CN117501282A - 信息处理装置、信息处理服务器、信息处理方法及非暂时性计算机可读存储介质 - Google Patents
信息处理装置、信息处理服务器、信息处理方法及非暂时性计算机可读存储介质 Download PDFInfo
- Publication number
- CN117501282A CN117501282A CN202180097843.6A CN202180097843A CN117501282A CN 117501282 A CN117501282 A CN 117501282A CN 202180097843 A CN202180097843 A CN 202180097843A CN 117501282 A CN117501282 A CN 117501282A
- Authority
- CN
- China
- Prior art keywords
- information processing
- processing apparatus
- learning
- inference
- hierarchical data
- 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 290
- 238000003672 processing method Methods 0.000 title claims description 10
- 238000004891 communication Methods 0.000 claims abstract description 77
- 230000006870 function Effects 0.000 claims description 13
- 230000008451 emotion Effects 0.000 claims description 4
- 230000003340 mental effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 101100296545 Caenorhabditis elegans pbo-6 gene Proteins 0.000 description 2
- 101000672966 Schizosaccharomyces pombe (strain 972 / ATCC 24843) 60S acidic ribosomal protein P2-alpha Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 101100296544 Caenorhabditis elegans pbo-5 gene Proteins 0.000 description 1
- 101100102343 Mus musculus Vangl1 gene Proteins 0.000 description 1
- 101100102346 Mus musculus Vangl2 gene Proteins 0.000 description 1
- 241001025261 Neoraja caerulea Species 0.000 description 1
- 101150107582 Plpp1 gene Proteins 0.000 description 1
- 101150050963 Plpp2 gene Proteins 0.000 description 1
- 101150109527 Plpp3 gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
[问题]为了实现隐私保护和高推断准确度两者。[解决方案]提供了一种信息处理装置,包括:学习单元,基于从信息处理服务器分发的多个推断模型对分层数据进行聚类,并使用与每个聚类相对应的推断模型执行学习;以及通信单元,将在学习单元的学习中为每个聚类生成的中间结果发送至信息处理服务器,其中,分层数据包括指定主要元素的信息以及与主要元素相关联地收集或生成的日志。
Description
技术领域
本公开涉及信息处理装置、信息处理服务器、信息处理方法和非暂时性计算机可读存储介质。
背景技术
近年来,已经开发了用于基于所收集的数据执行某些推断的模型。此外,已经提出了如上所述的用于增强推断的准确度的技术。例如,专利文献1公开了对要用于推断的数据进行聚类的技术。
引用列表
专利文献
专利文献1:日本专利申请第2020-154825号
发明内容
本发明要解决的问题
然而,根据要用于推断的数据的结构,专利文献1中公开的技术可能不提供足够的效果。
问题的解决方案
根据本公开的一个方面,提供了一种信息处理装置,该信息处理装置包括:学习单元,该学习单元基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习;以及通信单元,该通信单元将在由学习单元学习时针对每个聚类所生成的中间结果发送至信息处理服务器。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
此外,根据本公开的另一方面,提供了一种由处理器执行的图像处理方法,包括:基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类;以及使用与每个聚类相对应的推断模型来执行学习;以及向信息处理服务器发送在学习中为每个聚类生成的中间结果。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
此外,根据本公开的又一方面,提供了一种非暂时性计算机可读存储介质,存储使计算机用作信息处理装置的程序,信息处理装置包括:学习单元,基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习;以及通信单元,将在学习单元的学习中为每个聚类生成的中间结果发送至信息处理服务器。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
此外,根据本公开的又一方面,提供了一种信息处理服务器,信息处理服务器包括:学习单元,生成分别与多个聚类相对应的多个推断模型;以及通信单元,将关于由学习单元生成的多个推断模型的信息发送至多个信息处理装置。通信单元从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类对应的推断模型进行学习而生成的中间结果,学习单元基于多个中间结果更新多个推断模型,分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
此外,根据本公开内容的又一方面,提供了一种由处理器执行的信息处理方法,包括:生成分别与多个聚类相对应的多个推断模型;向多个信息处理装置发送关于所生成的多个推断模型的信息,从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类对应的推断模型进行学习而生成的中间结果,以及基于多个中间结果来更新多个推断模型。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
此外,根据本公开的又一方面,提供了一种非暂时性计算机可读存储介质,存储使计算机用作信息处理服务器的程序,信息处理服务器包括:学习单元,生成分别与多个聚类相对应的多个推断模型;以及通信单元,将关于由学习单元生成的多个推断模型的信息发送至多个信息处理装置。通信单元从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类相对应的推断模型进行学习而生成的中间结果,学习单元基于多个中间结果来更新多个推断模型,以及
分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
附图说明
图1是示出根据本公开的实施方式的系统1的配置示例的框图。
图2是示出根据本实施方式的信息处理装置10的配置示例的框图。
图3是示出根据本实施方式的信息处理服务器20的配置示例的框图。
图4是示出根据本实施方式的与分层数据对应的模型的示例的示图。
图5是用于描述由根据本实施方式的系统1执行的处理的流程的示意图。
图6是示出由根据本实施方式的系统1执行的处理的流程的流程图。
图7是示出根据本实施方式的分层数据的聚类的示例的示图。
图8是用于描述在根据本实施方式的主要元素是接入点40的情况下的系统1的操作的示图。
图9是用于描述在根据本实施方式的主要元素是产品的类别GC的情况下的系统1的操作的示图。
图10是用于描述在根据本实施方式的主要元素是人并且标签y是与人的健康状况相关的指标的情况下的系统1的操作的示图。
图11是用于描述在根据本实施方式的主要元素是人并且标签y是人的表情的情况下的系统1的操作的示图。
图12是示出根据本实施方式的根据本公开的实施方式的信息处理装置90的硬件配置示例的框图。
具体实施方式
下面结合附图对本发明的优选实施方式进行详细说明。注意,在本说明书和附图中,具有基本相同的功能配置的组件被分配相同的附图标记,并且不重复其描述。
注意,将按照以下顺序进行描述。
1.实施方式
1.1.概述
1.2.系统配置示例
1.3.信息处理装置10的配置示例
1.4.信息处理服务器20的配置示例
1.5.功能细节
1.6.应用示例
2.硬件配置示例
3.结论
<1.实施方式>
<<1.1.概述>>
首先,将描述本公开的实施方式的概述。
如上所述,近年来,已经开发了用于基于所收集的数据执行某些推断的模型(推断模型)。
根据推断模型,还可以基于未知数据高准确度地实现各种推断。由此,在不同领域中积极地执行推断模型的生成和利用。
然而,根据推断模型的生成和用于推断模型的推断的数据结构,可能难以利用高准确度生成推断模型。
上述数据的示例包括分层数据。
分层数据可以被定义为例如包括用于指定主要元素的信息和与主要元素关联地收集或生成的日志的数据。
作为示例,假设设备80与多个其他装置通信,并且基于为每个通信伙伴收集的日志执行一些推断。
在这种情况下,主要元素可以是作为设备80的通信伙伴的设备。
此外,在这种情况下,所生成的日志可以具有与通信伙伴、一对设备80和通信伙伴等相对应的特征。
由此,当在不区分通信伙伴的情况下进行使用日志的学习时,存在不仅难以生成具有高准确度的推断模型而且发生收敛、过度学习等所需的时间增加的可能性。
另一方面,例如,如专利文献1中所公开的,还存在用于对数据进行聚类并且然后对属于每个聚类的每个数据执行学习的方法。
如上所述,将具有不同特征趋势的数据分类为多个聚类并对属于每个聚类的每个数据执行学习的方法对分层数据也是有用的。
然而,在专利文献1中公开的方法中,由于不能基于推断结果来校正聚类结果,因此难以生成高准确度的推断模型。
此外,例如,在服务器从多个设备收集数据并且基于该数据执行学习的情况下,隐私保护也是问题。
另一方面,作为在使用从多个设备收集的数据执行学习的情况下保护数据隐私的方法,还存在被称为联合学习的方法。
然而,一般联合学习旨在根据从多个设备接收的数据生成单个推断模型。
由此,在具有诸如分层数据的各种趋势的数据用于一般联合学习的情况下,存在发生收敛、过度学习等所需的时间的增加的可能性。
为了减少上述可能性,例如,还可想到一种用于根据收集数据的设备的特征对数据进行聚类并且对属于每个聚类的每个数据执行学习的方法。
然而,在这种情况下,从某个设备收集的所有数据被分类到同一聚类中。
由此,在进行使用针对上述多个通信伙伴中的每个通信伙伴生成的日志的推断的情况下,可能难以降低发生收敛、过度学习等所需的时间增加的可能性。
根据本公开的实施方式的技术构思已经专注于上述点构思,并且实现隐私保护和高推断准确度两者。
由此,根据本公开的实施方式的信息处理装置10包括学习单元120,该学习单元120基于从信息处理服务器20分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习。
此外,根据本公开的实施方式的信息处理装置10包括通信单元130,通信单元130将在学习单元120的学习中为每个聚类生成的中间结果发送至信息处理服务器20。
即,根据本公开的实施方式的信息处理装置10通过使用从信息处理服务器20分发的多个推断模型来对信息处理装置本身所保留的分层数据进行聚类,并且向信息处理服务器20发送通过针对每个聚类的学习而生成的中间结果。
这里,中间结果可以是包含包括在分层数据中的特征值和根据标签计算的值的信息,并且可以是其中难以恢复特征值和标签的信息。
另一方面,根据本公开的实施方式的信息处理服务器20包括:学习单元210,生成分别与多个聚类相对应的多个推断模型;以及通信单元,将关于由学习单元210生成的多个推断模型的信息发送至多个信息处理装置10。
这里,通信单元220的特征中的一个是从多个信息处理装置10接收通过根据基于多个推断模型聚类的分层数据和与每个聚类相对应的推断模型进行学习而生成的中间结果。
此外,学习单元210的特征中的一个是基于多个中间结果来更新多个推断模型。
即,根据本公开的实施方式的信息处理服务器20基于从多个信息处理装置10接收的每个聚类的中间结果,更新与每个聚类对应的推断模型,并且将关于更新的信息分发给每个信息处理装置10。
如上所述,在根据本公开的实施方式的系统1中,可重复执行通过信息处理装置10进行的中间结果的聚类和传输、以及通过服务器进行的推断模型的更新和与更新有关的信息的分发。
根据上述处理,可以保证推断模型的收敛并且同时提高聚类系统和推断准确度。
此外,根据上述处理,可以通过使用难以恢复到原始数据的中间结果来提高隐私的保护性能。
在下文中,将详细描述用于实现上述描述的系统配置示例。
<<1.2.系统配置示例>>
图1是示出根据本公开的实施方式的系统1的配置示例的框图。
如图1所示,根据本实施方式的系统1包括多个信息处理装置10和信息处理服务器20。
每个信息处理装置10和信息处理服务器20彼此连接以能够经由网络30进行通信。
应注意,图1示出了系统1包括信息处理装置10a和10b的情况,但是根据本实施方式的信息处理装置10的数量不限于这种示例。
(信息处理装置10)
根据本实施方式的信息处理装置10通过使用从信息处理服务器20分发的推断模型来执行分层数据的聚类。
此外,根据本实施方式的信息处理装置10使用属于每个聚类的数据和与该聚类对应的推断模型来进行学习,并且向信息处理服务器20发送中间结果。
根据本实施方式的信息处理装置10可以是例如个人计算机、智能手机、平板电脑、游戏机、可佩带设备等。
(信息处理服务器20)
根据本实施方式的信息处理服务器20生成与所设置的聚类相对应的推断模型,并将该推断模型分发给多个信息处理装置10。
此外,根据本实施方式的信息处理服务器20从多个信息处理装置10接收与每个聚类相对应的中间结果,并基于该中间结果更新每个推断模型。
根据本实施方式的信息处理服务器20将关于每个推断模型的更新的信息分发到多个信息处理装置10。
(网络30)
根据本实施方式的网络30调解信息处理装置10和信息处理服务器20之间的通信。
<<1.3.信息处理装置10的配置示例>>
接下来,将详细描述根据本实施方式的信息处理装置10的配置示例。
图2是示出根据本实施方式的信息处理装置10的配置示例的框图。
如图2所示,根据本实施方式的信息处理装置10可以包括传感器单元110、学习单元120和通信单元130。
(传感器单元110)
根据本实施方式的传感器单元110收集各种类型的传感器信息。
由传感器单元110收集的传感器信息可被用作分层数据的一个元素(特征值)。
由此,传感器单元110可包括用于收集可用作分层数据的元素的传感器信息的各种传感器。
另一方面,在分层数据不包括传感器信息的情况下,信息处理装置10可以不包括传感器单元110。
(学习单元120)
本实施方式的学习单元120基于从信息处理服务器20分发的多个推断模型,对分层数据进行聚类。
此外,根据本实施方式的学习单元120使用与每个聚类对应的推断模型来执行学习。
如上所述,根据本实施方式的分层数据可以包括用于指定主要元素的信息以及与主要元素相关联地收集或生成的日志。
此外,学习单元120可以基于多个推断模型对与不同的主要元素相关的分层数据进行聚类。
根据本实施方式的学习单元120的功能通过各种处理器实现。
将分开描述根据本实施方式的学习单元120的功能的细节。
(通信单元130)
根据本实施方式的通信单元130经由网络30与信息处理服务器20通信。
通信单元130从信息处理服务器20接收例如推断模型、关于推断模型的更新的信息等。
此外,通信单元130将由学习单元120生成的中间结果发送至信息处理服务器20。
应注意,根据本实施方式的通信单元130可以与不同于信息处理服务器20的另一设备通信。
此外,在这种情况下,通信单元130可以生成并存储与另一设备的通信相关的日志。
关于与另一设备的通信的日志可以用作分层数据的一部分。
上面已经描述了根据本实施方式的信息处理装置10的配置示例。要注意的是,上面参照图2描述的配置仅仅是一个示例,并且根据本实施方式的信息处理装置10的配置不限于这种示例。
例如,根据本实施方式的信息处理装置10可以进一步包括接收用户的信息输入的输入单元、显示各种信息的显示单元等。
此外,在信息处理装置10包括输入单元的情况下,输入信息可以用作分层数据的一部分。
根据本实施方式的信息处理装置10的配置可以根据规格和操作灵活地修改。
<<1.4.信息处理服务器20的配置示例>>
接下来,将描述根据本实施方式的信息处理服务器20的配置示例。
图3是示出根据本实施方式的信息处理服务器20的配置示例的框图。
如图3所示,根据本实施方式的信息处理服务器20可包括学习单元210和通信单元220。
(学习单元210)
根据本实施方式的学习单元210分别生成与多个聚类相对应的多个推断模型。
此外,根据本实施方式的学习单元210基于由通信单元220接收的多个中间结果来更新多个推断模型。
根据本实施方式的学习单元210的功能通过各种处理器实现。
将分开描述根据本实施方式的学习单元210的功能的细节。
(通信单元220)
根据本实施方式的通信单元220经由网络30与多个信息处理装置10通信。
通信单元220向多个信息处理装置10发送例如由学习单元210生成的推断模型和关于推断模型的更新的信息。
此外,通信单元220从多个信息处理装置10接收中间结果。
上面已经描述了根据本实施方式的信息处理服务器20的配置示例。应注意,参考图3的上述配置仅是示例,并且根据本实施方式的信息处理服务器20的配置不限于该示例。
例如,根据本实施方式的信息处理服务器20可进一步包括接收用户的信息输入的输入单元、显示各种信息的显示单元等。
根据本实施方式的信息处理服务器20的配置可以根据规格和操作灵活地修改。
<<1.5.功能的细节>>
接下来,将详细描述根据本实施方式的信息处理装置10和信息处理服务器20中的每一个的功能。
如上所述,根据本实施方式的信息处理装置10通过使用从信息处理服务器20分发的多个推断模型来对信息处理装置自身所保持的分层数据进行聚类,并且向信息处理服务器20发送通过针对每个聚类进行学习而生成的中间结果。
此外,根据本实施方式的信息处理服务器20基于从多个信息处理装置10接收到的针对每个聚类的中间结果,更新与每个聚类相对应的推断模型,并且向每个信息处理装置10分发关于更新的信息。
为了实现上述处理,需要在信息处理装置10和信息处理服务器20之间共享与分层数据相对应的模型。
图4是示出本实施方式的与分层数据对应的模型的示例的示图。
在图4的左侧和图4的右侧分别示出了与分层数据相对应的图形模型的示例和与分层数据相对应的生成模型的示例。
在图4所示的每个模型中,η、θ和κ分别对应于信息处理装置10的集合(全局)、信息处理装置10和主要元素。
但是,图4所示的每个模型仅是示例,本实施方式的图形模型和生成模型只要根据分层数据的特性、推断的标签(目的变量)的特性等进行适当设计即可。
接下来,将参考图5和图6详细描述由根据本实施方式的系统1执行的处理流程。
图5是用于描述由根据本实施方式的系统1执行的处理的流程的示意图。
此外,图6是示出根据本实施方式的系统1所执行的处理的流程的流程图。
应注意,在图5中,示出了信息处理装置10a和10b的处理,但是如上所述,根据本实施方式的系统1可包括三个或更多个信息处理装置10。
此外,图5示出信息处理服务器20生成分别对应于三个聚类C1至C3的三个推断模型M1至M3的情况,但是根据本实施方式的聚类和推断模型的数量不限于这样的示例。
根据本实施方式的聚类数量及推断模型的数量,只要根据分层数据的特性、推断的标签(目的变量)的特性等进行适当设计即可。
首先,如图6所示,信息处理服务器20初始化推断模型(S100)。
在图5所示的示例的情况下,信息处理服务器20对推断模型M1至M3进行初始化。
随后,信息处理服务器20分发与推断模型相关的信息(S101)。
在图5所示的示例的情况下,信息处理服务器20可以发送构成推断模型M1至M3的所有信息。
接着,每个信息处理装置10使用推断模型对分层数据进行聚类(S102)。
在图5所示的示例的情况下,信息处理装置10a通过使用分发式推断模型M1至M3将分层数据D1分类为分别与推断模型M1至M3对应的聚类C1至C3中的任一个。
类似地,信息处理装置10b通过使用分发式推断模型M1至M3将分层数据D2分类为分别与推断模型M1至M3对应的聚类C1至C3中的任一个。
随后,每个信息处理装置对每个聚类执行学习(S103)。
在图5所示的示例的情况下,信息处理装置10a对聚类C1至C3中的每个聚类执行学习,并且生成分别对应于聚类C1至C3的中间结果w11至w31。
类似地,信息处理装置10b对聚类C1至C3中的每个聚类执行学习,并生成分别对应于聚类C1至C3的中间结果w12至w32。
随后,每个信息处理装置10将中间结果发送至信息处理服务器20(S104)。
在图5所示的示例中,信息处理装置10a将中间结果w11至w31发送至信息处理服务器。
类似地,信息处理装置10b将中间结果w12至w32发送至信息处理服务器20。
随后,信息处理服务器20针对每个聚类收集所接收的中间结果,并且分别更新对应于聚类的推断模型(S105)。
在图5所示的示例的情况下,信息处理服务器20从中间结果w11和w12计算wl并且更新推断模型M1。
类似地,信息处理服务器20从中间结果w21和w22计算w2,并更新推断模型M2。
类似地,信息处理服务器20从中间结果w31和w32计算w3并更新推断模型M3。
接着,信息处理服务器20判断每个推断模型是否收敛(S106)。
在信息处理服务器20确定每个推断模型收敛的情况下(S106:是),系统1结束一系列处理。
另一方面,在信息处理服务器20判断每个推断模型未收敛的情况下(S106:是),信息处理服务器20返回至步骤S101,并分发与推断模型有关的信息。
例如,在图5中示出的示例的情况下,信息处理服务器20可以将wl、w2和w3发送至信息处理装置10a和10b。
在信息处理服务器20返回至步骤S101的情况下,信息处理装置10和信息处理服务器20重复执行以下处理。
以上详细描述了根据本实施方式的系统1的处理的流程。
接下来,将更详细地描述根据本实施方式的信息处理装置10和信息处理服务器20之间发送和接收的信息。
图7是示出根据本实施方式的分层数据的聚类的示例的示图。
在图7所示的示例中,具有主要元素ID:ME1、主要元素ID:ME2和主要元素ID:ME3的分层数据被分类到聚类C1中。
此外,具有主要元素ID:ME4和主要元素ID:ME5的分层数据被分类到聚类C2中。
此外,具有主要元素ID:ME6、主要元素ID:ME7和主要元素ID:ME8的分层数据被分类到聚类C2中。
这里,主要元素ID是用于指定主要元素的信息的示例。
另外,分层数据不仅包含主要元素ID,还包含与主要元素相关联地收集或生成的日志。
日志可包括例如特征值和标签(目的变量)。
注意,在图7所示的示例中,特征值包括xn1至xn5的五个元素,但是这仅仅是示例,并且根据本实施方式的特征值中包括的元素数量不限于这样的示例。
根据本实施方式的中间结果可以是根据包括在分层数据中的特征值和标签计算的值。
在如图7所示执行分层数据的聚类的情况下,信息处理装置10可以如下设置与聚类C1至C3对应的中间结果w11、w21和w31。
w11={A1,b1}
w21={A2,b2}
w31={A3,b3}
在此,在以上描述中的Ak和bk可以分别是基于属于聚类Ck的特征值和标签计算的值。
在下文中,将描述Ak和bk的计算示例。
A1=A(x11,x12,x13,x14,x15,y1,
x21,x22,x23,x24,x25,y2,
x31,x32,x33,x34,x35,y3)
b1=b(x11,x12,x13,x14,x15,y1,
x21,x22,x23,x24,x25,y2,
x31,x32,x33,x34,x35,y3)
A2=A(x41,x42,x43,x44,x45,y4,
x51,x52,x53,x54,x55,y5)
b2=b(x41,x42,x43,x44,x45,y4,
x51,x52,x53,x54,x55,y5)
A3=A(x61,x62,x63,x64,x65,y6,
x71,x72,x73,x74,x75,y7,
x81,x82,x83,x84,x85,y8)
b3=b(x61,x62,x63,x64,x65,y6,
x71,x72,x73,x74,x75,y7,
x81,x82,x83,x84,x85,y8)
如上所述,根据本实施方式的信息处理装置10可以在不使用用于指定主要元素的信息的情况下计算中间结果。
此外,根据上述计算,随着属于聚类Ck的分层数据的数量增加,从Ak和bk恢复原始特征值xij和标签yi变得更加困难。
因此,根据本实施方式的中间结果的生成,可以有效地增强隐私的保护性能。
接下来,将更详细地描述由信息处理服务器20向信息处理装置10发送的关于推断模型的更新的信息。
这里,假设生成分别与聚类C1至C3对应的推断模型M1至M3。
在这种情况下,信息处理服务器20例如可以如下分别计算关于推断模型M1至M3的更新的信息wl至w3。
w1=(w11,w12,w13,...,w1n)
w2=(w21,w22,w23,...,w2n)
w3=(w31,w32,w33,...,w3n)
根据上述计算,随着计算中间结果的信息处理装置的数量n的增加,变得更难以从wk恢复原始特征值xij和标签yi,并且可以有效地增强隐私的保护性能。
另一方面,信息处理装置10可以通过分别接收关于推断模型M1至M3的更新的信息w1至w3来更高准确度地执行推断。
例如,在推断属于聚类C3的特征值x9的标签y9的情况下,信息处理装置10仅需要计算f(w3,x9)。
如上所述,根据本实施方式的信息处理装置10的学习单元120可基于特征值和推断模型来推断标签。
<<1.6.应用示例>>
接下来,将通过具体示例描述根据本实施方式的系统1的应用。
例如,根据本实施方式的主要元素可以是与信息处理装置10通信的各种设备。
在这种情况下,信息处理装置10可以使用通过与设备通信收集的各种日志作为分层数据。
在下文中,将描述根据本实施方式的主要元素是与信息处理装置10通信的接入点的情况的示例。
图8是用于描述在根据本实施方式的主要元素是接入点40的情况下的系统1的操作的示图。
应注意,图8示出了在信息处理装置10是智能手机的情况下的操作。
在本示例的情况下,信息处理装置10针对每个接入点40集中保持通信日志L40。
通信记录L40与用于指定接入点40的信息相关联,并且被用作分层数据。
此时,每个通信日志L40包括特征值x1至xn和标签y。
例如,可以采用接收的无线电波强度、空闲信道评估(CCA)忙碌时间等作为特征值x1至xn。
此外,表示与接入点40相关的通信质量的指标可用作标签y。
信息处理装置10中的每一个通过使用从信息处理服务器20分发的多个推断模型来对包括上述特征值xl至xn和标签y的通信日志L40进行聚类。
例如,在图8所示的示例的情况下,信息处理装置10a将用于与接入点40a对应的三个记录的通信日志L40a和用于与接入点40b对应的两个记录的通信日志L40b分类到聚类C1中。
此外,信息处理装置10a将与对应于接入点40c的两个记录相对应的通信日志L40c分类到聚类C2中。
类似地,信息处理装置10b将针对与接入点40a对应的两个记录的通信日志L40a分类到聚类C1中,并且将针对与接入点40c对应的两个记录的通信日志L40c分类到聚类C2中。
如上所述,根据本实施方式的信息处理装置10可以进行聚类,使得与同一主要元素相关的分层数据被分类到同一聚类。
由于该聚类,实现了对与预定类型的接入点40、预定类型的信息处理装置10、和预定类型的接入点40的配对等相对应的特征的学习以及具有更高准确度的推断。
此外,同时,信息处理装置10可以执行聚类,使得与不同的主要元素相关的分层数据被分类到同一聚类中。
由于该聚类,可以抑制聚类的数量,并且提高学习的效率。
在进行上述聚类之后,根据本实施方式的信息处理装置10中的每一个将上述计算的中间结果发送至信息处理服务器20并且接收关于推断模型的更新的信息。
此后,根据本实施方式的信息处理装置10中的每一个通过使用收集的特征值x和推断模型来推断标签y。
例如,信息处理装置10可以通过使用推断模型从来自接入点40的接收的无线电波强度推断在使用特定接入点40的情况下的通信质量。
此外,在这种情况下,信息处理装置10可执行控制,诸如至其中推断通信质量满足预定条件的接入点40的连接、至多个接入点40中具有最高推断通信质量的接入点40的连接等。
上面已经描述了在根据本实施方式的主要元素是与信息处理装置10通信的设备的情况下的操作。
接下来,将描述根据本实施方式的主要元素是产品类别的情况的示例。
根据本实施方式的主要元素不一定是设备。
图9是用于描述在根据本实施方式的主要元素是产品的类别GC的情况下的系统1的操作的示图。
注意,图9示出了在信息处理装置10是游戏机并且产品是游戏的情况下的操作。
在本示例的情况下,信息处理装置10针对游戏的每个类别GC统一保持购买日志Lgc。
购买日志Lgc与用于指定游戏的类别GC的信息相对应,作为分层数据使用。
此时,每个购买日志Lgc包括特征值x1至xn和标签y。
例如,可以采用游戏制造商、销售订单等作为特征值x1至xn。
此外,与属于类别GC的游戏的购买有关的指标(例如,游戏是否被购买或保留)可以被用作标签y。
每个信息处理装置10通过使用从信息处理服务器20分发的多个推断模型来对包括上述特征值xl至xn和标签y的购买日志Lgc进行聚类。
例如,在图9所示的示例的情况下,信息处理装置10a将针对与游戏的类别GC1相对应的三个记录的购买日志Lgc1和针对与游戏的类别GC2相对应的两个记录的购买日志Lgc2分类成聚类C1。
另外,信息处理装置10a将与游戏的类别GC3对应的两个记录的购买日志Lgc3分类为聚类C2。
同样地,信息处理装置10a将与游戏的类别GCl对应的两个记录的购买日志Lgcl分类到聚类C1,将与游戏的类别GC3对应的两个记录的购买日志Lgc3分类到聚类C3。
在进行上述聚类之后,根据本实施方式的信息处理装置10中的每一个将上述计算的中间结果发送至信息处理服务器20并且接收关于推断模型的更新的信息。
此后,根据本实施方式的信息处理装置10中的每一个通过使用收集的特征值x和推断模型来推断标签y。
例如,信息处理装置10可以通过使用推断模型来推断用户购买特定游戏的可能性。
此外,在这种情况下,信息处理装置10可以执行控制,诸如向用户明确地呈现其购买可能性超过阈值的游戏,或者在网络商店中将游戏设置为对于用户容易可见。
接下来,将描述根据本实施方式的主要元素是人的情况的示例。
在这种情况下,标签y可以是例如表示人的身体状况或精神状况的指标。
图10是用于描述在根据本实施方式的主要元素是人并且标签y是与人的健康状况相关的指标的情况下的系统1的操作的示图。
应注意,图10示出了信息处理装置10被安装在医疗机构中的情况下的操作。
在本示例的情况下,信息处理装置10针对每个人P统一保持检查日志Lpe。
检查日志Lpe中包含的特征量xl至xn的示例包括血压、心率、症状等各种检查结果。
此外,标签y可以是医生的诊断结果。
每个信息处理装置10通过使用从信息处理服务器20分发的多个推断模型来对包括上述特征值xl至xn和标签y的检查日志Lpe进行聚类。
例如,在图10所示的示例的情况下,信息处理装置10a将用于与人P1相对应的三个记录的检查日志Lpe1和用于与人P2相对应的两个记录的检查日志Lpe2分类到聚类C1中。
此外,信息处理装置10a将用于与人P3对应的两个记录的检查日志Lpe3分类到聚类C2中。
类似地,信息处理装置10a将用于与人P4对应的两个记录的检查日志Lpe4分类到聚类C1中,并且将用于与人P5对应的两个记录的检查日志Lpe5分类到聚类C3中。
在进行上述聚类之后,根据本实施方式的信息处理装置10中的每一个将上述计算的中间结果发送至信息处理服务器20并且接收关于推断模型的更新的信息。
此后,根据本实施方式的信息处理装置10中的每一个通过使用收集的特征值x和推断模型来推断标签y。
例如,信息处理装置10可以通过使用推断模型基于关于人的新检查结果来推断该人的健康状况。
由于该推断,可以暂时确定特定人的健康状况,而无需医生等进行实际诊断。
接下来,将描述标签y是表示人情绪的指标的情况。
例如,表示人的情绪的指标包括用户的表情。
图11是用于描述在根据本实施方式的主要元素是人并且标签y是人的表情的情况下的系统1的操作的示图。
注意,图11示出在信息处理装置10是与用户通信的机器人的情况下的操作。
在本示例的情况下,信息处理装置10为每个人P统一保持成像日志Lpp。
包括在成像日志Lpp中的特征值x1至xn的示例包括成像图像、脸部中各个部分的位置、各个部分的尺寸等。
此外,标签y可以是各种推断表达。
每个信息处理装置10通过使用从信息处理服务器20分发的多个推断模型来对包括上述特征值xl至xn和标签y的成像日志Lpp进行聚类。
例如,在图11中示出的示例的情况下,信息处理装置10a将用于与人P1对应的三个记录的成像日志Lpp1和用于与人P2对应的两个记录的成像日志Lpp2分类到聚类C1中。
此外,信息处理装置10a将用于与人P3对应的三个记录的成像日志Lpp3分类到聚类C2中。
类似地,信息处理装置10a将用于与人P4对应的三个记录的成像日志Lpp4分类为聚类C1,并且将用于与人P5对应的三个记录的成像日志Lpp5分类为聚类C3。
在进行上述聚类之后,根据本实施方式的信息处理装置10中的每一个将上述计算的中间结果发送至信息处理服务器20并且接收关于推断模型的更新的信息。
此后,根据本实施方式的信息处理装置10中的每一个通过使用收集的特征值x和推断模型来推断标签y。
例如,信息处理装置10可使用推断模型从作为目标的人的图像推断出该人的表情。
此外,根据本实施方式的信息处理装置10中的每一个可根据推断的表情等执行诸如改变针对用户的行为的控制。
<2.硬件配置示例>
接下来,将描述根据本公开的实施方式的信息处理装置10和信息处理服务器20所共有的硬件配置示例。
图12是示出了根据本公开的实施方式的信息处理装置90的硬件配置示例的框图。
信息处理装置90可以是具有等同于信息处理装置10和信息处理服务器20的配置的硬件配置的装置。
信息处理装置90包括例如处理器871、只读存储器(ROM)872、随机存取存储器(RAM)873、主机总线874、桥接器875、外部总线876、接口877、输入装置878、输出装置879、存储器880、驱动器881、连接端口882和通信装置883,如图19所示。注意,这里示出的硬件配置是示例,并且可以省略一些组件。此外,还可以包括除这里所示的组件之外的组件。
(处理器871)
例如,处理器871用作运算处理装置或控制设备,并且基于记录在ROM 872、RAM873、存储器880、或可移除存储介质901中的各种程序,控制每个部件或其一部分的整体操作。
(ROM 872和RAM 873)
ROM 872是存储由处理器871读取的程序、用于计算的数据等的单元。RAM 873暂时或永久地存储例如由处理器871读取的程序、当执行程序时适当改变的各种参数等。
(主机总线874、桥接器875、外部总线876和接口877)
处理器871、ROM 872和RAM 873经由例如能够进行高速数据传输的主机总线874相互连接。另一方面,例如,主机总线874经由桥接器875连接到具有相对低的数据传输速度的外部总线876。此外,外部总线876通过接口877连接到各种部件。
(输入装置878)
作为输入装置878,例如,可以应用诸如鼠标、键盘、触摸面板、按钮、开关和杠杆的组件。此外,可以使用能够使用红外线或其他无线电波发射控制信号的遥控器(下文称为遥控器)作为输入装置878。此外,输入装置878包括诸如麦克风的语音输入装置。
(输出装置879)
输出装置879是能够视觉地或听觉地向用户通知所获取的信息的设备,诸如显示装置(诸如阴极射线管(CRT)、LCD、或有机EL)、音频输出装置(诸如扬声器或耳机)、打印机、移动电话或传真。此外,根据本公开的输出装置879包括能够输出触觉刺激的各种振动装置。
(存储器880)
存储器880是用于存储各种数据的装置。作为存储器880,例如,使用诸如硬盘驱动器(HDD)的磁存储设备、半导体存储设备、光存储设备、磁光存储设备等。
(驱动器881)
驱动器881是例如读取记录在诸如磁盘、光盘、磁光盘或半导体存储器的可移动存储介质901上的信息或者将信息写入可移动存储介质901上的设备。
(可移动存储介质901)
可移动存储介质901例如是DVD介质、蓝光(注册商标)介质、HD DVD介质、各种半导体存储介质等。当然,可移动存储介质901可以是例如其上安装有非接触IC芯片的IC卡、电子设备等。
(连接端口882)
连接端口882是用于连接外部连接装置902的端口,例如,通用串行总线(USB)端口、IEEE 1394端口、小型计算机系统接口(SCSI)、RS-232C端口或光音频终端。
(外部连接装置902)
外部连接装置902是例如打印机、便携式音乐播放器、数码相机、数码成像机、IC记录器等。
(通信装置883)
通信装置883是用于连接到网络的通信装置,例如,有线或无线LAN、蓝牙(注册商标)或用于无线USB(WUSB)的通信卡、用于光通信的路由器、用于非对称数字用户线路(ADSL)的路由器或用于各种通信的调制解调器等。
<3.结论>
如上所述,根据本公开的实施方式的信息处理装置10包括学习单元120,学习单元120基于从信息处理服务器20分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习。
此外,根据本公开的实施方式的信息处理装置10包括通信单元130,通信单元130将学习单元120在学习中为每个聚类生成的中间结果发送至信息处理服务器20。
根据上述配置,可以实现隐私保护和高推断准确度两者。
上面已经参考附图详细描述了本公开的优选实施方式,但是本公开的技术范围不限于这种示例。显然,本发明的技术领域的技术人员在权利要求书所记载的技术思想的范围内能够想到各种修改或者修正,当然也属于本发明的技术范围。
此外,与本说明书中描述的处理相关的每个步骤不必按照流程图或顺序图中描述的顺序按时间序列处理。例如,与每个设备的处理相关的每个步骤可以与所描述的顺序不同的顺序处理,或者可以并行处理。
此外,通过本说明书中描述的每个装置执行的一系列处理可以使用任何软件、硬件以及软件和硬件的组合来实现。例如,构成软件的程序设置在每个装置内部或外部,并且预先存储在可由计算机读取的非暂时性计算机可读介质中。然后,每个程序在由计算机执行时被读取到RAM中,并且由各种处理器执行。存储介质例如是磁盘、光盘、磁光盘、闪存等。此外,计算机程序可以经由例如网络分发,而不使用存储介质。
此外,本说明书中描述的效果仅是示例性或者说明性的,而不是限制性的。即,除了上述效果之外或者代替上述效果,根据本公开的技术可提供从本说明书的描述中对本领域技术人员显而易见的其他效果。
应注意,以下配置也属于本公开的技术范围。
(1)提供了一种信息处理装置,包括:学习单元,基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习;以及通信单元,将在学习单元的学习中为每个聚类生成的中间结果发送至信息处理服务器。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
(2)在根据上述(1)所述的信息处理装置中,学习单元基于多个推断模型对与不同的主要元素相关的分层数据进行聚类。
(3)在根据上述(1)或(2)所述的信息处理装置中,学习单元执行聚类,使得与同一主要元素相关的分层数据被分类到同一聚类。
(4)在根据上述(1)至(3)中任一项所述的信息处理装置中,学习单元执行聚类,使得与不同的主要元素相关的分层数据被分类到同一聚类。
(5)在根据上述(1)至(4)中任一项所述的信息处理装置中,日志包括特征值和标签。
(6)在根据上述(5)所述的信息处理装置中,中间结果包括从特征值和标签计算的值。
(7)在根据上述(5)或(6)所述的信息处理装置中,学习单元基于特征值和推断模型来推断标签。
(8)在根据上述(1)至(7)中任一项所述的信息处理装置中,通信单元接收与推断模型有关的信息,并且将该信息传递至学习单元,推断模型由信息处理服务器从多个设备接收的中间结果为基础进行更新。
(9)在根据上述(5)至(7)中任一项所述的信息处理装置中,主要元素包括与通信单元通信的设备。
(10)在根据上述(9)所述的信息处理装置中,主要元素包括与通信单元通信的接入点。
(11)在根据上述(10)所述的信息处理装置中,标签包括表示与接入点相关的通信质量的指标。
(12)在根据上述(5)至(7)中任一项所述的信息处理装置中,主要元素包括产品的类别。
(13)在根据上述(12)所述的信息处理装置中,标签包括与属于类别的产品的购买相关的指标。
(14)在根据上述(5)至(7)中任一项所述的信息处理装置中,主要元素包括人。
(15)在根据上述(14)所述的信息处理装置中,标签包括表示人的身体状况或精神状况的指标。
(16)在根据上述(14)所述的信息处理装置中,标签包括表示人的情绪的指标。
(17)提供了一种由处理器执行的图像处理方法,包括:基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类;以及使用与每个聚类相对应的推断模型来执行学习;以及向信息处理服务器发送在学习中为每个聚类生成的中间结果。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
(18)提供一种非暂时性计算机可读存储介质,存储使计算机用作信息处理装置的程序,信息处理装置包括:学习单元,基于从信息处理服务器分发的多个推断模型来对分层数据进行聚类,并且使用与每个聚类相对应的推断模型来执行学习;以及通信单元,将在学习单元的学习中为每个聚类生成的中间结果发送至信息处理服务器。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
(19)提供了一种信息处理服务器,信息处理服务器包括:学习单元,生成分别与多个聚类相对应的多个推断模型;以及通信单元,将关于由学习单元生成的多个推断模型的信息发送至多个信息处理装置。通信单元从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类对应的推断模型进行学习而生成的中间结果,学习单元基于多个中间结果更新多个推断模型,分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
(20)提供了一种由处理器执行的信息处理方法,该信息处理方法包括:生成与多个聚类分别对应的多个推断模型;将关于所生成的多个推断模型的信息发送至多个信息处理装置;从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类对应的推断模型进行学习而生成的中间结果;以及基于多个中间结果更新多个推断模型。分层数据包括用于指定主要元素的信息以及与主要元素相关联而收集或生成的日志。
(21)提供了一种非暂时性计算机可读存储介质,存储使计算机用作信息处理服务器的程序,信息处理服务器包括:学习单元,生成分别与多个聚类相对应的多个推断模型;以及通信单元,将关于由学习单元生成的多个推断模型的信息发送至多个信息处理装置。通信单元从多个信息处理装置接收通过根据基于多个推断模型而聚类的分层数据和与每个聚类相对应的推断模型进行学习而生成的中间结果,学习单元基于多个中间结果更新多个推断模型,分层数据包括用于指定主要元素的信息以及与主要元素相关联地收集或生成的日志。
参考符号列表
1 系统
10 信息处理装置
110 传感器单元
120 学习单元
130 通信单元
20 信息处理服务器
210 学习单元
220 通信单元
40 接入点
Claims (21)
1.一种信息处理装置,包括:
学习单元,基于从信息处理服务器分发的多个推断模型对分层数据进行聚类,并使用与每个聚类相对应的推断模型执行学习;以及
通信单元,将在所述学习单元的学习中为每个聚类生成的中间结果发送至所述信息处理服务器,
其中,所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
2.根据权利要求1所述的信息处理装置,其中,所述学习单元基于多个所述推断模型对与不同的主要元素相关的分层数据进行聚类。
3.根据权利要求1所述的信息处理装置,其中,所述学习单元执行聚类,使得与同一主要元素相关的分层数据被分类到同一聚类。
4.根据权利要求1所述的信息处理装置,其中,所述学习单元执行聚类,使得与不同的主要元素相关的分层数据被分类到同一聚类。
5.根据权利要求1所述的信息处理装置,其中,所述日志包括特征值和标签。
6.根据权利要求5所述的信息处理装置,其中,所述中间结果包括从所述特征值和所述标签中计算的值。
7.根据权利要求5所述的信息处理装置,其中,所述学习单元基于所述特征值和所述推断模型推断所述标签。
8.根据权利要求1所述的信息处理装置,其中,所述通信单元接收关于所述推断模型的信息,并且将所述信息传递给所述学习单元,所述推断模型是基于由所述信息处理服务器从多个设备接收的所述中间结果更新的。
9.根据权利要求5所述的信息处理装置,其中,所述主要元素包括与所述通信单元通信的设备。
10.根据权利要求9所述的信息处理装置,其中,所述主要元素包括与所述通信单元通信的接入点。
11.根据权利要求10所述的信息处理装置,其中,所述标签包括表示与所述接入点相关的通信质量的指标。
12.根据权利要求5所述的信息处理装置,其中,所述主要元素包括产品的类别。
13.根据权利要求12所述的信息处理装置,其中,所述标签包括与购买属于所述类别的产品相关的指标。
14.根据权利要求5所述的信息处理装置,其中,所述主要元素包括人。
15.根据权利要求14所述的信息处理装置,其中,所述标签包括表示所述人的身体状况或精神状况的指标。
16.根据权利要求14所述的信息处理装置,其中,所述标签包括表示所述人的情绪的指标。
17.一种由处理器执行的图像处理方法,包括:
基于从信息处理服务器分发的多个推断模型对分层数据进行聚类,并使用与每个聚类相对应的推断模型执行学习;以及
将在学习中为每个聚类生成的中间结果发送至所述信息处理服务器,
其中,所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
18.一种非暂时性计算机可读存储介质,存储使计算机用作以下的程序:
信息处理装置,包括:
学习单元,基于从信息处理服务器分发的多个推断模型对分层数据进行聚类,并使用与每个聚类相对应的推断模型执行学习,以及
通信单元,将在所述学习单元的学习中为每个聚类生成的中间结果发送至所述信息处理服务器,
其中,所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
19.一种信息处理服务器,包括:
学习单元,生成分别与多个聚类相对应的多个推断模型;以及
通信单元,将关于由所述学习单元生成的多个所述推断模型的信息发送至多个信息处理装置,
其中,所述通信单元从多个所述信息处理装置接收通过根据基于多个所述推断模型聚类的分层数据和与每个聚类相对应的所述推断模型进行学习生成的中间结果,
所述学习单元基于多个所述中间结果更新多个所述推断模型,并且
所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
20.一种由处理器执行的信息处理方法,包括:
生成分别与多个聚类相对应的多个推断模型;
将关于所生成的多个推断模型的信息发送至多个信息处理装置;
从多个所述信息处理装置接收通过根据基于多个所述推断模型聚类的分层数据和与每个聚类相对应的所述推断模型进行学习生成的中间结果;以及
基于多个所述中间结果更新多个所述推断模型,
其中,所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
21.一种非暂时性计算机可读存储介质,存储使计算机用作以下的程序:
信息处理服务器,包括:
学习单元,生成分别与多个聚类相对应的多个推断模型;以及
通信单元,将关于由所述学习单元生成的多个所述推断模型的信息发送至多个信息处理装置,
其中,所述通信单元从多个所述信息处理装置接收通过根据基于多个所述推断模型聚类的分层数据和与每个聚类相对应的所述推断模型进行学习生成的中间结果,
所述学习单元基于多个所述中间结果更新多个所述推断模型,并且
所述分层数据包括用于指定主要元素的信息以及与所述主要元素相关联地收集或生成的日志。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163187501P | 2021-05-12 | 2021-05-12 | |
US63/187,501 | 2021-05-12 | ||
PCT/JP2021/028618 WO2022239264A1 (ja) | 2021-05-12 | 2021-08-02 | 情報処理装置、情報処理サーバ、情報処理方法、およびコンピュータにより読み取り可能な非一時的な記憶媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117501282A true CN117501282A (zh) | 2024-02-02 |
Family
ID=84028116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180097843.6A Pending CN117501282A (zh) | 2021-05-12 | 2021-08-02 | 信息处理装置、信息处理服务器、信息处理方法及非暂时性计算机可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240232721A1 (zh) |
EP (1) | EP4339848A1 (zh) |
JP (1) | JPWO2022239264A1 (zh) |
CN (1) | CN117501282A (zh) |
WO (1) | WO2022239264A1 (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403540B2 (en) * | 2017-08-11 | 2022-08-02 | Google Llc | On-device machine learning platform |
JP6637206B1 (ja) | 2019-03-20 | 2020-01-29 | 株式会社 日立産業制御ソリューションズ | クラスタ分割評価装置、クラスタ分割評価方法及びクラスタ分割評価プログラム |
-
2021
- 2021-08-02 EP EP21941993.4A patent/EP4339848A1/en active Pending
- 2021-08-02 WO PCT/JP2021/028618 patent/WO2022239264A1/ja active Application Filing
- 2021-08-02 CN CN202180097843.6A patent/CN117501282A/zh active Pending
- 2021-08-02 JP JP2023520744A patent/JPWO2022239264A1/ja active Pending
- 2021-08-02 US US18/558,941 patent/US20240232721A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JPWO2022239264A1 (zh) | 2022-11-17 |
US20240232721A1 (en) | 2024-07-11 |
EP4339848A1 (en) | 2024-03-20 |
WO2022239264A1 (ja) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610770B (zh) | 用于自动化诊断的问题生成系统和方法 | |
US10992839B2 (en) | Electronic device and method for controlling the electronic device | |
CN110752028A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
JP6936474B2 (ja) | 情報処理装置、システムおよび情報処理方法 | |
JP2013003635A (ja) | 情報処理装置、情報処理方法及びプログラム | |
US11481530B2 (en) | Ear-wearable device shell modeling | |
US11615100B2 (en) | Information processing apparatus, information processing method, and computer program | |
JP2021012593A (ja) | システム、方法、及びプログラム | |
KR102226898B1 (ko) | 커스터마이징 진단 시스템 제공방법 및 그 시스템 | |
CN117501282A (zh) | 信息处理装置、信息处理服务器、信息处理方法及非暂时性计算机可读存储介质 | |
JP7393882B2 (ja) | 医用情報処理装置及び医用情報処理システム | |
WO2023061329A1 (zh) | 应用于计算机集群的通信方法及通信装置 | |
CN113223677A (zh) | 针对患者的医生匹配方法及装置 | |
WO2021242073A1 (ko) | 전자 장치 및 이의 제어 방법 | |
US20190189288A1 (en) | Providing subject-specific information | |
JP2020035000A (ja) | 機械学習システムおよびボルツマンマシンの計算方法 | |
JP7224315B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
KR102585990B1 (ko) | 뇌졸중 정보를 제공하기 위한 컴퓨터 프로그램 | |
WO2021229791A1 (ja) | 機械学習装置、機械学習システム、機械学習方法及びプログラム | |
KR20210148877A (ko) | 전자 장치 및 이의 제어 방법 | |
CN112862008A (zh) | 偏好预测模型的训练方法及用户偏好的预测方法 | |
WO2020217359A1 (ja) | フィッティング支援装置、フィッティング支援方法、及びコンピュータ読み取り可能な記録媒体 | |
JP7504315B1 (ja) | 状態推定装置、プログラム、状態推定システム及び状態推定方法 | |
CN113906418A (zh) | 一种利用随机样本的接受和拒绝来确定症状关系的方法 | |
EP4095764A1 (en) | Methods and systems for generating example-based explanations of link prediction models in knowledge graphs |
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 |