CN119487530A 学习装置、学习方法及学习程序 （株式会社东京威尔斯）

2024.12.18PCT/JP2023/0224402023.06.16WO2023/248948JA2023.12.28[课题]提供一种适当进行模型的学习的学装置1是指对目标数据算出评估值并判定为良品(第1标签)或不良品(第2标签)的机器学习的模处理部3执行增加处理的变更教授候补数据13。以数据取得部2取得成为母体14的数据，以增加2增加处理部，变更所述教授候补数据的部分内容而生成一提取部，进行提取处理，所述提取处理是将所述教授候补数据及所当以所述提取部进行所述提取处理的结果的所提取的提取数据的数量超出指定的停止数时，将所述提取数据追加至所述教授数据而进行所述学习处理并进行所述提取处理，所述控制部为，当使用已完成学习的模型进行提取处理时，作成在所述提取处理中，当成为变更基础的所述教授候补数据具限度提取数的所述教授候补数据或所述变更教授候补显示所述提取数据的显示部、以及可对显示于所述显示部的所述进行扩大所述提取范围的幅度的扩张处理并进行所述提所述控制部扩大所述提取范围的幅度并降低所述学习率以作为所述扩3教授数据而进行所述学习处理并进行所述提取处理，实行所述学习处理与所述提取处理，数据取得步骤，取得被至少分类为所述第1标签或所述第2标增加处理步骤，变更所述教授候补数据的部分内容而生成一个提取步骤，将所述教授候补数据及所述变更教授候补数据作为母体9.一种学习程序，其特征在于，是用以使计算机4[0003]专利文献1的学习支援装置，是基于使用并学习教授数据(teacherdata)以将目教授候补数据之中选择所述距离最接近第1标签的教授数据的教授候补5[0011]为了达成上述目的，本发明的学习装置的特征为一种使模型进行学习的学习装用所述模型算出评估值，再提取所述评估值落在包含所述阈值的指定的提取范围内的数[0017]在提取数据少于基准数据数的状态下，若使用者通过标6学习率是在1次学习中更新神经网络内的权重的量或偏差的量的调整值。在本发明的扩张据数时，将所述提取数据追加至所述教授数据而进行所述学习处理并进行所述提取处理，7[0025]本实施形态的学习装置1是一种使模型M学习的装置，所述模型M对目标数据算出[0030]本实施形态的学习装置1所使用的目标数据，是被赋予第1标签或第2标签中任一[0032]数据取得部2为进行取得教授候补数据12的数据取得步骤的功能部，以通过学习[0033]增加处理部3是变更教授候补数据12的部分内容而生成一个或复数个变更教授候数据使用中央值筛选器或高斯筛选器等筛选器的8部5是进行提取处理的功能部，所述提取处理是将教授候补数据12及变更教授候补数据13第2标签的阈值的指定的提取范围内的数据。学习部6是使模型M以指定的学习率进行学习[0036]显示部7是使显示屏等显示机器显示数据，以使判定目标数据的使用者能确认由[0037]本实施形态的学习装置1具备计算机作为主要的硬件(省略图示)。计算机具备授候补数据12事先被赋予了第1标签或第2标签中的任一标签。事先准备模型M学习所需数[0039]接着，增加处理部3进行对教授候补数据12进行增加处理并生成变更教授候补数9[0047]通过进行该限定处理，当在后述的STEP5中通过新的教授数数据13的情况下，在1次的提取处理中仅会提取1个教授候补数据12或变更教授候补数据为(1)，确认提取数据15的数量x是否超出指定的停止数及是否大于等于指定的基准数据[0050]另外，基准数据数是用以降低后述的使用者的确认作业(STE示用以确认由标签变更部8对提取数据15赋予的标签17是否适当、进行标签17的变更的变(tap)该变更显示18的按钮等操作，可确认赋予在提取数据的标签17(在此情况下为「良以后的处理(STEP3中的NO)，因此控制部4使用已增加新的教授数据11的模型M进行学习处[0057]控制部4重复以上的提取处理与学习处理，直到提取数据15的数量为作为停止数大提取范围的幅度以作为扩张范围(例如为3.7)并降低学习成扩张范围(STEP7中的1)，因此进行显示及确认由提取处理所提取的提取数据(STEP8至据12与通过翻转处理所生成的3个变更教授候补数据13的合计4个数据，在X_Y方向分别以中央值筛选器的数据与施以高斯筛选器的数据。中央值筛选器亦称为中值筛选器(median[0064]若在增加处理部3所进行的增加处理仅有图5(A)的翻转处理，则数据数成为4候补数据12的变更教授候补数据13，因而可通过提取处理而提取大量学习效果较高的数于教授候补数据12所作成的变更教授候补数据13并已进行确认作业，则可省略在显示部7STEP8至STEP10的处理，而当各个标签的提取数超出停止数且未达基准数据数时，进行为往(2)侧移动而再次将提取范围作为扩张范围(STEP11)并进行提取处理(STEP6)。届时，