CN116635877B 模型生成装置、推测装置、模型生成方法以及存储介质 （欧姆龙株式会社）

2023.06.05PCT/JP2021/03372320WO2022/163003JA2022.08.04所述模型生成装置实施包括特征编织网络以及编织各顶点的流出枝以及流入枝的特征量。而于对象顶点来根据所输入的所有枝的特征量导2所述特征编织网络构成为，通过包括多个特征编织层，从而受理输所述推测器构成为，根据从所述特征编织网络输出的所述特征信息所述第一输入张量构成为具有：所述输入图的属于第一集的第一顶点作为要素而第一顶点向所述第二顶点流出的枝相关的特征量作为要素而排所述第二输入张量构成为具有：所述第二顶点作为要素而排列的第一轴、固定所述第二输入张量的所述第三轴而使所述第二输入张量的所述第三轴以外的其固定所述第一输入张量的所述第三轴而使所述第一输入张量的所述第三轴以外的其将所生成的所述第一连结张量分割为第一轴的每个要素而输入至所将所生成的所述第二连结张量分割为第一轴的每个要素而输入至所所述多个特征编织层中的最开始的特征编织层构成为，从所述输入图所述特征信息包含从所述多个特征编织层中的最后的特征编织层输出的所述第一输所述机器学习是通过下述方式而构成，即，将各训练图作为所述3所述各特征编织层的所述编码器包含在所述第一连结张量以及所述第二连结张量的所述各特征编织层对应于每个所述连结张量还包括归一化器，所述归一化器构成为，所述各特征编织层还构成为，在执行所述编码器的运算之前，所述输入图的所述第一集对应于所述有向二部图的所述两个子集中的所述输入图的所述第二集对应于所述有向二部图的所述两个子集中所述任务是两个团体间的匹配任务，且是决定属于各团体的对象彼此的所述有向二部图的所述两个子集对应于所述匹配任务中的所述有向二部图的属于各子集的所述顶点对应于属于所述各团体的所与从所述第一顶点向所述第二顶点流出的枝相关的特征量对应于从属于所述两个团与从所述第二顶点向所述第一顶点流出的枝相关的特征量对应于从属于所述两个团所述输入图的所述第一集对应于所述无向二部图的所述两个子集中的所述输入图的所述第二集对应于所述无向二部图的所述两个子集中所述任务是两个团体间的匹配任务，且是决定属于各团体的对象彼此的所述无向二部图的所述两个子集对应于所述匹配任务中的所述无向二部图的属于各子集的所述顶点对应于属于所述各团体的所与从所述第一顶点向所述第二顶点流出的枝相关的特征量以及与从所述第二顶点向所述第一顶点流出的枝相关的特征量均对应于对属于所述两个团体内的其中一者的对象所述输入图的属于所述第一集的所述第一顶点对应于构成所述有向图的有向枝的起4从所述第一顶点向所述第二顶点流出的枝对应于从所述起点向所述终点流出的有向从所述第二顶点向所述第一顶点流出的枝对应于从所述起点流入至所述终点的有向与从所述第一顶点向所述第二顶点流出的枝相关的特征量以及与从所述第二顶点向所述第一顶点流出的枝相关的特征量均对应于构成所述网络的各顶点间所述输入图的属于所述第一集的所述第一顶点以及属于所述第二集的所述第二顶点输入至所述各特征编织层的所述第一输入张量以及所述第二输入张量生成所述第一输出张量的处理以及生成所述第二输出张量的所述输入图的属于所述第一集的所述第一顶点以及属于所述第二集的所述第二顶点与从所述第一顶点向所述第二顶点流出的枝相关的特征量对应于与所述第一顶点对与从所述第二顶点向所述第一顶点流出的枝相关的特征量对应于与所述第二顶点对对于来自所述输入图的所述第一输入张量以及所述第二输入张量各自的第三轴的各所述任务是推测构成所述顶点特征图的各顶点间的输出部，构成为，输出与对所述任务的解进行推测的结果相关的所述特征编织网络构成为，通过包括多个特征编织层，从而受理输5所述推测器构成为，根据从所述特征编织网络输出的所述特征信息所述第一输入张量构成为具有：所述输入图的属于第一集的第一顶点作为要素而第一顶点向所述第二顶点流出的枝相关的特征量作为要素而排所述第二输入张量构成为具有：所述第二顶点作为要素而排列的第一轴、固定所述第二输入张量的所述第三轴而使所述第二输入张量的所述第三轴以外的其固定所述第一输入张量的所述第三轴而使所述第一输入张量的所述第三轴以外的其将所生成的所述第一连结张量分割为第一轴的每个要素而输入至所将所生成的所述第二连结张量分割为第一轴的每个要素而输入至所所述多个特征编织层中的最开始的特征编织层构成为，从所述输入图所述特征信息包含从所述多个特征编织层中的最后的特征编织层输出的所述第一输使用所述训练完毕的推测模块来推测对所述对象图的所述任务的解的处理是通过下所述特征编织网络构成为，通过包括多个特征编织层，从而受理输所述推测器构成为，根据从所述特征编织网络输出的所述特征信息6所述第一输入张量构成为具有：所述输入图的属于第一集的第一顶点作为要素而第一顶点向所述第二顶点流出的枝相关的特征量作为要素而排所述第二输入张量构成为具有：所述第二顶点作为要素而排列的第一轴、固定所述第二输入张量的所述第三轴而使所述第二输入张量的所述第三轴以外的其固定所述第一输入张量的所述第三轴而使所述第一输入张量的所述第三轴以外的其将所生成的所述第一连结张量分割为第一轴的每个要素而输入至所将所生成的所述第二连结张量分割为第一轴的每个要素而输入至所所述多个特征编织层中的最开始的特征编织层构成为，从所述输入图所述特征信息包含从所述多个特征编织层中的最后的特征编织层输出的所述第一输所述机器学习是通过下述方式而构成，即，将各训练图作为所述所述特征编织网络构成为，通过包括多个特征编织层，从而受理输所述推测器构成为，根据从所述特征编织网络输出的所述特征信息所述第一输入张量构成为具有：所述输入图的属于第一集的第一顶点作为要素而第一顶点向所述第二顶点流出的枝相关的特征量作为要素而排7所述第二输入张量构成为具有：所述第二顶点作为要素而排列的第一轴、固定所述第二输入张量的所述第三轴而使所述第二输入张量的所述第三轴以外的其固定所述第一输入张量的所述第三轴而使所述第一输入张量的所述第三轴以外的其将所生成的所述第一连结张量分割为第一轴的每个要素而输入至所将所生成的所述第二连结张量分割为第一轴的每个要素而输入至所所述多个特征编织层中的最开始的特征编织层构成为，从所述输入图所述特征信息包含从所述多个特征编织层中的最后的特征编织层输出的所述第一输所述机器学习是通过下述方式而构成，即，将各训练图作为所述所述推测器构成为，根据从所述特征编织网络输出的所述特征信息在从第二轴直至第K轴为止的第j轴中，以所述第i个为起点而循环8在第(K+1)轴中，与从属于所述第i个子集的所述第i顶点向分别属于(K对于从第一个直至第K个为止的第i个输入张量，固定所述第i个以外的(将所生成的所述K个连结张量各自分割为所述第一轴的每个要素而输入至所述编码所述多个特征编织层中的最开始的特征编织层构成为，从所述输入图受理所述K个输所述特征信息包含从所述多个特征编织层中的最后的特征编织层输出的所述K个输出所述机器学习是通过下述方式而构成，即，将所述各训练图作为所述9(bipartitegraph)等具有各个子集且在各子集内的顶点彼此之间不存在枝的方式示属于其中一个子集的顶点以及属于另一个子集的顶点的组合且以不共用顶点的方式而[0005]在相对于构成匹配的枝集而存在期望度比属于所述枝集的枝的组合高的顶点彼1962.)的推论任务的网络模型(例如图卷积网络(GraphConvolutionalNetworks))中存在如下点作为要素而排列的第一轴、输入图的属于第二集的第二顶点作为要素而排列的第二轴、征信息包含从多个特征编织层中的最后的特征编织层输出的第一输出张量以及第二输出则越能够将与离开各顶点的顶点相关的枝的特征量反映至与各顶点相关的枝点向第二顶点流出的枝相关的特征量可对应于从属于两个团体中的其中一者的对象对属生成的训练完毕的推测模块，能够实现对以有向二部图来表达的双边(twosided)匹配的第二顶点流出的枝相关的特征量以及与从第二顶点向第一顶点流出的枝相关的特征量也可均对应于对属于两个团体内的其中一者的对象以及属于另一者的对象彼此进行配对的来表达的单边(onesided)匹配的解进行推测的精的枝相关的特征量也可对应于与第二顶点对应的顶点特征图的顶点的属性。根据所述结量各自的第三轴的各要素，可连结或乘算表示顶点特征图的对应的顶点间的关系性的信的推测模块，能够实现对与以顶点特征图来表达的对象相关的事态进行推测的精度的提的各顶点来表达的各对象间的关系性进行推测的精个子集的第i顶点向分别属于(K_1)个其他子集的顶点彼此的组合流出的枝相关的特征量与第i个输入张量的各轴一致的方式来使其他输入张量各自的第(K+1)轴以外的其他轴循来生成K个(K+1)层的连结张量，并且将所生成的K个连结张量各自分割为第一轴的每个要本发明的一方面也可为包含所述任一形态的模型生成装置以及推[0053]图11示意性地例示适用本发明的另一场景(以有向二部图来表达任务的场景)的[0054]图12示意性地例示适用本发明的另一场景(以无向二部图来表达任务的场景)的[0055]图13示意性地例示适用本发明的另一场景(以一般有向图来表达任务的场景)的[0056]图14示意性地例示适用本发明的另一场景(以一般无向图来表达任务的场景)的[0057]图15示意性地例示以一般无向图来表达任务的场景中的特征编织层的运算处理[0058]图16示意性地例示适用本发明的另一场景(以给予有顶点间的关系性的顶点特征[0059]图17示意性地例示适用本发明的另一场景(推测对象间的关系性的任务是以顶点[0070]图25C表示对于第二实施例以及第三实施例算出所有匹配结果的公平性成本的平[0073]图26C表示对于第二实施例以及第四实施例算出所有匹配结果的平衡成本的平均[0113]本实施方式的模型生成装置1是构成为通过实施机器学习而生成训练完毕的推测[0117]进一步使用图2A来说明推测模块5的结构的一例。图2A示意性地例示本实施方式[0119]第一输入张量(ZAl)构成为具有：输入图的属于第一集(A)的一顶点向第二顶点流出的枝相关的特征量(Dl维)作为要素而排列的第三轴。本实施方式集(A)的第一顶点作为要素而排列的第二轴、以及与从第二顶点向第一顶点流出的枝相关500固定第二输入张量的第三轴而使第二输入张量的第三轴以外的其他轴逐个循环(pas(ZR))。本实施方式中，第二输入张量(ZBl)所具有的轴的数量为三个，因此使第三轴以外的其他轴逐个循环相当于使第一轴以及第二轴调换。在从第一轴的要素理解的情况下，使轴循环的第二输入张量(pa-n(z8))的第三轴上排列的各要素相当于与从第二顶点使轴循环的第二输入张量的各要素的特征量予以连结(cat运算)。cat[0121]而且，各特征编织层500固定第一输入张量的第三轴而使第一输入张量的第三轴轴的要素理解的情况下，使轴循环的第一输入张量(PX-n(ZA))的第三轴上排列的各要素二输入张量(ZBl)以及使轴循环的第一输入张量(PX-n(ZA))的各要素的特征量予以连结一输入张量(P-n(ZA))的第三轴的各要素。通过这些运算，各特征编织层500生成三层的通过针对每个要素获得所述编码器505的运算结果，从而生成与第一输入张量(ZAl)对应的轴的要素即特征量的维数(Dl+1)可根据实施方式来适当决定，既可与受到编码之前的维数连结张量表示将相对于各顶点的流出枝以及流入枝的特征量予以连结的状态。编码器505征编织网络50可构成为，针对每个特征编织层500包括单个编码器(相对于L层的特征编织侧的特征编织层)5001构成为，从输入图受理第一输入张量601(ZA0)以及第二输入张量602(ZB0对从紧靠其前配置的特征编织层500获得的各输出张量执行运算处理。配置在所插入的其侧的特征编织层)500L输出的第一输出张邻接的特征编织层以外，还输入至接下来邻从第三个特征编织层500的输出张量以及第一个特征编织层5001的输出张量获取输入张不受特别限定，可根据实施方式来适当决定。捷径501例如可以每三层等规定的间隔而设叠加特征编织层500，则越能够将与离开各顶点的顶点相关的枝的特征量反映至与各顶点特征的加权和，而是对于对象顶点来根据所输入的所有枝的特征量导出各枝的相对特征[0144]控制部11包含作为硬件处理器的中央处理器(CentralProcessingUnit，CPU)、[0145]模型生成程序81是用于使模型生成装置1执行后述的机器学习的信息处理(图8)是用于进行经由网络的有线或无线通信的接口。模型生成装置1可利用通信接口13来与其他信息处理装置之间执行经由网络的数据通信。外部接口14例如为通用串行总线[0148]驱动器17例如为光盘(CompactDisc，CD)驱动器、数字多功能光盘(Digital序81以及多个训练图30的至少任一者也可被存储于存储介质91中。模型生成装置1也可从处理器、现场可编程门阵列(Field_ProgrammableGate[0152]推测装置2的控制部21～驱动器27以及存储介质92可分别与所述模型生成装置1[0153]推测程序82是用于使推测装置2执行使用训练完毕的推测模块5来执行推测任务从存储介质92获取推测程序82以及学习结果数据125的至此来训练推测模块5以使得由推测器55所获得的推测结果符合对各训练图30的任务的正解[0162]如图2A以及图2B所示，特征编织网络50包括多个特征编织层500，各特征编织层码器505的一例。第一结构例中，编码器5051包含双向长短期记忆(LongShort_Term码器5051的参数的一例。各节点的阈值也可包含任意的激活函数。双向LSTM的具体结构的网络架构的框架式音素分类”，神经网络，2005(AlexGraves“FramewisephonemeclassificationwithbidirectionalLSTMandotherneural出枝以及流入枝相关的所有特征量适当地导出对象流5054以及第二结合器5056的参数为编码器5[0171]根据所述编码器5052，通过第二结合器5056将由统合器5055所获得的统合结果5056)构成为可针对每个要素而独立地执行运算，且将统合器5055的运算构成为可适用于[0174]保存处理部113构成为生成学习结果数据125，所述学习结果数据125用于再现通[0176]图7示意性地例示本实施方式的推测装置2的软件结构的一例。推测装置2的控制图221的任务的解。使用训练完毕的推测模块5来推测对于对象图221的任务的解的处理是获得对任务的解进行推测的结果。输出部213构成为输出与对任务的解进行推测的结果相[0179]关于模型生成装置1以及推测装置2的各软件模块，利用后述的动作例来详细说[0182]图8是表示与本实施方式的模型生成装置1所进行的机器学习相关的处理流程的[0185]各训练图30可根据由推测模块5所获得的任务能力而适当生成。解算任务的对象等而获取由其他计算机所生成的各训练图30。多个训练图30的一部分可由模型生成装置1去的通过机器学习而获得的学习结果数据来进行推测模块5[0193]接下来，控制部11通过机器学习来训练推测模块5(即，调整推测模块5的参数的入张量(601、602)输入至特征编织网络50的配置在最靠输入侧的最开始的特征编织层征编织层500L获取各输出张量(651、652)。并且，控制部11将所获得的各输出张量(651、部11从推测器55获取对各训练图30的任务的解的推算出包含推测器55以及各特征编织层500的编码器505的各参数的、推测模块5的参数的值据125保存至存储介质中。外部存储装置例如可为网络附属存储器(NetworkAttached[0200]当学习结果数据125的保存完成时，控制部11结束与本动作例相关的模型生成装11也可作为步骤S103的处理或者独立于步骤S103的处理，而将学习结果数据125转发至推也可利用通信接口23而经由网络来访问模型生成装置1或数据服务器，由此来获取学习结[0204]图9是表示与本实施方式的推测装置2对推测任务的执行相关的处理流程的一例221。对象图221的结构与训练图30同样。对象图221的数据格式可根据实施方式来适当选象图221的任务的解。所述推测的运算处理可与所述机器学习的训练处理中的顺向的运算象图221推测任务的解的结果。当获取推测结果时，控制部21将处理推进至接下来的步骤部21也可将通过步骤S202而获得的推测结果直接输出至输出装置26或其他计算机的输出[0215]图10示意性地例示经过本实施方式的两个特征编织层500来反映与其他枝相关的顶点为基准而从第一顶点流出至第二顶点的枝相关的特征量。第二输入张量(ZBla)表示与与以第一顶点为基准而流出至第二顶点的枝以及从第二顶点流入的枝相关的特征量予以[0216]在第一个特征编织层500的编码器505(1)中对第一连结张量进行编码时，对流出将与其他第二顶点之间的关系(即，流出一顶点为基准而流出至第二顶点的枝以及从第二顶点流入的枝相关的特征量予以结合的者的最短路径上通过的枝的最大值来算出。通过特征编织层500的数量为输入图的尺寸以上，能够在与各枝相关的特征量中反映与所有的其他枝相关的特征量(尤其是与在图内远对应于图像的情况下，能够在反映出远离的区域彼此的关系性的基础上提取各区域的特[0220]除此以外，编码器505构成为，并非针对每个顶点来计算邻接的枝的特征的加权[0225]所述实施方式的推测系统100可适用于解算能够以图来表达的各种任务的场景。采用有向二部图来作为表达所给予的条件(解算任务的对象)的图的场景中适用了所述实二部图70A的多个顶点是以各子集(71A、72A)内的顶点彼此不存在枝的方式被划分为属于两个子集(71A、72A)的任一个。输入图的第一集对应于有向二部图70A的两个子集(71A、个。各训练图30A以及对象图221A为所述实施方式中的各训练图30以及对象图221的一例。另外，有向二部图70A中的顶点的数量以及顶点间的有向枝的有无可被适当决定为适当地[0231]与从第一顶点向第二顶点流出的枝相关的特征量对应于从属于两个团体中的其顶点流出的枝相关的特征量对应于从属于两个团体中的另一者的对象(第二顶点)对属于对的方式进行训练的损耗函数λs可通过式5至式7来定义。[0252]vA表示从属于其中一个团体的对象对属于另一个团体的对象的示属于另一个团体的(第j个)对象。vAij表示从属个团体的第j个对象的期望度。vBji表示从属于另一个团体的第j个对象对属于其中一个团ie)在相ijie)均输出比0大的值的i推测结果(q)优选为对称的双随机矩阵。用于收敛为此种推测结果的损耗函数λc可通过以wscfwb从所述有向二部图70A受理第一输入张量601A以及第二输入张量602A。第一输入张量601A完毕的推测模块5，所述训练完毕的推测模块5获得了推测对有向二部图70A的任务的解的各训练图30A中的顶点以及枝的设定可以适当表达训练对象的条件的方式适当给予。步骤习结果数据125可在任意时机提供给推测图221A包含有向二部图70A。对象图221A中的顶点以及枝的设定可以适当表达推测对象的制部也可在推测器55的处理中进行了所述式1至式4的运算后，对所获得的qeij执行最大值通过匹配任务的执行而匹配已成立的对象(顶点)可从下次以后的匹配任务的对象中予以采用无向二部图来作为表达所给予的条件(解算任务的对象)的图的场景中适用了所述实二部图70B的多个顶点是以各子集(71B、72B)内的顶点彼此不存在枝的方式被划分为属于两个子集(71B、72B)的任一个。输入图的第一集对应于无向二部图70B的两个子集(71B、个。各训练图30B以及对象图221B为所述实施方式中的各训练图30以及对象图221的一例。另外，无向二部图70B中的顶点的数量以及顶点间的枝的有无可以适当表达解算任务的对顶点流出的枝相关的特征量均对应于对属于两个团体内的其中一者的对象以及属于另一[0289]匹配对象可根据实施方式来适当选择。匹配对象例如可为搬运机器人/行李、房间/客人(住宿设施的自动登记)、座位/客人(例如公共交通工具、游乐设施等中的座位分人以及行李的匹配的场景中，可将从对象搬运机器人直至对象行李为止的距离设定为成道侧等喜好位置)设定为对于对象座位的报酬。成本或报酬的数值表达可根据实施方式来照在由配置在街头的摄像机所获得的拍摄图像中的人物进行检测的场景等各种场景中执从所述无向二部图70B受理第一输入张量601B以及第二输入张量602B。无向二部图70B中，的来自输入图的第二输入张量602B可通过对来自输入图的第一输入张量601B的第一轴以完毕的推测模块5，所述训练完毕的推测模块5获得了推测对无向二部图70B的任务的解的各训练图30B中的顶点以及枝的设定可以适当表达训练对象的条件的方式适当给予。步骤图221B包含无向二部图70B。对象图221B中的顶点以及枝的设定可以适当表达推测对象的条件的方式适当给予。在训练完毕的推测模块5获得了对图像执行规定推论的能力的情况从推测器55获取对于对象图221B推测任务的解的结果。在训练完毕的推测模块5获得了执获得了对图像执行规定推论的能力的情况下，控制部可获得对获取了对象图221B的图像采用一般有向图(也可简称作有向图)来作为表达所给予的条件(解算任务的对象)的图的出的枝对应于从起点流入至终点的有向枝。各训练图30C以及对象图221C为所述实施方式的有向枝的有无可以适当表达解算任务的对象的特征编织层5001所受理的来自输入图的第二输入张量602C可通过对来自输入图的第一完毕的推测模块5，所述训练完毕的推测模块5获得了推测对一般有向图70C的任务的解的各训练图30C中的顶点以及有向枝的设定可以适当表达训练对象的条件的方式适当给予。图221C包含一般有向图70C。对象图221C中的顶点以及有向枝的设定可以适当表达推测对从推测器55获取对于对象图221C推测任务的解的采用一般无向图(也简称作无向图)来作为表达所给予的条件(解算任务的对象)的图的场属于第一集的第一顶点以及属于第二集的第二顶点分别对应于构成一般无向图70D的各顶于对应的两个顶点间的无向枝。各训练图30D以及对象图221D为所述实施方式中的各训练习中的正解可以获得满足所期望的基准的推测结果的方从所述一般无向图70D受理第一输入张量601D以及第二输入张量602D。在特征量为一维的[0330]图15示意性地例示第4具体例中的各特征编织层500的运算处理的一例。第4具体来自输入图的第一输入张量601D的第一轴以及第二轴进行转置而生成由最开始的特征编入至各特征编织层500的第一输入张量(ZA织层500所生成的第一输出张量(ZAl+1)以及第二输出张量(ZBl+1)也彼由第二输入张量生成第二输出张量的一连串处理可单一地构成，其中任一者生成训练完毕的推测模块5，所述训练完毕的推测模块5获得了推测对一般无向图70D的任各训练图30D中的顶点以及枝的设定可以适当表达训练对象的条件的方式适当给予。步骤图221D包含一般无向图70D。对象图221D中的顶点以及枝的设定可以适当表达推测对象的从推测器55获取对于对象图221D推测任务的解的点特征图的顶点间的关系性为已知的场景中适用了所述实施方式的示例。第5_1具体例的[0345]输入图的属于第一集的第一顶点以及属于第二集的第二顶点分别对应于构成顶70E的顶点的属性，与从第二顶点向第一顶点流出的枝相关的特征量对应于与第二顶点对[0346]各训练图30E以及对象图221E为所述实施方式中的各训练图30以及对象图221的[0351]推测器55可适当构成为，从特征信息中导出所述事态推测等对顶点特征图70E的任务的解的推测结果。机器学习中的正解可根据对顶点特征图70E的任务的内容来适当给[0352]第5_1具体例中，在模型生成装置1的机器学习时以及推测将顶点特征图70E作为输入图进行处理。特征编织网络50的最开始的特征编织层5001构成列于第一轴且将表示顶点的属性的特征量排列于第三轴而获得的张量(∈RN×1×D0)的各要T练完毕的推测模块5，所述训练完毕的推测模块5获得了推测对顶点特征图70E的任务的解从推测器55获取对于对象图221E推测任务的解的点特征图的顶点间的关系性未知的场景中适用了所述实施方式的示例。第5_2具体例的推二集的第二顶点分别对应于构成顶点特征图70F的各顶点。与从第一顶点向第二顶点流出的枝相关的特征量对应于顶点特征图70F中与第一顶点对应的顶点的属性，与从第二顶点向第一顶点流出的枝相关的特征量对应于顶点特征图70F中与第二顶点对应的顶点的属性。各训练图30F以及对象图221F为所述实施方式中的各训练图30以及对象图221的一例。另外，顶点特征图70F中的顶点的数量以及属性可以适当表达解算任务的对象的方式适当[0371]作为任务的另一具体例，顶点特征图70F可构成为对应于映照有一位以上的人物分析)。所述具体例例如可在体育运动(尤其是团体竞技)的动态图像分析等进行动作分析[0374]第5_2具体例中，在模型生成装置1的机器学习时以及推测将顶点特征图70F作为输入图进行处理。特征编织网络50的最开始的特征编织层5001构成为，从所述顶点特征图70F受理第一输入张量601F以及第二输入张量602F。各输入张量练完毕的推测模块5，所述训练完毕的推测模块5获得了推测对顶点特征图70F的任务的解各训练图30F中的顶点以及属性的设定可以适当表达训练对象的条件的方式适当给予。步图221F包含顶点特征图70F。对象图221F中的顶点以及属性的设定可以适当表达推测对象从推测器55获取对于对象图221F推测任务的解的度地推测对顶点特征图70F的顶点间的关系性进行推测的任务的解的、训练完毕的推测模70F的顶点间的关系性进行推测的任务的解的高精采用超图来作为表达所给予的条件(解算任务的对象)的图的场景中适用了所述实施方式子集中的任一个。各训练图30G以及对象图221G对应于所述实施方式中的各训练图30以及征编织层500以及各种信息(输入张量等)为了处理超图70G而从所述实施[0389]图19示意性地例示第6具体例中的各特征编织层500的运算输入图的属于第i个子集的第i顶点作为要素而排列，在从第二轴直至第K轴为止的第j轴+1)轴，而以与第i个输入张量的各轴一致的方式来使其他输入张量各自的第(K+1)轴以外~第K输入张量的第(K+1)轴以外的轴以与第一输入张量的各轴一致的方式而循第K轴在所述轴要素的表达(N2×N3×…×NK×N1×Dl)中朝右方向一个一个地循环(P1(Z2l使第K输入张量以外的第一输入张量～第(K_1)输入张量的第(K+1)轴以外的轴以与第K输(K_1)输入张量的第一轴～第K轴朝右方向K个K个地循环K_1l一输入张量的处理路径中，各特征编织层500将第一输入张量(Z1l)以及使轴循环的第二输KKli个以外的)其他子集的顶点彼此的组合流出的枝相关的特征量，可对应于对与第i顶点对应的对象以及与属于第i个以外的其他子集的各顶点对应的对象彼此的组合进行匹配的成[0395]匹配对象可根据实施方式来适当选择。匹配任务例如可以下述内容为目的而执可为了管理者/程序员/业务、网页的前端程序员/后端程序员/数据科学家(data_scientist)等的团队建设(teambiulding[0396]推测器55可适当构成为，从特征信息中导出所述匹配任务等对超图70G的任务的超图70G作为输入图进行处理。多个特征编织层500中的最开始的特征编织层5001构成为，[0399]特征信息包含从多个特征编织层500中的最后的特征编织层500L输出的K个输出体例中，推测装置2G可通过与所述推测装置2同样的处理流程来推测对超图70G的任务的图221G包含超图70G。对象图221G中的顶点以及枝的设定可以适当表达推测对象的条件的块5(尤其是推测器55)以及识别模型之间实[0417]图21示意性地例示推测模块5的输入形态的另一例。如图21所示，所述实施方式一特征提取器581以及第二特征提取器582可包含共同使用的单个特征提取器(即，也可由实世界中获得。训练推测模块5以使得由推测器55所获得的推测结果符合正解可包含借助算不同的两个任务而非解算共同的任务的状态，其结果，编码器505的精度有可能发生恶[0429]通过简单地如上述那样针对每个连结张量分别设置编码器，能够消除所述问[0431]图23示意性地例示变形例的特征编织层500的结构的一例。第一方法是使用归一与各连结张量分别对应的两个归一化器508(相对于L层的特征编织层500为2L个归一化器[0439]条件码可在从获取各输入张量开始直至执行编码器505的运算为止的任意时机赋从而在执行编码器505对K个连结张量各自的运算时，能够基于条件码来识别数据的来源。的K_1个输入张量赋予第二值，从而能够与所述同样地基于条IoannisGiannakopoulos，KaterinaDoka，NectariosKoziris，andPanagiotisKarras，"Equitablestablematchingsinquadratictime"，InProceedingsof[0454]通过针对第一团体(第一子集)以及第二团体(第二子集)分别选择所述四个分布[0456]实验I中，通过在以下的各实施例的解算器与以下的比较例的包含学习完毕的机[0458]通过采用所述实施方式的结构，从而制作第一实施例(WN_6)、第二实施例(WN_对的损耗函数λs以及用于使推测结果收敛为对称的双随机矩阵的损耗函数λc，而未采用用s(λsaregraphneuralnetworks？”,InProceedingsofInternationalConferenceonbipartiteassignmentproblems”，InProceedingsofIEEEInternational例的其他结构以及机器学习的方法采用了与第四比较例同样的methodforstochasticoptimization”，InProceedingsofInternational[0480]图24A以及图24B表示对于第一实施例至第四实施例(图24A)以及第一比较例至第五比较例(图24B)算出对各尺寸的验证样本的匹配的成对于第一实施例至第四实施例(图25A)以及第一比较例至第五比较例(图25B)算出对各尺寸的验证样本的公平性匹配的成功率的结果。图25C表示对于第二实施例以及第三实施例第一实施例至第四实施例(图26A)以及第一比较例至第五比较例(图26B)算出对各尺寸的验证样本的平衡匹配的成功率的结果。图26C表示对于第二实施例以及第四实施例算出对为用于解算对图的任务的方法，第一比较例至第三比较例那样的网络模型被认为是适合