影響度

US8874567(GOOGLE INC [US])
[0015] FIG. 6 shows the initial results of the search on query “stanford”, along with a control 608 for controlling a degree of influence of the user's interest profile in ranking the search results.
【図６】「スタンフォード」というクエリについての最初の検索結果と、検索結果を順位付けする際にユーザの関心プロファイルの影響度合いを制御するコントロール６０８を示す。

US10429803(INTEL CORP [US])
[0020] The adjustment CS 165 may modify an influence of members of the set of factors on future intelligent agent activity in accordance with the detail-level-feedback.
【００１４】
  調整ＣＳ１６５は、詳細レベルフィードバックに従って、将来のインテリジェントエージェントアクティビティに対する、ファクタのセットのメンバの影響度（influence）を変更することができる。

In an example, influence of the members of the set of factors may be modified by adjusting a weight of the members in accordance with the detail-level-feedback input. 
一例において、ファクタのセットのメンバの影響度は、詳細レベルフィードバック入力に従ってメンバの重みを調整することにより、変更され得る。

US7380169(INTEL CORP [US])
Bit errors may be classified based on their impact and the ability to detect and correct them.
【０００４】
  ビットエラーが、その影響度やそれの検出及び訂正能力に基づき分類されるかもしれない。

Some bit errors may be classified as "benign errors" because they are not read, do not matter, or they can be corrected before they are used. 
いくつかのビットエラーは、それらが読み出されない、重要でない、あるいは利用される前に訂正可能であるという理由から、「良性エラー（ｂｅｎｉｇｎ  ｅｒｒｏｒ）」として分類されるかもしれない。

EP3796186(SWIRLDS INC [US])
[0094] In some instances, M (as described above) can be based on weight values (also referred to herein as stake values) assigned to each member, rather than just a fraction, percentage and/or value of the number of total members.
【００９４】
  幾つかの場合、Ｍ（上述したような）は、単に合計メンバ数の分数、割合、及び／又は値ではなく、各メンバに割り当てられる加重値（本明細書ではステーク値とも呼ばれる）に基づくことができる。

In such an instance, each member has a stake associated with its interest and/or influence in the distributed database system.
そのような場合、各メンバは、分散データベースシステムでのその関心度及び／又は影響度に関連付けられたステークを有する。

Such a stake can be a weight value and/or a stake value. 
そのようなステークは、加重値及び／又はステーク値であることができる。

US2022119782(UNIV YALE [US])
Another trend was that the magnitude of effect in AUC was greater in isoforms with lower initial AUC (Constructs #951 and #1057).
別の傾向は、より低い初期AUCを有するアイソフォーム（構築物＃951および＃1057）においてAUCにおける影響度がより大きいということであった。

However, the effect in the longer acting isoforms (Constructs #1028 and #981) was sizable, yielding AUC values 8-10 fold greater than the parent compound produced in CHOK1 cells.
しかし、より長期作用性のアイソフォーム（構築物＃1028および＃981）における効果も大きく、CHOK1細胞において産生されたその親化合物よりも8～10倍高いAUC値を示した。

US11526799(SALESFORCE COM INC [US])
[0003] According to an embodiment of the disclosed subject matter, computer-implemented systems, media, and methods may include
【０００３】
  開示された主題のある実施形態によれば、コンピュータ実装されるシステム、媒体、および方法は、

receiving a first dataset having a first data schema, generating metadata based on properties of the dataset,
第1のデータ・スキーマを有する第1のデータセットを受領し、データセットの特性に基づいてメタデータを生成し、

selecting, by a computer processor, based on the metadata, a machine learning model suitable for application to the dataset,
メタデータに基づいて、コンピュータ・プロセッサによって、そのデータセットへの適用に好適な機械学習モデルを選択し、

identifying, for each hyperparameter of a plurality of hyperparameters associated with the selected machine learning model, a degree of influence of the each hyperparameter on one or more performance metrics of the selected machine learning model,
選択された機械学習モデルに関連する複数のハイパーパラメータの各ハイパーパラメータについて、各ハイパーパラメータの、選択された機械学習モデルの一つまたは複数のパフォーマンス・メトリックに対する影響度を識別し、

identifying a first version of the selected machine learning model,
選択された機械学習モデルの第1のバージョンを識別し、

obtaining a plurality of previously stored hyperparameter values associated with the first version of the selected machine learning model based on

identifying a second version of the selected machine learning model having one or more hyperparameters in common with the first version of the selected machine learning model,
選択された機械学習モデルの第1のバージョンと共通の一つまたは複数のハイパーパラメータを有する選択された機械学習モデルの第2のバージョンを識別することと、

and identifying a similarity between the first data schema and a second data schema of a second dataset associated with the second version of the selected machine learning model,
前記第1のデータ・スキーマと選択された機械学習モデルの第2のバージョンに関連する第2のデータセットの第2のデータ・スキーマとの間の類似性を識別することと

に基づいて、選択された機械学習モデルの第1のバージョンに関連する複数の以前に記憶されたハイパーパラメータ値を取得し、

and determining a range of values for one or more of the previously stored hyperparameter values based on a threshold. 
前記以前に記憶されたハイパーパラメータ値の一つまたは複数についての値の範囲を、閾値に基づいて決定することを含んでいてもよい。

/////////

The method may further include executing a secondary machine learning model using the plurality of hyperparameters associated with the first version of the selected machine learning model as input,
本方法は、さらに、入力としての選択された機械学習モデルの第1のバージョンに関連する前記複数のハイパーパラメータを使用して二次機械学習モデルを実行することを含んでいてもよく、

the secondary machine learning model returning a ranking of the plurality of hyperparameters according to the degree of influence on the one or more performance metrics of the first version of the selected machine learning model. 
二次機械学習モデルは、選択された機械学習モデルの第1のバージョンの前記一つまたは複数のパフォーマンス・メトリックに対する影響度に応じて、前記複数のハイパーパラメータのランク付けを返す。