CN113614754A - 信息处理系统、计算机系统、信息处理方法和程序 - Google Patents
信息处理系统、计算机系统、信息处理方法和程序 Download PDFInfo
- Publication number
- CN113614754A CN113614754A CN202080023054.3A CN202080023054A CN113614754A CN 113614754 A CN113614754 A CN 113614754A CN 202080023054 A CN202080023054 A CN 202080023054A CN 113614754 A CN113614754 A CN 113614754A
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- information
- deliverable
- information processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 98
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000001131 transforming effect Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 17
- 238000004891 communication Methods 0.000 description 37
- 238000004519 manufacturing process Methods 0.000 description 15
- 210000001508 eye Anatomy 0.000 description 13
- 201000010099 disease Diseases 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 230000015654 memory Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000010330 laser marking Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
问题是提供一种信息处理系统、计算机系统、信息处理方法和程序，所有这些都有助于在采取安全地保护信息的措施的同时，增加机器学习的学习效果。信息处理系统(100)包括能够彼此通信的第一系统(10)和第二系统(20)。第一系统(10)将包括特定信息的第一数据(D1)变换为不包括特定信息的第二数据(D2)，并且将第二数据(D2)输出到第二系统(20)。第二系统(20)使用第二数据(D2)进行机器学习以生成第二学习交付物(R2)，并且将第二学习交付物(R2)输出到第一系统(10)。第一系统(10)基于第一数据(D1)的至少一部分和第二系统(R2)所提供的第二学习交付物(R2)来获得第一学习交付物(R1)。
Description
技术领域
本发明通常涉及信息处理系统、计算机系统、信息处理方法和程序。更具体地，本发明涉及全部被配置或设计为进行机器学习相关的处理信息处理系统、计算机系统、信息处理方法和程序。
背景技术
专利文献1教导了用于提供数据分析服务的方法。在专利文献1中，将公司(数据拥有者)所收集的数据作为训练数据发送到数据分析服务提供者。服务提供者通过分析这些数据来生成模型(经学习模型)，并且将该模型发送回数据拥有者。这使得数据拥有者能够例如通过使用该模型来进行预测。另外，专利文献1还教导了通过在生成训练数据时使数据拥有者所收集的数据的变量匿名化来保护商业机密信息。
以这种方式，在专利文献1中，通过使用基于所收集的不包括商业机密信息(特定信息)的数据而生成的训练数据来进行机器学习。然而，这种类型的机器学习可能由于特定信息丢失而导致学习效果的下降。
引文列表
专利文献
专利文献1：US 2017/0061311 A
发明内容
问题是提供如下的信息处理系统、计算机系统、信息处理方法和程序，这些全部有助于在采取措施以安全地保护信息的同时，增加机器学习的学习效果。
根据本发明的一方面的信息处理系统是用于基于包括特定信息的第一数据来生成第一学习交付物的信息处理系统。信息处理系统包括能够彼此通信的第一系统和第二系统。第一系统包括变换单元，该变换单元用于将第一数据变换为不包括特定信息的第二数据，并且将第二数据输出到第二系统。第二系统包括学习单元，该学习单元用于使用第一系统所提供的第二数据进行机器学习来生成第二学习交付物，并且将第二学习交付物输出到第一系统。第一系统包括生成单元，该生成单元用于基于第一数据的至少一部分和第二系统所提供的第二学习交付物来获得第一学习交付物。
根据本发明的另一方面的计算机系统是用作上述信息处理系统的第一系统的计算机系统。
根据本发明的又一方面的计算机系统是用作上述信息处理系统的第二系统的计算机系统。
根据本发明的又一方面的信息处理方法是用于基于包括特定信息的第一数据来生成第一学习交付物的信息处理方法。根据该方面的信息处理方法包括：将第一数据变换为不包括特定信息的第二数据；通过使用第二数据进行机器学习来生成第二学习交付物；以及基于第一数据的至少一部分和第二学习交付物来获得第一学习交付物。
根据本发明的又一方面的程序被设计为使得一个或多个处理器进行上述信息处理方法。
附图说明
图1是根据示例性实施例的信息处理系统的框图；
图2示出生产系统；
图3示出要由信息处理系统进行的变换处理；以及
图4是信息处理系统的序列图。
具体实施方式
1.实施例
1.1概述
图1示出根据示例性实施例的信息处理系统100。如图4所示，信息处理系统100是用于基于包括特定信息的第一数据D1来生成第一学习交付物R1的信息处理系统。信息处理系统100包括能够彼此通信的第一系统10和第二系统20。如图1所示，第一系统10包括变换单元131，该变换单元131用于将第一数据D1变换为不包括特定信息的第二数据D2，并且将第二数据D2输出到第二系统20。第二系统20包括学习单元221，该学习单元221用于使用第一系统10所提供的第二数据D2进行机器学习以生成第二学习交付物R2，并且将第二学习交付物R2输出到第一系统10。第一系统10包括生成单元132，该生成单元132用于基于第一数据D1的至少一部分和第二系统20所提供的第二学习交付物R2来获得第一学习交付物R1。
当由能够与第一系统10通信的第二系统20进行机器学习时，该信息处理系统100使用不具有特定信息的第二数据D2来代替具有特定信息的第一数据D1。也就是说，第二系统20可以利用保持在第一系统10中的特定信息来进行机器学习。因此，第二系统20可以在不需要关心信息的保护的情况下使用具有比第一系统10更高的计算能力、并且安装在与安装有第一系统10的设施不同的设施处的计算资源。另一方面，第一系统10基于第二系统20所提供的第二学习交付物R2和第一数据D1的至少一部分来获得第一学习交付物R1。因此，未被包括在第二数据D2中的、已经被第二系统20用于机器学习的特定信息可以反映在第一学习交付物R1中。因此，该信息处理系统100使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
1.2.细节
接着，将参考图1至图4进一步详细地描述信息处理系统100。
信息处理系统100被配置为基于第一数据D1来生成第一学习交付物R1(参见图4)。
第一数据D1是表示在板(电路板)310上安装有多个电子组件320的安装板300(参见图2和图3)的数据。第一数据D1可以包含与如下项有关的各种类型的信息：板310和多个电子组件320的形状和大小、板310和多个电子组件320的类型、多个电子组件320的布置(具体地，该多个电子组件在板310上的布置)以及板310的电路径(电路图案)的布置。可以列举覆铜层压板作为板310的示例。电子组件320的示例包括电阻器、电容器、线圈、二极管、变压器、IC芯片、连接器和开关。第一数据D1可以例如是安装板300的CAD数据。
第一学习交付物R1可以包括经学习模型和基于经学习模型的输出其中至少之一。在本实施例中，第一学习交付物R1是用于响应于已经输入的第一数据D1而获得特有(particular)结果的经学习模型。该特有结果是生产系统200(参见图2)的控制数据以及安装板300的生产节拍时间(tact time)将满足标准所依据的数据。如图2所示，生产系统200包括多个(例如，在图2所示的示例中为四个)安装器211至214。安装器211至214用于将电子组件320布置在板310上的预定位置处。在本实施例中，控制数据包括与电子组件320向安装器211至214的分配有关的信息(分配信息)。也就是说，分配信息指示针对安装板300使用安装器211至214中的哪个安装器来分配多个电子组件320中的各个电子组件。例如，控制数据表示多个电子组件320的分组的结果。换言之，多个电子组件320被分类成分别与安装器211至214相对应的第一组至第四组。多个电子组件320的分组的结果可能影响生产系统200生产安装板300所需的时间(节拍时间)。根据电子组件和安装器的组合来确定节拍时间。例如，节拍时间由安装器的喷嘴头安装所有电子组件所需要的总行进距离来确定。将多个电子组件320适当地分组使得能够缩短生产安装板300所用的时间，这有助于提高生产效率。从这个观点来看，第一学习交付物R1优选地是指示多个电子组件320的最佳分组的结果的控制数据。因此，通过学习第一数据D1与控制数据之间的关系来获得作为信息处理系统100的第一学习交付物R1的经学习模型，从而响应于已输入的第一数据D1来提供生产系统200进行安装板300的生产所用的最佳控制数据。
如图1所示，信息处理系统100包括第一系统10和第二系统20。第一系统10和第二系统20能够彼此通信。更具体地，第一系统10和第二系统20能够经由通信网络30彼此通信。通信网络30可以包括因特网。通信网络30不必一定是符合单个通信协议的网络，而是也可以由符合相互不同的通信协议的多个网络组成。通信协议可以选自各种类型的公知的有线和无线通信规范。在图1中以简化形式示出通信网络30，但是通信网络30可以包括诸如中继器集线器、交换集线器、桥接器、网关和路由器等的数据通信装置。
如图1所示，第一系统10包括输入/输出单元11、通信单元12和处理单元13。
输入/输出单元11是用于输入/输出数据的接口。输入/输出单元11使得能够实现第一数据D1的输入以及第一学习交付物R1的输出。通信单元12用作通信接口。通信单元12可以连接至通信网络30，并且具有在通信网络30上建立通信的功能。通信单元12符合预定通信协议。预定通信协议可以选自各种公知的有线和无线通信规范。处理单元13被配置为对第一系统10进行整体控制，即，被配置为控制输入/输出单元11和通信单元12。处理单元13可以例如被实现为包括一个或多个处理器(微处理器)以及一个或多个存储器的计算机系统。也就是说，一个或多个处理器通过执行存储在一个或多个存储器中的程序(应用)来进行处理单元13的功能。在本实施例中，程序预先存储在处理单元13的一个或多个存储器中。然而，这仅是示例并且不应被解释为限制。该程序也可以经由诸如因特网等的电信线路来下载，或者该程序也可以在已经存储在诸如存储卡等的非暂时性存储介质中之后被分发。像这样的第一系统10可以被实现为计算机系统。
如图1所示，第二系统20包括通信单元21和处理单元22。通信单元21以及通信单元12可以连接至通信网络30，并且通信单元21具有在通信网络30上建立通信的功能。通信单元21符合预定通信协议。预定通信协议可以选自各种公知的有线和无线通信规范。处理单元22被配置为对第二系统20执行整体控制，即，控制通信单元21。处理单元22可以例如被实现为包括一个或多个处理器(微处理器)以及一个或多个存储器的计算机系统。也就是说，一个或多个处理器通过执行存储在一个或多个存储器中的程序(应用)来进行处理单元22的功能。在本实施例中，程序预先存储在处理单元22的一个或多个存储器中。然而，这仅是示例并且不应被解释为限制。该程序也可以经由诸如因特网等的电信线路来下载，或者该程序也可以在已经存储在诸如存储卡等的非暂时性存储介质中之后被分发。像这样的第二系统20可以被实现为计算机系统。
如图1所示，第一系统10的处理单元13包括变换单元131和生成单元132。在图1中，变换单元131和生成单元132都不具有实质性的结构，但是变换单元131和生成单元132这两者都表示要由处理单元13进行的功能。此外，如图1所示，第二系统20的处理单元22包括学习单元221。学习单元221不具有实质性的结构，而是表示处理单元22要进行的功能。
变换单元131被配置为将第一数据D1变换为第二数据D2，并将第二数据D2输出到第二系统20。更具体地，变换单元131在经由输入/输出单元11接收到第一数据D1时生成第二数据D2，并且经由通信单元12将第二数据D2发送到第二系统20。在本实施例中，第二数据D2是不具有包括在第一数据D1中的特定信息的数据。第一数据D1是表示安装板300(参见图2和图3)的数据。如上所述，第一数据D1可以包含与如下项有关的各种类型的信息：板310和多个电子组件320的形状和大小、板310和多个电子组件320的类型、多个电子组件320在板310上的布置、以及板310的电路径(电路图案)的布置。特定信息是仅可以在第一系统10中使用、但是不可以在第二系统20中使用的信息。在本实施例中，在第一数据D1中，与多个电子组件320的类型、多个电子组件320的布置、以及板310上的电路径(电路图案)的布置有关的各种信息中的各个信息作为特定信息来处理。也就是说，第二数据D2可以是除了与多个电子组件320的类型、多个电子组件320的布置、以及板310上的电路径的布置有关的信息之外的与第一数据D1相同的数据。
变换单元131通过利用可以作为第一数据D1的特定信息的替代的替代信息替换该特定信息来生成第二数据D2。也就是说，第二数据D2包括作为特定信息的替代的替代信息。如本文所使用的，替代信息可以是与特定信息无关的信息，或者也可以是通过对特定信息进行预定类型的处理而获得的信息。例如，在特定信息是与多个电子组件320的类型有关的信息的情况下，替代信息可以是与多个电子组件320的替代类型有关的信息。在这种情况下，变换单元131进行用于根据特定规则或随机地改变多个电子组件320的类型的处理，作为预定类型的处理。可替代地，在特定信息是与多个电子组件320的布置有关的信息的情况下，替代信息可以是与多个电子组件320的替代布置有关的信息。在这种情况下，变换单元131进行根据特定规则或随机地改变多个电子组件320的布置的处理，作为预定类型的处理。又可替代地，在特定信息是与板310上的电路径的布置有关的信息的情况下，替代信息可以是示出板310不具有电路径的状态的信息，作为与特定信息无关的信息(即，与第一数据D1的内容无关的信息)。
图3示出要由变换单元131进行的将第一数据D1变换为第二数据D2的处理。在图3中，安装板300与第一数据D1所表示的内容相对应，而安装板300A与第二数据D2所表示的内容相对应。如从图3可见，第二数据D2所表示的安装板300A不同于第一数据D1所表示的安装板300。因此，从第二数据D2无法提取特定信息(诸如与多个电子组件320的类型、多个电子组件320的布置以及板310上的电路径的布置有关的信息等)。
学习单元221被配置为使用第一系统10所提供的第二数据D2进行机器学习以生成第二学习交付物R2，并且将第二学习交付物R2输出到第一系统10。更具体地，学习单元221在从第一系统10接收到第二数据D2时生成第二学习交付物R2，并且经由通信单元21将第二学习交付物R2发送到第一系统10。第二学习交付物R2可以包括经学习模型或基于经学习模型的输出其中至少之一。在该实施例中，第二学习交付物R2可以包括用于响应于已经输入的第二数据D2而获得特有结果的经学习模型。特有结果是生产系统200(参见图2)的控制数据以及安装板300的生产节拍时间将满足标准所依据的数据。作为机器学习，可以使用强化学习(特别是深度强化学习)。学习单元221通过机器学习来生成经学习模型，该经学习模型响应于已经输入的第二数据D2而提供控制数据。然后，学习单元221将经学习模型作为第二学习交付物R2输出到第一系统10，该经学习模型提供将导致最短节拍时间的控制数据。注意，作为机器学习自身的方法，可以采用公知的方法，并且因此，本文将省略对特定学习方法的描述。
生成单元132被配置为基于第一数据D1的至少一部分和第二系统20所提供的第二学习交付物R2来获得第一学习交付物R1。更具体地，生成单元132在经由通信单元12从第二系统20接收到第二学习交付物R2时，基于第一数据D1的至少一部分和第二学习交付物R2来获得第一学习交付物R1，并且经由输入/输出单元11输出第一学习交付物R1。在这种情况下，是完全地还是仅部分地使用第一数据D1取决于要获得哪种类型的第一学习交付物R1。在本实施例中，第二学习交付物R2是通过使用第二数据D2进行机器学习而获得的经学习模型。生成单元132通过使用第一数据D1和第二学习交付物R2中所包括的经学习模型来进行机器学习，从而获得第一学习交付物R1。作为机器学习，使用强化学习(特别是深度强化学习)。也就是说，生成单元132使用第二系统20所生成的经学习模型来代替尚未进行学习的模型(未经学习模型)作为用于机器学习的模型。因此，第一系统10不必一定具有用于从最初进行机器学习的处理能力。作为机器学习，如在第二系统20的学习单元221中那样，使用强化学习(具体地，深度强化学习)。生成单元132将第一数据D1应用于针对第二数据D2的节拍时间将满足标准所依据的经学习模型。以这种方式，生成单元132通过机器学习来获得针对第一数据D1的节拍时间满足标准所依据的经学习模型，作为第一学习交付物R1。注意，第一学习交付物R1不必一定是经学习模型，而是也可以是用于与第一数据D1相关的处理的最佳解决方案。例如，第一学习交付物R1可以是用于第一数据D1的控制数据以及节拍时间满足标准所依据的数据(将提供最短节拍时间的数据)。生成单元132可以通过使用第一数据D1和第二学习交付物R2中所包括的经学习模型来进行机器学习，从而获得经学习模型。然后，生成单元132可以输出通过将第一数据D1引入该经学习模型而获得的控制数据作为第一学习交付物R1。
1.3操作
接着，将参考图4所示的序列图来简要地描述信息处理系统100的操作。以下示例示出信息处理系统100在用户40将第一数据D1输入到第一系统10的情形下可以如何操作，以从第一系统10获得第一学习交付物R1。
当用户40将第一数据D1输入到第一系统10时，第一系统10将第一数据D1变换为第二数据D2，并且将第二数据D2输出到第二系统20。在该示例中，第二数据D2不同于第一数据D1，该第二数据D2不包括特定信息。在从第一系统10接收到第二数据D2时，第二系统20使用第二数据D2进行机器学习，由此获得第二学习交付物R2。第二系统20将第二学习交付物R2输出到第一系统10。在从第二系统20接收到第二学习交付物R2时，第一系统10通过使用第一数据D1和第二学习交付物R2来获得第一学习交付物R1。然后，第一系统10将第一学习交付物R1提供给用户40。
已经由信息处理系统100提供第一学习交付物R1的用户40可以通过使用第一学习交付物R1从第一数据D1获得特有结果。特有结果是生产系统200(参见图2)的控制数据以及使得安装板300的生产节拍时间满足标准的数据。结果，可以提高通过生产系统200的安装板300的生产效率。
1.4重述
如从前面的描述可见，信息处理系统100是用于基于包括特定信息的第一数据D1来生成第一学习交付物R1的信息处理系统。信息处理系统100包括能够彼此通信的第一系统10和第二系统20。如图1所示，第一系统10包括变换单元131，该变换单元131用于将第一数据D1变换为不包括特定信息的第二数据D2并且将第二数据D2输出到第二系统20。第二系统20包括学习单元221，该学习单元221用于使用第一系统10所提供的第二数据D2进行机器学习以生成第二学习交付物R2并且将第二学习交付物R2输出到第一系统10。第一系统10包括生成单元132，该生成单元132用于基于第一数据D1的至少一部分和第二系统20所提供的第二学习交付物R2来获得第一学习交付物R1。以这种方式，信息处理系统100使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
换句话说，可以说，信息处理系统100进行以下方法(信息处理方法)。信息处理方法是用于基于包括特定信息的第一数据D1来生成第一学习交付物R1的信息处理方法。该信息处理方法包括：将第一数据D1变换为不包括特定信息的第二数据D2，通过使用第二数据D2进行机器学习来生成第二学习交付物R2，以及基于第一数据D1的至少一部分和第二学习交付物R2来生成第一学习交付物R1。以这种方式，该信息处理方法以及信息处理系统100使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
信息处理系统100被实现为(包括一个或多个处理器的)计算机系统。也就是说，信息处理系统100可以具有通过使一个或多个处理器执行程序(计算机程序)所进行的功能。该程序是被设计为使得一个或多个处理器进行信息处理方法的程序。该程序以及信息处理方法使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
2.变形例
注意，上述实施例仅是本发明的各种实施例中的示例性实施例，并且不应被解释为限制。而是，在不脱离本发明的范围的情况下，可以根据设计选择或任意其它因素以各种方式容易地修改示例性实施例。接着，将逐一枚举示例性实施例的变形例。
在一个变形例中，第二学习交付物R2可以包括通过使用第二数据D2进行机器学习所获得的多个学习交付物。例如，学习单元221通过机器学习来生成响应于已经输入的第二数据D2而提供控制数据的经学习模型。学习单元221获得用于提供节拍时间将满足预定标准所依据的控制数据的多个经学习模型作为学习交付物。学习单元221将多个经学习模型(学习交付物)作为第二学习交付物R2输出到第一系统10。在这种情况下，生成单元132可以采用第二学习交付物R2中所包括的多个经学习模型其中之一作为第一学习交付物R1。例如，生成单元132基于通过使用第一数据所获得的多个学习交付物的评估结果，从多个经学习模型中选择适合用作第一学习交付物R1的模型。生成单元132通过将第一数据D1引入多个学习交付物来获得控制数据，并且采用用于提供将得到最短节拍时间的控制数据的学习交付物作为第一学习交付物R1。在这种情况下，与上述实施例不同，生成单元132不需要进行机器学习，因此使得能够减少第一系统10上的处理负荷。
注意，多个学习交付物可以是从经学习模型获得的控制数据，而不是经学习模型本身。例如，学习单元221通过机器学习来生成响应于已经输入的第二数据D2而提供控制数据的经学习模型。学习单元221基于经学习模型来生成节拍时间将满足预定标准所依据的多个控制数据作为学习交付物。学习单元221将多个控制数据(学习交付物)作为第二学习交付物R2输出到第一系统10。在这种情况下，生成单元132采用第二学习交付物R2中所包括的多个控制数据其中之一，作为第一学习交付物R1。例如，生成单元132基于通过使用第一数据所获得的多个学习交付物的评估结果，从多个控制数据中选择适合用作第一学习交付物R1的控制数据。生成单元132基于第一数据D1和控制数据来评估节拍时间，并且采用将得到最短节拍时间的学习交付物(控制数据)作为第一学习交付物R1。在这种情况下，第一学习交付物R1不是经学习模型，而是用于与第一数据D1相关的处理的最佳解决方案。
在另一变形例中，变换单元131可以通过简单地从第一数据D1去除特定信息来生成第二数据D2。然而，将特定信息替换为替代信息是为了以相同的形式使用第一数据D1和第二数据D2的更好选择。
在又一变形例中，作为与电子组件320向安装器211至214的分配有关的信息的替代或补充，控制数据可以包括与电子组件320布置的顺序有关的信息和与电子组件320安装在板310上的顺序有关的信息中的至少一种类型的信息。
在又一变形例中，生产系统200可以包括除安装器之外的附加设备，或者可以不包括安装器。也就是说，生产系统200可以包括选自以下各项所组成的组中的至少一种类型的设备：安装器、插入机(例如，高速轴向组件插入机、高速跨接线插入机和高密度径向组件插入机)、芯片安装器、丝网印刷机以及激光打标机。
在又一变形例中，信息处理系统100还适用于生成用于除了生产系统200之外的各种类型的系统的数据。例如，信息处理系统100可以提供用于认证系统的经学习模型作为第一学习交付物R1。在该变形例中，第一学习交付物R1可以是用于响应于已经输入的第一数据D1而提供认证或识别的结果的经学习模型。例如，存在各种类型的识别，诸如人物的认证、人物的识别、生物(例如，诸如猫和狗等的动物)的识别和物体(例如，车辆)的识别等。以下示例是如何使用该系统100来识别人物。在这种情况下，第一数据D1是人物的图像。特定信息可以是与人物的隐私有关的信息。特定信息的示例包括与人物的面部的一部分(例如，眼睛、鼻子、嘴巴)有关的信息。在第一系统10中，变换单元131基于给定的第一数据D1来生成不包括特定信息的第二数据D2。例如，变换单元131可以通过用作为替代信息的另一图像部分地替换人物的面部的图像来生成第二数据D2。然后，第一系统10将第二数据D2输出到第二系统20。在该变形例中，第一系统10将多个第一数据D1变换为多个第二数据D2，并且将多个第二数据D2输出到第二系统20。作为响应，在第二系统20中，学习单元221对第二数据D2进行机器学习，由此生成经学习模型。然后，第二系统20将该经学习模型作为第二学习交付物R2输出到第一系统10。作为要在该阶段进行的机器学习，可以适当地使用有教导(teacher)或无教导的深度学习。第一系统10基于第一数据D1和第二学习交付物R2来获得第一学习交付物R1。第一系统10使用第一数据D1对作为第二学习交付物R2的经学习模型进行机器学习，由此生成经学习模型。然后，第一系统10提供该经学习模型作为第一学习交付物R1。作为要在该阶段进行的机器学习，如在第二系统20中那样，可以适当地使用有教导或无教导的深度学习。以这种方式，信息处理系统100可以即使在没有将第一数据D1中所包括的特定信息从第一系统10传递到第二系统20的情况下也使得第一系统10生成用于识别人物的经学习模型。注意，在第二系统20提供包括用于第一系统10的多个经学习模型作为学习交付物的第二学习交付物R2的情况下，生成单元132可以从多个经学习模型中选择要用作第一学习交付物R1的经学习模型。例如，生成单元132通过使用第一数据D1基于所提供的多个经学习模型来识别人物，并且采用具有最佳评估值的经学习模型作为第一学习交付物R1。
更具体地，第一数据D1包括用于在人物识别中使用的多个面部图像以及指示多个面部图像各自表示哪个面部的识别信息。所使用的面部图像的数量没有特别限制，但是优选使用许多面部图像。第一系统10生成包括通过将第一数据D1中所包括的各个面部图像的眼部涂黑而获得的图像以及面部图像的识别信息的第二数据D2，并且将第二数据输出到第二系统20。在这种情况下，特定信息是与面部图像的眼部有关的信息。在第二系统20中，学习单元221对第二数据D2进行机器学习，由此生成用于识别人物的经学习模型。然后，第二系统20将该经学习模型作为第二学习交付物R2输出到第一系统10。作为响应，第一系统10通过使用给定的第二学习交付物R2作为经学习模型的初始值、使用第一数据D1作为学习数据来进行机器学习。然后，第一系统10输出通过机器学习而更新的经学习模型作为第一学习交付物R1。可替代地，当用户针对特定图像请求人物识别时，第一系统10可以输出更新的经学习模型所获得的识别结果作为第一学习交付物R1。注意，当将第一数据D1转换为第二数据D2时，第一系统10可以使用眼部被公共眼睛图像替换的图像作为眼部被涂黑的面部图像的替代。第二学习交付物R2不必一定是经学习模型，而是也可以是当用户针对特定图像请求人物识别时呈现从经学习模型获得的要识别的人物的前N个候选的识别结果。具体地，当N＝3时，第二学习交付物R2可以是呈现人物X、人物Y和人物Z的识别结果。生成单元132在该前N个候选中搜索眼睛特征量(即，从特定信息获得的特征量)最接近请求人物识别的图像的眼睛特征量的人物的识别信息，并且输出该人物的识别信息作为第一学习交付物R1。在这种情况下，眼睛特征量可以是与例如眼睛宽度与面部宽度的比率以及眼睛是位于鼻子附近还是远离鼻子有关的各种类型的信息。在上述示例中，特定信息是与面部图像的眼部有关的信息。然而，特定信息不限于此，而是还可以是面部图像的任意特定部位。特定部位的示例包括眼睛、鼻子、嘴巴、耳朵、眉毛及其组合。
在又一变形例中，信息处理系统100可以包括多个第一系统10。在这种情况下，特定信息保持在各个第一系统10中，并且不被发送到第二系统20。因此，即使多个不同用户使用多个第一系统10，也可以适当地保护信息。另外，作为第二系统20，具有高计算能力的计算机系统可以出于机器学习的目的而被使用。可替代地，即使各个第一系统10由不同的组织或运营者操作、并且各个第一系统10所保持的教导数据的大小较小，第二系统20也可以通过收集多个第一系统10的多个第一数据D1来进行学习。这使得能够改善学习性能。
在又一变形例中，信息处理系统100可以被实现为用于基于患者的诊断图像(例如，X射线图像、CT图像、MRI图像和病理图像)以及包括他或她的识别信息(例如，患者的年龄和种族)的医疗记录信息来确定患者的疾病名称的系统。对于仅少量患者患有的疾病，难以收集与该疾病有关的大量医疗记录信息。此外，如果公开了医疗记录信息中所包括的与患者年龄和种族有关的信息以及患者的疾病名称，则由于仅少量的患者患有该疾病，因此可以容易地通过医疗记录来识别患者。
更具体地，信息处理系统100可以被实现为用于基于医疗记录信息来估计患者的疾病名称的系统。在这种情况下，第一数据D1是学习数据，该学习数据包括医疗记录信息和通过医疗记录信息指示患者的疾病名称的识别信息。第一系统10通过从第一数据D1去除诸如与患者的年龄和种族有关的信息等的特定信息来生成第二数据D2，该特定信息属于他或她的隐私并且可能被误用来识别他或她。然后，第一系统10将第二数据D2输出到第二系统20。在第二系统20中，学习单元221使用第二数据D2来生成用于确定疾病名称的经学习模型。然后，第二系统20将该经学习模型作为第二学习交付物R2输出到第一系统10。第一系统10基于作为第二学习交付物R2而提供的经学习模型，针对用户所指定的医疗记录信息来获取疾病名称的前N个候选。第一系统10以属于写在用户所指定的医疗记录信息上的年龄组的患者可能患有疾病的降序来重新排列以上N个候选。然后，第一系统10输出被重新排列的前N个候选作为第一学习交付物R1。作为对此的替代或补充，第一系统10可以以写在用户所指定的医疗记录信息上的种族的患者可能患有疾病的降序来重新排列前N个候选。然后，第一系统10可以输出被重新排列的前N个候选作为第一学习交付物R1。注意，各个年龄组或种族的患者可能患有的疾病名称的顺序可以预先存储在数据库中。
第一系统10可以是具有网络的通过使用第一数据D1学习的系统，其中，在该网络中，包括患者的年龄和种族的识别信息被添加到作为第二学习交付物R2的经学习模型的输入层。通常，卷积神经网络(CNN)用于将图像用作用于识别目的的输入数据的深度学习。CNN是由第一部分和第二部分组成的网络，该第一部分用于基于从卷积层和池化层获得的输入图像来创建特征图，该第二部分用于通过全连接层从特征图获得最终输出。在该变形例中，第二系统20创建由CNN利用用作输入图像的X射线图像的经学习模型作为第二学习交付物R2。当使用第一数据D1进行机器学习时，第一系统10基于第二学习交付物R2来建立具有与第二学习交付物R2不同的结构的网络。生成单元132建立如下网络作为第一学习交付物R1，其中指示患者的年龄和种族的识别信息以及X射线图像已作为输入数据输入到该网络。生成单元132所建立的网络以及第二学习交付物R2也是CNN，并且也由第一部分和第二部分组成。第一学习交付物R1的第一部分与第二学习交付物R2的第一部分相同。另一方面，除了由第一部分获得的特征图之外，第一学习交付物R1的第二部分还使用指示患者的年龄和种族的识别信息作为输入数据。生成单元132通过使用第一数据D1进行机器学习来生成第一学习交付物R1。
在又一变型中，信息处理系统100(第一系统10和第二系统20)可以包括多个计算机。例如，信息处理系统100的功能(具体地，变换单元131、生成单元132和学习单元221)可以分布在多个不同的装置中。可替代地，第二系统20的至少一些功能例如也可以被实现为云(云计算系统)。然而，从信息保护的观点来看，优选地不使用云(云计算系统)作为第一系统10。
进行上述信息处理系统100(包括第一系统10和第二系统20)的功能的代理(agent)包括计算机系统。计算机系统可以包括处理器和存储器作为硬件组件。通过使处理器执行存储在计算机系统的存储器中的程序，来执行起到这种代理的作用的要由根据本发明的信息处理系统100进行的功能。程序可以预先存储在计算机系统的存储器中。可替代地，也可以通过电信线路下载程序，或者在将程序记录在诸如存储卡、光盘或硬盘驱动器等的一些非暂时性存储介质中之后分发程序，该非暂时性存储介质中的任意一个对于计算机系统是可读的。计算机系统的处理器可以被实现为包括半导体集成电路(IC)或大规模集成电路(LSI)的单个或多个电子电路。可选地，也可以采用要在制造了LSI之后编程的现场可编程门阵列(FPGA)、专用集成电路(ASIC)或使得能够重新配置LSI内部的连接或电路区段的可重新配置逻辑器件作为处理器。这些电子电路可以一起集成在单个芯片上或者分布在多个芯片上，无论哪种都是合适的。这些多个芯片可以一起集成在单个装置中或者分布在多个装置中而没有限制。
3.各方面
如从实施例及其变形例的前述描述可见，本发明具有以下方面。在以下描述中，仅为了阐明本发明的以下方面与上述示例性实施例之间的构成元件中的对应关系，在括号中插入附图标记。
第一方面是一种信息处理系统(100)，用于基于包括特定信息的第一数据(D1)来生成第一学习交付物(R1)。信息处理系统(100)包括能够彼此通信的第一系统(10)和第二系统(20)。第一系统(10)包括变换单元(131)，该变换单元用于(131)将第一数据(D1)变换为不包括特定信息的第二数据(D2)，并且将第二数据(D2)输出到第二系统(20)。第二系统(20)包括学习单元(221)，该学习单元(221)用于使用第一系统(10)所提供的第二数据(D2)进行机器学习来生成第二学习交付物(R2)，并且将第二学习交付物(R2)输出到第一系统(10)。第一系统(10)包括生成单元(132)，该生成单元(132)用于基于第一数据(D1)的至少一部分和第二系统(20)所提供的第二学习交付物(R2)来获得第一学习交付物(R1)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第二方面是根据第一方面的信息处理系统(100)的特定实现。在第二方面，第二学习交付物(R2)包括通过使用第二数据(D2)进行机器学习所获得的经学习模型。这使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第三方面是根据第二方面的信息处理系统(100)的特定实现。在第三方面，生成单元(132)使用第一数据(D1)以及第二学习交付物(R2)中所包括的经学习模型来进行机器学习。该方面使得能够基于第二系统(20)所生成的经学习模型来生成更适合于第一数据(D1)的经学习模型。
第四方面是根据第一方面的信息处理系统(100)的特定实现。在第四方面，第二学习交付物(R2)包括通过使用第二数据(D2)进行机器学习所获得的多个学习交付物。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第五方面是根据第四方面的信息处理系统(100)的特定实现。在第五方面，基于通过使用第一数据(D1)而获得的多个学习交付物的评估结果，从多个学习交付物中选择第一学习交付物(R1)。该方面使得能够减少第一系统(10)上的处理负荷。
第六方面是根据第一方面至第五方面中任一方面的信息处理系统(100)的特定实现。在第六方面，第二数据(D2)包括作为特定信息的替代的替代信息。该方面便于将第一数据(D1)应用到第二学习交付物(R2)。
第七方面是根据第六方面的信息处理系统(100)的特定实现。在第七方面，替代信息是与特定信息没有相关性的信息。该方面使得能够更安全地保护信息。
第八方面是根据第六方面的信息处理系统(100)的特定实现。在第八方面，替代信息是通过对特定信息进行预定处理而获得的信息。该方面使得能够甚至更安全地保护信息。
第九方面是根据第一方面至第八方面中任一方面的信息处理系统(100)的特定实现。在第九方面，第一学习交付物(R1)是用于响应于已输入的第一数据(D1)而获得特有结果的经学习模型，或者是用于与第一数据(D1)相关的处理的最佳解决方案。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第十方面是根据第一方面至第九方面中任一方面的信息处理系统(100)的特定实现。在第十方面，第一数据(D1)是表示在板(310)上安装有多个电子组件(320)的安装板(300)的数据。特定信息包括选自以下项所组成的组的至少一种类型的信息：与多个电子组件(320)的类型有关的信息；与多个电子组件(320)的布置有关的信息；以及与板(310)上的电路径的布置有关的信息。该方面使得能够获得用于优化安装板(300)的生产效率的数据。
第十一方面是根据第一方面至第十方面中任一方面的信息处理系统(100)的特定实现。在第十一方面，信息处理系统(100)包括多个所述第一系统(10)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第十二方面是计算机系统，其用作第一方面至第十一方面中任一方面的信息处理系统(100)的第一系统(10)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第十三方面是计算机系统，其用作第一方面至第十一方面中任一方面的信息处理系统(100)的第二系统(20)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第十四方面是信息处理方法，用于基于包括特定信息的第一数据(D1)来生成第一学习交付物(R1)。该信息处理方法包括将第一数据(D1)变换成不包括特定信息的第二数据(D2)。该信息处理方法还包括通过使用第二数据(D2)进行机器学习来生成第二学习交付物(R2)。该信息处理方法还包括基于第一数据(D1)和第二学习交付物(R2)来获得第一学习交付物(R1)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。具体地，在第十四方面，信息处理方法包括使第一系统(10)将第一数据(D1)变换成不包括特定信息的第二数据(D2)。该信息处理方法还包括通过使与第一系统(10)不同的第二系统(20)使用第二数据(D2)进行机器学习来生成第二学习交付物(R2)。另外，该信息处理方法可以进一步包括使第一系统(10)基于第一数据(D1)的至少一部分和第二学习交付物(R2)来获得第一学习交付物(R1)。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
第十五方面是设计成使得一个或多个处理器进行根据第十四方面的处理方法的程序。该方面使得能够在采取用于安全地保护信息的措施的同时，增加机器学习的学习效果。
附图标记列表
1 信息处理系统
10 第一系统
131 变换单元
132 生成单元
20 第二系统
221 学习单元
300 安装板
310 板
320 电子组件
D1 第一数据
R1 第一学习交付物
D2 第二数据
R2 第二学习交付物
Claims (15)
1.一种信息处理系统，其被配置为基于第一数据来生成第一学习交付物，所述第一数据包括特定信息，所述信息处理系统包括：
第一系统和第二系统，所述第一系统和第二系统被配置为能够彼此通信，
所述第一系统包括变换单元，所述变换单元被配置为将所述第一数据变换为不包括所述特定信息的第二数据，并且将所述第二数据输出到所述第二系统，
所述第二系统包括学习单元，所述学习单元被配置为使用所述第一系统所提供的第二数据进行机器学习来生成第二学习交付物，并且将所述第二学习交付物输出到所述第一系统，
所述第一系统包括生成单元，所述生成单元被配置为基于所述第一数据的至少一部分和所述第二系统所提供的第二学习交付物，来获得所述第一学习交付物。
2.根据权利要求1所述的信息处理系统，其中，
所述第二学习交付物包括通过使用所述第二数据进行机器学习而获得的经学习模型。
3.根据权利要求2所述的信息处理系统，其中，
所述生成单元被配置为使用所述第一数据以及所述第二学习交付物中所包括的经学习模型来进行所述机器学习。
4.根据权利要求1所述的信息处理系统，其中，
所述第二学习交付物包括通过使用所述第二数据进行机器学习而获得的多个学习交付物。
5.根据权利要求4所述的信息处理系统，其中，
基于通过使用所述第一数据而获得的所述多个学习交付物的评估结果，从所述多个学习交付物中选择所述第一学习交付物。
6.根据权利要求1至5中任一项所述的信息处理系统，其中，
所述第二数据包括要作为所述特定信息的替代的替代信息。
7.根据权利要求6所述的信息处理系统，其中，
所述替代信息是与所述特定信息没有相关性的信息。
8.根据权利要求6所述的信息处理系统，其中，
所述替代信息是通过对所述特定信息进行预定处理所获得的信息。
9.根据权利要求1至8中任一项所述的信息处理系统，其中，
所述第一学习交付物是用于响应于已输入的第一数据而获得特有结果的经学习模型或者是用于与所述第一数据相关的处理的最佳解决方案。
10.根据权利要求1至9中任一项所述的信息处理系统，其中，
所述第一数据是表示在板上安装有多个电子组件的安装板的数据，以及
所述特定信息包括选自以下各项所组成的组的至少一种类型的信息：与所述多个电子组件的类型有关的信息；与所述多个电子组件的布置有关的信息；以及与所述板上的电路径的布置有关的信息。
11.根据权利要求1至10中任一项所述的信息处理系统，包括多个所述第一系统。
12.一种计算机系统，其被配置为用作根据权利要求1至11中任一项所述的信息处理系统的第一系统。
13.一种计算机系统，其被配置为用作根据权利要求1至11中任一项所述的信息处理系统的第二系统。
14.一种信息处理方法，用于基于第一数据来生成第一学习交付物，所述第一数据包括特定信息，所述信息处理方法包括：
将所述第一数据变换为不包括所述特定信息的第二数据；
通过使用所述第二数据进行机器学习来生成第二学习交付物；以及
基于所述第一数据的至少一部分和所述第二学习交付物，获得所述第一学习交付物。
15.一种程序，其被设计成使得一个或多个处理器进行根据权利要求14所述的信息处理方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019061933 | 2019-03-27 | ||
| JP2019-061933 | 2019-03-27 | ||
| PCT/JP2020/007006 WO2020195419A1 (ja) | 2019-03-27 | 2020-02-21 | 情報処理システム、コンピュータシステム、情報処理方法、及び、プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113614754A true CN113614754A (zh) | 2021-11-05 |
Family
ID=72609233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080023054.3A Pending CN113614754A (zh) | 2019-03-27 | 2020-02-21 | 信息处理系统、计算机系统、信息处理方法和程序 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220172116A1 (zh) |
| JP (1) | JP7308466B2 (zh) |
| CN (1) | CN113614754A (zh) |
| WO (1) | WO2020195419A1 (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989285A (zh) * | 2015-01-06 | 2016-10-05 | 纬创资通股份有限公司 | 保护方法与其电脑系统 |
| US20170061311A1 (en) * | 2015-08-27 | 2017-03-02 | Li Liu | Method for providing data analysis service by a service provider to data owner and related data transformation method for preserving business confidential information of the data owner |
| US20180089591A1 (en) * | 2016-09-27 | 2018-03-29 | Clairfai, Inc. | Artificial intelligence model and data collection/development platform |
| US20180089574A1 (en) * | 2016-09-27 | 2018-03-29 | Nec Corporation | Data processing device, data processing method, and computer-readable recording medium |
| CN109416721A (zh) * | 2016-06-22 | 2019-03-01 | 微软技术许可有限责任公司 | 隐私保护机器学习 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018142764A1 (ja) * | 2017-02-03 | 2018-08-09 | パナソニックＩｐマネジメント株式会社 | 学習済みモデル生成方法、学習済みモデル生成装置、および学習済みモデル利用装置 |
| JP7138498B2 (ja) * | 2018-07-10 | 2022-09-16 | Kddi株式会社 | 識別要求元のアクセス制御が可能なデータ識別装置、システム、プログラム及び方法 |
| JP7154884B2 (ja) * | 2018-08-28 | 2022-10-18 | 株式会社Ye Digital | 情報秘匿化方法、情報秘匿化プログラム、情報秘匿化装置および情報提供システム |
-
2020
- 2020-02-21 CN CN202080023054.3A patent/CN113614754A/zh active Pending
- 2020-02-21 WO PCT/JP2020/007006 patent/WO2020195419A1/ja active Application Filing
- 2020-02-21 JP JP2021508815A patent/JP7308466B2/ja active Active
- 2020-02-21 US US17/442,091 patent/US20220172116A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105989285A (zh) * | 2015-01-06 | 2016-10-05 | 纬创资通股份有限公司 | 保护方法与其电脑系统 |
| US20170061311A1 (en) * | 2015-08-27 | 2017-03-02 | Li Liu | Method for providing data analysis service by a service provider to data owner and related data transformation method for preserving business confidential information of the data owner |
| CN109416721A (zh) * | 2016-06-22 | 2019-03-01 | 微软技术许可有限责任公司 | 隐私保护机器学习 |
| US20180089591A1 (en) * | 2016-09-27 | 2018-03-29 | Clairfai, Inc. | Artificial intelligence model and data collection/development platform |
| US20180089574A1 (en) * | 2016-09-27 | 2018-03-29 | Nec Corporation | Data processing device, data processing method, and computer-readable recording medium |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220172116A1 (en) | 2022-06-02 |
| JP7308466B2 (ja) | 2023-07-14 |
| WO2020195419A1 (ja) | 2020-10-01 |
| JPWO2020195419A1 (zh) | 2020-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190267133A1 (en) | Privacy-preserving method and system for medical appointment scheduling using embeddings and multi-modal data | |
| CN111615702A (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
| CN108229535A (zh) | 涉黄图像审核方法、装置、计算机设备及存储介质 | |
| CN111741104B (zh) | 应答消息的确定方法、配置方法、装置、设备及存储介质 | |
| CN111209931A (zh) | 数据处理方法、平台、终端设备及存储介质 | |
| CN113704614A (zh) | 基于用户画像的页面生成方法、装置、设备及介质 | |
| CN112215171A (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
| CN109214674A (zh) | 客服系统管理方法、客服系统及电子设备 | |
| CN111027600A (zh) | 图像类别预测方法和装置 | |
| CN114219971A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
| CN116188953A (zh) | 实现数据安全的医学影像数据处理方法、系统和电子设备 | |
| CN112036580A (zh) | 用于联盟学习的方法、装置及联盟学习系统 | |
| CN106649829A (zh) | 一种基于掌纹数据的业务处理方法和装置 | |
| US11822896B2 (en) | Contextual diagram-text alignment through machine learning | |
| CN113614754A (zh) | 信息处理系统、计算机系统、信息处理方法和程序 | |
| Kaur Chahal et al. | An efficient Hadoop‐based brain tumor detection framework using big data analytic | |
| CN110427870B (zh) | 眼部图片识别方法、目标识别模型训练方法及装置 | |
| CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
| CN112567466A (zh) | 诊断结果生成系统及其方法 | |
| EP4258178A1 (en) | Information processing apparatus for improving robustness of deep neural network by using adversarial training and formal method | |
| CN115002011B (zh) | 流量双向测试方法、装置、电子设备及存储介质 | |
| CN113160987B (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN109597827A (zh) | 医疗数据处理方法及装置、存储介质、电子设备 | |
| JP6974878B2 (ja) | 診療ガイドラインをコンピュータにて解釈可能なモデルに変換するための方法及びシステム | |
| US20200234189A1 (en) | Transfer learning method, and learning apparatus, and recording medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |