JP5652694B2 - 目的変数算出装置、目的変数算出方法、プログラムおよび記録媒体 - Google Patents

Description

本発明は、目的変数算出装置、目的変数算出方法、プログラムおよび記録媒体に関する。

データの背後に潜む規則を推定する教師付き学習の手法は、顔認識、ロボット制御、遺伝子データ解析等の様々な分野で用いられている。サポートベクトルマシン等の標準的な教師付き学習法では、学習機械の訓練に用いる教師データと学習機械のテストに用いるテストデータが同じ生成規則に従うと仮定している。しかし、近年の実問題ではこの仮定が成り立たないことが多く、このような状況では通常の教師付き学習法によって良い学習結果が得られるとは限らない。

例えば、顔画像から年齢を推定する場合、実験室等、ある程度拘束された条件の下では、高精度な年齢推定が可能である（例えば、特許文献１参照）。しかし、例えば、店舗において客層の分析を目的として、顔画像から年齢を推定する場合、カメラの種類、性能および設置位置、照明条件等の違いから、実験室と同等の精度を得ることは困難である。

特開２００９−９３４９０号公報

そこで、本発明は、評価環境において取得した評価データの目的変数を高精度に算出可能な目的変数算出装置、目的変数算出方法、プログラムおよび記録媒体を提供することを目的とする。

前記目的を達成するために、本発明の目的変数算出装置は、
評価環境情報取得手段と、評価環境モデル作成手段と、評価データ取得手段と、目的変数算出手段とを有し、
前記評価環境情報取得手段により、評価環境情報を取得し、
前記評価環境モデル作成手段により、前記評価環境情報に基づき、所定の説明変数ｘを目的変数ｙでラベル付けしたラベル付き教師データから評価環境モデルが作成され、
前記評価データ取得手段により、評価環境の評価データが取得され、
前記目的変数算出手段により、前記評価環境モデルを用いて、前記評価データの目的変数ｙを算出することを特徴とする。

本発明の目的変数算出方法は、
評価環境情報取得工程と、評価環境モデル作成工程と、評価データ取得工程と、目的変数算出工程とを有し、
前記評価環境情報取得工程において、評価環境情報を取得し、
前記評価環境モデル作成工程において、前記評価環境情報に基づき、所定の説明変数ｘを目的変数ｙでラベル付けしたラベル付き教師データから評価環境モデルを作成し、
前記評価データ取得工程において、評価環境の評価データが取得され、
前記目的変数算出工程において、前記評価環境モデルを用いて、前記評価データの目的変数ｙを算出することを特徴とする。

本発明のプログラムは、前記本発明の目的変数算出方法をコンピュータに実行させることを特徴とする。

本発明の記録媒体は、前記本発明のプログラムを記録していることを特徴とする。

本発明によれば、評価環境において取得した評価環境情報に基づいてモデルを作成し、このモデルを使用して目的変数を算出する。このため、本発明によれば、評価環境において取得した評価データの目的変数を高精度に算出可能となる。

図１は、本発明の目的変数算出装置の一例を示すブロック図である。 図２は、本発明の目的変数算出方法の一例を示すフローチャートである。 図３は、本発明の目的変数算出装置のその他の例を示すブロック図である。 図４は、本発明の目的変数算出装置のさらにその他の例を示すブロック図である。 図５は、本発明の目的変数算出方法のその他の例を示すフローチャートである。 図６は、本発明の目的変数算出装置のさらにその他の例を示すブロック図である。 図７は、本発明の目的変数算出方法のさらにその他の例を示すフローチャートである。 図８Ａ（ａ）、（ｂ）および（ｃ）は、本発明の重み関数の作成に用いる統計データの一例を示すグラフである。 図８Ｂ（ａ）、（ｂ）および（ｃ）は、本発明の重み関数の一例を示すグラフである。 図９（Ａ）および（Ｂ）は、本発明の重み関数のその他の例を示すグラフである。 図１０（Ａ）および（Ｂ）は、本発明において、重要度重み付けモデルを用いて目的変数を算出した実施例である。 図１１は、本発明の重み関数のさらにその他の例を示すグラフである。 図１２（Ａ）および（Ｂ）は、本発明において、重要度重み付けモデルを用いて目的変数を算出したその他の実施例である。

本発明の目的変数算出装置および目的変数算出方法において、前記評価環境モデルが、損失関数、重み付けおよび正則化からなる群から選択される少なくとも一つを用いて作成されることが好ましい。

本発明の目的変数算出装置および目的変数算出方法において、前記重み付けを、最小二乗法を用いて行うことが好ましい。

本発明の目的変数算出装置および目的変数算出方法において、前記重み付けが、重み関数を用いて行われ、前記重み関数が、前記所定の説明変数ｘおよび前記目的変数ｙの少なくとも一方を含む関数であることが好ましい。

本発明の目的変数算出装置および目的変数算出方法において、前記評価環境モデルが、評価環境で取得したテストデータを用いたモデルであることが好ましい。

本発明の目的変数算出装置および目的変数算出方法において、前記評価環境モデルが、評価環境で取得した目的変数の正解データを用いたモデルであることが好ましい。

本発明の目的変数算出装置および目的変数算出方法において、前記損失関数は、算出した目的変数と正解値との誤差の方向性を加味した関数であってもよい。本発明において、前記誤差の方向性とは、例えば、目的変数が年齢の場合、実年齢よりも年上の誤差または実年齢よりも年下の誤差がある。

本発明の目的変数算出装置において、さらに、照合情報取得手段と、照合手段とを有し、前記照合情報取得手段により、照合情報を取得し、前記照合手段により、前記照合情報と、算出された目的変数とを照合し、照合結果を出力するという態様であってもよい。同様に、本発明の目的変数算出方法において、さらに、照合情報取得工程と、照合工程とを有し、前記照合情報取得工程において、照合情報を取得し、前記照合工程において、前記照合情報と、算出された目的変数とを照合し、照合結果を出力するという態様であってもよい。

本発明の目的変数算出装置および目的変数算出方法において、前記評価データおよび前記ラベル付き教師データが、顔画像であり、前記目的変数ｙが推定年齢であることが好ましい。

つぎに、本発明の目的変数算出装置、目的変数算出方法、プログラムおよび記憶媒体について、例をあげて説明する。ただし、本発明は、下記の例に限定されない。

（実施形態１）
図１に、本実施形態における目的変数算出装置のブロック図を示す。図１に示すとおり、本実施形態の目的変数算出装置は、記憶手段１４０、評価データ取得手段１１１、目的変数算出手段１１２、出力手段１１３、評価環境情報取得手段１１４および評価環境モデル作成手段１１５を主要な構成部材として含む。前記記憶手段１４０には、所定の説明変数ｘを、目的変数ｙでラベル付けしたラベル付き教師データ１４１と、評価環境モデル１４２とが格納されている。また、前記記憶手段１４０には、後述するように、評価環境で取得したテストデータを含んでいてもよい。前記目的変数算出手段１１２は、前記評価環境モデル１４２と接続している。前記評価データ取得手段１１１としては、例えば、ＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）カメラ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）カメラ、イメージスキャナ等の画像取得手段があげられる。前記評価環境モデル作成手段１１５および前記目的変数算出手段１１２としては、例えば、中央処理装置（ＣＰＵ）等の演算手段等があげられる。前記評価環境情取得手段１１４としては、例えば、キーボード、マウス等の入力装置、インターネット等の通信回線網と接続するためのインターフェイス、先に述べた画像取得手段等がある。また、前記出力手段１１３としては、例えば、映像により出力するモニター（例えば、液晶ディスプレイ（ＬＣＤ）、ブラウン管（ＣＲＴ）ディスプレイ等の各種画像表示装置等）、印刷により出力するプリンター、音声により出力するスピーカー等があげられる。前記出力手段１１３は、任意の構成部材であり、本発明の目的変数算出装置に含まれていなくてもよいが、含まれていることが好ましい。前記記憶手段１４０としては、例えば、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、光ディスク、フロッピー（登録商標）ディスク（ＦＤ）等があげられる。前記記憶手段１４０は、装置内蔵型であってもよいし、外部記憶装置のような外付け型であってもよい。

本発明において、評価データは、特に限定されず、例えば、顔画像等があげられる。

本発明において、目的変数ｙも、前記評価データに関する変数であれば、特に限定されず、いかなるものであってもよい。例えば、前記評価データが顔画像である場合、前記目的変数ｙとしては、例えば、推定年齢、性別、人種等があげられる。

以下、前記評価データが顔画像であり、前記目的変数ｙが、推定年齢である場合を例にとり、本実施形態の目的変数算出装置および目的変数算出方法について、さらに詳細に説明する。

本実施形態の目的変数算出方法のフローチャートを図２に示す。本実施形態では、例えば、つぎのようにして、顔画像（評価データ）から推定年齢（目的変数）を算出する。

まず、前記目的変数算出方法の実施に先立ち、所定の説明変数ｘを、目的変数ｙでラベル付けしたラベル付き教師データ１４１を取得する。この例において、前記所定の説明変数ｘとしては、例えば、画像の各ピクセルの輝度値、肌の色、シワの数等の変数があげられる。算出精度を考慮すると、前記ラベル付き教師データ１４１の数は多いほど好ましい。つぎに、評価環境情報の有無を判断する（ステップＳ２１）。そして、評価環境情報があると判断した場合（Ｙｅｓ）は、評価環境情報取得手段１１４により、評価環境情報を取得する（ステップＳ２２）。

つぎに、評価環境情報に基づき評価環境モデル１４２を作成し（ステップＳ２３）、更新する（ステップＳ２４）。前記評価環境モデル１４２が未だ取得されていない（前記記憶手段１４０に前記評価環境モデル１４２が存在しない）場合には、前記更新は、前記評価環境モデル１４２を新たに取得することを意味する。一方、既に取得された前記評価環境モデル１４２がある（前記記憶手段１４０に前記評価環境モデル１４２が存在する）場合には、前記更新は、前記ステップＳ２２において前記評価環境情報が取得される都度、前記記憶手段１４０に記憶されていた前記評価環境モデル１４２を、前記ステップＳ２３で作成された前記評価環境モデル１４２に書き換えることを意味する。前記評価環境モデル１４２は、損失関数、重み付けおよび正則化からなる群から選択される少なくとも一つを用いて作成することが好ましい。前記評価環境モデル１４２は、前記損失関数、前記重み付けおよび前記正則化を３つすべて用いて作成してもよいし、いずれか１つまたは２つを用いて作成してもよい。前記損失関数、前記重み付けおよび前記正則化について、下記式（１１）を参照して説明する。ただし、下記式（１１）の詳細については、後述する。

前記損失関数としては、例えば、前記式（１１）における（ｙ−ｆ（ｘ；α））^２等があげられる。前記損失関数は、絶対値であってもよく、さらには、ｙとｆ（ｘ；α）との比であってもよい。前述のとおり、前記損失関数は、算出した目的変数と正解値との誤差の方向性を加味した関数であってもよい（正と負で、関数を変えてもよい）。具体的には、年齢推定で、年を多い方向に間違えるか、少ない方向に間違えるかによって、関数を変えてもよい。例えば、女性の場合は、年を多い方向に間違える方に深刻度を大きくしてもよい。より具体的には、例えば、前記方向性を加味した関数を、ｙ≦ｆ（ｘ；α）のとき、ａ（ｙ−ｆ（ｘ；α））、ｙ＞ｆ（ｘ；α）のとき、ｂ（ｙ−ｆ（ｘ；α））（ここで、ａ＜０、｜ａ｜＞ｂ、｜ａ｜はａの絶対値）とすることで、ｙ≦ｆ（ｘ；α）のとき、すなわち、年を多い方向に間違えるときの損失を大きくすることができる。

前記重み付けとしては、例えば、前記式（１１）におけるω_ａｇｅ（ｙ_ｉ）^２等があげられる。前記重み付けの詳細については、後述する。

前記正則化としては、例えば、前記式（１１）およびその注釈に示すとおりである。

つぎに、前記評価データ取得手段１１１により、前記評価環境において、評価データ（顔画像）を取得し（ステップＳ２５）、前記目的変数算出手段１１２により、前記評価環境モデル１４２を用いて、前記評価データ（顔画像）の目的変数ｙ（推定年齢）を算出する（ステップＳ２６）。そして、前記出力手段１１３により、前記評価データ（顔画像）の前記目的変数ｙ（推定年齢）を出力する（ステップＳ２７）。前記出力工程（ステップＳ２７）は、任意の工程であり、本発明の目的変数算出方法に含まれていなくてもよいが、含まれていることが好ましい。

このように、本実施形態の目的変数算出装置および目的変数算出方法では、評価環境に応じて、前記評価環境モデルを作成し、それを用いて評価データ（顔画像の目的変数ｙ（推定年齢））を算出する。このため、本実施形態の目的変数算出装置および目的変数算出方法によれば、前記評価環境に適し、かつ高精度に前記評価データ（顔画像）の目的変数ｙ（推定年齢）を算出できる。

（実施形態２）
図３に、本発明の目的変数算出装置の別の構成を示す。図示のとおり、この目的変数算出装置は、Ｘ、ＹおよびＺの各場所に、評価データ取得手段１１１ａ、１１１ｂ、１１１ｃと、評価環境情報取得手段１１４ａ、１１４ｂ、１１４ｃと、評価環境モデル作成手段１１５ａ、１１５ｂ、１１５ｃと、出力手段１１３ａ、１１３ｂ、１１３ｃと、通信インターフェイス１５０ａ、１５０ｂ、１５０ｃと、サーバ１７０とを備える。Ｘ、ＹおよびＺの各場所において、評価環境情報取得手段１１４ａ、１１４ｂ、１１４ｃは評価環境モデル作成手段１１５ａ、１１５ｂ、１１５ｃに接続し、評価データ取得手段１１１ａ、１１１ｂ、１１１ｃ、評価環境モデル作成手段１１５ａ、１１５ｂ、１１５ｃ、および出力手段１１３ａ、１１３ｂ、１１３ｃが、通信インターフェイス１５０ａ、１５０ｂ、１５０ｃに接続している。そして、Ｘ、ＹおよびＺの各場所の通信インターフェイス１５０ａ、１５０ｂ、１５０ｃと、前記サーバ１７０とが、装置外の通信回線網１６０を介して接続されている。

本例の目的変数算出装置では、前記サーバ１７０側に、目的変数算出手段および記憶手段が格納されている。本例の目的変数算出装置は、通信回線網１６０を介して通信インターフェイス１５０によりサーバ１７０と各種手段が接続されていること以外は、構成および目的変数の算出処理の流れ等は、前記実施形態１と同様である。

本実施形態の目的変数算出装置によれば、評価環境情報取得手段、評価環境モデル作成手段、評価データ取得手段および出力手段を現場に設置し、サーバ等は他の場所に設置して、オンラインによる評価データの目的変数の算出が可能である。そのため、装置の設置に場所を取ることがなく、メンテナンスも容易である。また、各設置場所が離れている場合であっても、一箇所での集中管理や遠隔操作が可能となる。

（実施形態３）
図４に、本実施形態の目的変数算出装置の構成を示すブロック図を示し、図５に、本実施形態の目的変数算出方法の処理の流れを示すフローチャートを示す。図４および図５において、図１から図３と同一部分には同一符号を付している。

本実施形態の目的変数算出装置では、照合データ取得手段１１６、照合手段１１７および照合結果出力手段１１８を備える他は、前記実施形態１と同様である。本実施形態では、算出された目的変数（推定年齢）と、照合データ（実年齢）とを照合して、照合結果を出すことが特徴であり、これらは、次のようにして実施される。まず、前述の実施形態１と同様にして、評価環境モデルを作成する。つぎに、照合データの有無を判断し（ステップＳ５１）、照合データがある場合（Ｙｅｓ）は、照合データを取得し（ステップＳ５２）、ない場合（Ｎｏ）は、評価データを取得する（ステップＳ５３）。そして、評価データから目的変数を算出し（ステップＳ５４）、算出結果を出力する（ステップＳ５５）。そして、算出した目的変数（推定年齢）と、照合情報（実年齢）とを照合し（ステップＳ５６）、照合結果を出力する（ステップＳ５７）。

前記照合データとしては、例えば、鉄道、ＡＴＭ等に使用されるＩＣカードに記録されている生年月日から得られる実年齢情報、性別、住所、国籍、電話番号等があげられる。例えば、本実施形態の目的変数算出装置を、銀行のＡＴＭに適用した場合、カメラからの顔画像で推定年齢を算出し、一方で、ＩＣカードから実年齢情報を取得し、推定年齢と実年齢情報を照合することで、本人確認が可能になる。そして、本人であれば、ＡＴＭを正常に作動させ、本人でない場合は、ＡＴＭの動作を停止させることにより、犯罪を未然に防ぐことが可能となる。

（実施形態４）
図６に、本実施形態における目的変数算出装置のブロック図を示す。本実施形態の目的変数算出装置では、評価環境モデルを、重み付けを用いて作成する。図６に示すとおり、本実施形態の目的変数算出装置は、評価環境情報取得手段として重み付け情報取得手段２１４を有する点、評価環境モデル作成手段として重要度重み付きモデル作成手段２１５を有する点、および記憶手段２４０に、評価環境モデルとして重要度重み付きモデル２４２が格納されている点を除き、図１に示した目的変数算出装置と同様の構成である。図６において、２１１は、評価データ取得手段を、２１２は、目的変数算出手段を、２１３は、出力手段を、２４１は、ラベル付き教師データを示す。

以下、前記評価データが顔画像であり、前記目的変数ｙが、推定年齢である場合を例にとり、本実施形態の目的変数算出装置および目的変数算出方法について、さらに詳細に説明する。

本実施形態の目的変数算出方法のフローチャートを図７に示す。本実施形態では、例えば、つぎのようにして、顔画像（評価データ）から推定年齢（目的変数）を算出する。

まず、前記目的変数算出方法の実施に先立ち、所定の説明変数ｘを、目的変数ｙでラベル付けしたラベル付き教師データ２４１を取得する。この例において、前記所定の説明変数ｘとしては、例えば、画像の各ピクセルの輝度値、肌の色、シワの数等の変数があげられる。算出精度を考慮すると、前記ラベル付き教師データ２４１の数は多いほど好ましい。つぎに、重み付け情報の有無を判断する（ステップＳ７１）。そして、重み付け情報があると判断した場合（Ｙｅｓ）は、重み付け情報取得手段２１４により、重み付け情報を取得する（ステップＳ７２）。

前記重み付け情報としては、例えば、前記所定の説明変数ｘを含む重み関数（ω_ｉｍｐ（ｘ））、前記目的変数ｙを含む重み関数（ω_ａｇｅ（ｙ））等があげられる。前記重み付け情報は、前記所定の説明変数ｘおよび前記目的変数ｙの双方を含む関数であってもよい。

前記重み関数（ω_ｉｍｐ（ｘ））としては、例えば、評価環境の時間的、条件的区分等があげられる。例えば、同一の評価環境であっても、朝、昼、夜、深夜において状況が変わり、また、季節によっても状況が変わる。さらには、雨、晴れ、曇り等の天気や、照明の明暗によっても状況が変わる。このように、同一の評価環境であっても、状況に応じて、前記重み関数（ω_ｉｍｐ（ｘ））を取得することが好ましい。

前記重み関数（ω_ａｇｅ（ｙ））としては、例えば、年齢毎の来客者頻度から作成した関数、年齢毎の認識誤差の標準偏差から作成した関数等があげられる。前記重み関数（ω_ａｇｅ（ｙ））は、例えば、図８Ａ（ａ）、（ｂ）および（ｃ）に示す来客者数と年齢部分との関係を表す統計データから作成できる。図８Ａ（ａ）のグラフでは、１５歳から来客数が増え、３０〜３５歳あたりでピークになり、それから４５歳かけて減って５０歳以上では、来客数は０人である。同図（ｂ）では、３０〜３５歳だけ来客者があり、その他の年齢では来客者はいない。同図（ｃ）では、１５〜３５歳までほぼ一定の割合の来客者があり、その他の年齢では来客者はいない。このように、評価環境によって、年齢毎の来客者数が異なってくる。一方、教師データは、幅広い年齢を想定している。このため、教師データと、評価環境では、評価目的とする年齢層に相違があることが多い。評価環境では、その評価環境に応じた範囲で、精度の高い年齢推定が可能であることが好ましい。このため、本実施形態では、評価環境に応じた重み付け情報を取得し、取得した重み付け情報に基づき、教師データから重要度重み付きモデルを作成する。具体的には、例えば、図８Ａに示した統計データを用いる場合であれば、前記重み関数（ω_ａｇｅ（ｙ））として、ω_ａｇｅ（ｙ）＝１／（ｎ（ｙ）＋１）を取得し、取得した前記重み関数（ω_ａｇｅ（ｙ）、図８Ｂ）に基づき、教師データから重要度重み付きモデルを作成する。このため、本発明では、評価環境に適した推定年齢（目的変数）の算出が可能になる。

本発明において、重み関数の取得方法は、特に制限されない。重み関数としては、例えば、教師データを用いて評価環境においてテストデータを取得し、テストデータに関する関数を使用することがあげられる。この他、例えば、鉄道、ＡＴＭ等で使用されるＩＣカードに記録されている生年月日情報から実年齢情報（推定年齢の正解データ）を取得し、実年齢情報から重み関数を作成して用いてもよい。

つぎに、重み付け情報に基づき重要度重み付きモデル２４２を作成し（ステップＳ７３）、更新する（ステップＳ７４）。前記重要度重み付きモデル２４２は、前記ラベル付き教師データ２４１の確率密度関数（ｐ_ｔｒ（ｘ））と、評価環境において取得したテストデータの確率密度関数（ｐ_ｔｅ（ｘ））の比（ｐ_ｔｅ（ｘ）／ｐ_ｔｒ（ｘ））である重要度関数（ω_ｉｍｐ（ｘ））を用いて、前記ラベル付き教師データ２４１および前記テストデータの重要度を操作することで作成することが好ましい。後述のように、本実施形態の目的変数算出装置および目的変数算出方法では、前記重要度重み付きモデル２４２を用いて評価データ（顔画像）の目的変数ｙ（推定年齢）を算出する。このため、本実施形態の目的変数算出装置および目的変数算出方法によれば、前記テストデータの数が前記ラベル付き教師データ２４１の数より少ない場合であっても、高精度に前記評価データ（顔画像）の目的変数ｙ（推定年齢）を算出できる。

前記重要度重み付きモデル２４２は、前記重要度関数（ω_ｉｍｐ（ｘ））の値が大きい（重要度が高い）ものほど重み付けを重くした最小二乗法を用いて作成することが好ましい。前記重要度重み付きモデル２４２は、例えば、下記式（１）で表される最適化問題を解くことにより作成することができる。

前記重要度関数（ω_ｉｍｐ（ｘ））は、例えば、ＫＬＩＥＰ（Ｋｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ Ｉｍｐｏｒｔａｎｃｅ Ｅｓｔｉｎａｔｉｏｎ Ｐｒｏｃｅｄｕｒｅ）アルゴリズムによりモデル化することで求めることができる。前記ＫＬＩＥＰアルゴリズムは、実際のテストデータの確率密度関数ｐ_ｔｅ（ｘ）と、モデル化した重要度関数（下記式（２）の二重下線部）を用いて推定したテストデータの確率密度関数（下記式（３）の二重下線部）との違いを最小化するように、重要度関数のモデルを求めることを特徴とする。

まず、重要度関数（ω_ｉｍｐ（ｘ））を、下記のカーネル関数ｋ_γの線形結合でモデル化する。

このとき、モデル化した重要度関数（前記式（２）の二重下線部）を用いて、テストデータの確率密度関数を下記式（３）で推定する。

ｐ_ｔｅ（ｘ）と前記式（３）の二重下線部で表される確率密度関数との違いの度合いは、下記式（４）で展開されるＫｕｌｌｂａｃｋ−Ｌｅｉｂｌｅｒ情報量（下記式（４）の二重下線部（実線））で数値化することができる。

前記式（４）からわかるように、ｐ_ｔｅ（ｘ）の良い近似としての前記式（３）の二重下線部を得るためには、前記式（４）の二重下線部（破線）を最大化すれば良い。ここで、

に注意すれば、上に凸な最大化問題として定式化することができる。

ここで、前記式（５）の拘束条件は、重要度関数が非負であること（ω_ｉｍｐ（ｘ）≧０（ｆｏｒ ａｌｌ ｘ ∈ Ｄ、Ｄはデータの分布域））を保証するためのものである。また、前記式（６）の拘束条件は、前記式（３）の二重下線部の全積分値が１、すなわち、確率密度関数の特徴の１つを保証するためのものであり、下記式（７）の展開に従う。

つぎに、ｌ個のラベル付き教師データが予め取得された場合を例にとり、ｙ^＊をｙ^＊＝ｆ（ｘ）で推定するＫＲＬＳによる回帰分析について説明する。

本例では、ｙ^＊＝ｆ（ｘ）を正定値カーネル下記式（８）の線形結合でモデル化する。

ラベル付き教師データの個数ｌが大きい場合は、全てのラベル付き教師データでなくその部分集合を用いても良い。

つぎに、下記式（１１）が最小となるように、モデル（９）のパラメータ下記式（１０）を学習する。本実施形態では、この段階において、前記重要度重み付きモデルの作成に、重み付けに加えて、損失関数（下記式（１１）における（ｙ−ｆ（ｘ；α））^２）および正則化（下記式（１１）におけるλ‖α‖^２）を用いているが、前記重要度重み付きモデルは、重み付けのみを用いて作成してもよいし、重み付けと、損失関数および正則化のいずれかとの２つを用いて作成してもよい。

このとき、前記式（１１）の最適解である下記式（１２）は、下記式（１３）で与えられる。このような手法により、前記重要度重み付きモデルを作成することができる。ただし、この重要度重み付きモデルの作成方法は、例示にすぎない。本発明において、前記重要度重み付きモデルの作成方法は、特に制限されず、いかなる方法であってもよい。

つぎに、前記評価データ取得手段２１１により、前記評価環境において、評価データ（顔画像）を取得し（ステップＳ７５）、前記目的変数算出手段２１２により、前記重要度重み付きモデル２４２を用いて、前記評価データ（顔画像）の目的変数ｙ（推定年齢）を算出する（ステップＳ７６）。そして、前記出力手段２１３により、前記評価データ（顔画像）の前記目的変数ｙ（推定年齢）を出力する（ステップＳ７７）。前記出力工程（ステップＳ７７）は、任意の工程であり、本発明の目的変数算出方法に含まれていなくてもよいが、含まれていることが好ましい。

このように、本実施形態の目的変数算出装置および目的変数算出方法では、評価環境に応じて、前記重要度重み付きモデルを作成し、それを用いて評価データ（顔画像の目的変数ｙ（推定年齢）を算出する。このため、本実施形態の目的変数算出装置および目的変数算出方法によれば、前記評価環境に適し、かつ高精度に前記評価データ（顔画像）の目的変数ｙ（推定年齢）を算出できる。

本実施形態の目的変数算出装置および目的変数算出方法は、図６および７に示す態様に限定されない。例えば、実施形態２（図３）のように、Ｘ、ＹおよびＺの各場所に、評価データ取得手段等を備える態様であってもよい。また、例えば、実施形態３（図４および５）のように、照合データ取得手段等を備える態様であってもよい。これらの態様においては、実施形態２および３における評価環境情報取得手段として重み付け情報取得手段を用い、評価環境モデル取得手段として重要度重み付きモデル取得手段を用いればよい。

（実施形態５）
本実施形態は、重要度重み付けモデルを用い、顔画像から推定年齢を算出した例である。まず、重み関数として、図９（Ａ）および（Ｂ）を用いた。図９（Ａ）は、女性の各年齢において、顔画像を人間が見て年齢を推定した場合の誤差の標準偏差であり、図９（Ｂ）は、男性の各年齢において、顔画像を人間が見て年齢を推定した場合の誤差の標準偏差である。これらの重み関数では、低年齢層および高年齢層で重みを重くしている。これらの重み関数を用い、前述の実施形態４と同様にして重要度重み付きモデルを作成した。そして、得られた重要度重み付きモデルを使用して年齢を推定した結果を、図１０に示す。図１０（Ａ）は女性の結果であり、図１０（Ｂ）は男性の結果である。また、重み付けをしなかった場合も合わせて示している。評価は、推定年齢の重みを付けていない絶対誤差（ＭＡＥ：Ｍｅａn Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）（縦軸）により行った。ＭＡＥは、下記式で求めた。

推定年齢のＭＡＥは、推定年齢が真の年齢と平均するとどれだけ離れているかを表しており、図１０（Ａ）では、例えば、１０歳未満（横軸“−９”）の「重みなし」のＭＡＥは４．５であるから、真の年齢が１０歳未満の女性の画像データは、平均的には真の年齢から４．５歳離れた年齢（５歳または１５歳）に推定されることを表している。これに対し、重み付けた場合、例えば、１０歳未満（横軸“−９”）のＭＡＥは２．５であり、推定精度が向上していることがわかる。高年齢層でも同様のことが言える。すなわち、図１０（Ａ）および（Ｂ）から分かるように、低年齢層および高年齢層に重みをつけた重み関数を用いると、低年齢層および高年齢層で、推定年齢の精度が向上するといえる。

（実施形態６）
本実施形態は、前述とは別の重要度重み付けモデルを用い、顔画像から推定年齢を算出した例である。まず、重み関数として、図１１を用いた。図１１は、各年齢において、顔画像を人間が見て年齢を推定した場合の誤差の標準偏差であり、４０歳をピークとして、年齢が若くなるほど、かつ年齢が多くなるほど、標準偏差の値を小さくして重みを重くしたものである。図１１の重み関数を用い、前述の実施形態４と同様にして重要度重み付きモデルを作成した。そして、得られた重要度重み付きモデルを使用して年齢を推定した結果を、図１２に示す。図１２（Ａ）は女性の結果であり、図１２（Ｂ）は男性の結果である。また、重み付けをしなかった場合も合わせて示している。評価は、前述と同様のＭＡＥにより行った。図１２に示すように、重み付けを行った場合は、重み付けをしなかった場合に比べて、低年齢層および高年齢層で、推定年齢の精度が向上したことが分かる。

１１１、２１１ 評価データ取得手段
１１２、２１２ 目的変数算出手段
１１３、２１３ 出力手段
１１４ 評価環境情報取得手段
１１５ 評価環境モデル作成手段
１１６ 照合データ取得手段
１１７ 照合手段
１１８ 照合結果出力手段
１４０、２４０ 記憶手段
１４１、２４１ ラベル付き教師データ
１４２ 評価環境モデル
１５０ 通信インターフェイス
１６０ 通信回線網
１７０ サーバ
２１４ 重み付け情報取得手段
２１５ 重要度重み付きモデル作成手段
２４２ 重要度重み付きモデル

Claims (18)

1. 評価環境情報取得手段と、評価環境モデル作成手段と、評価データ取得手段と、目的変数算出手段とを有し、
   前記評価環境情報取得手段により、評価環境情報を取得し、
   前記評価環境モデル作成手段により、前記評価環境情報に基づき、所定の説明変数ｘを目的変数ｙでラベル付けしたラベル付き教師データから評価環境モデルが作成され、
   前記評価データ取得手段により、評価環境の評価データが取得され、
   前記目的変数算出手段により、前記評価環境モデルを用いて、前記評価データの目的変数ｙを算出し、
   前記評価環境モデルが、損失関数を用いて作成され、
   前記損失関数が、算出した目的変数と正解値との誤差の方向性を加味した関数であることを特徴とする目的変数算出装置。
2. 前記評価環境モデルが、前記損失関数に加え、さらに重み付けおよび正則化の少なくとも一方を用いて作成されることを特徴とする請求項１記載の目的変数算出装置。
3. 前記重み付けを、最小二乗法を用いて行うことを特徴とする請求項２記載の目的変数算出装置。
4. 前記重み付けが、重み関数を用いて行われ、前記重み関数が、前記所定の説明変数ｘおよび前記目的変数ｙの少なくとも一方を含む関数であることを特徴とする請求項２または３記載の目的変数算出装置。
5. 前記評価環境モデルが、評価環境で取得したテストデータを用いたモデルであることを特徴とする請求項１から４のいずれか一項に記載の目的変数算出装置。
6. 前記評価環境モデルが、評価環境で取得した目的変数の正解データを用いたモデルであることを特徴とする請求項１から４のいずれか一項に記載の目的変数算出装置。
7. さらに、照合情報取得手段と、照合手段とを有し、
   前記照合情報取得手段により、照合情報を取得し、
   前記照合手段により、前記照合情報と、算出された目的変数とを照合し、照合結果を出力
   することを特徴とする請求項１から６のいずれか一項に記載の目的変数算出装置。
8. 前記評価データおよび前記ラベル付き教師データが、顔画像であり、前記目的変数ｙが推定年齢であることを特徴とする請求項１から７のいずれか一項に記載の目的変数算出装置。
9. 評価環境情報取得工程と、評価環境モデル作成工程と、評価データ取得工程と、目的変数算出工程とを有し、
   前記評価環境情報取得工程において、評価環境情報を取得し、
   前記評価環境モデル作成工程において、前記評価環境情報に基づき、所定の説明変数ｘを目的変数ｙでラベル付けしたラベル付き教師データから評価環境モデルを作成し、
   前記評価データ取得工程において、評価環境の評価データが取得され、
   前記目的変数算出工程において、前記評価環境モデルを用いて、前記評価データの目的変数ｙを算出し、
   前記評価環境モデルが、損失関数を用いて作成され、
   前記損失関数が、算出した目的変数と正解値との誤差の方向性を加味した関数であることを特徴とする目的変数算出方法。
10. 前記評価環境モデルが、前記損失関数に加え、さらに重み付けおよび正則化の少なくとも一方を用いて作成されることを特徴とする請求項９記載の目的変数算出方法。
11. 前記重み付けを、最小二乗法を用いて行うことを特徴とする請求項１０記載の目的変数算出方法。
12. 前記重み付けが、重み関数を用いて行われ、前記重み関数が、前記所定の説明変数ｘおよび前記目的変数ｙの少なくとも一方を含む関数であることを特徴とする請求項１０または１１記載の目的変数算出方法。
13. 前記評価環境モデルが、評価環境で取得したテストデータを用いたモデルであることを特徴とする請求項９から１２のいずれか一項に記載の目的変数算出方法。
14. 前記評価環境モデルが、評価環境で取得した目的変数の正解データを用いたモデルである
    ことを特徴とする請求項９から１２のいずれか一項に記載の目的変数算出方法。
15. さらに、照合情報取得工程と、照合工程とを有し、
    前記照合情報取得工程において、照合情報を取得し、
    前記照合工程において、前記照合情報と、算出された目的変数とを照合し、照合結果を出力することを特徴とする請求項９から１４のいずれか一項に記載の目的変数算出方法。
16. 前記評価データおよび前記ラベル付き教師データが、顔画像であり、前記目的変数ｙが推定年齢であることを特徴とする請求項９から１５のいずれか一項に記載の目的変数算出
    方法。
17. 請求項９から１６のいずれか一項に記載の目的変数算出方法をコンピュータに実行させることを特徴とするプログラム。
18. 請求項１７記載のプログラムを記録していることを特徴とするコンピュータ読み取り可能な記録媒体。
    

Images