JP2008123011A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】楽曲データなどのコンテンツデータから対応する特徴量を抽出できるアルゴリズムを、高精度で速やかに生成する。
【解決手段】特徴量抽出アルゴリズム生成装置２０は、ｍ種類の低レベル特徴量抽出式から成る低レベル特徴量抽出式リストをｎ個生成する低レベル特徴量抽出式リスト生成部２１、ｎ個の低レベル特徴量抽出式リストにｊ曲分の入力データを代入して、各入力データに対応するｍ種類の低レベル特徴量をｎ組得る低レベル特徴量演算部２４、ｎ組の低レベル特徴量出力と対応する教師データ（ｊ曲にそれぞれ対応するｋ項目の高レベル特徴量）に基づいて高レベル特徴量抽出式を学習によって推定する高レベル特徴量抽出式学習部２５から構成される。本発明は、楽曲や映像の高レベル特徴量を取得するシステムに適用できる。
【選択図】図５

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、例えば、楽曲データなどのコンテンツデータの特徴量を抽出するアルゴリズムを自動的に生成するようにした情報処理装置、情報処理方法、およびプログラムに関する。

従来、楽曲データを入力として前記楽曲データの特徴量（楽曲データの速さ、明るさ、にぎやかさ等）を出力とするアルゴリズムの自動生成に関する発明が提案されている（例えば、特許文献１参照）。

米国特許出願公報 ＵＳ２００４／０１８１４０１Ａ１

特許文献１に記載の発明では、図１に示すように、その特徴量の種類毎に特徴量を抽出する特徴量抽出アルゴリズムを作成しており、特徴量抽出過程に要する演算量が膨大であって、実行する演算の中に無駄な演算が多く含まれている。

したがって、できるだけ無駄なく少ない演算量で、楽曲データから対応する特徴量を速やかに抽出できるアルゴリズムの生成方法の出現が望まれている。

本発明はこのような状況に鑑みてなされたものであり、楽曲データなどのコンテンツデータを入力とし、当該コンテンツデータに対応する特徴量を高精度で速やかに抽出できるアルゴリズムを生成できるようにするものである。

本発明の一側面である情報処理装置は、コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置において、前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成する低レベル特徴量抽出式リスト生成手段と、低レベル特徴量抽出式リスト生成手段によって生成された前記式リストを用いて前記低レベル特徴量を演算する演算手段と、前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、前記演算手段によって演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する高レベル特徴量抽出式生成手段とを含む。

前記高レベル特徴量抽出式生成手段は、生成した前記高レベル特徴量抽出式の精度、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方を算出し、前記低レベル特徴量抽出式リスト生成手段は、前記高レベル特徴量抽出式生成手段により算出された前記高レベル特徴量抽出式の精度、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方に基づき、前記低レベル特徴量抽出式リストを構成する前記低レベル特徴量抽出式を更新するようにすることができる。

前記低レベル特徴量抽出式リスト生成手段は、第１世代の前記式リストをランダムに生成するようにすることができる。

前記低レベル特徴量抽出式リスト生成手段は、次世代の前記式リストを前世代の前記式リストに基づく遺伝的アルゴリズムにより選択処理、交差処理、または突然変異処理の少なくとも１つによって生成するようにすることができる。

前記低レベル特徴量抽出式リスト生成手段は、予め設定された定数の低レベル特徴量抽出式から構成される次世代の式リストを生成するようにすることができる。

前記低レベル特徴量抽出式リスト生成手段は、前記リストを生成する度にランダムに決定する数の低レベル特徴量抽出式から構成される次世代の式リストを生成するようにすることができる。

前記高レベル特徴量抽出式生成手段は、生成した前記高レベル特徴量抽出式の評価値、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方を算出し、前記低レベル特徴量抽出式リスト生成手段は、前記高レベル特徴量抽出式生成手段により算出された前記高レベル特徴量抽出式の評価値、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方に基づき、前記低レベル特徴量抽出式リストを構成する前記低レベル特徴量抽出式を更新するようにすることができる。

本発明の一側面である情報処理方法は、コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置の情報処理方法において、前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成し、生成された前記式リストを用いて前記低レベル特徴量を演算し、前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成するステップを含む。

本発明の一側面であるプログラムは、コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置の制御用のプログラムであって、前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成し、生成された前記式リストを用いて前記低レベル特徴量を演算し、前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成するステップを含む処理をコンピュータに実行させる。

本発明の一側面においては、コンテンツデータまたはコンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストが、前世代の式リストに基づく学習によって生成され、生成された式リストを用いて低レベル特徴量が演算され、コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された低レベル特徴量を入力としてコンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式が生成される。

本発明の一側面によれば、楽曲データなどのコンテンツデータを入力とし、当該コンテンツデータに対応する特徴量を高精度で速やかに抽出できるアルゴリズムを生成することができる。

以下に本発明の実施の形態を説明するが、本発明の構成要件と、明細書または図面に記載の実施の形態との対応関係を例示すると、次のようになる。この記載は、本発明をサポートする実施の形態が、明細書または図面に記載されていることを確認するためのものである。従って、明細書または図面中には記載されているが、本発明の構成要件に対応する実施の形態として、ここには記載されていない実施の形態があったとしても、そのことは、その実施の形態が、その構成要件に対応するものではないことを意味するものではない。逆に、実施の形態が構成要件に対応するものとしてここに記載されていたとしても、そのことは、その実施の形態が、その構成要件以外の構成要件には対応しないものであることを意味するものでもない。

本発明の一側面である情報処理装置（例えば、図５の特徴量抽出アルゴリズム生成装置２０）は、コンテンツデータまたはコンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の式リストに基づく学習によって生成する低レベル特徴量抽出式リスト生成手段（例えば、図５の低レベル特徴量抽出式リスト生成部２１）と、低レベル特徴量抽出式リスト生成手段によって生成された式リストを用いて低レベル特徴量を演算する演算手段（例えば、図５の低レベル特徴量演算部２４）と、コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算手段によって演算された低レベル特徴量を入力としてコンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する高レベル特徴量抽出式生成手段（例えば、図５の高レベル特徴量抽出式学習部２５）とを含む。

本発明の一側面である情報処理方法およびプログラムは、コンテンツデータまたはコンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の式リストに基づく学習によって生成し（例えば、図７のステップＳ２）、生成された式リストを用いて低レベル特徴量を演算し（例えば、図７のステップＳ３）、コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された低レベル特徴量を入力としてコンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する（例えば、図７のステップＳ４）ステップを含む。

以下、本発明を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。

図２は、本発明を適用した実施の形態である特徴量抽出アルゴリズム生成装置２０（図５）または特徴量抽出アルゴリズム生成装置６０（図４０）によって生成される特徴量抽出アルゴリズムの概要を示している。

この特徴長抽出アルゴリズム１１は、コンテンツデータ（楽曲データ）とそれに対応するメタデータ（属性データ）を入力として低レベル特徴量を出力する低レベル特徴量抽出部１２、および、低レベル特徴量を入力として高レベル特徴量を出力する高レベル特徴量抽出部１４から構成される。

低レベル特徴量抽出部１２は、入力データに所定の演算を施す１以上のオペレータ（演算子）が組み合わされたｍ種類の低レベル特徴量抽出式から成る低レベル特徴量抽出式リスト１３を有している。したがって、低レベル特徴量抽出部１２は、ｍ種類の低レベル特徴量を高レベル特徴量抽出部１４に出力する。

ここで、低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式の数ｍは、図５に示される特徴量抽出アルゴリズム生成装置２０の場合、予め決定されている定数である。また、図４０に示される特徴量抽出アルゴリズム生成装置６０の場合、ランダムに決定される乱数である。

図３は低レベル特徴量抽出式の例を示している。

例えば、図３Ａに示す低レベル特徴量抽出式ｆ１は、楽曲データの１種である波形データを入力として、各チャンネル（例えば、Ｌ(Left)チャンネルとＲ（Right）チャンネル）間で波形データの平均値（Mean）を演算し、演算された平均値を時間軸に沿って高速フーリエ変換（FFT）を行い、FFT結果から周波数の標準偏差(StDev)を求め、その結果を低レベル特徴量ａとして出力する。

また例えば、図３Ｂに示す低レベル特徴量抽出式ｆ２は、楽曲データの１種であるコード進行データを入力として、時間軸に沿ってマイナーコードの出現率(Ratio)を求め、その結果を低レベル特徴量ｂとして出力する。

なお、低レベル特徴量抽出部１２の出力である低レベル特徴量は、それ単体で意味のある値である必要ない。

高レベル特徴量抽出部１４は、入力されるｍ種類の低レベル特徴量のうちの１種類以上の低レベル特徴量に比較的単純な演算（四則演算、累乗演算など）を行い、その演算結果を高レベル特徴量として出力するｋ種類の高レベル特徴量抽出式を有している。したがって、高レベル特徴量抽出部１４は、ｋ種類の高レベル特徴量を出力する。

図４は高レベル特徴量抽出式の例を示している。

例えば、図４Ａに示す高レベル特徴量抽出式Ｆ１は、低レベル特徴量ａ，ｂ，ｃ，ｄ，ｅに四則演算を行い、この演算結果を１種類の高レベル特徴量である速さの値として出力する。

また例えば、図４Ｂに示す低レベル特徴量抽出式Ｆ２は、低レベル特徴量ａ，ｃ，ｄ，ｅに四則演算と累乗演算（POWER）を行い、この演算結果を１種類の高レベル特徴量である明るさの値として出力する。

次に、図５は本発明の第１の実施の形態である特徴量抽出アルゴリズム生成装置２０の構成例を示している。

この特徴量抽出アルゴリズム生成装置２０は、最適な低レベル特徴量抽出式と高レベル特徴量抽出式を遺伝的なアルゴリズムに基づく学習によって生成するものである。

特徴量抽出アルゴリズム生成装置２０は、ｍ本の低レベル特徴量抽出式から成る低レベル特徴量抽出式リストをｎ個生成する低レベル特徴量抽出式リスト生成部２１、低レベル特徴量抽出式リスト生成部２１から供給されるｎ個の低レベル特徴量抽出式リストにｊ曲分の入力データ（コンテンツデータおよびメタデータ）を入力として各入力データに対応するｍ種類の低レベル特徴量をｎ組分演算する低レベル特徴量演算部２４、低レベル特徴量演算部２４から出力されるｎ組分の低レベル特徴量と対応する教師データ（ｊ曲にそれぞれ対応するｋ項目の高レベル特徴量）に基づいて高レベル特徴量抽出式を学習によって推定する高レベル特徴量抽出式学習部２５、遺伝的な学習が進められることによって最終的に生成される高レベル特徴量抽出式を用いて高レベル特徴量を演算する高レベル特徴量演算部２６、および、各部の動作の繰り返し（ループ）を制御する制御部２７から構成される。

なお、本明細書において、遺伝的なアルゴリズムに基づく学習を、ジェネティック(Genetic)な学習とも記述する。

低レベル特徴量抽出式リスト生成部２１は、予め設定されている定数であるｍ本の低レベル特徴量抽出式から構成される低レベル特徴量抽出式リストを、第１世代についてはランダムに、第２世代以降の低レベル特徴量抽出式リストについては１世代前の低レベル特徴量抽出式リストに基づく低レベル特徴量を用いて学習された高レベル特徴量抽出式の精度などに基づいて生成する。

低レベル特徴量抽出式リスト生成部２１に内蔵されたオペレータ組検出部２２は、生成された低レベル特徴量抽出式中に頻出する複数のオペレータ（演算子）の組み合わせを検出する。オペレータ生成部２３は、オペレータ組検出部２２によって検出された複数のオペレータの組み合わせを新たな１種類のオペレータとして登録する。

高レベル特徴量抽出式学習部２５は、ｎ組の低レベル特徴量にそれぞれ対応し、ｋ種類の高レベル特徴量抽出式を生成するとともに、各高レベル特徴量抽出式の推定精度と各高レベル特徴量抽出式における各低レベル特徴量の寄与率を算出して低レベル特徴量抽出式リスト生成部２１に出力する。また、高レベル特徴量抽出式学習部２５は、学習の最終世代において、ｎ組の低レベル特徴量抽出式リストのうち、得られた高レベル特徴量の平均精度が最も高かった低レベル特徴量抽出式リストを構成するｍ本の低レベル特徴量抽出式と、これに対応するｋ種類の高レベル特徴量抽出式を高レベル特徴量演算部２６に供給する。

高レベル特徴量演算部２６は、最終的に高レベル特徴量抽出式学習部２５から供給される低レベル特徴量抽出式および高レベル特徴量抽出式を用いて高レベル特徴量を演算する。

次に、図６は高レベル特徴量演算部２６の詳細な構成例を示している。

この高レベル特徴量演算部２６は、入力データ（コンテンツデータとそれに対応するメタデータ）を最終的な低レベル特徴量抽出式リストに代入して低レベル特徴量を演算する低レベル特徴量演算部４１、低レベル特徴量演算部４１による演算結果である低レベル特徴量を最終的な高レベル特徴量抽出式に代入して高レベル特徴量を演算する高レベル特徴量演算部４２、高レベル特徴量演算部４２による演算結果である高レベル特徴量と教師データ（入力データに対応する真の高レベル特徴量）との２乗誤差を演算する２乗誤差演算部４３、低レベル特徴量演算部４１の演算結果である低レベル特徴量を入力、２乗誤差演算部４３の演算結果である２乗誤差を出力とするリジェクト領域抽出式を学習により生成するリジェクト領域抽出式学習部４４、および、入力データをリジェクト領域抽出式学習部４４によって生成されたリジェクト領域抽出式に代入し、入力データに対応して演算される高レベル特徴量の特徴抽出精度（２乗誤差）を推定し、推定した特徴抽出精度が所定の閾値以上である場合だけ高レベル特徴量演算部４２に高レベル特徴量を演算させる特徴量抽出精度演算部４５から構成される。

次に、本発明の第１の実施の形態である特徴量抽出アルゴリズム生成装置２０の動作について説明する。

図７は特徴量抽出アルゴリズム生成装置２０の基本的な動作である特徴量抽出アルゴリズム生成処理を説明するフローチャートである。

ステップＳ１において、制御部２７は、学習ループパラメータＧを１に初期化して学習ループを開始する。なお、学習ループは、ユーザなどによって予め設定されている学習回数ｇだけ繰り返される。

ステップＳ２において、低レベル特徴量抽出式リスト生成部２１は、図８に示すように、ｍ種類の低レベル特徴量抽出式から成る低レベル特徴量抽出式リストをｎ個生成して低レベル特徴量演算部２４に出力する。

ステップＳ２の処理（低レベル特徴量抽出式リスト生成処理）について、図９のフローチャートを参照して詳述する。

ステップＳ１１において、低レベル特徴量抽出式リスト生成部２１は、生成する低レベル特徴量抽出式リストが第１世代であるか否かを判定する。なお、この判定では学習ループパラメータＧが０であるとき、生成する低レベル特徴量抽出式リストが第１世代であると判定される。

学習ループパラメータＧが０であることにより、生成する低レベル特徴量抽出式リストが第１世代であると判定された場合、処理はステップＳ１２に進められる。ステップＳ１２において、低レベル特徴量抽出式リスト生成部２１は、第１世代の低レベル特徴量抽出式リストをランダムに生成する。

反対に、ステップＳ１１において、生成する低レベル特徴量抽出式リストが第１世代ではないと判定された場合、処理はステップＳ１３に進められる。ステップＳ１３において、低レベル特徴量抽出式リスト生成部２１は、次世代の低レベル特徴量抽出式リストを、１世代前の低レベル特徴量抽出式リストに基づいて遺伝的アルゴリズムによりジェネティック(Genetic)に生成する。

ステップＳ１２の処理（第１世代リストランダム生成処理）について、図１０のフローチャートを参照して詳述する。

ステップＳ２１において、制御部２７は、リストループパラメータＮを１に初期化してリストループを開始する。なお、リストループは、予め設定されているリスト数ｎだけ繰り返される。

ステップＳ２２において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、１個の低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式の式数ｍだけ繰り返される。

ここで、式ループ内において生成される低レベル特徴量抽出式の記述方法について図１１を参照して説明する。

低レベル特徴量抽出式は、入力データが左端に記述され、その右側に１種類以上のオペレータ（演算子）が演算の順序に対応して記述される。各オペレータには、適宜、処理対称軸とパラメータが含まれる。

例えば、図１１に示された低レベル特徴量抽出式の例の場合、12TomesMが入力データであり、32#Differential，32#MaxIndex,16#LPF_1;O.861などがオペレータである。また、オペレータ中の32#，16#などは処理対称軸を示している。例えば、12TomesMは、入力データがモノラルのPCM(pulse coded modulation sound source)波形データを時間軸方向にであることを示している。48#はチャンネル軸、32#は周波数軸と音程軸、16#は時間軸を示す。オペレータ中の0.861はローパスフィルタ処理におけるパラメータであり、例えば透過させる周波数の閾値を示している。

図１０に戻る。ステップＳ２３において、低レベル特徴量抽出式リスト生成部２１は、生成する第Ｎ番目の低レベル特徴量抽出式リスト（以下、リストＮとも記述する）の第Ｍ本目の低レベル特徴量抽出式（以下、低レベル特徴量抽出式Ｍとも記述する）の入力データをランダムに決定する。

入力データの種類としては、例えば図１２に示すWav，12Tones，Chord，Keyなどを挙げることができる。

入力データであるWAVは、図１３に示すようなPCM波形データであり、保有次元は時間軸とチャンネル軸である。入力データである12Tonesは、PCM波形データを時間軸に沿って音程毎に解析したものであり、保有次元は時間軸と音程軸である。入力データであるChordは、図１４に示すような楽曲のコード進行（Ｃ，Ｃ＃，Ｄ，・・・，Ｂｍ）を示すデータであり、保有次元は時間軸と音程軸である。入力データであるKeyは、楽曲のキー（Ｃ，Ｃ＃，Ｄ，・・・，Ｂ）を示すデータであり、保有次元は時間軸と音程軸である。

図１０に戻る。ステップＳ２４において、低レベル特徴量抽出式リスト生成部２１は、生成するリストＮの低レベル特徴量抽出式Ｍの処理対称軸とパラメータをランダムに１つ決定する。

パラメータの種類としては、平均値（Mean）、高速フーリエ変換（FFT）、標準偏差(StDev)、出現率(Ratio)、ローパスフィルタ(LPF)、ハイパスフィルタ(HPF)、絶対値(ABS)、微分(Differential)、最大値(MaxIndex)、不偏分散(UVariance)などを挙げることができる。なお、決定されたオペレータによっては処理対称軸が固定されていることがあるので、その場合、パラメータに固定されている処理対称軸を採用する。また、パラメータを必要とするオペレータが決定された場合、パラメータもランダムまたは予め設定されている値に決定する。

ステップＳ２５において、低レベル特徴量抽出式リスト生成部２１は、現時点までに生成されているリストＮの低レベル特徴量抽出式Ｍの演算結果がスカラ（１次元）であるか、または次元数が所定の値（例えば、１または２程度の小さい数）以下であるか否かを判定し、否と判定した場合、ステップＳ２４の処理に戻ってオペレータを１つ追加する。そして、ステップＳ２４およびＳ２５の処理が繰り返されることにより、図１６に示すように演算結果の保有次元数が減少していき、ステップＳ２５において、リストＮの低レベル特徴量抽出式Ｍの演算結果がスカラであるか、あるいはは次元数が所定の値（例えば、１または２程度の小さい数）以下であると判定された場合、処理はステップＳ２６に進められる。

ステップＳ２６において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ２３に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ２７に進める。ここまでの処理により、第Ｎ番目の低レベル特徴量抽出式リストが生成されたことになる。

ステップＳ２７において、制御部２７は、リストループパラメータＮが最大値ｎよりも小さいか否かを判定し、リストループパラメータＮが最大値ｎよりも小さい場合、リストループパラメータＮを１だけインクリメントして処理をステップＳ２２に戻す。反対に、リストループパラメータＮが最大値ｎよりも小さくない場合（リストループパラメータＮが最大値ｎと同値の場合）、リストループを抜けて第１世代リストランダム生成処理を終了する。ここまでの処理により、第１世代の低レベル特徴量抽出式リストがｎ個生成されたことになる。

次に、図９のステップＳ１３における第２世代以降の低レベル特徴量抽出式リストを生成する処理（次世代リストジェネティック生成処理）について、図１７のフローチャートを参照して詳述する。

ステップＳ３１において、低レベル特徴量抽出式リスト生成部２１は、生成する低レベル特徴量抽出式リストの個数ｎのうち、遺伝的アルゴリズムの選択を適用するリスト数を示す選択数ｎｓ、遺伝的アルゴリズムの交差を適用するリスト数を示す交差数ｎｘ、遺伝的アルゴリズムの突然変異を適用するリスト数を示す突然変異数ｎｍをランダムに決定する。ただし、選択数ｎｓ、交差数ｎｘ、突然変異数ｎｍの総和はｎである。なお、選択数ｎｓ、交差数ｎｘ、突然変異数ｎｍは予め設定した定数を採用してもよい。

ステップＳ３２において、低レベル特徴量抽出式リスト生成部２１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した選択数ｎｓの低レベル特徴量抽出式リストを用いて、ｎｓ個の低レベル特徴量抽出式リストを生成する。ステップＳ３３において、低レベル特徴量抽出式リスト生成部２１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した交差数ｎｘの低レベル特徴量抽出式リストを用いて、ｎｘ個の低レベル特徴量抽出式リストを生成する。ステップＳ３４において、低レベル特徴量抽出式リスト生成部２１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した突然変異数ｎｍの低レベル特徴量抽出式リストを用いて、ｎｍ個の低レベル特徴量抽出式リストを生成する。

ステップＳ３２乃至Ｓ３４の処理について詳述する。

ステップＳ３２の選択生成処理について、図１８のフローチャートを参照して詳述する。この選択生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの選択数ｎｓ個の低レベル特徴量抽出式リストが生成される。

ステップＳ４１において、低レベル特徴量抽出式リスト生成部２１は、１世代前のｎ個の低レベル特徴量抽出式リストを、高レベル特徴量抽出式学習部２５から入力された高レベル特徴量抽出式の推定精度の平均値が高い順に並び替える。そして、ステップＳ４２において、低レベル特徴量抽出式リスト生成部２１は、並び替えた１世代前のｎ個の低レベル特徴量抽出式リストのうち、上位ｎｓ個を次世代の低レベル特徴量抽出式リストとして採用する。以上で選択生成処理は終了される。

図１７のステップＳ３３の交差生成処理について、図１９のフローチャートを参照して詳述する。この交差生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの交差数ｎｘ個の低レベル特徴量抽出式リストが生成される。

ステップＳ５１において、制御部２７は、交差ループパラメータＮＸを１に初期化して交差ループを開始する。なお、交差ループは、交差数ｎｘだけ繰り返される。

ステップＳ５２において、低レベル特徴量抽出式リスト生成部２１は、前世代の低レベル特徴量抽出式リストから、高レベル特徴量抽出式学習部２５の出力した高レベル特徴量抽出式の推定精度の平均値が高い方のものから順に優先的に選択されるよう重み付けをした後、ランダムに２個の低レベル特徴量抽出式リストＡ，Ｂを選択する。なお、ここでの選択は、上述した選択生成処理で選択されたｎｓ個の低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。

ステップＳ５３において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、１個の低レベル特徴量抽出式リストに含まれる式数ｍだけ繰り返される。

ステップＳ５４において、低レベル特徴量抽出式リスト生成部２１は、低レベル特徴量抽出式リストＡ，Ｂに含まれる２ｍ本の低レベル特徴量抽出式から、高レベル特徴量抽出式学習部２５から入力された高レベル特徴量抽出式における寄与率が高い方のものが優先的に選択されるように重み付けをした後、ランダムに１本の低レベル特徴量抽出式を選択して次世代の低レベル特徴量抽出式リストに追加する。

ステップＳ５５において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ５４に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ５６に進める。式ループであるステップＳ５３乃至Ｓ５５の処理により、１個の低レベル特徴量抽出式リストが生成されたことになる。

ステップＳ５６において、制御部２７は、交差ループパラメータＮＸが最大値ｎｘよりも小さいか否かを判定し、交差ループパラメータＮＸが最大値ｎｘよりも小さい場合、交差ループパラメータＮＸを１だけインクリメントして処理をステップＳ５２に戻す。反対に、交差ループパラメータＮＸが最大値ｎｘよりも小さくない場合（交差ループパラメータＮＸが最大値ｎｘと同値の場合）、交差ループを抜けて交差生成処理を終了する。この交差ループの処理により、交差数ｎｘ個の低レベル特徴量抽出式リストが生成されたことになる。

図１７のステップＳ３４の突然変異生成処理について、図２０のフローチャートを参照して詳述する。この突然変異生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの突然変異数ｎｍ個の低レベル特徴量抽出式リストが生成される。

ステップＳ６１において、制御部２７は、突然変異ループパラメータＮＭを１に初期化して突然変異ループを開始する。なお、突然変異ループは、突然変異数ｎｍだけ繰り返される。

ステップＳ６２において、低レベル特徴量抽出式リスト生成部２１は、前世代の低レベル特徴量抽出式リストから、高レベル特徴量抽出式学習部２５の出力した高レベル特徴量抽出式の推定精度の平均値が高い方のものが優先的に選択されるように重み付けをした後、ランダムに１個の低レベル特徴量抽出式リストＡを選択する。なお、ここでの選択は、上述した選択生成処理で選択されたｎｓ個の低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。また、上述した交差生成処理のステップＳ５２の処理で選択された低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。

ステップＳ６３において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、１個の低レベル特徴量抽出式リストに含まれる式数ｍだけ繰り返される。

ステップＳ６４において、低レベル特徴量抽出式リスト生成部２１は、低レベル特徴量抽出式リストＡに含まれるｍ本の低レベル特徴量抽出式のうちのＭ番目のものに注目して、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が、低レベル特徴量抽出式リストＡに含まれる他の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率に比較して低いか否かを判定する。具体的には、例えば低レベル特徴量抽出式リストＡに含まれるｍ本の低レベル特徴量抽出式のうち、演算結果である低レベル特徴量の寄与率が低い方の所定の順番までに属するか否かを判定する。

ステップＳ６４において、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が他よりも低いと判定された場合、処理はステップＳ６５に進められ、低レベル特徴量抽出式リスト生成部２１は、Ｍ番目の低レベル特徴量抽出式をランダムに変形して（突然変異させて）次世代の低レベル特徴量抽出式リストに追加する。

反対に、ステップＳ６４において、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が他よりも低くないと判定された場合、処理はステップＳ６６に進められ、低レベル特徴量抽出式リスト生成部２１は、Ｍ番目の低レベル特徴量抽出式を突然変異させることなく、そのまま次世代の低レベル特徴量抽出式リストに追加する。

ステップＳ６７において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ６４に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ６８に進める。ステップＳ６３乃至Ｓ６７の式ループの処理により、低レベル特徴量抽出式リストが１個生成されたことになる。

ステップＳ６８において、制御部２７は、突然変異ループパラメータＮＭが最大値ｎｍよりも小さいか否かを判定し、突然変異ループパラメータＮＭが最大値ｎｍよりも小さい場合、突然変異ループパラメータＮＭを１だけインクリメントして処理をステップＳ６２に戻す。反対に、突然変異ループパラメータＮＭが最大値ｎｍよりも小さくない場合（突然変異ループパラメータＮＭが最大値ｎｍと同値の場合）、突然変異ループを抜けて突然変異生成処理を終了する。ここまでの処理により、突然変異数ｎｍ個の低レベル特徴量抽出式リストが生成されたことになる。

以上説明した次世代リストジェネティック生成処理によれば、１世代前の低レベル特徴量抽出式リストに対応する推定精度が高いもの、低レベル特徴量抽出式に対応する寄与率が高いものは次世代に継承され、推定精度や寄与率が低いものは次世代に継承されず淘汰されることになる。したがって、世代が進むに連れて、低レベル特徴量抽出式リストに対応する推定精度は向上し、低レベル特徴量抽出式に対応する寄与率も向上することが期待できる。

図７に戻る。以上のようにして生成された次世代の低レベル特徴量抽出式リストは、低レベル特徴量抽出式リスト生成部２１から低レベル特徴量演算部２４に出力される。ステップＳ３において、低レベル特徴量演算部２４は、低レベル特徴量抽出式リスト生成部２１から入力されたｎ個の低レベル特徴量抽出式リストそれぞれに楽曲Ｃ１乃至Ｃｊのｊ曲分の入力データ（コンテンツデータやメタデータ）を代入して低レベル特徴量を演算する。

なお、ここで入力されるｊ曲分の入力データは、それぞれｋ項目の教師データ（対応する高レベル特徴量）が予め得られているものを使用する。

例えば、低レベル特徴量演算部２４は、図２１Ａに示されるような保有次元が音程軸と時間軸である入力データに対して#16Meanのオペレータに相当する演算を実行した場合、図２１Ｂに示すように時間軸を処理対象軸にして各音程の値の平均値を算出する。そして演算結果として得られる図２２に示すような、各入力データにそれぞれ対応するｎ組の低レベル特徴量組（ｍ種類の低レベル特徴量から成る）を高レベル特徴量抽出式学習部２５に出力する。

図７に戻る。ステップＳ４において、高レベル特徴量抽出式学習部２５は、低レベル特徴量演算部２４から入力されたｎ組の低レベル特徴量組と、対応する教師データ（図２３に示すように、各入力データ（楽曲Ｃ１乃至Ｃｊ）にそれぞれ対応するｋ種類の高レベル特徴量）に基づいて、ｋ種類の高レベル特徴量抽出式から成る高レベル特徴量抽出式組をｎ組、学習によって推定する（生成する）。また、各高レベル特徴量抽出式の推定精度と各高レベル特徴量抽出式における各低レベル特徴量の寄与率を算出して低レベル特徴量抽出式リスト生成部２１に出力する。

ステップＳ４における高レベル特徴量抽出式学習処理について、図２４のフローチャートを参照して詳述する。

ステップＳ７１において、制御部２７は、リストループパラメータＮを１に初期化してリストループを開始する。なお、リストループは、予め設定されているリスト数ｎだけ繰り返される。ステップＳ７２において、制御部２７は、教師データループパラメータＫを１に初期化して教師データループを開始する。なお、教師データループは、予め設定されている教師データの種類数ｋだけ繰り返される。

ステップＳ７３において、制御部２７は、アルゴリズムループパラメータＡを１に初期化してアルゴリズムループを開始する。なお、アルゴリズムループは、適用される学習アルゴリズムの種類数ａだけ繰り返される。

適用する学習アルゴリズムとして、例えば、Regression（回帰解析）、Classify（クラス分類）、SVM(Support Vector Machine)、およびＧＰ(Genetic Programming)の４種類を挙げることができる。

Regressionに属する学習アルゴリズムとしては、図２５に示すように、教師データと低レベル特徴量が線形の関係にあるとの仮定に基づいて教師データとＹの２乗誤差が最小となるようにパラメータｂ_nを学習するもの、および、図２６に示すように、教師データと低レベル特徴量が非線形の関係にあるとの仮定に基づいて教師データとＹの２乗誤差が最小となるようにパラメータｂ_nmを学習するものを挙げることができる。

Classifyに属する学習アルゴリズムとしては、図２７に示すように、各クラス（同図の場合、男性ボーカルクラスと女性ボーカルクラス）のそれぞれの中心からのユークリッド距離ｄを算出してユークリッド距離ｄが最短のクラスに分類するもの、図２８に示すように、各クラス（同図の場合、男性ボーカルクラスと女性ボーカルクラス）の平均ベクトルとの相関係数correlを算出して相関係数correlが最大のクラスに分類するもの、図２９に示すように、各クラス（同図の場合、男性ボーカルクラスと女性ボーカルクラス）のそれぞれの中心からのマハラノビス距離ｄを算出してマハラノビス距離ｄが最短のクラスに分類するものを挙げることができる。

さらに、図３０Ａに示すように、各クラス群（同図の場合、男性ボーカルクラス群と女性ボーカルクラス群）の分布を複数のクラスで表現し、それぞれのクラス群の中心からのユークリッド距離ｄを算出してユークリッド距離ｄが最短のクラスに分類するもの、および、図３０Ｂに示すように、各クラス群（同図の場合、男性ボーカルクラス群と女性ボーカルクラス群）の分布を複数のクラスで表現し、それぞれのクラス群の中心からのマハラノビス距離ｄを算出してマハラノビス距離ｄが最短のクラスに分類するものを挙げることができる。

SVMに属する学習アルゴリズムとしては、図３１に示すように、各クラス（同図の場合、男性ボーカルクラスと女性ボーカルクラス）の境界面をサポートベクトルで表現し、分離面と境界付近のベクトルとの距離（マージン）が最大になるようにパラメータbnmを学習するものを挙げることができる。

ＧＰに属する学習アルゴリズムとしては、図３２に示すように、低レベル特徴量を組み合わせた式をＧＰで生成するもの、図３３Ａに示すように、低レベル特徴量を組み合わせた式を交差させるもの、および、図３３Ｂに示すように、低レベル特徴量を組み合わせた式を突然変異させるものを挙げることができる。

例えば、上述した全ての学習アルゴリズムを採用した場合、学習アルゴリズムの種類数ａは１１とされる。

図２４に戻る。ステップＳ７４において、制御部２７は、クロスバリデーションループパラメータＣを１に初期化してクロスバリデーションループを開始する。なお、クロスバリデーションループは、予め設定されているクロスバリデーション回数ｃだけ繰り返される。

ステップＳ７５において、高レベル特徴量抽出式学習部２５は、ｋ種類の教師データのうち、Ｋ番目の種類のｊ曲分の教師データ（真の高レベル特徴量）をランダムに学習用と評価用に２分割する（クロスバリデーション）。以下、教師データのうち、学習用に分類されたものを学習用データ、評価用に分類されたものを評価用データと記述する。

ステップＳ７６において、高レベル特徴量抽出式学習部２５は、Ｎ番目の低レベル特徴量抽出式リストを用いて演算されたｍ種類の低レベル特徴量から成る低レベル特徴量組と学習用データとをａ番目の学習アルゴリズムに適用して高レベル特徴量抽出式を学習により推定する。この学習に際しては、演算量の削減と過学習（オーバフィッティング）を抑止するために、ｍ種類の低レベル特徴量のうちのいくつかをジェネティックに選択して使用する。

この低レベル特徴量を選択するときの評価値には、関数である情報量基準AIC(Akaike Information Criterion)、または情報量基準BIC(Bayesian Information Criterion)を用いる。情報量基準AICおよびBICは学習モデル（いまの場合、選択されている低レベル特徴量）の選択基準として用いるものであり、その値が小さい学習モデルほど良い（評価が高い）とされる。

AICは次式のように表記される。
AIC＝−２×最大対数尤度＋２×自由パラメータ数

例えば、学習アルゴリズムにRegression（線形）が採用されている場合（図２５の場合）、自由パラメータ数＝ｎ＋１
対数尤度＝−０．５×学習用データ数×（（log２π）＋１＋log（平均２乗誤差））
であるので、
AIC＝学習用データ数×（（log２π）＋１＋log（平均２乗誤差））＋２×（ｎ＋１）
となる。

BICは次式のように表記される。
BIC＝−２×最大対数尤度＋log（学習用データ数）×自由パラメータ数

例えば、学習アルゴリズムにRegression（線形）が採用されている場合（図２５の場合）、
BIC＝学習用データ数×（（log２π）＋１＋log（平均２乗誤差））
＋log（学習用データ数）×（ｎ＋１）
となる。

BICはAICと比較して、学習用データ数が増加してもその値が増加し難いことが特徴である。

ここで、ステップＳ７６の学習アルゴリズムに基づく学習処理について、図３４を参照して説明する。この学習処理に際しては、上述したように、演算量の削減と過学習（オーバフィッティング）を抑止するために、演算されたｍ種類の低レベル特徴量のうちのいくつかをジェネティックに選択して使用する。

ステップＳ９１において、高レベル特徴量抽出式学習部２５は、ｍ種類の低レベル特徴量のうち、選択するもの（学習に使用するもの）をランダムに抽出した初期集団をｐ組生成する。

ステップＳ９２において、高レベル特徴量抽出式学習部２５は、ジェネティックアルゴリズム（ＧＡ:遺伝的アルゴリズム）による特徴選択ループを開始する。このＧＡによる特徴選択ループは、後述するステップＳ９８において所定の条件を満たすまで繰り返される。

ステップＳ９３において、制御部２７は、初期集団ループパラメータＰを１に初期化して初期集団ループを開始する。なお、初期集団ループは、ステップＳ９１の処理で生成された低レベル特徴量の初期集団数ｐだけ繰り返される。

ステップＳ９４において、高レベル特徴量抽出式学習部２５は、Ｐ番目の初期集団に含まれる低レベル特徴量と、教師データのうちの学習用データとを用い、Ａ番目の学習アルゴリズムに適用して高レベル特徴量抽出式を学習により推定する。

ステップＳ９５において、高レベル特徴量抽出式学習部２５は、ステップＳ９４の処理結果として得られた高レベル特徴量の評価値として、情報量基準AICまたはBICを演算する。

ステップＳ９６において、制御部２７は、初期集団ループパラメータＰが最大値ｐよりも小さいか否かを判定し、初期集団ループパラメータＰが最大値ｐよりも小さい場合、初期集団ループパラメータＰを１だけインクリメントして処理をステップＳ９４に戻す。反対に、初期集団ループパラメータＰが最大値ｐよりも小さくない場合（初期集団ループパラメータＰが最大値ｐと同値の場合）、初期集団ループを抜けて処理をステップＳ９７に進める。このステップＳ９３乃至Ｓ９６の初期集団ループの処理により、各初期集団に基づいて学習された高レベル特徴量抽出式の評価値として情報量基準AICまたはBICを得ることができる。

ステップＳ９７において、高レベル特徴量抽出式学習部２５は、学習に使用する低レベル特徴量からなるｐ組の初期集団を、その評価値に基づいてジェネティックに更新する。具体的には、図１７のステップＳ３２乃至Ｓ３４と同様に、選択、交差、突然変異によって初期集団を更新する。この更新により、当初はランダムに生成された初期集団が高レベル特徴量抽出式の評価値を向上させる学習の進められたものとなる。

ステップＳ９８において、制御部２７は、ｐ組の初期集団にそれぞれ対応する高レベル特徴量抽出式のうち、最も評価値が高い（情報量基準が小さい）高レベル特徴量抽出式の評価値が、ＧＡによる特徴選択ループが繰り返される毎に向上している（情報量基準が減少している）場合、特徴選択ループを継続するため、処理をステップＳ９３に戻す。反対に、ｐ組の初期集団にそれぞれ対応する高レベル特徴量抽出式のうち、最も評価値の高い高レベル特徴量抽出式の評価値が、ＧＡによる特徴選択ループを繰り返しても向上しなくなってきた（情報量基準が減少しなくなってきた）場合、ＧＡによる特徴選択ループを抜け、最も評価値の高い高レベル特徴量抽出式を後段の処理（図２４のステップＳ７７の処理）に出力する。そして、学習アルゴリズムに基づく学習処理は終了される。

なお、ステップＳ９１において選択する低レベル特徴量の数は固定としてもよい。この場合、教師データのエントロピを利用して必要な低レベル特徴量の数を求めるようにしてもよい。同様に、教師データの主成分分析を行い、低レベル特徴量の数を主成分の数と同数にしてもよい。

図２４に戻る。ステップＳ７７において、高レベル特徴量抽出式学習部２５は、ステップＳ７６の処理で得た最も評価値の高い高レベル特徴量抽出式を、評価用データを用いて評価する。具体的には、得られた高レベル特徴量抽出式を用いて高レベル特徴量を演算し、評価用データとの２乗誤差を算出する。

ステップＳ７８において、制御部２７は、クロスバリデーションループパラメータＣが最大値ｃよりも小さいか否かを判定し、クロスバリデーションループパラメータＣが最大値ｃよりも小さい場合、クロスバリデーションループパラメータＣを１だけインクリメントして処理をステップＳ７５に戻す。反対に、クロスバリデーションループパラメータＣが最大値ｃよりも小さくない場合（クロスバリデーションループパラメータＣが最大値ｃと同値の場合）、クロスバリデーションループを抜けて処理をステップＳ７９に進める。ステップＳ７４乃至Ｓ７８のクロスバリデーションループの処理により、ｃ本の学習結果、すなわち、高レベル特徴量抽出式が得られたことになる。なお、クロスバリデーションループにより、学習用データと評価用データがランダムに変換されるので、高レベル特徴量抽出式が過学習されていないことを確認することができる。

ステップＳ７９において、高レベル特徴量抽出式学習部２５は、クロスバリデーションループによって得られたｃ本の学習結果、すなわち、高レベル特徴量抽出式のうち、ステップＳ７７の処理における評価値が最も高いものを選択する。

ステップＳ８０において、制御部２７は、アルゴリズムループパラメータＡが最大値ａよりも小さいか否かを判定し、アルゴリズムループパラメータＡが最大値ａよりも小さい場合、アルゴリズムループパラメータＡを１だけインクリメントして処理をステップＳ７４に戻す。反対に、アルゴリズムループパラメータＡが最大値ａよりも小さくない場合（アルゴリズムループパラメータＡが最大値ａと同値の場合）、アルゴリズムループを抜けて処理をステップＳ８１に進める。ステップＳ７３乃至Ｓ８０のアルゴリズムループの処理により、ａ種類の学習アルゴリズムによって学習されたＫ番目の種類の高レベル特徴量抽出式がａ本得られたことになる。

そしてステップＳ８１において、高レベル特徴量抽出式学習部２５は、アルゴリズムループによって得られたａ本の学習結果、すなわち、高レベル特徴量抽出式のうち、ステップＳ７７の処理における評価値が最も高いものを選択する。

ステップＳ８２において、制御部２７は、教師データループパラメータＫが最大値ｋよりも小さいか否かを判定し、教師データループパラメータＫが最大値ｋよりも小さい場合、教師データループパラメータＫを１だけインクリメントして処理をステップＳ７３に戻す。反対に、教師データループパラメータＫが最大値ｋよりも小さくない場合（教師データループパラメータＫが最大値ｋと同値の場合）、教師データループを抜けて処理をステップＳ８３に進める。ステップＳ７２乃至Ｓ８２の教師データループの処理により、Ｎ番目の低レベル特徴量抽出式リストに対応する、ｋ種類の高レベル特徴量抽出式が得られたことになる。

ステップＳ８３において、制御部２７は、リストループパラメータＮが最大値ｎよりも小さいか否かを判定し、リストループパラメータＮが最大値ｎよりも小さい場合、リストループパラメータＮを１だけインクリメントして処理をステップＳ７２に戻す。反対に、リストループパラメータＮが最大値ｎよりも小さくない場合（リストループパラメータＮが最大値ｎと同値の場合）、リストループを抜けて処理をステップＳ８４に進める。ステップＳ７１乃至Ｓ８３のリストループの処理により、ｎ個の低レベル特徴量抽出式リストにそれぞれ対応する、ｋ種類の高レベル特徴量抽出式が得られたことになる。

ステップＳ８４において、高レベル特徴量抽出式学習部２５は、得られたｎ個の低レベル特徴量抽出式リストにそれぞれ対応する、ｋ種類の高レベル特徴量抽出式の推定精度と各高レベル特徴量抽出式における各低レベル特徴量の寄与率を算出して低レベル特徴量抽出式リスト生成部２１に出力する。以上で、高レベル特徴量抽出式学習処理が終了される。

図７に戻る。ステップＳ５において、制御部２７は、学習ループパラメータＧが最大値ｇよりも小さいか否かを判定し、学習ループパラメータＧが最大値ｇよりも小さい場合、学習ループパラメータＧを１だけインクリメントして処理をステップＳ２に戻す。反対に、学習ループパラメータＧが最大値ｇよりも小さくない場合（学習ループパラメータＧが最大値ｇと同値の場合）、学習ループを抜けて処理をステップＳ６に進める。なお、ステップＳ１乃至Ｓ５の学習ルールが特徴量抽出アルゴリズムの学習過程であり、これ以降のステップＳ６は、特徴量抽出アルゴリズムを用いた高レベル特徴量の演算のための処理である。

ステップＳ６において、高レベル特徴量抽出式学習部２５は、学習によって得られた最終世代のｎ組の低レベル特徴量抽出式リストのうち、得られた高レベル特徴量の平均精度が最も高かったリストを構成するｍ本の低レベル特徴量抽出式と、これに対応するｋ種類の高レベル特徴量抽出式を高レベル特徴量演算部２６に供給する。

ステップＳ７において、高レベル特徴量演算部２６は、高レベル特徴量抽出式学習部２５から供給された低レベル特徴量抽出式および高レベル特徴量抽出式のうち、最後に高レベル特徴量抽出式学習部２５から供給された低レベル特徴量抽出式および高レベル特徴量抽出式を用いて高レベル特徴量を高精度に演算する。なお、このステップＳ７における高精度高レベル特徴量演算処理については図３８以降を参照して後述する。

以上、特徴量抽出アルゴリズム生成装置２０による特徴量抽出アルゴリズム生成処理の説明を終了する。

次に、上述した特徴量抽出アルゴリズム生成処理におけるステップＳ１乃至Ｓ６の学習ループが繰り返されて低レベル特徴量抽出式リストの世代が進み成長したとき、すなわち、低レベル特徴量抽出式の寄与度が向上したり、対応する高レベル特徴量抽出式の推定精度が向上したりしたときに実行する新規オペレータ生成処理について説明する。

低レベル特徴量抽出式リストの世代が進み成長した場合、低レベル特徴量抽出式リストの中には、図３５に示すように複数のオペレータの順列（以下、オペレータの組み合わせと称する）が異なる低レベル特徴量抽出式上に頻出することになる。そこで、異なる低レベル特徴量抽出式上に頻出する複数のオペレータの組み合わせを新たなオペレータの１つとして、低レベル特徴量抽出式リスト生成部２１において使用するオペレータに登録するようにする。

例えば、図３５の場合、３つのオペレータの組み合わせ”32#FFT，Log，32#FFT”が５本の低レベル特徴量抽出式に出現している。この”32#FFT，Log，32#FFT”が１つのオペレータNewOperator１として登録された場合、次世代以降の低レベル特徴量抽出式には、例えば図３６に示すようにオペレータNewOperator１が含まれることになる。

この新規オペレータ生成処理について、図３７のフローチャートを参照して説明する。ステップＳ１０１において、オペレータ組検出部２２は、所定の数（例えば、１乃至５程度）以下のオペレータからなるオペレータの順列（順序のあるオペレータの組み合わせ）を生成する。ここで生成されるオペレータの組み合わせ数をｏｇとする。

ステップＳ１０２において、制御部２７は、組み合わせループパラメータＯＧを１に初期化して組み合わせループを開始する。なお、組み合わせループは、オペレータの組み合わせ数ｏｇだけ繰り返される。

ステップＳ１０３において、ｏｇ番目のオペレータの組み合わせの出現頻度Countを１に初期化する。ステップＳ１０４において、制御部２７は、リストループパラメータＮを０に初期化してリストループを開始する。なお、リストループは、予め設定されているリスト数ｎだけ繰り返される。ステップＳ１０５において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、１個の低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式数ｍだけ繰り返される。

ステップＳ１０６において、オペレータ組検出部２２は、Ｎ番目の低レベル特徴量抽出式リストを構成するＭ番目の低レベル特徴量抽出式上にｏｇ番目のオペレータの組み合わせが存在するか否かを判定し、存在すると判定した場合、処理をステップＳ１０７に進めて出現頻度Countを１だけインクリメントする。反対に、ｏｇ番目のオペレータの組み合わせが存在しないと判定した場合、ステップＳ１０７をスキップして、処理をステップＳ１０８に進める。

ステップＳ１０８において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ１０６に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ１０９に進める。

ステップＳ１０９において、制御部２７は、リストループパラメータＮが最大値ｎよりも小さいか否かを判定し、リストループパラメータＮが最大値ｎよりも小さい場合、リストループパラメータＮを１だけインクリメントして処理をステップＳ１０５に戻す。反対に、リストループパラメータＮが最大値ｎよりも小さくない場合（リストループパラメータＮが最大値ｎと同値の場合）、リストループを抜けて処理をステップＳ１１０に進める。

ステップＳ１１０において、制御部２７は、組み合わせループパラメータＯＧが最大値ｏｇよりも小さいか否かを判定し、組み合わせループパラメータＯＧが最大値ｏｇよりも小さい場合、組み合わせループパラメータＯＧを１だけインクリメントして処理をステップＳ１０３に戻す。反対に、組み合わせループパラメータＯＧが最大値ｏｇよりも小さくない場合（組み合わせループパラメータＯＧが最大値ｏｇと同値の場合）、組み合わせループを抜けて処理をステップＳ１１０に進める。ここまでの処理により、全てオペレータの組み合わせにそれぞれ対応する出現頻度Countが検出されたことになる。

ステップＳ１１１において、オペレータ組検出部２２は、出現頻度Countが所定の閾値以上のオペレータの組み合わせを抽出してオペレータ生成部２３に出力する。ステップＳ１１２において、オペレータ生成部２３は、オペレータ組検出部２２から入力されたオペレータの組み合わせを新たな１つのオペレータとして登録する。以上で新規オペレータ生成処理が終了される。

以上説明したように、新規オペレータ生成処理によれば、出現頻度の高い、すなわち、高レベル特徴量を演算する上で有効であると考えられるオペレータの組み合わせが１つのオペレータとされ、次世代以降の低レベル特徴量抽出式において使用されるので、低レベル特徴量抽出式の作成速度と成長速度が向上する。また、有効な低レベル特徴量抽出式が早期に発見されることとなる。さらに、従来、人手により発見していた有効であると考えられるオペレータの組み合わせを自動的に検出できるので、この点も新規オペレータ生成処理が奏する効果のひとつである。

次に、上述した図７のステップＳ７における高精度高レベル特徴量演算処理について、図３８のフローチャートを参照して詳述する。

ステップＳ１４１において、高レベル特徴量演算部２６は、高レベル特徴量抽出式学習部２５から供給された最終的な高レベル特徴量抽出式のうち、高い精度の演算結果を得られるもののみを選択するための高精度リジェクト処理を実行する。

高精度リジェクト処理は、「高レベル特徴量の精度は低レベル特徴量の値に因果関係がある」との考えに基づき、低レベル特徴量を入力として高レベル特徴量の精度を出力するリジェクト領域抽出式を学習によって得るものである。この高精度リジェクト処理について、図３９のフローチャートを参照して詳述する。

ステップＳ１５１において、高レベル特徴量演算部２６内の低レベル特徴量演算部４１は、最終的な低レベル特徴量抽出式リストを取得する。高レベル特徴量演算部２６内の高レベル特徴量演算部４２は、最終的な高レベル特徴量抽出式を取得する。

ステップＳ１５２において、制御部２７は、コンテンツループパラメータＪを１に初期化してコンテンツループを開始する。なお、コンテンツループは、高精度リジェクト処理を実行するために用意できる入力データ（コンテンツデータとメタデータ）の数ｊだけ繰り返される。なお、用意できる入力データに対応する高レベル特徴量も、教師データとして用意されているものとする。

ステップＳ１５３において、低レベル特徴量演算部４１は、ステップＳ１５１の処理で取得した最終的な低レベル特徴量抽出式リストにＬ番目の入力データを代入し、その演算結果であるｍ種類の低レベル特徴量を高レベル特徴量演算部４２およびリジェクト領域抽出式学習部４４に出力する。高レベル特徴量演算部４２は、ステップＳ１５１の処理で取得した最終的な高レベル特徴量抽出式に、低レベル特徴量演算部４１から入力されたｍ種類の低レベル特徴量を代入し、その演算結果である高レベル特徴量を２乗誤差演算部４３に出力する。

ステップＳ１５４において、２乗誤差演算部４３は、高レベル特徴量演算部４２から入力された高レベル特徴量と、教師データ（入力データに対応する真の高レベル特徴量）との２乗誤差を演算してリジェクト領域抽出式学習部４４に出力する。この演算結果である２乗誤差が、高レベル特徴量演算部４２において演算される高レベル特徴量抽出式の精度（以下、特徴抽出精度と称する）となる。

ステップＳ１５５において、制御部２７は、コンテンツループパラメータＪが最大値ｊよりも小さいか否かを判定し、コンテンツループパラメータＪが最大値ｊよりも小さい場合、コンテンツループパラメータＪを１だけインクリメントして処理をステップＳ１５３に戻す。反対に、コンテンツループパラメータＪが最大値ｊよりも小さくない場合（コンテンツループパラメータＪが最大値ｊと同値の場合）、コンテンツループを抜けて処理をステップＳ１５６に進める。ステップＳ１５１乃至Ｓ１５５のコンテンツループの処理により、各入力データにそれぞれ対応する、演算によって得られた高レベル特徴量と教師データとの２乗誤差が得られたことになる。

ステップＳ１５６において、リジェクト領域抽出式学習部４４は、低レベル特徴量演算部４１から入力される低レベル特徴量と２乗誤差演算部４３から入力される２乗誤差とに基づく学習により、低レベル特徴量を入力としてそれに基づいて演算される高レベル特徴量の特徴抽出精度を出力とするリジェクト領域抽出式を生成し、生成したリジェクト領域抽出式を特徴量抽出精度演算部４５に供給する。以上で高精度リジェクト処理を終了され、処理は図３８のステップＳ１４２に進められる。

ステップＳ１４２において、低レベル特徴量演算部４１は、高レベル特徴量を取得したい楽曲の入力データを、最終的な低レベル特徴量抽出式リストに代入して低レベル特徴量を演算し、演算結果を高レベル特徴量演算部４２および特徴量抽出精度演算部４５に出力する。

ステップＳ１４３において、特徴量抽出精度演算部４５は、低レベル特徴量演算部４１から入力された低レベル特徴量を、リジェクト領域抽出式学習部４４から供給されたリジェクト領域抽出式に代入して、低レベル特徴量演算部４１から入力される低レベル特徴量に基づいて演算される高レベル特徴量の特徴量抽出精度（すなわち、高レベル特徴量演算部４２で演算される高レベル特徴量に対して推定される２乗誤差）を演算する。

ステップＳ１４４において、特徴量抽出精度演算部４５は、ステップＳ１４３の処理で演算した特徴量抽出精度が所定の閾値以上であるか否かを判定し、演算した特徴量抽出精度が所定の閾値以上であると判定した場合、処理をステップＳ１４５に進める。ステップＳ１４５において、特徴量抽出精度演算部４５は、高レベル特徴量演算部４２に対して高レベル特徴量の演算を実行させる。高レベル特徴量演算部４２は、ステップＳ１４２の処理で低レベル特徴量演算部４１から入力されたｍ種類の低レベル特徴量を、最終的な高レベル特徴量抽出式に代入して高レベル特徴量を演算する。そして、ここで演算された高レベル特徴量が最終的な出力とされる。以上で、高精度高レベル特徴量演算処理が終了される。

なお、ステップＳ１４４において、演算した特徴量抽出精度が所定の閾値よりも小さいと判定された場合、ステップＳ１４５の処理はスキップされて高精度高レベル特徴量演算処理は終了される。

したがって、高精度高レベル特徴量演算処理によれば、高レベル特徴量抽出式により計算される高レベル特徴量の精度を推定することができる。また、高い精度が期待できない高レベル特徴量を演算しないので、無駄な演算を省略することが可能となる。

以上説明したように、本発明の第１の実施の形態である特徴量抽出アルゴリズム生成装置２０による特徴量抽出アルゴリズム学習処理によれば、楽曲データから対応する特徴量を抽出できるアルゴリズムを、高精度で速やかに生成することが可能となるだけでなく、高精度の高レベル特徴量だけを少ない演算量で取得することが可能となる。

次に、本発明の第２の実施の形態である特徴量抽出アルゴリズム生成装置６０について説明する。図４０は特徴量抽出アルゴリズム生成装置６０の構成例を示している。

この特徴量抽出アルゴリズム生成装置６０は、特徴量抽出アルゴリズム生成装置２０における低レベル特徴量抽出式リスト生成部２１および高レベル特徴量抽出式学習部２５を、それぞれ低レベル特徴量抽出式リスト生成部６１または高レベル特徴量抽出式学習部６５に置換したものである。

特徴量抽出アルゴリズム生成装置６０の特徴量抽出アルゴリズム生成装置２０との相違点は、特徴量抽出アルゴリズム生成装置２０の低レベル特徴量抽出式リスト生成部２１が生成する低レベル特徴量抽出式リスト内の式数ｍは定数であることに対し、特徴量抽出アルゴリズム生成装置６０の低レベル特徴量抽出式リスト生成部６１が生成する各低レベル特徴量抽出式リスト内の数ｍはランダムに決定されることである。

また、特徴量抽出アルゴリズム生成装置２０の高レベル特徴量抽出式学習部２５が低レベル特徴量抽出式リスト生成部２１に対するフィードバックとして推定精度および寄与率を出力していたことに対し、特徴量抽出アルゴリズム生成装置６０の高レベル特徴量抽出式学習部６５が低レベル特徴量抽出式リスト生成部６１に対するフィードバックとして評価値および寄与率を出力することである。

特徴量抽出アルゴリズム生成装置６０の低レベル特徴量抽出式リスト生成部６１および高レベル特徴量抽出式学習部６５以外の構成要素については、特徴量抽出アルゴリズム生成装置２０のそれと共通であって同一の符号を付しているので、それらの説明は省略する。

次に、特徴量抽出アルゴリズム生成装置６０の動作について、特徴量抽出アルゴリズム生成装置２０の動作説明に用いた図面を適宜流用して説明する。

まず、特徴量抽出アルゴリズム生成装置６０の基本的な動作である特徴量抽出アルゴリズム生成処理について、図７に示されたフローチャートを流用して説明する。

ステップＳ１において、制御部２７は、学習ループパラメータＧを１に初期化して学習ループを開始する。なお、学習ループは、ユーザなどによって予め設定されている学習回数ｇだけ繰り返される。

ステップＳ２において、低レベル特徴量抽出式リスト生成部６１は、ｎ個の低レベル特徴量抽出式リストを生成して低レベル特徴量演算部２４に出力する。

ステップＳ２の処理（低レベル特徴量抽出式リスト生成処理）について、図９に示されたフローチャートを流用して詳述する。

ステップＳ１１において、低レベル特徴量抽出式リスト生成部６１は、生成する低レベル特徴量抽出式リストが第１世代であるか否かを判定する。なお、この判定では学習ループパラメータＧが０であるとき、生成する低レベル特徴量抽出式リストが第１世代であると判定される。

学習ループパラメータＧが０であることにより、生成する低レベル特徴量抽出式リストが第１世代であると判定された場合、処理はステップＳ１２に進められる。ステップＳ１２において、低レベル特徴量抽出式リスト生成部６１は、第１世代の低レベル特徴量抽出式リストをランダムに生成する。

反対に、ステップＳ１１において、生成する低レベル特徴量抽出式リストが第１世代ではないと判定された場合、処理はステップＳ１３に進められる。ステップＳ１３において、低レベル特徴量抽出式リスト生成部６１は、次世代の低レベル特徴量抽出式リストを、１世代前の低レベル特徴量抽出式リストに基づいて遺伝的アルゴリズムによりジェネティック(Genetic)に生成する。

ステップＳ１２における、低レベル特徴量抽出式リスト生成部６１による第１世代リストランダム生成処理について、図４１のフローチャートを参照して詳述する。

ステップＳ１７１において、制御部２７は、リストループパラメータＮを１に初期化してリストループを開始する。なお、リストループは、予め設定されているリスト数ｎだけ繰り返される。

ステップＳ１７２において、低レベル特徴量抽出式リスト生成部６１は、生成する第１世代の第Ｎ番目の低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式の式数ｍをランダムに決定する。

ステップＳ１７３において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、１個の低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式の式数ｍだけ繰り返される。

ステップＳ１７４において、低レベル特徴量抽出式リスト生成部６１は、生成する第１世代の第Ｎ番目の低レベル特徴量抽出式リスト（以下、リストＮとも記述する）の第Ｍ本目の低レベル特徴量抽出式（以下、低レベル特徴量抽出式Ｍとも記述する）の入力データをランダムに決定する。

ステップＳ１７５において、低レベル特徴量抽出式リスト生成部６１は、生成するリストＮの低レベル特徴量抽出式Ｍの処理対称軸とパラメータをランダムに１つ決定する。

ステップＳ１７６において、低レベル特徴量抽出式リスト生成部６１は、現時点までに生成されているリストＮの低レベル特徴量抽出式Ｍの演算結果がスカラ（１次元）であるか、または次元数が所定の値（例えば、１または２程度の小さい数）以下であるか否かを判定し、否と判定した場合、ステップＳ１７５の処理に戻ってオペレータを１つ追加する。そして、ステップＳ１７５およびＳ１７６の処理が繰り返されることにより、図１６に示すように演算結果の保有次元数が減少していき、ステップＳ１７６において、リストＮの低レベル特徴量抽出式Ｍの演算結果がスカラであるか、あるいはは次元数が所定の値（例えば、１または２程度の小さい数）以下であると判定された場合、処理はステップＳ１７７に進められる。

ステップＳ１７７において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ１７４に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ１７８に進める。ステップＳ１７３乃至Ｓ１７７の処理により、第１世代の第Ｎ番目の低レベル特徴量抽出式リストが生成されたことになる。

ステップＳ１７８において、制御部２７は、リストループパラメータＮが最大値ｎよりも小さいか否かを判定し、リストループパラメータＮが最大値ｎよりも小さい場合、リストループパラメータＮを１だけインクリメントして処理をステップＳ１７２に戻す。反対に、リストループパラメータＮが最大値ｎよりも小さくない場合（リストループパラメータＮが最大値ｎと同値の場合）、リストループを抜けて第１世代リストランダム生成処理を終了する。ここまでの処理により、第１世代のそれぞれ構成する低レベル特徴量抽出式の式数ｍが共通ではないｎ個の低レベル特徴量抽出式リストが生成されたことになる。

次に、低レベル特徴量抽出式リスト生成部６１による、図９のステップＳ１３における第２世代以降の低レベル特徴量抽出式リストを生成する処理（次世代リストジェネティック生成処理）について、図１７を流用して説明する。

ステップＳ３１において、低レベル特徴量抽出式リスト生成部６１は、生成する低レベル特徴量抽出式リストの個数ｎのうち、遺伝的アルゴリズムの選択を適用するリスト数を示す選択数ｎｓ、遺伝的アルゴリズムの交差を適用するリスト数を示す交差数ｎｘ、遺伝的アルゴリズムの突然変異を適用するリスト数を示す突然変異数ｎｍをランダムに決定する。ただし、選択数ｎｓ、交差数ｎｘ、突然変異数ｎｍの総和はｎである。なお、選択数ｎｓ、交差数ｎｘ、突然変異数ｎｍは予め設定した定数を採用してもよい。

ステップＳ３２において、低レベル特徴量抽出式リスト生成部６１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した選択数ｎｓの低レベル特徴量抽出式リストを用いて、ｎｓ個の低レベル特徴量抽出式リストを生成する。ステップＳ３３において、低レベル特徴量抽出式リスト生成部６１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した交差数ｎｘの低レベル特徴量抽出式リストを用いて、ｎｘ個の低レベル特徴量抽出式リストを生成する。ステップＳ３４において、低レベル特徴量抽出式リスト生成部６１は、１世代前のｎ個の低レベル特徴量抽出式リストのうち、決定した突然変異数ｎｍの低レベル特徴量抽出式リストを用いて、ｎｍ個の低レベル特徴量抽出式リストを生成する。

ステップＳ３２乃至Ｓ３４の処理について詳述する。

低レベル特徴量抽出式リスト生成部６１による、ステップＳ３２の選択生成処理について、図４２のフローチャートを参照して詳述する。この選択生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの選択数ｎｓ個の低レベル特徴量抽出式リストが生成される。

ステップＳ１８１において、低レベル特徴量抽出式リスト生成部６１は、１世代前のｎ個の低レベル特徴量抽出式リストを、高レベル特徴量抽出式学習部６５から入力された高レベル特徴量抽出式の評価値の平均値が高い順に並び替える。そして、ステップＳ１８２において、低レベル特徴量抽出式リスト生成部６１は、並び替えた１世代前のｎ個の低レベル特徴量抽出式リストのうち、上位ｎｓ個を次世代の低レベル特徴量抽出式リストとして採用する。以上で選択生成処理は終了される。

低レベル特徴量抽出式リスト生成部６１による、図１７のステップＳ３３の交差生成処理について、図４３のフローチャートを参照して詳述する。この交差生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの交差数ｎｘ個の低レベル特徴量抽出式リストが生成される。

ステップＳ１９１において、制御部２７は、交差ループパラメータＮＸを１に初期化して交差ループを開始する。なお、交差ループは、交差数ｎｘだけ繰り返される。

ステップＳ１９２において、低レベル特徴量抽出式リスト生成部６１は、前世代の低レベル特徴量抽出式リストから、高レベル特徴量抽出式学習部６５の出力した高レベル特徴量抽出式の評価値の平均値が高い方のものから順に優先的に選択されるよう重み付けをした後、ランダムに２個の低レベル特徴量抽出式リストＡ，Ｂを選択する。なお、ここでの選択は、上述した選択生成処理で選択されたｎｓ個の低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。

ステップＳ１９３において、低レベル特徴量抽出式リスト生成部６１は、以下の式ループによって生成する低レベル特徴量抽出式リストの式数ｍを次式の範囲でランダムに決定する。
ｍ＝（（リストＡの式数＋リストＢの式数）／２）±ｍｒ
ｍｒは予め決定されている値

ステップＳ１９４において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、ステップＳ１９３の処理でランダムに決定された式数ｍだけ繰り返される。

ステップＳ１９５において、低レベル特徴量抽出式リスト生成部６１は、低レベル特徴量抽出式リストＡ，Ｂに含まれる全ての低レベル特徴量抽出式から、高レベル特徴量抽出式学習部６５から入力された高レベル特徴量抽出式における寄与率が高い方のものが優先的に選択されるように重み付けをした後、ランダムに１本の低レベル特徴量抽出式を選択して次世代の低レベル特徴量抽出式リストに追加する。

ステップＳ１９６において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ１９５に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ１９７に進める。式ループであるステップＳ１９４乃至Ｓ１９６の処理により、１個の低レベル特徴量抽出式リストが生成されたことになる。

ステップＳ１９７において、制御部２７は、交差ループパラメータＮＸが最大値ｎｘよりも小さいか否かを判定し、交差ループパラメータＮＸが最大値ｎｘよりも小さい場合、交差ループパラメータＮＸを１だけインクリメントして処理をステップＳ１９２に戻す。反対に、交差ループパラメータＮＸが最大値ｎｘよりも小さくない場合（交差ループパラメータＮＸが最大値ｎｘと同値の場合）、交差ループを抜けて交差生成処理を終了する。この交差ループの処理により、次世代の交差数ｎｘ個の低レベル特徴量抽出式リストが生成されたことになる。

低レベル特徴量抽出式リスト生成部６１による、図１７のステップＳ３４の突然変異生成処理について、図４４のフローチャートを参照して詳述する。この突然変異生成処理では、次世代のｎ個の低レベル特徴量抽出式リストのうちの突然変異数ｎｍ個の低レベル特徴量抽出式リストが生成される。

ステップＳ２０１において、制御部２７は、突然変異ループパラメータＮＭを１に初期化して突然変異ループを開始する。なお、突然変異ループは、突然変異数ｎｍだけ繰り返される。

ステップＳ２０２において、低レベル特徴量抽出式リスト生成部６１は、前世代の低レベル特徴量抽出式リストから、高レベル特徴量抽出式学習部６５の出力した高レベル特徴量抽出式の評価値の平均値が高い方のものが優先的に選択されるように重み付けをした後、ランダムに１個の低レベル特徴量抽出式リストＡを選択する。なお、ここでの選択は、上述した選択生成処理で選択されたｎｓ個の低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。また、上述した交差生成処理のステップＳ１９２の処理で選択された低レベル特徴量抽出式リストを選択候補から除外してもよいし、選択候補に残しておいてもよい。

ステップＳ２０３において、低レベル特徴量抽出式リスト生成部６１は、以下の式ループによって生成する低レベル特徴量抽出式リストの式数ｍをランダムに決定する。

ステップＳ２０３において、低レベル特徴量抽出式リスト生成部６１は、以下の式ループによって生成する低レベル特徴量抽出式リストの式数ｍを次式の範囲でランダムに決定する。
ｍ＝リストＡの式数±ｍｒ
ｍｒは予め決定されている値

ステップＳ２０４において、制御部２７は、式ループパラメータＭを１に初期化して式ループを開始する。なお、式ループは、ステップＳ２０３の処理でランダムに決定された式数ｍだけ繰り返される。

ステップＳ２０５において、低レベル特徴量抽出式リスト生成部６１は、低レベル特徴量抽出式リストＡに含まれる全ての低レベル特徴量抽出式のうち、Ｍ番目のものに注目して、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が、低レベル特徴量抽出式リストＡに含まれる他の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率に比較して低いか否かを判定する。具体的には、例えば低レベル特徴量抽出式リストＡに含まれる全ての低レベル特徴量抽出式のうち、演算結果である低レベル特徴量の寄与率が低い方の所定の順番までに属するか否かを判定する。

ステップＳ２０５において、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が他よりも低いと判定された場合、処理はステップＳ２０６に進められ、低レベル特徴量抽出式リスト生成部６１は、Ｍ番目の低レベル特徴量抽出式をランダムに変形して（突然変異させて）次世代の低レベル特徴量抽出式リストに追加する。

反対に、ステップＳ２０５において、Ｍ番目の低レベル特徴量抽出式の演算結果である低レベル特徴量の寄与率が他よりも低くないと判定された場合、処理はステップＳ２０７に進められ、低レベル特徴量抽出式リスト生成部６１は、Ｍ番目の低レベル特徴量抽出式を突然変異させることなく、そのまま次世代の低レベル特徴量抽出式リストに追加する。

なお、ランダムに決定された式数ｍが低レベル特徴量抽出式リストＡを構成する低レベル特徴量抽出式の式数よりも大きい場合、式ループパラメータＭが低レベル特徴量抽出式リストＡを構成する低レベル特徴量抽出式の式数よりも大きくなった時点でステップＳ２０５における判定を省略し、ランダムに低レベル特徴量抽出式を新規に生成して次世代の低レベル特徴量抽出式リストに追加するようにする。

ステップＳ２０８において、制御部２７は、式ループパラメータＭが最大値ｍよりも小さいか否かを判定し、式ループパラメータＭが最大値ｍよりも小さい場合、式ループパラメータＭを１だけインクリメントして処理をステップＳ２０５に戻す。反対に、式ループパラメータＭが最大値ｍよりも小さくない場合（式ループパラメータＭが最大値ｍと同値の場合）、式ループを抜けて処理をステップＳ２０９に進める。

ステップＳ２０３乃至Ｓ２０８の処理により、低レベル特徴量抽出式リストが１個生成されたことになる。

ステップＳ２０９において、制御部２７は、突然変異ループパラメータＮＭが最大値ｎｍよりも小さいか否かを判定し、突然変異ループパラメータＮＭが最大値ｎｍよりも小さい場合、突然変異ループパラメータＮＭを１だけインクリメントして処理をステップＳ２０２に戻す。反対に、突然変異ループパラメータＮＭが最大値ｎｍよりも小さくない場合（突然変異ループパラメータＮＭが最大値ｎｍと同値の場合）、突然変異ループを抜けて突然変異生成処理を終了する。ここまでの処理により、突然変異数ｎｍ個の低レベル特徴量抽出式リストが生成されたことになる。

以上説明した低レベル特徴量抽出式リスト生成部６１による次世代リストジェネティック生成処理によれば、１世代前の低レベル特徴量抽出式リストに対応する評価値が高いもの、低レベル特徴量抽出式に対応する寄与率が高いものは次世代に継承され、評価値や寄与率が低いものは次世代に継承されず淘汰されることになる。したがって、世代が進むに連れて、低レベル特徴量抽出式リストに対応する評価値は向上し、低レベル特徴量抽出式に対応する寄与率も向上することが期待できる。

図７に戻る。以上のようにして生成された次世代の低レベル特徴量抽出式リストは、低レベル特徴量抽出式リスト生成部６１から低レベル特徴量演算部２４に出力される。ステップＳ３において、低レベル特徴量演算部２４は、低レベル特徴量抽出式リスト生成部６１から入力されたｎ個の低レベル特徴量抽出式リストそれぞれに楽曲Ｃ１乃至Ｃｊのｊ曲分の入力データ（コンテンツデータやメタデータ）を代入して低レベル特徴量を演算する。そして、演算結果として得られたｎ組の低レベル特徴量組を高レベル特徴量抽出式学習部６５に出力する。

ステップＳ４において、高レベル特徴量抽出式学習部６５は、低レベル特徴量演算部２４から入力されたｎ組の低レベル特徴量組と、対応する教師データに基づいて、ｋ種類の高レベル特徴量抽出式から成る高レベル特徴量抽出式組をｎ組、学習によって推定する（生成する）。また、各高レベル特徴量抽出式の評価値と各高レベル特徴量抽出式における各低レベル特徴量の寄与率を算出して低レベル特徴量抽出式リスト生成部６１に出力する。

高レベル特徴量抽出式学習部６５による、ステップＳ４における高レベル特徴量抽出式学習処理について、図４５のフローチャートを参照して詳述する。

ステップＳ２１１において、制御部２７は、リストループパラメータＮを１に初期化してリストループを開始する。なお、リストループは、予め設定されているリスト数ｎだけ繰り返される。ステップＳ２１２において、制御部２７は、教師データループパラメータＫを１に初期化して教師データループを開始する。なお、教師データループは、予め設定されている教師データの種類数ｋだけ繰り返される。

ステップＳ２１３において、制御部２７は、アルゴリズムループパラメータＡを１に初期化してアルゴリズムループを開始する。なお、アルゴリズムループは、適用される学習アルゴリズムの種類数ａだけ繰り返される。適用するアルゴリズムの例については、上述した特徴量抽出アルゴリズム生成装置２０の動作説明と同様である。

ステップＳ２１４において、制御部２７は、クロスバリデーションループパラメータＣを１に初期化してクロスバリデーションループを開始する。なお、クロスバリデーションループは、予め設定されているクロスバリデーション回数ｃだけ繰り返される。

ステップＳ２１５において、高レベル特徴量抽出式学習部６５は、ｋ種類の教師データのうち、Ｋ番目の種類のｊ曲分の教師データ（真の高レベル特徴量）をランダムに学習用と評価用に２分割する（クロスバリデーション）。以下、教師データのうち、学習用に分類されたものを学習用データ、評価用に分類されたものを評価用データと記述する。

ステップＳ２１６において、高レベル特徴量抽出式学習部６５は、Ｎ番目の低レベル特徴量抽出式リストを用いて演算された複数の低レベル特徴量から成る低レベル特徴量組と学習用データとをａ番目の学習アルゴリズムに適用して高レベル特徴量抽出式を学習により推定する。

なお、この学習に際しては、高レベル特徴量抽出式学習部２５と異なり、Ｎ番目の低レベル特徴量抽出式リストを用いて演算された全ての低レベル特徴量（以下、低レベル特徴量組と記述する）を使用する。これにより高レベル特徴量抽出式の評価値は、元の低レベル特徴量の数が十分であるか否かの評価も考慮した値となる。

高レベル特徴量抽出式学習部６５による、ステップＳ２１６の学習アルゴリズムに基づく学習処理について、図４６を参照して説明する。

ステップＳ２３１において、高レベル特徴量抽出式学習部６５は、低レベル特徴量組と、教師データのうちの学習用データとを用い、Ａ番目の学習アルゴリズムに適用して高レベル特徴量抽出式を学習により推定する。

ステップＳ２３２において、高レベル特徴量抽出式学習部６５は、ステップＳ２３２の処理結果として得られた高レベル特徴量の評価値として、情報量基準AICまたはBICを演算する。以上で、学習アルゴリズムに基づく学習処理は終了される。

図４５に戻る。ステップＳ２１７において、高レベル特徴量抽出式学習部６５は、ステップＳ２１６の処理で得た高レベル特徴量抽出式を、評価用データを用いて評価する。具体的には、得られた高レベル特徴量抽出式を用いて高レベル特徴量を演算し、評価用データとの２乗誤差を算出する。

ステップＳ２１８において、制御部２７は、クロスバリデーションループパラメータＣが最大値ｃよりも小さいか否かを判定し、クロスバリデーションループパラメータＣが最大値ｃよりも小さい場合、クロスバリデーションループパラメータＣを１だけインクリメントして処理をステップＳ２１５に戻す。反対に、クロスバリデーションループパラメータＣが最大値ｃよりも小さくない場合（クロスバリデーションループパラメータＣが最大値ｃと同値の場合）、クロスバリデーションループを抜けて処理をステップＳ２１９に進める。ステップＳ２１４乃至Ｓ２１８のクロスバリデーションループの処理により、ｃ本の学習結果、すなわち、高レベル特徴量抽出式が得られたことになる。なお、クロスバリデーションループにより、学習用データと評価用データがランダムに変換されるので、高レベル特徴量抽出式が過学習されていないことを確認することができる。

ステップＳ２１９において、高レベル特徴量抽出式学習部６５は、クロスバリデーションループによって得られたｃ本の学習結果、すなわち、高レベル特徴量抽出式のうち、ステップＳ２１７の処理における評価が最も高いものを選択する。

ステップＳ２２０において、制御部２７は、アルゴリズムループパラメータＡが最大値ａよりも小さいか否かを判定し、アルゴリズムループパラメータＡが最大値ａよりも小さい場合、アルゴリズムループパラメータＡを１だけインクリメントして処理をステップＳ２１４に戻す。反対に、アルゴリズムループパラメータＡが最大値ａよりも小さくない場合（アルゴリズムループパラメータＡが最大値ａと同値の場合）、アルゴリズムループを抜けて処理をステップＳ２２１に進める。ステップＳ２１３乃至Ｓ２２０のアルゴリズムループの処理により、ａ種類の学習アルゴリズムによって学習されたＫ番目の種類の高レベル特徴量抽出式がａ本得られたことになる。

ステップＳ２２１において、高レベル特徴量抽出式学習部６５は、アルゴリズムループによって得られたａ本の学習結果、すなわち、高レベル特徴量抽出式のうち、ステップＳ２１７の処理における評価が最も高いものを選択する。

ステップＳ２２２において、制御部２７は、教師データループパラメータＫが最大値ｋよりも小さいか否かを判定し、教師データループパラメータＫが最大値ｋよりも小さい場合、教師データループパラメータＫを１だけインクリメントして処理をステップＳ２１３に戻す。反対に、教師データループパラメータＫが最大値ｋよりも小さくない場合（教師データループパラメータＫが最大値ｋと同値の場合）、教師データループを抜けて処理をステップＳ２２３に進める。ステップＳ２１２乃至Ｓ２２２の教師データループの処理により、Ｎ番目の低レベル特徴量抽出式リストに対応する、ｋ種類の高レベル特徴量抽出式が得られたことになる。

ステップＳ２２３において、制御部２７は、リストループパラメータＮが最大値ｎよりも小さいか否かを判定し、リストループパラメータＮが最大値ｎよりも小さい場合、リストループパラメータＮを１だけインクリメントして処理をステップＳ２１２に戻す。反対に、リストループパラメータＮが最大値ｎよりも小さくない場合（リストループパラメータＮが最大値ｎと同値の場合）、リストループを抜けて処理をステップＳ２２４に進める。ステップＳ２１１乃至Ｓ２２３のリストループの処理により、ｎ個の低レベル特徴量抽出式リストにそれぞれ対応する、ｋ種類の高レベル特徴量抽出式が得られたことになる。

ステップＳ２２４において、高レベル特徴量抽出式学習部６５は、得られたｎ個の低レベル特徴量抽出式リストにそれぞれ対応する、ｋ種類の高レベル特徴量抽出式における各低レベル特徴量の寄与率を算出し、ステップＳ２１７の処理で計算した高レベル特徴量抽出式の評価値とともに低レベル特徴量抽出式リスト生成部６１に出力する。以上で、高レベル特徴量抽出式学習処理が終了される。

図７に戻る。ステップＳ５において、制御部２７は、学習ループパラメータＧが最大値ｇよりも小さいか否かを判定し、学習ループパラメータＧが最大値ｇよりも小さい場合、学習ループパラメータＧを１だけインクリメントして処理をステップＳ２に戻す。反対に、学習ループパラメータＧが最大値ｇよりも小さくない場合（学習ループパラメータＧが最大値ｇと同値の場合）、学習ループを抜けて処理をステップＳ６に進める。なお、ステップＳ１乃至Ｓ５の学習ルールが特徴量抽出アルゴリズムの学習過程であり、これ以降のステップＳ６は、特徴量抽出アルゴリズムを用いた高レベル特徴量の演算のための処理である。

ステップＳ６において、高レベル特徴量抽出式学習部６５は、学習によって得られた最終世代のｎ組の低レベル特徴量抽出式リストのうち、得られた高レベル特徴量の平均評価値が最も高かった低レベル特徴量抽出式リストを構成する低レベル特徴量抽出式と、これに対応するｋ種類の高レベル特徴量抽出式を高レベル特徴量演算部２６に供給する。

ステップＳ７において、高レベル特徴量演算部２６は、高レベル特徴量抽出式学習部６５から供給された低レベル特徴量抽出式および高レベル特徴量抽出式のうち、最後に高レベル特徴量抽出式学習部６５から供給された低レベル特徴量抽出式および高レベル特徴量抽出式を用いて高レベル特徴量を高精度に演算する。なお、このステップＳ７における高精度高レベル特徴量演算処理については、上述した特徴量抽出アルゴリズム生成装置２０の動作と同様であるので、その説明は省略する。

以上、特徴量抽出アルゴリズム生成装置６０による特徴量抽出アルゴリズム生成処理の説明を終了する。

以上説明したように、本発明の第２の実施の形態である特徴量抽出アルゴリズム生成装置６０による特徴量抽出アルゴリズム学習処理によれば、楽曲データから対応する特徴量を抽出できるアルゴリズムを、高精度で速やかに生成することが可能となるだけでなく、高精度の高レベル特徴量だけを少ない演算量で取得することが可能となる。

特に、低レベル特徴量抽出式リストを構成する式数ｍをランダムに決定しているので、特徴量抽出アルゴリズム生成装置２０による特徴量抽出アルゴリズム学習処理に比較して、低レベル特徴量の数が無駄に多過ぎて処理が重くなったり、精度が十分に出なくなったりすることを抑止し、結果としてより高い精度を得ることができる。

なお、本発明は、楽曲の高レベル特徴量を取得する場合だけでなく、映像データなどあらゆる種類のコンテンツデータの高レベル特徴量を取得する場合に適用することが可能である。

ところで、上述した一連の処理は、ハードウェアにより実行させることもできるが、ソフトウェアにより実行させることもできる。一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば図４７に示すように構成された汎用のパーソナルコンピュータなどに、記録媒体からインストールされる。

このパーソナルコンピュータ１００は、CPU(Central Processing Unit)１０１を内蔵している。CPU１０１にはバス１０４を介して、入出力インタフェース１０５が接続されている。バス１０４には、ROM(Read Only Memory)１０２およびRAM(Random Access Memory)１０３が接続されている。

入出力インタフェース１０５には、ユーザが操作コマンドを入力するキーボード、マウス等の入力デバイスよりなる入力部１０６、操作画面などを表示するCRT(Cathode Ray Tube)またはLCD(Liquid Crystal Display)等のディスプレイよりなる出力部１０７、プログラムや各種データを格納するハードディスクドライブなどよりなる記憶部１０８、およびモデム、LAN(Local Area Network)アダプタなどよりなり、インタネットに代表されるネットワークを介した通信処理を実行する通信部１０９が接続されている。また、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory)、DVD(Digital Versatile Disc)を含む）、光磁気ディスク（ＭＤ(Mini Disc)を含む）、もしくは半導体メモリなどの記録媒体１１１に対してデータを読み書きするドライブ１１０が接続されている。

このパーソナルコンピュータ１００に上述した一連の処理を実行させるプログラムは、記録媒体１１１に格納された状態でパーソナルコンピュータ１００に供給され、ドライブ１１０によって読み出されて記憶部１０８に内蔵されるハードディスクドライブにインストールされている。記憶部１０８にインストールされているプログラムは、入力部１０６に入力されるユーザからのコマンドに対応するCPU１０１の指令によって、記憶部１０８からRAM１０３にロードされて実行される。

なお、本明細書において、プログラムに基づいて実行されるステップは、記載された順序に従って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

また、プログラムは、１台のコンピュータにより処理されるものであってもよいし、複数のコンピュータによって分散処理されるものであってもよい。さらに、プログラムは、遠方のコンピュータに転送されて実行されるものであってもよい。

また、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。

なお、本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

従来の特徴量抽出アルゴリズムを説明するための図である。 本発明を適用した特徴量抽出アルゴリズム生成装置によって生成される特徴量抽出アルゴリズムの概要を示す図である。 低レベル特徴量抽出式の例を示す図である。 高レベル特徴量抽出式の例を示ず図である。 本発明を適用した特徴量抽出アルゴリズム生成装置の第１の構成例を示すブロック図である。 特徴量抽出アルゴリズム生成装置を構成する高レベル特徴量演算部の構成例を示すブロック図である。 特徴量抽出アルゴリズム学習処理を説明するフローチャートである。 低レベル特徴量抽出式リストの例を示す図である。 低レベル特徴量抽出式リスト生成処理を説明するフローチャートである。 図５の低レベル特徴量抽出式リスト生成部による第１世代リストランダム生成処理を説明するフローチャートである。 低レベル特徴量抽出式の記述方法を示す図である。 入力データの例を列記した図である。 入力データWavを説明する図である。 入力データChordを説明する図である。 入力データKeyを説明する図である。 低レベル特徴量抽出式の保有次元を説明する図である。 次世代リストジェネティック生成処理を説明するフローチャートである。 図５の低レベル特徴量抽出式リスト生成部による選択生成処理を説明するフローチャートである。 図５の低レベル特徴量抽出式リスト生成部による交差生成処理を説明するフローチャートである。 図５の低レベル特徴量抽出式リスト生成部による突然変異生成処理を説明するフローチャートである。 オペレータMeanの演算を説明するための図である。 低レベル特徴量演算部の処理を説明するための図である。 教師データの例を示す図である。 図５の高レベル特徴量抽出式学習部による高レベル特徴量抽出式学習処理を説明するフローチャートである。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 学習アルゴリズムの例を説明するための図である。 図５の高レベル特徴量抽出式学習部による学習アルゴリズムに基づく学習処理を説明するフローチャートである。 オペレータの組み合わせの例を示す図である。 オペレータの組み合わせの例を示す図である。 新規オペレータ生成処理を説明するフローチャートである。 高精度高レベル特徴量演算処理を説明するフローチャートである。 高精度リジェクト処理を説明するフローチャートである。 本発明を適用した特徴量抽出アルゴリズム生成装置の第２の構成例を示すブロック図である。 図４０の低レベル特徴量抽出式リスト生成部による第１世代リストランダム生成処理を説明するフローチャートである。 図４０の低レベル特徴量抽出式リスト生成部による選択生成処理を説明するフローチャートである。 図４０の低レベル特徴量抽出式リスト生成部による交差生成処理を説明するフローチャートである。 図４０の低レベル特徴量抽出式リスト生成部による突然変異生成処理を説明するフローチャートである。 図４０の高レベル特徴量抽出式学習部による高レベル特徴量抽出式学習処理を説明するフローチャートである。 図５の高レベル特徴量抽出式学習部による学習アルゴリズムに基づく学習処理を説明するフローチャートである。 汎用パーソナルコンピュータの構成例を示すブロック図である。

符号の説明

２０ 特徴量抽出アルゴリズム生成装置， ２１ 低レベル特徴量抽出式リスト生成部， ２２ オペレータ組検出部， ２３ オペレータ生成部， ２４ 低レベル特徴量演算部， ２５ 高レベル特徴量抽出式学習部， ２６ 高レベル特徴量演算部，２７ 制御部， ４１ 低レベル特徴量演算部， ４２ 高レベル特徴量演算部， ４３ ２乗誤差演算部， ４４ リジェクト領域抽出式学習部， ４５ 特徴量抽出精度演算部， ６０ 特徴量抽出アルゴリズム生成装置， ６１ 低レベル特徴量抽出式リスト生成部， ６２ 高レベル特徴量演算部， １００ パーソナルコンピュータ， １０１ CPU， １１１ 記録媒体

Claims (9)

1. コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置において、
   前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成する低レベル特徴量抽出式リスト生成手段と、
   低レベル特徴量抽出式リスト生成手段によって生成された前記式リストを用いて前記低レベル特徴量を演算する演算手段と、
   前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、前記演算手段によって演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する高レベル特徴量抽出式生成手段と
   を含む情報処理装置。
2. 前記高レベル特徴量抽出式生成手段は、生成した前記高レベル特徴量抽出式の精度、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方を算出し、
   前記低レベル特徴量抽出式リスト生成手段は、前記高レベル特徴量抽出式生成手段により算出された前記高レベル特徴量抽出式の精度、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方に基づき、前記低レベル特徴量抽出式リストを構成する前記低レベル特徴量抽出式を更新する
   請求項１に記載の情報処理装置。
3. 前記低レベル特徴量抽出式リスト生成手段は、第１世代の前記式リストをランダムに生成する
   請求項１に記載の情報処理装置。
4. 前記低レベル特徴量抽出式リスト生成手段は、次世代の前記式リストを前世代の前記式リストに基づく遺伝的アルゴリズムにより選択処理、交差処理、または突然変異処理の少なくとも１つによって生成する
   請求項１に記載の情報処理装置。
5. 前記低レベル特徴量抽出式リスト生成手段は、予め設定された定数の低レベル特徴量抽出式から構成される次世代の式リストを生成する
   請求項１に記載の情報処理装置。
6. 前記低レベル特徴量抽出式リスト生成手段は、前記リストを生成する度にランダムに決定する数の低レベル特徴量抽出式から構成される次世代の式リストを生成する
   請求項１に記載の情報処理装置。
7. 前記高レベル特徴量抽出式生成手段は、生成した前記高レベル特徴量抽出式の評価値、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方を算出し、
   前記低レベル特徴量抽出式リスト生成手段は、前記高レベル特徴量抽出式生成手段により算出された前記高レベル特徴量抽出式の評価値、または前記高レベル特徴量抽出式における前記低レベル特徴量の寄与率の少なくとも一方に基づき、前記低レベル特徴量抽出式リストを構成する前記低レベル特徴量抽出式を更新する
   請求項６に記載の情報処理装置。
8. コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置の情報処理方法において、
   前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成し、
   生成された前記式リストを用いて前記低レベル特徴量を演算し、
   前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する
   ステップを含む情報処理方法。
9. コンテンツデータの特徴量を検出するための特徴量検出アルゴリズムを生成する情報処理装置の制御用のプログラムであって、
   前記コンテンツデータまたは前記コンテンツデータに対応するメタデータを入力として低レベル特徴量を出力する複数の低レベル特徴量抽出式から構成される次世代の式リストを、前世代の前記式リストに基づく学習によって生成し、
   生成された前記式リストを用いて前記低レベル特徴量を演算し、
   前記コンテンツデータに対応する予め用意された真の高レベル特徴量を教師データとした学習により、演算された前記低レベル特徴量を入力として前記コンテンツデータの特徴を示す高レベル特徴量を出力する高レベル特徴量抽出式を生成する
   ステップを含む処理をコンピュータに実行させるプログラム。

Images