JP2016004549A

JP2016004549A - Specification device, specification method, and specification program

Info

Publication number: JP2016004549A
Application number: JP2014126554A
Authority: JP
Inventors: 健一磯; Kenichi Iso
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2014-06-19
Filing date: 2014-06-19
Publication date: 2016-01-12
Anticipated expiration: 2034-06-19
Also published as: JP5993897B2

Abstract

PROBLEM TO BE SOLVED: To perform adequate labeling.SOLUTION: A specification device includes a reception part, a calculation part, and a specification part. The reception part receives input data. The calculation part calculates, for a learning device for reproducing feature information of a predetermined category, a reproduction error of output data, being output when the input data received by the reception part has been input, from the input data. The specification part specifies a category to which the input data belongs on the basis of the reproduction error calculated by the calculation part.

Description

本発明は、特定装置、特定方法及び特定プログラムに関する。 The present invention relates to a specific device, a specific method, and a specific program.

従来、各種のデータに対してデータのカテゴリを示すラベル付けが行われている。例えば、インターネットオークションに商品を出品する場合に、出品者は、商品のカテゴリ検索や絞込み検索を行えるようにするため、予め用意されたカテゴリの中から出品する商品が属するカテゴリを手動で選択することで商品に対してラベル付けを行う。 Conventionally, various types of data are labeled to indicate the data category. For example, when a product is listed in an Internet auction, the seller must manually select a category to which the product to be listed belongs from among categories prepared in advance so that the category search or refined search of the product can be performed. Label products with.

特開２００４−０６２７１９号公報JP 2004-062719 A

しかしながら、上記の方法では、適切なラベルを付けることができるとは限らなかった。例えば、上記の方法では、出品者は、商品が属するカテゴリのラベルを恣意的に判断し、商品のラベルを決定する。このため、上記の方法では、商品に対して不適切なラベルが付けられる場合がある。このようなことから、上記の方法では、適切なラベルを付けることができるとは限らなかった。 However, the above method cannot always provide an appropriate label. For example, in the above method, the exhibitor arbitrarily determines the label of the category to which the product belongs and determines the label of the product. For this reason, in the above method, an inappropriate label may be attached to the product. For this reason, the above method cannot always provide an appropriate label.

本願は、上記に鑑みてなされたものであって、適切なラベルを付けることができる特定装置、特定方法及び特定プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide a specifying device, a specifying method, and a specifying program capable of attaching an appropriate label.

本願に係る特定装置は、入力データを受け付ける受付部と、所定の分類の特徴情報を再現する学習器に対して、前記受付部によって受け付けられた入力データを入力した場合に出力する出力データの前記入力データに対する再現誤差を算出する算出部と、前記算出部によって算出された再現誤差に基づいて前記入力データが属する分類を特定する特定部とを備えたことを特徴とする。 The specific device according to the present application includes: a receiving unit that receives input data; and a learning device that reproduces feature information of a predetermined classification, and the output data that is output when the input data received by the receiving unit is input. A calculation unit that calculates a reproduction error with respect to input data, and a specifying unit that specifies a classification to which the input data belongs based on the reproduction error calculated by the calculation unit.

実施形態の一態様によれば、適切なラベルを付けることができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that an appropriate label can be attached.

図１は、実施形態に係る特定装置による特定処理の一例を示す説明図である。FIG. 1 is an explanatory diagram illustrating an example of the specifying process performed by the specifying apparatus according to the embodiment. 図２は、オートエンコーダの一例を示す説明図である。FIG. 2 is an explanatory diagram showing an example of an auto encoder. 図３は、実施形態に係る出品システムの構成例を示す図である。FIG. 3 is a diagram illustrating a configuration example of the exhibition system according to the embodiment. 図４は、実施形態に係る特定装置の構成例を示す図である。FIG. 4 is a diagram illustrating a configuration example of the specific device according to the embodiment. 図５は、特定装置による生成処理手順を示すフローチャートである。FIG. 5 is a flowchart illustrating a generation processing procedure performed by the specific apparatus. 図６は、特定装置による特定処理手順を示すフローチャートである。FIG. 6 is a flowchart showing a specific processing procedure by the specific device. 図７は、特定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 7 is a hardware configuration diagram illustrating an example of a computer that realizes the function of the specific device.

以下に、本願に係る特定装置、特定方法及び特定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る特定装置、特定方法及び特定プログラムが限定されるものではない。また、以下の実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, a specific apparatus, a specific method, and a specific program (hereinafter referred to as “embodiment”) according to the present application will be described in detail with reference to the drawings. Note that the specific device, the specific method, and the specific program according to the present application are not limited by this embodiment. Moreover, in the following embodiment, the same code | symbol is attached | subjected to the same site | part and the overlapping description is abbreviate | omitted.

〔１．特定処理〕
まず、図１を用いて、実施形態に係る特定処理の一例について説明する。図１は、実施形態に係る特定装置による特定処理の一例を示す説明図である。図１の例では、特定装置１００によって製品と共起する人物を特定する特定処理が行われる例を示す。 [1. Specific processing)
First, an example of the specifying process according to the embodiment will be described with reference to FIG. FIG. 1 is an explanatory diagram illustrating an example of the specifying process performed by the specifying apparatus according to the embodiment. In the example of FIG. 1, an example in which a specifying process for specifying a person who co-occurs with a product is performed by the specifying device 100 is shown.

特定装置１００は、所定の分類の特徴情報を再現する学習器（例えば、オートエンコーダ）によって入力データの属する分類を特定するサーバ装置である。この点について図１を用いて詳細に説明する。学習器Ｌｅ_１〜Ｌｅ_ｎは、所定の分類の特徴を学習したオートエンコーダである。具体的には、学習器Ｌｅ_１〜Ｌｅ_ｎは、入力データに対する演算結果を出力する複数のノード（例えば、ニューロン）を接続したＤＮＮ（Deep Neural Network）であって被写体が描出された画像を入力データとして入力した場合に入力データを再現する出力データ（例えば、再現データ）を出力するオートエンコーダである。この点について、図２を用いて説明する。図２は、オートエンコーダの一例を示す説明図である。学習器Ｌｅ_２は、ノートパソコンの特徴を学習したオートエンコーダである。学習器Ｌｅ_２は、ノートパソコンが描出された画像ＮＰを入力データとして入力した場合に、ノートパソコンを再現する出力データＲＥを出力する。 The identification device 100 is a server device that identifies a classification to which input data belongs by a learning device (for example, an auto encoder) that reproduces feature information of a predetermined classification. This point will be described in detail with reference to FIG. Learner _Le 1 _~Le _n is a Autoencoder learned characteristics of a given classification. Specifically, the learning unit Le ₁ ~Le _n is input an image in which a plurality of nodes for outputting a calculation result (e.g., neurons) is a DNN connected to (Deep Neural Network) object is rendered to the input data It is an auto encoder that outputs output data (for example, reproduction data) that reproduces input data when input as data. This point will be described with reference to FIG. FIG. 2 is an explanatory diagram showing an example of an auto encoder. Learner Le ₂ is a Autoencoder learned features of laptop. Learner Le _2, when input image NP which laptop is depicted as input data, and outputs the output data RE to reproduce the laptop.

例えば、学習器Ｌｅ_２は、画像ＮＰの各画素の画素値（例えば、グレースケールの８ビット値）を対応する入力ノードに入力し、各出力ノードが出力した値を取得する。また、学習器Ｌｅ_２は、各出力ノードが出力した値を、各出力ノードと対応する位置の画素の画素値として画像を構成することで、出力データとなる画像を得る。ここで、オートエンコーダにおいては、入力ノードの数よりも中心部分のノードの数が少ないため、入力ノードに含まれる特徴のうち再現されない特徴が生じる。このため、オートエンコーダにある物体が描出された画像を入力した際に、かかる物体がうまく再現された場合（例えば、ノイズが入っていない画像が出力された場合等）は、かかる物体の特徴を良く学習していると判断できる。一方、学習器Ｌｅ_３は、ノートパソコンの特徴を学習していないエンコーダであるため、図２に示すように、ノートパソコンが描出された画像ＮＰが入力データとして入力された場合は、画像をうまく再現することができずに、ビット欠け等のノイズが生じた画像を出力する恐れがある。 For example, the learning unit Le _2, the pixel value of each pixel of the image NP (e.g., 8-bit values of the gray scale) is input to the corresponding input node, and acquires a value each output node is output. Further, the learning device Le ₂ constructs an image using the values output from the output nodes as pixel values of pixels at positions corresponding to the output nodes, thereby obtaining an image serving as output data. Here, in the auto encoder, since the number of nodes in the central portion is smaller than the number of input nodes, features that are not reproduced among the features included in the input nodes occur. For this reason, when an image in which an object in the auto encoder is drawn is input, if the object is reproduced well (for example, an image without noise is output), the characteristics of the object are displayed. You can judge that you are learning well. On the other hand, the learning unit Le ₃ are the encoder does not learn the features of a notebook personal computer, as shown in FIG. 2, when the image NP which laptop is depicted is input as input data, well image There is a risk of outputting an image in which noise such as missing bits cannot be reproduced.

なお、図１の例では、学習器Ｌｅ_１は、テレビの特徴を学習したオートエンコーダである。学習器Ｌｅ_２は、ノートパソコンの特徴を学習したオートエンコーダである。学習器Ｌｅ_ｎは、スマートフォンの特徴を学習したオートエンコーダである。 In the example of FIG. 1, the learning device Le ₁ is an auto encoder that learns the characteristics of the television. Learner Le ₂ is a Autoencoder learned features of laptop. Learner Le _n is a Autoencoder learned characteristics of the smartphone.

また、図１の例では、学習器Ｌｅ_１〜Ｌｅ_ｎは、入力層と、多段のノード群によって形成される中間層と、出力層とから構成される。ここで、中間層は、図１に示すように、次元数が最も少ない層を中心に含む。 In the example of FIG. 1, the learning devices Le _{1 to} Le _n are configured by an input layer, an intermediate layer formed by a multi-stage node group, and an output layer. Here, as shown in FIG. 1, the intermediate layer mainly includes a layer having the smallest number of dimensions.

特定装置１００は、まず、入力データを受け付ける（ステップＳ１）。ここで、入力データは、例えば、特定装置１００によって分類を特定する特定対象の未知データである。図１の例では、入力データＰ１は、ノートパソコンが描出された画像である。なお、画像には、被写体に加えて背景などが描出されてもよい。 First, the identification device 100 receives input data (step S1). Here, the input data is, for example, unknown data to be specified that specifies the classification by the specifying device 100. In the example of FIG. 1, the input data P1 is an image drawn by a notebook computer. In addition to the subject, a background or the like may be drawn on the image.

続いて、特定装置１００は、学習器Ｌｅ_１〜Ｌｅ_ｎを用いて入力データＰ１に描出された被写体が属する分類を特定する。具体的には、特定装置１００は、まず、入力データＰ１を学習器Ｌｅ_１〜Ｌｅ_ｎに入力する（ステップＳ２）。なお、図１では、説明を簡単にするため、３つの学習器Ｌｅ_１、Ｌｅ_２およびＬｅ_ｎに入力データＰ１を入力する例を示すが実際には各種の異なる分類の特徴を学習した学習器であって予め用意された各学習器に入力データＰ１を入力する。これにより、図１の例では、学習器Ｌｅ_１は、出力データＯＤ_１を出力する。学習器Ｌｅ_２は、出力データＯＤ_２を出力する。学習器Ｌｅ_ｎは、出力データＯＤ_ｎを出力する。 Subsequently, the specific device 100, depicted by the subject to identify a classification belonging to the input data P1 using a learning device _Le 1 _~Le _n. Specifically, a particular device 100 first inputs the input data P1 to the learner _Le 1 _~Le _n (step S2). In FIG. 1, for ease of explanation, three learners Le _1, Le ₂ and learner has learned the features of various different classifications actually shows an example of inputting the input data P1 in the Le _n The input data P1 is input to each learning device prepared in advance. Thus, in the example of FIG. 1, the learning unit Le ₁ outputs the output data OD _1. Learner Le ₂ outputs the output data OD _2. The learning device Le _n outputs output data OD _n .

そして、特定装置１００は、学習器Ｌｅ_１〜Ｌｅ_ｎに対して、入力データＰ１を入力した場合に出力する出力データＯＤ_１〜ＯＤ_ｎの入力データＰ１に対する再現誤差を算出する（ステップＳ３）。ここで、再現誤差は、入力データに対する出力データの再現度を示す指標である。例えば、特定装置１００は、入力データである画像に含まれる各画素のグレースケールの値を対応する入力ノードに入力し、各出力ノードが出力した値を各画素のグレースケールの値とする。また、特定装置１００は、各画素に対応する入力ノードに入力した値と出力ノードが出力した値との差分の累乗値をそれぞれ算出する。そして、特定装置１００は、各画素について算出した累乗値の総和を平均誤差の値とする。 The specific apparatus 100 calculates relative learner _Le 1 _~Le _n, a reproduction error with respect to the input data P1 of the output data _OD 1 _~OD _n to output if you enter the input data P1 (Step S3). Here, the reproduction error is an index indicating the degree of reproduction of output data with respect to input data. For example, the identifying apparatus 100 inputs the grayscale value of each pixel included in the image that is input data to the corresponding input node, and sets the value output by each output node as the grayscale value of each pixel. Further, the identifying apparatus 100 calculates a power value of a difference between a value input to the input node corresponding to each pixel and a value output from the output node. Then, the identifying apparatus 100 sets the sum of the power values calculated for each pixel as the average error value.

すなわち、再現誤差は、出力データが入力データを正確に再現しているほど低くなる。図１の例では、特定装置１００は、出力データＯＤ_１の再現誤差を「５０」と算出する。また、特定装置１００は、出力データＯＤ_２の再現誤差を「０」と算出する。また、特定装置１００は、出力データＯＤ_ｎの再現誤差を「９０」と算出する。 That is, the reproduction error becomes lower as the output data accurately reproduces the input data. In the example of FIG. 1, the identifying apparatus 100 calculates the reproduction error of the output data OD ₁ as “50”. Further, the identifying apparatus 100 calculates the reproduction error of the output data OD ₂ as “0”. Further, the identifying apparatus 100 calculates the reproduction error of the output data OD _n as “90”.

その後、特定装置１００は、算出された再現誤差に基づいて入力データＰ１が属する分類を特定する（ステップＳ４）。例えば、特定装置１００は、算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を入力データが属する分類として特定する。図１の例では、算出された再現誤差のうち最も低い再現誤差「０」となる出力データＯＤ_２を出力する学習器Ｌｅ_２に対応する分類である「ノートパソコン」を入力データＰ１が属する分類として特定する。 Thereafter, the specifying device 100 specifies the classification to which the input data P1 belongs based on the calculated reproduction error (step S4). For example, the specifying apparatus 100 specifies the classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the calculated reproduction errors as the classification to which the input data belongs. In the example of FIG. 1, the classification to which the input data P1 belongs is “notebook personal computer”, which is the classification corresponding to the learning device Le ₂ that outputs the output data OD ₂ that has the lowest reproduction error “0” among the calculated reproduction errors. As specified.

このように、実施形態に係る特定装置１００は、入力データを受け付ける。また、特定装置１００は、所定の分類の特徴情報を再現する学習器に対して、受け付けられた入力データを入力した場合に出力する出力データの再現誤差を算出する。また、特定装置１００は、算出された再現誤差に基づいて入力データが属する分類を特定する。 As described above, the specifying apparatus 100 according to the embodiment receives input data. Further, the identifying apparatus 100 calculates a reproduction error of output data that is output when received input data is input to a learning device that reproduces feature information of a predetermined classification. Further, the specifying device 100 specifies the classification to which the input data belongs based on the calculated reproduction error.

これにより、特定装置１００は、入力データが属する適切な分類を特定することができるので、適切なラベルを付けることができる。例えば、特定装置１００は、被写体が描出された画像が入力された場合に画像に描出された被写体が属する分類を特定することができる。このため、特定装置１００は、例えば、インターネットオークションにおいて出品者が新規に出品する商品が描出された画像を受け付けた場合に商品が属するカテゴリを特定することができる。 As a result, the identifying apparatus 100 can identify an appropriate classification to which the input data belongs, and therefore can attach an appropriate label. For example, the specifying device 100 can specify the classification to which the subject drawn in the image belongs when an image in which the subject is drawn is input. For this reason, the specifying device 100 can specify the category to which the product belongs when, for example, an image in which an item newly exhibited by an exhibitor is received in an Internet auction is received.

また、特定装置１００は、例えば、インターネットオークションで出品する商品に対して適切なラベルを付けることができるので、不適切なラベルが付いた商品を減らすことができる。このため、特定装置１００は、出品者やオークションの利用者の利便性を向上させることができる。 Moreover, since the specific apparatus 100 can attach a suitable label with respect to the goods exhibited by an internet auction, for example, the goods with an inappropriate label can be reduced. For this reason, the specific device 100 can improve the convenience of the exhibitor and the user of the auction.

また、特定装置１００は、商品の画像を学習器に入力するだけで商品に対して適切なラベルを付けることができるので、出品者がラベルを検討する手間を減らすことができる。このため、特定装置１００は、出品者の出品作業における利便性を向上させることができる。 Moreover, since the identification apparatus 100 can attach an appropriate label to the product simply by inputting the image of the product to the learning device, it is possible to reduce the effort for the seller to review the label. For this reason, the specific device 100 can improve the convenience in the exhibitor's exhibition work.

〔２．出品システムの構成〕
図３を用いて、実施形態に係る出品システムの構成について説明する。図３は、実施形態に係る出品システムによる出品処理の一例を示す説明図である。図３に示すように、出品システム１には、端末装置１０と、サーバ装置５０と、特定装置１００とが含まれる。端末装置１０、サーバ装置５０および特定装置１００は、ネットワークを介して、有線又は無線により通信可能に接続される。なお、図３に示した出品システム１には、複数台の端末装置１０や、複数台のサーバ装置５０や、複数台の特定装置１００が含まれてもよい。 [2. Configuration of the exhibition system
The configuration of the exhibition system according to the embodiment will be described with reference to FIG. FIG. 3 is an explanatory diagram illustrating an example of an exhibition process performed by the exhibition system according to the embodiment. As shown in FIG. 3, the exhibition system 1 includes a terminal device 10, a server device 50, and a specific device 100. The terminal device 10, the server device 50, and the specific device 100 are connected via a network so as to be communicable by wire or wirelessly. In addition, the exhibition system 1 illustrated in FIG. 3 may include a plurality of terminal devices 10, a plurality of server devices 50, and a plurality of specific devices 100.

端末装置１０は、例えば、デスクトップ型ＰＣや、ノート型ＰＣや、タブレット型端末や、スマートフォンや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。例えば、端末装置１０は、オークションに商品を出品する利用者（例えば、販売者）によって利用される。端末装置１０は、利用者によって用意された画像をサーバ装置５０に送信する。例えば、端末装置１０は、表示部に表示中のウェブページである出品画面に対して所定の操作（例えば、クリック操作）を受け付けた場合に、利用者が出品する商品が描出された画像ＣＰをサーバ装置５０に送信する。 The terminal device 10 is, for example, an information processing device such as a desktop PC, a notebook PC, a tablet terminal, a smartphone, a mobile phone, or a PDA (Personal Digital Assistant). For example, the terminal device 10 is used by a user (for example, a seller) who sells a product in an auction. The terminal device 10 transmits an image prepared by the user to the server device 50. For example, when the terminal device 10 receives a predetermined operation (for example, a click operation) on an exhibition screen that is a web page displayed on the display unit, the terminal device 10 displays an image CP on which a product to be exhibited by the user is depicted. It transmits to the server apparatus 50.

サーバ装置５０は、各種ウェブページを端末装置１０に提供するサーバ装置である。具体的には、サーバ装置５０は、ネットオークションに関するウェブページを提供する。例えば、サーバ装置５０は、消費者が閲覧するネットオークションサイトや商品を出品する利用者が閲覧する管理画面（例えば、出品画面）を提供する。なお、サーバ装置５０は、ネットオークションサイトのウェブページに限らず、技術解説サイト、検索エンジンサイト、ショッピングサイト、ニュースサイト、ファイナンスサイト（株価サイト）等といった各種のウェブページを提供してもよい。 The server device 50 is a server device that provides various web pages to the terminal device 10. Specifically, the server device 50 provides a web page related to the net auction. For example, the server device 50 provides a management screen (for example, an exhibition screen) that is browsed by an Internet auction site browsed by a consumer or a user who sells products. The server device 50 may provide various web pages such as a technical explanation site, a search engine site, a shopping site, a news site, a finance site (stock price site), etc., as well as the web page of the net auction site.

特定装置１００は、学習器Ｌｅを用いて商品が属する分類を特定するサーバ装置である。具体的には、特定装置１００は、まず、入力データとして商品が描出された画像を学習器Ｌｅに入力する。続いて、特定装置１００は、入力データに対する出力データの再現誤差を算出する。そして、特定装置１００は、算出した再現誤差に基づいて商品が属する分類を特定する。 The identification device 100 is a server device that identifies a classification to which a product belongs using the learning device Le. Specifically, the identifying apparatus 100 first inputs an image depicting a product as input data to the learning device Le. Subsequently, the identifying apparatus 100 calculates a reproduction error of the output data with respect to the input data. Then, the specifying device 100 specifies the classification to which the product belongs based on the calculated reproduction error.

次に、図３を用いて、出品システム１による出品処理について説明する。まず、端末装置１０は、例えば、サーバ装置５０から提供される出品画面を介して、利用者がオークションサイトに出品する商品Ｃ１が描出された画像ＣＰをサーバ装置５０に送信する（ステップＳ２１）。 Next, the exhibition process by the exhibition system 1 will be described with reference to FIG. First, for example, the terminal device 10 transmits an image CP on which the product C1 to be exhibited on the auction site is drawn to the server device 50 via the exhibition screen provided from the server device 50 (step S21).

続いて、サーバ装置５０は、端末装置１０から送信された画像ＣＰを特定装置１００に送信する（ステップＳ２２）。これにより、特定装置１００は、商品Ｃ１が描出された画像ＣＰを受け付ける。 Subsequently, the server device 50 transmits the image CP transmitted from the terminal device 10 to the specific device 100 (step S22). Thereby, the specifying device 100 receives the image CP on which the product C1 is drawn.

そして、特定装置１００は、画像ＣＰに描出された商品Ｃ１が属する分類を特定する（ステップＳ２３）。具体的には、特定装置１００は、入力データとして画像ＣＰを学習器Ｌｅに入力し、入力データに対する出力データの再現誤差に基づいて商品Ｃ１が属する分類を特定する。 Then, the specifying device 100 specifies the classification to which the product C1 drawn in the image CP belongs (step S23). Specifically, the specifying device 100 inputs the image CP as input data to the learning device Le, and specifies the classification to which the product C1 belongs based on the reproduction error of the output data with respect to the input data.

その後、特定装置１００は、特定した商品Ｃ１が属する分類をサーバ装置５０に通知する（ステップＳ２４）。例えば、特定装置１００は、画像ＣＰに描出された商品Ｃ１が属する分類を「ノートパソコン」と特定した場合には、「ノートパソコン」という分類に関する情報をサーバ装置５０に通知する。 Thereafter, the specifying device 100 notifies the server device 50 of the classification to which the specified product C1 belongs (step S24). For example, when specifying the category to which the product C1 depicted in the image CP belongs as “notebook computer”, the specifying device 100 notifies the server device 50 of information related to the category “notebook computer”.

そして、サーバ装置５０は、特定装置１００から通知された分類に基づいて商品Ｃ１のラベル付けを実行する（ステップＳ２５）。例えば、サーバ装置５０は、「ノートパソコン」という分類が通知された場合には、商品Ｃ１のカテゴリを「ノートパソコン」に設定する。これにより、サーバ装置５０は、商品Ｃ１のラベルを適切に設定してオークションに出品することができる。 Then, the server device 50 performs labeling of the product C1 based on the classification notified from the specific device 100 (step S25). For example, when the classification “notebook personal computer” is notified, the server device 50 sets the category of the product C1 to “notebook personal computer”. Accordingly, the server device 50 can appropriately set the label of the product C1 and place it in the auction.

〔３．特定装置の構成〕
次に、図４を用いて、実施形態に係る特定装置１００の構成について説明する。図４は、実施形態に係る特定装置１００の構成例を示す図である。図４に示すように、特定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、特定装置１００は、特定装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。 [3. (Specific device configuration)
Next, the configuration of the specifying device 100 according to the embodiment will be described with reference to FIG. FIG. 4 is a diagram illustrating a configuration example of the identification device 100 according to the embodiment. As illustrated in FIG. 4, the identification device 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The specific device 100 includes an input unit (for example, a keyboard and a mouse) that receives various operations from an administrator who uses the specific device 100, and a display unit (for example, a liquid crystal display) that displays various types of information. You may have.

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ等によって実現される。通信部１１０は、ネットワークと有線又は無線で接続され、ネットワークを介して、各種のサーバ装置や端末装置との間で情報の送受信を行う。 (About the communication unit 110)
The communication unit 110 is realized by a NIC or the like, for example. The communication unit 110 is connected to a network by wire or wirelessly, and transmits / receives information to / from various server devices and terminal devices via the network.

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、学習器情報記憶部１２１を有する。 (About the storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. The storage unit 120 includes a learning device information storage unit 121.

（学習器情報記憶部１２１について）
学習器情報記憶部１２１は、学習器（例えば、ＤＮＮ）に関する情報を記憶する。具体的には、学習器情報記憶部１２１は、ＤＮＮ（例えば、オートエンコーダ）に含まれる入力層、中間層および出力層のノードや、ノード間の結合係数に関する情報を記憶する。例えば、学習器情報記憶部１２１は、図１に示す学習器Ｌｅを記憶する。 (About the learning device information storage unit 121)
The learning device information storage unit 121 stores information related to the learning device (for example, DNN). Specifically, the learning device information storage unit 121 stores information on nodes of input layers, intermediate layers, and output layers included in a DNN (for example, an auto encoder) and coupling coefficients between the nodes. For example, the learning device information storage unit 121 stores the learning device Le illustrated in FIG.

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、特定装置１００内部の記憶装置に記憶されている各種プログラム（特定プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。 (About the control unit 130)
The control unit 130 is configured such that, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like stores various programs (corresponding to an example of the specific program) stored in a storage device inside the specific device 100 in the RAM. This is realized by being executed as The control unit 130 is realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA).

制御部１３０は、図４に示すように、受付部１３１と、生成部１３２と、算出部１３３と、特定部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する生成処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。 As illustrated in FIG. 4, the control unit 130 includes a reception unit 131, a generation unit 132, a calculation unit 133, and a specification unit 134, and realizes or executes functions and operations of information processing described below. . Note that the internal configuration of the control unit 130 is not limited to the configuration illustrated in FIG. 4, and may be another configuration as long as the generation processing described later is performed. In addition, the connection relationship between the processing units included in the control unit 130 is not limited to the connection relationship illustrated in FIG. 4, and may be another connection relationship.

（受付部１３１について）
受付部１３１は、入力データを受け付ける。具体的には、受付部１３１は、被写体が描出された画像を受け付ける。例えば、受付部１３１は、販売者がオークションサイトに商品を出品する際に、出品する商品が描出された画像を端末装置１０から受け付ける。また、受付部１３１は、学習器の学習を行う際には、所定の分類の被写体が描出された画像を受け付ける。なお、この場合、受付部１３１は、所定の分類の特徴を学習するのに十分な数の画像を受け付ける。 (About the reception unit 131)
The accepting unit 131 accepts input data. Specifically, the accepting unit 131 accepts an image depicting a subject. For example, when the seller places a product on the auction site, the accepting unit 131 accepts an image depicting the product to be exhibited from the terminal device 10. In addition, when the learning unit learns, the reception unit 131 receives an image in which subjects of a predetermined classification are drawn. In this case, the reception unit 131 receives a sufficient number of images to learn the characteristics of the predetermined classification.

（生成部１３２について）
生成部１３２は、学習器（例えば、ＤＮＮ）を生成する。具体的には、生成部１３２は、入力データを入力した場合に出力する出力データが所定の分類の特徴情報を再現するノード間の結合係数を算出し、算出した結合係数をノード間に設定することでオートエンコーダを生成する。一例としては、生成部１３２は、バックプロパゲーション法や教師あり学習によりＤＮＮに含まれるノード間の結合係数を算出する。 (About the generator 132)
The generation unit 132 generates a learning device (for example, DNN). Specifically, the generation unit 132 calculates a coupling coefficient between nodes in which output data output when input data is input reproduces feature information of a predetermined classification, and sets the calculated coupling coefficient between the nodes. The auto encoder is generated. As an example, the generation unit 132 calculates a coupling coefficient between nodes included in the DNN by a back-propagation method or supervised learning.

例えば、生成部１３２は、受付部１３１によって「ノートパソコン」が描出された画像を入力した場合に出力する出力データが「ノートパソコン」の分類の特徴情報を再現するノード間の結合係数を算出する。そして、生成部１３２は、算出した結合係数をノード間に設定することでオートエンコーダを生成する。これにより、生成部１３２は、所定の分類に属する被写体が描出された画像が受け付けられた場合に、被写体を再現する出力データを出力する学習器を生成することができる。例えば、生成部１３２は、ノートパソコンが描出された画像を入力した場合に、ノートパソコンを再現した画像である出力データを出力する学習器を生成する。なお、生成部１３２は、例えば、ネットオークションで用いられる商品の各種の分類に対応する学習器をそれぞれ生成する。そして、生成部１３２は、生成した各学習器を学習器情報記憶部１２１に格納する。 For example, the generation unit 132 calculates a coupling coefficient between nodes in which output data that is output when the image in which the “notebook computer” is rendered by the reception unit 131 is input reproduces the feature information of the classification of the “notebook computer”. . Then, the generation unit 132 generates an auto encoder by setting the calculated coupling coefficient between nodes. Accordingly, the generation unit 132 can generate a learning device that outputs output data for reproducing a subject when an image depicting a subject belonging to a predetermined category is received. For example, the generation unit 132 generates a learning device that outputs output data, which is an image reproducing a notebook computer, when an image drawn by the notebook computer is input. In addition, the production | generation part 132 produces | generates the learning device corresponding to the various classification | category of the goods used by an online auction, for example. Then, the generation unit 132 stores each generated learning device in the learning device information storage unit 121.

（算出部１３３について）
算出部１３３は、出力データの再現誤差を算出する。具体的には、算出部１３３は、所定の分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの再現誤差を算出する。 (About the calculation unit 133)
The calculation unit 133 calculates a reproduction error of the output data. Specifically, the calculation unit 133 calculates a reproduction error of output data output when the input data received by the reception unit 131 is input to a learning device that reproduces feature information of a predetermined classification.

例えば、算出部１３３は、まず、学習器情報記憶部１２１に記憶された学習器であって各種の分類の特徴を学習した各学習器に入力データを入力する。続いて、算出部１３３は、各学習器から出力された出力データの再現誤差をそれぞれ算出する。ここで、算出部１３３は、例えば、入力データと出力データとの間の誤差が小さいほど再現誤差を低く算出する。すなわち、算出部１３３は、出力データが入力データを正確に再現しているほど再現誤差を低く算出する。なお、算出部１３３は、生成部１３２によって生成された学習器に限らず、他から取得した学習器を用いて算出処理を行ってもよい。 For example, the calculation unit 133 first inputs input data to each learning device that has been stored in the learning device information storage unit 121 and has learned characteristics of various classifications. Subsequently, the calculation unit 133 calculates the reproduction error of the output data output from each learning device. Here, for example, the calculation unit 133 calculates the reproduction error lower as the error between the input data and the output data is smaller. That is, the calculation unit 133 calculates the reproduction error as the output data accurately reproduces the input data. Note that the calculation unit 133 is not limited to the learning device generated by the generation unit 132, and the calculation processing may be performed using a learning device acquired from another.

（特定部１３４について）
特定部１３４は、受付部１３１によって受け付けられた入力データが属する分類を特定する。具体的には、特定部１３４は、算出部１３３によって算出された再現誤差に基づいて入力データが属する分類を特定する。例えば、特定部１３４は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を入力データが属する分類として特定する。特徴が類似するオートエンコーダほど入力データを最も高い精度で再現する出力データを出力すると考えられるからである。 (About the specific part 134)
The specifying unit 134 specifies the classification to which the input data received by the receiving unit 131 belongs. Specifically, the specifying unit 134 specifies the classification to which the input data belongs based on the reproduction error calculated by the calculating unit 133. For example, the specifying unit 134 specifies the classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit 133 as the classification to which the input data belongs. This is because an auto encoder having similar characteristics is considered to output output data that reproduces input data with the highest accuracy.

そして、特定部１３４は、例えば、入力データが属する分類として特定した分類をサーバ装置５０に通知する。これにより、サーバ装置５０は、サーバ装置５０から通知された分類を用いて、例えば、販売者がオークションサイトに出品する商品のラベル付けを適切に行うことができる。 For example, the specifying unit 134 notifies the server device 50 of the classification specified as the classification to which the input data belongs. Accordingly, the server device 50 can appropriately label the products that the seller sells on the auction site, for example, using the classification notified from the server device 50.

〔４．生成処理手順〕
次に、図５を用いて、実施形態に係る特定装置１００による生成処理の手順について説明する。図５は、実施形態に係る特定装置１００による生成処理手順を示すフローチャートである。 [4. Generation process procedure)
Next, with reference to FIG. 5, a generation process procedure performed by the identification apparatus 100 according to the embodiment will be described. FIG. 5 is a flowchart illustrating a generation processing procedure performed by the specifying apparatus 100 according to the embodiment.

図５に示すように、特定装置１００は、入力データを受け付ける（ステップＳ１０１）。例えば、特定装置１００は、入力データとして所定の分類に属する商品が描出された画像を、商品が属する分類の特徴を学習するのに十分な枚数受け付ける。そして、特定装置１００は、入力データを受け付けていない場合には（ステップＳ１０１；Ｎｏ）、入力データを受け付けるまで待機する。例えば、特定装置１００は、商品が属する分類の特徴を学習するのに十分な枚数が集まるまで画像を受け付ける。 As illustrated in FIG. 5, the identifying apparatus 100 receives input data (step S101). For example, the specifying apparatus 100 receives a sufficient number of images depicting products belonging to a predetermined category as input data to learn the characteristics of the category to which the product belongs. And when the specific apparatus 100 has not received input data (step S101; No), it waits until input data is received. For example, the specifying apparatus 100 accepts images until a sufficient number is collected to learn the characteristics of the classification to which the product belongs.

一方、特定装置１００は、入力データを受け付けた場合（ステップＳ１０１；Ｙｅｓ）、受け付けた入力データを学習器に入力する（ステップＳ１０２）。例えば、特定装置１００は、入力データとして所定の分類に属する商品が描出された画像を学習器に入力する。 On the other hand, when receiving the input data (step S101; Yes), the specific apparatus 100 inputs the received input data to the learning device (step S102). For example, the specifying apparatus 100 inputs an image in which a product belonging to a predetermined category is drawn as input data to the learning device.

その後、特定装置１００は、受け付けられた入力データに基づいて、入力データを入力した場合に入力データを再現する出力データを出力する学習器を生成する。具体的には、特定装置１００は、入力データを入力した場合に出力する出力データが所定の分類の特徴情報を再現するノード間の結合係数を算出する（ステップＳ１０３）。例えば、特定装置１００は、バックプロパゲーション法により結合係数を算出する。一例としては、特定装置１００は、出力データの誤差が最小となる結合係数を算出する。 After that, the identifying apparatus 100 generates a learning device that outputs output data that reproduces the input data when the input data is input based on the received input data. Specifically, the specifying apparatus 100 calculates a coupling coefficient between nodes in which output data output when input data is input reproduces feature information of a predetermined classification (step S103). For example, the identifying apparatus 100 calculates the coupling coefficient by the back propagation method. As an example, the identifying apparatus 100 calculates a coupling coefficient that minimizes an error in output data.

そして、特定装置１００は、所定の分類の特徴を学習した学習器を生成する（ステップＳ１０４）。例えば、特定装置１００は、算出した結合係数をノード間に設定することで、所定の分類の特徴を学習した学習器を生成する。そして、特定装置１００は、生成した学習器を格納する（ステップＳ１０５）。なお、特定装置１００は、例えば、ネットオークションで用いられる商品の各種の分類において上記のステップＳ１０１〜Ｓ１０５の処理を実行し、各種の分類に対応する学習器をそれぞれ生成する。 Then, the identifying apparatus 100 generates a learning device that has learned the characteristics of the predetermined classification (step S104). For example, the specifying apparatus 100 sets a calculated coupling coefficient between nodes, thereby generating a learning device that has learned features of a predetermined classification. Then, the specifying apparatus 100 stores the generated learning device (step S105). For example, the identification device 100 executes the processes of steps S101 to S105 in various classifications of products used in the online auction, and generates learning devices corresponding to the various classifications.

〔５．特定処理手順〕
次に、図６を用いて、実施形態に係る特定装置１００による特定処理の手順について説明する。図６は、実施形態に係る特定装置１００による特定処理手順を示すフローチャートである。 [5. Specific processing procedure)
Next, the procedure of the specifying process by the specifying apparatus 100 according to the embodiment will be described with reference to FIG. FIG. 6 is a flowchart illustrating a specific processing procedure performed by the specific device 100 according to the embodiment.

図６に示すように、特定装置１００は、入力データを受け付ける（ステップＳ２０１）。例えば、特定装置１００は、入力データとして販売者がネットオークションに出品する商品が描出された画像を受け付ける。そして、特定装置１００は、入力データを受け付けていない場合には（ステップＳ２０１；Ｎｏ）、入力データを受け付けるまで待機する。 As illustrated in FIG. 6, the identifying apparatus 100 receives input data (step S201). For example, the specifying apparatus 100 accepts an image in which a product that a seller sells in an online auction is drawn as input data. And when the specific apparatus 100 has not received input data (step S201; No), it waits until input data is received.

一方、特定装置１００は、入力データを受け付けた場合（ステップＳ２０１；Ｙｅｓ）、受け付けた入力データを各学習器に入力する（ステップＳ２０２）。例えば、特定装置１００は、各種の分類の特徴を学習した学習器を学習器情報記憶部１２１から取得する。そして、特定装置１００は、取得した各学習器に販売者がオークションに出品する商品が描出された画像をそれぞれ入力する。 On the other hand, when receiving the input data (step S201; Yes), the specific device 100 inputs the received input data to each learning device (step S202). For example, the identification device 100 acquires a learning device that has learned various types of characteristics from the learning device information storage unit 121. And specific device 100 inputs into each acquired learning device the picture on which goods which a seller sells for an auction were drawn, respectively.

その後、特定装置１００は、出力データの再現誤差を算出する（ステップＳ２０３）。具体的には、特定装置１００は、各学習器が出力した出力データの再現誤差をそれぞれ算出する。 Thereafter, the identifying apparatus 100 calculates a reproduction error of the output data (Step S203). Specifically, the identifying apparatus 100 calculates the reproduction error of the output data output from each learning device.

そして、特定装置１００は、算出した再現誤差に基づいて入力データが属する分類を特定する（ステップＳ２０４）。例えば、特定装置１００は、算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を入力データが属する分類として特定する。 Then, the specifying device 100 specifies the classification to which the input data belongs based on the calculated reproduction error (Step S204). For example, the specifying apparatus 100 specifies the classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the calculated reproduction errors as the classification to which the input data belongs.

そして、特定装置１００は、特定した分類をサーバ装置５０に通知する（ステップＳ２０５）。その後、サーバ装置５０は、特定装置１００から通知された分類に基づいて入力データのラベル付けを実行する。これにより、サーバ装置５０は、例えば、オークションサイトに出品する商品に適切なラベルを付けることができる。 Then, the specifying device 100 notifies the server device 50 of the specified classification (Step S205). Thereafter, the server device 50 performs labeling of the input data based on the classification notified from the specific device 100. Thereby, the server apparatus 50 can attach a suitable label to the goods put on an auction site, for example.

〔６．変形例〕
上述した実施形態に係る特定装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の特定装置１００の他の実施形態について説明する。 [6. (Modification)
The identification device 100 according to the above-described embodiment may be implemented in various different forms other than the above-described embodiment. Therefore, in the following, another embodiment of the specific device 100 will be described.

〔６−１．人の分類を特定〕
上記実施形態では、特定装置１００は、商品の分類の特徴情報を再現する学習器を用いて、入力データである画像に描出された商品が属する分類を特定する例を示した。ここで、特定装置１００は、各種の特徴を学習した学習器を用いて、各種の分類を特定してもよい。 [6-1. (Identify people's classification)
In the above-described embodiment, the identification apparatus 100 uses the learning device that reproduces the feature information of the product classification to identify the classification to which the product depicted in the image that is the input data belongs. Here, the identifying apparatus 100 may identify various classifications using a learning device that has learned various features.

具体的には、特定装置１００は、人が属する分類の特徴情報を再現する学習器に対して、人の動きを入力した場合に出力する出力データの人の動きに対する再現誤差を算出し、算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を人が属する分類として特定する。 Specifically, the identifying apparatus 100 calculates a reproduction error for the human motion in the output data output when the human motion is input to the learning device that reproduces the feature information of the classification to which the human belongs, and calculates The classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduced reproduction errors is specified as the classification to which the person belongs.

初めに、特定装置１００によって所定の人が属する分類の特徴情報を再現する学習器を生成する処理について説明する。例えば、特定装置１００は、まず、歩数計やスマートフォンなどを人に持たせることで各時刻における人の動きに関する情報を人が所属する組織の業種ごとに取得する。すなわち、特定装置１００は、人の動きを時系列なデータとして取得する。 First, a process of generating a learning device that reproduces characteristic information of a classification to which a predetermined person belongs by the specific device 100 will be described. For example, the specific apparatus 100 first obtains information on the movement of the person at each time for each business type of the organization to which the person belongs by giving the person a pedometer, a smartphone, or the like. That is, the identifying apparatus 100 acquires a person's movement as time-series data.

そして、特定装置１００は、取得した人の動きに関する情報を用いて、人の動きの特徴を学習する学習器（例えば、オートエンコーダ）を生成する。すなわち、人の行動パターンを学習した学習器を生成する。例えば、特定装置１００は、人の動きの特徴を学習する学習器を人が所属する組織の業種ごとに生成する。一例としては、特定装置１００は、飲食業、製造業、漁業といった各種の業種ごとに人の動きの特徴を学習した学習器を生成する。なお、特定装置１００は、人が所属する組織の業種ごとに限らず、性別や役職などといった各種のユーザ属性ごとに学習器を生成してもよい。 Then, the specifying apparatus 100 generates a learning device (for example, an auto encoder) that learns the characteristics of the person's movement using the acquired information about the person's movement. That is, a learning device that learns human behavior patterns is generated. For example, the identifying apparatus 100 generates a learning device that learns the characteristics of a person's movement for each type of business of the organization to which the person belongs. As an example, the identification device 100 generates a learning device that learns the characteristics of human movement for each type of business such as the restaurant industry, the manufacturing industry, and the fishery industry. Note that the identification device 100 may generate a learning device for each of various user attributes such as gender and job title, not limited to each type of business of an organization to which a person belongs.

次に、特定装置１００が学習器を用いて人が属する分類を特定する特定処理について説明する。特定装置１００は、まず、入力データとして特定対象の人の動きを受け付ける。そして、特定装置１００は、生成した学習器を用いて、人が所属する組織の業種を特定する。例えば、特定装置１００は、まず、入力データを各学習器に入力する。一例としては、特定装置１００は、入力データとして「午前１０時〜午前１１時までのＡさんの動き」を示すベクトルを各学習器に入力する。 Next, a description will be given of a specifying process in which the specifying device 100 specifies a classification to which a person belongs using a learning device. First, the identifying apparatus 100 accepts the movement of a person to be identified as input data. Then, the identifying device 100 identifies the business type of the organization to which the person belongs using the generated learning device. For example, the identifying apparatus 100 first inputs input data to each learning device. As an example, the identifying apparatus 100 inputs a vector indicating “Mr. A's movement from 10:00 am to 11:00 am” as input data to each learning device.

そして、特定装置１００は、人が属する分類の特徴情報を再現する各学習器に対して、受け付けられた人の動きを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。例えば、特定装置１００は、出力データが表すベクトルと入力データが表すベクトルとの間の誤差に基づいて再現誤差を算出する。 Then, the identifying apparatus 100 calculates, for each learning device that reproduces the feature information of the classification to which the person belongs, a reproduction error with respect to the input data of the output data that is output when the accepted person's movement is input. For example, the identifying apparatus 100 calculates a reproduction error based on an error between a vector represented by output data and a vector represented by input data.

そして、特定装置１００は、算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を人が属する分類として特定する。例えば、特定装置１００は、最も低い再現誤差となる出力データを出力する学習器が飲食業に対応する場合、人の分類を「飲食業」として特定する。なお、特定装置１００は、利用者の行動、思考、属性などから利用者のラベル付けを行ってもよい。 Then, the identifying apparatus 100 identifies the classification corresponding to the learning device that outputs the output data that is the lowest reproduction error among the calculated reproduction errors as the classification to which the person belongs. For example, when the learning device that outputs the output data with the lowest reproduction error corresponds to the restaurant business, the specifying device 100 specifies the classification of the person as “food restaurant”. Note that the identification device 100 may label the user based on the user's behavior, thought, attribute, and the like.

このように、特定装置１００は、入力データとして人の動きを受け付ける。また、特定装置１００は、所定の人が属する分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた人の動きを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。また、特定装置１００は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を人が属する分類として特定する。 In this way, the identification device 100 accepts a person's movement as input data. Further, the identification device 100 reproduces an error in the input data of the output data output when the movement of the person accepted by the accepting unit 131 is input to the learning device that reproduces the feature information of the classification to which the predetermined person belongs. Is calculated. In addition, the identifying apparatus 100 identifies the classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit 133 as the classification to which the person belongs.

これにより、特定装置１００は、入力データに対して入力データが属する適切な分類を特定することができるので、人に適切なラベルを付けることができる。例えば、特定装置１００は、業種や役職ごとに分類したラベルを人に対して適切に付けることができるので、マーケティングなどにおけるデータ分析に活用することができる。一例としては、特定装置１００は、ビッグデータのサンプルとして活用することができるので、分析の精度を高めることができる。 Thereby, since the identifying apparatus 100 can identify an appropriate classification to which the input data belongs with respect to the input data, it can attach an appropriate label to the person. For example, since the specific device 100 can appropriately attach labels classified by business type or job title to a person, it can be used for data analysis in marketing or the like. As an example, the identification apparatus 100 can be used as a sample of big data, so that the accuracy of analysis can be improved.

なお、特定装置１００は、利用者の友人関係の特徴の共通性を特定してもよい。この場合、特定装置１００は、友人関係の特徴を学習した学習器を生成する。例えば、特定装置１００は、友人が属するユーザ属性ごとに特徴を学習した学習器を生成する。その後、特定装置１００は、入力データとして利用者の友人に関する情報を学習器に入力する。続いて、特定装置１００は、入力データに対して学習器が出力する出力データに基づいて利用者の友人関係の特徴を特定する。 The specifying device 100 may specify the commonality of the user friendship characteristics. In this case, the identifying apparatus 100 generates a learning device that has learned the characteristics of friendship. For example, the specifying apparatus 100 generates a learning device that learns features for each user attribute to which a friend belongs. Thereafter, the identification device 100 inputs information about the user's friend as input data to the learning device. Subsequently, the identifying device 100 identifies the characteristics of the user's friendship based on the output data output from the learning device with respect to the input data.

〔６−２．分類を提案〕
上記実施形態では、特定装置１００は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を入力データが属する分類として特定し、特定した分類を商品のラベルとして付ける例を示した。 [6-2. (Proposed classification)
In the above embodiment, the identifying apparatus 100 identifies and identifies the classification corresponding to the learning device that outputs the output data that is the lowest reproduction error among the reproduction errors calculated by the calculation unit 133 as the classification to which the input data belongs. An example is shown in which the classification is attached as a product label.

ここで、特定装置１００は、再現誤差に応じて入力データが属する分類を提案してもよい。例えば、特定装置１００は、ネットオークションに商品を出品する販売者に対して、算出部１３３によって算出された再現誤差が所定の閾値より低い分類を商品が属するカテゴリとして提案する。続いて、販売者は、提案されたカテゴリのうち商品に最も適したカテゴリを選択する。そして、サーバ装置５０は、販売者によって選択されたカテゴリを商品のラベルとして付けてネットオークションに出品する。 Here, the identifying apparatus 100 may propose a classification to which the input data belongs according to the reproduction error. For example, the specifying apparatus 100 proposes a category in which the reproduction error calculated by the calculation unit 133 is lower than a predetermined threshold as a category to which the product belongs to a seller who sells the product in an online auction. Subsequently, the seller selects a category most suitable for the product from the proposed categories. Then, the server device 50 puts the category selected by the seller as a product label and places it in the online auction.

このように、特定装置１００は、再現誤差に応じて入力データが属する分類を提案する。これにより、特定装置１００は、機械的に特定された分類の候補から販売者が商品のカテゴリを選択することができるので、販売者の希望を反映したカテゴリを商品に付けることができる。このため、特定装置１００は、販売者のラベル付けにかかる手間を軽減することができるとともに、販売者の利便性を高めることができる。 As described above, the specifying apparatus 100 proposes a classification to which the input data belongs according to the reproduction error. Thereby, since the seller can select the category of the product from the mechanically specified classification candidates, the specification apparatus 100 can attach the category reflecting the seller's desire to the product. For this reason, the identification device 100 can reduce the labor for labeling by the seller, and can improve the convenience of the seller.

〔６−３．オートエンコーダ〕
上記実施形態では、特定装置１００は、所定の分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの入力データに対する再現誤差を算出する例を示した。 [6-3. (Auto encoder)
In the above-described embodiment, the identifying apparatus 100 generates a reproduction error with respect to input data of output data that is output when input data received by the receiving unit 131 is input to a learning device that reproduces feature information of a predetermined classification. An example of calculation is shown.

ここで、特定装置１００は、特徴情報の次元数を削減した後に特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの再現誤差を算出してもよい。例えば、特定装置１００は、まず、中間層に含まれるノード群の層のうち中心の層が最も少ないノード数となるオートエンコーダを生成する。すなわち、特定装置１００は、入力された入力データの情報の次元数を中間層の中心まで序所に削減し、その後に次元数を元に戻すオートエンコーダを生成する。具体的には、特定装置１００は、出力データが入力データを高い精度で再現するようにノード間の結合係数を補正することでオートエンコーダを生成する。ここで、特定装置１００は、例えば、入力データの画像自体を再現するのではなく、画像に描出された被写体を再現するオートエンコーダを生成する。一例としては、特定装置１００は、画像に描出された被写体を再現するオートエンコーダを生成する。 Here, the identifying apparatus 100 generates a reproduction error of output data output when input data received by the receiving unit 131 is input to a learning device that reproduces feature information after reducing the number of dimensions of the feature information. It may be calculated. For example, the identifying apparatus 100 first generates an auto encoder that has the smallest number of nodes in the central layer among the layers of the node group included in the intermediate layer. That is, the identifying apparatus 100 generates an auto encoder that reduces the number of dimensions of input information of input data to the center of the intermediate layer and then restores the number of dimensions to the original. Specifically, the identifying apparatus 100 generates an auto encoder by correcting the coupling coefficient between nodes so that the output data reproduces the input data with high accuracy. Here, for example, the specifying apparatus 100 does not reproduce the image itself of the input data, but generates an auto encoder that reproduces the subject depicted in the image. As an example, the specifying apparatus 100 generates an auto encoder that reproduces a subject drawn in an image.

そして、特定装置１００は、生成したオートエンコーダに対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。 Then, the identifying apparatus 100 calculates a reproduction error for the input data of the output data output when the input data received by the receiving unit 131 is input to the generated auto encoder.

このように、特定装置１００は、特徴情報の次元数を削減した後に特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。 As described above, the specifying apparatus 100 outputs the input data of the output data that is output when the input data received by the receiving unit 131 is input to the learning device that reproduces the feature information after reducing the number of dimensions of the feature information. The reproduction error for is calculated.

これにより、特定装置１００は、画像に描出された被写体を再現するオートエンコーダを生成することができるので、出力データの再現精度を高めることができる。このため、特定装置１００は、入力データの分類を特定する精度を高めることができる。 As a result, the identifying apparatus 100 can generate an auto encoder that reproduces the subject depicted in the image, so that the reproduction accuracy of the output data can be improved. For this reason, the specifying device 100 can improve the accuracy of specifying the classification of the input data.

〔６−４．ＤＮＮ〕
上記実施形態では、特定装置１００は、入力層、中間層および出力層によって構成される学習器を生成する例を示した。ここで、特定装置１００は、各種の層に任意の数のノード群を含む学習器を生成してもよい。例えば、特定装置１００は、中間層に複数のノード群が含まれる多段の学習器を生成する。また、学習器に含まれるノード群は、任意の数のノードによって構成されてもよい。 [6-4. DNN]
In the above-described embodiment, the identification apparatus 100 has shown an example in which a learning device including an input layer, an intermediate layer, and an output layer is generated. Here, the identifying apparatus 100 may generate a learning device including an arbitrary number of nodes in various layers. For example, the specifying apparatus 100 generates a multistage learning device in which a plurality of node groups are included in the intermediate layer. In addition, the node group included in the learning device may be configured by an arbitrary number of nodes.

〔６−５．適用対象〕
上記実施形態では、特定装置１００は、ネットオークションに出品する商品の分類を特定する画像認識の適用例を示した。ここで、特定装置１００は、商品の分類に限らず、各種の認識に適用してもよい。例えば、特定装置１００は、音声を対象とする音声認識に適用する。一例としては、特定装置１００は、入力データとして音声データを入力することで話者の分類を学習する学習器を生成する。これにより、特定装置１００は、音声データに含まれる音声を発した話者の性別や年齢、国籍などといった分類を特定することができる。 [6-5. (Applicable)
In the above-described embodiment, the identification apparatus 100 has shown an application example of image recognition that identifies the classification of products to be exhibited in the online auction. Here, the identification device 100 may be applied to various types of recognition without being limited to the classification of products. For example, the specific apparatus 100 is applied to speech recognition that targets speech. As an example, the identifying apparatus 100 generates a learning device that learns speaker classification by inputting speech data as input data. Thereby, the specifying device 100 can specify the classification such as gender, age, nationality, and the like of the speaker who uttered the voice included in the voice data.

〔６−６．装置構成〕
上記実施形態では、特定装置１００は、サーバ装置５０と一体となって構成されてもよい。この場合、特定装置１００は、学習器を用いて特定した分類に基づいて商品のラベル付けを行う。また、特定装置１００は、学習器を生成する生成処理は行わず、算出部１３３と、特定部１３４とによる特定処理のみを行う特定装置であってもよい。この場合、特定装置は、少なくとも生成部１３２を有しない。そして、特定装置は、生成部１３２を有する生成装置によって生成された学習器を用いて分類を特定し、特定した分類をサーバ装置５０等に通知する。 [6-6. Device configuration〕
In the above embodiment, the specifying device 100 may be configured integrally with the server device 50. In this case, the identifying apparatus 100 labels the product based on the classification identified using the learning device. Further, the specifying device 100 may be a specifying device that performs only the specifying process by the calculating unit 133 and the specifying unit 134 without performing the generation process for generating the learning device. In this case, the specific device does not have at least the generation unit 132. Then, the specifying device specifies the classification using the learning device generated by the generating device having the generating unit 132, and notifies the server device 50 and the like of the specified classification.

〔６−７．その他〕
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [6-7. Others]
Of the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or all of the processes described as being performed manually or A part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図４に示した受付部１３１および生成部１３２は統合されてもよい。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured. For example, the reception unit 131 and the generation unit 132 illustrated in FIG. 4 may be integrated.

〔６−８．ハードウェア構成〕
また、上述してきた実施形態に係る特定装置１００は、例えば図７に示すような構成のコンピュータ１０００によって実現される。以下、特定装置１００を例に挙げて説明する。図７は、特定装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。 [6-8. Hardware configuration)
In addition, the specifying apparatus 100 according to the above-described embodiment is realized by a computer 1000 configured as shown in FIG. 7, for example. Hereinafter, the specific device 100 will be described as an example. FIG. 7 is a hardware configuration diagram illustrating an example of a computer 1000 that implements the functions of the specific device 100. The computer 1000 includes a CPU 1100, RAM 1200, ROM 1300, HDD 1400, communication interface (I / F) 1500, input / output interface (I / F) 1600, and media interface (I / F) 1700.

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。 The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400 and controls each unit. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started up, a program depending on the hardware of the computer 1000, and the like.

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、通信網５００を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを通信網５００を介して他の機器へ送信する。 The HDD 1400 stores programs executed by the CPU 1100, data used by the programs, and the like. The communication interface 1500 receives data from other devices via the communication network 500 and sends the data to the CPU 1100, and transmits data generated by the CPU 1100 to other devices via the communication network 500.

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。 The CPU 1100 controls an output device such as a display and a printer and an input device such as a keyboard and a mouse via the input / output interface 1600. The CPU 1100 acquires data from the input device via the input / output interface 1600. In addition, the CPU 1100 outputs the generated data to the output device via the input / output interface 1600.

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。 The media interface 1700 reads a program or data stored in the recording medium 1800 and provides it to the CPU 1100 via the RAM 1200. The CPU 1100 loads such a program from the recording medium 1800 onto the RAM 1200 via the media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable disk), a magneto-optical recording medium such as an MO (Magneto Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. It is.

例えば、コンピュータ１０００が実施形態に係る特定装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。 For example, when the computer 1000 functions as the specific device 100 according to the embodiment, the CPU 1100 of the computer 1000 implements the function of the control unit 130 by executing a program loaded on the RAM 1200. The HDD 1400 stores data in the storage unit 120. The CPU 1100 of the computer 1000 reads these programs from the recording medium 1800 and executes them, but as another example, these programs may be acquired from other devices via the communication network 500.

〔７．効果〕
上述してきたように、実施形態に係る特定装置１００は、受付部１３１と、算出部１３３と、特定部１３４とを有する。受付部１３１は、入力データを受け付ける。算出部１３３は、所定の分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの再現誤差を算出する。特定部１３４は、算出部１３３によって算出された再現誤差に基づいて入力データが属する分類を特定する。 [7. effect〕
As described above, the specifying device 100 according to the embodiment includes the receiving unit 131, the calculating unit 133, and the specifying unit 134. The accepting unit 131 accepts input data. The calculation unit 133 calculates a reproduction error of output data output when the input data received by the reception unit 131 is input to a learning device that reproduces feature information of a predetermined classification. The specifying unit 134 specifies the classification to which the input data belongs based on the reproduction error calculated by the calculating unit 133.

また、実施形態に係る特定装置１００において、特定部１３４は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を前記入力データが属する分類として特定する。 In the specifying device 100 according to the embodiment, the specifying unit 134 includes a classification corresponding to a learning device that outputs output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit 133. Specify as a classification.

また、実施形態に係る特定装置１００において、受付部１３１は、入力データとして商品が描出された画像を受け付ける。算出部１３３は、所定の商品が属する分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた画像を入力した場合に出力する出力データの再現誤差を算出する。特定部１３４は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を商品が属する分類として特定する。 In the specifying device 100 according to the embodiment, the reception unit 131 receives an image in which a product is depicted as input data. The calculation unit 133 calculates a reproduction error of output data output when an image received by the reception unit 131 is input to a learning device that reproduces the feature information of the classification to which the predetermined product belongs. The specifying unit 134 specifies the category corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit 133 as the category to which the product belongs.

また、実施形態に係る特定装置１００において、生成部１３２は、入力データを入力した場合に出力する出力データが所定の分類の特徴情報を再現するノード間の結合係数を算出し、算出した結合係数をノード間に設定することで学習器を生成する。 In the specifying device 100 according to the embodiment, the generation unit 132 calculates a coupling coefficient between nodes in which output data output when input data is input reproduces feature information of a predetermined classification, and the calculated coupling coefficient A learning device is generated by setting between nodes.

これにより、実施形態に係る特定装置１００は、入力データが属する適切な分類を特定することができるので、適切なラベルを付けることができる。例えば、特定装置１００は、被写体が描出された画像が入力された場合に画像に描出された被写体が属する分類を特定することができる。このため、特定装置１００は、例えば、インターネットオークションにおいて出品者が新規に出品する商品が描出された画像を受け付けた場合に商品が属するカテゴリを特定することができる。 Thereby, since the specific apparatus 100 which concerns on embodiment can identify the appropriate classification to which input data belongs, it can attach an appropriate label. For example, the specifying device 100 can specify the classification to which the subject drawn in the image belongs when an image in which the subject is drawn is input. For this reason, the specifying device 100 can specify the category to which the product belongs when, for example, an image in which an item newly exhibited by an exhibitor is received in an Internet auction is received.

また、変形例に係る特定装置１００において、受付部１３１は、入力データとして人の動きを受け付ける。算出部１３３は、所定の人が属する分類の特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた人の動きを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。特定部１３４は、算出部１３３によって算出された再現誤差のうち最も低い再現誤差となる出力データを出力する学習器に対応する分類を人が属する分類として特定する。 In the specifying device 100 according to the modification, the receiving unit 131 receives a human movement as input data. The calculation unit 133 calculates a reproduction error with respect to the input data of the output data output when the movement of the person received by the reception unit 131 is input to the learning device that reproduces the feature information of the classification to which the predetermined person belongs. To do. The specifying unit 134 specifies the classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit 133 as the classification to which the person belongs.

これにより、変形例に係る特定装置１００は、入力データが属する適切な分類を特定することができるので、人に適切なラベルを付けることができる。例えば、特定装置１００は、業種や役職ごとに分類したラベルを人に対して適切に付けることができるので、マーケティングなどにおけるデータ分析に活用することができる。一例としては、特定装置１００は、ビッグデータのサンプルとして活用することができるので、分析の精度を高めることができる。 Thereby, since the specific apparatus 100 which concerns on a modification can specify the suitable classification to which input data belongs, it can attach an appropriate label to a person. For example, since the specific device 100 can appropriately attach labels classified by business type or job title to a person, it can be used for data analysis in marketing or the like. As an example, the identification apparatus 100 can be used as a sample of big data, so that the accuracy of analysis can be improved.

また、変形例に係る特定装置１００において、算出部１３３は、特徴情報の次元数を削減した後に特徴情報を再現する学習器に対して、受付部１３１によって受け付けられた入力データを入力した場合に出力する出力データの入力データに対する再現誤差を算出する。 Further, in the specifying device 100 according to the modification, the calculation unit 133 inputs the input data received by the reception unit 131 to the learning device that reproduces the feature information after reducing the number of dimensions of the feature information. The reproduction error for the output data to be output is calculated.

これにより、変形例に係る特定装置１００は、画像に描出された被写体を再現するオートエンコーダを生成することができるので、出力データの再現精度を高めることができる。このため、特定装置１００は、入力データの分類を特定する精度を高めることができる。 As a result, the identification device 100 according to the modification can generate an auto encoder that reproduces the subject depicted in the image, so that the reproduction accuracy of the output data can be improved. For this reason, the specifying device 100 can improve the accuracy of specifying the classification of the input data.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail based on the drawings. It is possible to implement the present invention in other forms with improvements.

１出品システム
１０端末装置
５０サーバ装置
１００特定装置
１２１学習器情報記憶部
１３１受付部
１３２生成部
１３３算出部
１３４特定部 DESCRIPTION OF SYMBOLS 1 Exhibition system 10 Terminal apparatus 50 Server apparatus 100 Identification apparatus 121 Learning device information storage part 131 Reception part 132 Generation part 133 Calculation part 134 Identification part

Claims

A reception unit for receiving input data;
For a learning device that reproduces feature information of a predetermined classification, a calculation unit that calculates a reproduction error of the output data output when the input data received by the receiving unit is input;
And a specifying unit that specifies a classification to which the input data belongs based on a reproduction error calculated by the calculating unit.

The specific part is:
2. The specification according to claim 1, wherein a classification corresponding to a learning device that outputs output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit is specified as a classification to which the input data belongs. apparatus.

The reception unit
Accept an image depicting a product as the input data,
The calculation unit includes:
For a learning device that reproduces characteristic information of a classification to which a predetermined product belongs, a reproduction error between the output data output when the image received by the receiving unit is input and the image is calculated,
The specific part is:
The classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit is specified as a classification to which the product belongs. Specific device.

The reception unit
Accepting human movement as the input data,
The calculation unit includes:
For a learning device that reproduces feature information of a classification to which a predetermined person belongs, calculating a reproduction error for the movement of the person in the output data that is output when the movement of the person accepted by the reception unit is input,
The specific part is:
The classification corresponding to the learning device that outputs the output data having the lowest reproduction error among the reproduction errors calculated by the calculation unit is specified as the classification to which the person belongs. The specific device according to one.

Generating that generates the learning device by calculating a coupling coefficient between nodes in which output data output when the input data is input reproduces characteristic information of a predetermined classification, and setting the calculated coupling coefficient between the nodes The specifying device according to claim 1, further comprising: a unit.

The calculation unit includes:
The reproduction error of the output data output when the input data received by the receiving unit is input to the learning device that reproduces the feature information after reducing the number of dimensions of the feature information is calculated. The specific device according to claim 1, wherein

A specific method performed by a specific device,
A reception process for receiving input data;
A calculation step for calculating a reproduction error for the input data of the output data to be output when the input data received by the reception step is input to a learning device that reproduces feature information of a predetermined classification;
A specifying step of specifying a classification to which the input data belongs based on the reproduction error calculated by the calculating step.

Acceptance procedure to accept input data,
A calculation procedure for calculating a reproduction error with respect to the input data of the output data output when the input data received by the reception procedure is input to a learning device that reproduces feature information of a predetermined classification;
A specifying program for causing a computer to execute a specifying procedure for specifying a classification to which the input data belongs based on a reproduction error calculated by the calculating procedure.