学習、学習済み、訓練

迷う「学習」の英訳。モデルに「学習させる」場合はtrainingではないかという気がするがlearningの訳例も多い。

学習：learn, train

学習済み：trained, learned, learnt

教師付き：supervised

教師なし：unsupervised

US2022079518(JP)
[0180] The server 1 performs the above process on each waveform image included in the training data, and generates the exacerbation detection model 173 .
【０１０４】
  サーバ１は、教師データに含まれる各波形画像について上記の処理を行い、増悪検出モデル１７３を生成する。

When the image of an electrical signal relating to the motion information is acquired from the detection sensor 3 and the image of action potential information is acquired from the electromyogram sensor 4 , the server 1 
サーバ１は、検出センサ３から動作情報に関する電気信号の画像、及び筋電図センサ４から活動電位情報の画像を取得した場合、

detects the information relating to exacerbation in COPD in accordance with a command from the learned exacerbation detection model 173 stored in a memory.
メモリに記憶された学習済みの増悪検出モデル１７３からの指令に従って、ＣＯＰＤにおける増悪に関する情報を検出する。

Meanwhile, when the server 1 generates the learned exacerbation detection model 173 and then the terminal 2 downloads and installs the learned exacerbation detection model 173 , the terminal 2 may detect the information relating to exacerbation using the learned exacerbation detection model 173 .
なお、サーバ１が、学習済みの増悪検出モデル１７３を生成した後に、端末２は当該学習済みの増悪検出モデル１７３をダウンロードしてインストールした場合、端末２が学習済みの増悪検出モデル１７３を用いて増悪に関する情報を検出しても良い。

In this example, the terminal 2 acquires an image of an electrical signal relating to the motion information from the detection sensor 3 and an image of the action potential information from the electromyogram sensor 4 , and detects the information relating to exacerbation using the exacerbation detection model 173 .
この場合、端末２は、検出センサ３から動作情報に関する電気信号の画像、及び筋電図センサ４から活動電位情報の画像を取得し、増悪検出モデル１７３を用いて増悪に関する情報を検出する。

Meanwhile, the terminal 2 may perform a learning or re-learning process on the exacerbation detection model 173 using the training data.
なお、端末２は、増悪検出モデル１７３に対し、教師データを用いて学習または再学習処理を行っても良い。

US2021174518(JP)
[0117] Step S 4 is a training step.
【００９６】
  ステップＳ４は、学習ステップである。

That is, a training device performs machine learning using the training data created at steps S 1 , S 2 .
即ち、学習装置が、ステップＳ１、Ｓ２で作成された教師データを用いて機械学習を行う。

A trained model generated from this machine learning is stored in a storage section 7 of an information processing system 10 (described later).
この機械学習により得られた学習済みモデルは、後述する情報処理システム１０の記憶部７に記憶される。

[0118] Step S 5 is a step of making an inference with the trained AI.
【００９７】
  ステップＳ５は、学習したＡＩにより推論を行うステップである。

That is, a processing section 4 of the information processing system 10 detects an object in a detection image based on the trained model stored in the storage section 7 .
即ち、情報処理システム１０の処理部４が、記憶部７に記憶された学習済みモデルに基づいて検出用画像から対象物を検出する。

The processing section 4 causes information indicative of the detected object to be displayed in the detection image.
処理部４は、検出された対象物を示す情報を検出用画像に表示させる。

US2022036321(JP)
[0124] In the present embodiment, a mode will be described in which machine learning of learning the user's purchase history and the like is performed to generate an estimation model 147 and the purchase action of the user using member shops is estimated by using the generated estimation model 147 .
本実施の形態では、ユーザの購入履歴等を学習する機械学習を行って推定モデル１４７を生成し、生成した推定モデル１４７を用いて、加盟店を利用するユーザの購入行動を推定する形態について述べる。

Contents overlapping those of Embodiment 1 are denoted by the same reference signs and descriptions thereof are omitted.
なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。

[0129] While RNN is cited as an example of the estimation model 147 in the above, the estimation model 147 may be a different neural network.
【０１０９】
  なお、上記では推定モデル１４７の一例としてＲＮＮを挙げたが、推定モデル１４７はその他のニューラルネットワークであってもよい。

Moreover, the estimation model 147 is not limited to a learnt model related to deep learning; for example, it may be a model based on an algorithm such as reinforcement learning, decision tree, random forest or SVM (Support Vector Machine).
また、推定モデル１４７は深層学習に係る学習済みモデルに限定されず、例えば強化学習、決定木、ランダムフォレスト、ＳＶＭ（Support Vector Machine）等のアルゴリズムに基づくモデルであってもよい。

[0130] In the present embodiment, the server 1 generates the estimation model 147 to estimate the purchase action of the user using member shops, based on the user's purchase history, posting history, individual information and the like by using, as the teacher data, information stored in the purchase history DB 144 , the posting history DB 145 and the like.
【０１１０】
  本実施の形態においてサーバ１は、購入履歴ＤＢ１４４、投稿履歴ＤＢ１４５などに蓄積された情報を教師データとして用いて、各ユーザの購入履歴、投稿履歴、個人情報などに基づき、加盟店を利用するユーザの購入行動を推定する推定モデル１４７を生成する。

US2021385611(JP)
[0165] The guide information may be determined by using AI (Artificial Intelligence).
【０１１４】
  なお、案内情報は、ＡＩ（Artificial Intelligence）を利用して決定することとしてもよい。

A neural network model including deep learning may be used as a learning model.
例えば、深層学習（ディープラーニング）を含むニューラルネットワークモデルを学習モデルとして使用し、

For example, if the user sends a message of a request as the input information (such as “I want to go to an art gallery.”) using the message sending function in FIG. 33 (see below)
該学習モデルに、図３３（下記参照）のメッセージ送信機能において、ユーザが、入力情報としてユーザの要求（例えば、「美術館に行きたい」の情報）のメッセージを送信した場合に、

and the other local user sends a message (e.g. “I recommend the art gallery A.”) in response to the input information,
地元住民の他のユーザが、案内情報（例えば、「Ａ美術館がお勧めです」の情報）をメッセージとして送信した

such correspondence may be learned by the learning model so that the learning model can learn the guide information corresponding to the input information.
という情報を学習させることにより、入力情報に対応する案内情報を学習させることができる。

In such the case, the learning model is stored in the memory unit 12 of the server 1 and used as a program module of AI software.
この場合、学習モデルはサーバ１の記憶部１２に記憶され人工知能ソフトウェアのプログラムモジュールとして利用される。

 

The region information DB 141 stores a history of the large number of the destinations suggested by the local residents or the tour-guide persons in response to the user's request, attribute, and the location information. The learning model learns（＊is trained using？）a plurality of sets of such combinations as training data. 
地域情報ＤＢ１４１にはユーザの要求、位置情報及び属性に対して、地域の住人又は観光ガイドが提案した目的地が履歴として大量に記憶されており、これら複数のセットを教師データとして学習モデルが学習されている。

US2022129764(JP)
[0034] The learning unit 14 learns the node evaluation model for calculating the node evaluation value for the node feature vector of each node of the binary tree structure.
【００２０】
  学習部１４は、二分木構造の各々のノードのノード特徴に対するノード評価値を計算するノード評価モデルを学習する。

In other words, the learning unit 14 learns the node evaluation model for calculating the weight for the node feature vector of each node.
換言すると、学習部１４は、各々のノードのノード特徴における重みを計算するためのノード評価モデルを学習する。

For example, the learning unit 14 learns the node evaluation model using machine learning such as deep learning.
例えば、学習部１４は、深層学習などの機械学習を用いてノード評価モデルを学習する。

[0071] In the anomaly detection apparatus according to this example embodiment, the learning unit 14 learns（＊train？）the node evaluation model so as to separate the score of the data determined to be the outlier from the score that is highly likely to be the normal value.
【００５７】
  本実施の形態にかかる異常検知装置では、学習部１４は、外れ値と判断されたデータのスコアを正常値の可能性が高いスコアから離すようにノード評価モデルを学習する。

The learning unit 14 learns the node evaluation model so as to separate the score of the data determined to be a normal value from the score that is highly likely to be the outlier.
また、学習部１４は、正常値と判断されたデータのスコアを外れ値の可能性が高いスコアから離すようにノード評価モデルを学習する。

 

At this time, the score calculation unit 13 calculates the score by reusing the learned node evaluation model.
このときスコア算出部１３は、学習済みのノード評価モデルを再利用して、スコアを算出する。

[0092] After that, the learning unit 14 tunes the node evaluation model (Step S 13 ).
【００７９】
  その後、学習部１４は、ノード評価モデルをチューニングする（ステップＳ１３）。

That is, the node evaluation model is tuned according to the new data set by performing the learning processing of Steps S 3 to S 6 shown in FIG. 3. At this time, the tuning may be performed using teacher data.
すなわち、図３に示したステップＳ３～Ｓ６の学習処理を実施することで、ノード評価モデルを新たなデータセットに応じてチューニングする。このとき、教師データを利用してチューニングを実施してもよい。

If the tuning processing of Step S 13 is unnecessary, it may be omitted as appropriate.
なお、ステップＳ１３のチューニング処理は不要であれば適宜省略してもよい。

US2022139788(JP)
[0054] In a preliminary learning step, in the semantic segmentation model, a cross-sectional SEM image that is input data and an annotation image that is color-coded for each region that is output data are given as teacher data to learn a shape of the region.
【００２０】
  事前の学習ステップでは、セマンティック・セグメンテーションモデルには、入力データである断面ＳＥＭ画像と、出力データである領域ごとに色分けしたアノテーション画像とを、教師データとして与えて、領域の形状を学習させる。

In the object detection model, the cross-sectional SEM image that is the input data and annotation data describing coordinates of a unit pattern (designated by a rectangular bounding box surrounding the pattern) that is the output data are given as the teacher data to learn a unit pattern shape.
また、物体検出モデルには、入力データである断面ＳＥＭ画像と、出力データである単位パターンの座標（パターンを囲む矩形のバウンディング・ボックスで指定する）を記したアノテーションデータとを、教師データとして与えて、単位パターン形状を学習させる。

[0055] In a prediction step, for a given input image, an image obtained by color-coding each region is estimated using the learned semantic segmentation model, and coordinates of a unit pattern are estimated using the learned object detection model.
【００２１】
  推論ステップでは、与えられた入力画像に対し、学習済みセマンティック・セグメンテーションモデルで領域ごとに色分けした画像を推定し、学習済み物体検出モデルで単位パターンの座標を推定する。

US2021246631(JP)
[0130] The learning unit 2103 performs machine learning on the learning model to generate the learned model LM based on teaching data 2102 B (i.e., a teaching data set) generated by the teaching data generating unit 2102 .
【０１１５】
  学習部２１０３は、教師データ生成部２１０２により生成される教師データ２１０２Ｂ（教師データセット）に基づき、学習モデルに機械学習を行わせ、学習済みモデルＬＭを生成する。

The generated learned model LM is stored in the storage unit 2105 (i.e., the path 2103 B) after the accuracy validation is performed using a previously prepared validation data set.
そして、生成された学習済みモデルＬＭは、予め準備される検証用データセットを用いて、精度検証が実施された上で、記憶部２１０５に格納される（経路２１０３Ｂ）。

[0131] The learning unit 2103 generates the additionally learned model by performing additional learning on the learned model LM read from the storage unit 2105 (i.e., the path 2103 A) based on the teaching data (i.e., the teaching data set) generated by the teaching data generating unit 2102 .
【０１１６】
  また、学習部２１０３は、教師データ生成部２１０２により生成される教師データ（教師データセット）に基づき、記憶部２１０５から読み出した学習済みモデルＬＭ（経路２１０３Ａ）に追加学習を行わせることにより追加学習済みモデルを生成する。

US2021216759(JP)
[0020] By the way, it is considered to use machine learning such as deep learning (Deep Learning (DL)) to recognize a skeleton including each joint.
【０００５】
  ところで、各関節を含む骨格の認識に、深層学習（ディープラーニング（DL：Deep  Learning））などの機械学習を用いることも考えられる。

Taking the deep learning as an example, at the time of learning, a learning model is learned that acquires a distance image of a subject with a 3D laser sensor, inputs the distance image to a neural network, and recognizes each joint through deep learning.
ディープラーニングを例にして説明すると、学習時は、３Ｄレーザセンサにより被写体の距離画像を取得し、距離画像をニューラルネットワークに入力し、ディープラーニングによって各関節を認識する学習モデルを学習する。

At the time of recognition, a method is considered for inputting the distance image of the subject acquired with the 3D laser sensor to a learned learning model, acquiring a heat map image indicating an existence probability (likelihood) of each joint, and recognizing each joint.
認識時には、３Ｄレーザセンサにより取得された被写体の距離画像を学習済みの学習モデルに入力して、各関節の存在確率（尤度）を示すヒートマップ画像を取得し、各関節を認識する手法が考えられる。

US2021140670(JP)
[0017] According to the first aspect of the present invention, an environment reproduction model is trained with a correspondence relationship among an environmental state, an action therefor, and an environmental state after the action, by using training data including three types of data respectively corresponding thereto, based on time/space-interpolated environmental data in a target space,
【００１６】
  この発明の第１の態様によれば、時空間補間された対象空間内の環境データに基づいて、環境の状態およびそれに対する行動とその後の環境の状態との対応関係を、それぞれに対応した３種類のデータからなる教師データを用いて環境再現モデルに学習させ、

and a change in environmental state is predicted from an environmental state and an action based on the trained environment reproduction model.
その学習済みの環境再現モデルに基づいて、環境の状態と行動から環境の状態の変化を予測する。

In addition, an exploration model is trained such that an action to be taken next is output when an environmental state is input, and an action to be taken for the environmental state predicted by the environment reproduction model can thus be explored for by using the trained exploration model.
また、環境の状態を入力したときに次にとるべき行動が出力されるように探索モデルを学習させ、その学習済みの探索モデルを用いて、上記環境再現モデルによって予測された環境の状態に対してとるべき行動を探索できるようにしている。

US2021110162(JP)
[0056] The individual operation identifier 120 includes a model learned（＊trained to identify？）using machine learning such as deep learning such that the operation content of each of the individual operations is identified.
【００３２】
  個別作業識別器１２０は、深層学習などの機械学習を使用して、個別作業の作業内容を識別するように学習されたモデルを含む。

For example, the individual operation identifier 120 includes a recurrent neural network. The recurrent neural network has a multi-layer structure including, for example, an input layer N 1 , intermediate layers N 2 , N 3 , and N 4 , and an output layer N 5 .
例えば、個別作業識別器１２０は、リカレントニューラルネットワークで構成される。リカレントニューラルネットワークは、例えば、入力層Ｎ１、中間層Ｎ２，Ｎ３，Ｎ４、及び出力層Ｎ５を含む多層構造を持つ。

The number of the intermediate layers is not limited to three layers. The intermediate layers includes one or more layers. The individual operation identifier 120 may employ another type of machine learning algorism.
なお、中間層の数は３層に限らない。中間層は、１つ以上の層を含む。また、個別作業識別器１２０は、他の種類の機械学習のアルゴリズムを採用してもよい。

[0097] The operation content is determined by calculating the product of the probability P(W) and the coefficient q of each of the m individual operations output from the individual operation identifier 120 in this embodiment while the coefficient q may be learned in advance as the teacher data of the individual operation identifier 120 .
【００７０】
  なお、本実施形態では、個別作業識別器１２０から出力されるｍ個の個別作業のそれぞれの確率Ｐ（Ｗ）と係数ｑの積を算出することにより作業内容を判断したが、係数ｑを個別作業識別器１２０の教師データとして予め学習させておいてもよい。

In this case, the detected value d and the coefficient q are input into the individual operation identifier 120 , and it is determined that the operation content whose value is maximal of those of the probabilities P(W) to P(Wm) acquired from the output is the operation content corresponding to the input detected value d.

この場合、個別作業識別器１２０には検出値ｄと係数ｑを入力し、出力から得られる確率Ｐ（Ｗ１）～Ｐ（Ｗｍ）の中で最も値が大きい作業内容が、入力した検出値ｄに対応する作業内容であると判断する。

US2021125724(JP)
[0052] The existing CAD module is a trained model that attains recognition performance by already performed machine learning.
【００４５】
  既存のＣＡＤモジュールは、既に実施された機械学習によって認識性能を獲得した学習済みモデルである。

The trained model for performing a recognition process is called “recognition model”.
認識処理を行う学習済みモデルを「認識モデル」という。

Training performed for attaining initial recognition performance of the existing CAD module is called “first training”.
既存のＣＡＤモジュールとしての初期の認識性能を獲得するために行われた学習を「第１の学習」という。

A learning dataset used in the first training for the existing CAD module is called “first learning dataset”.
既存のＣＡＤモジュールの第１の学習に用いた学習用データセットを「第１の学習用データセット」という。

The first learning dataset may be a learning dataset provided in advance.
第１の学習用データセットは、予め用意された学習用データセットであってよい。

US2021033599(JP)
<>
【００７６】
＜＜予測に利用する組織形態学的特徴について＞＞

[0083] One or more histomorphological feature for use in a prediction may be automatically decided by the information processing apparatus 2000 or may be manually decided by a user (for example, a physician) of the information processing apparatus 2000 .
予測に利用する１つ以上の組織形態学的特徴は、情報処理装置２０００が自動的に決定してもよし、情報処理装置２０００のユーザ（例えば医師）が手動で決定してもよい。

For example, in a case where a deep neural network is used as a prediction model (that is, in a case where the prediction data 30 is generated using deep learning),
例えば、予測モデルとしてディープニューラルネットワークを利用する場合（すなわち、深層学習を利用して予測データ３０を生成する場合）、

as a result of learning of the prediction model using training data, a histomorphological feature useful for a prediction is automatically decided among a plurality of histomorphological features.
教師データを利用した予測モデルの学習の結果として、複数の組織形態学的特徴の中から、予測に有用な組織形態学的特徴が自動的に決定される。