JP2019149058A - Information processing device, information processing method, and information processing program - Google Patents
Information processing device, information processing method, and information processing program Download PDFInfo
- Publication number
- JP2019149058A JP2019149058A JP2018033937A JP2018033937A JP2019149058A JP 2019149058 A JP2019149058 A JP 2019149058A JP 2018033937 A JP2018033937 A JP 2018033937A JP 2018033937 A JP2018033937 A JP 2018033937A JP 2019149058 A JP2019149058 A JP 2019149058A
- Authority
- JP
- Japan
- Prior art keywords
- information
- information processing
- processing apparatus
- individual
- node
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 368
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims description 271
- 230000008569 process Effects 0.000 abstract description 39
- 239000000284 extract Substances 0.000 description 46
- 238000012545 processing Methods 0.000 description 35
- 210000002569 neuron Anatomy 0.000 description 31
- 238000010586 diagram Methods 0.000 description 22
- 101100002669 Arabidopsis thaliana ADT1 gene Proteins 0.000 description 12
- 101100002673 Arabidopsis thaliana ADT3 gene Proteins 0.000 description 12
- 101100463170 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pdt1 gene Proteins 0.000 description 12
- 101100002671 Arabidopsis thaliana ADT2 gene Proteins 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 101001111655 Homo sapiens Retinol dehydrogenase 11 Proteins 0.000 description 5
- 102100023916 Retinol dehydrogenase 11 Human genes 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 101000801088 Homo sapiens Transmembrane protein 201 Proteins 0.000 description 2
- 101001136140 Pinus strobus Putative oxygen-evolving enhancer protein 2 Proteins 0.000 description 2
- 102100032830 Tetraspanin-9 Human genes 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101000927793 Homo sapiens Neuroepithelial cell-transforming gene 1 protein Proteins 0.000 description 1
- 101001124937 Homo sapiens Pre-mRNA-splicing factor 38B Proteins 0.000 description 1
- 101000631937 Homo sapiens Sodium- and chloride-dependent glycine transporter 2 Proteins 0.000 description 1
- 101000639975 Homo sapiens Sodium-dependent noradrenaline transporter Proteins 0.000 description 1
- 102100028886 Sodium- and chloride-dependent glycine transporter 2 Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and an information processing program.
従来、種々の情報の同一性等の対応関係を判定する技術が提供されている。例えば、線形変換を用いて、当該対応が物体上に存在する領域同士の対応であるような有効な対応であるか否かを判定し、有効な対応の数に基づいて、第一の画像と第二の画像に写る物体の同一性を判定する技術が提供されている。 2. Description of the Related Art Conventionally, a technique for determining a correspondence relationship such as identity of various information has been provided. For example, using linear transformation, it is determined whether the correspondence is an effective correspondence such as a correspondence between regions existing on the object, and based on the number of effective correspondences, the first image and A technique for determining the identity of an object appearing in a second image is provided.
しかしながら、上記の従来技術では、所望の人物(個人)に対する処理を適切に行うことを可能にすることが難しい場合がある。例えば、第一の画像と第二の画像に写る物体の同一性を判定する場合、比較する2つの画像を特定する必要がある。例えば、第一の画像が入館ゲート等において撮像された個人(ユーザ)の画像である場合、例えば登録された多くの画像から第一の画像と対比する第二の画像を特定(抽出)し、判定する必要がある。このような場合、第二の画像として適切な画像が特定されない場合があり、所望の人物(個人)に対する処理を適切に行うことが難しい場合がある。 However, in the above-described conventional technology, it may be difficult to appropriately perform processing for a desired person (individual). For example, when determining the identity of an object appearing in a first image and a second image, it is necessary to specify two images to be compared. For example, when the first image is an image of an individual (user) captured at an entrance gate or the like, for example, a second image to be compared with the first image is identified (extracted) from many registered images, It is necessary to judge. In such a case, an appropriate image may not be specified as the second image, and it may be difficult to appropriately perform processing for a desired person (individual).
本願は、上記に鑑みてなされたものであって、所望の人物(個人)に対する処理を適切に行うことを可能にする情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide an information processing apparatus, an information processing method, and an information processing program that can appropriately perform processing on a desired person (individual). To do.
本願に係る情報処理装置は、複数の個人の各々に対応する複数のノードが、前記複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する取得部と、前記取得部により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記一の個人が前記複数の個人に含まれるかどうかを判定する検索部と、を備えたことを特徴とする。 An information processing apparatus according to the present application includes: a graph unit in which a plurality of nodes corresponding to each of a plurality of individuals are linked according to the similarity of the plurality of individuals; and an acquisition unit that acquires personal information about one individual; Searching for the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring unit. And a search unit for determining whether or not the one individual is included in the plurality of individuals.
実施形態の一態様によれば、所望の人物(個人)に対する処理を適切に行うことを可能にすることができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that processing for a desired person (individual) can be appropriately performed.
以下に、本願に係る情報処理装置、情報処理方法、及び情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, an information processing apparatus, an information processing method, and an information processing program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by this embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.
(実施形態)
〔1.情報処理〕
図1を用いて、実施形態に係る情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。図1では、情報処理装置100が複数の個人をグラフ構造化したグラフデータ(グラフ情報)を検索することにより、一の個人がグラフ情報(複数の個人)に含まれるかどうかを判定する場合を示す。例えば、個人とは、一人の人であるものとする。図1では、情報処理装置100は、各個人に対応するベクトルデータ(「ベクトル情報」や、単に「ベクトル」ともいう)を用いて個人をグラフ構造化したグラフ情報を用いる場合を一例として説明する。
(Embodiment)
[1. Information processing)
An example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. In FIG. 1, the
なお、情報処理装置100が用いる情報は、ベクトルに限らず、各個人の類似性を表現可能な情報であれば、どのような形式の情報であってもよい。例えば、情報処理装置100は、各個人に対応する所定のデータや値を用いて個人をグラフ構造化したグラフ情報を用いてもよい。例えば、情報処理装置100は、各個人から生成された所定の数値(例えば2進数の値や16進数の値)を用いて個人をグラフ構造化したグラフ情報を用いてもよい。例えば、ベクトルに代えて、データ間の距離(類似度)が定義されていれば任意の形態のデータであっても良い。なお、図1の例では、入館を一例として、個人を対象とするものであれば、入館に限らず、入国等であってもよい。すなわち、情報処理の目的は、個人を対象とするものであれば、どのような目的であってもよい。
Note that the information used by the
〔1−1.グラフ情報について〕
また、情報処理装置100は、図1中のグラフ情報GR11に示すように、各ベクトル(ノード)が有向エッジにより連結されたグラフデータを用いて情報処理を行う。なお、図1中のグラフ情報GR11に示すようなグラフ情報は、情報処理装置100が生成してもよいし、情報処理装置100は、図1中のグラフ情報GR11に示すようなグラフ情報を情報提供装置50(図2参照)等の他の外部装置から取得してもよい。
[1-1. About graph information)
The
また、ここでいう、有向エッジとは、一方向にしかデータを辿れないエッジを意味する。以下では、エッジにより辿る元、すなわち始点となるノードを参照元とし、エッジにより辿る先、すなわち終点となるノードを参照先とする。例えば、所定のノード「A」から所定のノード「B」に連結される有向エッジとは、参照元をノード「A」とし、参照先をノード「B」とするエッジであることを示す。なお、各ノードを連結するエッジは、有向エッジに限らず、種々のエッジであってもよい。例えば、各ノードを連結するエッジは、ノードを連結する方向のないエッジであってもよい。例えば、各ノードを連結するエッジは、相互に参照可能なエッジであってもよい。例えば、各ノードを連結するエッジは、全て双方向エッジであってもよい。 Further, the directed edge here means an edge that can trace data only in one direction. In the following, a source traced by an edge, that is, a node as a starting point is referred to as a reference source, and a destination traced by an edge, that is, a node as an end point is defined as a reference destination. For example, the directed edge connected from the predetermined node “A” to the predetermined node “B” indicates that the reference source is the node “A” and the reference destination is the node “B”. Note that the edge connecting the nodes is not limited to the directed edge, and may be various edges. For example, the edge connecting the nodes may be an edge having no direction to connect the nodes. For example, the edges connecting the nodes may be edges that can be referred to each other. For example, all the edges connecting the nodes may be bidirectional edges.
例えば、このようにノード「A」を参照元とするエッジをノード「A」の出力エッジという。また、例えば、このようにノード「B」を参照先とするエッジをノード「B」の入力エッジという。すなわち、ここでいう出力エッジ及び入力エッジとは、一の有向エッジをその有向エッジが連結する2つのノードのうち、いずれのノードを中心として捉えるかの相違であり、一の有向エッジが出力エッジ及び入力エッジになる。すなわち、出力エッジ及び入力エッジは、相対的な概念であって、一の有向エッジについて、参照元となるノードを中心として捉えた場合に出力エッジとなり、参照先となるノードを中心として捉えた場合に入力エッジとなる。なお、本実施形態においては、エッジについては、出力エッジや入力エッジ等の有向エッジを対象とするため、以下では、有向エッジを単に「エッジ」と記載する場合がある。 For example, an edge having the node “A” as a reference source in this way is referred to as an output edge of the node “A”. Further, for example, an edge with the node “B” as a reference destination in this way is referred to as an input edge of the node “B”. In other words, the output edge and the input edge here are differences in which one of the two nodes connected to the directed edge is regarded as the center, and the one directed edge. Becomes the output edge and the input edge. In other words, the output edge and the input edge are relative concepts, and for one directional edge, when the node as the reference source is regarded as the center, the output edge is regarded as the center, and the node as the reference destination is regarded as the center. The input edge. In the present embodiment, since the edges are directed edges such as output edges and input edges, the directed edges may be simply referred to as “edges” below.
例えば、情報処理装置100は、数百万〜数億等の単位の膨大な個人に対応するノードを対象に処理を行うが、図面においてはその一部のみを図示する。図1の例では、説明を簡単にするために、8個のノードを図示して処理の概要を説明する。例えば、情報処理装置100は、図1中のグラフ情報GR11に示すように、ノードN1、N2、N3等に示すような複数のノード(ベクトル)を含むグラフ情報を取得する。また、図1の例では、グラフ情報GR11における各ノードは、そのノードとの間の距離が近い方から所定数のノードへのエッジ(出力エッジ)が連結される。例えば、所定数は、目的や用途等に応じて、2や5や10や100等の種々の値であってもよい。例えば、所定数が2である場合、ノードN1からは、ノードN1からの距離が最も近いノード及び2番目に距離が近い2つのノードに出力エッジが連結される。なお、類似度を示す指標としての距離は、ベクトル(N次元ベクトル)間の距離として適用可能であれば、どのような距離であってもよく、例えば、ユークリッド距離やマハラノビス距離やコサイン距離等の種々の距離が用いられてもよい。
For example, the
また、このように「ノードN*(*は任意の数値)」と記載した場合、そのノードはノードID「N*」により識別されるノードであることを示す。例えば、「ノードN1」と記載した場合、そのノードはノードID「N1」により識別されるノードである。 In addition, when “node N * (* is an arbitrary numerical value)” is described in this way, this indicates that the node is identified by the node ID “N *”. For example, when “node N1” is described, the node is a node identified by the node ID “N1”.
また、図1中のグラフ情報GR11では、ノードN10は、ノードN7へ向かう有向エッジであるエッジE7が連結される。すなわち、ノードN10は、ノードN7とエッジE7により連結される。このように「エッジE*(*は任意の数値)」と記載した場合、そのエッジはエッジID「E*」により識別されるエッジであることを示す。例えば、「エッジE11」と記載した場合、そのエッジはエッジID「E11」により識別されるエッジである。例えば、ノードN10を参照元とし、ノードN7を参照先として連結されるエッジE7により、ノードN10からノードN7に辿ることが可能となる。この場合、有向エッジであるエッジE7は、ノードN10を中心として識別される場合、出力エッジとなり、ノードN7を中心として識別される場合、入力エッジとなる。また、図1のグラフ情報GR11中の双方向矢印は、両方のノードから他方のノードへの有向エッジが連結されることを示す。例えば、グラフ情報GR11中のノードN2とノードN451との間の双方向矢印は、ノードN2からノードN451へ向かう有向エッジと、ノードN451からノードN2へ向かう有向エッジとの2つのエッジが連結されることを示す。 Further, in the graph information GR11 in FIG. 1, the node N10 is connected to an edge E7 that is a directed edge toward the node N7. That is, the node N10 is connected to the node N7 by the edge E7. Thus, when “edge E * (* is an arbitrary numerical value)” is described, it indicates that the edge is an edge identified by the edge ID “E *”. For example, when “edge E11” is described, the edge is an edge identified by the edge ID “E11”. For example, it is possible to trace from the node N10 to the node N7 by the edge E7 connected with the node N10 as a reference source and the node N7 as a reference destination. In this case, the edge E7 which is a directed edge becomes an output edge when identified with the node N10 as the center, and becomes an input edge when identified with the node N7 as the center. Moreover, the bidirectional arrow in the graph information GR11 in FIG. 1 indicates that the directed edge from both nodes to the other node is connected. For example, the two-way arrow between the node N2 and the node N451 in the graph information GR11 connects two edges, a directed edge from the node N2 to the node N451 and a directed edge from the node N451 to the node N2. Indicates that
また、図1中のグラフ情報GR11は、ユークリッド空間であってもよい。また、図1に示すグラフ情報GR11は、各ベクトル間の距離等の説明のための概念的な図であり、グラフ情報GR11は、多次元空間である。例えば、図1に示すグラフ情報GR11は、平面上に図示するため2次元の態様にて図示されるが、例えば100次元や1000次元等の多次元空間であるものとする。 Further, the graph information GR11 in FIG. 1 may be a Euclidean space. Further, the graph information GR11 shown in FIG. 1 is a conceptual diagram for explaining the distance between the vectors and the like, and the graph information GR11 is a multidimensional space. For example, the graph information GR11 illustrated in FIG. 1 is illustrated in a two-dimensional manner to be illustrated on a plane, but is assumed to be a multidimensional space such as 100 dimensions or 1000 dimensions.
ここで、ベクトルデータ間の距離は、個人の類似性を示し、距離が近いほど類似している。本実施形態においては、グラフ情報GR11における各ノードの距離を対応する各オブジェクト間の類似度とする。例えば、各ノードに対応する個人の類似性が、グラフ情報GR11内におけるノード間の距離として写像されているものとする。例えば、各ノードに対応する概念間の類似度が各ノード間の距離に写像されているものとする。ここで、図1に示す例においては、グラフ情報GR11における各ノード間の距離が短いオブジェクト同士の類似度が高く、グラフ情報GR11における各ノード間の距離が長いオブジェクト同士の類似度が低い。例えば、図1中のグラフ情報GR11において、ノードID「N35」により識別されるノードと、ノードID「N693」により識別されるノードとは近接している、すなわち距離が短い。そのため、ノードID「N35」により識別されるノードに対応するオブジェクトと、ノードID「N693」により識別されるノードに対応するオブジェクトとは類似度が高いことを示す。 Here, the distance between the vector data indicates individual similarity, and the closer the distance, the more similar. In the present embodiment, the distance between the nodes in the graph information GR11 is set as the similarity between the corresponding objects. For example, it is assumed that the similarity of individuals corresponding to each node is mapped as a distance between nodes in the graph information GR11. For example, it is assumed that the similarity between concepts corresponding to each node is mapped to the distance between the nodes. Here, in the example shown in FIG. 1, the similarity between objects with short distances between nodes in the graph information GR11 is high, and the similarity between objects with long distances between nodes in the graph information GR11 is low. For example, in the graph information GR11 in FIG. 1, the node identified by the node ID “N35” and the node identified by the node ID “N693” are close to each other, that is, the distance is short. Therefore, the object corresponding to the node identified by the node ID “N35” and the object corresponding to the node identified by the node ID “N693” are highly similar.
また、例えば、図1中のグラフ情報GR11において、ノードID「N7」により識別されるノードと、ノードID「N2」により識別されるノードとは遠隔にある、すなわち距離が長い。そのため、ノードID「N7」により識別されるノードに対応するオブジェクトと、ノードID「N2」により識別されるノードに対応するオブジェクトとは類似度が低いことを示す。 Further, for example, in the graph information GR11 in FIG. 1, the node identified by the node ID “N7” and the node identified by the node ID “N2” are remote, that is, the distance is long. Therefore, the similarity between the object corresponding to the node identified by the node ID “N7” and the object corresponding to the node identified by the node ID “N2” is low.
〔1−2.ベクトルの生成例〕
また、ここでいう、各ノード(ベクトル)は、各オブジェクト(個人)に対応する。個人情報が様々な個人の状態を示す数値データであれば、それをベクトルデータとして、そのまま扱うことも可能である。しかし、個人情報が、テキスト、画像、または、音声であったりする場合には、ベクトルデータへの変換が必要となる。そこで、図1の例では、各個人の個人情報から抽出された特徴量により生成された多次元(N次元)のベクトルがオブジェクトであってもよい。
[1-2. Example of vector generation)
Also, each node (vector) here corresponds to each object (individual). If the personal information is numerical data indicating various individual states, it can be handled as it is as vector data. However, when the personal information is text, image, or sound, it is necessary to convert it into vector data. Therefore, in the example of FIG. 1, a multi-dimensional (N-dimensional) vector generated based on the feature amount extracted from the personal information of each individual may be an object.
例えば、情報処理装置100は、個人情報の特徴を抽出するモデルを用いて各個人の個人情報からN次元ベクトルを生成してもよい。図1の例では、情報処理装置100は、モデル情報記憶部124(図7参照)に示すように、モデルID「M1」により識別されるモデル(モデルM1)を用いて、各個人の個人情報からベクトルを生成する。上記のように、「モデルM*(*は任意の数値)」と記載した場合、そのモデルはモデルID「M*」により識別されるモデルであることを示す。例えば、「モデルM1」と記載した場合、そのモデルはモデルID「M1」により識別されるモデルである。また、モデル情報記憶部124に示すように、モデルM1は用途「特徴抽出(入館)」、すなわち個人のデータ(個人情報)からの特徴抽出のために用いられるモデルであり、その具体的なモデルデータが「モデルデータMDT1」であることを示す。
For example, the
例えば、情報処理装置100は、モデルM1に任意の個人の個人情報を入力することにより、モデルM1中の各要素(ニューロン)の値を演算し、入力した個人情報と同様の情報を出力する。例えば、情報処理装置100は、中間層の各要素(ニューロン)の値を特徴量として抽出し、各個人に対応するN次元のベクトルデータを生成してもよい。
For example, the
ここで、図10を用いて、各個人に対応するベクトルデータの生成の一例を示す。図10は、実施形態に係る特徴量の抽出の一例を示す図である。図10は、モデルM1の概念図である。なお、図10では、各要素(ニューロン)の各接続関係を示す線の図示を省略する。図10に示すように、モデルM1は、入力層ILと、中間層CLと、出力層OLとを含む。例えば、モデルM1の入力層ILは、個人情報が入力される層である。また、出力層OLは、入力層ILへの入力に応じて、入力された個人情報と同様の情報を出力される層である。 Here, an example of generation of vector data corresponding to each individual is shown using FIG. FIG. 10 is a diagram illustrating an example of feature amount extraction according to the embodiment. FIG. 10 is a conceptual diagram of the model M1. In FIG. 10, illustration of lines indicating the connection relations of the elements (neurons) is omitted. As shown in FIG. 10, the model M1 includes an input layer IL, an intermediate layer CL, and an output layer OL. For example, the input layer IL of the model M1 is a layer into which personal information is input. The output layer OL is a layer that outputs information similar to the input personal information in response to an input to the input layer IL.
また、例えば、中間層CLの中央部の最も圧縮された圧縮層RPは、入力された個人情報の特徴を表現する層である。例えば、モデルM1の中間層CLにおいて、入力層ILから圧縮層RPまでの間は、エンコードの処理を行う部分に対応する。モデルM1の中間層CLにおいて、入力層ILから圧縮層RPまでの間は、入力された個人情報の特徴を圧縮する処理を行う部分に対応する。例えば、モデルM1の中間層CLにおいて、圧縮層RPから出力層OLまでの間は、デコードの処理を行う部分に対応する。モデルM1の中間層CLにおいて、圧縮層RPから出力層OLまでの間は、圧縮された個人情報を復元する処理を行う部分に対応する。 For example, the most compressed compressed layer RP at the center of the intermediate layer CL is a layer that expresses the characteristics of the input personal information. For example, in the intermediate layer CL of the model M1, the portion from the input layer IL to the compression layer RP corresponds to a portion where encoding processing is performed. In the intermediate layer CL of the model M1, the portion from the input layer IL to the compression layer RP corresponds to a portion that performs processing for compressing the characteristics of the input personal information. For example, in the intermediate layer CL of the model M1, the portion from the compression layer RP to the output layer OL corresponds to a portion that performs decoding processing. In the intermediate layer CL of the model M1, the portion from the compression layer RP to the output layer OL corresponds to a portion that performs processing for restoring the compressed personal information.
例えば、情報処理装置100は、圧縮層RPに含まれるニューロンNL1やニューロンNL2等の情報をベクトルに用いてもよい。例えば、情報処理装置100は、ある個人の個人情報が入力された場合に、算出されるニューロンNL1に対応する値VE1やニューロンNL2に対応する値VE2をベクトルの要素(一の次元の値)として抽出してもよい。例えば、情報処理装置100は、ある個人の個人情報が入力された場合に、算出されるニューロンNL1に対応する値VE1をその個人のベクトルの1次元目の要素として抽出してもよい。また、例えば、情報処理装置100は、ある個人の個人情報が入力された場合に、算出されるニューロンNL2に対応する値VE2をその個人のベクトルの2次元目の要素として抽出してもよい。このように、情報処理装置100は、各個人の個人情報をモデルM1に入力することにより、各個人に対応するベクトルを生成してもよい。なお、情報処理装置100は、各個人に対応するベクトルを情報提供装置50等の他の外部装置から取得してもよい。なお、情報処理装置100は、ベクトルの各要素として、各ニューロンに対応する値自体を用いてもよいし、各ニューロンに対応する値に所定の係数を乗算した値を用いてもよい。また、図1の例では説明を簡単にするために、ベクトルの各要素(値)が整数である場合を示すが、ベクトルの各要素(値)は、小数点以下の数値を含む実数であってもよい。
For example, the
なお、情報処理装置100は、圧縮層RPの要素(ニューロン)に限らず、中間層CL中の他の要素(ニューロン)の情報をベクトルに用いてもよい。例えば、情報処理装置100は、エンコード部分のニューロンNL3やデコード部分のニューロンNL4等の情報をベクトルに用いてもよい。例えば、情報処理装置100は、ある個人の個人情報が入力された場合に、算出されるニューロンNL3に対応する値VE3やニューロンNL4に対応する値VE4をベクトルの要素(一の次元の値)として抽出してもよい。なお、上記は、一例であり、情報処理装置100は、オートエンコーダに限らず、種々のモデルを用いて、個人情報からの特徴抽出を行ってもよい。例えば、スタートアップメンバ等の所定の目的に適した個人と適さない個人を識別するように学習させたモデルを生成して、その中間層をベクトルデータとして抽出しても良い。また、例えば、トリプレットロス(triplet loss)といった類似性を学習する方法によりモデルを生成しても良い。また、情報処理装置100は、モデルを用いずに、特徴抽出を行ってもよい。例えば、情報処理装置100は、情報処理装置100の管理者等が設定して特徴(素性)に対応する情報を個人情報から抽出し、ベクトルを生成してもよい。例えば、情報処理装置100は、個人の年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の特徴(素性)に対応する情報を個人情報から抽出し、ベクトルを生成してもよい。
Note that the
また、例えば、情報処理装置100は、情報提供装置50等の他の外部装置からモデルM1を取得してもよい。なお、情報処理装置100は、個人情報記憶部121(図4参照)に記憶された各個人の個人情報PDT1、PDT2、PDT451等を入力として、モデルM1を生成してもよい。例えば、情報処理装置100は、各個人の個人情報PDT1、PDT2、PDT451等を入力として、モデルM1を生成してもよい。例えば、個人情報PDT1、PDT2、PDT451等は、個人の属性情報や画像や音声や行動等を含んでもよい。例えば、個人情報PDT1、PDT2、PDT451等の個人情報は、対応する個人のデモグラフィック属性情報やサイコグラフィック属性情報等のユーザに関する種々の属性情報を含んでもよい。例えば、個人情報PDT1、PDT2、PDT451等の個人情報は、対応する個人の年齢、性別、住所、興味関心等の情報を含んでもよい。また、例えば、個人情報は、対応する個人を撮像した画像情報を含んでもよい。例えば、個人情報は、対応する個人の顔や全体(全身)を撮像した画像情報を含んでもよい。例えば、個人情報は、対応する個人の発話等の音声情報を含んでもよい。例えば、個人情報は、対応する個人の行動に関する種々の行動情報を含んでもよい。例えば、個人情報は、対応する個人の検索やコンテンツ閲覧や購買等の行動情報を含んでもよい。
For example, the
情報処理装置100は、個人の個人情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された個人情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するモデルM1を生成してもよい。なお、情報処理装置100は、ベクトル生成に用いるモデルを情報提供装置50等の他の外部装置から取得してもよい。
The
〔1−3.処理例〕
ここから、情報処理装置100は、ユーザから一の個人の個人情報を取得し、一の個人がグラフ情報中、すなわち対象とする複数の個人の中に含まれるかを判定する場合を一例として説明する。具体的には、情報処理装置100は、所定のビル等の入り口に設けられた入館ゲートEGTから入館者である個人Xを取得し、取得した個人Xの情報を基に、個人Xを認証し、入館ゲートEGTを開放するかを判定する。図1の例では、情報処理装置100は、入館ゲートEGTにおいて撮像された個人の画像情報を個人情報として取得し、取得した個人情報を用いて、その個人がグラフ情報GR11中の複数の個人に含まれるかを判定する。例えば、グラフ情報GR11中に含まれる個人#1や個人#451等の複数の個人は、入館ゲートEGTが設けられたビルへの入館が許可された人であるものとする。例えば、グラフ情報GR11中に含まれる個人#1や個人#451等は、入館ゲートEGTが設けられたビルへの入館が許可されたものとして所定の外部装置に登録されている。また、図1の例では、各個人の顔の画像情報である個人情報PDT1、PDT2、PDT451等に基づいてグラフ情報GR11が生成されているものとする。
[1-3. Processing example)
From here, the
図1の例では、個人Xが入館ゲートEGTが設けられたビルへの入館を行っている場合を一例として説明する。まず、個人Xの個人情報を取得した入館ゲートEGTは、個人Xの個人情報PDT11を情報処理装置100へ送信する。例えば、入館ゲートEGTは、前方等の所定の範囲を撮像するセンサ(画像センサ等)と、情報処理装置100とネットワーク(例えば図2中のネットワークN)を介して通信する機能を有し、センサにより撮像した画像情報を情報処理装置100へ送信する。例えば、入館ゲートEGTは、前方等の人が接近したことを検知する他のセンサ(赤外線センサ等)を有し、他のセンサにより人の接近が検知された場合、センサが画像情報を撮像し、センサにより撮像した画像情報を情報処理装置100へ送信する。なお、上記は一例であり、情報処理装置100が入館者の画像情報を取得できれば、どのような構成であってもよい。
In the example of FIG. 1, a case where an individual X enters a building where an entrance gate EGT is provided will be described as an example. First, the entrance gate EGT that acquired the personal information of the individual X transmits the personal information PDT11 of the individual X to the
そして、情報処理装置100は、一の個人に関する個人情報を取得する(ステップS11)。図1の例では、情報処理装置100は、入館ゲートEGTから個人Xに関する個人情報PDT11を取得する。なお、情報処理装置100は、個人Xが携帯する端末装置10(図3参照)から個人Xに関する個人情報PDT11を取得する。
Then, the
そして、情報処理装置100は、一の個人に対応する個人情報からグラフ情報の探索に用いるベクトルを生成する。図1の例では、情報処理装置100は、処理群PS11に示すような処理により、個人Xに対応するベクトルを生成する。情報処理装置100は、個人Xに関する個人情報PDT11をモデルM1に入力する(ステップS12)。具体的には、情報処理装置100は、個人Xの個人情報PDT11をモデルM1に入力する。そして、情報処理装置100は、個人情報PDT11の入力後のモデルM1中の情報を用いて、ベクトルを生成する(ステップS13)。例えば、情報処理装置100は、個人情報PDT11が入力されたモデルM1中の各要素を用いて、ベクトルデータを生成する。
Then, the
図1の例では、情報処理装置100は、個人情報PDT11が入力されたモデルM1中の各要素の値を用いて、ベクトルデータVD11(単に「ベクトルVD11」ともいう)を生成する。例えば、情報処理装置100は、個人Xの個人情報PDT11が入力された場合における、モデルM1のニューロンNL1に対応する値VE1(図10参照)やニューロンNL2に対応する値VE2(図10参照)を用いて、ベクトルを生成する。例えば、情報処理装置100は、個人Xの個人情報PDT11が入力された場合に、算出されるニューロンNL1に対応する値VE1をベクトルVD11の1次元目の要素として抽出してもよい。また、例えば、情報処理装置100は、ある個人の個人情報が入力された場合に、算出されるニューロンNL2に対応する値VE2をベクトルVD11の2次元目の要素として、ベクトルVD11を生成する。図1の例では、情報処理装置100は、1次元目の要素が「35」であり、2次元目の要素が「63」であるようなベクトルVD11を生成する。
In the example of FIG. 1, the
そして、情報処理装置100は、個人Xに類似する個人(以下、「類似個人」ともいう)を検索する(ステップS14)。例えば、情報処理装置100は、非特許文献1に開示されるような近傍検索の技術等の種々の従来技術を適宜用いて、個人Xの類似個人を検索してもよい。例えば、情報処理装置100は、類似性が高いノード間がエッジで連結されたグラフ情報GR11を用いる。
Then, the
図1の例では、情報処理装置100は、情報群INF11に示すように、グラフ情報GR11やインデックス情報IND11を用いて個人Xの類似個人を検索する。例えば、情報処理装置100は、グラフ情報記憶部123(図6参照)から個人に関するグラフ情報GR11を取得する。また、例えば、情報処理装置100は、インデックス情報記憶部122(図5参照)から、グラフ情報GR11における検索の起点となるノード(以下、「起点ベクトル」ともいう)の決定に用いるインデックス情報IND11を取得する。なお、インデックス情報IND11は、情報処理装置100が生成してもよいし、情報処理装置100は、インデックス情報IND11を情報提供装置50等の他の外部装置から取得してもよい。
In the example of FIG. 1, the
そして、情報処理装置100は、一の個人(クエリ)に対応する起点ベクトルを決定(特定)するために、インデックス情報IND11を用いる。図1の例では、情報処理装置100は、個人XのベクトルVD11に対応する起点ベクトルを決定(特定)するために、インデックス情報IND11を用いる。すなわち、情報処理装置100は、ベクトルVD11とインデックス情報IND11とを用いて、グラフ情報GR11における起点ベクトルを決定する。
The
図1中のインデックス情報IND11は、図5中のインデックス情報記憶部122に示す階層構造を有する。例えば、インデックス情報IND11は、ルートRTの直下に位置する第1階層のノード(ベクトル)が、節点VT1、VT2等であることを示す。また、例えば、インデックス情報IND11は、節点VT2の直下の第2階層のノードが、節点VT2−1〜VT2−4(図示せず)であることを示す。また、例えば、インデックス情報IND11は、節点VT2−2の直下の第3階層のノードが、ノードN35、ノードN451、ノードN693、すなわちグラフ情報GR11中のノード(ベクトル)であることを示す。
The index information IND11 in FIG. 1 has a hierarchical structure shown in the index
例えば、情報処理装置100は、図1中のインデックス情報IND11に示すような木構造型のインデックス情報を用いて、グラフ情報GR11における起点ベクトルを決定する(ステップS15)。図1の例では、情報処理装置100は、ベクトルVD11を生成した後、インデックス情報IND11を上から下へ辿ることにより、インデックス情報IND11の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ(一の個人)に対応する起点ベクトルを決定することができる。
For example, the
例えば、情報処理装置100は、インデックス情報IND11をルートRTからリーフノード(グラフ情報GR11中のノード(ベクトル))まで辿ることにより、ベクトルVD11に対応する起点ベクトルを決定してもよい。図1の例では、例えば、情報処理装置100は、インデックス情報IND11をルートRTからノードN451まで辿ることにより、ノードN451を起点ベクトルとして決定する。例えば、情報処理装置100は、木構造に関する種々の従来技術を適宜用いて、インデックス情報IND11をルートRTからリーフノードまで辿ることにより、辿りついたリーフノードを起点ベクトルとして決定してもよい。例えば、情報処理装置100は、ベクトルVD11との類似度に基づいて、インデックス情報IND11を下へ辿ることにより、起点ベクトルを決定してもよい。例えば、情報処理装置100は、ルートRTから節点VT1、VT2等のいずれの節点に辿るかを、ベクトルVD11と節点VT1、VT2との類似度に基づいて決定してもよい。例えば、情報処理装置100は、ルートRTから節点VT1、VT2等のうち、ベクトルVD11との類似度が最も高い節点VT2へ辿ると決定してもよい。また、例えば、情報処理装置100は、節点VT2から節点VT2−1〜VT2−4等のうち、ベクトルVD11との類似度が最も高い節点VT2−2へ辿ると決定してもよい。また、例えば、情報処理装置100は、節点VT2−2からノードN35、N451、N693等のうち、ベクトルVD11との類似度が最も高い節点ノードN451へ辿ると決定してもよい。なお、図1の例では、説明を簡単にするために、起点ベクトルを1つ決定する場合を示すが、情報処理装置100は、複数個の起点ベクトルを決定してもよい。例えば、情報処理装置100は、ノードN451、N35、N693、N2等の複数個のベクトル(ノード)を起点ベクトルとして決定してもよい。なお、インデックス情報IND11を用いずに、検索開始時にグラフ情報GR11からランダムに1つ以上のノードを選択し、それを起点ベクトルとしてもよいし、または、予め指定された1つ以上のノードを起点ベクトルとしても良い。
For example, the
そして、情報処理装置100は、グラフ情報GR11を検索することにより、個人Xの類似個人を抽出する(ステップS16)。例えば、情報処理装置100は、ノードN451の近傍に位置するノードを類似個人として抽出する。例えば、情報処理装置100は、ノードN451からの距離が近いノードを類似個人として抽出する。例えば、情報処理装置100は、ノードN451を起点として、エッジを辿ることにより、ノードN451から到達可能なノードを類似個人として抽出する。例えば、情報処理装置100は、所定数(例えば、2個や10個等)のノードを類似個人として抽出する。例えば、情報処理装置100は、図11に示すような検索処理により、個人Xの類似個人を抽出してもよいが、詳細は後述する。図1の例では、情報処理装置100は、ノードN451を起点として、グラフ情報GR11を探索することにより、ノードN451やノードN35を類似個人として抽出する。
Then, the
そして、例えば、情報処理装置100は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。図1の例では、情報処理装置100は、個人XのベクトルVD11と、対象一覧SPLに示すようなノードN451(個人#451)のベクトルVD451やノードN35(個人#35)のベクトルVD35とを比較し(ステップS17)、判定処理を行う(ステップS18)。
For example, the
例えば、情報処理装置100は、各ベクトルの比較により、個人Xがグラフ情報GR11中の複数の個人に含まれるかどうかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35との誤差が所定の閾値以内の誤差であるかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルのノード(個人)を個人Xであると判定する。すなわち、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルがある場合、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。例えば、情報処理装置100は、個人XのベクトルVD11と一致するベクトルのノード(個人)を個人Xと判定してもよい。
For example, the
図1の例では、情報処理装置100は、判定一覧DRSに示すように、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定する。すなわち、情報処理装置100は、個人Xが入館ゲートETGが設けられたビルへの入館が許可された個人であると判定する。そして、情報処理装置100は、個人Xを適正な入館者として認証する。
In the example of FIG. 1, as illustrated in the determination list DRS, the
なお、上記例では、説明を簡単にするために、情報処理装置100が類似個人を抽出する処理と、類似個人と一の個人との比較による判定を分けて行う場合を示したが、情報処理装置100は、類似個人を抽出する度に、抽出した類似個人と一の個人との比較による判定を行ってもよい。例えば、情報処理装置100は、1つずつ類似個人を抽出することで、ステップS16〜S18の処理を繰り返してもよい。図1の例では、情報処理装置100は、ノードN451を起点ノードとして決定した場合、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内であると判定した場合、個人Xが個人#451であるとして検索処理を終了してもよい。
In the above example, in order to simplify the description, the case where the
一方、情報処理装置100は、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内でないと判定した場合、検索処理を継続し、次の類似個人を抽出し、判定処理を繰り返してもよい。この場合、情報処理装置100は、ノードN451の次にノードN35を類似個人として抽出してもよい。そして、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内であると判定した場合、個人Xが個人#35であるとして検索処理を終了してもよい。また、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内でないと判定した場合、ノードN35の次に他のノードを類似個人として抽出し、同様の判定処理を行ってもよい。
On the other hand, if the
そして、情報処理装置100は、判定結果に基づいてサービスを提供する。図1の例では、情報処理装置100は、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する(ステップS19)。情報処理装置100は、入館者である個人Xの入館の認証がOKであるとして、入館ゲートEGTにゲートを開放することを指示する情報を入館ゲートEGTにゲートへ送信する。これにより、入館ゲートEGTにゲートが開放され、個人Xが入館ゲートETGが設けられたビル内へ入館することができる。
The
また、情報処理装置100は、判定結果や認証結果に関する情報を提供してもよい。例えば、情報処理装置100は、個人Xの入館を許可すると判定したことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xを適正な入館者として認証することを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。
Further, the
一方、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルの個人がグラフ情報GR11に含まれない場合、個人Xがグラフ情報GR11に含まれないと判定する。この場合、情報処理装置100は、個人Xがグラフ情報GR11に含まれないため、個人Xの入館を許可しないと判定する。そして、情報処理装置100は、個人Xを適正な入館者として認証しない。
On the other hand, the
また、例えば、情報処理装置100は、個人Xの入館を許可しないと判定したことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xを適正な入館者として認証しないことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。
Further, for example, the
また、情報処理装置100は、個人Xの類似個人として抽出された個人の一覧情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xの類似個人の顔写真を含む一覧情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。これにより、類似個人の顔写真を含む一覧情報を受信した管理者等は、類似個人の顔写真と、個人Xとを目視で比較することにより、個人Xが類似個人に含まれないかを確認することができる。
Further, the
上述したように、情報処理装置100は、グラフ情報GR11やインデックス情報IND11を用いて、個人Xの類似個人を抽出する。例えば、情報処理装置100は、インデックス情報IND11を用いて、個人Xの類似個人を抽出する際のグラフ情報GR11における起点ベクトルを決定する。そして、情報処理装置100は、決定した起点ベクトルを起点としてグラフ情報GR11を探索することにより、個人Xの類似個人を抽出する。そして、情報処理装置100は、類似個人の情報を用いて個人Xの判定処理を行う。これにより、情報処理装置100は、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
例えば、情報処理装置100は、個人Xと類似する個人(類似個人)が、例えば個人Xと一見関係が無いように見える場合であっても、グラフ情報を用いることで、個人Xの類似個人として抽出でき、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。例えば、ディープラーニングといった手法で、Aさんであるか否か等の特定の個人を識別するという方法もあるが、個人の識別に影響する多種多様な要素が存在する場合においては、各要素の事例が少ないので、学習ができずに識別精度を向上させることが難しいという問題がある。例えば、ディープラーニングといった学習手法で生成したモデルを用いて、そのモデルに個人の情報を入力し、出力されたスコアからその個人が所定の目的に適するかを識別するという方法もあるが、多種多様な要素が存在する場合においては、各要素の事例が少ないため、モデルの精度を向上させることが難しく、識別精度を向上させることが難しい。一方で、情報処理装置100は、各個人から抽出した特徴を基に生成した複数のベクトルのグラフ構造化したグラフ情報を用いて検索を行うことにより、個人のベクトルの比較により個人間の類似度を判定し、一の個人が複数の個人に含まれるかどうかを適切に判定することができる。そのため、情報処理装置100は、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
For example, the
〔1−4.用途について〕
図1の例では、判定の一例として、入館時における個人の判定を示したが、個人の判定は、入館に限らず、種々の用途(シーン)で行われてもよい。例えば、情報処理装置100は、入国時において、グラフ情報を用いて個人の判定を行ってもよい。例えば、情報処理装置100は、入国審査を受けている一の個人が、グラフ情報中の複数の個人に含まれるかを判定してもよい。
[1-4. About use)
In the example of FIG. 1, an individual determination at the time of admission is shown as an example of the determination. However, the individual determination is not limited to the admission, and may be performed for various uses (scenes). For example, the
上記のように入国審査時の判定である場合、例えば、個人情報は、各個人が有するパスポートの情報や渡航履歴等の行動等を含んでもよい。例えば、個人情報は、対応する個人のパスポートの画像やサイン等の情報を含んでもよい。例えば、個人情報は、対応する個人の行動に関する種々の行動情報を含んでもよい。例えば、個人情報は、対応する個人がいつどこに渡航したかの履歴を示す情報を含んでもよい。なお、個人情報は、対応する個人の検索やコンテンツ閲覧や購買等の行動情報を含んでもよい。なお、個人情報は、個人の渡航歴等の履歴情報(文字情報)のみであってもよい。 In the case of determination at the time of immigration as described above, for example, the personal information may include information such as passport information, travel history, and the like possessed by each individual. For example, the personal information may include information such as a corresponding personal passport image and signature. For example, the personal information may include various behavior information regarding the behavior of the corresponding individual. For example, the personal information may include information indicating a history of when and where the corresponding individual traveled. The personal information may include action information such as searching for a corresponding individual, browsing content, and purchasing. The personal information may be only history information (character information) such as personal travel history.
例えば、情報処理装置100は、グラフ情報GR11と同様に、用途「入国」、すなわち利用シーンが入国時であるモデルM2を用いて生成されたベクトルをグラフ構造化したグラフ情報を用いて、入国審査を受ける個人(「入国者Y」とする)の類似個人を抽出してもよい。そして、情報処理装置100は、抽出された類似個人のベクトルと、入国者Yのベクトルとの差が所定の閾値以内でる場合、入国者Yがグラフ情報に含まれると判定してもよい。すなわち、情報処理装置100は、抽出された類似個人のベクトルと、入国者Yのベクトルとの差が所定の閾値以内でる場合、入国者Yをその類似個人であると判定してもよい。例えば、情報処理装置100は、図12に示すようなグラフ情報GR21を用いて、入国者Yがグラフ情報GR21に含まれるかどうかを判定してもよい。図12は、個人のグラフ情報を概念的に示す図である。
For example, as with the graph information GR11, the
例えば、情報処理装置100は、所定の国に入国する一の個人(入国者Y)を対象として、入国者Yに関する個人情報を取得した場合、その入国者Yに類似する個人(類似個人)の情報をグラフ情報GR21から抽出してもよい。例えば、情報処理装置100は、入国者Yに関する個人情報(個人情報YDT)を取得する。例えば、情報処理装置100は、用途を入国とするグラフ情報GR21をグラフ情報記憶部123から取得する。例えば、情報処理装置100は、個人の各々に対応する複数のノードが、複数の個人の類似性に応じて連結されたグラフ情報GR21を取得する。そして、情報処理装置100は、モデル情報記憶部124に記憶されたモデルM2を用いて、入国者Yの個人情報YDTからベクトル(ベクトルYVD)を生成する。
For example, when the
そして、情報処理装置100は、生成したベクトルYVDとインデックス情報を用いて起点ベクトルを図12中の入国者ET5に対応するノード(ノードYNE)に決定する。そして、情報処理装置100は、起点ベクトルであるノードYNEを起点としてグラフ情報GR21を検索することにより、入国者Yの類似個人(類似グループ)を抽出する。例えば、情報処理装置100は、ノードYNEを起点として、グラフ情報GR21を探索することにより、所定数(例えば2個など)のノードを類似個人として抽出する。図12の例では、情報処理装置100は、類似個人範囲SAR11に含まれる入国者ET1(ノードNET1)や入国者ET5(ノードNET5)を類似個人として抽出する。
Then, the
そして、情報処理装置100は、抽出した類似個人のベクトルと一の個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。この場合、情報処理装置100は、入国者YのベクトルYVDと、入国者ET1のベクトル(ベクトルVDET1)や入国者ET5のベクトル(ベクトルVDET5)とを比較することにより、入国者ET1がグラフ情報GR21に含まれるかどうかを判定する。例えば、情報処理装置100は、入国者YのベクトルYVDと、入国者ET5のベクトルVDET5とが所定の閾値以内の誤差である場合、入国者Yが入国者ET5であると判定する。すなわち、情報処理装置100は、入国者Yがグラフ情報GR21に含まれると判定する。
Then, the
この場合、例えば、情報処理装置100は、入国者ET5の情報を記憶部120(図3参照)や外部装置から取得する。そして、情報処理装置100は、取得した入国者ET5の情報に入国者ET5がテロリストや犯罪者等の入国を許可すべきでないことを示す情報が含まれない場合、入国者ET5の入国を許可すると判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証する。
In this case, for example, the
また、情報処理装置100は、判定結果や認証結果に関する情報を提供してもよい。例えば、情報処理装置100は、入国者ET5の入国を許可すると判定したことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yを適正な入国者として認証することを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。
Further, the
一方、情報処理装置100は、取得した入国者ET5の情報に入国者ET5がテロリストや犯罪者等の入国を許可すべきでないことを示す情報が含まれる場合、入国者ET5の入国を許可しないと判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証しない。
On the other hand, the
例えば、情報処理装置100は、入国者YのベクトルYVDとの誤差が所定の閾値以内であるベクトルの入国者がグラフ情報GR21に含まれない場合、入国者Yがグラフ情報GR21に含まれないと判定する。この場合、情報処理装置100は、入国者Yがグラフ情報GR21に含まれないため、入国者ET5の入国を許可しないと判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証しない。
For example, if the graph information GR21 does not include an immigrant who has a vector whose error from the vector YVD of the immigrant Y is within a predetermined threshold, the
また、例えば、情報処理装置100は、入国者ET5の入国を許可しないと判定したことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yを適正な入国者として認証しないことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。
In addition, for example, the
また、情報処理装置100は、入国者Yの類似個人として抽出された個人の一覧情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yの類似個人の顔写真を含む一覧情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。これにより、類似個人の顔写真を含む一覧情報を受信した審査者等は、類似個人の顔写真と、入国者Yとを目視で比較することにより、入国者Yが類似個人に含まれないかを確認することができる。
Further, the
なお、上記例では、情報処理装置100が類似個人を抽出する処理と、類似個人と一の個人との比較による判定を分けて行う場合を示したが、情報処理装置100は、類似個人を抽出する度に、抽出した類似個人と一の個人との比較による判定を行ってもよい。例えば、情報処理装置100は、入国者ET5のノードNET5を起点ノードとして決定した場合、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内であると判定した場合、入国者Yが入国者ET5であるとして検索処理を終了してもよい。
In the above example, the case where the
一方、情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内でないと判定した場合、検索処理を継続し、次の類似個人を抽出し、判定処理を繰り返してもよい。情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内でないと判定した場合、入国者ET1を類似個人として抽出し、同様の判定処理を行ってもよい。
On the other hand, if the
〔1−5.インデックス情報〕
図1の例に示すインデックス情報(インデックスデータ)は一例であり、情報処理装置100は、種々のインデックス情報を用いて、グラフ情報を検索してもよい。また、例えば、情報処理装置100は、検索時に用いるインデックスデータを生成してもよい。例えば、情報処理装置100は、高次元ベクトルを検索する検索インデックスをインデックスデータとして生成する。ここでいう高次元ベクトルとは、例えば、数百次元から数千次元のベクトルであってもよいし、それ以上の次元のベクトルであってもよい。
[1-5. Index information)
The index information (index data) illustrated in the example of FIG. 1 is an example, and the
例えば、情報処理装置100は、図1に示すようなツリー構造(木構造)に関する検索インデックスをインデックスデータとして生成してもよい。例えば、情報処理装置100は、kd木(k-dimensional tree)に関する検索インデックスをインデックスデータとして生成してもよい。例えば、情報処理装置100は、VP木(Vantage-Point tree)に関する検索インデックスをインデックスデータとして生成してもよい。
For example, the
また、例えば、情報処理装置100は、その他の木構造を有するインデックスデータとして生成してもよい。例えば、情報処理装置100は、木構造のインデックスデータのリーフがグラフデータに接続する種々のインデックスデータを生成してもよい。例えば、情報処理装置100は、木構造のインデックスデータのリーフがグラフデータ中のノードに対応する種々のインデックスデータを生成してもよい。また、情報処理装置100は、このようなインデックスデータを用いて検索を行う場合、インデックスデータを辿って到達したリーフ(ノード)からグラフデータを探索してもよい。
Further, for example, the
なお、上述したようなインデックスデータは一例であり、情報処理装置100は、グラフデータ中のクエリを高速に特定することが可能であれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、情報処理装置100は、クエリに対応するグラフ情報中のノードを高速に特定することが可能であれば、バイナリ空間分割に関する技術等の種々の従来技術を適宜用いて、インデックスデータを生成してもよい。例えば、情報処理装置100は、高次元ベクトルの検索に対応可能なインデックスであれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、情報処理装置100は、非特許文献1に記載されるようなグラフ型の検索インデックスに関する情報をインデックス情報として用いてもよい。情報処理装置100は、上述のようなインデックスデータとグラフデータとを用いることにより、所定の個人に関するより効率的な検索を可能にすることができる。
Note that the index data as described above is an example, and the
〔2.情報処理システムの構成〕
図2に示すように、情報処理システム1は、端末装置10と、情報提供装置50と、情報処理装置100とが含まれる。端末装置10と、情報提供装置50と、情報処理装置100とは所定のネットワークNを介して、有線または無線により通信可能に接続される。図2は、実施形態に係る情報処理システムの構成例を示す図である。なお、図2に示した情報処理システム1には、複数台の端末装置10や、複数台の情報提供装置50や、複数台の情報処理装置100が含まれてもよい。情報処理システム1には、入館ゲートEGTが含まれてもよい。例えば、情報処理装置100と入館ゲートEGTとは、有線または無線により通信可能に接続される。
[2. Configuration of information processing system]
As illustrated in FIG. 2, the
端末装置10は、個人Xのような各個人や入館ゲートEGTの管理者等の種々のユーザによって利用される情報処理装置である。端末装置10は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置10をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置10と読み替えることもできる。なお、上述した端末装置10は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(Personal Computer)や、デスクトップPCや、携帯電話機や、PDA(Personal Digital Assistant)等により実現される。例えば、端末装置10は、所定のサーバシステムを管理者が利用する情報処理装置であってもよい。例えば、端末装置10は、個人情報を収集し、個人情報を情報処理装置100へ送信する。
The terminal device 10 is an information processing device that is used by various users such as an individual X or an administrator of an entrance gate EGT. The terminal device 10 receives various operations by the user. Hereinafter, the terminal device 10 may be referred to as a user. That is, hereinafter, the user can be read as the terminal device 10. The terminal device 10 described above is realized by, for example, a smartphone, a tablet terminal, a notebook PC (Personal Computer), a desktop PC, a mobile phone, a PDA (Personal Digital Assistant), or the like. For example, the terminal device 10 may be an information processing device in which a manager uses a predetermined server system. For example, the terminal device 10 collects personal information and transmits the personal information to the
情報処理装置100は、起点ベクトルを起点としてグラフ情報を検索することにより、複数の個人のうち、一の個人が複数の個人に含まれるかどうかを判定する情報処理装置である。例えば、情報処理装置100は、一の個人に関する個人情報を取得し、個人情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報とに基づいて、起点ベクトルを決定する。
The
情報処理装置100は、ユーザ等に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報処理装置100は、端末装置10から一の個人の個人情報(以下、「クエリ情報」や「クエリ」ともいう)を取得すると、クエリに類似する個人(ベクトル情報等)を検索し、検索結果を端末装置10に提供する。図1の例では、情報処理装置100は、端末装置10から一の個人の個人情報を取得すると、一の個人に類似する個人を検索し、検索結果を類似の個人として端末装置10に提供する。また、例えば、情報処理装置100が端末装置10に提供するデータは、個人の名称や個人の個人情報自体であってもよいし、URL(Uniform Resource Locator)等の対応するデータを参照するための情報であってもよい。
The
情報提供装置50は、情報処理装置100に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報提供装置50は、ウェブサーバ等の種々の外部装置から収集した個人情報等が格納されてもよい。例えば、情報提供装置50は、グラフ情報やインデックス情報やモデル等の種々の情報を情報処理装置100に提供する情報処理装置である。
The information providing apparatus 50 is an information processing apparatus in which information for providing various information to the
〔3.情報処理装置の構成〕
次に、図3を用いて、実施形態に係る情報処理装置100の構成について説明する。図3は、実施形態に係る情報処理装置の構成例を示す図である。図3に示すように、情報処理装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、情報処理装置100は、情報処理装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
[3. Configuration of information processing apparatus]
Next, the configuration of the
(通信部110)
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワーク(例えば図2中のネットワークN)と有線または無線で接続され、端末装置10や情報提供装置50との間で情報の送受信を行う。
(Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to a network (for example, the network N in FIG. 2) by wire or wireless, and transmits and receives information to and from the terminal device 10 and the information providing device 50.
(記憶部120)
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部120は、図3に示すように、個人情報記憶部121と、インデックス情報記憶部122と、グラフ情報記憶部123と、モデル情報記憶部124とを有する。
(Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As illustrated in FIG. 3, the storage unit 120 according to the embodiment includes a personal
(個人情報記憶部121)
実施形態に係る個人情報記憶部121は、個人(オブジェクト)に関する各種情報を記憶する。例えば、個人情報記憶部121は、個人IDやベクトルデータを記憶する。図4の例では、個人に関する個人情報を記憶する。図4は、実施形態に係る個人情報記憶部の一例を示す図である。図4に示す個人情報記憶部121は、「個人ID」、「対象」、「個人情報」、「ベクトル情報」といった項目が含まれる。
(Personal information storage unit 121)
The personal
「個人ID」は、個人(オブジェクト)を識別するための識別情報を示す。また、「対象」は、個人IDにより識別される個人の具体的な名称や内容等を示す。なお、図4の例では、個人を「個人#1」といった抽象的な符号で示すが、括弧内の「Aさん」等のように、個人を特定するための文字情報等が含まれてもよい。
“Personal ID” indicates identification information for identifying an individual (object). The “target” indicates a specific name or content of the individual identified by the personal ID. In the example of FIG. 4, an individual is indicated by an abstract code such as “
「個人情報」は、個人IDにより識別される個人に関する情報を示す。なお、図4の例では、個人情報を「PDT1」といった抽象的な符号で示すが、各個人情報は、個人IDにより識別される個人の年齢、性別等の属性情報や年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の種々の個人に関する情報を含んでもよい。「ベクトル情報」とは、個人IDにより識別される個人(オブジェクト)に対応するベクトル情報を示す。すなわち、図4の例では、個人(オブジェクト)を識別する個人IDに対して、オブジェクトに対応するベクトルデータ(ベクトル情報)が対応付けられて登録されている。 “Personal information” indicates information related to the individual identified by the personal ID. In the example of FIG. 4, the personal information is indicated by an abstract code such as “PDT1”. However, each personal information is attribute information such as age and gender of the individual identified by the personal ID and attributes such as age and gender. It may include information about various individuals such as information, a face, an image of the entire image, sound, and behavior. “Vector information” indicates vector information corresponding to an individual (object) identified by a personal ID. That is, in the example of FIG. 4, vector data (vector information) corresponding to an object is registered in association with a personal ID for identifying the individual (object).
例えば、図4の例では、個人ID「PP1」により識別される個人(オブジェクト)は、「10,24,54,2...」の多次元(N次元)のベクトル情報が対応付けられることを示す。例えば、個人#1については、モデルM1等により、個人#1の特徴を示す「10,24,54,2...」の多次元(N次元)のベクトル情報が個人情報PDT1から抽出されたことを示す。
For example, in the example of FIG. 4, the individual (object) identified by the personal ID “PP1” is associated with multidimensional (N-dimensional) vector information of “10, 24, 54, 2. Indicates. For example, for the
なお、個人情報記憶部121は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
The personal
(インデックス情報記憶部122)
実施形態に係るインデックス情報記憶部122は、インデックスに関する各種情報を記憶する。図5は、実施形態に係るインデックス情報記憶部の一例を示す図である。具体的には、図5の例では、インデックス情報記憶部122は、ツリー構造のインデックス情報を示す。図5の例では、インデックス情報記憶部122は、「ルート階層」、「第1階層」、「第2階層」、「第3階層」等といった項目が含まれる。なお、「第1階層」〜「第3階層」に限らず、インデックスの階層数に応じて、「第4階層」、「第5階層」、「第6階層」等が含まれてもよい。
(Index information storage unit 122)
The index
「ルート階層」は、インデックスを用いた起点ノードの決定の開始点となるルート(最上位)の階層を示す。「第1階層」は、インデックスの第1階層に属するノード(節点またはグラフ情報中のベクトル)を識別(特定)する情報が格納される。「第1階層」に格納されるノードは、インデックスの根(ルート)に直接結ばれる階層に対応するノードとなる。 The “root hierarchy” indicates a hierarchy of the root (highest level) that is a starting point for determining an origin node using an index. The “first hierarchy” stores information for identifying (specifying) nodes (nodes or vectors in graph information) belonging to the first hierarchy of the index. The node stored in the “first hierarchy” is a node corresponding to the hierarchy directly connected to the root of the index.
「第2階層」は、インデックスの第2階層に属するノード(節点またはグラフ情報中のベクトル)を識別(特定)する情報が格納される。「第2階層」に格納されるノードは、第1階層のノードに結ばれる直下の階層に対応するノードとなる。「第3階層」は、インデックスの第3階層に属するノード(節点またはグラフ情報中のベクトル)を識別(特定)する情報が格納される。「第3階層」に格納されるノードは、第2階層のノードに結ばれる直下の階層に対応するノードとなる。 The “second hierarchy” stores information for identifying (specifying) nodes (nodes or vectors in graph information) belonging to the second hierarchy of the index. The node stored in the “second hierarchy” is a node corresponding to the hierarchy directly below the node of the first hierarchy. The “third hierarchy” stores information for identifying (specifying) a node (a node or a vector in graph information) belonging to the third hierarchy of the index. The node stored in the “third hierarchy” is a node corresponding to the hierarchy directly below the second hierarchy node.
例えば、図5に示す例においては、インデックス情報記憶部122には、図1中のインデックス情報IND11に対応する情報が記憶される。例えば、インデックス情報記憶部122は、第1階層のノードが、節点VT1〜VT3等であることを示す。また、各節点の下の括弧内の数値は、各節点に対応するベクトルの値を示す。
For example, in the example shown in FIG. 5, the index
また、例えば、インデックス情報記憶部122は、節点VT2の直下の第2階層のノードが、節点VT2−1〜VT2−4であることを示す。また、例えば、インデックス情報記憶部122は、節点VT2−2の直下の第3階層のノードが、ノードN35、ノードN451、ノードN693のグラフ情報GR11中のノード(ベクトル)であることを示す。
For example, the index
なお、インデックス情報記憶部122は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
The index
(グラフ情報記憶部123)
実施形態に係るグラフ情報記憶部123は、グラフ情報に関する各種情報を記憶する。図6は、実施形態に係るグラフ情報記憶部の一例を示す図である。図6の例では、グラフ情報記憶部123は、「ノードID」、「個人ID」、および「エッジ情報」といった項目を有する。また、「エッジ情報」には、「エッジID」や「参照先」といった情報が含まれる。
(Graph information storage unit 123)
The graph
「ノードID」は、グラフデータにおける各ノード(個人)を識別するための識別情報を示す。また、「個人ID」は、個人(オブジェクト)を識別するための識別情報を示す。 “Node ID” indicates identification information for identifying each node (individual) in the graph data. “Personal ID” indicates identification information for identifying an individual (object).
また、「エッジ情報」は、対応するノードに接続されるエッジに関する情報を示す。図6の例では、「エッジ情報」は、エッジが有向エッジである場合を示し、対応するノードから出力される出力エッジに関する情報を示す。また、「エッジID」は、ノード間を連結するエッジを識別するための識別情報を示す。また、「参照先」は、エッジにより連結された参照先(ノード)を示す情報を示す。すなわち、図6の例では、ノードを識別するノードIDに対して、そのノードに対応するオブジェクト(個人)を識別する情報やそのノードからの有向エッジ(出力エッジ)が連結される参照先(ノード)が対応付けられて登録されている。 “Edge information” indicates information related to an edge connected to the corresponding node. In the example of FIG. 6, “edge information” indicates a case where the edge is a directed edge, and indicates information regarding an output edge output from the corresponding node. “Edge ID” indicates identification information for identifying an edge connecting nodes. “Reference destination” indicates information indicating a reference destination (node) connected by an edge. That is, in the example of FIG. 6, with respect to a node ID for identifying a node, information for identifying an object (person) corresponding to the node and a reference destination to which a directed edge (output edge) from the node is linked ( Node) is registered in association with each other.
例えば、図6の例では、ノードID「N1」により識別されるノード(ベクトル)は、個人ID「PP1」により識別される個人(オブジェクト)に対応することを示す。また、ノードID「N1」により識別されるノードからは、エッジID「E11」により識別されるエッジが、ノードID「N25」により識別されるノード(ベクトル)に連結されることを示す。すなわち、図6の例では、ノードID「N1」により識別されるノード(ベクトル)からはノードID「N25」により識別されるノード(ベクトル)に辿ることができることを示す。 For example, in the example of FIG. 6, the node (vector) identified by the node ID “N1” corresponds to the individual (object) identified by the personal ID “PP1”. The node identified by the node ID “N1” indicates that the edge identified by the edge ID “E11” is connected to the node (vector) identified by the node ID “N25”. That is, in the example of FIG. 6, the node (vector) identified by the node ID “N1” can be traced to the node (vector) identified by the node ID “N25”.
なお、グラフ情報記憶部123は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、グラフ情報記憶部123は、各ノード(ベクトル)間を連結するエッジの長さが記憶されてもよい。すなわち、グラフ情報記憶部123は、各ノード(ベクトル)間の距離を示す情報が記憶されてもよい。
The graph
(モデル情報記憶部124)
実施形態に係るモデル情報記憶部124は、モデルに関する情報を記憶する。例えば、モデル情報記憶部124は、生成処理により生成されたモデル情報(モデルデータ)を記憶する。図7は、実施形態に係るモデル情報記憶部の一例を示す図である。図7に示すモデル情報記憶部124は、「モデルID」、「用途」、「モデルデータ」といった項目が含まれる。なお、図7では、モデルM1、M2のみを図示するが、M21、M22等、各用途(予測の対象)に応じて多数のモデル情報が記憶されてもよい。
(Model information storage unit 124)
The model
「モデルID」は、モデルを識別するための識別情報を示す。例えば、モデルID「M1」により識別されるモデルは、図1の例に示したモデルM1に対応する。「用途」は、対応するモデルの用途を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。 “Model ID” indicates identification information for identifying a model. For example, the model identified by the model ID “M1” corresponds to the model M1 illustrated in the example of FIG. “Use” indicates the use of the corresponding model. “Model data” indicates data of a corresponding model associated with the model data. For example, “model data” includes information including nodes in each layer, functions adopted by the nodes, connection relationships between the nodes, and connection coefficients set for connections between the nodes.
例えば、図7に示す例において、モデルID「M1」により識別されるモデル(モデルM1)は、用途が「特徴抽出(入館)」であり、入力された個人情報からの特徴の抽出に用いられることを示す。また、モデルM1のモデルデータは、モデルデータMDT1であることを示す。 For example, in the example shown in FIG. 7, the model (model M1) identified by the model ID “M1” has a use of “feature extraction (entrance)” and is used for feature extraction from input personal information. It shows that. The model data of the model M1 is model data MDT1.
モデルM1(モデルデータMDT1)は、個人の個人情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された個人情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するよう、コンピュータを機能させるためのモデルである。 The model M1 (model data MDT1) includes an input layer to which personal information of an individual is input, an output layer, and a first element belonging to any layer from the input layer to the output layer other than the output layer. A first element and a second element whose value is calculated based on the weight of the first element, and for each piece of information belonging to each layer other than the output layer for the personal information input to the input layer, the first element This is a model for causing a computer to function so that information similar to information input to the input layer is output from the output layer by performing calculations based on the first element and the weight of the first element as elements.
また、モデルM1、M2等がDNN(Deep Neural Network)等、1つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルM1、M2が含む第1要素は、入力層または中間層が有するいずれかのノードに対応する。また、第2要素は、第1要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第1要素の重みは、第1要素と対応するノードから第2要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。 Further, it is assumed that the models M1, M2, etc. are realized by a neural network having one or a plurality of intermediate layers, such as DNN (Deep Neural Network). In this case, for example, the first element included in the models M1 and M2 corresponds to any node of the input layer or the intermediate layer. The second element corresponds to the next node, which is a node to which a value is transmitted from the node corresponding to the first element. The weight of the first element corresponds to a connection coefficient that is a weight considered for a value transmitted from a node corresponding to the first element to a node corresponding to the second element.
ここで、モデルM21、M22等が「y=a1*x1+a2*x2+・・・+ai*xi」で示す回帰モデルで実現されるとする。この場合、例えば、モデルM21、M22が含む第1要素は、x1やx2等といった入力データ(xi)に対応する。また、第1要素の重みは、xiに対応する係数aiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第1要素は、入力層が有するいずれかのノードに対応し、第2要素は、出力層が有するノードと見做すことができる。 Here, it is assumed that the models M21, M22 and the like are realized by a regression model represented by “y = a1 * x1 + a2 * x2 +... + Ai * xi”. In this case, for example, the first elements included in the models M21 and M22 correspond to input data (xi) such as x1 and x2. The weight of the first element corresponds to the coefficient ai corresponding to xi. Here, the regression model can be regarded as a simple perceptron having an input layer and an output layer. When each model is regarded as a simple perceptron, the first element can correspond to any node of the input layer, and the second element can be regarded as a node of the output layer.
なお、モデル情報記憶部124は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。
The model
(制御部130)
図3の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。制御部130は、モデル情報記憶部124に記憶されているモデルM1、M2等に従った情報処理により、個人の個人情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された個人情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力する。
(Control unit 130)
Returning to the description of FIG. 3, the control unit 130 is a controller, and is stored in a storage device inside the
図3に示すように、制御部130は、取得部131と、生成部132と、決定部133と、検索部134と、提供部135とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130の内部構成は、図3に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As illustrated in FIG. 3, the control unit 130 includes an
(取得部131)
取得部131は、各種情報を取得する。例えば、取得部131は、記憶部120から各種情報を取得する。例えば、取得部131は、個人情報記憶部121や、インデックス情報記憶部122や、グラフ情報記憶部123や、モデル情報記憶部124等から各種情報を取得する。また、取得部131は、各種情報を外部の情報処理装置から取得する。取得部131は、端末装置10や情報提供装置50から各種情報を取得する。取得部131は、入館ゲートEGTから各種情報を取得する。
(Acquisition part 131)
The
取得部131は、複数の個人の各々に対応する複数のノードが、複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する。取得部131は、複数の個人の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。
The
取得部131は、所定のモデルを用いて複数の個人の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。取得部131は、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。取得部131は、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。
The
例えば、取得部131は、データ検索の個人となる複数のノード(ベクトル)を取得する。例えば、取得部131は、複数のノードと、複数のノードの各々を連結する複数の有向エッジを含む有向エッジ群を取得する。
For example, the
例えば、取得部131は、外部の情報処理装置からグラフ情報(グラフデータ)を取得する。例えば、取得部131は、グラフ情報記憶部123からグラフ情報を取得する。例えば、取得部131は、グラフ情報を取得する。図1の例では、取得部131は、グラフ情報GR11を取得する。
For example, the
例えば、取得部131は、外部の情報処理装置からインデックス情報(インデックスデータ)を取得する。例えば、取得部131は、インデックス情報記憶部122からインデックス情報を取得する。例えば、取得部131は、木構造型のインデックス情報を取得する。図1の例では、取得部131は、インデックス情報IND11を取得する。
For example, the
また、取得部131は、入館ゲートEGTから一の個人に関する個人情報を取得する。例えば、取得部131は、検索クエリとして、一の個人の個人情報を取得する。例えば、取得部131は、個人に関する検索クエリを取得する。取得部131は、入館ゲートEGTから個人Xに関する個人情報PDT11を取得する。
Moreover, the
また、取得部131は、ユーザが利用する端末装置10から一の個人に関する個人情報を取得してもよい。例えば、取得部131は、検索クエリとして、一の個人の個人情報を取得してもよい。例えば、取得部131は、個人に関する検索クエリを取得してもよい。取得部131は、所定のユーザが利用する端末装置10から個人Xに関する個人情報PDT11を取得してもよい。
Moreover, the
例えば、取得部131は、一の個人に関する個人情報を取得する。例えば、取得部131は、端末装置10から個人Xに関する個人情報PDT11を取得する。例えば、取得部131は、グラフ情報記憶部123から個人に関するグラフ情報GR11を取得する。また、例えば、取得部131は、インデックス情報記憶部122(図5参照)から、グラフ情報GR11における検索の起点となるノード(起点ベクトル)の決定に用いるインデックス情報IND11を取得する。
For example, the
(生成部132)
生成部132は、各種情報を生成する。例えば、生成部132は、個人情報記憶部121に記憶された学習データ(個人情報)を用いて、モデル情報記憶部124に示すようなモデルを生成する。例えば、生成部132は、取得部131により取得された学習データに基づいて、入力した個人情報と同様の情報を出力するモデル(オートエンコーダ)を生成する。例えば、生成部132は、入力する個人情報自体を正解情報として、入力した個人情報と同様の情報を出力するモデル(オートエンコーダ)を生成する。
(Generator 132)
The generation unit 132 generates various types of information. For example, the generation unit 132 uses the learning data (personal information) stored in the personal
例えば、生成部132は、モデルM1等を生成し、生成したモデルM1等をモデル情報記憶部124に格納する。なお、生成部132は、いかなる学習アルゴリズムを用いてモデルM1を生成してもよい。例えば、生成部132は、ニューラルネットワーク(neural network)等の学習アルゴリズムを用いてモデルM1を生成する。一例として、生成部132がニューラルネットワークを用いてモデルM1等を生成する場合、モデルM1等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
For example, the generation unit 132 generates a model M1 and the like, and stores the generated model M1 and the like in the model
生成部132は、個人の個人情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第1要素と、第1要素と第1要素の重みとに基づいて値が算出される第2要素と、を含み、入力層に入力された個人情報に対し、出力層以外の各層に属する各要素を第1要素として、第1要素と第1要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するモデルを生成する。 The generation unit 132 includes an input layer to which personal information of an individual is input, an output layer, a first element belonging to any layer other than the output layer and from the input layer to the output layer, and a first element And a second element whose value is calculated based on the weight of the first element, and with respect to personal information input to the input layer, each element belonging to each layer other than the output layer is defined as a first element. By performing an operation based on the weight of one element and the first element, a model that outputs information similar to information input to the input layer from the output layer is generated.
例えば、生成部132は、学習データに基づいてモデルを生成する。例えば、生成部132は、学習データに基づいてモデルを生成する。例えば、生成部132は、個人情報記憶部121中の個人情報PDT1、PDT2等を学習データ(教師データ)として、学習を行なうことにより、モデルを生成する。
For example, the generation unit 132 generates a model based on the learning data. For example, the generation unit 132 generates a model based on the learning data. For example, the generation unit 132 generates a model by performing learning using the personal information PDT1, PDT2 and the like in the personal
例えば、生成部132は、個人情報PDT1が入力された場合に、モデルM1が個人情報PDT1と同様の情報を出力するように、学習処理を行う。例えば、生成部132は、個人情報PDT2が入力された場合に、モデルM1が個人情報PDT2と同様の情報を出力するように、学習処理を行う。 For example, when the personal information PDT1 is input, the generation unit 132 performs a learning process so that the model M1 outputs the same information as the personal information PDT1. For example, when the personal information PDT2 is input, the generation unit 132 performs a learning process so that the model M1 outputs the same information as the personal information PDT2.
なお、生成部132は、オートエンコーダとしてのモデルM1に限らず、種々の学習アルゴリズムを用いて個人(入館)に対応するモデルM21や個人(入国)に対応するM22等を生成してもよい。例えば、生成部132は、ニューラルネットワーク(neural network)、サポートベクターマシン(SVM)、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルM21、M22等を生成する。一例として、生成部132がニューラルネットワークを用いてモデルM21、M22等を生成する場合、モデルM21、M22等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。なお、情報処理装置100は、情報提供装置50等の他の外部装置からモデルを取得する場合、生成部132を有しなくてもよい。
The generation unit 132 is not limited to the model M1 as an auto encoder, and may generate a model M21 corresponding to an individual (entrance), an M22 corresponding to an individual (entrance), and the like using various learning algorithms. For example, the generation unit 132 generates models M21, M22, and the like using a learning algorithm such as a neural network, a support vector machine (SVM), clustering, and reinforcement learning. As an example, when the generation unit 132 generates models M21, M22, and the like using a neural network, the models M21, M22, and the like include an input layer including one or more neurons, an intermediate layer including one or more neurons, and one And an output layer including the above neurons. Note that the
図1の例では、生成部132は、個人情報の特徴を抽出するモデルを用いて各個人の個人情報からN次元ベクトルを生成する。生成部132は、モデル情報記憶部124(図7)に示すモデルM1を用いて、各個人の個人情報からベクトルを生成する。 In the example of FIG. 1, the generation unit 132 generates an N-dimensional vector from the personal information of each individual using a model that extracts the characteristics of the personal information. The generation unit 132 generates a vector from the personal information of each individual using the model M1 shown in the model information storage unit 124 (FIG. 7).
また、生成部132は、一の個人に対応する個人情報からグラフ情報の探索に用いるベクトルを生成する。図1の例では、生成部132は、処理群PS11に示すような処理により、個人Xに対応するベクトルを生成する。生成部132は、個人Xに関する個人情報PDT11をモデルM1に入力する。具体的には、生成部132は、個人Xの個人の年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の情報を含む個人情報PDT11をモデルM1に入力する。そして、生成部132は、個人情報PDT11の入力後のモデルM1中の情報を用いて、ベクトルを生成する。例えば、生成部132は、個人情報PDT11が入力されたモデルM1中の各要素を用いて、ベクトルデータを生成する。 Further, the generation unit 132 generates a vector used for searching for graph information from personal information corresponding to one individual. In the example of FIG. 1, the generation unit 132 generates a vector corresponding to the person X by processing as shown in the processing group PS11. The generation unit 132 inputs the personal information PDT11 related to the individual X into the model M1. Specifically, the generation unit 132 inputs, to the model M1, personal information PDT11 including attribute information such as the age and sex of the individual X, images of the face and the entire image, and information such as voice and behavior. Then, the generation unit 132 generates a vector using information in the model M1 after the input of the personal information PDT11. For example, the generation unit 132 generates vector data using each element in the model M1 to which the personal information PDT11 is input.
図1の例では、生成部132は、個人情報PDT11が入力されたモデルM1中の各要素の値を用いて、ベクトルVD11を生成する。例えば、生成部132は、個人Xの個人情報PDT11が入力された場合における、モデルM1のニューロンNL1に対応する値VE1(図10参照)やニューロンNL2に対応する値VE2(図10参照)を用いて、ベクトルを生成する。例えば、生成部132は、個人Xの個人情報PDT11が入力された場合に、算出されるニューロンNL1に対応する値VE1をベクトルVD11の1次元目の要素として抽出してもよい。また、例えば、生成部132は、個人の個人情報が入力された場合に、算出されるニューロンNL2に対応する値VE2をベクトルVD11の2次元目の要素として、ベクトルVD11を生成する。図1の例では、生成部132は、1次元目の要素が「35」であり、2次元目の要素が「63」であるようなベクトルVD11を生成する。 In the example of FIG. 1, the generation unit 132 generates a vector VD11 using the value of each element in the model M1 to which the personal information PDT11 is input. For example, the generation unit 132 uses the value VE1 (see FIG. 10) corresponding to the neuron NL1 of the model M1 and the value VE2 (see FIG. 10) corresponding to the neuron NL2 when the personal information PDT11 of the individual X is input. To generate a vector. For example, when the personal information PDT11 of the person X is input, the generation unit 132 may extract the value VE1 corresponding to the calculated neuron NL1 as the first dimension element of the vector VD11. Further, for example, when personal personal information is input, the generation unit 132 generates the vector VD11 using the calculated value VE2 corresponding to the neuron NL2 as a second-dimensional element of the vector VD11. In the example of FIG. 1, the generation unit 132 generates a vector VD11 in which the first dimension element is “35” and the second dimension element is “63”.
(決定部133)
決定部133は、各種情報を決定する。決定部133は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。例えば、決定部133は、取得部131により取得された個人情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報とに基づいて、起点ベクトルを決定する。例えば、決定部133は、個人情報と、グラフ情報の検索の起点ベクトルの決定の基準となる情報とに基づいて、起点ベクトルを決定する。また、決定部133は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定する。また、決定部133は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。
(Determining unit 133)
The determination unit 133 determines various types of information. The determining unit 133 determines the starting node based on the index information used for determining the starting node. For example, the determination unit 133 determines the starting point vector based on the personal information acquired by the acquiring
図1の例では、決定部133は、一の個人(クエリ)に対応する起点ベクトルを決定(特定)するために、インデックス情報IND11を用いる。例えば、決定部133は、個人XのベクトルVD11に対応する起点ベクトルを決定(特定)するために、インデックス情報IND11を用いる。決定部133は、ベクトルVD11とインデックス情報IND11とを用いて、グラフ情報GR11における起点ベクトルを決定する。 In the example of FIG. 1, the determination unit 133 uses the index information IND11 in order to determine (specify) the starting point vector corresponding to one individual (query). For example, the determination unit 133 uses the index information IND11 in order to determine (specify) the starting point vector corresponding to the vector VD11 of the person X. The determination unit 133 determines a starting point vector in the graph information GR11 using the vector VD11 and the index information IND11.
例えば、決定部133は、図1中のインデックス情報IND11に示すような木構造型のインデックス情報を用いて、グラフ情報GR11における起点ベクトルを決定する。図1の例では、決定部133は、ベクトルVD11を生成した後、インデックス情報IND11を上から下へ辿ることにより、インデックス情報IND11の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ(一の個人)に対応する起点ベクトルを決定する。 For example, the determination unit 133 determines a starting vector in the graph information GR11 using tree structure type index information as indicated by the index information IND11 in FIG. In the example of FIG. 1, after the determination unit 133 generates the vector VD11, the determination unit 133 traces the index information IND11 from the top to the bottom, thereby specifying the starting point vector that is a neighborhood candidate of the index information IND11, thereby efficiently searching. A starting vector corresponding to the query (one individual) is determined.
例えば、決定部133は、インデックス情報IND11をルートRTからリーフノード(グラフ情報GR11中のノード(ベクトル))まで辿ることにより、ベクトルVD11に対応する起点ベクトルを決定する。図1の例では、決定部133は、インデックス情報IND11をルートRTからノードN451まで辿ることにより、ノードN451を起点ベクトルとして決定する。 For example, the determination unit 133 determines the starting vector corresponding to the vector VD11 by tracing the index information IND11 from the root RT to the leaf node (the node (vector) in the graph information GR11). In the example of FIG. 1, the determination unit 133 determines the node N451 as a starting vector by tracing the index information IND11 from the route RT to the node N451.
(検索部134)
検索部134は、各種情報を検索する。例えば、検索部134は、取得部131により取得された情報を用いて、各種情報を検索する。例えば、検索部134は、各種情報を抽出する。例えば、検索部134は、取得部131により取得された情報を用いて、各種情報を抽出する。例えば、検索部134は、各種判定処理を行う。例えば、検索部134は、取得部131により取得された情報を用いて、各種情報を判定する。例えば、検索部134は、記憶部120に記憶された各種情報を検索する。例えば、取得部131は、個人情報記憶部121や、インデックス情報記憶部122や、グラフ情報記憶部123や、モデル情報記憶部124等に記憶された各種情報を検索する。例えば、検索部134は、各種情報を用いて算出処理を行う。例えば、検索部134は、ベクトルに関する情報を用いて、ベクトル間の距離を算出する。例えば、検索部134は、グラフ情報記憶部123に記憶された各ノード(ベクトル)間を連結するエッジの長さ(距離)の情報を用いてもよいし、各ノードのベクトル情報から各ノード(ベクトル)間を連結するエッジの長さ(距離)の情報を算出し、算出した長さ(距離)の情報を用いてもよい。
(Search unit 134)
The
検索部134は、取得部131により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、複数の個人のうち、一の個人と類似する個人である類似個人を抽出する。検索部134は、決定部133により決定された起点ノードを起点として、類似個人を抽出する。検索部134は、複数の個人のうち、一の個人と類似する個人を類似個人として抽出する。
The
検索部134は、取得部131により取得されたグラフ情報の複数のベクトルのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ベクトルを起点としてグラフ情報を検索することにより、複数の個人のうち、一の個人に類似する個人である類似個人(類似個人)を抽出する。検索部134は、各種情報を抽出する。例えば、検索部134は、決定部133により決定された起点ベクトルを起点としてグラフ情報を検索することにより、複数の個人のうち、一の個人に類似する個人である類似個人を抽出する。
The
検索部134は、取得部131により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、一の個人が複数の個人に含まれるかどうかを判定する。検索部134は、決定部133により決定された起点ノードを起点として、一の個人が複数の個人に含まれるかどうかを判定する。
The
図1の例では、検索部134は、個人Xに類似する個人を検索する。例えば、検索部134は、グラフ情報GR11を検索することにより、個人Xの類似個人を抽出する。検索部134は、ノードN451の近傍に位置するノードを類似個人として抽出する。例えば、検索部134は、ノードN451からの距離が近いノードを類似個人として抽出する。例えば、検索部134は、ノードN451を起点として、エッジを辿ることにより、ノードN451から到達可能なノードを類似個人として抽出する。例えば、検索部134は、所定数(例えば、2個や10個等)のノードを類似個人として抽出する。例えば、検索部134は、図11に示すような検索処理により、個人Xの類似個人を抽出する。図1の例では、検索部134は、ノードN451を起点として、グラフ情報GR11を探索することにより、ノードN451やノードN35を類似個人として抽出する。
In the example of FIG. 1, the
図1の例では、検索部134は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。検索部134は、個人XのベクトルVD11と、対象一覧SPLに示すようなノードN451(個人#451)のベクトルVD451やノードN35(個人#35)のベクトルVD35とを比較する。検索部134は、ベクトルを比較し、判定処理を行う。
In the example of FIG. 1, the
例えば、検索部134は、各ベクトルの比較により、個人Xがグラフ情報GR11中の複数の個人に含まれるかどうかを判定する。例えば、検索部134は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35との誤差が所定の閾値以内の誤差であるかを判定する。例えば、検索部134は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルのノード(個人)を個人Xであると判定する。検索部134は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルがある場合、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。
For example, the
図1の例では、検索部134は、判定一覧DRSに示すように、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定する。この場合、検索部134は、個人Xが入館ゲートETGが設けられたビルへの入館が許可された個人であると判定する。そして、検索部134は、個人Xを適正な入館者として認証する。
In the example of FIG. 1, the
(提供部135)
提供部135は、各種情報を提供する。例えば、提供部135は、端末装置10や情報提供装置50に各種情報を送信する。例えば、提供部135は、端末装置10や情報提供装置50に各種情報を配信する。例えば、提供部135は、端末装置10や情報提供装置50に各種情報を提供する。提供部135は、検索部134により抽出された類似個人に基づいて、所定のサービスを提供する。また、提供部135は、類似個人に関する情報提供サービスを提供する。提供部135は、端末装置10に類似個人に関する情報を提供する。
(Providing unit 135)
The providing unit 135 provides various types of information. For example, the providing unit 135 transmits various types of information to the terminal device 10 and the information providing device 50. For example, the providing unit 135 distributes various types of information to the terminal device 10 and the information providing device 50. For example, the providing unit 135 provides various types of information to the terminal device 10 and the information providing device 50. The providing unit 135 provides a predetermined service based on the similar individual extracted by the
提供部135は、検索部134による判定結果に基づいて、所定のサービスを提供する。提供部135は、判定結果に関する情報提供サービスを提供する。提供部135は、端末装置10に判定結果に関する情報を提供する。提供部135は、判定結果に基づく認証サービスを提供する。提供部135は、一の個人を認証する認証サービスを提供する。
The providing unit 135 provides a predetermined service based on the determination result by the
例えば、提供部135は、クエリに対応するオブジェクトIDを検索結果として提供する。例えば、提供部135は、検索部134により選択されたオブジェクトIDを情報提供装置50へ提供する。提供部135は、検索部134により選択されたオブジェクトIDをクエリに対応するベクトルを示す情報として情報提供装置50に提供する。また、提供部135は、生成部132により生成されたモデルを外部の情報処理装置へ提供してもよい。
For example, the providing unit 135 provides an object ID corresponding to the query as a search result. For example, the providing unit 135 provides the object ID selected by the
図1の例では、例えば、提供部135は、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する。例えば、提供部135は、入館者である個人Xの入館の認証がOKであるとして、入館ゲートEGTにゲートを開放することを指示する情報を入館ゲートEGTへ送信する。
In the example of FIG. 1, for example, the providing unit 135 requests the entrance gate EGT to open the gate based on the determination result that the person X is the
また、図1の例では、例えば、提供部135は、検索部134により抽出された類似個人に関する情報を提供してもよい。例えば、提供部135は、ノードN451に対応する個人#451や、ノードN35に対応する個人#35が個人Xの類似個人であることを示す情報を、入館ゲートEGTの管理者の端末装置10や入館者(個人X)が利用する端末装置10等に提供してもよい。
In the example of FIG. 1, for example, the providing unit 135 may provide information on similar individuals extracted by the
〔4.情報処理のフロー〕
次に、図8を用いて、実施形態に係る情報処理システム1による情報処理の手順について説明する。図8は、実施形態に係る情報処理の一例を示すフローチャートである。
[4. Information processing flow)
Next, the procedure of information processing by the
図8に示すように、情報処理装置100は、一の個人に関する個人情報する(ステップS101)。図1の例では、情報処理装置100は、端末装置10から個人Xに関する個人情報PDT11を取得する。
As shown in FIG. 8, the
情報処理装置100は、複数の個人に関するグラフ情報を取得する(ステップS102)。例えば、情報処理装置100は、グラフ情報記憶部123から個人に関するグラフ情報GR11を取得する。
The
そして、情報処理装置100は、モデルを用いて一の個人に関する個人情報からベクトルを生成する(ステップS103)。図1の例では、情報処理装置100は、モデル情報記憶部124に記憶されたモデルM1を用いて、個人情報PDT11からベクトルVD11を生成する。
Then, the
そして、情報処理装置100は、生成したベクトルとインデックス情報を用いて起点ベクトルを決定する(ステップS104)。図1の例では、情報処理装置100は、ベクトルVD11と、インデックス情報記憶部122に記憶されたインデックス情報IND11とを用いて、起点ベクトルをノードN451に決定する。
Then, the
そして、情報処理装置100は、グラフ情報を検索することにより、個人が複数の個人に含まれるかどうかを判定する(ステップS105)。例えば、情報処理装置100は、グラフ情報を検索することにより、一の個人と類似する個人を類似個人として抽出する。そして、情報処理装置100は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。図1の例では、情報処理装置100は、ノードN451を起点として、グラフ情報GR11を探索することにより、ノードN451やノードN35を類似個人として抽出する。そして、情報処理装置100は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35とを比較することにより、個人が複数の個人に含まれるかどうかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定し、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。
Then, the
そして、情報処理装置100は、判定結果に基づいてサービスを提供する(ステップS106)。図1の例では、情報処理装置100は、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する。
Then, the
〔5.生成処理のフロー〕
次に、図9を用いて、実施形態に係る情報処理システム1による生成処理の手順について説明する。図9は、実施形態に係る生成処理の一例を示すフローチャートである。
[5. Generation process flow)
Next, a generation process procedure performed by the
図9に示すように、情報処理装置100は、学習データを取得する(ステップS201)。例えば、情報処理装置100は、個人情報記憶部121から学習データを取得する。例えば、情報処理装置100は、個人情報記憶部121から個人情報PDT1、PDT2等を学習データとして取得する。
As shown in FIG. 9, the
その後、情報処理装置100は、学習データに基づきモデルを生成する(ステップS202)。例えば、情報処理装置100は、個人情報記憶部121から学習データを用いてモデルM1を生成する。例えば、情報処理装置100は、入力層に入力される情報(個人情報)と同様の情報(個人情報)を出力層から出力するようにモデルM1を生成する。例えば、情報処理装置100は、個人の個人情報を入力とするオートエンコーダとしてのモデルM1を生成する。
Thereafter, the
〔6.検索例〕
ここで、上述したグラフ情報を用いた検索の一例を示す。なお、グラフ情報(グラフデータ)を用いた検索は下記に限らず、種々の手順により行われてもよい。この点について、図11を一例として説明する。図11は、グラフデータ(グラフ情報)を用いた検索処理の一例を示すフローチャートである。以下に説明する検索処理は、例えば情報処理装置100の検索部134によって行われる。また、以下でいうオブジェクトは、ベクトルやノードと読み替えてもよい。なお、以下では、情報処理装置100が検索処理を行うものとして説明するが、検索処理は他の装置により行われてもよい。例えば、情報処理装置100は、検索クエリとして、一の個人の個人情報から生成されたベクトルデータを用いる。例えば、情報処理装置100は、一の個人の個人情報から生成されたベクトルデータとインデックス情報とに基づいて決定された起点ベクトルを起点としてグラフデータを検索する。図1の例では、情報処理装置100は、個人XのベクトルVD11とインデックス情報IND11とに基づいて決定された起点ベクトルであるノードN451を起点としてグラフ情報GR11を検索する。
[6. Search example)
Here, an example of the search using the graph information described above is shown. The search using the graph information (graph data) is not limited to the following, and may be performed by various procedures. This point will be described using FIG. 11 as an example. FIG. 11 is a flowchart illustrating an example of a search process using graph data (graph information). The search process described below is performed by the
ここでは、近傍オブジェクト集合N(G,y)は、ノードyに付与されているエッジにより関連付けられている近傍のオブジェクトの集合である。「G」は、所定のグラフデータ(例えば、グラフ情報GR11等)であってもよい。例えば、情報処理装置100は、k近傍検索処理を実行する。
Here, the neighboring object set N (G, y) is a set of neighboring objects that are related by the edge given to the node y. “G” may be predetermined graph data (eg, graph information GR11). For example, the
例えば、情報処理装置100は、超球の半径rを∞(無限大)に設定し(ステップS300)、既存のオブジェクト集合から部分集合Sを抽出する(ステップS301)。例えば、情報処理装置100は、ルートノード(起点ベクトル)として選択されたオブジェクト(ノード)を部分集合Sとして抽出してもよい。図1の例では、情報処理装置100は、起点ベクトルであるノードN451等を部分集合Sとして抽出してもよい。また、例えば、超球とは、検索範囲を示す仮想的な球である。なお、ステップS301において抽出されたオブジェクト集合Sに含まれるオブジェクトは、同時に検索結果のオブジェクト集合Rの初期集合にも含められる。
For example, the
次に、情報処理装置100は、オブジェクト集合Sに含まれるオブジェクトの中で、検索クエリオブジェクトをyとするとオブジェクトyとの距離が最も短いオブジェクトを抽出し、オブジェクトsとする(ステップS302)。図1の例では、情報処理装置100は、オブジェクト集合Sに含まれるオブジェクトの中で、検索クエリオブジェクトであるベクトルVD11との距離が最も短いオブジェクトを抽出し、オブジェクトsとする。例えば、情報処理装置100は、オブジェクト集合Sに含まれるオブジェクトの中で、ベクトルVD11との距離が最も短いノードN451を抽出し、オブジェクトsとする。例えば、情報処理装置100は、ルートノード(起点ベクトル)として選択されたオブジェクト(ノード)のみがオブジェクト集合Sの要素の場合には、結果的にルートノード(起点ベクトル)がオブジェクトsとして抽出される。次に、情報処理装置100は、オブジェクトsをオブジェクト集合Sから除外する(ステップS303)。
Next, the
次に、情報処理装置100は、オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超えるか否かを判定する(ステップS304)。ここで、εは拡張要素であり、r(1+ε)は、探索範囲(この範囲内のノードのみを探索する。検索範囲よりも大きくすることで精度を高めることができる)の半径を示す値である。オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超える場合(ステップS304:Yes)、情報処理装置100は、オブジェクト集合Rをオブジェクトyの近傍オブジェクト集合として出力し(ステップS305)、処理を終了する。
Next, the
オブジェクトsと検索クエリオブジェクトyとの距離d(s,y)がr(1+ε)を超えない場合(ステップS304:No)、情報処理装置100は、オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトの中からオブジェクト集合Cに含まれないオブジェクトを一つ選択し、選択したオブジェクトuを、オブジェクト集合Cに格納する(ステップS306)。オブジェクト集合Cは、重複検索を回避するために便宜上設けられるものであり、処理開始時には空集合に設定される。
When the distance d (s, y) between the object s and the search query object y does not exceed r (1 + ε) (step S304: No), the
次に、情報処理装置100は、オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下であるか否かを判定する(ステップS307)。オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下である場合(ステップS307:Yes)、情報処理装置100は、オブジェクトuをオブジェクト集合Sに追加する(ステップS308)。また、オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下ではない場合(ステップS307:No)、情報処理装置100は、ステップS309の判定(処理)を行う。
Next, the
次に、情報処理装置100は、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下であるか否かを判定する(ステップS309)。オブジェクトuとオブジェクトyとの距離d(u,y)がrを超える場合(ステップS309:No)、情報処理装置100は、ステップS315の判定(処理)を行う。また、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下ではない場合(ステップS309:No)、情報処理装置100は、ステップS315の判定(処理)を行う。
Next, the
オブジェクトuとオブジェクトyとの距離d(u,y)がr以下である場合(ステップS309:Yes)、情報処理装置100は、オブジェクトuをオブジェクト集合Rに追加する(ステップS310)。そして、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト数がksを超えるか否かを判定する(ステップS311)。所定数ksは、任意に定められる自然数である。例えば、ks=2やks=10等の種々の設定であってもよい。オブジェクト集合Rに含まれるオブジェクト数がksを超えない場合(ステップS311:No)、情報処理装置100は、ステップS313の判定(処理)を行う。
When the distance d (u, y) between the object u and the object y is equal to or less than r (step S309: Yes), the
オブジェクト集合Rに含まれるオブジェクト数がksを超える場合(ステップS311:Yes)、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyとの距離が最も長い(遠い)オブジェクトを、オブジェクト集合Rから除外する(ステップS312)。
When the number of objects included in the object set R exceeds ks (step S311: Yes), the
次に、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト数がksと一致するか否かを判定する(ステップS313)。オブジェクト集合Rに含まれるオブジェクト数がksと一致しない場合(ステップS313:No)、情報処理装置100は、ステップS315の判定(処理)を行う。また、オブジェクト集合Rに含まれるオブジェクト数がksと一致する場合(ステップS313:Yes)、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyとの距離が最も長い(遠い)オブジェクトと、オブジェクトyとの距離を、新たなrに設定する(ステップS314)。
Next, the
そして、情報処理装置100は、オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えたか否かを判定する(ステップS315)。オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えていない場合(ステップS315:No)、情報処理装置100は、ステップS306に戻って処理を繰り返す。
Then, the
オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えた場合(ステップS315:Yes)、情報処理装置100は、オブジェクト集合Sが空集合であるか否かを判定する(ステップS316)。オブジェクト集合Sが空集合でない場合(ステップS316:No)、情報処理装置100は、ステップS302に戻って処理を繰り返す。また、オブジェクト集合Sが空集合である場合(ステップS316:Yes)、情報処理装置100は、オブジェクト集合Rを出力し、処理を終了する(ステップS317)。例えば、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト(ノード)を検索クエリ(入力オブジェクトy)に対応する検索結果に基づいて、入力オブジェクトyが所定のグラフデータ内に含まれるかを判定する。図1の例では、情報処理装置100は、オブジェクト集合Rに含まれるノードN451やノードN35のうち、ノードN35のベクトルが検索クエリ(個人XのベクトルVD11)と所定の範囲内の誤差であるとして、個人Xがグラフ情報RG11に含まれると判定する。すなわち、情報処理装置100は、個人XがノードN35に対応する個人#35であると判定する。例えば、情報処理装置100は、個人Xが個人#35であるとの判定結果に基づいて、個人Xが入館ゲートETGを開放してよいユーザであると認証する。そして、情報処理装置100は、入館ゲートEGTにゲート開放を要求する。
When all the objects are selected from the objects that are elements of the neighboring object set N (G, s) of the object s and stored in the object set C (step S315: Yes), the
〔7.効果〕
上述してきたように、実施形態に係る情報処理装置100は、取得部131と、検索部134とを有する。取得部131は、複数の個人の各々に対応する複数のノードが、複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する。検索部134は、取得部131により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、一の個人が複数の個人に含まれるかどうかを判定する。
[7. effect〕
As described above, the
このように、実施形態に係る情報処理装置100は、起点ベクトルを起点としてグラフ情報を検索し、複数の個人のうち、一の個人が複数の個人に含まれるかどうかを判定することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100は、決定部133を有する。決定部133は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。検索部134は、決定部133により決定された起点ノードを起点として、一の個人が複数の個人に含まれるかどうかを判定する。
Further, the
このように、実施形態に係る情報処理装置100は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、決定部133は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。
In the
このように、実施形態に係る情報処理装置100は、木構造型のインデックス情報に基づいて、起点ベクトルを決定することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、複数の個人の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。
Moreover, in the
このように、実施形態に係る情報処理装置100は、複数の個人の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、所定のモデルを用いて複数の個人の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。
Further, in the
このように、実施形態に係る情報処理装置100は、所定のモデルを用いて複数の個人の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。
Further, in the
このように、実施形態に係る情報処理装置100は、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100は、提供部135を有する。提供部135は、検索部134による判定結果に基づいて、所定のサービスを提供する。
In addition, the
このように、実施形態に係る情報処理装置100は、一の個人が複数の個人に含まれるかどうかの判定結果に基づいて、所定のサービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
As described above, the
また、実施形態に係る情報処理装置100において、提供部135は、判定結果に関する情報提供サービスを提供する。
In the
このように、実施形態に係る情報処理装置100は、判定結果に関する情報提供サービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。提供部135は、端末装置10に判定結果に関する情報を提供する。
In the
このように、実施形態に係る情報処理装置100は、個人(ユーザ)が利用する端末装置10から一の個人に関する個人情報を取得し、端末装置10に判定結果に関する情報を提供することにより、対応個人(例えば類似個人)に関するサービスを適切に提供することができる。
In this way, the
また、実施形態に係る情報処理装置100において、提供部135は、判定結果に基づく認証サービスを提供する。
In the
このように、実施形態に係る情報処理装置100は、判定結果に基づく認証サービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。提供部135は、一の個人を認証する認証サービスを提供する。
In the
このように、実施形態に係る情報処理装置100は、個人(ユーザ)が利用する端末装置10から一の個人に関する個人情報を取得し、一の個人を認証する認証サービスを提供することにより、対応個人(例えば類似個人)に関するサービスを適切に提供することができる。
As described above, the
〔8.ハードウェア構成〕
上述してきた実施形態に係る情報処理装置100は、例えば図13に示すような構成のコンピュータ1000によって実現される。図13は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM(Read Only Memory)1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
[8. Hardware configuration)
The
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
The
HDD1400は、CPU1100によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス1500は、ネットワークNを介して他の機器からデータを受信してCPU1100へ送り、CPU1100が生成したデータをネットワークNを介して他の機器へ送信する。
The
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを入出力インターフェイス1600を介して出力装置へ出力する。
The
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
The
例えば、コンピュータ1000が実施形態に係る情報処理装置100として機能する場合、コンピュータ1000のCPU1100は、RAM1200上にロードされたプログラムまたはデータ(例えば、モデルM1(モデルデータMDT1))を実行することにより、制御部130の機能を実現する。コンピュータ1000のCPU1100は、これらのプログラムまたはデータ(例えば、モデルM1(モデルデータMDT1))を記録媒体1800から読み取って実行するが、他の例として、他の装置からネットワークNを介してこれらのプログラムを取得してもよい。
For example, when the
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications based on the knowledge of those skilled in the art, including the aspects described in the disclosure line of the invention. It is possible to implement the present invention in other forms with improvements.
〔9.その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
[9. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.
また、上述してきた各実施形態に記載された各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 In addition, the processes described in the embodiments described above can be appropriately combined within a range in which the process contents are not contradictory.
また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。 In addition, the “section (module, unit)” described above can be read as “means” or “circuit”. For example, the acquisition unit can be read as acquisition means or an acquisition circuit.
1 情報処理システム
100 情報処理装置
121 個人情報記憶部
122 インデックス情報記憶部
123 グラフ情報記憶部
124 モデル情報記憶部
130 制御部
131 取得部
132 生成部
133 決定部
134 検索部
135 提供部
10 端末装置
50 情報提供装置
N ネットワーク
DESCRIPTION OF
Claims (14)
前記取得部により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記一の個人が前記複数の個人に含まれるかどうかを判定する検索部と、
を備えたことを特徴とする情報処理装置。 A plurality of nodes corresponding to each of a plurality of individuals are connected in accordance with the similarity of the plurality of individuals, graph information, and an acquisition unit for acquiring personal information about one individual,
By searching the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring unit. A search unit for determining whether the one individual is included in the plurality of individuals;
An information processing apparatus comprising:
をさらに備え、
前記検索部は、
前記決定部により決定された前記起点ノードを起点として、前記一の個人が前記複数の個人に含まれるかどうかを判定する
ことを特徴とする請求項1に記載の情報処理装置。 A determination unit that determines the starting node based on index information used to determine the starting node;
Further comprising
The search unit
2. The information processing apparatus according to claim 1, wherein whether or not the one individual is included in the plurality of individuals is determined using the starting node determined by the determining unit as a starting point.
木構造型の前記インデックス情報に基づいて、前記起点ノードを決定する
ことを特徴とする請求項2に記載の情報処理装置。 The determination unit
The information processing apparatus according to claim 2, wherein the starting node is determined based on the tree structure type index information.
前記複数の個人の各々に対応する複数のベクトルの類似性に応じて、前記複数のノードが連結されたグラフ情報を取得する
ことを特徴とする請求項1〜3のいずれか1項に記載の情報処理装置。 The acquisition unit
The graph information in which the plurality of nodes are connected is acquired in accordance with the similarity of a plurality of vectors corresponding to each of the plurality of individuals. Information processing device.
前記複数の個人の各々の特徴を示す前記複数のベクトルが類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項4に記載の情報処理装置。 The acquisition unit
The information processing apparatus according to claim 4, wherein the graph information obtained by connecting the plurality of vectors indicating the characteristics of the plurality of individuals according to similarity is acquired.
所定のモデルを用いて前記複数の個人の各々から抽出された特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項4または請求項5に記載の情報処理装置。 The acquisition unit
5. The graph information obtained by connecting the plurality of vectors each having a feature amount extracted from each of the plurality of individuals using a predetermined model according to similarity is obtained. Alternatively, the information processing apparatus according to claim 5.
前記複数の個人に関する情報を所定のモデルに入力することにより、抽出される前記複数の個人の各々の特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項4〜6のいずれか1項に記載の情報処理装置。 The acquisition unit
By inputting information on the plurality of individuals into a predetermined model, the graph information in which the plurality of vectors each having the feature amount of each of the plurality of individuals extracted are connected according to similarity is obtained. It acquires. The information processing apparatus of any one of Claims 4-6 characterized by the above-mentioned.
をさらに備えたことを特徴とする請求項1〜7のいずれか1項に記載の情報処理装置。 A providing unit for providing a predetermined service based on a determination result by the search unit;
The information processing apparatus according to claim 1, further comprising:
前記判定結果に関する情報提供サービスを提供する
ことを特徴とする請求項8に記載の情報処理装置。 The providing unit includes:
The information processing apparatus according to claim 8, wherein an information providing service regarding the determination result is provided.
前記一の個人の前記個人情報を有する端末装置から当該個人情報を取得し、
前記提供部は、
前記端末装置に前記判定結果に関する情報を提供する
ことを特徴とする請求項8または請求項9に記載の情報処理装置。 The acquisition unit
Obtaining the personal information from the terminal device having the personal information of the one individual;
The providing unit includes:
The information processing apparatus according to claim 8, wherein information regarding the determination result is provided to the terminal apparatus.
前記判定結果に基づく認証サービスを提供する
ことを特徴とする請求項8に記載の情報処理装置。 The providing unit includes:
The information processing apparatus according to claim 8, wherein an authentication service based on the determination result is provided.
前記一の個人の前記個人情報を有する端末装置から当該個人情報を取得し、
前記提供部は、
前記一の個人を認証する前記認証サービスを提供する
ことを特徴とする請求項11に記載の情報処理装置。 The acquisition unit
Obtaining the personal information from the terminal device having the personal information of the one individual;
The providing unit includes:
The information processing apparatus according to claim 11, wherein the authentication service for authenticating the one individual is provided.
複数の個人の各々に対応する複数のノードが、前記複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する取得工程と、
前記取得工程により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記一の個人が前記複数の個人に含まれるかどうかを判定する検索工程と、
を含んだことを特徴とする情報処理方法。 An information processing method executed by a computer,
A plurality of nodes corresponding to each of a plurality of individuals connected to each other in accordance with the similarity of the plurality of individuals, and an acquisition step of acquiring personal information about one individual;
By searching the graph information starting from a starting node that is a starting point of the search of the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring step A search step for determining whether the one individual is included in the plurality of individuals;
An information processing method comprising:
前記取得手順により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記一の個人が前記複数の個人に含まれるかどうかを判定する検索手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。 A plurality of nodes corresponding to each of a plurality of individuals connected to each other in accordance with the similarity of the plurality of individuals, an acquisition procedure for acquiring personal information about one individual;
By searching for the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring procedure A search procedure for determining whether the one individual is included in the plurality of individuals;
An information processing program for causing a computer to execute.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018033937A JP6983694B2 (en) | 2018-02-27 | 2018-02-27 | Information processing equipment, information processing methods, and information processing programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018033937A JP6983694B2 (en) | 2018-02-27 | 2018-02-27 | Information processing equipment, information processing methods, and information processing programs |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019149058A true JP2019149058A (en) | 2019-09-05 |
JP6983694B2 JP6983694B2 (en) | 2021-12-17 |
Family
ID=67850676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018033937A Active JP6983694B2 (en) | 2018-02-27 | 2018-02-27 | Information processing equipment, information processing methods, and information processing programs |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6983694B2 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006338368A (en) * | 2005-06-02 | 2006-12-14 | Canon Inc | Image processor and image processing method |
KR20110067013A (en) * | 2011-05-30 | 2011-06-20 | 삼성전자주식회사 | Method and apparatus for reducing the number of photo in photo album |
JP2013084214A (en) * | 2011-10-12 | 2013-05-09 | Canon Inc | Image processing system, image processing method, information processing device, and program |
US20150339405A1 (en) * | 2014-05-21 | 2015-11-26 | Facebook, Inc. | Search Client Context on Online Social Networks |
-
2018
- 2018-02-27 JP JP2018033937A patent/JP6983694B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006338368A (en) * | 2005-06-02 | 2006-12-14 | Canon Inc | Image processor and image processing method |
KR20110067013A (en) * | 2011-05-30 | 2011-06-20 | 삼성전자주식회사 | Method and apparatus for reducing the number of photo in photo album |
JP2013084214A (en) * | 2011-10-12 | 2013-05-09 | Canon Inc | Image processing system, image processing method, information processing device, and program |
US20150339405A1 (en) * | 2014-05-21 | 2015-11-26 | Facebook, Inc. | Search Client Context on Online Social Networks |
Non-Patent Citations (1)
Title |
---|
岩崎 雅二郎: "商品画像検索へのグラフ構造型インデックスの適用", 画像電子学会誌, vol. 第42巻,第5号, JPN6017046861, 5 November 2013 (2013-11-05), JP, pages 633 - 641, ISSN: 0004456337 * |
Also Published As
Publication number | Publication date |
---|---|
JP6983694B2 (en) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Structure based user identification across social networks | |
JP7122120B2 (en) | Information processing device, information processing method, and information processing program | |
US11074434B2 (en) | Detection of near-duplicate images in profiles for detection of fake-profile accounts | |
WO2018142764A1 (en) | Learned model generating method, learned model generating device, and learned model use device | |
CN110175515B (en) | Face recognition algorithm based on big data | |
Dong et al. | Open-set face identification with index-of-max hashing by learning | |
Ni et al. | Discriminative deep transfer metric learning for cross-scenario person re-identification | |
Akhand et al. | Human age prediction from facial image using transfer learning in deep convolutional neural networks | |
CN112069412B (en) | Information recommendation method, device, computer equipment and storage medium | |
CN113761124A (en) | Training method of text coding model, information retrieval method and equipment | |
JP6976178B2 (en) | Extractor, extraction method, and extraction program | |
JP6983694B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
CN113688762B (en) | Face recognition method, device, equipment and medium based on deep learning | |
Karmakar et al. | Generation of new points for training set and feature-level fusion in multimodal biometric identification | |
Zeng et al. | A novel method for finger vein recognition | |
Xu et al. | Dmh-fsl: dual-modal hypergraph for few-shot learning | |
CN114528491A (en) | Information processing method, information processing device, computer equipment and storage medium | |
JP2019128795A (en) | Authentication device, authentication method, and authentication program | |
JP7030485B2 (en) | Extractor, extraction method, and extraction program | |
CN114494809A (en) | Feature extraction model optimization method and device and electronic equipment | |
JP7414906B2 (en) | Information processing device, information processing method, and information processing program | |
JP6865706B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
Lin et al. | Distributed face recognition in wireless sensor networks | |
JP7041530B2 (en) | Display program, display method, and display device | |
JP6856567B2 (en) | Information processing equipment, information processing methods, and information processing programs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200309 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210226 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210302 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210428 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211124 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6983694 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |