[发明专利]机器学习装置

说明书

本发明提高学习模型的反馈效率。实施方式的机器学习装置具备：推断部，基于学习模型，针对学习用的数据所包含的要素，按照对要素进行分类的多个类别中的每个类别，推断表示被分类到该类别的可能性的似然；损失值计算部，基于规定的损失函数和由推断部推断出的每个类别的似然，计算表示似然的错误的程度的损失值；权重计算部，基于按照每个类别计算出的似然中的、应将要素分类为真的第一类别的第一似然与不应将要素分类为真的其它类别的第二似然的比较结果来计算权重；以及机器学习部，基于损失值和权重，使学习模型机器学习。

技术领域

本发明的实施方式涉及机器学习装置。

背景技术

以往，提出了使用通过机器学习生成的学习模型，对数据所包含的要素进行分类的技术。

而且，提出了使用损失函数对使用了学习模型的分类结果计算损失值，并使用该损失值进行学习模型的学习的技术。近年来，损失值的计算方法具有随着技术的发展而复杂化的趋势。在专利文献1所记载的现有技术中，提出了对每个类别的真值和推断值的似然进行比较来计算损失值，提高反馈效率的技术。

专利文献1：日本特开2015－1968号公报

然而，在现有技术中，未考虑推断值中的似然最高的类别与除此以外的类别之间的关系性，在使用了该关系性的反馈效率的提高中还有进一步的改善的余地。

发明内容

实施方式的机器学习装置例如具备：推断部，基于学习模型，针对学习用的数据所包含的要素，按照对要素进行分类的多个类别中的每个类别，推断表示被分类到该类别的可能性的似然；损失值计算部，基于规定的损失函数和由推断部推断出的每个类别的似然，计算表示似然的错误的程度的损失值；权重计算部，基于按照每个类别计算出的似然中的、应将要素分类为真的第一类别的第一似然与不应将要素分类为真的其它类别的第二似然的比较结果来计算权重；以及机器学习部，基于损失值和权重，使学习模型机器学习。根据该结构，例如，在使学习模型机器学习时，通过不仅将损失值，还将基于第一似然与第二似然的比较结果的权重用于机器学习，从而也考虑不应将要素分类为真的其它类别的似然，所以能够提高反馈效率。

关于实施方式的机器学习装置，例如，权重计算部基于第一似然与其它类别的似然中的最高的第二似然的比较结果来计算权重。根据该结构，例如，能够通过使用其它类别的似然中的最高的第二似然，来提高反馈效率。

关于实施方式的机器学习装置，例如，权重计算部还基于第一似然与第二似然的差分，来计算权重。根据该结构，例如，通过将基于第一似然与第二似然的差分的权重用于机器学习，从而也考虑推断值中的似然最高的类别与除此以外的类别之间的关系性，所以能够提高反馈效率。

关于实施方式的机器学习装置，例如，权重计算部通过将第一似然与第二似然的差分值p以及规定值γ代入至“W＝－(1－p)^γlog(p)”，来计算权重W。根据该结构，例如，通过根据公式来计算权重，从而随着第一似然与第二似然的差分变小而权重增大，所以能够提高反馈效率。

关于实施方式的机器学习装置，例如，损失值计算部还在第二似然大于第一似然的情况下，将比在第一似然大于第二似然的情况下计算的权重大的值设定为权重。根据该结构，例如，在第二似然大于第一似然的情况下，较大地设定权重，所以能够提高反馈效率。

附图说明

图1是表示实施方式的机器学习装置的硬件结构的一个例子的图。

图2是表示实施方式的机器学习装置的软件结构的框图。

图3是表示实施方式的学习用的图像数据的例子的图。

图4是例示出实施方式的推断部使用学习模型对要素进行分类时的推断方法的图。

图5是表示在实施方式的权重计算部中基于差分值计算的权重的曲线图。