习装置，其中，所述处理器在进行所述新案例的机器学习的情况下，将从所选择的所述学习完成数据集获得的值设定为所述机器学习的初始值。
[0021]另外，第九实施例的学习装置是根据第一实施例至第八实施例中的任一实施例所述的学习装置，其中，所选择的所述学习完成数据集还包括对输入数据进行变形而获得的变形输入数据、以及作为变形输入数据的正确答案数据的变形正确答案数据，
[0022]所述处理器使用所选择的所述学习完成数据集的输入数据、正确答案数据、变形输入数据及变形正确答案数据、以及所述学习数据集的输入数据及正确答案数据来进行机器学习。
[0023]进而，为了实现所述目的，第十实施例的记录介质，其记录有使计算机执行下述处理的学习程序：从过去的多个案例的机器学习中所使用且各自包含输入数据、正确答案数据及学习完成模型的多个学习完成数据集之中，选择与用于新案例的机器学习的包含输入
数据及正确答案数据的学习数据集类似的学习完成数据集，且使用所选择的所述学习完成数据集的输入数据及正确答案数据、以及所述学习数据集的输入数据及正确答案数据来进行机器学习。
[0024][专利技术的效果][0025]根据第一实施例及第十实施例，具有如下效果：可在过去的多个案例中使用的多个学习完成数据集之中选择性地使用与新案例的学习数据集类似的学习完成数据集来进行机器学习。
[0026]根据第二实施例，具有如下效果：与不利用学习完成数据集的学习完成模型的情况相比，可有效率地且精度良好地算出新案例的学习数据集与学习完成数据集的类似度。
[0027]根据第三实施例，具有如下效果：与不考虑数据间的像素值的差、识别率及编辑距离的情况相比，可有效率地且精度良好地算出新案例的学习数据集与学习完成数据集的类似度。
[0028]根据第四实施例，具有如下效果：与不利用学习完成数据集的各数据的情况相比，可精度良好地算出新案例的学习数据集与学习完成数据集的类似度。
[0029]根据第五实施例，具有如下效果：与不考虑输入数据间的类似度及正确答案数据间的类似度的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种学习装置，其特征在于，包括处理器，所述处理器从过去的多个案例的机器学习中所使用且各自包含输入数据、正确答案数据及学习完成模型的多个学习完成数据集之中，选择与用于新案例的机器学习的包含输入数据及正确答案数据的学习数据集类似的学习完成数据集，且使用所选择的所述学习完成数据集的输入数据及正确答案数据、以及所述学习数据集的输入数据及正确答案数据来进行机器学习。2.根据权利要求1所述的学习装置，其特征在于，所述处理器将所述学习数据集的输入数据输入至各个所述学习完成模型，算出从所述学习完成模型获得的输出数据与所述学习数据集的正确答案数据的类似度，并基于所算出的类似度，选择与所述学习数据集类似的学习完成数据集。3.根据权利要求2所述的学习装置，其特征在于，所述类似度由所述输出数据的像素值与所述学习数据集的正确答案数据的像素值的差、所述输出数据相对于所述学习数据集的正确答案数据的识别率、及所述输出数据相对于所述学习数据集的正确答案数据的编辑距离的至少一者表示。4.根据权利要求1所述的学习装置，其特征在于，所述处理器针对所述多个学习完成数据集的各个来算出相对于所述学习数据集的类似度，并基于所算出的类似度，选择与所述学习数据集类似的学习完成数据集。5.根据权利要求4所述的学习装置，其特征在于，所述类似度由所述学习完成数据集的输入数据与所述学习数据集的输入数据的类似度、及所述学习完成数据集的正确答案数据与所述学习数据集的正确答案数据的类似度的至少一者表示。6.根据权利要求1所述的学习装置，其特征在于，所述处理器使...
【专利技术属性】
技术研发人员：安达真太郎，山口聡之，上野邦和，刘洋，
申请(专利权)人：富士胶片商业创新有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。