学習装置、学習方法、及び、プログラム
【課題】複雑な対象について、適切な状態遷移モデルを得る。
【解決手段】初期構造設定部116は、状態遷移モデルの構造を、スパースな構造に初期化する。データ調整部112は、学習の進行に応じて、学習に用いられる時系列データを調整し、調整後の時系列データを出力する。パラメータ推定部113は、調整後の時系列データを用い、状態遷移モデルのパラメータを推定し、構造調整部117は、状態遷移モデルの構造を調整する。データ調整部112、パラメータ推定部113、及び、構造調整部117は、適宜処理を繰り返す。本発明は、例えば、HMM等の状態遷移モデルの学習に適用できる。
【解決手段】初期構造設定部116は、状態遷移モデルの構造を、スパースな構造に初期化する。データ調整部112は、学習の進行に応じて、学習に用いられる時系列データを調整し、調整後の時系列データを出力する。パラメータ推定部113は、調整後の時系列データを用い、状態遷移モデルのパラメータを推定し、構造調整部117は、状態遷移モデルの構造を調整する。データ調整部112、パラメータ推定部113、及び、構造調整部117は、適宜処理を繰り返す。本発明は、例えば、HMM等の状態遷移モデルの学習に適用できる。
Notice: Undefined index: DEJ in /mnt/www/gzt_disp.php on line 298
【特許請求の範囲】
【請求項1】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備える学習装置。
【請求項2】
前記データ調整手段は、前記学習の進行に応じて、前記時系列データを、マクロな特徴を含むデータから、ミクロな特徴を含むデータに調整していく
請求項1に記載の学習装置。
【請求項3】
前記データ調整手段は、前記時系列データをダウンサンプリングすることで、前記時系列データを調整する
請求項2に記載の学習装置。
【請求項4】
前記構造調整手段は、前記状態遷移モデルの状態の分割、状態のマージ、状態の追加、状態遷移の追加、状態の削除、又は、状態遷移の削除を行うことで、前記状態遷移モデルの構造を調整する
請求項1に記載の学習装置。
【請求項5】
前記学習が行われた前記状態遷移モデルを評価し、前記状態遷移モデルの評価の結果に基づいて、前記学習を終了するか否かを判定する評価手段をさらに備える
請求項1に記載の学習装置。
【請求項6】
前記状態遷移モデルは、HMM(Hidden Markov Model)である
請求項1に記載の学習装置。
【請求項7】
前記構造調整手段は、前記HMMの状態のうちの、前記HMMのパラメータである出力確率密度関数を定義する分散が大きい所定数の状態を対象として、状態の分割を行う
請求項6に記載の学習装置。
【請求項8】
前記構造調整手段は、前記HMMの状態のうちの、前記HMMのパラメータである出力確率密度関数を定義する分散が大きい所定数の状態を対象として、状態の追加を行う
請求項6に記載の学習装置。
【請求項9】
前記構造調整手段は、前記HMMの状態のうちの、相関が大きい所定数の状態の組を対象として、状態のマージを行う
請求項6に記載の学習装置。
【請求項10】
前記構造調整手段は、前記HMMの状態のうちの、相関が大きい所定数の状態の組を対象として、状態遷移の追加を行う
請求項6に記載の学習装置。
【請求項11】
前記構造調整手段は、前記HMMの状態のうちの、ビタビ法によって求められるパスを構成しない状態を対象として、状態の削除を行う
請求項6に記載の学習装置。
【請求項12】
前記構造調整手段は、前記HMMの状態遷移のうちの、ビタビ法によって求められるパスを構成しない状態遷移を対象として、状態遷移の削除を行う
請求項6に記載の学習装置。
【請求項13】
時系列のデータである時系列データを用い、状態と状態遷移とを有する状態遷移モデルの学習を行う学習装置が、
前記状態遷移モデルの構造を、スパースな構造に初期化し、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力し、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定し、
前記状態遷移モデルの構造を調整する
ことを繰り返す
ステップを含む学習方法。
【請求項14】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
して、コンピュータを機能させるためのプログラム。
【請求項15】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備える学習装置。
【請求項16】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備え、
前記パラメータ推定手段が、前記状態遷移モデルの前記パラメータの推定を行い、前記構造調整手段が、推定後の前記パラメータで定義される前記状態遷移モデルの構造の調整を行うことを繰り返す
学習装置。
【請求項17】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を初期化する初期構造設定手段と、
前記時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備え、
前記構造調整手段は、前記状態遷移モデルの状態の分割、状態のマージ、状態の追加、状態遷移の追加、状態の削除、及び、状態遷移の削除を行うことで、前記状態遷移モデルの構造を調整する
学習装置。
【請求項1】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備える学習装置。
【請求項2】
前記データ調整手段は、前記学習の進行に応じて、前記時系列データを、マクロな特徴を含むデータから、ミクロな特徴を含むデータに調整していく
請求項1に記載の学習装置。
【請求項3】
前記データ調整手段は、前記時系列データをダウンサンプリングすることで、前記時系列データを調整する
請求項2に記載の学習装置。
【請求項4】
前記構造調整手段は、前記状態遷移モデルの状態の分割、状態のマージ、状態の追加、状態遷移の追加、状態の削除、又は、状態遷移の削除を行うことで、前記状態遷移モデルの構造を調整する
請求項1に記載の学習装置。
【請求項5】
前記学習が行われた前記状態遷移モデルを評価し、前記状態遷移モデルの評価の結果に基づいて、前記学習を終了するか否かを判定する評価手段をさらに備える
請求項1に記載の学習装置。
【請求項6】
前記状態遷移モデルは、HMM(Hidden Markov Model)である
請求項1に記載の学習装置。
【請求項7】
前記構造調整手段は、前記HMMの状態のうちの、前記HMMのパラメータである出力確率密度関数を定義する分散が大きい所定数の状態を対象として、状態の分割を行う
請求項6に記載の学習装置。
【請求項8】
前記構造調整手段は、前記HMMの状態のうちの、前記HMMのパラメータである出力確率密度関数を定義する分散が大きい所定数の状態を対象として、状態の追加を行う
請求項6に記載の学習装置。
【請求項9】
前記構造調整手段は、前記HMMの状態のうちの、相関が大きい所定数の状態の組を対象として、状態のマージを行う
請求項6に記載の学習装置。
【請求項10】
前記構造調整手段は、前記HMMの状態のうちの、相関が大きい所定数の状態の組を対象として、状態遷移の追加を行う
請求項6に記載の学習装置。
【請求項11】
前記構造調整手段は、前記HMMの状態のうちの、ビタビ法によって求められるパスを構成しない状態を対象として、状態の削除を行う
請求項6に記載の学習装置。
【請求項12】
前記構造調整手段は、前記HMMの状態遷移のうちの、ビタビ法によって求められるパスを構成しない状態遷移を対象として、状態遷移の削除を行う
請求項6に記載の学習装置。
【請求項13】
時系列のデータである時系列データを用い、状態と状態遷移とを有する状態遷移モデルの学習を行う学習装置が、
前記状態遷移モデルの構造を、スパースな構造に初期化し、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力し、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定し、
前記状態遷移モデルの構造を調整する
ことを繰り返す
ステップを含む学習方法。
【請求項14】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
して、コンピュータを機能させるためのプログラム。
【請求項15】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を初期化する初期構造設定手段と、
前記学習の進行に応じて、前記学習に用いられる前記時系列データを調整し、調整後の時系列データを出力するデータ調整手段と、
前記調整後の時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備える学習装置。
【請求項16】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を、スパースな構造に初期化する初期構造設定手段と、
前記時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備え、
前記パラメータ推定手段が、前記状態遷移モデルの前記パラメータの推定を行い、前記構造調整手段が、推定後の前記パラメータで定義される前記状態遷移モデルの構造の調整を行うことを繰り返す
学習装置。
【請求項17】
時系列のデータである時系列データを用いて学習が行われる、状態と状態遷移とを有する状態遷移モデルの構造を初期化する初期構造設定手段と、
前記時系列データを用い、前記状態遷移モデルのパラメータを推定するパラメータ推定手段と、
前記状態遷移モデルの構造を調整する構造調整手段と
を備え、
前記構造調整手段は、前記状態遷移モデルの状態の分割、状態のマージ、状態の追加、状態遷移の追加、状態の削除、及び、状態遷移の削除を行うことで、前記状態遷移モデルの構造を調整する
学習装置。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
【図43】
【図44】
【図45】
【図46】
【図47】
【図48】
【図49】
【図50】
【図51】
【図52】
【図53】
【図54】
【図55】
【図56】
【図57】
【図58】
【図59】
【図60】
【図61】
【図62】
【図63】
【図64】
【図65】
【図66】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
【図43】
【図44】
【図45】
【図46】
【図47】
【図48】
【図49】
【図50】
【図51】
【図52】
【図53】
【図54】
【図55】
【図56】
【図57】
【図58】
【図59】
【図60】
【図61】
【図62】
【図63】
【図64】
【図65】
【図66】
【公開番号】特開2009−223443(P2009−223443A)
【公開日】平成21年10月1日(2009.10.1)
【国際特許分類】
【出願番号】特願2008−64993(P2008−64993)
【出願日】平成20年3月13日(2008.3.13)
【出願人】(000002185)ソニー株式会社 (34,172)
【Fターム(参考)】
【公開日】平成21年10月1日(2009.10.1)
【国際特許分類】
【出願日】平成20年3月13日(2008.3.13)
【出願人】(000002185)ソニー株式会社 (34,172)
【Fターム(参考)】
[ Back to top ]