JP2023088281A - 倫理的視点に基づいたイメージ生成 - Google Patents

Abstract

【課題】倫理的視点に基づいたイメージ生成のための方法等を提供する。【解決手段】実施形態で、第１ユーザの状況のテキスト記述が受け取られる。テキスト記述に基づき、ベクトル埋め込みの第１セットが決定される。倫理的テキストのセットが第２ユーザからのユーザ入力に基づき受け取られる。倫理的テキストのセットに基づき、ベクトル埋め込みの第２セットが決定される。ベクトル埋め込みの第２セットに基づき、ベクトル埋め込みの第１セットに対して対義語のセット及び類義語のセットが決定される。対義語のセット及び類義語のセットに基づき、センテンスのセットが決定される。センテンスのセットから、各センテンス内の品詞に基づき、第１センテンスが選択される。ＧＡＮモデルを使用することによって、第１イメージが第１センテンスに基づき生成される。イメージは、第２ユーザに関連した表示デバイスでレンダリングされる。【選択図】図３

Description

本開示で説明される実施形態は、倫理的視点に基づいたイメージ生成に関係がある。

機械学習及び人工知能（Artificial Intelligent，ＡＩ）の分野における進歩は、多数の機械学習及びＡＩベースの意思決定ツールの開発をもたらしてきた。そのようなツールは、ある人物に関連した様々なタイプの申し込み又は要求の評価に関する決定を下すために様々な機関によって使用される可能性がある。人物に関連したそのような申し込み又は要求の例には、ローン申請があり得るが、それに限られない。例えば、あるツールは、人物の性別（又は年齢、民族、若しくはカースト）に基づいてバイアスをかけられる場合がある。

本開示で請求される主題は、上述のような環境でしか動作しない実施形態又は上述のようなあらゆる欠点を解消する実施形態に限られない。むしろ、この背景は、本開示で記載されるいくつかの実施形態が実施される可能性がある技術分野の一例を説明するためにのみ与えられている。

実施形態の態様に従って、方法は動作の組を含んでよく、動作の組は、第１ユーザの状況に関連した第１テキスト記述を受け取ることを含み得る。動作の組は、前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することを更に含み得る。動作の組は、前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることを更に含み得る。動作の組は、前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することを更に含み得る。動作の組は、前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することを更に含み得る。動作の組は、前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することを更に含み得る。動作の組は、前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することを更に含み得る。動作の組は、敵対的生成ネットワーク（Generative Adversarial Network，ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することを更に含み得る。動作の組は、前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることを更に含み得る。

実施形態の目的及び利点は、少なくとも、特許請求の範囲で特に指し示されている要素、特徴、及び組み合わせによって、実現及び達成される。

上記の概要及び下記の詳細な説明はいずれも、例として与えられており、説明的であって、請求されている発明の限定ではない。

例となる実施形態が、添付の図面の使用を通じて、更なる特定及び詳細を用いて記載及び説明される。

倫理的視点に基づいたイメージ生成に関する環境の例を表す図である。 倫理的視点に基づいたイメージ生成のための例示的な電子デバイスを表すブロック図である。 倫理的視点に基づいたイメージ生成のための方法の例のフローチャートを表す図である。 第１ユーザの状況の第１記述の受信のための方法の例のフローチャートを表す図である。 ベクトル埋め込みの第２セットの決定のための方法の例のフローチャートを表す図である。 第１テキスト記述及び倫理的テキストの第１セットに基づき決定されたセンテンスのセットからの第１センテンスの選択のための方法の例のフローチャートを表す図である。 倫理的テキストに基づきユーザの例示的な状況について生成された例示的な第１イメージを表す図である。 倫理的テキストに基づきユーザの例示的な状況について生成された例示的な第１イメージを表す図である。 倫理的テキストに基づきユーザの例示的な状況について生成された例示的な第１イメージを表す図である。

図面は全て、本開示で記載される少なくとも１つの実施形態に従って表されている。

本開示で記載されるいくつかの実施形態は、倫理的視点に基づいたイメージ生成のための方法及びシステムに関する。本開示中、第１ユーザの状況に関連した第１テキスト記述が受け取られてよい。受け取られた第１テキスト記述に基づき、ベクトル埋め込みの第１セットが決定され得る。更に、倫理的テキストの第１セットが、第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき、受け取られてよい。その後に、受け取られた倫理的テキストの第１セットに基づき、ベクトル埋め込みの第２セットが決定され得る。決定されたベクトル埋め込みの第２セットに基づき、決定されたベクトル埋め込みの第１セットに対する対義語の第１セット及び類義語の第２セットが決定され得る。その後に、決定された対義語の第１セット及び決定された類義語の第２セットに基づき、センテンスのセットが決定され得る。決定されたセンテンスのセットから、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき、第１センテンスが選択され得る。その後に、敵対的生成ネットワーク（ＧＡＮ）モデルによって、選択された第１センテンスに基づき、第１イメージが生成され得る。生成された第１イメージは、第２ユーザに関連した表示デバイスでレンダリングされてよい。

本開示の１つ以上の実施形態に従って、人工知能（ＡＩ）モデルの技術分野は、コンピューティングシステムが倫理的テキストに基づき第１ユーザの状況に対してイメージを生成することが可能であるようにコンピューティングシステムを構成することによって、改善され得る。ここで、第１ユーザの状況は、第１ユーザの第１リクエストに関連したＡＩの意思決定を提供するようＡＩによって評価され得る。コンピューティングシステムは、第１ユーザの状況に関連したテキスト記述を受け取り、受け取られたテキスト記述に基づきベクトル埋め込みの第１セットを決定し得る。第２ユーザからのユーザ入力に基づき、コンピューティングシステムは、倫理的テキストのセットを受け取り、受け取られた倫理的テキストのセットに基づきベクトル埋め込みの第２セットを決定し得る。ここで、受け取られた倫理的テキストのセットは倫理的視点に関連し得る。コンピューティングシステムは、決定されたベクトル埋め込みの第２セットに基づき決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定し得る。ここで、状況のテキスト記述のベクトル埋め込みと受け取られた倫理的テキストのセットとの間の対義語及び類義語は、テキスト記述及び受け取られた倫理的テキストのセットに関してコンテキストを捉えることができる関連語のセットを含んでよい。コンピューティングシステムは、決定された対義語の第１セット及び決定された類義語の第２セットに基づきセンテンスのセットを決定し得る。決定されたセンテンスのセットから、コンピューティングシステムは、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき、第１センテンスを選択し得る。第１センテンスは、品詞に基づき選択され得るものであって、決定されたセンテンスのセットの中で最も広いコンテキストを有する可能性があるセンテンスであってよい。選択された第１センテンスに基づき、コンピューティングシステムは、ＧＡＮモデルの使用によって第１イメージを決定し得る。その後に、コンピューティングシステムは、生成された第１イメージを、第２ユーザに関連した表示デバイスでレンダリングし得る。選択された第１センテンスに基づき第１イメージは生成され得るので、従って、生成された第１イメージは、テキスト記述に関連した最も広いコンテキスト及び倫理的テキストのセットに関連した倫理的視点に関連し得る。そのような第１イメージは、第１ユーザの状況、ＡＩの意思決定の説明、ＡＩの意思決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値を視覚化するのに有用であり得る。

通常、従来のシステムは、ＡＩの意思決定のテキスト説明を提供し得る。そのようなテキスト説明は、影響力が強くない可能性があり、第１ユーザの状況に関連した倫理的視点を考慮しない可能性がある。特定の条件付きシステムはＡＩの意思決定の視覚化を提供し得る。しかし、そのような視覚化は、直感的ではない可能性があり、技術的知識を持たないユーザには理解不能である可能性がある。また、そのような視覚化は、共感を引き起こすのに役立たない可能性がある。開示されるシステムは、他方で、第１ユーザの状況、ＡＩの意思決定の説明、ＡＩの意思決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値に関連した最も広いコンテキストを表すことができるイメージ（例えば、第１イメージ）を生成し得る。関連するステークホルダー（例えば、ＡＩ設計者、プログラマ、及び組織内の意思決定者）へのそのような生成されたイメージの提示は、第１ユーザへの共感を引き起こし、種々の倫理的視点を明らかにし、また、ＡＩに基づいた意思決定プロセスにおける多様性及び包括性を高め得る。

本開示の実施形態は、添付の図面を参照して説明される。

図１は、本開示で記載される少なくとも１つの実施形態に従って配置される、倫理的視点に基づいたイメージ生成に関する環境の例を表す図である。図１を参照して、環境１００が示されている。環境１００は、電子デバイス１０２、データベース１０４、ユーザエンドデバイス１０６、及び通信ネットワーク１１４を含み得る。電子デバイス１０２、データベース１０４、及びユーザエンドデバイス１０６は、通信ネットワーク１１４を介して、互いに通信可能に結合され得る。電子デバイス１０２は、敵対的生成ネットワーク（ＧＡＮ）モデル１０８、人工知能（ＡＩ）モデル１１０、及びＡＩモデル１１０に対応し得る説明可能な（explainable）ＡＩモデル１１２を含み得る。図１には、ユーザ１１８が更に示されており、ユーザ１１８は、電子デバイス１０２又はユーザエンドデバイス１０６に関連するか又はそれを操作し得る。更には、第１の倫理的テキスト１１６Ａ、第２の倫理的テキスト１１６Ｂ、・・・及び第Ｎの倫理的テキスト１１６Ｎを含む倫理的テキストの第１セット１１６が示されている。倫理的テキストの第１セット１１６は、データベース１０４に記憶され得る。

図１に示されているＮ個の倫理的テキストは、単に例として提示されている。倫理的テキストの第１セット１１６は、本開示の範囲からの逸脱無しに、１つの又はＮよりも多い倫理的テキストを含んでもよい。簡潔さのために、図１には、Ｎ個の倫理的テキストしか示されていない。しかし、いくつかの実施形態では、本開示の範囲を制限せずに、Ｎよりも多い倫理的テキストが存在してもよい。

ＡＩモデル１１０及び説明可能なＡＩモデル１１２は、電子デバイス１０２に包含又は記憶されるものとして示されているが、ある実施形態では、ＡＩモデル１１０及び／又は説明可能なＡＩモデル１１２は、本開示の範囲からの逸脱無しに、サーバ（図１に図示せず。）、データベース１０４、又はユーザエンドデバイス１０６などの別のデバイスに配置又は記憶されてもよい。

電子デバイス１０２は、ここで記載されるように、第１ユーザの状況に関連した第１テキスト記述及び倫理的テキストの第１セット（例えば、倫理的テキストの第１セット１１６）に基づき第１イメージを生成するよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを含んでよい。

電子デバイス１０２は、第１ユーザの状況に関連した第１テキスト記述を受け取るよう構成されてよい。第１テキスト記述は、ＡＩモデル１１０によって行われる第１決定に関する情報、第１決定に関連した第１理由に関する情報、及びＡＩモデル１１０が第１決定を行うよう訓練され得る倫理的条件の第１セットに関する情報を含んでよい。第１決定は、第１ユーザの第１リクエストに関連してよい。第１理由に関する情報は、説明可能なＡＩモデル１１２から受け取られてよい。第１テキスト記述を受け取ることは、例えば図３及び図４で、更に説明される。

電子デバイス１０２は、受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定するよう構成されてよい。例において、ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込みを用いて決定されてよい。電子デバイス１０２は、第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セット１１６を受け取るよう更に構成されてもよい。倫理的テキストの第１セットは、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応してよいが、これらに限られない。電子デバイス１０２は、受け取られた倫理的テキストの第１セット１１６に基づきベクトル埋め込みの第２セットを決定するよう構成されてよい。実施形態において、電子デバイス１０２は、第２ユーザからの第２ユーザ入力に基づき、受け取られた倫理的テキストの第１セットから１つ以上の倫理的テキストを選択してよい。そのような場合に、電子デバイス１０２は、選択された１つ以上の倫理的テキストに基づきベクトル埋め込みの第２セットを決定してよい。ベクトル埋め込みの第１セットの決定は、例えば図３で、更に説明される。ベクトル埋め込みの第２セットの決定は、例えば図３及び図５で、更に説明される。

電子デバイス１０２は、決定されたベクトル埋め込みの第２セットに基づき、決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定するよう構成されてよい。更に、電子デバイス１０２は、決定された対義語の第１セット及び決定された類義語の第２セットに基づきセンテンスのセットを決定するよう構成されてよい。対義語の第１セット、類義語の第２セット、及びセンテンスのセットの決定は、例えば図３で、更に説明される。

電子デバイス１０２は、決定されたセンテンスのセットの中の夫々に含まれている品詞（parts-of-speech）に基づき、決定されたセンテンスのセットから第１センテンスを選択するよう構成されてよい。選択された第１センテンスは、第１の倫理的条件に対応してよく、第１の倫理的条件は、受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なってよい。例えば、電子デバイス１０２は、決定されたセンテンスのセットの中の夫々に含まれている品詞を識別し得る。更に、電子デバイス１０２は、決定されたセンテンスのセットの中の夫々に含まれている識別された品詞の数に基づき、決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定してよい。その後に、電子デバイス１０２は、決定されたセンテンスのセットの中の夫々に関連した決定されたダイバーシティスコアに基づき、決定されたセンテンスのセットから第１センテンスを選択してよい。他の例では、決定されたセンテンスのセットからの第１センテンスの選択は、第２ユーザからの第３ユーザ入力に更に基づいてもよい。決定されたセンテンスのセットからの第１センテンスの選択は、例えば図３及び図６で、更に説明される。

電子デバイス１０２は、ＧＡＮモデル１０８によって、選択された第１センテンスに基づき第１イメージを生成するよう構成されてよい。例において、ＧＡＮモデル１０８は、ゼロショットテキスト－イメージコンバータモデルに対応してよい。生成された第１イメージは、第１ユーザの状況、第１ユーザのリクエストに対応する決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値、のうちの１つ以上を表し得るが、これらに限られない。電子デバイス１０２は、生成された第１イメージを、第２ユーザに関連した表示デバイスでレンダリングするよう更に構成されてよい。例えば、生成された第１イメージは、電子デバイス１０２の表示デバイス（例えば、図２の表示デバイス２１２）又はユーザエンドデバイス１０６の表示デバイスでレンダリングされてよい。ユーザの例示的な状況についての生成されたイメージの例は、図７Ａ、図７Ｂ、及び図７で与えられる。

電子デバイス１０２の例には、リクルートエンジン又はマシン、モバイルデバイス、デスクトップコンピュータ、ラップトップ、コンピュータワークステーション、コンピューティングデバイス、メインフレームマシン、クラウドサーバなどのサーバ、及びサーバのグループが含まれ得るが、これらに限られない。１つ以上の実施形態において、電子デバイス１０２は、ユーザエンド端末デバイスと、ユーザエンド端末デバイスへ通信可能に結合されたサーバとを含み得る。電子デバイス１０２は、プロセッサ、マイクロプロセッサ（例えば、１つ以上の動作を実行するか又はその動作を制御するためのもの）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又は特定用途向け集積回路（ＡＳＩＣ）を含むハードウェアを用いて実装されてよい。いくつかの他の事例では、電子デバイス１０２は、ハードウェアとソフトウェアとの組み合わせを用いて実装されてもよい。

データベース１０４は、倫理的テキストの第１セット１１６を記憶するよう構成され得る適切なロジック、インターフェース、及び／又はコードを含んでよい。特定の実施形態では、データベース１０４は、ＧＡＮモデル１０８、ＡＩモデル１１０、及び／又は説明可能なＡＩモデル１１２を更に記憶してもよい。他の実施形態では、データベース１０４は、ＧＡＮモデル１０８、ＡＩモデル１１０、又は説明可能なＡＩモデル１１２のうちの少なくとも１つに関連したデータセット（例えば、訓練データセット又はテストデータセット）を更に記憶してもよい。データベース１０４は、関連若しくは非関連データベースからのデータ、又は条件付き若しくはビッグデータストレージ内のカンマ区切り値（ｃｓｖ）の組から導出されてもよい。

データベース１０４は、サーバ又は電子デバイス１０２などのデバイスで記憶又はキャッシュされてよい。データベース１０４を記憶するデバイスは、電子デバイス１０２から倫理的テキストの第１セット１１６に対するクエリを受け取るよう構成されてよい。これに応えて、データベース１０４のデバイスは、受け取られたクエリに基づき、クエリされた倫理的テキストの第１セット１１６を読み出して電子デバイス１０２へ供給するよう構成されてよい。いくつかの実施形態において、データベース１０４は、同じ又は異なる位置にある複数のサーバでホストされてもよい。データベース１０４の操作は、プロセッサ、マイクロプロセッサ（例えば、１つ以上の動作を実行するか又はその動作を制御するためのもの）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又は特定用途向け集積回路（ＡＳＩＣ）を含むハードウェアを用いて実行されてよい。いくつかの他の事例では、データベース１０４は、ソフトウェアを用いて実装されてもよい。

ユーザエンドデバイス１０６は、ＧＡＮモデル１０８によって生成された第１イメージをレンダリングするよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを含んでよい。例えば、ユーザエンドデバイス１０６は、ウェブクライアントソフトウェア又は電子メールソフトウェアを含んでよく、そのようなソフトウェアを通じて、ユーザエンドデバイス１０６は第１テキスト記述を受け取ってよい。追加的に、又は代替的に、ユーザエンドデバイス１０６は、ユーザ１１８からのユーザ入力に基づき第１テキスト記述を生成又は編集するために使用され得るテキスト編集ソフトウェア又はワードプロセッサソフトウェアを含んでもよい。ユーザエンドデバイス１０６は、生成された、編集された、又は受け取られた第１テキスト記述を電子デバイス１０２へアップロードしてよい。更には、ユーザエンドデバイス１０６は、倫理的テキストの第１セットを記憶のためにデータベース１０４へアップロードしてよい。実施形態において、ユーザエンドデバイス１０６は、第１イメージを生成するためにユーザ１１８からクエリを受け取ってよい。ユーザエンドデバイス１０６は更に、クエリを電子デバイス１０２へ送信し、第１イメージの生成を開始してよい。ユーザエンドデバイス１０６は、生成された第１イメージを電子デバイス１０２から受け取ってもよく、受け取られた第１イメージをユーザエンドデバイス１０６の表示デバイスでレンダリングして、受け取られた第１イメージを第２ユーザ（例えば、ユーザ１１８）に表示してよい。ユーザエンドデバイス１０６の例には、モバイルデバイス、デスクトップコンピュータ、ラップトップ、コンピュータワークステーション、コンピューティングデバイス、メインフレームマシン、クラウドサーバなどのサーバ、及びサーバのグループが含まれ得るが、これらに限られない。図１では、ユーザエンドデバイス１０６は電子デバイス１０２と分かれているが、ただし、いくつかの実施形態では、ユーザエンドデバイス１０６は、本開示の範囲からの逸脱無しに、電子デバイス１０２に組み込まれてもよい。

ＧＡＮモデル１０８は、第１ニューラルネットワークモデル（生成器（generator）モデルとも呼ばれる。）及び第２ニューラルネットワークモデル（弁別器（discriminator）モデルとも呼ばれる。）を含んでよい。生成器モデルの目標は、ターゲット分布をエミュレートし得るランダム変数を出力することであってよい。弁別器モデルの目標は、入力されたランダム変数を、入力されたランダム変数がターゲット分布に属するかもしれないことを示し得る第１カテゴリと、入力されたランダム変数がターゲット分布に属さないかもしれないことを示し得る第２カテゴリとに分類することであってよい。生成器モデルの出力は、ＧＡＮモデル１０８の弁別器モデルの入力として供給されてよい。ＧＡＮモデル１０８を訓練するために、予め訓練された弁別器モデルが使用されてもよく、生成器モデルは、生成器モデルが弁別器モデルの識別能力に作用することができるように漸進的に訓練されてよい。言い換えると、訓練されると、生成器モデルは、弁別器モデルが生成されたランダム変数を真のターゲット分布値又は生成器モデルからの値として正確に分類することができない可能性があるほどにターゲット分布に近いランダム変数を生成することができる。

ＡＩモデル１１０は、第１ユーザの第１リクエストに関連し得る決定を行うよう構成されるニューラルネットワークモデルなどの機械学習モデルであってよい。説明可能なＡＩモデル１１２は、ターゲットＡＩモデル（例えば、ＡＩモデル１１０）の出力に関連した理由の組を提供するよう構成され得る人工知能モデルであってよい。言い換えると、説明可能なＡＩモデル１１２は、ターゲットＡＩモデル（つまり、ＡＩモデル１１０）の出力の、人間が解釈可能な理由、説明、又はテキスト記述を提供し得る。特定の実施形態では、説明可能なＡＩモデル１１２はニューラルネットワークモデルであってよい。

各ニューラルネットワークモデル（例えば、生成器モデル、弁別器モデル、及びＡＩモデル１１０、並びに説明可能なＡＩモデル１１２）は、ノードなどの、複数のレイヤで配置されている人工ニューロンの計算ネットワーク又はシステムであってよい。各ニューラルネットワークモデルの複数のレイヤは、入力レイヤ、１つ以上の隠れレイヤ、及び出力レイヤを含んでよい。複数のレイヤの各レイヤは、１つ以上のノード（つまり、例えば、円によって表されている、人工ニューロン）を含んでよい。入力レイヤ内の全ノードの出力は、隠れレイヤの少なくとも１つのノードへ結合されてよい。同様に、各隠れレイヤの入力は、ニューラルネットワークモデルの他のレイヤ内の少なくとも１つのノードの出力へ結合されてよい。各隠れレイヤの出力は、ニューラルネットワークモデルの他のレイヤ内の少なくとも１つのノードの入力へ結合されてよい。最終レイヤ内のノードは、少なくとも１つの隠れレイヤから入力を受け取って結果を出力してよい。レイヤの数及び各レイヤ内のノードの数は、ニューラルネットワークモデルのハイパーパラメータから決定され得る。そのようなハイパーパラメータは、訓練データセットに関してニューラルネットワークモデルを訓練する前又は訓練している間にセットされてよい。

ニューラルネットワークモデルの各ノードは、ニューラルネットワークモデルの訓練中に調整可能なパラメータの組を有する数学関数（例えば、シグモイド関数又は正規化線形ユニット）に対応してよい。パラメータの組は、例えば、重みパラメータ、正則化パラメータ、などを含んでよい。各ノードは、ニューラルネットワークモデルの他のレイヤ（例えば、前のレイヤ）内のノードからの１つ以上の入力に基づき出力を計算するために数学関数を使用してよい。ニューラルネットワークモデルのノードの全部又は一部は、同じ又は異なる数学関数に対応してよい。

ニューラルネットワークの訓練において、ニューラルネットワークモデルの各ノードの１つ以上のパラメータは、訓練データセットからの所与の入力についての最終レイヤの出力がニューラルネットワークモデルの損失関数に基づく正確な結果と一致するかどうかに基づき、更新されてよい。上記のプロセスは、損失関数の最小値が達成されかつ訓練エラーが最小になるまで、同じ又は異なる入力について繰り返されてよい。いくつかの訓練方法、例えば、最急降下法、確率的勾配降下法、バッチ最急降下法、勾配ブースティング、メタヒューリスティクス、などが当該技術で知られている。

各ニューラルネットワークモデルは、例えば、ソフトウェアプログラム、ソフトウェアプログラムのコード、ライブラリ、アプリケーション、スクリプト、又は処理デバイス（例えば、図２の電子デバイス１０２のプロセッサ２０４）によって実行される他のロジック若しくは命令などの電子データを含んでよい。各ニューラルネットワークモデルは、プロセッサを含むコンピューティングデバイスがターゲット分布のエミュレーション（生成器モデルの場合）、入力データの分類（弁別器モデルの場合）、第１ユーザの第１リクエストに関連したＡＩの意思決定の判定（ＡＩモデル１１０の場合）、又はＡＩモデル１１０の出力のテキスト説明の決定（説明可能なＡＩモデル１１２の場合）などの１つ以上のタスクを実行することを可能にするよう構成されたコード及びルーチンを含んでよい。追加的に、又は代替的に、ニューラルネットワークモデルは、プロセッサ、マイクロプロセッサ（例えば、１つ以上の動作を実行するか又はその実行を制御するためのもの）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又は特定用途向け集積回路（ＡＳＩＣ）を含むハードウェアを用いて実装されてよい。代替的に、いくつかの実施形態において、ニューラルネットワークモデルは、ハードウェアとソフトウェアとの組み合わせを用いて実装されてもよい。

ニューラルネットワークモデル（例えば、生成器モデル、弁別器モデル、ＡＩモデル１１０、及び説明可能なＡＩモデル１１２）の例には、ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、人工ニューラルネットワーク（ＡＮＮ）、全結合ニューラルネットワーク、ディープベイジアンニューラルネットワーク、及び／又はそのようなネットワークの組み合わせが含まれ得るが、これらに限られない。いくつかの実施形態において、ニューラルネットワークモデルは、データフローグラフを使用する多数の計算技術を含んでもよい。特定の実施形態では、ニューラルネットワークモデルは、複数のディープニューラルネットワーク（ＤＮＮ）のハイブリッドアーキテクチャに基づいてもよい。

通信ネットワーク１１４は通信媒体を含んでよく、通信媒体を通じて、電子デバイス１０２は、データベース１０４を記憶し得るデバイスと、及びユーザエンドデバイス１０６と通信し得る。通信ネットワーク１１４の例には、インターネット、クラウドネットワーク、ワイヤレス・フィデリティ（Ｗｉ－Ｆｉ）ネットワーク、パーソナル・エリア・ネットワーク（ＰＡＮ）、ローカル・エリア・ネットワーク（ＬＡＮ）、及び／又はメトロポリタン・エリア・ネットワーク（ＭＡＮ）が含まれ得るが、これらに限られない。環境１００の様々なデバイスは、様々な有線及び無線通信プロトコルに従って通信ネットワーク１１４へ接続するよう構成されてよい。そのような有線及び無線通信プロトコルの例には、伝送制御プロトコル及びインターネットプロトコル（ＴＣＰ／ＩＰ）、ユーザ・データグラム・プロトコル（ＵＤＰ）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）、ファイル転送プロトコル（ＦＴＰ）、Ｚｉｇ Ｂｅｅ、ＥＤＧＥ、ＩＥＥＥ ８０２．１１、ライト・フィデリティ（Ｌｉ－Ｆｉ）、８０２．１６、ＩＥＥＥ ８０２．１１ｓ、ＩＥＥＥ ８０２．１１ｇ、マルチホップ通信、ワイヤレス・アクセス・ポイント（ＡＰ）、デバイス間通信、セルラー通信プロトコル、及び／又はＢｌｕｅｔｏｏｔｈ（登録商標）（ＢＴ）通信プロトコル、あるいは、それらの組み合わせ、のうちの少なくとも１つが含まれ得るが、これらに限られない。

本開示の範囲から逸脱せずに、図１に対して変更、追加、又は省略が行われてもよい。例えば、環境１００は、本開示で図示及び記載されているものよりも多い又は少ない要素を含んでもよい。例えば、いくつかの実施形態において、環境１００は電子デバイス１０２を含んでよいが、データベース１０４及びユーザエンドデバイス１０６を含まなくてもよい。更には、いくつかの実施形態において、データベース１０４及びユーザエンドデバイス１０６の夫々の機能は、本開示の範囲からの逸脱無しに、電子デバイス１０２に組み込まれてもよい。

図２は、本開示で記載されている少なくとも１つの実施形態に従って配置されている、倫理的視点に基づいたイメージ生成のための例示的な電子デバイスを表すブロック図である。図２は、図１からの要素と関連して説明される。図２を参照して、電子デバイス１０２を含むシステム２０２のブロック図２００が示されている。電子デバイス１０２は、プロセッサ２０４、メモリ２０６、永続性データストレージ２０８、入力／出力（Ｉ／Ｏ）デバイス２１０、表示デバイス２１２、ネットワークインターフェース２１４、ＧＡＮモデル１０８、ＡＩモデル１１０、及び説明可能なＡＩモデル１１２を含んでよい。

プロセッサ２０４は、電子デバイス１０２によって実行される種々の動作に関連したプログラム命令を実行するよう構成され得る適切なロジック、回路、及び／又はインターフェースを含んでよい。例えば、動作のいくつかは、第１テキスト記述を受け取ること、ベクトル埋め込みの第１セットを決定すること、倫理的テキストの第１セット１１６を受け取ること、ベクトル埋め込みの第２セットを決定すること、対義語の第１セット及び類義語の第２セットを決定すること、センテンスのセットを決定すること、第１センテンスを選択すること、第１イメージを生成すること、及び生成された第１イメージをレンダリングすることを含んでよい。プロセッサ２０４は、様々なコンピュータハードウェア又はソフトウェアモジュールを含む如何なる適切な専用又は汎用コンピュータ、コンピューティングエンティティ、又は処理デバイスも含んでよく、如何なる適用可能なコンピュータ可読記憶媒体にも記憶されている命令を実行するよう構成されてよい。例えば、プロセッサ２０４は、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、あるいは、プログラム命令を解釈及び／又は実行するよう及び／又はデータを処理するよう構成された任意の他のデジタル又はアナログ回路を含んでよい。

図２には単一のプロセッサとして表されているが、プロセッサ２０４は、本開示で記載されているように、電子デバイス１０２の動作をいくつでも個別的に又は集合的に実行し又はその実行を指示するよう構成されたプロセッサをいくつでも含んでよい。更には、プロセッサの１つ以上は、異なるサーバなどの１つ以上の異なる電子デバイスに存在してもよい。いくつかの実施形態において、プロセッサ２０４は、メモリ２０６及び／又は永続性データストレージ２０８に記憶されているプログラム命令を解釈及び／又は実行するよう及び／又は記憶されているデータを処理するよう構成されてよい。いくつかの実施形態において、プロセッサ２０４は、永続性データストレージ２０８からプログラム命令をフェッチし、プログラム命令をメモリ２０６にロードしてよい。プログラム命令がメモリ２０６にロードされた後、プロセッサ２０４はプログラム命令を実行してよい。プロセッサ２０４の例のいくつかは、グラフィクス処理ユニット（ＧＰＵ）、中央演算処理装置（ＣＰＵ）、縮小命令セットコンピュータ（ＲＩＳＣ）プロセッサ、ＡＳＩＣプロセッサ、複数命令セットコンピュータ（ＣＩＳＣ）プロセッサ、コプロセッサ、及び／又はそれらの組み合わせであってよい。

メモリ２０６は、プロセッサ２０４によって実行可能なプログラム命令を記憶するよう構成され得る適切なロジック、回路、及び／又はインターフェースを含んでよい。特定の実施形態では、メモリ２０６は、オペレーティングシステム及び関連するアプリケーション固有情報を記憶するよう構成されてよい。メモリ２０６は、コンピュータ実行可能命令又はデータ構造を搬送するか又は記憶しているコンピュータ可読記憶媒体を含んでよい。そのようなコンピュータ可読記憶媒体は、プロセッサ２０４などの汎用又は専用コンピュータによってアクセスされ得る如何なる利用可能な媒体も含んでよい。例として、限定としてではなく、そのようなコンピュータ可読記憶媒体は、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリー・メモリ（ＲＯＭ）、電気的消去可能なプログラム可能リード・オンリー・メモリ（ＥＥＰＲＯＭ）、コンパクト・ディスク－リード・オンリー・メモリ（ＣＤ－ＲＯＭ）若しくは他の光ディスクストレージ、磁気ディスクストレージ若しくは他の磁気記憶デバイス、フラッシュメモリデバイス（例えば、ソリッドステートメモリデバイス）、あるいは、コンピュータ実行可能命令又はデータ構造の形で特定のプログラムコードを搬送又は記憶するために使用されてよく、かつ、汎用又は専用コンピュータによってアクセスされ得る任意の他の記憶媒体を含む有形な又は非一時的なコンピュータ可読記憶媒体を含んでよい。上記のものの組み合わせもコンピュータ可読記憶媒体の範囲内に含まれてよい。コンピュータ実行可能命令は、例えば、プロセッサ２０４に、電子デバイス１０２に関連した特定の動作又は動作のグループを実行させるよう構成された命令及びデータ、を含んでよい。

永続性データストレージ２０８は、プロセッサ２０４によって実行可能なプログラム命令、オペレーティングシステム、及び／又はアプリケーション固有情報、例えば、ログ及びアプリケーション固有データベースを記憶するよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを含んでよい。永続性データストレージ２０８は、コンピュータ実行可能命令又はデータ構造を搬送するか又は記憶しているコンピュータ可読記憶媒体を含んでよい。そのようなコンピュータ可読記憶媒体は、プロセッサ２０４などの汎用又は専用コンピュータによってアクセスされ得る如何なる利用可能な媒体も含んでよい。

例として、限定としてではなく、そのようなコンピュータ可読記憶媒体は、コンパクト・ディスク－リード・オンリー・メモリ（ＣＤ－ＲＯＭ）若しくは他の光ディスクストレージ、磁気ディスクストレージ若しくは他の磁気記憶デバイス（例えば、ハード・ディスク・ドライブ（ＨＤＤ））、フラッシュメモリデバイス（例えば、ソリッドステートドライブ（ＳＳＤ）、セキュアデジタル（ＳＤ）カード、他のソリッドステートメモリデバイス）、あるいは、コンピュータ実行可能命令又はデータ構造の形で特定のプログラムコードを搬送又は記憶するために使用されてよく、かつ、汎用又は専用コンピュータによってアクセスされ得る任意の他の記憶媒体を含む有形な又は非一時的なコンピュータ可読記憶媒体を含んでよい。上記のものの組み合わせもコンピュータ可読記憶媒体の範囲内に含まれてよい。コンピュータ実行可能命令は、例えば、プロセッサ２０４に、電子デバイス１０２に関連した特定の動作又は動作のグループを実行させるよう構成された命令及びデータ、を含んでよい。

いくつかの実施形態において、メモリ２０６若しくは永続性データストレージ２０８のどちらか一方、又はそれらの組み合わせは、受け取られた第１テキスト記述、受け取られた倫理的テキストの第１セット１１６、決定された対義語の第１セット及び類義語の第２セット、決定されたセンテンスのセット、選択された第１センテンス、及び生成された第１イメージを記憶してよい。メモリ２０６若しくは永続性データストレージ２０８のどちらか一方、又はそれらの組み合わせは、ＧＡＮモデル１０８、ＡＩモデル１１０、及び説明可能なＡＩモデル１１２を更に記憶してもよい。

Ｉ／Ｏデバイス２１０は、ユーザ入力を受け取るよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを含んでよい。例えば、Ｉ／Ｏデバイス２１０は、第１イメージを生成するためのクエリを示す第１入力を受け取ってよい。他の例では、Ｉ／Ｏデバイス２１０は、第１テキスト記述及び／又は倫理的テキストの第１セット１１６を示すユーザ入力を受け取ってよい。Ｉ／Ｏデバイス２１０は更に、決定されたセンテンスのセットからの第１センテンスの選択を示し得るユーザ入力を受け取ってよい。Ｉ／Ｏデバイス２１０は、ユーザ入力に応答して出力を供給するよう更に構成されてよい。例えば、Ｉ／Ｏデバイス２１０は、第１イメージ（電子デバイス１０２によって生成され得る。）を表示デバイス２１２でレンダリングしてよい。Ｉ／Ｏデバイス２１０は、プロセッサ２０４及び他のコンポーネント、例えば、ネットワークインターフェース２１４と通信するよう構成され得る様々な入力デバイス及び出力デバイスを含んでよい。入力デバイスの例には、タッチスクリーン、キーボード、マウス、ジョイスティック、及び／又はマイクロホンが含まれ得るが、これらに限られない。出力デバイスの例には、ディスプレイ（例えば、表示スクリーン２１２）及びスピーカが含まれ得るが、これらに限られない。

表示デバイス２１２は、生成された第１イメージを表示するよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを有してよい。表示デバイス２１２は、ユーザ１１８からユーザ入力を受け取るよう構成されてよい。そのような場合に、表示デバイス２１２は、ユーザ入力を受け取るタッチスクリーンであってよい。表示デバイス２１２は、液晶表示（ＬＣＤ）ディスプレイ、発光ダイオード（ＬＥＤ）ディスプレイ、プラズマディスプレイ、及び／又は有機ＬＥＤ（ＯＬＥＤ）ディスプレイ技術、及び／又は他の表示技術などのいくつかの既知の技術を通じて実現されてよい。

ネットワークインターフェース２１４は、通信ネットワーク１１４を介した電子デバイス１０２と、データベース１０４と、ユーザエンドデバイス１０６との間の通信を確立するよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを含んでよい。ネットワークインターフェース２１４は、通信ネットワーク１１４を介した電子デバイス１０２の有線又は無線通信をサポートするための様々な既知の技術の使用によって実装されてよい。ネットワークインターフェース２１４は、アンテナ、無線周波数（ＲＦ）トランシーバ、１つ以上の増幅器、チューナ、１つ以上の発振器、デジタル信号プロセッサ、コーダ－デコーダ（ＣＯＤＥＣ）チップセット、加入者識別モジュール（ＳＩＭ）カード、及び／又はローカルバッファを含み得るが、これらに限られない。

ネットワークインターフェース２１４は、通信ネットワーク１１４を介して電子デバイス１０２と、データベース１０４と、ユーザエンドデバイス１０６との間の通信を確立するよう構成され得る適切なロジック、回路、インターフェース、及び／又はコードを有してよい。ネットワークインターフェース２１４は、通信ネットワーク１１４を介して電子デバイス１０２の有線又は無線通信をサポートするよう様々な既知の技術の使用によって実装されてよい。ネットワークインターフェース２１４は、アンテナ、無線周波数（ＲＦ）トランシーバ、１つ以上の増幅器、チューナ、１つ以上の発振器、デジタル信号プロセッサ、コーダ－デコーダ（ＣＯＤＥＣ）チップセット、加入者識別モジュール（ＳＩＭ）カード、及び／又はローカルバッファを含み得るが、これらに限られない。

本開示の範囲から逸脱せずに、例となる電子デバイス１０２に対して、変更、追加、又は削除が行われてよい。例えば、いくつかの実施形態において、例となる電子デバイス１０２は、簡潔さのために明示的に図示又は記載されていない場合がある任意の数の他のコンポーネントを含んでもよい。

図３は、本開示の実施形態に従って、倫理的視点に基づいたイメージ生成のための方法の例のフローチャートを表す図である。図３は、図１及び図２からの要素に関連して記載される。図３を参照して、フローチャート３００が示されている。フローチャート３００で表されている方法は３０２から開始してよく、如何なる適切なシステム、装置、又はデバイスによっても、例えば、図１の例となる電子デバイス１０２又は図２のプロセッサ２０４によって、実行されてよい。別個のブロックで表されているが、フローチャート３００のブロックの１つ以上に関連したステップ及び動作は、特定の実施に応じて、追加のブロックに分割されても、より少ないブロックにまとめられても、又は削除されてもよい。

ブロック３０２で、第１ユーザの状況に関連した第１テキスト記述が受け取られてよい。実施形態において、プロセッサ２０４は、第１ユーザの状況に関連した第１テキスト記述を受け取るよう構成されてよい。第１ユーザの状況は環境の組に対応してよく、環境の組は、第１ユーザに関連付けられてよく、第１リクエストが第１ユーザによって行われ得る場合に優勢であり得る。例えば、第１ユーザは、貧しい経済的背景に属する場合があり、第１ユーザが金融機関から教育ローンを要求し得る場合に金融危機に直面している可能性がある。そのような場合に、貧しい経済的背景及び金融危機は、第１ユーザの状況に対応し得る。実施形態において、受け取られた第１テキスト記述は、ＡＩモデル１１０によって行われた第１決定に関する情報、第１決定に関連した第１理由に関する情報、及びＡＩモデル１１０が第１決定を行うよう訓練され得る倫理的条件の第１セットに関する情報を含み得るが、これらに限られない。ここで、ＡＩモデル１１０によって行われる第１決定（例えば、承認又は拒絶）は、第１ユーザの第１リクエスト（例えば、ローン申請）に関連してよい。第１決定に関連した第１理由に関する情報は、説明可能なＡＩモデル１１２から受け取られてよい。説明可能なＡＩモデル１１２は、ＡＩモデル１１０の出力を解析し、解析に基づき、ＡＩモデル１１０の第１決定に関連した第１理由に関する情報を供給してよい。例えば、第１ユーザの第１リクエストがローン申請要求であり、ＡＩモデル１１０の第１決定がローン申請要求を拒絶する決定である場合に、説明可能なＡＩモデル１１２は、第１決定に関連した第１理由を、第１ユーザの信用度が低いとして決定してよい。また、ここで、倫理的条件の第１セットは、ＡＩモデル１１０の設計者若しくはプログラマ、又は第１ユーザの第１リクエストに関連した意思決定プロセスに関与し得るステークホルダーからのユーザ入力に基づいてよい。例えば、倫理的条件の第１セットは、意思決定のためのＡＩモデル１１０による第１リクエストの評価に関連した規則及び規定に基づいた条件の組などの、義務論的倫理学に関連した１つ以上の倫理的条件を含んでよい。そのような倫理的条件の第１セットは、ユーザ（例えば、第１ユーザ）の要求（例えば、第１リクエスト）を拒絶又は承認するＡＩ意思決定を行うようＡＩモデル１１０を訓練するために使用されてよい。第１テキスト記述を受け取ることは、例えば図４で、更に説明される。

ブロック３０４で、ベクトル埋め込みの第１セットが、受け取られた第１テキスト記述に基づき決定されてよい。実施形態において、プロセッサ２０４は、受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定するよう構成されてよい。説明されるように、受け取られた第１テキスト記述は、第１決定に関する情報、第１理由に関する情報、及び倫理的条件の第１セットに関する情報を含んでよいが、これらに限られない。実施形態において、ベクトル埋め込みの第１セットを決定するために、プロセッサ２０４は、第１決定を第１ベクトル埋め込みに、第１理由を第２ベクトル埋め込みに、条件の第１セットを第３ベクトル埋め込みにマッピングしてよい。ここで、ベクトル埋め込みの第１セットは、第１ベクトル埋め込み、第２ベクトル埋め込み、及び第３ベクトル埋め込みの組み合わせを含んでよい。各々のベクトル埋め込みへのテキスト又はフレーズ（例えば、第１決定、第１理由、及び条件の第１セット）のマッピングは、単語埋め込み技術に基づいてよく、この技術の使用によって、同じ意味を有する単語は共通のベクトル表現で表され得る。ここで、テキスト又はフレーズの各個別的単語は、テキストコーパスからの単語の語彙に基づいて、多次元の所定ベクトル空間内の実数値ベクトルとして表され得る。実施形態において、ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込み技術の使用によって決定されてよい。使用され得る他の単語埋め込み技術の例は、Ｗｏｒｄ２ｖｅｃ技術（例えば、Ｃｏｎｔｉｎｕｏｕｓ Ｂａｇ－ｏｆ－Ｗｏｒｄｓ（ＣＢＯＷ）モデル、若しくはＣｏｎｔｉｎｕｏｕｓ Ｓｋｉｐ－Ｇｒａｍモデル）、又はＧｌｏｂａｌ Ｖｅｃｔｏｒｓ ｆｏｒ Ｗｏｒｄ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ（ＧｌｏＶｅ）技術を含み得るが、これらに限られない。

例えば、ＡＩモデル１１０の第１決定は、第１ユーザのローン申請要求（つまり、第１リクエスト）を拒絶することであってよい。第１決定について決定された第１ベクトル埋め込みは、第１ベクトル、例えば、（フレーズ「拒絶」（deny）のための）“［０］”によって表されてよい。更に、第１決定に関連した第１理由は、第１ユーザの低い信用度であってよい。第１理由について決定された第２ベクトル埋め込みは、第２ベクトル、例えば、（フレーズ「低い信用度」（poor credit score）のための）“［０．４，０．５，・・・０．９］”によって表されてよい。また、ＡＩモデル１１０が訓練され得る倫理的条件の第１セットは、義務論的倫理学に基づいてよい。例において、条件の第１セットは、意思決定のためのＡＩモデル１１０による第１リクエストの評価に関連した規則及び規定を含んでよい。例となる規則及び規定は、第１ユーザの信用度が特定のしきい値を上回ること（例えば、“信用度≧７５０”）及び／又は第１ユーザの正味財産が特定のしきい値を上回ること（例えば、“正味財産≧２５０，０００米ドル”）を含んでよい。条件の第１セットについて決定された第３ベクトル埋め込みは、第３ベクトル、例えば、（フレーズ「信用度≧７５０」及び／又は「正味財産≧２５０，０００米ドル」のための）［０，０，１，０，・・・］によって表されてよい。

ブロック３０６で、倫理的テキストの第１セット１１６は、第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき受け取られてよい。実施形態において、プロセッサ２０４は、第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づきデータベース１０４から倫理的テキストの第１セット１１６を受け取るよう構成されてよい。例において、第２ユーザは、ユーザエンドデバイス１０６に関連したユーザ１１８であってよい。第２ユーザからのユーザ入力（例えば、第１ユーザ入力）に基づき、プロセッサ２０４は、データベース１０４から倫理的テキストの第１セット１１６を抽出し、抽出された倫理的テキストの第１セット１１６をメモリ２０６及び／又は永続性データストレージ２０８に記憶するよう構成されてよい。倫理的テキストの第１セット１１６の例は、倫理的理論に関連した研究論文、本、査読記事、道徳テキスト、哲学テキスト、文学作品、法律文書、又は自然法則に関する文書を含み得るが、これらに限られない。

ブロック３０８で、ベクトル埋め込みの第２セットが、受け取られた倫理的テキストの第１セット１１６に基づき決定されてよい。実施形態において、プロセッサ２０４は、受け取られた倫理的テキストの第１セット１１６に基づきベクトル埋め込みの第２セットを決定するよう構成されてよい。例として、限定としてではなく、ベクトル埋め込みの第２セットは、コンテキストベースのＳｋｉｐ－Ｇｒａｍモデル技術に基づき決定されてよい。ベクトル埋め込みの第２セットの決定は、例えば図５で、更に説明される。

ブロック３１０で、決定されたベクトル埋め込みの第１セットに対する対義語の第１セット及び類義語の第２セットが、決定されたベクトル埋め込みの第２セットに基づき決定されてよい。実施形態において、プロセッサ２０４は、決定されたベクトル埋め込みの第２セットに基づき、決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定するよう構成されてよい。例えば、ベクトル埋め込みの第１セット及びベクトル埋め込みの第２セットの夫々は、特定のコンテキストに関する単語に対応する単語埋め込みを含んでよい。プロセッサ２０４は、ベクトル埋め込みの第２セットからの各ベクトル埋め込みに関してベクトル埋め込みの第１セットからの各ベクトル埋め込みの間の類似性スコアを決定してよい。類似性スコアの例はコサイン類似性スコアであってよく、これは、

として決定され得る。ここで、バーＡ及びバーＢは２つのベクトルを表してよく、“・”はドット積演算子を表してよく、“｜｜”はベクトルのモジュラスを表し得る。類似性スコアが“－１”と決定されるベクトル埋め込みの対は、同じコンテキスト内で反対の意味を有する単語の対に対応し得る。プロセッサ２０４は、同じコンテキスト内で反対の意味を有する単語のそのような対に基づき対義語の第１セットを決定してよい。また、類似性スコアが“１”と決定されるベクトル埋め込みの対は、同じコンテキストに関する同じ又は類似した意味を有する単語の対に対応し得る。プロセッサ２０４は、同じコンテキストに関する同じ又は類似した意味を有する単語のそのような対に基づき類義語の第２セットを決定してよい。

例えば、ベクトル埋め込みの第１セットは、ＡＩモデル１１０の第１決定に関連した第１理由に対応するフレーズ「低い信用度」についての単語埋め込みの組を含んでよい。対義語の第１セット及び類義語の第２セットの決定に基づき、「低い信用度」、「教育の欠如」（lack of education）、及び「貧しい経済的背景」（poor economic background）などのフレーズが決定されてよい。ベクトル埋め込みの第２セットが受け取られた倫理的テキストの第１セット１１６に基づき決定され得る場合に、ベクトル埋め込みの第２セットは、特定の倫理的視点に関する倫理的埋め込みに対応してよい。このようにして、最も近い対義語（つまり、対義語の第１セット）及び最も近い関連語（つまり、類義語の第２セット）が、倫理的テキストの第１セット１１６の倫理的埋め込み（つまり、ベクトル埋め込みの第２セット）に基づき、第１テキスト記述の単語埋め込み（つまり、ベクトル埋め込みの第１セット）から決定されてよい。

留意されるべきは、類似性スコアに基づいた対義語の第１セット及び類義語の第２セットの決定は、本開示の範囲を制限するよう解釈されるべきではない、点である。様々な技術が、本開示の範囲からの逸脱無しに、対義語の第１セット及び類義語の第２セットを決定するために使用されてよい。

ブロック３１２で、センテンスのセットが、決定された対義語の第１セット及び決定された類義語の第２セットに基づき決定されてよい。実施形態において、プロセッサ２０４は、決定された対義語の第１セット及び決定された類義語の第２セットに基づきセンテンスのセットを決定するよう構成されてよい。例において、プロセッサ２０４は、正確な文法を有するセンテンスのセットを決定するために、決定された対義語の第１セット及び決定された類義語の第２セットに対して自然言語処理技術及び／又はニューラルネットワークモデルを適用してよい。例として、プロセッサ２０４は、夫々が正確な文法を有し得るセンテンスのセットを決定するために“ＣｏｒｅＮＬＰ”パッケージを使用してよい。実施形態において、プロセッサ２０４は、第２ユーザに関連した表示デバイス（例えば、ユーザエンドデバイス１０６の表示デバイス又は電子デバイス１０２の表示スクリーン２１２）で決定されたセンテンスのセットをレンダリングしてよい。レンダリングされたセンテンスのセットに基づき、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々の文法の正しさの妥当性確認を示すユーザ入力を受け取ってもよい。

ブロック３１４で、第１センテンスが、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき、決定されたセンテンスのセットから選択されてよい。実施形態において、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき、決定されたセンテンスのセットから第１センテンスを選択するよう構成されてよい。他の実施形態では、決定されたセンテンスのセットからの第１センテンスの選択は、第２ユーザ（例えば、ユーザ１１８）からの第３ユーザ入力に更に基づいてもよい。第１センテンスの選択は、例えば図６で、更に説明される。

実施形態において、選択された第１センテンスは、受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なり得る第１の倫理的条件に対応してよい。説明されるように、受け取られた第１テキスト記述は、第１決定に関連した情報、第１理由に関連した情報、及びＡＩモデル１１０が決定を行うよう訓練され得る倫理的条件の第１セットに関連した情報を含んでよい。受け取られた第１テキスト記述に対応する第２の倫理的条件は、予め決定されてよい。例えば、第２の倫理的条件は、義務論的倫理学に対応してよい。他方で、倫理的テキストの第１セット１１６は、ＡＩモデル１１０の開発者、プログラマ、若しくは設計者、又は意思決定のためのＡＩモデル１１０を使用し得るエンドユーザなどの第２ユーザからのユーザ入力に基づき選択されてよい。このようにして、選択された倫理的テキストの第１セット１１６は、受け取られた第１の倫理的条件の第２の倫理的条件とは異なる倫理的条件に対応してよい。また、第１センテンスを含むセンテンスのセットは、対義語の第１セット及び類義語の第２セットから決定されてよい。ここで、対義語の第１セット及び類義語の第２セットは、受け取られた第１テキスト記述及び選択された倫理的テキストの第１セット１１６に関連した倫理的条件に対応する最も近い対義語及び最も近い関連語を含んでよい。このようにして、特定の場合に、選択された第１センテンスは、受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なる第１の倫理的条件に対応してよい。よって、第１センテンスは、第１テキスト記述と比較して言い換えられたセンテンスであってよく、第１センテンスは、第１テキスト記述のコンテキストよりも広いコンテキストを包含してよい。

ブロック３１６で、第１イメージが、ＧＡＮモデル１０８の使用によって、選択された第１センテンスに基づき生成されてよい。実施形態において、プロセッサ２０４は、ＧＡＮモデル１０８の使用によって、選択された第１センテンスに基づき第１イメージを生成するよう構成されてよい。生成された第１イメージは、第１ユーザの状況、第１ユーザのリクエストに対応する決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値、のうちの１つ以上を表してよいが、これらに限られないＧＡＮモデル１０８の訓練について次に記載される。

実施形態において、ＧＡＮモデル１０８は、イメージデータベースに基づき訓練されてよい。例において、イメージデータベースは、データベース１０４に記憶され、ＧＡＮモデル１０８を訓練するためにプロセッサ２０４によって読み出されてよい。実施形態において、プロセッサ２０４は、読み出されたイメージデータベースに基づきＧＡＮモデル１０８を訓練するよう構成されてよい。ＧＡＮモデル１０８は、生成器モデル（つまり、第１ニューラルネットワークモデル）及び弁別器モデル（つまり、第２ニューラルネットワークモデル）を含んでよい。弁別器モデルは、生成器モデルによって生成された入力イメージを分類するよう構成され得る予め訓練されたニューラルネットワークモデルであってよい。入力イメージは、第１カテゴリ又は第２カテゴリのどちらか一方に分類されてよい。第１カテゴリは、入力イメージが、生成器モデルのターゲット分布に属し得ない生成されたイメージであり得る、ことを示してよい。第２カテゴリは、入力イメージが生成器モデルのターゲット分布に属し得ることを示してよい。生成器モデルは、生成器モデルが、生成器モデルのためのイメージのターゲット分布に属しているイメージに類似したイメージを生成し得るように、受け取られたイメージデータセットに基づき訓練されてよい。生成器モデル（従って、ＧＡＮモデル１０８）の訓練は、生成器モデルが、５０％の確率（又は５０±ａ％，ここで、「ａ」は小さい値のしきい値であってよい。）で第１カテゴリ又は第２カテゴリのうちの一方に弁別器モデルによって分類され得るイメージを生成することができるようになるまで続き得る。

例において、訓練されたＧＡＮモデル１０８は、ゼロショットテキスト－イメージコンバータモデルなどのテキスト－イメージコンバータに対応してよい。ゼロショットテキスト－イメージコンバータモデルは、単一データストリームとしてテキスト及びイメージトークンを自己回帰的にモデル化し得るトランスフォーマニューラルネットワークモデルであってよい。例えば、ゼロショットテキスト－イメージコンバータモデルを訓練するために、離散変分オートエンコーダ（discrete variational autoencoder，ｄＶＡＥ）が、イメージデータセット内の各イメージ（例えば、２５６×２５６のＲＧＢイメージ）をイメージトークンのサブイメージグリッド（例えば、３２×３２のグリッド）に圧縮するよう訓練されてよい。ここで、８１９２個のとり得る値が各要素によって実現され得る。このようにして、トランスフォーマのコンテキストサイズは、知覚される視覚品質を大幅に低下させずに、１９２分の１に小さくされ得る。更に、最大で２５６個のバイト対符号化（Byte-Pair Encoding，ＢＰＥ）で符号化されたテキストトークンは、３２×３２（つまり、１０２４個）のイメージトークンと連結されてよい。その後に、自己回帰トランスフォーマは、テキスト及びイメージトークンに関して同時分布（joint distribution）をモデル化するよう訓練され得る。訓練フェーズでは、イメージ、キャプション、及びトークンに関するモデル分布の結合尤度（joint likelihood）の証拠下限（evidence lower bound，ＥＬＢ）が、符号化されたＲＧＢイメージについて最大化され得る。

ＧＡＮモデル１０８が訓練され得ると、プロセッサ２０４は、選択された第１センテンスを、入力として、訓練されたＧＡＮモデル１０８へ供給してよい。訓練されたＧＡＮモデル１０８は、訓練されたＧＡＮモデル１０８へ入力され得る選択された第１センテンスに基づき第１イメージを生成するために使用されてよい。生成された第１イメージの例は、例えば図７Ａ、図７Ｂ、及び図７Ｃで、与えられる。

ブロック３１８で、生成された第１イメージは、第２ユーザに関連した表示デバイスでレンダリングされてよい。実施形態において、プロセッサ２０４は、第２ユーザに関連した表示デバイスで生成された第１イメージをレンダリングするよう構成されてよい。例えば、プロセッサ２０４は、電子デバイス１０２の表示スクリーン２１２で、生成された第１イメージを表示してよい。代替的に、プロセッサ２０４は、生成された第１イメージをユーザエンドデバイス１０６へ伝送してよく、ユーザエンドデバイス１０６を、伝送された第１イメージをユーザエンドデバイス１０６の表示デバイスでレンダリングするよう制御してよい。制御は終了に移ってよい。

フローチャート３００は、３０２、３０４、３０６、３０８、３１０、３１２、３１４、３１６、及び３１８などの別個の動作として表されている。しかし、特定の実施形態において、そのような別個の動作は更に、開示されている実施形態の本質から逸脱せずに、特定の実施に応じて、追加の動作に分割されても、より少ない動作にまとめられても、又は削除されてもよい。

図４は、本開示の実施形態に従って、第１ユーザの状況の第１記述を受け取るための方法の例のフローチャートを表す図である。図４は、図１、図２、及び図３からの要素に関連して記載される。図４を参照して、フローチャート４００が示されている。フローチャート４００で表されている方法は４０２から開始してよく、如何なる適切なシステム、装置、又はデバイスによっても、例えば、図１の例となる電子デバイス１０２又は図２のプロセッサ２０４によって、実行されてよい。別個のブロックで表されているが、フローチャート４００のブロックの１つ以上に関連したステップ及び動作は、特定の実施に応じて、追加のブロックに分けられても、より少ないブロックにまとめられても、又は削除されてもよい。

ブロック４０２で、ＡＩモデル１１０によって行われた第１決定に関する情報が受け取られてよい。第１決定は、第１ユーザの第１リクエストに関連してよい。実施形態において、プロセッサ２０４は、ＡＩモデル１１０によって行われた第１決定に関する情報を受け取ってよい。ＡＩモデル１１０は、特定の予め定義された条件（例えば、倫理的条件の第１セット）に基づき、ユーザのリクエストに関連した意思決定を行うよう訓練されてよい。予め定義された条件は、意思決定のためにＡＩモデル１１０を開発又は使用し得る１人以上のステークホルダーによって供給されてよい。そのようなステークホルダーの例には、ＡＩモデル１１０に関連した設計者、開発者、プログラマ、及びエンドユーザ（例えば、金融機関の職員）が含まれ得るが、これらに限られない。例えば、ＡＩモデル１１０は、ユーザ（つまり、第１ユーザ）の信用度が特定のしきい値を下回ること（つまり、予め定義された条件）に基づき、ユーザのローン申請要求（つまり、第１リクエスト）に関連した“拒否決定”（つまり、ＡＩの意思決定）を行ってよい。プロセッサ２０４は、第１ユーザの第１リクエストに対するＡＩモデル１１０の適用に基づき、ＡＩモデル１１０からＡＩの意思決定に対応する出力を受け取ってよい。例として、ＡＩの意思決定が“拒否決定”である場合に、プロセッサ２０４は、ＡＩモデル１１０から「拒絶」（Deny）などの出力フレーズ又は出力バイナリ値“０”を受け取ってよい。代替的に、ＡＩの意思決定が「承認決定」である場合に、プロセッサ２０４は、ＡＩモデル１１０から「承認」（Accept）などの出力フレーズ又は出力バイナリ値“１”を受け取ってよい。

ブロック４０４で、第１決定に関連した第１理由に関する情報が、ＡＩモデル１１０に対応する説明可能なＡＩモデル１１２から受け取られてよい。実施形態において、プロセッサ２０４は、ＡＩモデル１１０に対応する説明可能なＡＩモデル１１２から、第１決定に関連した第１理由に関する情報を受け取るよう構成されてよい。説明可能なＡＩモデル１１２は、ＡＩモデル（例えば、ＡＩモデル１１０）の決定に関連した理由を決定するためのタスクに関して訓練され得るニューラルネットワークモデルであってよい。例えば、ＡＩモデル１１０は、第１リクエストを特徴の組に変換し、そして、第１決定を判定するよう特徴の組を解析してよい。説明可能なＡＩモデル１１２は、特徴の組の中の夫々に関連したスコアを決定してよい。特徴の組からの特定の特徴に関連したスコアは、第１決定の計算のために特徴の寄与又は重みを示し得る。例として、各特徴に関連したスコアは、０～１の範囲内の実数であってよい。説明可能なＡＩモデル１１２は、最高スコアを有する特徴（例えば、スコアによる上位５つの特徴）及び／又はスコアが特定のしきい値（例えば、０．１５）を超える特徴を識別し得る。識別された特徴に基づき、説明可能なＡＩモデル１１２は、第１決定に関連した第１理由を決定してよい。例えば、説明可能なＡＩモデル１１２は、第１ユーザのローン申請要求（つまり、第１リクエスト）を“拒絶”する第１決定に関連した第１理由として“低い信用度”を決定してよい。例えば、そのような場合に、第１ユーザは、貧しい経済的背景の出身である可能性があり、かつ、以前の債務に対して適時の支払いを怠ったことがある可能性がある。

ブロック４０６で、ＡＩモデル１１０が第１決定を行うよう訓練され得る倫理的条件の第１セットに関する情報が受け取られてよい。受け取られた第１テキスト記述は、第１決定に関する受け取られた情報、第１理由に関する受け取られた情報、及び倫理的条件の第１セットに関する受け取られた情報を含んでよい。実施形態において、プロセッサ２０４は、ＡＩモデル１１０が第１決定を行うよう訓練され得る倫理的条件の第１セットに関する情報を受け取るよう構成されてよい。例えば、倫理的条件の第１セットは、ＡＩモデル１１０の設計者、プログラマ、若しくは開発者、又は第１ユーザの第１リクエストに関連した意思決定に関与し得る任意のステークホルダーからのユーザ入力に基づいてよい。例えば、倫理的条件の第１セットは、意思決定のためのＡＩモデル１１０による第１リクエストの評価に関連した規則及び規定に基づいた条件の組などの義務論的倫理学に関連した１つ以上の倫理的条件を含んでよい。例として、限定としてではなく、規則及び規定は、第１ユーザの正味財産が特定の第１しきい値を上回ることと、第１ユーザの信用度が特定の第２しきい値を上回ること、第１ユーザによって差し出された担保の価値が特定の第３しきい値を上回ること、第１ユーザの平均収入が特定の第４しきい値を上回ること、などを含んでよい。制御は終了に移ってよい。

フローチャート４００は、４０２、４０４、及び４０６などの別個の動作として表されている。しかし、特定の実施形態において、そのような別個の動作は更に、開示されている実施形態の本質から逸脱せずに、特定の実施に応じて、追加の動作に分割されても、より少ない動作にまとめられても、又は削除されてもよい。

図５は、本開示の実施形態に従って、ベクトル埋め込みの第２セットの決定のための方法の例のフローチャートを表す図である。図５は、図１、図２、図３、及び図４からの要素に関連して記載される。図５を参照して、フローチャート５００が示されている。フローチャート５００で表されている方法は５０２から開始してよく、如何なる適切なシステム、装置、又はデバイスによっても、例えば、図１の例となる電子デバイス１０２又は図２のプロセッサ２０４によって、実行されてよい。別個のブロックで表されているが、フローチャート５００のブロックの１つ以上に関連したステップ及び動作は、特定の実施に応じて、追加のブロックに分けられても、より少ないブロックにまとめられても、又は削除されてもよい。

ブロック５０２で、１つ以上の倫理的テキストが、第２ユーザからの第２ユーザ入力に基づき、受け取られた倫理的テキストの第１セット１１６から選択されてよい。実施形態において、プロセッサ２０４は、第２ユーザからの第２ユーザ入力に基づき、受け取られた倫理的テキストの第１セット１１６から１つ以上の倫理的テキストを選択するよう構成されてよい。受け取られた倫理的テキストの第１セット１１６は、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応してよいが、これらに限られない。例として、限定としてではなく、帰結主義に基づいた倫理的テキストのセットは、「決定の結果」に関する倫理に関連したテキストを含んでよい。更に、義務論に基づいた倫理的テキストのセットは、「意思決定を支配し得る規則及び規定」に関する倫理に関連したテキストを含んでよい。状況に基づいた倫理的テキストのセットは、「意思決定に関係があり得るコンテキスト」に関する倫理に関連したテキストを含んでよい。また、主観主義に基づいた倫理的テキストのセットは、「人々の個々の視点」に関する倫理に関連したテキストを含んでよい。美徳に基づいた倫理的テキストのセットは、「意思決定において道徳性を重要視すること」に関する倫理に関連したテキストを含んでよい。更に、直観主義に基づいた倫理的テキストのセットは、「非推論的な道徳的知識又は自明の知識」に関する倫理に関連したテキストを含んでよい。功利主義に基づいた倫理的テキストのセットは、「影響を受ける全ての個人又は団体のユーティリティ又はウェルビーイングの最大化」に関する倫理に関連したテキストを含んでよい。

例えば、プロセッサ２０４は、受け取られた倫理的テキストの第１セット１１６から第１の倫理的テキスト１１６Ａ及び第２の倫理的テキスト１１６Ｂの選択を示すユーザ入力（つまり、第２ユーザ入力）を受け取ってよい。そのような場合に、第１の倫理的テキスト１１６Ａ及び第２の倫理的テキスト１１６Ｂは、受け取られた倫理的テキストの第１セット１１６から１つ以上の倫理的テキストとして選択され得る。例において、選択された第１の倫理的テキスト１１６Ａ及び選択された第２の倫理的テキスト１１６Ｂは、異なる倫理的条件に対応してよい。例えば、第１の倫理的テキスト１１６Ａは、帰結主義に基づいた倫理的テキストのセットに対応してよい。他方で、第２の倫理的テキスト１１６Ｂは、義務論に基づいた倫理的テキストのセットに対応してよい。代替的に、選択された第１の倫理的テキスト１１６Ａ及び選択された第２の倫理的テキスト１１６Ｂは両方とも、同じ倫理的条件に対応してもよい。例えば、選択された第１の倫理的テキスト１１６Ａ及び選択された第２の倫理的テキスト１１６Ｂは両方とも、主観主義に基づいた倫理的テキストのセットに対応してよい。このようにして、第２ユーザ入力に基づき、第１イメージの生成に使用される倫理的条件又は倫理的視点は選択され得る。

ブロック５０４で、ベクトル埋め込みの第２セットが、選択された１つ以上の倫理的テキストに基づき決定されてよい。実施形態において、プロセッサ２０４は、選択された１つ以上の倫理的テキストに基づきベクトル埋め込みの第２セットを決定するよう構成されてよい。例として、限定としてではなく、ベクトル埋め込みの第２セットは、コンテキストベースのＳｋｉｐ－Ｇｒａｍモデル技術に基づき決定されてよい。例えば、プロセッサ２０４は、（選択された１つ以上の倫理的テキストからの）特定の単語の（ベクトル埋め込みの第２セットの）単語埋め込みを、同じセンテンスにおける他の単語に対するその単語の分類の最大化に基づき決定してよい。各単語は、入力として対数線形分類器（log-linear classifier）へ供給されてよい。対数線形分類器は、入力された単語の前後の特定の範囲（例えば、３単語）の中で類似した単語を決定するよう構成され得る投射層を有してよい。遠い単語は、より近い単語と比較して特定の単語との関連性が低い。従って、訓練フェーズにおいて、より小さい重みは、遠い単語のより低いサンプリングに基づき、より近い単語と比較して遠い単語に割り当てられてよい。制御は終了に移ってよい。

フローチャート５００は、５０２及び５０４などの別個の動作として表されている。しかし、特定の実施形態において、そのような別個の動作は更に、開示されている実施形態の本質から逸脱せずに、特定の実施に応じて、追加の動作に分割されても、より少ない動作にまとめられても、又は削除されてもよい。

図６は、本開示の実施形態に従って、第１テキスト記述及び倫理的テキストの第１セットに基づき決定されたセンテンスのセットからの第１センテンスの選択のための方法の例のフローチャートを表す図である。図６は、図１、図２、図３、図４、及び図５からの要素に関連して記載される。図６を参照して、フローチャート６００が示されている。フローチャート６００で表されている方法は６０２から開始してよく、如何なる適切なシステム、装置、又はデバイスによっても、例えば、図１の例となる電子デバイス１０２又は図２のプロセッサ２０４によって、実行されてよい。別個のブロックで表されているが、フローチャート６００のブロックの１つ以上に関連したステップ及び動作は、特定の実施に応じて、追加のブロックに分けられても、より少ないブロックにまとめられても、又は削除されてもよい。

ブロック６０２で、決定されたセンテンスのセットの中の夫々に含まれている品詞（parts-of-speech）が識別されてよい。実施形態において、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々に含まれている品詞を識別するよう構成されてよい。品詞の例には、動詞、名詞、形容詞、決定詞、副詞、代名詞、前置詞、接続詞、及び感嘆詞が含まれ得るが、これらに限られない。例において、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々に含まれる品詞を識別するために対数線形品詞タガーを使用してよい。

ブロック６０４で、決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアが、決定されたセンテンスのセットの中の夫々に含まれている識別された品詞の数に基づき決定されてよい。実施形態において、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々に含まれている識別された品詞の数に基づき、決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定するよう構成されてよい。例えば、プロセッサ２０４は、センテンスのセットの各センテンスに含まれている品詞の識別に基づき、決定されたセンテンスのセットの各センテンスにおける各品詞タイプ（例えば、代名詞、動詞、形容詞、副詞、など）の出現の数を決定してよい。実施形態において、プロセッサ２０４は、センテンス内で識別された各品詞の数の和に基づき、そのセンテンスに関連したダイバーシティスコアを決定してよい。例えば、「Person X does not have a stable income」などのセンテンスＳ_１のダイバーシティスコアは、５と決定され得る（すなわち、１つの形容詞＋２つの名詞＋２つの動詞＝１＋２＋２＝５）。実施形態において、プロセッサ２０４は、ダイバーシティスコアの決定のために、センテンスにおいて識別された品詞の各タイプに重みを割り当ててよい。そのような場合に、ダイバーシティスコアは、センテンスにおいて識別された品詞の各タイプの数の加重和として決定されてよい。例えば、センテンスＳ_１のダイバーシティスコアの決定のために、形容詞は“２”の重みを割り当てられてよく、残りの品詞の夫々は“１”の重みを割り当てられてよい。そのような場合に、センテンスＳ_１のダイバーシティスコアは、６と決定され得る（すなわち、（１つの形容詞）×２＋（２つの名詞）×１＋（２つの動詞）×１＝１×２＋２＋２＝６）。

ブロック６０６で、第１センテンスが、決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアに基づき、決定されたセンテンスのセットから選択されてよい。実施形態において、プロセッサ２０４は、決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアに基づき、決定されたセンテンスのセットから第１センテンスを選択するよう構成されてよい。例えば、最も高いダイバーシティスコアを有するセンテンスが、第１センテンスとして、決定されたセンテンスのセットから選択されてよい。実施形態において、２つのセンテンスのダイバーシティスコアが同じである場合に、プロセッサ２０４は、第１センテンスの選択のために、より多くの形容詞又は副詞を有するセンテンスを、２つのセンテンスの中でより高い優先度を有するセンテンスと見なしてよい。センテンスのそのような優先順位付けは、センテンス内の形容詞又は副詞が、センテンスの他の単語と比較して、センテンス内で説明的な単語として機能する可能性が高いために、効率が良い場合がある。センテンスのセットから選択された第１センテンスは、センテンスのセットの中で最も高いダイバーシティスコアを有し得るので、第１センテンスは、センテンスのセットの中の夫々の間で最も広いコンテキストを捉え得る。

例示的なセンテンスＳ_２は、「Person X comes from a poor economic background, due to which the individual could not secure a good education to land in a well-paying job」であってよい。センテンスＳ_２は、４つの形容詞、３つの名詞、及び４つの動詞を含み得る。よって、センテンスＳ_２のダイバーシティスコアは、１１（つまり、４＋３＋４）と決定され得る。他方で、センテンスＳ_１（つまり、「Person X does not have a stable income」）は、１つの形容詞、２つの名詞、及び２つの動詞を含み得る。従って、センテンスＳ_１のダイバーシティスコアは、５（つまり、１＋２＋２）であり得る。２つのセンテンスＳ_１及びＳ_２の中で、センテンスＳ_２のダイバーシティスコア（つまり、１１）はセンテンスＳ１のダイバーシティスコア（つまり、５）よりも大きいということで、センテンスＳ_２が第１センテンスとして選択され得る。

実施形態において、決定されたセンテンスのセットからの第１センテンスの選択は、第２ユーザ（例えば、ユーザ１１８）からの第３ユーザ入力に更に基づいてもよい。例えば、プロセッサ２０４は、第２ユーザ（例えば、ユーザ１１８）に関連した表示デバイス（例えば、ユーザエンドデバイス１０６の表示デバイス又は電子デバイス１０２の表示デバイス２１２）で、決定されたセンテンスのセットをレンダリングしてよい。レンダリングされたセンテンスのセットに基づき、プロセッサ２０４は、第３ユーザ入力としてセンテンスのセットからの第１センテンスの選択を受け取ってよい。他の実施形態で、プロセッサ２０４は、第２ユーザに関連した表示デバイスで、決定されたセンテンスのセットとともに、選択された第１センテンスをレンダリングしてもよい。レンダリングされた第１センテンスに基づき、プロセッサ２０４は、センテンスのセットからの第１センテンスの選択の確認を示すユーザ入力を受け取ってよい。代替的に、プロセッサ２０４は、第１センテンスの代わりに、センテンスのセットからの第２センテンスの選択を示すユーザ入力を受け取ってもよい。そのようなユーザ入力の受け取りに基づき、プロセッサ２０４は、第１イメージの生成のために、センテンスのセットから（第１センテンスの代わりに）第２センテンスを選択してよい。制御は終了に移ってよい。

フローチャート６００は、６０２、６０４、及び６０６などの別個の動作として表されている。しかし、特定の実施形態において、そのような別個の動作は更に、開示されている実施形態の本質から逸脱せずに、特定の実施に応じて、追加の動作に分割されても、より少ない動作にまとめられても、又は削除されてもよい。

図７Ａ、図７Ｂ、及び図７Ｃは、本開示の実施形態に従って、倫理的テキストに基づきユーザの例示的な状況について生成された例示的な第１イメージを表す図である。図７Ａ、図７Ｂ、及び図７Ｃは、図１、図２、図３、図４、図５、及び図６からの要素に関連して記載される。図７Ａ、図７Ｂ、及び図７Ｃを参照して、例となる第１イメージ７００Ａ、７００Ｂ、及び７００Ｃが夫々示されている。第１イメージ７００Ａ、７００Ｂ、及び７００Ｃは、第１ユーザの状況に関連してよい。例として、状況は、第１ユーザが貧しい経済的背景に属し得る環境に対応してよい。更に、状況は、第１ユーザが金融機関に教育ローンを要求し得るシナリオに対応してよく、金融機関はＡＩモデル１１０を使用して第１ユーザの教育ローン要求を評価してよい。

図７Ａを参照して、第１イメージ７００Ａは、第１ユーザの状況に関連した状況的倫理の視点を表し得る。ここで、状況に基づいた倫理的テキストのセットが、第１イメージ７００Ａの生成のために、倫理的テキストの第１セット１１６から選択されてよい。例えば、状況的倫理の視点に従って、第１ユーザの経済的背景は、良い教育を受け、それによって良い職業に就く第１ユーザのチャンスに影響を及ぼす場合がある。図７Ａに示されるように、第１ユーザは、第１ユーザの生活を困難にする可能性がある多額の借金を抱えた過重な負担を負った人物として示されている。

図７Ｂを参照して、第１イメージ７００Ｂは、第１ユーザの状況に関連した帰結主義的倫理の視点を表し得る。ここで、帰結主義に基づいた倫理的テキストのセットが、第１イメージ７００Ｂの生成のために、倫理的テキストの第１セット１１６から選択されてよい。例えば、帰結主義的倫理の視点に従って、第１ユーザの教育ローン要求が拒絶される場合に悪影響が生じる可能性がある。図７Ｂに示されるように、第１ユーザは、第１ユーザが教育ローンを拒絶される場合に、貧しい家のままであることが示されている。

図７Ｃを参照して、第１イメージ７００Ｃは、第１ユーザの状況に関連した道徳的価値観に基づいた倫理的視点を表し得る。ここで、美徳に基づいた倫理的テキストのセットが、第１イメージ７００Ｃの生成のために、倫理的テキストの第１セット１１６から選択されてよい。例えば、道徳的価値観に基づいた倫理的視点に従って、図７Ｃに示されるように、平等は基本的人権であるため、全ての個人が等しく扱われるべきである。教育は人権であるから、第１ユーザのローン要求は承認されるべきである。

例において、第１イメージは、第１ユーザの状況（例えば、第１イメージ７００Ａの場合）、第１決定の説明（例えば、低い信用度）、ＡＩの意思決定の結果（例えば、第１イメージ７００Ｂの場合）、又は第１ユーザの状況に対応する所望の倫理的価値（例えば、第１イメージ７００Ｃの場合）、のうちの１つ以上を視覚化するのに有用であり得る。第１イメージ７００Ａ、７００Ｂ、及び７００Ｃのイラストは、ＡＩモデル１１０に関連した種々の制約を明らかにし、貧しい人々が教育ローンを得る包括性を高めるのに役立ち得る。そのようなイラストに基づき、ＡＩモデル１１０の種々のステークホルダー（例えば、開発者、設計者、及びユーザ）は、ＡＩの意思決定に対する様々な要因の影響及び第１ユーザの生活に対するＡＩの意思決定の効果を認識し得る。第１イメージ７００Ａ、７００Ｂ、７００Ｃなどのイラストは、ステークホルダーの間で第１ユーザに対する共感をトリガし得る。従って、ステークホルダーは、ＡＩモデル１１０に関連した関連する制約及び／又は倫理的条件の第１セットを更新し得る。更新に基づき、ＡＩモデル１１０の決定は、これより第１ユーザに似た貧しい人々にとってさえ有利となり、貧しい人々も教育ローンを与えられる可能性がある。従って、教育ローンの供与に基づいて、貧しい人々は、より良い教育を受け、良い職業に就くことができ、彼らの生活水準は向上し、それによって、包括性が促進され得る。

図７Ａ、図７Ｂ、及び図７Ｃに夫々示されている第１イメージ７００Ａ、７００Ｂ、及び７００Ｃは単に例として提示されており、本開示の範囲を制限するよう解釈されるべきではないことが注意され得る。

留意されるべきは、ＡＩモデルに基づいたローン申請評価（例えば、教育ローンのため
）のシナリオは、単に、本開示の適用の例示的なシナリオとして提示されているにすぎず、本開示の範囲を制限するよう解釈されるべきではない、点である。本開示は、本開示の範囲からの逸脱無しに、様々な他のシナリオに適用可能であり得る。例えば、本開示は、顧客ケアの使用ケース及び宣伝／個人向けの推奨の使用ケースなどの様々な他の使用ケースに適用可能であり得る。例として、顧客ケアの使用ケースでは、開示されている電子デバイス１０２は、顧客入力の使用によって決定された種々の倫理的観点に基づき顧客の信頼を得るようフレンドリーなアバターイメージを生成するために使用されてよい。アバターイメージは、顧客に関連した倫理的観点を満足し得る。アバターイメージは、銀行取引、カウンセリング、小売、及び販売を含むがそれらに限られない様々な応用分野で顧客ケアボット（例えば、ＡＩエージェント）として使用されてよい。他の例では、宣伝／個人向けの推奨の使用ケースにおいて、開示されている電子デバイス１０２は、種々のタイプの顧客にアピールし得る種々の視点を紹介するために使用されてよい。例えば、顧客の入力に基づき顧客の倫理的視点が決定されてよい。製品のイメージが、顧客を魅了して彼／彼女の注意を引くために顧客の倫理的視点に基づき展示され得る。

開示されている電子デバイス１０２は、倫理的テキストに基づき第１ユーザの状況についての第１イメージを生成するよう構成されてよい。ここで、第１ユーザの状況は、第１ユーザの第１リクエストに関連した第１決定を提供するようＡＩモデル１１０によって評価されてよい。電子デバイス１０２は、第１ユーザの状況に関連した第１テキスト記述を受け取り、受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定してよい。第２ユーザからのユーザ入力に基づき、電子デバイス１０２は、倫理的テキストの第１セット１１６を受け取り、受け取られた倫理的テキストの第１セット１１６に基づきベクトル埋め込みの第２セットを決定してよい。ここで、各倫理的テキストは、倫理的視点に関連してよい。電子デバイス１０２は、決定されたベクトル埋め込みの第２セットに基づき、決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定してよい。ここで、状況の第１テキスト記述のベクトル埋め込みと受け取られた倫理的テキストの第１セット１１６との間の対義語及び類義語は、第１テキスト記述及び受け取られた倫理的テキストの第１セット１１６に関して広いコンテキストを捉え得る関連語の組を含んでよい。電子デバイス１０２は、決定された対義語の第１セット及び決定された類義語の第２セットに基づきセンテンスのセットを決定してよい。決定されたセンテンスのセットから、電子デバイスは、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき第１センテンスを選択してよい。品詞に基づき選択され得る第１センテンスは、決定されたセンテンスのセットの中で広いコンテキストを有し得るセンテンスであってよい。選択された第１センテンスに基づき、電子デバイス１０２は、ＧＡＮモデル１０８の使用によって第１イメージを決定してよい。その後に、電子デバイス１０２は、生成された第１イメージを、第２ユーザに関連した表示デバイスでレンダリングしてよい。第１イメージが選択された第１センテンスに基づき生成され得るので、従って、生成された第１イメージは、第１テキスト記述に関連した広いコンテキストと、倫理的テキストの第１セット１１６に関連した倫理的視点とに対応し得る。そのような第１イメージは、第１ユーザの状況、第１決定の説明、ＡＩの意思決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値、のうちの１つ以上を視覚化するのに有用であり得る。

通常、従来のシステムは、ＡＩの意思決定のテキスト説明を提供し得る。そのようなテキスト説明は、影響力が強くない可能性があり、第１ユーザの状況に関連した倫理的視点を考慮しない可能性がある。特定の条件付きシステムはＡＩの意思決定の視覚化を提供し得る。しかし、そのような視覚化は、直感的ではない可能性があり、技術的知識を持たないユーザには理解不能である可能性がある。また、そのような視覚化は、種々のステークホルダーの観点から問題を理解するのに必須であり得る共感を引き起こすのに役立たない可能性がある。開示される電子デバイス１０２は、他方で、第１ユーザの状況、ＡＩの意思決定の説明、ＡＩの意思決定の結果、又は第１ユーザの状況に対応する所望の倫理的価値に関連した最も広いコンテキストを表すことができるイメージ（例えば、第１イメージ）を生成し得る。関連するステークホルダー（例えば、ＡＩ設計者、プログラマ、及び組織内の意思決定者）へのそのような生成されたイメージの提示は、第１ユーザへの共感を引き起こし、種々の倫理的視点を明らかにし、また、ＡＩに基づいた意思決定プロセスにおける多様性及び包括性を高め得る。

本開示の様々な実施形態は、実行されることに応答して、システム（例えば、電子デバイス１０２）に動作を実行させる命令を記憶するよう構成された１つ以上の非一時的なコンピュータ可読記憶媒体を提供し得る。動作は、第１ユーザの状況に関連した第１テキスト記述を受け取ることを含んでよい。動作は、受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することを更に含んでよい。動作は、第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることを更に含んでよい。動作は、受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することを更に含んでよい。動作は、決定されたベクトル埋め込みの第２セットに基づき、決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することを更に含んでよい。動作は、決定された対義語の第１セット及び決定された類義語の第２セットに基づきセンテンスのセットを決定することを更に含んでよい。動作は、決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき、決定されたセンテンスのセットから第１センテンスを選択することを更に含んでよい。動作は、敵対的生成ネットワーク（ＧＡＮ）モデルによって、選択された第１センテンスに基づき第１イメージを生成することを更に含んでよい。動作は、生成された第１イメージを、第２ユーザに関連した表示デバイスでレンダリングすることを更に含んでよい。

本開示で使用されるように、「モジュール」又は「コンポーネント」という用語は、モジュール若しくはコンポーネントの動作を実行するよう構成された特定のハードウェア実装、並びに／又はコンピューティングシステムの汎用ハードウェア（例えば、コンピュータ可読媒体、処理デバイス、又はその他のハードウェア）に記憶され及び／若しくはそれによって実行され得るソフトウェアオブジェクト若しくはソフトウェアルーチンを指し得る。いくつかの実施形態において、本開示で記載される異なるコンポーネント、モジュール、エンジン、及びサービスは、コンピューティングシステムで（例えば、別個のスレッドとして）実行するオブジェクト又はプロセスとして実装されてもよい。本開示で記載されるシステム及び方法のいくつかは、（汎用ハードウェアに記憶され及び／又はそれによって実行される）ソフトウェアにおいて実装されるものとして概して記載されているが、特定のハードウェア実装、又はソフトウェアと特定のハードウェア実装との組み合わせも可能であり、考えられている。本明細書中、「コンピューティングエンティティ」は、本開示で先に定義されたあらゆるコンピューティングシステム、又はコンピューティングシステムで実行されるあらゆるモジュール若しくはモジュールの組み合わせであってよい。

本開示で、特に添付の特許請求の範囲（例えば、添付の特許請求の本文）で使用される用語は、一般的に、“非限定的な（open）”用語として意図されている（例えば、語「含んでいる（including）」は、“～を含んでいるが、～に限定されない”との意に解釈されるべきであり、語「備えている（having）」は、「少なくとも～を備えている」との意に解釈されるべきであり、語「含む（includes）」は、“～を含むが、～に限定されない”との意に解釈されるべきである、など。）。

更に、導入されたクレーム記載（introduced claim recitation）において特定の数が意図される場合、そのような意図は当該クレーム中に明確に記載され、そのような記載がない場合は、そのような意図も存在しない。例えば、理解を促すために、後続の添付された特許請求の範囲では、「少なくとも１つの（at least one）」及び「１つ以上の（one or more）」といった導入句を使用し、クレーム記載を導入することがある。しかし、このような句を使用するからといって、「a」又は「an」といった不定冠詞によりクレーム記載を導入した場合に、たとえ同一のクレーム内に、「１つ以上の」又は「少なくとも１つの」といった導入句と「a」又は「an」といった不定冠詞との両方が含まれるとしても、当該導入されたクレーム記載を含む特定のクレームが、当該記載事項を１しか含まない例に限定されるということが示唆されると解釈されるべきではない（例えば、「a」及び／又は「an」は、「少なくとも１つの」又は「１つ以上の」を意味すると解釈されるべきである。）。定冠詞を使用してクレーム記載を導入する場合にも同様のことが当てはまる。

更には、導入されたクレーム記載において特定の数が明示されている場合であっても、そのような記載は、通常、少なくとも記載された数を意味するように解釈されるべきであることは、当業者には理解されるであろう（例えば、他に修飾語のない、単なる「２つの記載事項」という記載がある場合、この記載は、少なくとも２つの記載事項、又は２つ以上の記載事項を意味する。）。更に、「Ａ、Ｂ及びＣなどのうち少なくとも１つ」又は「Ａ、Ｂ及びＣなどのうちの１つ以上」に類する表記が使用される場合、一般的に、そのような構造は、Ａのみ、Ｂのみ、Ｃのみ、ＡとＢの両方、ＡとＣの両方、ＢとＣの両方、及び／又はＡとＢとＣの全て、などを含むよう意図される。

更に、２つ以上の選択可能な用語を表す如何なる離接語及び／又は離接句も、明細書、特許請求の範囲、又は図面のいずれであろうと、それら用語のうちの１つ、それらの用語のうちのいずれか、あるいは、それらの用語の両方を含む可能性を意図すると理解されるべきである。例えば、「Ａ又はＢ」という句は、「Ａ又はＢ」、あるいは、「Ａ及びＢ」の可能性を含むことが理解されるべきである。

本開示で挙げられている全ての例及び条件付き言語は、当該技術の促進に本発明者によって寄与される概念及び本発明を読者が理解するのを助ける教育上の目的を意図され、そのような具体的に挙げられている例及び条件に制限されないと解釈されるべきである。本開示の実施形態が詳細に記載されてきたが、様々な変更、置換、及び代替が、本開示の主旨及び適用範囲から逸脱することなしに行われてよい。

上記の実施形態に加えて、以下の付記を開示する。
（付記１）
プロセッサによって実行される方法であって、
第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
を有する方法。
（付記２）
人工知能（ＡＩ）モデルによって行われた第１決定に関する情報を受け取ることであり、前記第１決定は前記第１ユーザの第１リクエストに関連する、ことと、
前記ＡＩモデルに対応する説明可能なＡＩモデルから、前記第１決定に関連した第１理由に関する情報を受け取ることと、
前記ＡＩモデルが前記第１決定を行うよう訓練する倫理的条件の第１セットに関する情報を受け取ることと
を更に有し、
前記受け取られた第１テキスト記述は、前記第１決定に関する前記受け取られた情報と、前記第１理由に関する前記受け取られた情報と、前記倫理的条件の第１セットに関する前記受け取られた情報とを含む、
付記１に記載の方法。
（付記３）
前記ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込み技術を用いて決定される、
付記１に記載の方法。
（付記４）
前記倫理的テキストの第１セットは、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応する、
付記１に記載の方法。
（付記５）
前記第２ユーザからの第２ユーザ入力に基づき前記受け取られた倫理的テキストの第１セットから１つ以上の倫理的テキストを選択することと、
前記選択された１つ以上の倫理的テキストに基づき前記ベクトル埋め込みの第２セットを決定することと
を更に有する、付記１に記載の方法。
（付記６）
前記選択された第１センテンスは、前記受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なる第１の倫理的条件に対応する、
付記１に記載の方法。
（付記７）
前記決定されたセンテンスのセットの中の夫々に含まれている前記品詞を識別することと、
前記決定されたセンテンスのセットの中の夫々に含まれている前記識別された品詞の数に基づき、前記決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定することと、
前記決定されたセンテンスのセットの中の夫々に関連した前記決定されたダイバーシティスコアに基づき前記決定されたセンテンスのセットから前記第１センテンスを選択することと
を更に有する、付記１に記載の方法。
（付記８）
前記決定されたセンテンスのセットからの前記第１センテンスの選択は、前記第２ユーザからの第３ユーザ入力に更に基づく、
付記１に記載の方法。
（付記９）
前記ＧＡＮモデルは、ゼロショットテキスト－イメージコンバータモデルに対応する、
付記１に記載の方法。
（付記１０）
前記生成された第１イメージは、前記第１ユーザの前記状況、前記第１ユーザのリクエストに対応する決定の結果、又は前記第１ユーザの前記状況に対応する所望の倫理的価値、のうちの１つ以上を表す、
付記１に記載の方法。
（付記１１）
実行されることに応答して、電子デバイスに、
第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
を有する動作を実行させる命令を記憶するよう構成される１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１２）
前記動作は、
人工知能（ＡＩ）モデルによって行われた第１決定に関する情報を受け取ることであり、前記第１決定は前記第１ユーザの第１リクエストに関連する、ことと、
前記ＡＩモデルに対応する説明可能なＡＩモデルから、前記第１決定に関連した第１理由に関する情報を受け取ることと、
前記ＡＩモデルが前記第１決定を行うよう訓練する倫理的条件の第１セットに関する情報を受け取ることと
を更に有し、
前記受け取られた第１テキスト記述は、前記第１決定に関する前記受け取られた情報と、前記第１理由に関する前記受け取られた情報と、前記倫理的条件の第１セットに関する前記受け取られた情報とを含む、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１３）
前記ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込み技術を用いて決定される、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１４）
前記倫理的テキストの第１セットは、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応する、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１５）
前記動作は、
前記第２ユーザからの第２ユーザ入力に基づき前記受け取られた倫理的テキストの第１セットから１つ以上の倫理的テキストを選択することと、
前記選択された１つ以上の倫理的テキストに基づき前記ベクトル埋め込みの第２セットを決定することと
を更に有する、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１６）
前記選択された第１センテンスは、前記受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なる第１の倫理的条件に対応する、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１７）
前記動作は、
前記決定されたセンテンスのセットの中の夫々に含まれている前記品詞を識別することと、
前記決定されたセンテンスのセットの中の夫々に含まれている前記識別された品詞の数に基づき、前記決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定することと、
前記決定されたセンテンスのセットの中の夫々に関連した前記決定されたダイバーシティスコアに基づき前記決定されたセンテンスのセットから前記第１センテンスを選択することと
を更に有する、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１８）
前記ＧＡＮモデルは、ゼロショットテキスト－イメージコンバータモデルに対応する、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記１９）
前記生成された第１イメージは、前記第１ユーザの前記状況、前記第１ユーザのリクエストに対応する決定の結果、又は前記第１ユーザの前記状況に対応する所望の倫理的価値、のうちの１つ以上を表す、
付記１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
（付記２０）
命令を記憶しているメモリと、
前記メモリへ結合され、前記命令を実行して、
第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
を有するプロセスを実行するプロセッサと
を有する電子デバイス。

１００ 環境
１０２ 電子デバイス
１０４ データベース
１０６ ユーザエンドデバイス
１０８ 敵対的生成ネットワーク（ＧＡＮ）モデル
１１０ 人工知能（ＡＩ）モデル
１１２ 説明可能なＡＩモデル
１１４ 通信ネットワーク
１１６ 倫理的テキストの第１セット
１１８ ユーザ
２０４ プロセッサ
２０６ メモリ
２０８ 永続性データストレージ
２１０ 入力／出力（Ｉ／Ｏ）デバイス
２１２ 表示デバイス

Claims (20)

1. プロセッサによって実行される方法であって、
   第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
   前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
   前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
   前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
   前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
   前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
   前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
   敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
   前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
   を有する方法。
2. 人工知能（ＡＩ）モデルによって行われた第１決定に関する情報を受け取ることであり、前記第１決定は前記第１ユーザの第１リクエストに関連する、ことと、
   前記ＡＩモデルに対応する説明可能なＡＩモデルから、前記第１決定に関連した第１理由に関する情報を受け取ることと、
   前記ＡＩモデルが前記第１決定を行うよう訓練する倫理的条件の第１セットに関する情報を受け取ることと
   を更に有し、
   前記受け取られた第１テキスト記述は、前記第１決定に関する前記受け取られた情報と、前記第１理由に関する前記受け取られた情報と、前記倫理的条件の第１セットに関する前記受け取られた情報とを含む、
   請求項１に記載の方法。
3. 前記ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込み技術を用いて決定される、
   請求項１に記載の方法。
4. 前記倫理的テキストの第１セットは、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応する、
   請求項１に記載の方法。
5. 前記第２ユーザからの第２ユーザ入力に基づき前記受け取られた倫理的テキストの第１セットから１つ以上の倫理的テキストを選択することと、
   前記選択された１つ以上の倫理的テキストに基づき前記ベクトル埋め込みの第２セットを決定することと
   を更に有する、請求項１に記載の方法。
6. 前記選択された第１センテンスは、前記受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なる第１の倫理的条件に対応する、
   請求項１に記載の方法。
7. 前記決定されたセンテンスのセットの中の夫々に含まれている前記品詞を識別することと、
   前記決定されたセンテンスのセットの中の夫々に含まれている前記識別された品詞の数に基づき、前記決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定することと、
   前記決定されたセンテンスのセットの中の夫々に関連した前記決定されたダイバーシティスコアに基づき前記決定されたセンテンスのセットから前記第１センテンスを選択することと
   を更に有する、請求項１に記載の方法。
8. 前記決定されたセンテンスのセットからの前記第１センテンスの選択は、前記第２ユーザからの第３ユーザ入力に更に基づく、
   請求項１に記載の方法。
9. 前記ＧＡＮモデルは、ゼロショットテキスト－イメージコンバータモデルに対応する、
   請求項１に記載の方法。
10. 前記生成された第１イメージは、前記第１ユーザの前記状況、前記第１ユーザのリクエストに対応する決定の結果、又は前記第１ユーザの前記状況に対応する所望の倫理的価値、のうちの１つ以上を表す、
    請求項１に記載の方法。
11. 実行されることに応答して、電子デバイスに、
    第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
    前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
    前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
    前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
    前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
    前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
    前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
    敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
    前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
    を有する動作を実行させる命令を記憶するよう構成される１つ以上の非一時的なコンピュータ可読記憶媒体。
12. 前記動作は、
    人工知能（ＡＩ）モデルによって行われた第１決定に関する情報を受け取ることであり、前記第１決定は前記第１ユーザの第１リクエストに関連する、ことと、
    前記ＡＩモデルに対応する説明可能なＡＩモデルから、前記第１決定に関連した第１理由に関する情報を受け取ることと、
    前記ＡＩモデルが前記第１決定を行うよう訓練する倫理的条件の第１セットに関する情報を受け取ることと
    を更に有し、
    前記受け取られた第１テキスト記述は、前記第１決定に関する前記受け取られた情報と、前記第１理由に関する前記受け取られた情報と、前記倫理的条件の第１セットに関する前記受け取られた情報とを含む、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
13. 前記ベクトル埋め込みの第１セットは、ｏｎｅ－ｈｏｔベクトル埋め込み技術を用いて決定される、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
14. 前記倫理的テキストの第１セットは、帰結主義に基づいた倫理的テキストのセット、義務論に基づいた倫理的テキストのセット、状況に基づいた倫理的テキストのセット、主観主義に基づいた倫理的テキストのセット、美徳に基づいた倫理的テキストのセット、直観主義に基づいた倫理的テキストのセット、又は功利主義に基づいた倫理的テキストのセット、のうちの１つ以上に対応する、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
15. 前記動作は、
    前記第２ユーザからの第２ユーザ入力に基づき前記受け取られた倫理的テキストの第１セットから１つ以上の倫理的テキストを選択することと、
    前記選択された１つ以上の倫理的テキストに基づき前記ベクトル埋め込みの第２セットを決定することと
    を更に有する、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
16. 前記選択された第１センテンスは、前記受け取られた第１テキスト記述に対応する第２の倫理的条件とは異なる第１の倫理的条件に対応する、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
17. 前記動作は、
    前記決定されたセンテンスのセットの中の夫々に含まれている前記品詞を識別することと、
    前記決定されたセンテンスのセットの中の夫々に含まれている前記識別された品詞の数に基づき、前記決定されたセンテンスのセットの中の夫々に関連したダイバーシティスコアを決定することと、
    前記決定されたセンテンスのセットの中の夫々に関連した前記決定されたダイバーシティスコアに基づき前記決定されたセンテンスのセットから前記第１センテンスを選択することと
    を更に有する、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
18. 前記ＧＡＮモデルは、ゼロショットテキスト－イメージコンバータモデルに対応する、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
19. 前記生成された第１イメージは、前記第１ユーザの前記状況、前記第１ユーザのリクエストに対応する決定の結果、又は前記第１ユーザの前記状況に対応する所望の倫理的価値、のうちの１つ以上を表す、
    請求項１１に記載の１つ以上の非一時的なコンピュータ可読記憶媒体。
20. 命令を記憶しているメモリと、
    前記メモリへ結合され、前記命令を実行して、
    第１ユーザの状況に関連した第１テキスト記述を受け取ることと、
    前記受け取られた第１テキスト記述に基づきベクトル埋め込みの第１セットを決定することと、
    前記第１ユーザとは異なる第２ユーザからの第１ユーザ入力に基づき倫理的テキストの第１セットを受け取ることと、
    前記受け取られた倫理的テキストの第１セットに基づきベクトル埋め込みの第２セットを決定することと、
    前記決定されたベクトル埋め込みの第２セットに基づき、前記決定されたベクトル埋め込みの第１セットに対して対義語の第１セット及び類義語の第２セットを決定することと、
    前記決定された対義語の第１セット及び前記決定された類義語の第２セットに基づきセンテンスのセットを決定することと、
    前記決定されたセンテンスのセットの中の夫々に含まれている品詞に基づき前記決定されたセンテンスのセットから第１センテンスを選択することと、
    敵対的生成ネットワーク（ＧＡＮ）モデルによって前記選択された第１センテンスに基づき第１イメージを生成することと、
    前記第２ユーザに関連した表示デバイスで前記生成された第１イメージをレンダリングすることと
    を有するプロセスを実行するプロセッサと
    を有する電子デバイス。

Images