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。

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。

【図１】