JP2023028824A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】ユーザ側でモデルを共有して進化計算を行い、モデルを更新する情報処理装置、情報処理方法及び情報処理プログラムを提供する。【解決手段】端末装置と情報提供装置とが、夫々ネットワークを介して有線又は無線で互いに通信可能に接続される情報処理システムにおいて、情報処理装置（端末装置）は、サーバ側から配布されたモデルを受信する受信部と、学習に用いるデータを取得する取得部と、データを用いてモデルのオンデバイス機械学習を行う学習部と、他者の情報処理装置と互いのモデルを交換し、他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換部（変換部）と、データを用いてモデルと他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する判定部と、比較検討の結果、自己のモデルをモデルと他者のモデルとのうち推論の精度が高いモデルに更新する更新部と、を備える。【選択図】図３

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。

サーバ装置に機械学習させるための教師データをサーバ装置へ送る技術が開示されている。

特許第６８８０２９０号公報

上記の従来技術のように、機械学習はサーバ装置によって行われるのが一般的である。しかしながら、データに個人の行動等を特定可能な情報が含まれている場合、企業等の外部のサーバ装置へ送るのが好ましくないこともある。また、個人の行動等を特定可能な情報を含むデータの送受信には様々な制限があるため、自由に送受信することが容易ではないこともある。この場合、ユーザはデータをサーバに送らずに各自の端末上でオンデバイス機械学習を行い、ローカルモデルを構築・更新する。しかし、従来は、端末側のローカルモデル（局所モデル）とサーバ側のグローバルモデル（全体モデル）とを比較することはあっても、各自のローカルモデル同士を直接比較することはなかった。

本願は、上記に鑑みてなされたものであって、ユーザ側でモデルを共有して進化計算を行い、モデルを更新することを目的とする。

本願に係る情報処理装置は、サーバ側から配布されたモデルを受信する受信部と、学習に用いるデータを取得する取得部と、前記データを用いて前記モデルのオンデバイス機械学習を行う学習部と、他者の情報処理装置と互いのモデルを交換し、前記他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換部と、前記データを用いて現在のモデルと前記他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する判定部と、前記比較検討の結果、自己のモデルを前記現在のモデルと前記他者のモデルとのうち推論の精度が高いモデルに更新する更新部とを備えることを特徴とする。

実施形態の一態様によれば、ユーザ側でモデルを共有して進化計算を行い、モデルを更新することができる。

図１は、実施形態に係る情報処理方法の概要を示す説明図である。 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。 図３は、実施形態に係る端末装置の構成例を示す図である。 図４は、実施形態に係る情報提供装置の構成例を示す図である。 図５は、利用者情報データベースの一例を示す図である。 図６は、履歴情報データベースの一例を示す図である。 図７は、モデル情報データベースの一例を示す図である。 図８は、実施形態に係る処理手順を示すフローチャートである。 図９は、ハードウェア構成の一例を示す図である。

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」と記載する）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。

〔１．情報処理方法の概要〕
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、ユーザ側でモデルを共有して進化計算を行い、モデルを更新する場合を例に挙げて説明する。

図１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１００とを含む。端末装置１０と情報提供装置１００とは、それぞれネットワークＮ（図２参照）を介して有線又は無線で互いに通信可能に接続される。本実施形態では、端末装置１０は、情報提供装置１００と連携する。

端末装置１０は、利用者Ｕ（ユーザ）により使用されるスマートフォンやタブレット等のスマートデバイスであり、４Ｇ（Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる携帯端末装置である。また、端末装置１０は、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、利用者Ｕから指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、コンテンツ等の表示データに対する各種の操作を受付ける。なお、画面のうち、コンテンツが表示されている領域上で行われた操作を、コンテンツに対する操作としてもよい。また、端末装置１０は、スマートデバイスのみならず、デスクトップＰＣ（Personal Computer）やノートＰＣ等の情報処理装置であってもよい。

情報提供装置１００は、各利用者Ｕの端末装置１０と連携し、各利用者Ｕの端末装置１０に対して、各種アプリケーション（以下、アプリ）等に対するＡＰＩ（Application Programming Interface）サービス等と、各種データを提供する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。

また、情報提供装置１００は、各利用者Ｕの端末装置１０に対して、オンラインで何らかのＷｅｂサービスを提供する情報処理装置であってもよい。例えば、情報提供装置１００は、Ｗｅｂサービスとして、インターネット接続、検索サービス、ＳＮＳ（Social Networking Service）、電子商取引、電子決済、オンラインゲーム、オンラインバンキング、オンライントレーディング、宿泊・チケット予約、動画・音楽配信、ニュース、地図、ルート検索、経路案内、路線情報、運行情報、天気予報等のサービスを提供してもよい。実際には、情報提供装置１００は、上記のようなＷｅｂサービスを提供する各種サーバと連携し、Ｗｅｂサービスを仲介してもよいし、Ｗｅｂサービスの処理を担当してもよい。

なお、情報提供装置１００は、利用者Ｕに関する利用者情報を取得可能である。例えば、情報提供装置１００は、利用者Ｕの性別、年代、居住地域といった利用者Ｕの属性に関する情報を取得する。そして、情報提供装置１００は、利用者Ｕを示す識別情報（利用者ＩＤ等）とともに利用者Ｕの属性に関する情報を記憶して管理する。

また、情報提供装置１００は、利用者Ｕの端末装置１０から、あるいは利用者ＩＤ等に基づいて各種サーバ等から、利用者Ｕの行動を示す各種の履歴情報（ログデータ）を取得する。例えば、情報提供装置１００は、利用者Ｕの位置や日時の履歴である位置履歴を端末装置１０から取得する。また、情報提供装置１００は、利用者Ｕが入力した検索クエリの履歴である検索履歴を検索サーバ（検索エンジン）から取得する。また、情報提供装置１００は、利用者Ｕが閲覧したコンテンツの履歴である閲覧履歴をコンテンツサーバから取得する。また、情報提供装置１００は、利用者Ｕの商品購入や決済処理の履歴である購入履歴（決済履歴）を電子商取引サーバや決済処理サーバから取得する。また、情報提供装置１００は、利用者Ｕのマーケットプレイスへの出品の履歴である出品履歴や販売履歴を電子商取引サーバや決済サーバから取得してもよい。また、情報提供装置１００は、利用者Ｕの投稿の履歴である投稿履歴を口コミの投稿サービスを提供する投稿サーバやＳＮＳサーバから取得する。

図１に示すように、情報提供装置１００（サーバ側）は、各利用者Ｕの端末装置１０のそれぞれ（端末側）にパターンの異なるモデルを配布する（ステップＳ１）。

例えば、情報提供装置１００から各利用者Ｕの端末装置１０に配布されるモデルは、サーバ側のグローバルモデル（全体モデル）ではなく、端末側のローカルモデル（局所モデル）であり、ある興味をオンデバイスのログから推定するモデルである。

本実施形態では、情報提供装置１００は、レコメンド情報（recommendation）の最適化モデルを１０個（１０パターン）作成し、情報処理システム１に参加する全利用者Ｕの端末装置１０に対し、１０パターンのモデルのうちいずれか１つを無作為（ランダム）に配布する。なお、実際には、配布されるモデルの種類及び内容は任意である。例えば、情報提供装置１００は、各利用者の行動を推測する推測モデルを配布してもよい。

各利用者Ｕの端末装置１０は、情報提供装置１００（サーバ側）から配布されたモデルを受信し、各自の端末装置１０で取得したデータを学習データとして、当該モデルを用いて各自の端末上でオンデバイス機械学習を行う（ステップＳ２）。

本実施形態では、利用者Ｕの端末装置１０は、端末装置１０の機能により計測又は記録されるデータを取得する。例えば、端末装置１０は、データとして、端末装置１０の位置情報、センサデータ、利用者Ｕの属性情報、履歴情報（操作履歴、決済履歴等）等を取得する。端末装置１０は、ＧＰＳ（Global Positioning System）やＲＴＫ（Real Time Kinematic）等の測位方法で、第１精度（例えば、１０メートル精度、１０ｍメッシュ）での詳細な位置情報を取得する。また、端末装置１０は、端末に搭載又は接続された各センサで計測されたセンサデータを取得してもよい。

なお、利用者Ｕの端末装置１０は、位置情報やセンサデータ等のデータを取得した際に、データ内容やコンテキスト等の所定のルールに基づいて、端末側（端末装置１０）のローカルモデル（局所モデル）と、サーバ側（情報提供装置１００）のグローバルモデル（全体モデル）とのうち、いずれのモデルにおいて機械学習するかを判定してもよい。すなわち、ローカルモデルとグローバルモデルとのいずれを更新するかを判定してもよい。ローカルモデルとグローバルモデルとは、精度が異なる。例えば、利用者Ｕの端末装置１０は、取得されたデータとコンテキストから、サーバ側のグローバルモデルと、端末側のローカルモデルとのいずれを学習するかを決定する。

このとき、利用者Ｕの端末装置１０は、サーバ側（情報提供装置１００）のグローバルモデルにおいて機械学習すると判断した場合には、所定のルールに基づいて、データを生データの状態又は抽象化した抽象化データの状態でサーバ側（情報提供装置１００）に送信する。そして、端末装置１０は、サーバ側（情報提供装置１００）から送信データを用いたグローバルモデルでの機械学習の結果を受信する。例えば、端末装置１０は、機械学習の結果として、グローバルモデルでの推論結果又はそれに基づく情報（レコメンド情報等）を受信する。すなわち、端末装置１０は、オンラインでの機械学習を実施する。

一方、利用者Ｕの端末装置１０は、端末側（端末装置１０）のローカルモデルにおいて機械学習すると判断した場合（オンデバイス機械学習の場合）には、データを用いて機械学習を行い、ローカルモデルを構築する。そして、端末装置１０は、データをローカルモデルに入力して推論を行い、推論結果を得る。すなわち、端末装置１０は、オンデバイス（on device）での機械学習を実施する。

しかし、端末側（端末装置１０）のローカルモデルにおいて機械学習が行われた場合（オンデバイス機械学習の場合）、各利用者の端末装置１０においてローカルモデルが独自の発展を遂げるため、各端末装置１０のローカルモデルの整合や統一を図ることや優劣を判断することができない。

そこで、本実施形態では、各利用者Ｕの端末装置１０間で各自のデータを渡すことなく各自のローカルモデルのみを交換／共有して、各利用者の端末装置１０上で、自己のデータを自己のモデルと他者のモデルとに入力して、いずれのモデルが優れているか比較検証する。例えば、自己のデータを用いて自己と他者のそれぞれのローカルモデルによる推論の精度を比較検証する。大抵の場合は、自己のデータに最適化した自己のモデルの方が優れていると推測されるが、端末装置やセンサの性能の差、あるいは学習に用いたデータの種類や件数の差により、他者のモデルの方が優れていることも起こり得る。この場合、自己のモデルを他者のモデルに更新する。すなわち、端末装置間でのローカルモデルの交換／共有時にモデル同士を戦わせて、戦いに勝ったモデルに更新する。

各利用者Ｕの端末装置１０は、各自の端末上でオンデバイス機械学習が行われたローカルモデルを、各利用者Ｕの端末装置１０間で交換／共有する（ステップＳ３）。

各利用者Ｕの端末装置１０間でのローカルモデルの交換／共有には、Ｂｌｕｅｔｏｏｔｈ（登録商標）又は無線ＬＡＮ（Local Area Network）等の近距離無線通信や、いわゆる「すれ違い通信」を利用してもよい。これにより、ある地域の利用者が他の地域に出張／旅行で訪れた際に、その訪問先の地域の利用者とモデルを交換／共有することができる。

また、各利用者Ｕの端末装置１０は、同一の基地局やルータ、アクセスポイント、ホームサーバ、同一構内のＬＡＮ等を介してローカルモデルの交換／共有を行ってもよい。また、各利用者Ｕの端末装置１０は、Ｐ２Ｐ（Peer to Peer）やオーバーレイ・ネットワーク（Overlay Network）を利用してローカルモデルの交換／共有を行ってもよい。あるいは、各利用者Ｕの端末装置１０は、ネットワークＮ（図２参照）を介して共通の属性や行動履歴を持つ利用者同士でローカルモデルの交換／共有を行うようにしてもよい。なお、実際には、各利用者Ｕの端末装置１０は、ネットワークＮ（図２参照）を介して無作為（ランダム）に同じ地域又は全国の利用者同士でローカルモデルの交換／共有を行うようにしてもよい。

また、各利用者Ｕの端末装置１０間でローカルモデルを交換する際、モデルの全部ではなく、モデルの一部分のみを交換するようにしてもよい。例えば、言語モデル等であれば、モデルの一部分のみを交換することも可能である。

各利用者Ｕの端末装置１０は、各利用者Ｕの端末装置１０間でローカルモデルを交換した場合、各自の端末上で自己のデータを自己のモデルと他者のモデルとに入力して、いずれのモデルが優れているか比較検証する（ステップＳ４）。

本実施形態では、利用者Ｕの端末装置１０は、自己のデータを用いて自己と他者のそれぞれのローカルモデルによる推論の精度を比較検証する。例えば、各利用者Ｕは、他の利用者とのすれ違いの時にモデルを交換／共有し、自分の端末装置１０にあるデータ（問題データ、正解データ）を用いてモデル同士を戦わせる。

例えば、利用者Ｕ１と利用者Ｕ２がすれ違った際に、それぞれの端末装置１０間で互いのモデルを交換する。利用者Ｕ１の端末装置１０Ａは、モデルＡが利用者Ｕ１のログでチューニングされたモデルを有する。利用者Ｕ２の端末装置１０Ｂは、モデルＢが利用者Ｕ１のログでチューニングされたモデルを有する。利用者Ｕ１の端末装置１０Ａは、モデルＡが利用者Ｕ１のログでチューニングされたモデルを有する。

そして、各自の端末上でモデルＡとモデルＢを入れ替えて比較検証を行う（戦わせる）。このとき、利用者Ｕ１の端末装置１０Ａは、利用者Ｕ１のログにモデルＢを当てる。また、利用者Ｕ２の端末装置１０Ｂは、利用者Ｕ２のログにモデルＡを当てる。

なお、同時に多数のローカルモデルの比較検証を行うと、端末装置１０の負荷が大きくなるため、同時に比較検証を行うローカルモデルの数は、２つ又は３つ程度であると好ましい。例えば、各利用者Ｕの端末装置１０において、自己を含む３台の端末装置のローカルモデルのうちどれが最も精度が高いかを比較検証する。

各利用者Ｕの端末装置１０は、比較検証の結果、優れていると判断したモデルを採用し、自己のモデルを、採用されたモデルに更新する（ステップＳ５）。

本実施形態では、各利用者Ｕの端末装置１０は、比較検証の結果、有意に勝敗（優劣）が決した場合にはモデルを完全に更新する（塗り替える）。また、各利用者Ｕの端末装置１０は、比較検証の結果、大差なしと判定した場合には、モデルを更新しなくてもよいし、モデルのアセンブルを行ってもよい。アセンブルされたモデルは、新しいモデル（現在の自他のモデルとは違うモデル）として生き残る。

例えば、利用者Ｕの端末装置１０は、モデルのアセンブルとして、ニューラルネットワークの一部を共有した新しいモデルを構築してもよい。すなわち、端末装置１０は、ローカルモデルを更新する際、モデルの全部ではなく、モデルの一部分のみを更新するようにしてもよい。このとき、利用者Ｕの端末装置１０は、比較検証した各モデルからそれぞれの良い部分を抽出して組み合わせてもよい。

上記の処理を不特定多数の端末装置１０において繰り返し実施し続けることで、端末装置間で精度が高いモデルが伝播していく。これにより、端末装置間でモデルを最適化／平均化することができる。また、機械学習において、訓練データに対して学習されているが、未知データ（テストデータ）に対しては適合できていないオーバーフィッティング（過剰適合、過学習）の改善を図ることができる。

また、都道府県や市区町村等のエリアによるモデル特性（方言）の調査を行うこともできる。例えば、東京や福岡など大都市圏の利用者の端末装置では、地域が離れていても同じパターンのモデルに集約されていく傾向にある等の状況を把握することができる。また、採用されるモデルの傾向がどの地域で分断されているか等の状況を把握することができる。

また、モデル同士を戦わせて優劣を競い合い（モデルバトル）、その結果により新たな知見を得ることもできる。例えば、エリアごとに居住者同士、及び居住者と訪問者（移動者）との間でモデルバトルを行うことで、「西日本はモデル１が、東日本はモデル２が強い」、「特異的にこのエリアだけモデル３が強い」、「エリアに関係なく２０代の女性にはモデル４が強い」、「東京と福岡はモデルＡが強い、大阪はモデルＢが強い」といった結果が得られる。このような結果を振り返ることで、従来技術では得られない新たな知見を得ることができる。すなわち、モデルバトルの結果を振り返って、モデルごとの特異なコンテキストやその切り口を知ることができる。モデルバトルの結果の差異が出る切り口は、それぞれの群で特性が違うことを示すので、その切り口がわかるだけでも有用である。

以上のように、本実施形態では、利用者Ｕの端末装置１０は、同じコンテキストに他の利用者Ｕの端末装置１０が存在する時に、異なるローカルモデルを持った他者の端末装置１０とローカルモデルを交換／共有し、自他のローカルモデルを戦わせて、よりパフォーマンスの高い方のモデルに上書きする。端末装置側で実施するので、お互いの持っているデータに対してパフォーマンスの良いモデルを上書きする。これにより、精度が良いモデルが他のユーザの端末装置を征服する。なお、モデル同士が均衡していた場合は、重みのアセンブル（ニューラルネットワークの構造の一部分の共有など）を行う。すなわち、本実施形態では、利用者Ｕの端末装置１０は、位置情報付き進化計算を行う。

〔２．情報処理システムの構成例〕
次に、図２を用いて、実施形態に係る情報提供装置１００が含まれる情報処理システム１の構成について説明する。図２は、実施形態に係る情報処理システム１の構成例を示す図である。図２に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報提供装置１００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。

また、図２に示す情報処理システム１に含まれる各装置の数は図示したものに限られない。例えば、図２では、図示の簡略化のため、自他の端末装置１０を３台のみ示したが、これはあくまでも例示であって限定されるものではなく、４台以上であってもよい。

端末装置１０は、利用者Ｕによって使用される情報処理装置である。例えば、端末装置１０は、スマートフォンやタブレット端末等のスマートデバイス、フィーチャーフォン、ＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、通信機能を備えたゲーム機やＡＶ機器、カーナビゲーションシステム、スマートウォッチやヘッドマウントディスプレイ等のウェアラブルデバイス（Wearable Device）、スマートグラス、スマートスピーカ、カメラ等である。但し、実際には、これらの例に限定されない。

また、かかる端末装置１０は、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）、５Ｇ（5th Generation：第５世代移動通信システム）等の無線通信網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）、無線ＬＡＮ（Local Area Network）等の近距離無線通信を介してネットワークＮに接続し、情報提供装置１００と通信することができる。

情報提供装置１００は、例えばＰＣやサーバ装置、あるいはメインフレーム又はワークステーション等である。なお、情報提供装置１００は、クラウドコンピューティングにより実現されてもよい。

〔３．端末装置の構成例〕
次に、図３を用いて、端末装置１０の構成について説明する。図３は、端末装置１０の構成例を示す図である。図３に示すように、端末装置１０は、通信部１１と、表示部１２と、入力部１３と、測位部１４と、センサ部２０と、制御部３０（コントローラ）と、記憶部４０とを備える。

（通信部１１）
通信部１１は、ネットワークＮ（図２参照）と有線又は無線で接続され、ネットワークＮを介して、情報提供装置１００との間で情報の送受信を行う。例えば、通信部１１は、ＮＩＣ（Network Interface Card）やアンテナ等によって実現される。

（表示部１２）
表示部１２は、位置情報等の各種情報を表示する表示デバイスである。例えば、表示部１２は、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）や有機ＥＬディスプレイ（Organic Electro-Luminescent Display）である。また、表示部１２は、タッチパネル式のディスプレイであるが、これに限定されるものではない。

（入力部１３）
入力部１３は、利用者Ｕから各種操作を受け付ける入力デバイスである。例えば、入力部１３は、文字や数字等を入力するためのボタン等を有する。なお、入力部１３は、入出力ポート（I/O port）やＵＳＢ（Universal Serial Bus）ポート等であってもよい。また、表示部１２がタッチパネル式のディスプレイである場合、表示部１２の一部が入力部１３として機能する。また、入力部１３は、利用者Ｕから音声入力を受け付けるマイク等であってもよい。マイクはワイヤレスであってもよい。

（測位部１４）
測位部１４は、ＧＰＳ（Global Positioning System）の衛星から送出される信号（電波）を受信し、受信した信号に基づいて、自装置である端末装置１０の現在位置を示す位置情報（例えば、緯度及び経度）を取得する。すなわち、測位部１４は、端末装置１０の位置を測位する。なお、ＧＰＳは、ＧＮＳＳ（Global Navigation Satellite System）の一例に過ぎない。

また、測位部１４は、ＧＰＳ以外にも、種々の手法により位置を測位することができる。例えば、測位部１４は、位置補正等のための補助的な測位手段として、下記のように、端末装置１０の様々な通信機能を利用して位置を測位してもよい。

（Ｗｉ－Ｆｉ測位）
例えば、測位部１４は、端末装置１０のＷｉ－Ｆｉ（登録商標）通信機能や、各通信会社が備える通信網を利用して、端末装置１０の位置を測位する。具体的には、測位部１４は、Ｗｉ－Ｆｉ通信等を行い、付近の基地局やアクセスポイントとの距離を測位することにより、端末装置１０の位置を測位する。

（ビーコン測位）
また、測位部１４は、端末装置１０のＢｌｕｅｔｏｏｔｈ（登録商標）機能を利用して位置を測位してもよい。例えば、測位部１４は、Ｂｌｕｅｔｏｏｔｈ（登録商標）機能によって接続されるビーコン（beacon）発信機と接続することにより、端末装置１０の位置を測位する。

（地磁気測位）
また、測位部１４は、予め測定された構造物の地磁気のパターンと、端末装置１０が備える地磁気センサとに基づいて、端末装置１０の位置を測位する。

（ＲＦＩＤ測位）
また、例えば、端末装置１０が駅改札や店舗等で使用される非接触型ＩＣカードと同等のＲＦＩＤ（Radio Frequency Identification）タグの機能を備えている場合、もしくはＲＦＩＤタグを読み取る機能を備えている場合、端末装置１０によって決済等が行われた情報とともに、使用された位置が記録される。測位部１４は、かかる情報を取得することで、端末装置１０の位置を測位してもよい。また、位置は、端末装置１０が備える光学式センサや、赤外線センサ等によって測位されてもよい。

測位部１４は、必要に応じて、上述した測位手段の一つ又は組合せを用いて、端末装置１０の位置を測位してもよい。

（センサ部２０）
センサ部２０は、端末装置１０に搭載又は接続される各種のセンサを含む。なお、接続は、有線接続、無線接続を問わない。例えば、センサ類は、ウェアラブルデバイスやワイヤレスデバイス等、端末装置１０以外の検知装置であってもよい。図３に示す例では、センサ部２０は、加速度センサ２１と、ジャイロセンサ２２と、気圧センサ２３と、気温センサ２４と、音センサ２５と、光センサ２６と、磁気センサ２７と、画像センサ（カメラ）２８とを備える。

なお、上記した各センサ２１～２８は、あくまでも例示であって限定されるものではない。すなわち、センサ部２０は、各センサ２１～２８のうちの一部を備える構成であってもよいし、各センサ２１～２８に加えてあるいは代えて、湿度センサ等その他のセンサを備えてもよい。

加速度センサ２１は、例えば、３軸加速度センサであり、端末装置１０の移動方向、速度、及び、加速度等の端末装置１０の物理的な動きを検知する。ジャイロセンサ２２は、端末装置１０の角速度等に基づいて３軸方向の傾き等の端末装置１０の物理的な動きを検知する。気圧センサ２３は、例えば端末装置１０の周囲の気圧を検知する。

端末装置１０は、上記した加速度センサ２１やジャイロセンサ２２、気圧センサ２３等を備えることから、これらの各センサ２１～２３等を利用した歩行者自律航法（ＰＤＲ：Pedestrian Dead-Reckoning）等の技術を用いて端末装置１０の位置を測位することが可能になる。これにより、ＧＰＳ等の測位システムでは取得することが困難な屋内での位置情報を取得することが可能になる。

例えば、加速度センサ２１を利用した歩数計により、歩数や歩くスピード、歩いた距離を算出することができる。また、ジャイロセンサ２２を利用して、利用者Ｕの進行方向や視線の方向、体の傾きを知ることができる。また、気圧センサ２３で検知した気圧から、利用者Ｕの端末装置１０が存在する高度やフロアの階数を知ることもできる。

気温センサ２４は、例えば端末装置１０の周囲の気温を検知する。音センサ２５は、例えば端末装置１０の周囲の音を検知する。光センサ２６は、端末装置１０の周囲の照度を検知する。磁気センサ２７は、例えば端末装置１０の周囲の地磁気を検知する。画像センサ２８は、端末装置１０の周囲の画像を撮像する。

上記した気圧センサ２３、気温センサ２４、音センサ２５、光センサ２６及び画像センサ２８は、それぞれ気圧、気温、音、照度を検知したり、周囲の画像を撮像したりすることで、端末装置１０の周囲の環境や状況等を検知することができる。また、端末装置１０の周囲の環境や状況等から、端末装置１０の位置情報の精度を向上させることが可能になる。

（制御部３０）
制御部３０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ、入出力ポート等を有するマイクロコンピュータや各種の回路を含む。また、制御部３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路等のハードウェアで構成されてもよい。制御部３０は、送信部３１と、受信部３２と、処理部３３と、取得部３４と、学習部３５と、交換部３６と、判定部３７と、更新部３８とを備える。

（送信部３１）
送信部３１は、例えば入力部１３を用いて利用者Ｕにより入力された各種情報や、端末装置１０に搭載又は接続された各センサ２１～２８によって検知された各種情報、測位部１４によって測位された端末装置１０の位置情報等を、通信部１１を介して情報提供装置１００へ送信することができる。また、送信部３１は、データを情報提供装置１００（サーバ側）へ送ると判定した場合、通信部１１を介して、データを情報提供装置１００（サーバ側）へ送信する。なお、送信部３１は、データの内容やコンテキスト等の所定のルールに基づいて、データを生データの状態で情報提供装置１００（サーバ側）へ送ってもよいし、データを抽象化した抽象化データの状態で情報提供装置１００（サーバ側）へ送ってもよい。

また、送信部３１は、当該端末装置１０のローカルモデル（局所モデル）が更新された時に、通信部１１を介して、更新されたモデル（更新モデル）と更新日時とに関する情報を情報提供装置１００（サーバ側）に通知する。このとき、送信部３１は、モデルが更新された時点での所在地（地域等）に関する情報も情報提供装置１００（サーバ側）に通知してもよい。

（受信部３２）
受信部３２は、通信部１１を介して、情報提供装置１００から提供される各種情報や、情報提供装置１００からの各種情報の要求を受信することができる。本実施形態では、受信部３２は、通信部１１を介して、情報提供装置１００（サーバ側）から配布されたモデルを受信する。この配布されたモデルが当該端末装置１０のローカルモデル（局所モデル）となる。また、受信部３２は、通信部１１を介して、情報提供装置１００（サーバ側）からデータを用いたグローバルモデル（船体モデル）での機械学習の結果を受信する。

（処理部３３）
処理部３３は、表示部１２等を含め、端末装置１０全体を制御する。例えば、処理部３３は、送信部３１によって送信される各種情報や、受信部３２によって受信された情報提供装置１００からの各種情報を表示部１２へ出力して表示させることができる。なお、処理部３３は、下記の取得部３４と、学習部３５と、交換部３６と、判定部３７と、更新部３８とを含んでいてもよい。

（取得部３４）
取得部３４は、測位部１４やセンサ部２０又は入力部１３を介して、学習に用いるデータを取得する。具体的には、取得部３４は、学習に用いるデータとして、端末装置１０の位置情報、センサデータ、利用者Ｕの属性情報、履歴情報（操作履歴、決済履歴等）等を取得する。例えば、取得部３４は、ＧＰＳ（Global Positioning System）やＲＴＫ（Real Time Kinematic）等の測位方法で、第１精度（例えば、１０メートル精度、１０ｍメッシュ）での位置情報を取得する。また、取得部３４は、端末に搭載又は接続された各センサで計測されたセンサデータを取得する。

（学習部３５）
学習部３５は、データを用いてローカルモデル（局所モデル）で機械学習を行う。すなわち、学習部３５は、オンデバイス機械学習を行う。例えば、学習部３５は、データを情報提供装置１００（サーバ側）へ送らないと判定した場合、データを用いてローカルモデルで機械学習を行う。

また、学習部３５は、データを用いたローカルモデルでの推論結果に基づいて、利用者Ｕに提示する情報（提示情報）を決定する。例えば、学習部３５は、利用者Ｕの現在位置の周辺の店舗の広告やクーポン等のレコメンド情報を、利用者Ｕに提示する情報（提示情報）として決定する。このとき、送信部３１は、通信部１１を介して、利用者Ｕの現在位置の周辺の店舗の広告やクーポン等のレコメンド情報を要求してもよい。また、学習部３５は、情報提供装置１００（サーバ側）から複数の提供情報（レコメンド情報等）を受信している場合、データを用いたローカルモデルでの推論結果に基づいて、情報提供装置１００から受信した複数の提供情報（レコメンド情報等）を絞り込み、利用者Ｕに提示する情報（提示情報）を決定する。

（交換部３６）
交換部３６は、他者の端末装置１０と互いのモデルを交換し、他者の端末装置１０が保有する他者のモデルを取得する。このとき、交換部３６は、互いのモデルを交換する際、モデルの全部ではなく、モデルの一部を交換してもよい。

また、交換部３６は、他者の端末装置１０とのすれ違い時に、互いのモデルを交換してもよい。あるいは、交換部３６は、サーバ側を経由することなく、他者の端末装置１０とネットワークを介して互いのモデルを交換してもよい。また、交換部３６は、異なるモデルを持った他者の端末装置１０が同じコンテキストにいる時に、互いのモデルを交換してもよい。なお、同じコンテキストにいる時とは、例えば、同じ時間に同じ場所（鉄道駅、商業施設、学校、オフィスビル等）にいる時や、当該利用者Ｕと他の利用者Ｕとが同じ行動（散歩、ランニング、車移動、電車移動等）を取っている時などである。時間や場所については、多少の誤差は許容される。

また、自身の端末装置１０が保有する現在のモデルと、他者の端末装置１０が保有する他者のモデルとは、サーバ側から配布された同一目的のモデルであって、パターンの異なるモデルである。また、実際には、交換部３６は、他者の端末装置１０と互いのモデルを共有する共有部と読み替えてもよい。

（判定部３７）
判定部３７は、データを用いて現在のモデルと他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する。なお、判定部３７は、自他のモデルの推論の精度を比較検討する比較部と読み替えてもよい。

また、判定部３７は、現在のモデルと他者のモデルとを戦わせるモデルバトルを行い、モデルバトルの結果を記憶部１２０等に記憶（記録）する。例えば、判定部３７は、エリアごとに現在のモデルと他者のモデルとを戦わせるモデルバトルを行う。また、判定部３７は、モデルバトルの結果を解析してモデルごとの特異なコンテキスト及び切り口を得る。

（更新部３８）
更新部３８は、比較検討の結果、自己のモデルを現在のモデルと他者のモデルとのうち推論の精度が高いモデルに更新する。なお、更新部３８は、自己のモデルを更新する際、モデルの全部ではなく、モデルの一部を更新してもよい。また、更新部３８は、自己のモデルを更新する際、現在のモデルと他者のモデルとを用いてモデルをアセンブルしてもよい。

（記憶部４０）
記憶部４０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、又は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、光ディスク等の記憶装置によって実現される。かかる記憶部４０には、各種プログラムや各種データ等が記憶される。本実施形態では、記憶部４０は、取得された学習用のデータや、サーバ側（情報提供装置）から配布されたモデル、他者の端末装置１０から取得した他者のモデル等を記憶する。

〔４．情報提供装置の構成例〕
次に、図４を用いて、実施形態に係る情報提供装置１００の構成について説明する。図４は、実施形態に係る情報提供装置１００の構成例を示す図である。図４に示すように、情報提供装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（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。また、通信部１１０は、ネットワークＮ（図２参照）と有線又は無線で接続される。

（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、又は、ＨＤＤ、ＳＳＤ、光ディスク等の記憶装置によって実現される。図４に示すように、記憶部１２０は、利用者情報データベース１２１と、履歴情報データベース１２２と、モデル情報データベース１２３とを有する。

（利用者情報データベース１２１）
利用者情報データベース１２１は、利用者Ｕに関する利用者情報を記憶する。例えば、利用者情報データベース１２１は、利用者Ｕの属性等の種々の情報を記憶する。図５は、利用者情報データベース１２１の一例を示す図である。図５に示した例では、利用者情報データベース１２１は、「利用者ＩＤ（Identifier）」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。なお、「利用者ＩＤ」は、利用者Ｕの連絡先（電話番号、メールアドレス等）であってもよいし、利用者Ｕの端末装置１０を識別するための識別情報であってもよい。

また、「年齢」は、利用者ＩＤにより識別される利用者Ｕの年齢を示す。なお、「年齢」は、利用者Ｕの具体的な年齢（例えば３５歳など）を示す情報であってもよいし、利用者Ｕの年代（例えば３０代など）を示す情報であってもよい。あるいは、「年齢」は、利用者Ｕの生年月日を示す情報であってもよいし、利用者Ｕの世代（例えば８０年代生まれなど）を示す情報であってもよい。また、「性別」は、利用者ＩＤにより識別される利用者Ｕの性別を示す。

また、「自宅」は、利用者ＩＤにより識別される利用者Ｕの自宅の位置情報を示す。なお、図５に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、利用者ＩＤにより識別される利用者Ｕの勤務地（学生の場合は学校）の位置情報を示す。なお、図５に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、利用者ＩＤにより識別される利用者Ｕの興味を示す。すなわち、「興味」は、利用者ＩＤにより識別される利用者Ｕが関心の高い対象を示す。例えば、「興味」は、利用者Ｕが検索エンジンに入力して検索した検索クエリ（キーワード）等であってもよい。なお、図５に示す例では、「興味」は、各利用者Ｕに１つずつ図示するが、複数であってもよい。

例えば、図５に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、自宅が「ＬＣ１１」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、勤務地が「ＬＣ１２」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、「スポーツ」に興味があることを示す。

ここで、図５に示す例では、「Ｕ１」、「ＬＣ１１」及び「ＬＣ１２」といった抽象的な値を用いて図示するが、「Ｕ１」、「ＬＣ１１」及び「ＬＣ１２」には、具体的な文字列や数値等の情報が記憶されるものとする。以下、他の情報に関する図においても、抽象的な値を図示する場合がある。

なお、利用者情報データベース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。例えば、利用者情報データベース１２１は、利用者Ｕの端末装置１０に関する各種情報を記憶してもよい。また、利用者情報データベース１２１は、利用者Ｕのデモグラフィック（人口統計学的属性）、サイコグラフィック（心理学的属性）、ジオグラフィック（地理学的属性）、ベヘイビオラル（行動学的属性）等の属性に関する情報を記憶してもよい。例えば、利用者情報データベース１２１は、氏名、家族構成、出身地（地元）、職業、職位、収入、資格、居住形態（戸建、マンション等）、車の有無、通学・通勤時間、通学・通勤経路、定期券区間（駅、路線等）、利用頻度の高い駅（自宅・勤務地の最寄駅以外）、習い事（場所、時間帯等）、趣味、興味、ライフスタイル等の情報を記憶してもよい。

（履歴情報データベース１２２）
履歴情報データベース１２２は、利用者Ｕの行動を示す履歴情報（ログデータ）に関する各種情報を記憶する。図６は、履歴情報データベース１２２の一例を示す図である。図６に示した例では、履歴情報データベース１２２は、「利用者ＩＤ」、「位置履歴」、「検索履歴」、「閲覧履歴」、「購買履歴」、「投稿履歴」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「位置履歴」は、利用者Ｕの位置や移動の履歴である位置履歴を示す。また、「検索履歴」は、利用者Ｕが入力した検索クエリの履歴である検索履歴を示す。また、「閲覧履歴」は、利用者Ｕが閲覧したコンテンツの履歴である閲覧履歴を示す。また、「購買履歴」は、利用者Ｕによる購買の履歴である購買履歴を示す。また、「投稿履歴」は、利用者Ｕによる投稿の履歴である投稿履歴を示す。なお、「投稿履歴」は、利用者Ｕの所有物に関する質問を含んでいてもよい。

例えば、図６に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、「位置履歴＃１」の通りに移動し、「検索履歴＃１」の通りに検索し、「閲覧履歴＃１」の通りにコンテンツを閲覧し、「購買履歴＃１」の通りに所定の店舗等で所定の商品等を購入し、「投稿履歴」の通りに投稿したことを示す。

ここで、図６に示す例では、「Ｕ１」、「位置履歴＃１」、「検索履歴＃１」、「閲覧履歴＃１」、「購買履歴＃１」及び「投稿履歴＃１」といった抽象的な値を用いて図示するが、「Ｕ１」、「位置履歴＃１」、「検索履歴＃１」、「閲覧履歴＃１」、「購買履歴＃１」及び「投稿履歴＃１」には、具体的な文字列や数値等の情報が記憶されるものとする。

なお、履歴情報データベース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。例えば、履歴情報データベース１２２は、利用者Ｕの所定のサービスの利用履歴等を記憶してもよい。また、履歴情報データベース１２２は、利用者Ｕの実店舗の来店履歴又は施設の訪問履歴等を記憶してもよい。また、履歴情報データベース１２２は、利用者Ｕの端末装置１０を用いた決済（電子決済）での決済履歴等を記憶してもよい。

（モデル情報データベース１２３）
モデル情報データベース１２３は、利用者Ｕの行動を示す履歴情報（ログデータ）に関する各種情報を記憶する。図７は、モデル情報データベース１２３の一例を示す図である。図７に示した例では、モデル情報データベース１２３は、「利用者ＩＤ」、「端末装置」、「配布モデル」、「更新モデル」、「更新日時」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「端末装置」は、利用者Ｕの端末装置１０を識別するための識別情報を示す。なお、「端末装置」は、利用者Ｕの端末装置１０の機種（スマホ、タブレット、ＯＳ名等）を示す情報を含んでいてもよい。

また、「配布モデル」は、情報提供装置１００（サーバ側）から配布されたモデルを示す。すなわち、「配布モデル」は、最初のローカルモデルを示す。また、「更新モデル」は、当該端末装置１０（端末側）で更新されたモデルを示す。すなわち、「更新モデル」は、最新のローカルモデルを示す。また、「更新日時」は、当該端末装置１０（端末側）でモデルが更新された日時を示す。すなわち、「更新日時」は、更新モデルに上書きされた日時を示す。

例えば、図７に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕが所有する「端末装置＃１」は、最初に「モデルＡ」が配布され、その後、「更新日時＃１」に自己のモデルを「更新モデル＃１」に更新したことを示す。

ここで、図７に示す例では、「Ｕ１」、「端末装置＃１」、「モデルＡ」、「更新モデル＃１」及び「更新日時＃１」といった抽象的な値を用いて図示するが、「Ｕ１」、「端末装置＃１」、「モデルＡ」、「更新モデル＃１」及び「更新日時＃１」には、具体的な文字列や数値等の情報が記憶されるものとする。

なお、モデル情報データベース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、モデル情報データベース１２３は、モデルが更新された時点での所在地（地域等）に関する情報等を記憶してもよい。なお、所在地（地域等）に関する情報は、詳細な位置情報であると利用者Ｕの位置や行動が特定／推定される可能性があるので、都道府県や市区町村等の地域（エリア）単位の情報（地域名称、住所等）や、地域メッシュ単位の情報（地域メッシュコード等）であってもよい。また、モデル情報データベース１２３は、最初の配布モデルから最新の更新モデルまでの過去の全ての更新モデルに関する更新履歴等を記憶してもよい。また、モデル情報データベース１２３は、モデルとともに、各利用者Ｕの端末装置１０から収集されたデータ（生データ又は抽象化データ）を記憶してもよい。

（制御部１３０）
図４に戻り、説明を続ける。制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報提供装置１００の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等の記憶領域を作業領域として実行されることにより実現される。図４に示す例では、制御部１３０は、収集部１３１と、推定部１３２と、提供部１３３とを有する。

（収集部１３１）
収集部１３１は、通信部１１０を介して、各利用者Ｕの端末装置１０から、生データ又は抽象化データを収集する。また、収集部１３１は、通信部１１０を介して、各利用者Ｕの端末装置１０においてモデルが更新された時に、各利用者Ｕの端末装置１０から、更新されたモデル（更新モデル）と更新日時とに関する情報を収集する。このとき、送信部３１は、モデルが更新された時点での所在地（地域等）に関する情報も収集してもよい。

また、収集部１３１は、通信部１１０を介して、各利用者Ｕに関する利用者情報を取得してもよい。例えば、収集部１３１は、利用者Ｕの端末装置１０から、利用者Ｕを示す識別情報（利用者ＩＤ等）や、利用者Ｕの位置情報、利用者Ｕの属性情報等を取得する。また、収集部１３１は、利用者Ｕのユーザ登録時に、利用者Ｕを示す識別情報や、利用者Ｕの属性情報等を取得してもよい。そして、収集部１３１は、利用者情報を、記憶部１２０の利用者情報データベース１２１に登録する。

また、収集部１３１は、通信部１１０を介して、各利用者Ｕの行動を示す各種の履歴情報（ログデータ）を取得してもよい。例えば、収集部１３１は、利用者Ｕの端末装置１０から、あるいは利用者ＩＤ等に基づいて各種サーバ等から、利用者Ｕの行動を示す各種の履歴情報を取得する。そして、収集部１３１は、各種の履歴情報を、記憶部１２０の履歴情報データベース１２２に登録する。

（推定部１３２）
推定部１３２は、生データ又は抽象化データに基づいて学習及び推論を行う。例えば、推定部１３２は、生データ又は抽象化データに基づいて機械学習を行い、グローバルモデル（全体モデル）を構築する。例えば、推定部１３２は、生データ又は抽象化データと利用者Ｕの大まかな現在や将来の位置や行動とを学習データとして機械学習を行う。あるいは、推定部１３２は、生データ又は抽象化データと利用者Ｕに提供するレコメンド情報（recommendation）とを学習データとして機械学習を行う。

また、推定部１３２は、生データ又は抽象化データをグローバルモデルに入力して推論を行い、推論結果を得る。例えば、推定部１３２は、生データ又は抽象化データに基づいて、利用者Ｕの大まかな現在や将来の位置や行動を推測したり、利用者Ｕに提供するレコメンド情報を推測したりする。

（提供部１３３）
提供部１３３は、通信部１１０を介して、生データ又は抽象化データに応じた推論結果に基づく提供情報を、当該データの送信元である利用者Ｕの端末装置１０に提供する。例えば、提供部１３３は、グローバルモデルによる推論結果に基づいて、利用者Ｕの端末装置１０にレコメンド情報を提供する。

また、提供部１３３は、通信部１１０を介して、各利用者Ｕの端末装置１０のそれぞれ（端末側）にパターンの異なるモデルを配布する。例えば、各利用者Ｕの端末装置１０に配布されるモデルは、サーバ側のグローバルモデル（全体モデル）ではなく、端末側のローカルモデル（局所モデル）であり、ある興味をオンデバイスのログから推定するモデルである。

例えば、推定部１３２は、レコメンド情報（recommendation）の最適化モデルを１０個（１０パターン）作成する。提供部１３３は、通信部１１０を介して、情報処理システム１に参加する全利用者Ｕの端末装置１０に対し、１０パターンのモデルのうちいずれか１つを無作為（ランダム）に配布する。

〔５．処理手順〕
次に、図８を用いて実施形態に係る端末装置１０による処理手順について説明する。図８は、実施形態に係る処理手順を示すフローチャートである。なお、以下に示す処理手順は、端末装置１０の制御部３０によって繰り返し実行される。

図８に示すように、端末装置１０の受信部３２は、通信部１１を介して、情報提供装置１００（サーバ側）から配布されたモデルを受信する（ステップＳ１０１）。このとき、受信部３２は、情報提供装置１００（サーバ側）から各利用者Ｕの端末装置１０のそれぞれ（端末側）に配布されたパターンの異なるモデルのうちの１つを受信する。

続いて、端末装置１０の取得部３４は、測位部１４やセンサ部２０又は入力部１３を介して、学習に用いるデータを取得する（ステップＳ１０２）。例えば、取得部３４は、学習に用いるデータとして、端末装置１０の位置情報、センサデータ、利用者Ｕの属性情報、履歴情報（操作履歴、決済履歴等）等を取得する。

続いて、端末装置１０の学習部３５は、データを用いてローカルモデル（局所モデル）で機械学習を行う（ステップＳ１０３）。すなわち、学習部３５は、オンデバイス機械学習を行う。

続いて、端末装置１０の交換部３６は、他者の端末装置１０と互いのモデルを交換し、他者の端末装置１０が保有する他者のモデルを取得する（ステップＳ１０４）。このとき、交換部３６は、互いのモデルを交換する際、モデルの全部ではなく、モデルの一部を交換してもよい。

続いて、端末装置１０の判定部３７は、データを用いて現在のモデルと他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する（ステップＳ１０５）。

続いて、端末装置１０の判定部３７は、比較検討の結果、他者のモデルの方が優れているか否か判定する（ステップＳ１０６）。

続いて、端末装置１０の更新部３８は、比較検討の結果、他者のモデルの方が優れている場合（ステップＳ１０６：Ｙｅｓ）、自己のモデルを他者のモデルに更新する（ステップＳ１０７）。

また、端末装置１０の更新部３８は、比較検討の結果、現在のモデルの方が優れている場合（ステップＳ１０６：Ｎｏ）、現在のモデルを継続する（ステップＳ１０８）。

なお、端末装置１０の更新部３８は、比較検討の結果、現在のモデルと他者のモデルのそれぞれの良い部分を抽出してモデルをアセンブルしてもよい。

また、端末装置１０の送信部３１は、当該端末装置１０のローカルモデル（局所モデル）が更新された時に、通信部１１を介して、更新されたモデル（更新モデル）と更新日時とに関する情報を情報提供装置１００（サーバ側）に通知してもよい。このとき、送信部３１は、モデルが更新された時点での所在地（地域等）に関する情報も情報提供装置１００（サーバ側）に通知してもよい。

〔６．変形例〕
上述した端末装置１０及び情報提供装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、実施形態の変形例について説明する。

上記の実施形態において、情報提供装置１００が実行している処理の一部又は全部は、実際には、端末装置１０が実行してもよい。例えば、スタンドアローン（Stand-alone）で（端末装置１０単体で）処理が完結してもよい。この場合、端末装置１０に、上記の実施形態における情報提供装置１００の機能が備わっているものとする。また、上記の実施形態では、端末装置１０は情報提供装置１００と連携しているため、利用者Ｕから見れば、情報提供装置１００の処理も端末装置１０が実行しているように見える。すなわち、他の観点では、端末装置１０は、情報提供装置１００を備えているともいえる。

また、上記の実施形態において、情報提供装置１００（サーバ側）は、フェデレーテッドラーニング（Federated Learning：連合学習）を採用し、各利用者Ｕの端末装置１０（端末側）に共有モデル（コアモデル）を提供してもよい。そして、端末装置１０は、共有モデルをベースとして、生データ（及びセンサデータ）と結果情報とを学習データとしてオンデバイス機械学習を行うことでパターンを作り、そのパターンを利用して生データ（及びセンサデータ）を入力データとして推論を行うようにしてもよい。また、端末装置１０は、フェデレーテッドラーニングの仕組みを利用して、モデルの更新後の差分パラメータを情報提供装置１００（サーバ側）に通知してもよい。これにより、情報提供装置１００（サーバ側）は、端末装置１０側のモデルの更新を知ることができる。

また、上記の実施形態において、端末装置１０は、モデルの一部を交換／更新する場合、より精度が高くなるように交換／更新してもよい。また、端末装置１０は、モデルを複数の中間層を含む部分モデルに分割してもよい。このとき、端末装置１０は、１つのモデルを機能ごとに複数の部分モデルに分割してもよい。例えば、端末装置１０は、現在のモデルを機能ごとに複数の部分モデルに分割し、他社の端末装置１０とのすれ違い時に、他社の端末装置１０と互いのモデルに基づく各部分モデルを交換する。あるいは、端末装置１０は、他社の端末装置１０と互いのモデルの交換後、現在のモデルと他者のモデルとをそれぞれ機能ごとに複数の部分モデルに分割し、各部分モデルを入れ替えた複数のモデルを生成し、生成された複数のモデルのうち精度が高いモデルを更新モデルとして採用する。

また、上記の実施形態において、端末装置１０は、オンデバイスＡＩ（Artificial Intelligence：人工知能）によりカメラ機能の高機能化を実現したスマートフォン等であってもよい。また、端末装置１０は、オンデバイスＡＩを搭載したロボットや自動運転車、ドローン等であってもよい。

〔７．効果〕
上述してきたように、本願に係る情報処理装置（端末装置１０）は、サーバ側（情報提供装置１００）から配布されたモデルを受信する受信部３２と、学習に用いるデータを取得する取得部３４と、データを用いてモデルのオンデバイス機械学習を行う学習部３５と、他者の情報処理装置と互いのモデルを交換し、他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換部３６と、データを用いて現在のモデルと他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する判定部３７と、比較検討の結果、自己のモデルを現在のモデルと他者のモデルとのうち推論の精度が高いモデルに更新する更新部３８とを備える。

また、交換部３６は、互いのモデルを交換する際、モデルの全部ではなく、モデルの一部を交換する。

また、更新部３８は、自己のモデルを更新する際、モデルの全部ではなく、モデルの一部を更新する。

また、更新部３８は、自己のモデルを更新する際、現在のモデルと他者のモデルとを用いてモデルをアセンブルする。

また、交換部３６は、他者の情報処理装置とのすれ違い時に、互いのモデルを交換する。

また、交換部３６は、サーバ側を経由することなく、他者の情報処理装置とネットワークを介して互いのモデルを交換する。

また、交換部３６は、異なるモデルを持った他者の情報処理装置が同じコンテキストにいる時に、互いのモデルを交換する。

また、現在のモデルと他者のモデルとは、サーバ側から配布された同一目的のモデルであって、パターンの異なるモデルである。

判定部３７は、現在のモデルと他者のモデルとを戦わせるモデルバトルを行い、モデルバトルの結果を解析してモデルごとの特異なコンテキスト及び切り口を得る。

上述した各処理のいずれかもしくは組合せにより、本願に係る情報処理装置は、ユーザ側でモデルを共有して進化計算を行い、モデルを更新することができる。

〔８．ハードウェア構成〕
また、上述した実施形態に係る端末装置１０や情報提供装置１００は、例えば図９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。以下、情報提供装置１００を例に挙げて説明する。図９は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。

一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。

出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、及びプリンタ等といった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインターフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、及びスキャナ等といった各種の入力装置１０２０から情報を受信するためのインターフェースであり、例えば、ＵＳＢ等により実現される。

また、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０及び入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０及び入力装置１０２０は、ワイヤレス機器であってもよい。

また、出力装置１０１０及び入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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、又は半導体メモリ等から情報を読み出す装置であってもよい。

ネットワークＩ／Ｆ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報提供装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得したプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。

〔９．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

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又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又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。

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、その全部又は一部を、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又は物理的に分散・統合して構成することができる。

例えば、上述した情報提供装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。

また、上述してきた実施形態及び変形例は、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。

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。

１ 情報処理システム
１０ 端末装置
１１ 通信部
１４ 測位部
２０ センサ部
３０ 制御部
３１ 送信部
３２ 受信部
３３ 処理部
３４ 取得部
３５ 学習部
３６ 交換部
３７ 判定部
３８ 更新部
１００ 情報提供装置
１１０ 通信部
１２０ 記憶部
１２１ 利用者情報データベース
１２２ 履歴情報データベース
１２３ モデル情報データベース
１３０ 制御部
１３１ 収集部
１３２ 推定部
１３３ 提供部

Claims (11)

1. サーバ側から配布されたモデルを受信する受信部と、
   学習に用いるデータを取得する取得部と、
   前記データを用いて前記モデルのオンデバイス機械学習を行う学習部と、
   他者の情報処理装置と互いのモデルを交換し、前記他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換部と、
   前記データを用いて現在のモデルと前記他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する判定部と、
   前記比較検討の結果、自己のモデルを前記現在のモデルと前記他者のモデルとのうち推論の精度が高いモデルに更新する更新部と
   を備えることを特徴とする情報処理装置。
2. 前記交換部は、互いのモデルを交換する際、モデルの全部ではなく、モデルの一部を交換する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記更新部は、自己のモデルを更新する際、モデルの全部ではなく、モデルの一部を更新する
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記更新部は、自己のモデルを更新する際、前記現在のモデルと前記他者のモデルとを用いてモデルをアセンブルする
   ことを特徴とする請求項１～３のうちいずれか１つに記載の情報処理装置。
5. 前記交換部は、前記他者の情報処理装置とのすれ違い時に、互いのモデルを交換する
   ことを特徴とする請求項１～４のうちいずれか１つに記載の情報処理装置。
6. 前記交換部は、前記サーバ側を経由することなく、前記他者の情報処理装置とネットワークを介して互いのモデルを交換する
   ことを特徴とする請求項１～５のうちいずれか１つに記載の情報処理装置。
7. 前記交換部は、異なるモデルを持った前記他者の情報処理装置が同じコンテキストにいる時に、互いのモデルを交換する
   ことを特徴とする請求項１～６のうちいずれか１つに記載の情報処理装置。
8. 前記現在のモデルと前記他者のモデルとは、前記サーバ側から配布された同一目的のモデルであって、パターンの異なるモデルである
   ことを特徴とする請求項１～７のうちいずれか１つに記載の情報処理装置。
9. 前記判定部は、前記現在のモデルと前記他者のモデルとを戦わせるモデルバトルを行い、前記モデルバトルの結果を解析してモデルごとの特異なコンテキスト及び切り口を得る
   ことを特徴とする請求項１～８のうちいずれか１つに記載の情報処理装置。
10. 情報処理装置が実行する情報処理方法であって、
    サーバ側から配布されたモデルを受信する受信工程と、
    学習に用いるデータを取得する取得工程と、
    前記データを用いて前記モデルのオンデバイス機械学習を行う学習工程と、
    他者の情報処理装置と互いのモデルを交換し、前記他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換工程と、
    前記データを用いて現在のモデルと前記他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する比較工程と、
    前記比較検討の結果、自己のモデルを前記現在のモデルと前記他者のモデルとのうち推論の精度が高いモデルに更新する更新工程と
    を含むことを特徴とする情報処理方法。
11. サーバ側から配布されたモデルを受信する受信手順と、
    学習に用いるデータを取得する取得手順と、
    前記データを用いて前記モデルのオンデバイス機械学習を行う学習手順と、
    他者の情報処理装置と互いのモデルを交換し、前記他者の情報処理装置で機械学習が行われた他者のモデルを取得する交換手順と、
    前記データを用いて現在のモデルと前記他者のモデルとのそれぞれの推論の精度を比較検討して優劣を判定する比較手順と、
    前記比較検討の結果、自己のモデルを前記現在のモデルと前記他者のモデルとのうち推論の精度が高いモデルに更新する更新手順と
    をコンピュータに実行させるための情報処理プログラム。

Images