JP2021077046A - 統合分析方法、統合分析装置、及び統合分析プログラム - Google Patents

Abstract

【課題】コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図る。【解決手段】本発明の一側面に係る統合分析方法は、各クライアント装置が、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算を実行するステップと、サーバ装置が、各クライアント装置による演算の結果を取得するステップと、サーバ装置が、各クライアント装置から取得された演算の結果を統合することにより、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出するステップ、サーバ装置が、主成分分析を実施することにより、算出された統合結果から１つ以上の主成分を導出するステップと、サーバ装置が、導出された１つ以上の主成分に関する情報を出力するステップと、を備える。【選択図】図１

Description

本発明は、統合分析方法、統合分析装置、及び統合分析プログラムに関する。

データを分析する様々な用途に主成分分析を利用することができる。例えば、主成分分析によれば、多次元のデータの特徴を抽出し、当該データの情報量を圧縮することができる。また、例えば、主成分分析により得られる部分空間を利用することにより、対象データに対して、クラス識別（部分空間法）等の所定の推論を実施することができる。所定の推論の一例として、非特許文献１では、部分空間法により、観測画像に写る製品の良否を判定する方法が提案されている。

豊田健太、堀田一弘、「部分空間法とロバスト統計を用いた不良箇所の自動特定」、SSII2016、IS3-22、2016年6月10日

本件発明者らは、主成分分析を利用する従来の方法には、次のような問題点があることを見出した。すなわち、主成分分析の対象となる学習データは個々に収集される。主成分分析によるデータ解析の質を高めるためには、個々のユーザは、十分な学習データを収集するのが望ましい。しかしながら、十分な学習データを個々に収集するのはコストがかかり困難である。そのため、学習データを個々に収集するようにすると、サンプルの偏りが生じやすく、主成分分析によるデータ解析の質が不十分になってしまう可能性がある。例えば、上記データ圧縮のケースでは、主成分分析により得られる圧縮モデルの質が不十分になり、本来は有益な情報（例えば、他のユーザのタスクに有益な情報）が削除されてしまう可能性がある。また、例えば、上記所定の推論を実施するケースでは、推論に有益な情報が考慮されず、推論の精度が不十分になってしまう可能性がある。

そこで、十分な学習データを確保するために、１又は複数のコンピュータで構成される１つのシステムに、個々に収集される学習データを集結することが考えられる。しかしながら、個々に収集された学習データを集結するには、データのやり取りに膨大なコスト（例えば、通信コスト）がかかってしまう。また、集結された大量の学習データに対して主成分分析を実施すると、計算コストが大きくなり、計算処理に利用するメモリの不足が生じる、所定時間内に計算処理が完了しない等の不具合が生じてしまう可能性がある。

本発明は、一側面では、このような実情を鑑みてなされたものであり、その目的は、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図る技術を提供することである。

本発明は、上述した課題を解決するために、以下の構成を採用する。

すなわち、本発明の一側面に係る統合分析方法は、複数のクライアント装置それぞれが、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算をローカル学習データに対して実行するステップと、サーバ装置が、前記各クライアント装置から前記演算の結果を取得するステップと、前記サーバ装置が、前記各クライアント装置から取得された前記演算の結果を統合することにより、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出するステップと、前記サーバ装置が、主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出するステップと、サーバ装置が、導出された前記１つ以上の主成分に関する情報を出力するステップと、を備える。

当該構成に係る統合分析方法では、ローカル学習データそのものではなく、ローカル学習データに含まれるローカルサンプルの要素間の相関性に関する演算の結果をサーバ装置に集結する。これにより、各クライアント装置及びサーバ装置間でデータをやり取りするコストを低減することができる。また、全ローカル学習データから１つ以上の主成分を導出する一連の計算処理の一部を各クライアント装置側で負担する。これにより、個々に収集されたローカル学習データを主成分分析に反映することができると共に、サーバ装置にかかる計算コストを低減することができる。したがって、当該構成によれば、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。

なお、ローカル学習データの要素間の相関性に関する演算結果の形式は、ローカル学習データそのものではなく、かつ全ローカル学習データの主成分を導出可能であれば、特に限定されなくてよい。演算結果は、例えば、ローカル学習データの自己相関行列等により構成されてよい。また、統合結果の形式は、全ローカル学習データの主成分を導出する過程で得られるものであれば、特に限定されなくてよい。統合結果は、例えば、分散共分散行列、相関係数行列等により構成されてよい。

上記一側面に係る統合分析方法において、前記相関性を求めるための演算は、前記全ローカル学習データに含まれる全ローカルサンプルの各要素の平均値を取得するステップ、前記ローカル学習データに含まれる各ローカルサンプルの各要素の値から、取得された前記平均値を減算することで、各ローカルサンプルを正規化（中心化）するステップ、及び正規化された前記各ローカルサンプルから前記ローカル学習データの自己相関行列を算出するステップ、により構成されてよい。前記演算の結果を取得することは、算出された前記自己相関行列を取得することにより構成されてよい。前記演算の結果を統合することは、前記各クライアント装置から取得された前記自己相関行列を合計することにより構成されてよい。当該構成によれば、全ローカル学習データの１つ以上の主成分を適切に導出することができる。

上記一側面に係る統合分析方法は、前記各クライアント装置が、前記各ローカルサンプルの重要度の指定を受け付けるステップを更に備えてもよい。前記各ローカルサンプルは、指定された前記重要度に応じて重み付けされてよい。前記全ローカルサンプルの各要素の平均値は、前記重要度に応じて重み付けされた重み付け平均値であってよい。前記算出するステップでは、前記サーバ装置は、前記重要度に応じた重みの合計で前記自己相関行列の合計を割算することで、前記全ローカル学習データの分散共分散行列を前記統合結果として算出してもよい。当該構成によれば、各クライアント装置において指定される各ローカルサンプルの重要度を主成分分析に反映することで、主成分分析によるデータ解析の質の向上を図ることができる。

上記一側面に係る統合分析方法において、前記全ローカルサンプルの各要素の平均値は、前記各クライアント装置から得られる、前記ローカルサンプルの数及び各要素の平均値を利用した秘密計算により算出されてよい。ローカルサンプルの数及び各要素の平均値が公開されると、ローカル学習データの秘匿性が損なわれる可能性がある。当該構成では、秘密計算を利用することで、ローカルサンプルの数及び各要素の平均値を秘匿した上で、全ローカルサンプルの各要素の平均値を得ることができる。したがって、当該構成によれば、全ローカル学習データから１つ以上の主成分を導出する一連の計算処理の過程において、ローカル学習データの秘匿性を確保することができる。

上記一側面に係る統合分析方法において、前記演算の結果の統合は秘密計算により行われてよい。当該構成によれば、全ローカル学習データから１つ以上の主成分を導出する一連の計算処理の過程において、ローカル学習データの秘匿性を確保することができる。

上記一側面に係る統合分析方法は、前記各クライアント装置が、前記各ローカルサンプルを構成する複数の要素のうちから、２つ以上の要素の指定を受け付けるステップを更に備えてもよい。前記算出するステップでは、前記サーバ装置は、指定された前記２つ以上の要素について、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出してもよい。前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、指定された前記２つ以上の要素について、算出された前記統合結果から１つ以上の主成分を導出してもよい。当該構成によれば、各クライアント装置において指定される要素についての主成分分析を実施することができる。

上記一側面に係る統合分析方法は、前記サーバ装置が、指定された前記２つ以上の要素の一致度に基づいて、前記各クライアント装置を複数のグループのうちの少なくともいずれかに割り当てるステップを更に備えてもよい。前記算出するステップでは、前記サーバ装置は、同一のグループ内で、指定された前記２つ以上の要素について、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出してもよい。前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、前記同一のグループ内で、指定された前記２つ以上の要素について、算出された前記統合結果から１つ以上の主成分を導出してもよい。当該構成によれば、指定された要素に基づいて各クライアント装置をグルーピングし、グループ毎に主成分分析を実施することができる。

上記一側面に係る統合分析方法は、前記サーバ装置が、前記各クライアント装置を複数のグループのうちの少なくともいずれかに割り当てるステップを更に備えてもよい。前記算出するステップでは、前記サーバ装置は、同一のグループ内で、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出してもよい。前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、前記同一のグループ内で、算出された前記統合結果から１つ以上の主成分を導出してもよい。当該構成によれば、各クライアント装置をグルーピングし、グループ毎に主成分分析を実施することができる。

上記一側面に係る統合分析方法において、前記割り当てるステップでは、前記サーバ装置は、前記複数のグループを示すリストを前記各クライアント装置に配信して、前記リストに示される前記複数のグループのうちから１つ以上のグループを選択させ、選択された前記１つ以上のグループに前記各クライアント装置を割り当ててもよい。当該構成によれば、簡易な方法により、各クライアント装置をグルーピングすることができる。

上記一側面に係る統合分析方法において、前記サーバ装置は、前記ローカル学習データに関する属性データを前記各クライアント装置から取得し、前記各クライアント装置から取得された前記属性データをクラスタリングし、前記クラスタリングの結果に基づいて、前記各クライアント装置を前記複数のグループのうちの少なくともいずれかに割り当ててもよい。当該構成によれば、ローカル学習データの属性に応じて、各クライアント装置をグルーピングすることができる。

上記一側面に係る統合分析方法において、前記１つ以上の主成分に関する情報を出力することは、導出された前記１つ以上の主成分に関する情報を前記サーバ装置が前記各クライアント装置に配信することにより構成されてよい。当該構成によれば、各クライアント装置において、全ローカル学習データに対する主成分分析の結果を利用することができるようになる。

上記一側面に係る統合分析方法において、前記ローカル学習データは、製品の写る画像データ、又は製品の属性を測定することで得られた測定データにより構成されてよい。当該構成によれば、製品の外観検査に利用可能なデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。

上記一側面に係る統合分析方法において、前記ローカル学習データは、対象者の状態を観察するセンサにより得られたセンシングデータにより構成されてよい。当該構成によれば、対象者の状態の推定に利用可能なデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。

また、上記各形態に係る統合分析方法の別の態様として、本発明の一側面は、以上の各クライアント装置及びサーバ装置により構成されるコンピュータシステムであってよい。或いは、本発明の一側面は、以上の各構成の全部又はその一部を実現する１又は複数の装置、その装置による情報処理方法、プログラム、及びこのようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体のいずれかであってよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。

例えば、本発明の一側面に係る統合分析装置は、複数のクライアント装置それぞれにより収集されたローカル学習データに対して実行された、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算の結果を複数のクライアント装置それぞれから取得する取得部と、前記各クライアント装置から取得された前記演算の結果を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出する統合部と、主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出する分析部と、導出された前記１つ以上の主成分に関する情報を出力する出力部と、を備える。

また、例えば、本発明の一側面に係る統合分析プログラムは、コンピュータに、複数のクライアント装置それぞれにより収集されたローカル学習データに対して実行された、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算の結果を複数のクライアント装置それぞれから取得するステップと、前記各クライアント装置から取得された前記演算の結果を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出するステップと、主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出するステップと、導出された前記１つ以上の主成分に関する情報を出力するステップと、を実行させるための、プログラムである。

本発明によれば、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。

図１は、本発明が適用される場面の一例を模式的に例示する。 図２は、実施の形態に係る統合分析装置のハードウェア構成の一例を模式的に例示する。 図３は、実施の形態に係るクライアント装置のハードウェア構成の一例を模式的に例示する。 図４は、実施の形態に係る統合分析装置のソフトウェア構成の一例を模式的に例示する。 図５Ａは、実施の形態に係るクライアント装置のソフトウェア構成の一例を模式的に例示する。 図５Ｂは、実施の形態に係るクライアント装置のソフトウェア構成の一例を模式的に例示する。 図５Ｃは、実施の形態に係るクライアント装置のソフトウェア構成の一例を模式的に例示する。 図６Ａは、実施の形態に係るクライアント装置によるローカル学習データの収集に関する処理手順の一例を例示する。 図６Ｂは、実施の形態に係るローカル学習データの要素間の相関性の算出に関する処理手順の一例を例示する。 図７は、実施の形態に係る統合分析装置の処理手順の一例を例示する。 図８は、実施の形態に係るグルーピング処理の一例を模式的に例示する。 図９は、実施の形態に係る統合分析装置によるクライアント装置のグルーピングに関する処理手順の一例を例示する。 図１０は、実施の形態に係る統合分析装置によるクライアント装置のグルーピングに関する処理手順の一例を例示する。 図１１は、実施の形態に係るクライアント装置によるデータ圧縮に関する処理手順の一例を例示する。 図１２は、実施の形態に係るクライアント装置による所定の推論に関する処理手順の一例を例示する。 図１３は、本発明が適用される他の場面の一例を模式的に例示する。 図１４は、本発明が適用される他の場面の一例を模式的に例示する。 図１５は、本発明が適用される他の場面の一例を模式的に例示する。 図１６は、本発明が適用される他の場面の一例を模式的に例示する。 図１７は、本発明が適用される他の場面の一例を模式的に例示する。 図１８は、変形例に係るクライアント装置のソフトウェア構成の一例を模式的に例示する。 図１９は、変形例に係るクライアント装置によるローカル学習データの収集に関する処理手順の一例を例示する。 図２０は、重要度及び分析対象の要素の指定を受け付ける画面の一例を模式的に例示する。 図２１は、変形例に係る統合分析装置によるクライアント装置のグルーピングに関する処理手順の一例を例示する。 図２２は、変形例に係るクライアント装置のソフトウェア構成の一例を模式的に例示する。 図２３は、変形例において秘密計算を実施する場面の一例を模式的に例示する。 図２４は、変形例において秘密計算を実施する場面の一例を模式的に例示する。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

§１ 適用例
図１は、本発明を適用した場面の一例を模式的に例示する。図１に示されるとおり、本実施形態に係るシステム１００は、統合分析装置１及び複数のクライアント装置２を備えている。

各クライアント装置２は、ローカル学習データ３を収集するように構成されたコンピュータである。ローカル学習データ３の種類は、主成分分析の対象となり得るものであれば、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。ローカル学習データ３は、例えば、画像データ、音データ、数値データ、テキストデータ、その他各種センサにより得られる測定データ等であってよい。以下、センサにより得られる測定データを「センシングデータ」とも称する。

本実施形態では、各クライアント装置２は、センサＳを利用して、ローカル学習データ３を収集することができる。センサＳは、例えば、画像センサ（カメラ）、赤外線センサ、音センサ（マイクロフォン）、超音波センサ、光センサ、圧力センサ、気圧センサ、温度センサ等であってよい。また、センサＳは、例えば、環境センサ、バイタルセンサ、医療検査装置、車載センサ、ホームセキュリティセンサ等であってよい。環境センサは、例えば、気圧計、温度計、湿度計、音圧計、音センサ、紫外線センサ、照度計、雨量計、ガスセンサ等であってよい。バイタルセンサは、例えば、血圧計、脈拍計、心拍計、心電計、筋電計、体温計、皮膚電気反応計、マイクロ波センサ、脳波計、脳磁計、活動量計、血糖値測定器、眼電位センサ、眼球運動計測器等であってよい。医療検査装置は、例えば、ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置等であってよい。車載センサは、例えば、画像センサ、Lidar（light detection and ranging）センサ、ミリ波レーダ、超音波センサ、加速度センサ等であってよい。ホームセキュリティセンサは、例えば、画像センサ、赤外線センサ、活性度（音声）センサ、ガス（ＣＯ２等）センサ、電流センサ、スマートメータ（家電、照明等の電力使用量を計測するセンサ）等であってよい。

ローカル学習データ３は、複数のローカルサンプルにより構成される。各ローカルサンプルは、複数の要素を含む。サンプルの各要素は、例えば、画像データの各画素等のように、データから直接的に得られるものであってもよいし、例えば、画像データに写る対象物の寸法等のように、データに対して何らかの情報処理を実行することにより（すなわち、データから間接的に）得られるものであってもよい。

各クライアント装置２は、ローカル学習データ３に含まれる各ローカルサンプルの各要素間の相関性を求めるための演算をローカル学習データ３に対して実行する。これにより、各クライアント装置２は、ローカル学習データ３の要素間の相関性に関する演算の結果５１を生成する。演算の結果５１の形式は、ローカル学習データ３そのものではなく、かつ主成分分析に利用可能であれば、特に限定されなくてもよい。

統合分析装置１は、主成分分析を実施するように構成されたコンピュータである。統合分析装置１は、本発明の「サーバ装置」の一例である。統合分析装置１は、各クライアント装置２から演算の結果５１を取得する。統合分析装置１は、各クライアント装置２から取得された演算の結果５１を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０を算出する。全ローカル学習データは、各クライアント装置２により得られ、主成分分析の対象となる全てのローカル学習データ３を指す。全ローカルサンプルは、主成分分析の対象となる全てのローカルサンプルを指す。統合結果４０の形式は、主成分分析に利用可能に任意に決定されてよい。

統合分析装置１は、主成分分析を実施することにより、算出された統合結果４０から１つ以上の主成分４１を導出する。主成分分析の演算内容、すなわち、主成分４１を導出する方法は、任意に選択されてよい。主成分４１を導出する方法には、特異値分解、固有値分解、ＫＬ展開等の公知の方法が採用されてよい。

統合分析装置１は、導出された１つ以上の主成分４１を出力する。主成分４１の出力形式及び用途はそれぞれ任意に選択されてよい。本実施形態では、導出された１つ以上の主成分４１は、各クライアント装置２に提供されてよい。これにより、各クライアント装置２は、例えば、データ圧縮、所定の推論等の様々な用途に、全ローカル学習データから導出された１つ以上の主成分４１を利用することができる。

「推論」は、「推定」と読み替えられてよい。推論することは、例えば、グループ分け（分類、識別）により離散値（例えば、特定の特徴に対応するクラス）を導出すること、及び回帰により連続値（例えば、特定の特徴が出現している確率）を導出することのいずれかであってよい。推論することには、当該グループ分け又は回帰の結果に基づいて、検出、判定等の何らかの認定を行うことが含まれてもよい。また、推論することには、予測することが含まれてもよい。

なお、システム１００の称呼は、システム１００内で実行される情報処理、主成分４１の利用形態等に応じて、適宜変更されてよい。システム１００は、例えば、分析システム、圧縮システム、推論システム等と称されてよい。システム１００内のコンピュータにおいて、導出された主成分４１が推論に利用される場合には、システム１００の称呼は、例えば、検査システム、監視システム、診断システム、検知システム、予測システム等のように、推論の内容に応じて適宜変更されてよい。同様に、各クライアント装置２は、例えば、圧縮装置、推論装置等と称されてよい。導出された主成分４１が各クライアント装置２における推論に利用される場合、各クライアント装置２の称呼は、例えば、検査装置、監視装置、診断装置、検知装置、予測装置等のように、推論の内容に応じて適宜変更されてよい。

以上のとおり、本実施形態では、ローカル学習データ３そのものではなく、ローカル学習データ３に含まれるローカルサンプルの要素間の相関性に関する演算の結果５１を統合分析装置１に集結する。これにより、各クライアント装置２及び統合分析装置１の間でデータをやり取りするコストを低減することができる。また、全ローカル学習データから１つ以上の主成分４１を導出する一連の計算処理の一部を各クライアント装置２に負担させることができる。これにより、各クライアント装置２で個々に収集されたローカル学習データ３を主成分分析に反映することができると共に、統合分析装置１にかかる計算コストを低減することができる。したがって、本実施形態によれば、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。

なお、図１の例では、システム１００内に３つのクライアント装置２ａ〜２ｃが存在している。以下、説明の便宜上、各クライアント装置を区別する場合に、ａ、ｂ、ｃ等の更なる符号を付し、そうではない場合には、「クライアント装置２」等のようにこれらの符号を省略する。各クライアント装置２ａ〜２ｃは、ローカル学習データ３ａ〜３ｃを収集し、ローカル学習データ３ａ〜３ｃの要素間の相関性に関する演算の結果５１ａ〜５１ｃを生成する。生成された演算の結果５１ａ〜５１ｃは統合分析装置１に集結される。統合分析装置１は、演算の結果５１ａ〜５１ｃから統合結果４０を算出し、算出された統合結果４０から１つ以上の主成分４１を導出する。これにより、統合分析装置１は、３つのクライアント装置２ａ〜２ｃで収集されたローカル学習データ３ａ〜３ｃに関する１つ以上の主成分４１を導出することができる。ただし、クライアント装置２の数は、３つに限られなくてよく、任意であってよい。

また、図１の例では、統合分析装置１及び各クライアント装置２は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。ただし、統合分析装置１及び各クライアント装置２の間でデータをやりとりする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、統合分析装置１及び各クライアント装置２の間では、記憶媒体、外部記憶装置等を利用して、データがやりとりされてよい。

また、図１の例では、統合分析装置１及び複数のクライアント装置２は、それぞれ別個で１つのコンピュータにより構成されている。しかしながら、本実施形態に係るシステム１００の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、統合分析装置１及び複数のクライアント装置２のうちの少なくともいずれかは、複数台のコンピュータにより構成されてもよい。

§２ 構成例
［ハードウェア構成］
＜統合分析装置＞
図２は、本実施形態に係る統合分析装置１のハードウェア構成の一例を模式的に例示する。図２に示されるとおり、本実施形態に係る統合分析装置１は、制御部１１、記憶部１２、通信インタフェース１３、入力装置１４、出力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。図２では、インタフェースを「Ｉ／Ｆ」と記載している。

制御部１１は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、統合分析プログラム８１、複数件の演算結果データ２２１、主成分情報１２１、グループリスト１２３、割当情報１２４等の各種情報を記憶する。

統合分析プログラム８１は、主成分４１の導出に関する後述の情報処理（図７、図９及び図１０）を統合分析装置１に実行させるためのプログラムである。統合分析プログラム８１は、当該情報処理の一連の命令を含む。各件の演算結果データ２２１は、各クライアント装置２により収集されるローカル学習データ３の要素間の相関性に関する演算の結果５１を示す。主成分情報１２１は、導出された１つ以上の主成分４１に関する情報を含む。主成分情報１２１は、統合分析プログラム８１を実行した結果として生成される。グループリスト１２３は、各クライアント装置２を割り当てる候補となる複数のグループの一覧を示す。割当情報１２４は、各クライアント装置２と各グループとの対応関係を示す。

通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。統合分析装置１は、通信インタフェース１３を利用して、他の情報処理装置との間で、ネットワークを介したデータ通信を実行することができる。

入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１５は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザ等のオペレータは、入力装置１４及び出力装置１５を利用することで、統合分析装置１を操作することができる。

ドライブ１６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラム等の各種情報を読み込むためのドライブ装置である。記憶媒体９１は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。上記統合分析プログラム８１、複数件の演算結果データ２２１、グループリスト１２３、及び割当情報１２４の少なくともいずれかは、記憶媒体９１に記憶されていてもよい。統合分析装置１は、記憶媒体９１から、上記統合分析プログラム８１、複数件の演算結果データ２２１、グループリスト１２３、及び割当情報１２４の少なくともいずれかを取得してもよい。なお、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限られなくてもよく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ１６の種類は、記憶媒体９１の種類に応じて任意に選択されてよい。

なお、統合分析装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）、ＤＳＰ（digital signal processor）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、入力装置１４、出力装置１５及びドライブ１６の少なくともいずれかは省略されてもよい。統合分析装置１は、複数台のコンピュータにより構成されてよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、統合分析装置１は、提供されるサービス専用に設計された情報処理装置の他、例えば、ＰＣ（Personal Computer）、汎用のサーバ装置等の汎用のコンピュータ装置であってよい。

＜クライアント装置＞
図３は、本実施形態に係る各クライアント装置２のハードウェア構成の一例を模式的に例示する。図３に示されるとおり、本実施形態に係る各クライアント装置２は、制御部２１、記憶部２２、通信インタフェース２３、入力装置２４、出力装置２５、ドライブ２６、及び外部インタフェース２７が電気的に接続されたコンピュータである。

各クライアント装置２の制御部２１〜ドライブ２６及び記憶媒体９２はそれぞれ、上記統合分析装置１の制御部１１〜ドライブ１６及び記憶媒体９１それぞれと同様に構成されてよい。制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。記憶部２２は、収集プログラム８５、圧縮プログラム８６、推論プログラム８７、ローカル学習データ３、演算結果データ２２１、主成分情報１２１等の各種情報を記憶する。

収集プログラム８５は、ローカル学習データ３の収集及び相関性に関する演算の結果５１の生成に関する後述の情報処理（図６Ａ及び図６Ｂ）を各クライアント装置２に実行させるためのプログラムである。ローカル学習データ３及び演算結果データ２２１は、収集プログラム８５を実行した結果として生成される。圧縮プログラム８６は、導出された１つ以上の主成分４１を利用したデータ圧縮に関する後述の情報処理（図１１）を各クライアント装置２に実行させるためのプログラムである。推論プログラム８７は、導出された１つ以上の主成分４１を利用した所定の推論に関する後述の情報処理（図１２）を各クライアント装置２に実行させるためのプログラムである。推論プログラム８７の称呼は、例えば、検査プログラム、監視プログラム、診断プログラム、検知プログラム、予測プログラム等のように、推論の内容に応じて適宜変更されてよい。各プログラム８５〜８７は、各情報処理の一連の命令を含む。収集プログラム８５、圧縮プログラム８６、推論プログラム８７及び主成分情報１２１の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、各クライアント装置２は、記憶媒体９２から、収集プログラム８５、圧縮プログラム８６、推論プログラム８７及び主成分情報１２１の少なくともいずれかを取得してもよい。

外部インタフェース２７は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース２７の種類及び数は任意に選択されてよい。各クライアント装置２は、通信インタフェース２３及び外部インタフェース２７の少なくとも一方を介して、サンプルを得るためのセンサＳに接続されてよい。

なお、各クライアント装置２の具体的なハードウェア構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＤＳＰ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、入力装置２４、出力装置２５、ドライブ２６、及び外部インタフェース２７の少なくともいずれかは省略されてもよい。各クライアント装置２は、複数台のコンピュータにより構成されてよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、各クライアント装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ、ＰＬＣ（programmable logic controller）、タブレット端末等であってもよい。

［ソフトウェア構成］
＜統合分析装置＞
図４は、本実施形態に係る統合分析装置１のソフトウェア構成の一例を模式的に例示する。

統合分析装置１の制御部１１は、記憶部１２に記憶された統合分析プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＣＰＵにより、ＲＡＭに展開された統合分析プログラム８１に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図４に示されるとおり、本実施形態に係る統合分析装置１は、取得部１１１、統合部１１２、分析部１１３、出力部１１４、及びグルーピング部１１５をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、統合分析装置１の各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。

取得部１１１は、各クライアント装置２により収集されたローカル学習データ３に対して実行された、ローカル学習データ３に含まれる各ローカルサンプルの各要素間の相関性を求めるための演算の結果５１を示す演算結果データ２２１を取得する。統合部１１２は、各クライアント装置２から取得された演算の結果５１を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０を算出する。分析部１１３は、主成分分析を実行することにより、算出された統合結果４０から１つ以上の主成分４１を導出する。出力部１１４は、導出された１つ以上の主成分４１に関する主成分情報１２１を出力する。グルーピング部１１５は、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てる。

＜クライアント装置＞
図５Ａ〜図５Ｃは、本実施形態に係る各クライアント装置２のソフトウェア構成の一例を模式的に例示する。

上記統合分析装置１と同様に、各クライアント装置２の制御部２１は、収集プログラム８５に含まれる命令をＣＰＵにより解釈及び実行する。これにより、図５Ａに示されるとおり、本実施形態に係る各クライアント装置２は、収集部２０１、演算部２０２、及び出力部２０３をソフトウェアモジュールとして備えるコンピュータとして動作する。同様に、制御部２１は、圧縮プログラム８６に含まれる命令をＣＰＵにより解釈及び実行する。これにより、図５Ｂに示されるとおり、本実施形態に係る各クライアント装置２は、取得部２１１、圧縮部２１２、及び出力部２１３をソフトウェアモジュールとして備えるコンピュータとして動作する。制御部２１は、推論プログラム８７に含まれる命令をＣＰＵにより解釈及び実行する。これにより、図５Ｃに示されるとおり、本実施形態に係る各クライアント装置２は、取得部２１５、推論部２１６、及び出力部２１７をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、各クライアント装置２の各情報処理における各ソフトウェアモジュールは、上記統合分析装置１と同様に、制御部２１（ＣＰＵ）により実現される。

図５Ａに示されるとおり、収集部２０１は、複数のローカルサンプル３０により構成されるローカル学習データ３を収集する。演算部２０２は、ローカル学習データ３に含まれる各ローカルサンプル３０の各要素間の相関性を求めるための演算をローカル学習データ３に対して実行する。出力部２０３は、演算部２０２により生成された演算の結果５１を示す演算結果データ２２１を出力する。

図５Ｂに示されるとおり、取得部２１１は、情報量を削減（すなわち、圧縮）する対象となる対象データ２２３（サンプル）を取得する。圧縮部２１２は、主成分情報１２１を参照し、導出された主成分４１を利用して、対象データ２２３を圧縮する。これにより、圧縮部２１２は、圧縮データ２２４を生成する。出力部２１３は、生成された圧縮データ２２４を出力する。

図５Ｃに示されるとおり、取得部２１５は、推論の対象となる対象データ２２６（サンプル）を取得する。推論部２１６は、主成分情報１２１を参照し、導出された主成分４１を利用して、対象データ２２６に対して所定の推論を実施する。推論方法は任意に選択されてよい。本実施形態では、推論の一例として、推論部２１６は、対象データ２２６及びデータ群２２７の比較に基づいて、対象データ２２６に含まれる特徴のクラス識別を実行する。具体的には、データ群２２７は、複数のサンプル２２８により構成されている。複数のサンプル２２８の少なくともいずれかには、ローカル学習データ３を構成するローカルサンプル３０が利用されてよい。各サンプル２２８は、対応するカテゴリに応じた特徴を含んでいる。各サンプル２２８は、主成分４１を利用して、部分空間に射影されることで、特徴量２２８１に変換される。これにより、部分空間内で、対象のカテゴリに属する範囲を決定することができる。推論部２１６は、主成分４１を利用して、部分空間に射影することで、対象データ２２６を特徴量２２６１に変換する。推論部２１６は、部分空間内で、得られた特徴量２２６１及び各特徴量２２８１を比較する。推論部２１６は、この比較の結果に基づいて、対象データ２２６に含まれる特徴が対象のカテゴリに属するか否かを判定する。出力部２１７は、推論の結果に関する情報を出力する。

＜その他＞
統合分析装置１及び各クライアント装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、統合分析装置１及び各クライアント装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、以上のソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。また、統合分析装置１及び各クライアント装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。

§３ 動作例
（１）データ収集
図６Ａは、本実施形態に係る各クライアント装置２によるローカル学習データ３の収集に関する処理手順の一例を示すフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ１０１）
ステップＳ１０１では、制御部２１は、収集部２０１として動作し、ローカル学習データ３を収集する。

ローカル学習データ３は、複数のローカルサンプル３０により構成される。各ローカルサンプル３０は適宜取得されてよい。例えば、実空間又は仮想空間において、様々な条件でデータを生成する。生成されたデータを各ローカルサンプル３０として取得することができる。本実施形態では、センサＳにより様々な条件で対象を観測することで、センシングデータを生成してもよい。観測の対象は、ローカルサンプル３０の利用目的に応じて適宜選択されてよい。生成されたセンシングデータを各ローカルサンプル３０として取得することができる。

各ローカルサンプル３０は、コンピュータの動作により自動的に生成されてもよいし、少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。また、各ローカルサンプル３０の生成は、各クライアント装置２により行われてもよいし、各クライアント装置２以外の他のコンピュータにより行われてもよい。各ローカルサンプル３０を各クライアント装置２が生成する場合、制御部２１は、自動的に又は入力装置２４を介したオペレータの操作により手動的に上記生成処理を実行することで、各ローカルサンプル３０を取得することができる。一方、各ローカルサンプル３０を他のコンピュータが生成する場合、制御部２１は、例えば、ネットワーク、記憶媒体９２等を介して、他のコンピュータにより生成されたローカルサンプル３０を取得することができる。一部のローカルサンプル３０が各クライアント装置２により生成され、その他のローカルサンプル３０が１又は複数の他のコンピュータにより生成されてもよい。

ローカルサンプル３０の件数は任意に選択されてよい。ローカル学習データ３を収集すると、制御部２１は、次のステップＳ１０２に処理を進める。

（ステップＳ１０２）
ステップＳ１０２では、制御部２１は、演算部２０２として動作し、ローカル学習データ３に含まれる各ローカルサンプル３０の各要素間の相関性を求めるための演算をローカル学習データ３に対して実行する。これにより、制御部２１は、ローカル学習データ３の要素間の相関性に関する演算の結果５１を生成する。演算内容は、結果５１の形式に応じて適宜決定されてよい。

図６Ｂは、本実施形態に係るローカル学習データ３の要素間の相関性の算出に関するサブルーチンの処理手順を示すフローチャートである。本実施形態に係るステップＳ１０２の処理は、以下のステップＳ１０２１〜ステップＳ１０２３の処理を含む。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ１０２１）
ステップＳ１０２１では、制御部２１は、全ローカルサンプルの各要素の平均値を取得する。

全ローカルサンプルの各要素の平均値の算出方法は適宜決定されてよい。一例として、各クライアント装置２のローカル学習データ３は以下の式１により表現することができる。ローカル学習データ３に含まれるローカルサンプル３０は以下の式２により表現することができる。全ローカルサンプルの各要素の平均値は、各ローカル学習データ３に含まれるローカルサンプル３０の数及び各要素の平均値から算出することができる。

Ｘ^(P)は、Ｐ番目のクライアント装置２により収集されたローカル学習データ３を示す。Ｎ^(P)は、ローカルサンプル３０の数を示す。Ｘ_n ^(P)は、ｎ番目のローカルサンプル３０を示す。ｄは、要素の数（次元数）を示す。ｘ_n#i ^(P)は、ｎ番目のローカルサンプル３０におけるｉ番目の要素を示す。制御部２１は、以下の式３の演算を実行するにより、ローカル学習データ３に含まれるローカルサンプル３０の各要素の平均値を算出する。

Ｕ^(P)は、Ｐ番目のクライアント装置２により収集されたローカル学習データ３に含まれるローカルサンプル３０の各要素の平均値を示す。ｕ_i ^(P)は、ｉ番目の要素の平均値を示す。以下、ローカルサンプル３０の各要素の平均値を「ローカルサンプルの平均」とも記載する。

各クライアント装置２は、自身のローカルサンプルの平均及び数を他のクライアント装置２に通知する。通知方法は、任意に選択されてよい。例えば、制御部２１は、通信インタフェース２３を利用して、ネットワークを介して他のクライアント装置２に自身のローカルサンプルの平均及び数を通知してもよい。そして、制御部２１は、自己のローカルサンプルの平均及び数、並びに他のクライアント装置２から取得したローカルサンプルの平均及び数を利用して、以下の式４の演算を実行する。

Ｕは、全ローカルサンプルの各要素の平均値を示す。ｕ_iは、全ローカルサンプルのｉ番目の要素の平均値を示す。これにより、各クライアント装置２の制御部２１は、全ローカルサンプルの各要素の平均値Ｕを取得することができる。平均値Ｕを取得すると、制御部２１は、次のステップＳ１０２２に処理を進める。

なお、平均値Ｕの演算工程は、このような例に限定されなくてもよい。一例として、式４の演算は、他のコンピュータにより実行されてよい。他のコンピュータは、統合分析装置１であってもよい。この場合、各クライアント装置２の制御部２１は、自身のローカルサンプルの平均及び数を他のコンピュータに通知する。他のコンピュータは、各クライアント装置２から取得したローカルサンプルの平均及び数を利用して、上記式４の演算を実行することで、全ローカルサンプルの各要素の平均値Ｕを算出する。他のコンピュータは、算出された平均値Ｕを各クライアント装置２に通知する。これにより、各クライアント装置２の制御部２１は、全ローカルサンプルの各要素の平均値Ｕを取得することができる。

（ステップＳ１０２２）
ステップＳ１０２２では、制御部２１は、以下の式５に示すとおり、ローカル学習データ３に含まれる各ローカルサンプル３０の各要素の値から、取得された平均値を減算する。これにより、制御部２１は、各ローカルサンプル３０を正規化（中心化）する。

Ｘ_C ^(P)は、Ｐ番目のクライアント装置２により収集され、正規化されたローカル学習データ３を示す。各ローカルサンプル３０を正規化すると、制御部２１は、次のステップＳ１０２３に処理を進める。

（ステップＳ１０２３）
ステップＳ１０２３では、制御部２１は、以下の式６の演算を実行する。これにより、制御部２１は、正規化された各ローカルサンプル３０からローカル学習データ３の自己相関行列を算出する。

Ｑ^(P)は、Ｐ番目のクライアント装置２において算出される自己相関行列を示す。これにより、制御部２１は、ローカル学習データ３の要素間の相関性に関する演算の結果５１として自己相関行列を取得することができる。自己相関行列を算出すると、制御部２１は、本実施形態に係る相関性の算出に関するサブルーチンを終了し、次のステップＳ１０３に処理を進める。

（ステップＳ１０３）
ステップＳ１０３では、制御部２１は、出力部２０３として動作し、生成された演算の結果５１を示す演算結果データ２２１を出力する。

出力形式は、実施の形態に応じて適宜決定されてよい。例えば、制御部２１は、ステップＳ１０３の処理として、演算結果データ２２１を出力装置２５に出力してもよい。また、例えば、制御部２１は、ステップＳ１０３の処理として、演算結果データ２２１を所定の記憶領域に保存してもよい。所定の記憶領域は、例えば、制御部２１内のＲＡＭ、記憶部２２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。記憶メディアは、例えば、ＣＤ、ＤＶＤ等であってよく、制御部２１は、ドライブ２６を介して記憶メディアに演算結果データ２２１を格納してもよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってよい。この場合、制御部２１は、通信インタフェース２３を利用して、ネットワークを介してデータサーバに演算結果データ２２１を格納してもよい。また、外部記憶装置は、例えば、外部インタフェース２７を介して各クライアント装置２に接続された外付けの記憶装置であってもよい。

これにより、演算結果データ２２１の出力が完了すると、制御部２１は、ローカル学習データ３の収集に関する一連の処理を終了する。

（２）主成分分析
図７は、本実施形態に係る統合分析装置１の処理手順の一例を示すフローチャートである。以下で説明する処理手順は、統合分析方法の一例である。統合分析方法は、上記データ収集の処理手順を含んでもよい。ただし、以下で説明する処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ２０１）
ステップＳ２０１では、制御部１１は、取得部１１１として動作し、各クライアント装置２における演算の結果５１を示す演算結果データ２２１を取得する。

各クライアント装置２の演算結果データ２２１は、任意にタイミングで統合分析装置１に提供されてよい。例えば、クライアント装置２は、上記ステップＳ１０３の処理として又はステップＳ１０３の処理とは別に、演算結果データ２２１を統合分析装置１に転送してもよい。制御部１１は、この転送を受信することで、各クライアント装置２の演算結果データ２２１を取得してもよい。また、例えば、制御部１１は、通信インタフェース１３を利用して、各クライアント装置２又はデータサーバにネットワークを介してアクセスすることで、各件の演算結果データ２２１を取得してもよい。また、例えば、制御部１１は、記憶媒体９１又は外部記憶装置を介して、各件の演算結果データ２２１を取得してもよい。また、例えば、各クライアント装置２の出力装置２５に出力された演算の結果５１をオペレータが入力装置１４を介して入力することにより、制御部１１は、各件の演算結果データ２２１を取得してもよい。本実施形態では、制御部１１は、ローカル学習データ３の自己相関行列を演算の結果５１として示す演算結果データ２２１を取得する。各件の演算結果データ２２１を取得すると、制御部１１は、次のステップＳ２０２に処理を進める。

（ステップＳ２０２）
ステップＳ２０２では、制御部１１は、統合部１１２として動作し、各クライアント装置２から取得された演算結果データ２２１により示される演算の結果５１を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０を算出する。

統合の演算内容は、演算の結果５１の形式に応じて適宜決定されてよい。本実施形態では、演算の結果５１は、上記自己相関行列により表現される。そこで、制御部１１は、各クライアント装置２から得られた自己相関行列を合計してもよい。また、制御部１１は、各クライアント装置２におけるローカルサンプル３０の数を示す情報を適宜取得してよい。そして、制御部１１は、ローカルサンプル３０の数の合計で自己相関行列の合計を割算してもよい。これにより、制御部１１は、以下の式７のとおり、分散共分散行列Ｃを算出することができる。制御部１１は、算出された分散共分散行列Ｃを統合結果４０として取得してもよい。統合結果４０を算出すると、制御部１１は、次のステップＳ２０３に処理を進める。

なお、統合結果４０の形式は、このような例に限定されなくてもよい。他の形式の一例として、統合結果４０は、相関係数行列により表現されてよい。この場合、制御部１１は、各クライアント装置２のローカル学習データ３の自己相関行列から全ローカルサンプルの相関係数行列を算出してもよい。制御部１１は、算出された相関係数行列を統合結果４０として取得してもよい。

（ステップＳ２０３）
ステップＳ２０３では、制御部１１は、分析部１１３として動作し、主成分分析を実行することにより、算出された統合結果４０から１つ以上の主成分４１を導出する。

主成分分析の演算内容は、実施の形態に応じて適宜決定されてよい。本実施形態では、制御部１１は、全ローカルサンプルの分散共分散行列Ｃを統合結果４０として取得することができる。そこで、制御部１１は、分散共分散行列ＣをＫＬ展開することにより、１つ以上の主成分４１を導出してもよい。或いは、制御部１１は、以下の式８に示すとおり、分散共分散行列の固有値分解を実行する。制御部１１は、固有値分解により得られる固有値λを主成分４１として取得してもよい。

Ｖは、固有ベクトル（以下、「主成分ベクトル」とも記載する）を示す。Λは、固有値行列を示す。固有ベクトルＶは、上記式９により表現することができる。また、固有値行列Λは、上記式１０により表現することができる。式９のdiagは、対角行列であることを示す。ｒは、固有値（主成分４１）の数を示す。固有ベクトルＶの各成分ｖは、固有値分解の過程で算出することができる。

導出する主成分４１の数は任意に選択されてよい。例えば、制御部１１は、累積寄与率を算出し、算出される累積寄与率が閾値を超えるまで、主成分４１を導出してもよい。閾値は適宜決定されてよい。これにより、制御部１１は、１つ以上の主成分４１を導出することができる。１つ以上の主成分４１を導出すると、制御部１１は、次のステップＳ２０４に処理を進める。

なお、主成分４１を導出する方法は、上記の方法に限定されなくてもよい。その他の方法の一例として、全ローカルサンプルの相関係数行列が統合結果４０として得られている場合、制御部１１は、相関係数行列の固有値分解を実行する。制御部１１は、固有値分解により得られる固有値を主成分４１として取得してもよい。或いは、制御部１１は、分散共分散行列又は相関係数行列の偏差行列を算出し、算出された偏差行列の特異値分解を実行する。制御部１１は、特異値分解により得られる特異値から主成分４１を算出してもよい。主成分４１の導出には、公知の方法が適宜採用されてよい。

（ステップＳ２０４）
ステップＳ２０４では、制御部１１は、出力部１１４として動作し、導出された１つ以上の主成分４１に関する主成分情報１２１を出力する。

コンピュータが、主成分情報１２１を参照することで、導出された主成分４１又は主成分ベクトルを利用可能であれば、主成分情報１２１の形式は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、主成分情報１２１は、導出された主成分４１そのもの及び上記主成分ベクトルの少なくともいずれかにより構成されてよい。

また、主成分情報１２１の出力形式も、実施の形態に応じて適宜決定されてよい。例えば、制御部１１は、ステップＳ２０４の処理として、主成分情報１２１を出力装置１５に出力してもよい。また、例えば、制御部１１は、ステップＳ２０４の処理として、主成分情報１２１を所定の記憶領域に保存してもよい。所定の記憶領域は、例えば、制御部１１内のＲＡＭ、記憶部１２、外部記憶装置、記憶メディア又はこれらの組み合わせであってもよい。

また、例えば、制御部１１は、ステップＳ２０４の処理として、各クライアント装置２に主成分情報１２１を配信（転送）してもよい。配信方法は任意に選択されてよい。一例として、制御部１１は、ネットワークを介して各クライアント装置２に主成分情報１２１を直接的に配信してもよい。或いは、制御部１１は、データサーバ等の他のコンピュータを介して各クライアント装置２に主成分情報１２１を間接的に配信してもよい。各クライアント装置２は、この配信を受信することで、主成分情報１２１を取得することができる。

ただし、提供方法及び提供のタイミングは、このような例に限られなくてもよい。その他の例として、主成分情報１２１は、記憶媒体９２又は外部記憶装置を介して、各クライアント装置２に提供されてもよい。或いは、統合分析装置１の出力装置１５に出力された主成分情報１２１をオペレータが入力装置２４介して入力することで、主成分情報１２１は、各クライアント装置２に提供されてもよい。制御部１１は、ステップＳ２０４の処理とは別に、主成分情報１２１を各クライアント装置２に提供してもよい。また、制御部１１は、各クライアント装置２以外の、導出された主成分４１を利用する他のコンピュータに主成分情報１２１を提供してもよい。

これにより、主成分情報１２１の出力が完了すると、制御部１１は、主成分分析に関する一連の処理を終了する。

（３）グルーピング
図８は、本実施形態に係る各クライアント装置２をグルーピングする場面の一例を模式的に例示する。例えば、一のローカル学習データ３及び他のローカル学習データ３の間でデータの種類が全く異なる場合、統合分析装置１において、それぞれから得られる演算の結果５１を統合するのは困難である。そこで、制御部１１は、グルーピング部１１６として動作し、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当ててよい。

各グループは、ローカル学習データ３（ローカルサンプル３０）の種類、利用の目的等に応じて適宜設定されてよい。図８の例では、各クライアント装置２は、第１グループ及び第２グループの２つのグループのいずれかに割り当てられている。ただし、グループの数は、２つに限定されなくてもよく、任意に決定されてよい。制御部１１は、各クライアント装置２に対するグループの割り当て結果を割当情報１２４に格納する。割当情報１２４は、例えば、所定の記憶領域に保存されてよい。所定の記憶領域は、制御部１１内のＲＡＭ、記憶部１２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。

これに応じて、制御部１１は、グループ毎に上記ステップＳ２０１〜ステップＳ２０４の処理を実行する。上記ステップＳ２０２では、制御部１１は、同一グループ内で、各クライアント装置２から取得された演算の結果５１を統合することで、統合結果４０を算出する。上記ステップＳ２０３では、制御部１１は、主成分分析を実施することにより、同一グループ内で、算出された統合結果４０から１つ以上の主成分４１を導出する。これにより、グループ毎に主成分分析を実施することができる。

グルーピングの方法は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。本実施形態では、制御部１１は、以下の２つの方法のうちのいずれかの方法により、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てることができる。なお、各クライアント装置２をグループ分けすることは、クライアント装置２の利用者をグループ分けすること、ローカル学習データ３をグループ分けすること等と同義に取り扱われてよい。

（３−１）第１のグルーピング方法
図９は、第１のグルーピング方法の処理手順の一例を示すフローチャートである。第１のグルーピング方法では、制御部１１は、グループのリストから所望のグループを選択させることで、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てる。なお、グループの割り当て方法に第１のグルーピング方法が採用される場合、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てることは、以下のステップＳ２１１〜ステップＳ２１３により構成される。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ２１１）
ステップＳ２１１では、制御部１１は、複数のグループの一覧を示すグループリスト１２３を各クライアント装置２に配信する。配信方法は任意に選択されてよい。一例として、制御部１１は、ネットワークを介して各クライアント装置２にグループリスト１２３を直接的に配信してもよい。或いは、制御部１１は、データサーバ等の他のコンピュータを介して各クライアント装置２にグループリスト１２３を間接的に配信してもよい。これにより、制御部１１は、各クライアント装置２に対して、グループリスト１２３に示される複数のグループの中から１つ以上のグループを選択させる。各グループは、ローカル学習データ３、クライアント装置２、クライアント装置２の利用者等に応じて適宜設定されてよい。例えば、ローカルサンプル３０が外観検査に利用可能である場合、各グループは、ライン番号、工場名、企業名等の属性に応じて設定されてよい。また、各クライアント装置２からの要求により、グループリスト１２３に新たなグループが設定されてもよい。各クライアント装置２のオペレータは、出力装置２５に出力されたグループリスト１２３を参照し、入力装置２４を操作して、グループリスト１２３の中から１つ以上の所望のグループを選択することができる。各クライアント装置２は、２つ以上のグループを選択してもよい。選択が完了すると、各クライアント装置２の制御部２１は、グループ選択の回答を統合分析装置１に返信する。

（ステップＳ２１２及びステップＳ２１３）
ステップＳ２１２では、制御部１１は、グループ選択の回答を各クライアント装置２から取得する。そして、ステップＳ２１３では、制御部１１は、取得された回答に基づいて、選択された１つ以上のグループに各クライアント装置２を割り当てる。１つ以上のグループの割り当てが完了すると、制御部１１は、第１のグルーピング方法によるグループの割り当てに関する一連の処理を終了する。この第１のグルーピング方法によれば、簡易な方法で各クライアント装置２をグループ分けすることができる。

（３−２）第２のグルーピング方法
図１０は、第２のグルーピング方法の処理手順の一例を示すフローチャートである。第２のグルーピング方法では、制御部１１は、ローカル学習データ３の属性に応じて、各クライアント装置２を適切なグループに割り当てる。なお、グループの割り当て方法に第２のグルーピング方法が採用される場合、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てることは、以下のステップＳ２２１〜ステップＳ２２３により構成される。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ２２１）
ステップＳ２２１では、制御部１１は、ローカル学習データ３に関する属性データを各クライアント装置２から取得する。属性データを取得する方法は、実施の形態に応じて適宜決定されてよい。

属性データは、ローカル学習データ３に関するあらゆる情報を含んでよい。属性データは、例えば、ローカルサンプル３０のデータ種別を示す情報、ローカルサンプル３０に表れる特徴を示す情報、ローカルサンプル３０の利用目的を示す情報等を含んでよい。属性データは、上記ステップＳ１０１によりローカル学習データ３を収集する際に生成されてよい。属性データを取得すると、制御部１１、次のステップＳ２２２に処理を進める。

（ステップＳ２２２及びステップＳ２２３）
ステップＳ２２２では、制御部１１は、各クライアント装置２から取得された属性データをクラスタリングする。クラスタリングの方法は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。クラスタリングには、k平均法（k-meansクラスタリング）等の公知の方法が採用されてよい。

ステップＳ２２３では、制御部１１は、クラスタリングの結果に基づいて、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てる。一例として、制御部１１は、取得した属性データが同一のクラスに割り当てられたクライアント装置２を同一のグループに割り当てる。この場合、各グループは、属性データのクラスに応じて設定されてよい。また、制御部１１は、クラスタリングの結果に基づいて、クライアント装置２を２つ以上のグループに割り当ててよい。

クラスタリングの結果に基づくグループの割り当てが完了すると、制御部１１は、第２のグルーピング方法によるグループの割り当てに関する一連の処理を終了する。この第２のグルーピング方法によれば、制御部１１は、ローカル学習データ３の属性に応じて、各クライアント装置２を適切なグループに割り当てることができる。

本実施形態では、制御部１１は、以上の２つの方法の少なくともいずれかの方法を採用することで、各クライアント装置２を複数のグループのうちの少なくともいずれかに割り当てることができる。ただし、グルーピングの方法は、これらの例に限られなくてよく、実施の形態に応じて適宜決定されてよい。

（４）主成分の利用：データ圧縮
図１１は、本実施形態に係る各クライアント装置２によるデータ圧縮に関する処理手順の一例を示すフローチャートである。データ圧縮は、導出された主成分４１の用途の一例である。なお、以下で説明する処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ３０１）
ステップＳ３０１では、制御部２１は、取得部２１１として動作し、圧縮する対象となる対象データ２２３（サンプル）を取得する。対象データ２２３は、ローカルサンプル３０と同種のデータである。対象データ２２３は任意の方法で取得されてよい。本実施形態では、制御部２１は、センサＳにより対象を観測することで、センシングデータを生成することができる。観測の対象は、実施の形態に応じて適宜選択されてよい。制御部２１は、生成されたセンシングデータを対象データ２２３として取得してもよい。対象データ２２３を取得すると、制御部２１は、次のステップＳ３０２に処理を進める。

（ステップＳ３０２）
ステップＳ３０２では、制御部２１は、圧縮部２１２として動作し、主成分情報１２１を参照することで、上記統合分析装置１により導出された１つ以上の主成分４１から得られる主成分ベクトル（固有ベクトルＶ）を取得する。制御部２１は、取得された主成分ベクトルにより、対象データ２２３を部分空間に射影する。すなわち、制御部２１は、主成分ベクトル及び対象データ２２３の積を演算する。制御部２１は、この演算により対象データ２２３を圧縮することで、圧縮データ２２４を生成することができる。圧縮データ２２４は、情報量を削減するように変換された対象データ２２３に相当する。対象データ２２３の圧縮が完了すると、制御部２１は、次のステップＳ３０３に処理を進める。

（ステップＳ３０３）
ステップＳ３０３では、制御部２１は、出力部２１３として動作し、生成された圧縮データ２２４を出力する。

圧縮データ２２４の出力形式は、実施の形態に応じて適宜決定されてよい。例えば、制御部２１は、圧縮データ２２４を出力装置２５に出力してもよい。また、例えば、制御部２１は、圧縮データ２２４を所定の記憶領域に保存してもよい。所定の記憶領域は、例えば、制御部２１内のＲＡＭ、記憶部２２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。生成された圧縮データ２２４は、他のコンピュータに提供されてもよい。

これにより、圧縮データ２２４の出力が完了すると、制御部２１は、データ圧縮に関する一連の処理を終了する。

（５）主成分の利用：推論
図１２は、本実施形態に係る各クライアント装置２による所定の推論に関する処理手順の一例を示すフローチャートである。推論は、導出された主成分４１の用途の一例である。なお、以下で説明する処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ３１１）
ステップＳ３１１では、制御部２１は、取得部２１５として動作し、推論の対象となる対象データ２２６（サンプル）を取得する。対象データ２２６は、ローカルサンプル３０と同種のデータである。ステップＳ３１１は、上記ステップＳ３０１と同様であってよい。本実施形態では、制御部２１は、センサＳにより、対象データ２２６を取得することができる。対象データ２２６を取得すると、制御部２１は、次のステップＳ３１２に処理を進める。

（ステップＳ３１２〜ステップＳ３１４）
ステップＳ３１２〜ステップＳ３１４では、制御部２１は、推論部２１６として動作して、導出された１つ以上の主成分４１を利用して、対象データ２２６に含まれる特徴を推論する。本実施形態では、推論の一例として、部分空間内での対象データ２２６及びデータ群２２７に含まれる各サンプル２２８の比較に基づいて、対象データ２２６に含まれる特徴のクラスを識別する。

具体的に、ステップＳ３１２では、制御部２１は、主成分情報１２１を参照することで、上記統合分析装置１により導出された１つ以上の主成分４１から得られる主成分ベクトル（固有ベクトルＶ）を取得する。制御部２１は、取得された主成分ベクトルにより、対象データ２２６を部分空間に射影する。これにより、制御部２１は、特徴量２２６１を取得する。

同様に、各サンプル２２８も、主成分ベクトルにより、特徴量２２８１に変換される。各サンプル２２８の変換は事前に実行されてよい。各サンプル２２８は、対応するカテゴリに応じた特徴を含んでいる。例えば、クラス識別により外観検査を行う場合、各サンプル２２８には、対象のカテゴリに応じた種類の欠陥を有する製品の写る画像データが用いられてよい。或いは、各サンプル２２８には、「良品」のカテゴリに応じて、欠陥のない製品の写る画像データが用いられてよい。設定されるカテゴリの数は任意でよい。

ステップＳ３１３では、制御部２１は、部分空間内で、得られた特徴量２２６１及び各特徴量２２８１を比較する。ステップＳ３１４では、制御部２１は、比較の結果に基づいて、対象データ２２６に含まれる特徴が対象のカテゴリに属するか否かを識別する。比較方法は適宜決定されてよい。本実施形態では、各サンプル２２８から得られる各特徴量２２８１により、部分空間内で、対象のカテゴリに属する範囲を決定することができる。そこで、各サンプル２２８から得られる各特徴量２２８１から対象のカテゴリに属する範囲を規定する境界が設定されてもよい。境界は、関数等により適宜表現されてよい。制御部２１は、設定された境界に基づいて、得られた特徴量２２６１が対象のカテゴリの範囲に含まれるか否かを判定してもよい。この判定の結果に応じて、制御部２１は、対象データ２２６に含まれる特徴が対象のカテゴリに属するか否かを識別してもよい。或いは、制御部２１は、得られた特徴量２２６１と対象のカテゴリに属する各サンプル２２８から得られる各特徴量２２８１との距離を算出する。制御部２１は、算出される距離に基づいて、対象データ２２６に含まれる特徴が対象のカテゴリに属するか否かを識別してもよい。対象データ２２６に対する推論が完了すると、制御部２１は、次のステップＳ３１５に処理を進める。

（ステップＳ３１５）
ステップＳ３１５では、制御部２１は、出力部２１７として動作し、推論の結果に関する情報を出力する。

出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。例えば、制御部２１は、ステップＳ３１４の識別の結果をそのまま出力装置２５に出力してもよい。また、例えば、制御部２１は、ステップＳ３１４の識別の結果に基づいて、何らかの情報処理を実行してもよい。そして、制御部２１は、その情報処理を実行した結果を、推論の結果に関する情報として出力してもよい。この情報処理を実行した結果の出力には、推論結果に応じて特定のメッセージを出力すること、推論結果に応じて制御対象装置の動作を制御すること等が含まれてよい。出力先は、例えば、出力装置２５、他のコンピュータの出力装置、制御対象装置等であってよい。

推論の結果に関する情報の出力が完了すると、制御部２１は、所定の推論に関する一連の処理を終了する。なお、所定期間の間、制御部２１は、ステップＳ３１１〜ステップＳ３１５の一連の情報処理を継続的に繰り返し実行してもよい。繰り返すタイミングは、任意であってよい。これにより、各クライアント装置２は、所定の推論を継続的に実施してもよい。

［特徴］
以上のとおり、本実施形態では、ローカル学習データ３そのものではなく、ローカル学習データ３の要素間の相関性に関する演算の結果５１を統合分析装置１に集結する。これにより、上記ステップＳ２０１において、各クライアント装置２及び統合分析装置１の間でデータをやり取りするコストを低減することができる。また、全ローカル学習データから１つ以上の主成分４１を導出する一連の計算処理の一部を各クライアント装置２に負担させることができる。本実施形態では、上記ステップＳ１０２により、ローカル学習データ３の自己相関行列を算出する処理を各クライアント装置２に負担させることができる。これにより、各クライアント装置２で個々に収集されたローカル学習データ３を主成分分析に反映することができると共に、自己相関行列を算出するまでの計算量の分だけ統合分析装置１にかかる計算コストを低減することができる。したがって、本実施形態によれば、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。導出された１つ以上の主成分４１を利用することで、上記データ圧縮のケースでは、ステップＳ３０２において、有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４による推論の精度の向上を図ることができる。

§４ 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

＜４．１＞
上記実施形態に係るシステム１００は、様々な目的で収集されたローカル学習データから１つ以上の主成分を導出するあらゆる場面に適用されてよい。ローカル学習データ３を収集する目的は、例えば、外観検査、栽培状況の監視、対象者の状態の監視、機械の状態の監視等のタスクを遂行することであってよい。以下、適用場面を限定した変形例を例示する。

（Ａ）外観検査の場面
図１３は、第１変形例に係る検査システム１００Ａの適用場面の一例を模式的に例示する。本変形例は、製品ＲＡの状態を観測することで得られるデータに対して主成分分析を実施する場面に上記実施形態を適用した例である。本変形例に係る検査システム１００Ａは、統合分析装置１及び複数の検査装置２Ａを備えている。上記実施形態と同様に、統合分析装置１及び各検査装置２Ａは、ネットワークを介して接続されてよい。

本変形例では、ローカル学習データ３Ａは、製品ＲＡの写る画像データ、又は製品ＲＡの属性を測定することで得られた測定データにより構成される。画像データは、カメラＳＡにより製品ＲＡを撮影することにより得られてよい。この場合、画像データの各画素が、ローカルサンプルの各要素に相当する。また、測定データは、例えば、カメラＳＡ等のセンサにより製品ＲＡの各属性を観測し、得られたセンシングデータから算出される各属性の測定値により構成されてよい。測定の対象となる製品ＲＡの属性は適宜選択されてよい。製品ＲＡの属性は、例えば、幅、厚さ、形状、色、傾き、凹凸、質感等であってよい。製品ＲＡの質感は、触感（例えば、ザラザラ／ツルツル、表面粗さの程度）、材質（例えば、金属／プラスチック）等により規定されてよい。この場合、各属性の測定値が、ローカルサンプルの各要素に相当する。これらの限定を除き、本変形例に係る検査システム１００Ａは、上記実施形態に係るシステム１００と同様に構成されてよい。

なお、製品ＲＡは、例えば、電子機器、電子部品、自動車部品、薬品、食品等の製造ラインで搬送される製品であってよい。電子部品は、例えば、基盤、チップコンデンサ、液晶、リレーの巻線等であってよい。自動車部品は、例えば、コンロッド、シャフト、エンジンブロック、パワーウィンドウスイッチ、パネル等であってよい。薬品は、例えば、包装済みの錠剤、未包装の錠剤等であってよい。製品ＲＡは、製造過程完了後に生成される最終品であってもよいし、製造過程の途中で生成される中間品であってもよいし、製造過程を経過する前に用意される初期品であってもよい。また、外観検査の対象となる欠陥は、例えば、傷、汚れ、クラック、打痕、バリ、色ムラ、異物混入等であってよい。欠陥に関する推論は、例えば、製品ＲＡに欠陥が含まれるか否かを判定すること、製品ＲＡに欠陥が含まれる確率を判定すること、製品ＲＡに含まれる欠陥の種類を識別すること、製品ＲＡに含まれる欠陥の範囲を特定すること又はこれらの組み合わせにより構成されてよい。

（検査装置）
本変形例に係る各検査装置２Ａは、上記実施形態に係る各クライアント装置２に対応する。本変形例に係る各検査装置２Ａのハードウェア構成及びソフトウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。これにより、各検査装置２Ａの情報処理は、上記各クライアント装置２と同様の手順で実行されてよい。

上記ステップＳ１０１では、各検査装置２Ａは、ローカル学習データ３Ａを収集する。ローカル学習データ３Ａは、製品ＲＡの写る画像データ、又は製品ＲＡの属性を測定することで得られた測定データの複数のローカルサンプルにより構成される。各ローカルサンプルの取得にはカメラＳＡが利用されてよい。上記ステップＳ１０２では、各検査装置２Ａは、ローカル学習データ３Ａの要素間の相関性に関する演算の結果５１Ａを算出する。各検査装置２Ａは、上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、ローカル学習データ３Ａの自己相関行列を演算の結果５１Ａとして算出することができる。ステップＳ１０３では、各検査装置２Ａは、算出された演算の結果５１Ａを出力する。

（統合分析装置）
本変形例では、統合分析装置１は、製品ＲＡの写る画像データ、又は製品ＲＡの属性を測定することで得られた測定データに関して、１つ以上の主成分４１Ａを導出する。具体的に、上記ステップＳ２０１では、統合分析装置１は、相関性に関する演算の結果５１Ａを各検査装置２Ａから取得する。上記ステップＳ２０２では、統合分析装置１は、各検査装置２Ａから取得された演算の結果５１Ａを統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０Ａを算出する。上記演算処理により、統合分析装置１は、全ローカル学習データの分散共分散行列を統合結果４０Ａとして取得することができる。上記ステップＳ２０３では、統合分析装置１は、主成分分析を実行することで、算出された統合結果４０Ａから１つ以上の主成分４１Ａを導出する。ステップＳ２０４では、統合分析装置１は、導出された１つ以上の主成分４１Ａに関する情報を出力する。

（主成分の利用）
導出された１つ以上の主成分４１Ａは任意の用途で利用されてよい。また、導出された１つ以上の主成分４１Ａに関する情報は任意のタイミングで各検査装置２Ａに提供されてよい。各検査装置２Ａは、上記ステップＳ３０１〜ステップＳ３０３の処理により、導出された１つ以上の主成分４１Ａを利用して、対象データを圧縮することができる。また、各検査装置２Ａは、上記ステップＳ３１１〜ステップＳ３１５の処理により、算出された１つ以上の主成分４１Ａを利用して、対象データにおける製品ＲＡの状態を識別することができる。

データ群を構成する各サンプルに、欠陥のない正常な製品ＲＡのデータを利用した場合、ステップＳ３１４において、対象データが対象のカテゴリに属すると識別されるときに、各検査装置２Ａは、対象データにおける製品ＲＡには欠陥がない（すなわち、製品ＲＡは正常である）と判定することができる。他方、対象データが対象のカテゴリに属さないと識別されるときに、各検査装置２Ａは、対象データにおける製品ＲＡには欠陥があると判定することができる。

また、データ群を構成する各サンプルに、特定の欠陥を含む製品ＲＡのデータを利用した場合、ステップＳ３１４において、対象データが対象のカテゴリに属すると識別されるときに、各検査装置２Ａは、対象データにおける製品ＲＡには、対象のカテゴリに対応する種類の欠陥が存在すると判定することができる。他方、対象データが対象のカテゴリに属さないと識別されるときに、各検査装置２Ａは、対象データにおける製品ＲＡには欠陥がないと判定することができる。

上記ステップＳ３１５では、各検査装置２Ａは、製品ＲＡの欠陥について推論した結果に関する情報を出力する。例えば、各検査装置２Ａは、製品ＲＡの欠陥について推論した結果をそのまま出力装置に出力してもよい。また、例えば、製品ＲＡに欠陥が存在すると判定した場合、各検査装置２Ａは、そのことを知らせるための警告を出力装置に出力してもよい。また、例えば、製品ＲＡを搬送するコンベア装置に各検査装置２Ａが接続される場合、各検査装置２Ａは、欠陥について推論した結果に基づいて、欠陥のある製品と欠陥のない製品とを別のラインで搬送されるようにコンベア装置を制御してもよい。

（特徴）
本変形例によれば、外観検査に利用可能なデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。これにより、上記データ圧縮のケースでは、導出された１つ以上の主成分４１Ａを利用することで、外観検査に有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４による外観検査の精度の向上を図ることができる。

（Ｂ）栽培状況を監視する場面
図１４は、第２変形例に係る監視システム１００Ｂの適用場面の一例を模式的に例示する。本変形例は、植物ＲＢに関する観測データに対して主成分分析を実施する場面に上記実施形態を適用した例である。本変形例に係る監視システム１００Ｂは、統合分析装置１及び複数の監視装置２Ｂを備えている。上記実施形態と同様に、統合分析装置１及び各監視装置２Ｂは、ネットワークを介して接続されてよい。

本変形例では、ローカル学習データ３Ｂは、植物ＲＢに関する観測データである。観測データは、例えば、環境センサＳＢにより植物ＲＢの状態を観測することで得られるセンシングデータ、作業者の入力により得られた植物ＲＢの観察データ、又はこれらの組み合わせにより構成されてよい。環境センサＳＢは、植物ＲＢの栽培状況を観測可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。環境センサＳＢは、例えば、気圧計、温度計、湿度計、音圧計、音センサ、紫外線センサ、照度計、雨量計、ガスセンサ等であってよい。植物ＲＢの種類は任意に選択されてよい。監視する栽培状況は、植物ＲＢを栽培する任意の要素に関するものであってよい。栽培状況は、例えば、栽培時点までの生育環境、生育状態等により特定されてよい。生育環境は、植物ＲＢを生育する状況に関し、例えば、植物ＲＢに光を照射する時間、植物ＲＢ周囲の温度、植物ＲＢに与える水の量等により規定されてよい。生育状態は、例えば、植物ＲＢの成長度等により規定されてよい。観察データは、例えば、作業記録データ、環境記録データ、又はこれらの組み合わせにより構成されてよい。作業記録データは、例えば、摘花、摘葉、摘芽等の作業の有無、実行日時、量等を示す情報により構成されてよい。また、環境記録データは、作業者が植物ＲＢ周囲の環境（例えば、天候、気温、湿度等）を観測した結果を示す情報により構成されてよい。これらの限定を除き、本変形例に係る監視システム１００Ｂは、上記実施形態に係るシステム１００と同様に構成されてよい。

（監視装置）
本変形例に係る各監視装置２Ｂは、上記実施形態に係る各クライアント装置２に対応する。本変形例に係る各監視装置２Ｂのハードウェア構成及びソフトウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。これにより、各監視装置２Ｂの情報処理は、上記各クライアント装置２と同様の手順で実行されてよい。

上記ステップＳ１０１では、各監視装置２Ｂは、ローカル学習データ３Ｂを収集する。ローカル学習データ３Ｂは、植物ＲＢに関する観測データの複数のローカルサンプルにより構成される。各ローカルサンプルは、環境センサＳＢ及び作業者の入力の少なくとも一方により得られてよい。上記ステップＳ１０２では、各監視装置２Ｂは、ローカル学習データ３Ｂの要素間の相関性に関する演算の結果５１Ｂを算出する。各監視装置２Ｂは、上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、ローカル学習データ３Ｂの自己相関行列を演算の結果５１Ｂとして算出することができる。ステップＳ１０３では、各監視装置２Ｂは、算出された演算の結果５１Ｂを出力する。

（統合分析装置）
本変形例では、統合分析装置１は、植物ＲＢに関する観測データに関して、１つ以上の主成分４１Ｂを導出する。具体的に、上記ステップＳ２０１では、統合分析装置１は、相関性に関する演算の結果５１Ｂを各監視装置２Ｂから取得する。上記ステップＳ２０２では、統合分析装置１は、各監視装置２Ｂから取得された演算の結果５１Ｂを統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０Ｂを算出する。上記演算処理により、統合分析装置１は、全ローカル学習データの分散共分散行列を統合結果４０Ｂとして取得することができる。上記ステップＳ２０３では、統合分析装置１は、主成分分析を実行することで、算出された統合結果４０Ｂから１つ以上の主成分４１Ｂを導出する。ステップＳ２０４では、統合分析装置１は、導出された１つ以上の主成分４１Ｂに関する情報を出力する。

（主成分の利用）
導出された１つ以上の主成分４１Ｂは任意の用途で利用されてよい。また、導出された１つ以上の主成分４１Ｂに関する情報は任意のタイミングで各監視装置２Ｂに提供されてよい。各監視装置２Ｂは、上記ステップＳ３０１〜ステップＳ３０３の処理により、導出された１つ以上の主成分４１Ｂを利用して、対象データを圧縮することができる。また、各監視装置２Ｂは、上記ステップＳ３１１〜ステップＳ３１５の処理により、算出された１つ以上の主成分４１Ｂを利用して、対象データにおける植物ＲＢの栽培状況を推論することができる。なお、栽培状況を推論することは、収穫量が最大となるような生育環境及び作業内容の少なくとも一方を推定すること、観測される現在の生育環境において最適な作業内容を推定すること等を含んでもよい。

上記ステップＳ３１５では、各監視装置２Ｂは、植物ＲＢの栽培状況について推論した結果に関する情報を出力する。例えば、各監視装置２Ｂは、植物ＲＢの栽培状況について推論した結果をそのまま出力装置に出力してもよい。この場合、各監視装置２Ｂは、収穫量が最大となるような生育環境及び作業内容の少なくとも一方、観測される現在の生育環境において最適な作業内容等の推定結果を出力装置に出力することで、植物ＲＢの栽培状況の改善を作業者に促してもよい。また、例えば、各監視装置２Ｂは、栽培装置ＣＢに接続されてよい。栽培装置ＣＢは、植物ＲＢの生育環境を制御するように構成される。この場合、各監視装置２Ｂは、栽培状況を推論した結果に応じて、栽培装置ＣＢに与える制御指令を決定してもよい。栽培状況と制御指令との対応関係はテーブル形式等の参照情報により与えられてもよい。この参照情報は、ＲＡＭ、ＲＯＭ、記憶部、記憶媒体、外部記憶装置等に格納されていてもよく、各監視装置２Ｂは、この参照情報を参照することで、推定された栽培状況に応じて制御指令を決定してもよい。そして、各監視装置２Ｂは、決定された制御指令を栽培装置ＣＢに与えることで、栽培装置ＣＢの動作を制御してもよい。また、例えば、各監視装置２Ｂは、決定された制御指令を示す情報を出力装置に出力し、植物ＲＢの管理者に栽培装置ＣＢの動作を制御するように促してもよい。

なお、栽培装置ＣＢは、植物ＲＢの生育環境を制御可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。栽培装置ＣＢは、例えば、カーテン装置、照明装置、空調設備、散水装置等であってよい。カーテン装置は、建物の窓に取り付けられたカーテンを開閉するように構成される。照明装置は、例えば、ＬＥＤ（light emitting diode）照明、蛍光灯等である。空調設備は、例えば、エアコンディショナ等である。散水装置は、例えば、スプリンクラ等である。カーテン装置及び照明装置は、植物ＲＢに光を照射する時間を制御するために利用される。空調設備は、植物ＲＢ周囲の温度を制御するために利用される。散水装置は、植物ＲＢに与える水の量を制御するために利用される。

（特徴）
本変形例によれば、植物ＲＢの栽培状況の監視に利用可能な観測データに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。これにより、上記データ圧縮のケースでは、導出された１つ以上の主成分４１Ｂを利用することで、植物ＲＢの栽培状況の監視に有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４において植物ＲＢの栽培状況を推論する精度の向上を図ることができる。

（Ｃ）健康状態を診断する場面
図１５は、第３変形例に係る診断システム１００Ｃの適用場面の一例を模式的に例示する。本変形例は、対象者ＲＣの状態を観測するためのセンサＳＣにより取得されるセンシングデータに対して主成分分析を実施する場面に上記実施形態を適用した例である。本変形例に係る診断システム１００Ｃは、統合分析装置１及び複数の診断装置２Ｃを備えている。上記実施形態と同様に、統合分析装置１及び各診断装置２Ｃは、ネットワークを介して接続されてよい。

本変形例では、ローカル学習データ３Ｃは、センサＳＣにより得られるセンシングデータである。センサＳＣは、対象者ＲＣの状態を観測可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。センサＳＣは、例えば、バイタルセンサ、医療検査装置等であってよい。バイタルセンサは、例えば、血圧計、脈拍計、心拍計、心電計、筋電計、体温計、皮膚電気反応計、マイクロ波センサ、脳波計、脳磁計、活動量計、血糖値測定器、眼電位センサ、眼球運動計測器等であってよい。医療検査装置は、例えば、ＣＴ装置、ＭＲＩ装置等であってよい。健康状態を推論することは、例えば、健康であるか否かを判定すること、病気になる予兆があるか否かを判定すること、健康状態の種別を識別すること、対象の病気になる確率を判定すること又はこれらの組み合わせにより構成されてよい。これらの限定を除き、本変形例に係る診断システム１００Ｃは、上記実施形態に係るシステム１００と同様に構成されてよい。

（診断装置）
本変形例に係る各診断装置２Ｃは、上記実施形態に係る各クライアント装置２に対応する。本変形例に係る各診断装置２Ｃのハードウェア構成及びソフトウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。これにより、各診断装置２Ｃの情報処理は、上記各クライアント装置２と同様の手順で実行されてよい。

上記ステップＳ１０１では、各診断装置２Ｃは、ローカル学習データ３Ｃを収集する。ローカル学習データ３Ｃは、センサＳＣにより得られるセンシングデータの複数のローカルサンプルにより構成される。上記ステップＳ１０２では、各診断装置２Ｃは、ローカル学習データ３Ｃの要素間の相関性に関する演算の結果５１Ｃを算出する。各診断装置２Ｃは、上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、ローカル学習データ３Ｃの自己相関行列を演算の結果５１Ｃとして算出することができる。ステップＳ１０３では、各診断装置２Ｃは、算出された演算の結果５１Ｃを出力する。

（統合分析装置）
本変形例では、統合分析装置１は、センサＳＣにより得られるセンシングデータに関して、１つ以上の主成分４１Ｃを導出する。具体的に、上記ステップＳ２０１では、統合分析装置１は、相関性に関する演算の結果５１Ｃを各診断装置２Ｃから取得する。上記ステップＳ２０２では、統合分析装置１は、各診断装置２Ｃから取得された演算の結果５１Ｃを統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０Ｃを算出する。上記演算処理により、統合分析装置１は、全ローカル学習データの分散共分散行列を統合結果４０Ｃとして取得することができる。上記ステップＳ２０３では、統合分析装置１は、主成分分析を実行することで、算出された統合結果４０Ｃから１つ以上の主成分４１Ｃを導出する。ステップＳ２０４では、統合分析装置１は、導出された１つ以上の主成分４１Ｃに関する情報を出力する。

（主成分の利用）
導出された１つ以上の主成分４１Ｃは任意の用途で利用されてよい。また、導出された１つ以上の主成分４１Ｃに関する情報は任意のタイミングで各診断装置２Ｃに提供されてよい。各診断装置２Ｃは、上記ステップＳ３０１〜ステップＳ３０３の処理により、導出された１つ以上の主成分４１Ｃを利用して、対象データを圧縮することができる。また、各診断装置２Ｃは、上記ステップＳ３１１〜ステップＳ３１５の処理により、算出された１つ以上の主成分４１Ｃを利用して、対象データにおける対象者ＲＣの健康状態を識別することができる。

上記ステップＳ３１５では、各診断装置２Ｃは、対象者ＲＣの健康状態を推論した結果に関する情報を出力する。例えば、各診断装置２Ｃは、対象者ＲＣの健康状態を推論した結果をそのまま出力装置に出力してもよい。また、例えば、推論された対象者ＲＣの健康状態が所定の病気の予兆を示す場合、各診断装置２Ｃは、病院での診査を促すメッセージを出力装置に出力してもよい。また、例えば、各診断装置２Ｃは、登録された病院の端末に対して、対象者ＲＣの健康状態を推論した結果を送信してもよい。なお、送信先となる端末の情報は、ＲＡＭ、ＲＯＭ、記憶部、記憶媒体、外部記憶装置等の所定の記憶領域に記憶されていてよい。

（特徴）
本変形例によれば、対象者ＲＣの健康状態の監視に利用可能なセンシングデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。これにより、上記データ圧縮のケースでは、導出された１つ以上の主成分４１Ｃを利用することで、対象者ＲＣの健康状態の監視に有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４において対象者ＲＣの健康状態を推論する精度の向上を図ることができる。なお、本変形例に係る対象者ＲＣの健康状態を診断する場面は、対象者の状態を推論する場面の一例である。ただし、対象者の状態を推論する場面は、健康状態を診断する場面に限られなくてよい。また、ローカル学習データを取得する局面及び主成分を利用する局面の間で、対象者は一致していなくてもよい。

（Ｄ）運転者の状態を監視する場面
図１６は、第４変形例に係る監視システム１００Ｄの適用場面の一例を模式的に例示する。本変形例は、運転者ＲＤの状態を観測するためのセンサＳＤにより取得されるセンシングデータに対して主成分分析を実施する場面に上記実施形態を適用した場面である。本変形例に係る運転者ＲＤの状態を監視する場面は、上記対象者の状態を推論する場面の他の一例である。本変形例に係る監視システム１００Ｄは、統合分析装置１及び複数の監視装置２Ｄを備えている。上記実施形態と同様に、統合分析装置１及び各監視装置２Ｄは、ネットワークを介して接続されてよい。

本変形例では、ローカル学習データ３Ｄは、センサＳＤにより得られるセンシングデータである。センサＳＤは、運転者ＲＤの状態を観測可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。センサＳＤは、例えば、カメラ、赤外線センサ、マイクロフォン、バイタルセンサ等であってよい。運転者ＲＤの状態は、例えば、姿勢、行動、眠気度、疲労度、余裕度等を含んでよい。眠気度は、運転者ＲＤの眠気の度合いを示す。疲労度は、運転者ＲＤの疲労の度合いを示す。余裕度は、運転者ＲＤの運転に対する余裕の度合を示す。これらの限定を除き、本変形例に係る監視システム１００Ｄは、上記実施形態に係るシステム１００と同様に構成されてよい。

（監視装置）
本変形例に係る各監視装置２Ｄは、上記実施形態に係る各クライアント装置２に対応する。本変形例に係る各監視装置２Ｄのハードウェア構成及びソフトウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。これにより、各監視装置２Ｄの情報処理は、上記各クライアント装置２と同様の手順で実行されてよい。

上記ステップＳ１０１では、各監視装置２Ｄは、ローカル学習データ３Ｄを収集する。ローカル学習データ３Ｄは、センサＳＤにより得られるセンシングデータの複数のローカルサンプルにより構成される。上記ステップＳ１０２では、各監視装置２Ｄは、ローカル学習データ３Ｄの要素間の相関性に関する演算の結果５１Ｄを算出する。各監視装置２Ｄは、上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、ローカル学習データ３Ｄの自己相関行列を演算の結果５１Ｄとして算出することができる。ステップＳ１０３では、各監視装置２Ｄは、算出された演算の結果５１Ｄを出力する。

（統合分析装置）
本変形例では、統合分析装置１は、センサＳＤにより得られるセンシングデータに関して、１つ以上の主成分４１Ｄを導出する。具体的に、上記ステップＳ２０１では、統合分析装置１は、相関性に関する演算の結果５１Ｄを各監視装置２Ｄから取得する。上記ステップＳ２０２では、統合分析装置１は、各監視装置２Ｄから取得された演算の結果５１Ｄを統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０Ｄを算出する。上記演算処理により、統合分析装置１は、全ローカル学習データの分散共分散行列を統合結果４０Ｄとして取得することができる。上記ステップＳ２０３では、統合分析装置１は、主成分分析を実行することで、算出された統合結果４０Ｄから１つ以上の主成分４１Ｄを導出する。ステップＳ２０４では、統合分析装置１は、導出された１つ以上の主成分４１Ｄに関する情報を出力する。

（主成分の利用）
導出された１つ以上の主成分４１Ｄは任意の用途で利用されてよい。また、導出された１つ以上の主成分４１Ｄに関する情報は任意のタイミングで各監視装置２Ｄに提供されてよい。各監視装置２Ｄは、上記ステップＳ３０１〜ステップＳ３０３の処理により、導出された１つ以上の主成分４１Ｄを利用して、対象データを圧縮することができる。また、各監視装置２Ｄは、上記ステップＳ３１１〜ステップＳ３１５の処理により、算出された１つ以上の主成分４１Ｄを利用して、対象データにおける運転者ＲＤの状態を識別することができる。

上記ステップＳ３１５では、各監視装置２Ｄは、運転者ＲＤの状態を推論した結果に関する情報を出力する。例えば、各監視装置２Ｄは、運転者ＲＤの状態を推論した結果をそのまま出力装置に出力してもよい。また、例えば、眠気度及び疲労度の少なくとも一方が閾値を超えている等、運転者ＲＤの状態を推論した結果に基づいて、運転を継続しない方がよいと判定される場合に、各監視装置２Ｄは、車両を停車し、休憩を取るように運転者ＲＤに促す警告を出力装置に出力してもよい。また、例えば、車両の動作を制御する制御装置（不図示）に各監視装置２Ｄが接続されている場合、各監視装置２Ｄは、運転者ＲＤの状態を推論した結果に応じて、車両に所望の動作を指示するための指令を決定してもよい。各監視装置２Ｄは、決定された指令を制御装置に与えることで、車両の動作を制御してもよい。なお、各監視装置２Ｄ及び制御装置は一体のコンピュータにより構成されてよい。

（特徴）
本変形例によれば、運転者ＲＤの状態の監視に利用可能なセンシングデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。これにより、上記データ圧縮のケースでは、導出された１つ以上の主成分４１Ｄを利用することで、運転者ＲＤの状態の監視に有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４において運転者ＲＤの状態を推論する精度の向上を図ることができる。

（Ｅ）機械の異常を検知する場面
図１７は、第５変形例に係る検知システム１００Ｅの適用場面の一例を模式的に例示する。本変形例は、機械ＲＥの状態を観測するためのセンサＳＥにより取得されるセンシングデータに対して主成分分析を実施する場面に上記実施形態を適用した場面である。本変形例に係る検知システム１００Ｅは、統合分析装置１及び複数の検知装置２Ｅを備えている。上記実施形態と同様に、統合分析装置１及び各検知装置２Ｅは、ネットワークを介して接続されてよい。

本変形例では、ローカル学習データ３Ｅは、センサＳＥにより得られるセンシングデータである。センサＳＥは、機械ＲＥの状態を観測可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。センサＳＥは、例えば、マイクロフォン、加速度センサ、振動センサ等であってよい。機械ＲＥの状態を推論することは、例えば、機械ＲＥに異常が生じているか否かを判定すること、機械ＲＥに異常が生じている確率を判定すること、機械ＲＥに発生した又は予兆のある異常の種類を識別すること、異常の発生した箇所を特定すること又はこれらの組み合わせにより構成されてよい。機械ＲＥ及び異常の種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。機械ＲＥは、例えば、コンベア装置、産業用ロボット等の製造ラインを構成する装置であってよい。機械ＲＥは、装置全体であってもよいし、モータ等の装置の一部であってもよい。異常は、例えば、故障、異物の混入、汚れの付着、構成部品の摩耗であってもよい。これらの限定を除き、本変形例に係る検知システム１００Ｅは、上記実施形態に係るシステム１００と同様に構成されてよい。

（検知装置）
本変形例に係る各検知装置２Ｅは、上記実施形態に係る各クライアント装置２に対応する。本変形例に係る各検知装置２Ｅのハードウェア構成及びソフトウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。これにより、各検知装置２Ｅの情報処理は、上記各クライアント装置２と同様の手順で実行されてよい。

上記ステップＳ１０１では、各検知装置２Ｅは、ローカル学習データ３Ｅを収集する。ローカル学習データ３Ｅは、センサＳＥにより得られるセンシングデータの複数のローカルサンプルにより構成される。上記ステップＳ１０２では、各検知装置２Ｅは、ローカル学習データ３Ｅの要素間の相関性に関する演算の結果５１Ｅを算出する。各検知装置２Ｅは、上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、ローカル学習データ３Ｅの自己相関行列を演算の結果５１Ｅとして算出することができる。ステップＳ１０３では、各検知装置２Ｅは、算出された演算の結果５１Ｅを出力する。

（統合分析装置）
本変形例では、統合分析装置１は、センサＳＥにより得られるセンシングデータに関して、１つ以上の主成分４１Ｅを導出する。具体的に、上記ステップＳ２０１では、統合分析装置１は、相関性に関する演算の結果５１Ｅを各検知装置２Ｅから取得する。上記ステップＳ２０２では、統合分析装置１は、各検知装置２Ｅから取得された演算の結果５１Ｅを統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果４０Ｅを算出する。上記演算処理により、統合分析装置１は、全ローカル学習データの分散共分散行列を統合結果４０Ｅとして取得することができる。上記ステップＳ２０３では、統合分析装置１は、主成分分析を実行することで、算出された統合結果４０Ｅから１つ以上の主成分４１Ｅを導出する。ステップＳ２０４では、統合分析装置１は、導出された１つ以上の主成分４１Ｅに関する情報を出力する。

（主成分の利用）
導出された１つ以上の主成分４１Ｅは任意の用途で利用されてよい。また、導出された１つ以上の主成分４１Ｅに関する情報は任意のタイミングで各検知装置２Ｅに提供されてよい。各検知装置２Ｅは、上記ステップＳ３０１〜ステップＳ３０３の処理により、導出された１つ以上の主成分４１Ｅを利用して、対象データを圧縮することができる。また、各検知装置２Ｅは、上記ステップＳ３１１〜ステップＳ３１５の処理により、算出された１つ以上の主成分４１Ｅを利用して、対象データにおける機械ＲＥの状態を識別することができる。

上記ステップＳ３１５では、各検知装置２Ｅは、機械ＲＥの状態を推論した結果に関する情報を出力する。例えば、各検知装置２Ｅは、機械ＲＥの状態を推論した結果をそのまま出力装置に出力してもよい。また、例えば、機械ＲＥの状態を推論した結果に基づいて、機械ＲＥにおける異常の発生を検知した場合、各検知装置２Ｅは、その異常の発生を知らせるための警告を出力装置に出力してもよい。更に、各検知装置２Ｅが機械ＲＥの動作を制御可能に構成されている場合、各検知装置２Ｅは、異常の発生を検知したことに応じて、機械ＲＥの動作を停止させてもよい。加えて、各検知装置２Ｅは、機械ＲＥに発生した異常の種別、及び異常に対処するためのメンテナンス方法を示す情報を出力装置に出力してもよい。この場合、異常に対処するためのメンテナンス方法を示す情報は、記憶部、記憶媒体、外部記憶装置、記憶メディア等の所定の記憶領域に保存されていてもよい。各検知装置２Ｅは、異常に対処するためのメンテナンス方法を示す情報を所定の記憶領域から適宜取得してもよい。

（特徴）
本変形例によれば、機械ＲＥの異常の検知に利用可能なセンシングデータに関して、コストの増大を抑制しつつ、主成分分析によるデータ解析の質の向上を図ることができる。これにより、上記データ圧縮のケースでは、導出された１つ以上の主成分４１Ｅを利用することで、機械ＲＥの異常の検知に有益な情報が削除され難くすることができる。また、上記推論のケースでは、ステップＳ３１２〜ステップＳ３１４において機械ＲＥの異常を検知する精度の向上を図ることができる。

＜４．２＞
上記実施形態に係る複数のクライアント装置２の少なくともいずれかにおいて、各ローカルサンプル３０は、重要度により重み付けされてもよい。また、上記実施形態に係る複数のクライアント装置２の少なくともいずれかにおいて、各ローカルサンプル３０を構成する複数の要素のうち、主成分分析の対象とする２つ以上の要素が指定されてもよい。

図１８は、本変形例に係るクライアント装置２Ｊのソフトウェア構成の一例を模式的に例示する。本変形例に係るクライアント装置２Ｊのハードウェア構成は、上記実施形態に係るクライアント装置２と同様であってよい。クライアント装置２Ｊの制御装置は、収集プログラムに含まれる命令をＣＰＵにより解釈及び実行する。これにより、クライアント装置２Ｊは、第１受付部２０５及び第２受付部２０６をソフトウェアモジュールとして更に備えるコンピュータとして動作する。第１受付部２０５は、各ローカルサンプル３０の重要度の指定を受け付ける。第２受付部２０６は、各ローカルサンプル３０を構成する複数の要素のうちから、２つ以上の要素の指定を受け付ける。この点を除き、本変形例に係るクライアント装置２Ｊは、上記実施形態に係るクライアント装置２と同様に構成されてよい。

図１９は、本変形例に係るクライアント装置２Ｊによるローカル学習データ３の収集に関する処理手順の一例を示すフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

ステップＳ１０１では、上記実施形態と同様に、クライアント装置２Ｊの制御部は、収集部２０１として動作し、ローカル学習データ３を収集する。ステップＳ１１１では、制御部は、第１受付部２０５として動作し、各ローカルサンプル３０の重要度の指定を受け付ける。ステップＳ１１２では、制御部は、第２受付部２０６として動作し、各ローカルサンプル３０を構成する複数の要素のうちから、２つ以上の要素の指定を受け付ける。ステップＳ１１１及びステップＳ１１２の処理順序は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。

図２０は、重要度及び分析対象の要素の指定を受け付ける画面２５０の一例を模式的に例示する。クライアント装置２Ｊが出力装置としてディスプレイを備える場合、図２０に例示される画面２５０は、ディスプレイに表示されてよい。画面２５０は、入力欄２５１及びチェックボックス２５２を備える。各入力欄２５１は、ローカルサンプル３０に応じて設けられる。また、各チェックボックス２５２は、ローカルサンプル３０の要素に応じて設けられる。

図２０の例では、入力欄２５１は、各ローカルサンプル３０の重要度を５段階で指定可能に構成されている。サンプルＡが重要度「５」に指定され、サンプルＢが重要度「１」に指定されている。ただし、重要度の指定方法及びグレード数は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。重要度は、離散値又は連続値により指定されてよい。また、図２０の例では、チェックボックス２５２にチェックを入れることで、分析対象の要素を指定することができる。ただし、要素の指定方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。

オペレータは、入力装置を介して、各入力欄２５１を操作することで、各ローカルサンプル３０の重要度を指定することができる。各ローカルサンプル３０の重要度が指定されると、各ローカルサンプル３０は、指定された重要度に応じて重み付けされる。同様に、オペレータは、入力装置を介して、各チェックボックス２５２を操作することで、分析対象とする２つ以上の要素を指定することができる。なお、分析対象の要素は、タスクに応じて指定されてよい。一例として、上記外観検査の場面では、第１欠陥を検出する第１タスク及び第２欠陥を検出する第２タスクの間で、異なる要素が分析対象に指定されてよい。これにより、タスクの遂行に適した要素を分析対象に指定することができる。

重要度及び分析対象の要素の指定が完了すると、制御部は、次のステップＳ１０２に処理を進める。上記演算において、Ｘ_n ^(P)は、以下の式１１に置き換えられ、上記Ｎ^(P)は、以下の式１２に置き換えられる。また、指定（選択）されなかった要素は、演算から除外される。これらの点を除き、制御部は、上記実施形態と同様に、ステップＳ１０２の処理を実行する。

ｗ_n ^(P)は、Ｐ番目のクライアント装置２により収集されたローカル学習データ３のｎ番目のローカルサンプル３０に指定された重要度（重み）を示す。制御部は、ステップＳ１０２の処理により、指定された要素について、重要度の反映された相関性に関する演算の結果５１を生成することができる。本変形例では、上記ステップＳ１０２１において取得される全ローカルサンプルの各要素の平均値は、重要度に応じて重み付けされた重み付け平均値である。上記ステップＳ１０２１〜ステップＳ１０２３の処理を実行することで、制御部は、指定された要素について、重要度の反映された自己相関行列を演算の結果５１として算出することができる。なお、指定されなかった要素の除外は、クライアント装置２Ｊではなく、統合分析装置１で行われてよい。ステップＳ１０３では、制御部は、算出された演算の結果５１を出力する。

（統合分析装置）
重要度が指定されることに応じて、上記ステップＳ２０２では、制御部１１は、重要度に応じた重みの合計で自己相関行列の合計を割算することで、全ローカル学習データの分散共分散行列を統合結果４０として算出することができる。また、分析対象の要素が指定されることで、上記ステップＳ２０２では、制御部１１は、指定された２つ以上の要素について、取得された演算の結果５１を統合することで、統合結果４０を算出する。また、上記ステップＳ２０３では、制御部１１は、主成分分析を実施することにより、指定された２つ以上の要素について、算出された統合結果４０から１つ以上の主成分４１を導出する。これらの点を除き、本変形例に係る統合分析装置１の情報処理は、上記実施形態と同様であってよい。

（特徴）
本変形例によれば、重要度に基づいて、各ローカルサンプル３０に優劣をつけることができる。重要なローカルサンプル３０の重要度を高くし、重要ではないローカルサンプル３０の重要度を低くすることができる。このように指定される各ローカルサンプル３０の重要度を主成分分析に反映することで、主成分分析によるデータ解析の質の向上を図ることができる。また、本変形例によれば、ローカルサンプル３０の複数の要素から主成分分析の対象とする２つ以上の要素を選択することができる。これにより、タスクの遂行等の目的と関連性の低い要素を分析対象から除外することで、主成分分析にかかる計算コストを低減すると共に、目的に適した主成分４１を導出することができる。なお、本変形例に係るクライアント装置２Ｊのソフトウェア構成において、第１受付部２０５及び第２受付部２０６の少なくともいずれかは省略されてよい。これに応じて、重要度の指定及び対象要素の指定の少なくともいずれかは省略されてよい。

（グルーピング）
分析対象に指定される要素が類似するほど、収集されたローカル学習データ３の利用目的が類似する可能性は高い。そのため、指定される要素の類似度が高いクライアント装置２Ｊの間で、収集されたローカル学習データ３から算出される演算の結果５１を統合すれば、得られる統合結果４０から１つ以上の主成分４１を適切に導出可能であると想定される。そこで、本変形例において、統合分析装置１の制御部１１は、グルーピング部１１５として動作し、要素の指定結果に基づいて、各クライアント装置２Ｊをグループ分けしてもよい。

図２１は、要素の指定結果を利用したグルーピング方法の処理手順の一例を示すフローチャートである。グループの割り当て方法に、図２１に示されるグルーピング方法が採用される場合、各クライアント装置２Ｊを複数のグループのうちの少なくともいずれかに割り当てることは、以下のステップＳ２５１及びステップＳ２５２により構成される。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

ステップＳ２５１では、制御部１１は、２つ以上の要素を指定した結果を各クライアント装置２Ｊから取得する。指定結果の取得方法は実施の形態に応じて適宜決定されてよい。ステップＳ２５２では、制御部１１は、各クライアント装置２Ｊにおいて指定された２つ以上の要素の一致度に基づいて、各クライアント装置２Ｊを複数のグループのうちの少なくともいずれかに割り当てる。一例として、制御部１１は、指定された要素が完全に一致するクライアント装置２Ｊを同一のグループに割り当ててもよい。或いは、制御部１１は、指定された要素の一致度が閾値を超えるクライアント装置２Ｊを同一のグループに割り当ててもよい。閾値は適宜設定されてよい。これにより、分析対象の要素の指定結果を利用して、各クライアント装置２Ｊをグループ分けすることができる。

このグループ分けに応じて、上記ステップＳ２０２において、制御部１１は、同一のグループ内で、指定された２つ以上の要素について、各クライアント装置２Ｊから取得された演算の結果５１を統合することで、統合結果４０を算出する。そして、上記ステップＳ２０３では、制御部１１は、主成分分析を実施することにより、同一のグループ内で、指定された２つ以上の要素について、算出された統合結果４０から１つ以上の主成分４１を導出する。

なお、同一グループ内で、指定された要素が異なるクライアント装置２Ｊが存在する場合、上記ステップＳ２０２では、制御部１１は、各クライアント装置２Ｊで指定された要素を包含する要素について、各クライアント装置２Ｊから取得された演算の結果５１を統合してよい。そして、上記ステップＳ２０３では、制御部１１は、包含する要素について、算出された統合結果４０から１つ以上の主成分４１を導出してもよい。或いは、上記ステップＳ２０３では、制御部１１は、クライアント装置２Ｊ毎に、指定された２つ以上の要素について、算出された統合結果４０から１つ以上の主成分４１を導出してもよい。

＜４．３＞
上記実施形態では、各クライアント装置２は、ローカル学習データ３の収集、データ圧縮、及び所定の推論の３つの情報処理を実行する。しかしながら、各クライアント装置２の構成は、このような例に限定されなくてもよい。複数のクライアント装置２のうちの少なくともいずれかは、複数台のコンピュータにより構成されてよい。この場合、各情報処理は、別々のコンピュータで実行されてよい。

図２２は、本変形例に係るクライアント装置２Ｋの構成の一例を模式的に例示する。本変形例では、クライアント装置２Ｋは、収集装置２００１、第１利用装置２００２、及び第２利用装置２００３を備える。収集装置２００１、第１利用装置２００２、及び第２利用装置２００３それぞれのハードウェア構成は、上記実施形態に係る各クライアント装置２と同様であってよい。収集装置２００１は、収集プログラム８５を実行することで、収集部２０１、演算部２０２、及び出力部２０３をソフトウェアモジュールとして備えるコンピュータとして動作する。第１利用装置２００２は、圧縮プログラム８６を実行することで、取得部２１１、圧縮部２１２、及び出力部２１３をソフトウェアモジュールとして備えるコンピュータとして動作する。第２利用装置２００３は、推論プログラム８７を実行することで、取得部２１５、推論部２１６、及び出力部２１７をソフトウェアモジュールとして備えるコンピュータとして動作する。

なお、導出された１つ以上の主成分４１を利用するコンピュータは、各クライアント装置２に限られなくてもよい。導出された１つ以上の主成分４１は、各クライアント装置２以外の他のコンピュータにより利用されてよい。他のコンピュータには、上記統合分析装置１が含まれてよい。また、導出された１つ以上の主成分４１の用途は、上記データ圧縮及び所定の推論に限られなくてもよい。導出された１つ以上の主成分４１は、任意の用途に利用されてよい。

＜４．４＞
上記実施形態では、ステップＳ１０２において演算の結果５１を算出する過程で、各クライアント装置２のローカルサンプル３０の数及び各要素の平均値を利用して、全ローカルサンプルの各要素の平均値Ｕを算出している。また、上記ステップＳ２０２では、各クライアント装置２から得られた演算の結果５１を統合している。これらのデータは、ローカル学習データ３に関連する。そのため、これらのデータが開示されると、各クライアント装置２のローカル学習データ３の秘匿性が損なわれる可能性がある。そこで、ローカル学習データ３の秘匿性を高めるために、それぞれの演算には秘密計算が用いられてよい。全ローカルサンプルの各要素の平均値Ｕは、各クライアント装置２から得られる、ローカルサンプル３０の数及び各要素の平均値を利用した秘密計算により算出されてよい。また、演算の結果５１の統合は秘密計算により行われてよい。秘密計算の方法は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。本変形例では、制御部１１は、以下の２つの方法のうちのいずれかにより秘密計算を行うことができる。

（Ａ）秘密分散を利用する方法
図２３は、秘密分散を利用して秘密計算を実行する場面の一例を模式的に例示する。秘密分散を利用した方法では、それぞれ信頼性のある第三者機関として第１サーバ６１及び第２サーバ６２がネットワークに設置される。第１サーバ６１及び第２サーバ６２はそれぞれ、統合分析装置１等と同様にハードウェアプロセッサ及びメモリを備えるコンピュータである。

この方法では、まず、各クライアント装置２の制御部２１は、自身の演算結果を他のコンピュータに送信する際に、乱数を生成する。自身の演算結果を他のコンピュータに送信する場面は、上記実施形態では、ローカルサンプル３０の数及び各要素の平均値を送信する場面（以下、「第１場面」とも記載する）、及び演算の結果５１を送信する場面（以下、「第２場面」とも記載する）である。第１場面では、他のコンピュータは、全ローカルサンプルの各要素の平均値Ｕを算出するコンピュータ（例えば、統合分析装置１、他のクライアント装置２）である。また、第２場面では、他のコンピュータは、統合分析装置１である。乱数を生成する方法は、実施の形態に応じて適宜選択されてよい。

次に、制御部２１は、送信する演算結果の値と生成された乱数との差分を算出する。第１場面では、送信する演算結果は、ローカルサンプル３０の数及び各要素の平均値の積、並びにローカルサンプル３０の数の２つである。制御部２１は、それぞれと乱数との差分を算出する。それぞれと差分する乱数は、同じであってもよいし、異なっていてもよい。第２場面では、送信する演算結果は、相関性に関する演算の結果５１及びローカルサンプル３０の数の２つである。第１場面と同様に、制御部２１は、それぞれと乱数との差分を算出する。それぞれと差分する乱数は、同じであってもよいし、異なっていてもよい。そして、制御部２１は、算出された差分を第１サーバ６１に送信する一方で、生成された乱数を第２サーバ６２に送信する。

これに応じて、第１サーバ６１は、以下の式１３のとおり、各クライアント装置２から受信した差分の総和を計算する。一方、第２サーバ６２は、以下の式１４のとおり、各クライアント装置２から受信した乱数の総和を計算する。

なお、Ｙ^(P)は、Ｐ番目のクライアント装置２による演算結果の値を示す。第１場面では、Ｙ^(P)は、ローカルサンプル３０の数及び各要素の平均値の積（Ｎ^(P)Ｕ^(P)）、並びにローカルサンプル３０の数Ｎ^(P)の２つである。それぞれ別々に計算する。一方、第２場面では、Ｙ^(P)は、相関性に関する演算の結果５１（Ｑ^(P)）及びである。ローカルサンプル３０の数Ｎ^(P)の２つである。それぞれ別々に計算する。ｓ^(P)は、Ｐ番目のクライアント装置２により生成された乱数を示す。

第１サーバ６１及び第２サーバ６２はそれぞれ、総和の計算結果を他のコンピュータに送信する。他のコンピュータは、第１サーバ６１及び第２サーバ６２それぞれから受信した総和の計算結果を加算する。これにより、各クライアント装置２の演算結果が他のコンピュータにおいて特定されるのを防止しながら、他のコンピュータは、各演算結果の総和を計算することができる。第１場面では、各クライアント装置２は、式４の演算結果を得ることができる。第２場面では、統合分析装置１は、式７の演算結果を得ることができる。

なお、秘密分散の方式は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。秘密分散の方式には、例えば、国際標準（ISO/IEC 19592-2:2017）の方式等が用いられてよい。統合分析装置１が信頼性のあるサーバであれば、統合分析装置１が、第１サーバ６１及び第２サーバ６２のいずれかとして動作してもよい。また、第１サーバ６１及び第２サーバ６２は、同一のコンピュータにより構成されてよい。

（Ｂ）準同型暗号を利用する方法
図２４は、準同型暗号を利用して秘密計算を実行する場面の一例を模式的に例示する。準同型暗号を利用した方法では、信頼性のある第三者機関としてサーバ６５がネットワークに設置される。サーバ６５は、統合分析装置１等と同様にハードウェアプロセッサ及びメモリを備えるコンピュータである。

この方法では、まず、サーバ６５が、公開鍵及び秘密鍵を発行する。公開鍵は、準同型性を有するように生成される。つまり、公開鍵により暗号化された２つの暗号文が与えられた場合に、暗号化された状態のまま２つの暗号文の加算が可能であるように公開鍵が生成される。サーバ６５は、発行された公開鍵及び秘密鍵のうち公開鍵を各クライアント装置２に配信する。

各クライアント装置２の制御ｂ２１は、受信した公開鍵により、自身の演算結果を暗号化する。そして、制御部２１は、暗号化された演算結果を他のコンピュータに送信する。他のコンピュータは、以下の式１５のとおり、各クライアント装置２から受信した演算結果の値を暗号化された状態のまま総和を計算する。

なお、Ｈは、公開鍵により暗号化されていることを示す。

他のコンピュータは、暗号化された総和をサーバ６５に送信する。サーバ６５は、秘密鍵により、他のコンピュータから受信した暗号化された総和を復号化する。そして、サーバ６５は、復号化した演算結果の総和を他のコンピュータに返信する。これにより、各クライアント装置２の演算結果が他のコンピュータにおいて特定されるのを防止しながら、他のコンピュータは、各演算結果の総和を計算することができる。第１場面では、各クライアント装置２は、式４の演算結果を得ることができる。第２場面では、統合分析装置１は、式７の演算結果を得ることができる。

なお、準同型暗号の方式は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。準同型暗号の方式には、例えば、modified-ElGamal暗号、Paillier暗号等が用いられてよい。また、統合分析装置１が信頼性のあるサーバであれば、統合分析装置１が、サーバ６５として動作してもよい。

以上のとおり、本変形例によれば、上記２つの方法のうちのいずれかにより、式４及び式７それぞれの総和を秘密計算により算出することができる。これにより、各クライアント装置２におけるローカル学習データ３の秘匿性を高めることができる。

＜４．５＞
上記実施形態において、各クライアント装置２をグルーピングする処理は省略されてよい。これに応じて、統合分析装置１のソフトウェア構成からグルーピング部１１５は省略されてよい。また、上記各ステップの処理は別々のコンピュータで実行されてもよい。例えば、上記ステップＳ１０１の処理及び上記ステップＳ１０２の処理は、別々のコンピュータで実行されてもよい。

１…統合分析装置、
１１…制御部、１２…記憶部、
１３…通信インタフェース、
１４…入力装置、１５…出力装置、１６…ドライブ、
１１１…取得部、１１２…統合部、
１１３…分析部、１１４…出力部、
１１５…グルーピング部、
１２１…主成分情報、
１２３…グループリスト、１２４…割当情報、
８１…統合分析プログラム、９１…記憶媒体、
２…クライアント装置、
２１…制御部、２２…記憶部、
２３…通信インタフェース、
２４…入力装置、２５…出力装置、２６…ドライブ、
２７…外部インタフェース、
２０１…収集部、２０２…演算部、２０３…出力部、
２１１…取得部、２１２…圧縮部、２１３…出力部、
２１５…取得部、２１６…推論部、２１７…出力部、
２２１…演算結果データ、
２２３…対象データ、２２４…圧縮データ、
２２６…対象データ、
２２７…データ群、２２８…サンプル、
８５…収集プログラム、
８６…圧縮プログラム、
８７…推論プログラム、９２…記憶媒体、
３…ローカル学習データ、
３０…ローカルサンプル、
４０…統合結果、４１…主成分、
５１…（演算の）結果

Claims (15)

1. 複数のクライアント装置それぞれが、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算をローカル学習データに対して実行するステップと、
   サーバ装置が、前記各クライアント装置から前記演算の結果を取得するステップと、
   前記サーバ装置が、前記各クライアント装置から取得された前記演算の結果を統合することにより、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出するステップと、
   前記サーバ装置が、主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出するステップと、
   サーバ装置が、導出された前記１つ以上の主成分に関する情報を出力するステップと、
   を備える、
   統合分析方法。
2. 前記相関性を求めるための演算は、
   前記全ローカル学習データに含まれる全ローカルサンプルの各要素の平均値を取得するステップ、
   前記ローカル学習データに含まれる各ローカルサンプルの各要素の値から、取得された前記平均値を減算することで、各ローカルサンプルを正規化するステップ、及び
   正規化された前記各ローカルサンプルから前記ローカル学習データの自己相関行列を算出するステップ、
   により構成され、
   前記演算の結果を取得することは、算出された前記自己相関行列を取得することにより構成され、
   前記演算の結果を統合することは、前記各クライアント装置から取得された前記自己相関行列を合計することにより構成される、
   請求項１に記載の統合分析方法。
3. 前記各クライアント装置が、前記各ローカルサンプルの重要度の指定を受け付けるステップを更に備え、
   前記各ローカルサンプルは、指定された前記重要度に応じて重み付けされ、
   前記全ローカルサンプルの各要素の平均値は、前記重要度に応じて重み付けされた重み付け平均値であり、
   前記算出するステップでは、前記サーバ装置は、前記重要度に応じた重みの合計で前記自己相関行列の合計を割算することで、前記全ローカル学習データの分散共分散行列を前記統合結果として算出する、
   請求項２に記載の統合分析方法。
4. 前記全ローカルサンプルの各要素の平均値は、前記各クライアント装置から得られる、前記ローカルサンプルの数及び各要素の平均値を利用した秘密計算により算出される、
   請求項２又は３に記載の統合分析方法。
5. 前記演算の結果の統合は秘密計算により行われる、
   請求項１から４のいずれか１項に記載の統合分析方法。
6. 前記各クライアント装置が、前記各ローカルサンプルを構成する複数の要素のうちから、２つ以上の要素の指定を受け付けるステップを更に備え、
   前記算出するステップでは、前記サーバ装置は、指定された前記２つ以上の要素について、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出し、
   前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、指定された前記２つ以上の要素について、算出された前記統合結果から１つ以上の主成分を導出する、
   請求項１から５のいずれか１項に記載の統合分析方法。
7. 前記サーバ装置が、指定された前記２つ以上の要素の一致度に基づいて、前記各クライアント装置を複数のグループのうちの少なくともいずれかに割り当てるステップを更に備え、
   前記算出するステップでは、前記サーバ装置は、同一のグループ内で、指定された前記２つ以上の要素について、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出し、
   前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、前記同一のグループ内で、指定された前記２つ以上の要素について、算出された前記統合結果から１つ以上の主成分を導出する、
   請求項６に記載の統合分析方法。
8. 前記サーバ装置が、前記各クライアント装置を複数のグループのうちの少なくともいずれかに割り当てるステップを更に備え、
   前記算出するステップでは、前記サーバ装置は、同一のグループ内で、前記各クライアント装置から取得された前記演算の結果を統合することで、前記統合結果を算出し、
   前記導出するステップでは、前記サーバ装置は、主成分分析を実施することにより、前記同一のグループ内で、算出された前記統合結果から１つ以上の主成分を導出する、
   請求項１から６のいずれか１項に記載の統合分析方法。
9. 前記割り当てるステップでは、前記サーバ装置は、前記複数のグループを示すリストを前記各クライアント装置に配信して、前記リストに示される前記複数のグループのうちから１つ以上のグループを選択させ、選択された前記１つ以上のグループに前記各クライアント装置を割り当てる、
   請求項８に記載の統合分析方法。
10. 前記割り当てるステップでは、前記サーバ装置は、前記ローカル学習データに関する属性データを前記各クライアント装置から取得し、前記各クライアント装置から取得された前記属性データをクラスタリングし、前記クラスタリングの結果に基づいて、前記各クライアント装置を前記複数のグループのうちの少なくともいずれかに割り当てる、
    請求項８に記載の統合分析方法。
11. 前記１つ以上の主成分に関する情報を出力することは、導出された前記１つ以上の主成分に関する情報を前記サーバ装置が前記各クライアント装置に配信することにより構成される、
    請求項１から１０のいずれか１項に記載の統合分析方法。
12. 前記ローカル学習データは、製品の写る画像データ、又は製品の属性を測定することで得られた測定データにより構成される、
    請求項１から１１のいずれか１項に記載の統合分析方法。
13. 前記ローカル学習データは、対象者の状態を観察するセンサにより得られたセンシングデータにより構成される、
    請求項１から１１のいずれか１項に記載の統合分析方法。
14. 複数のクライアント装置それぞれにより収集されたローカル学習データに対して実行された、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算の結果を複数のクライアント装置それぞれから取得する取得部と、
    前記各クライアント装置から取得された前記演算の結果を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出する統合部と、
    主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出する分析部と、
    導出された前記１つ以上の主成分に関する情報を出力する出力部と、
    を備える、
    統合分析装置。
15. コンピュータに、
    複数のクライアント装置それぞれにより収集されたローカル学習データに対して実行された、ローカル学習データに含まれる各ローカルサンプルの各要素間の相関性を求めるための演算の結果を複数のクライアント装置それぞれから取得するステップと、
    前記各クライアント装置から取得された前記演算の結果を統合することで、全ローカル学習データに含まれる全ローカルサンプルの各要素間の相関性を示す統合結果を算出するステップと、
    主成分分析を実施することにより、算出された前記統合結果から１つ以上の主成分を導出するステップと、
    導出された前記１つ以上の主成分に関する情報を出力するステップと、
    を実行させるための、
    統合分析プログラム。

Images