JP5844854B2 - 提供装置、提供方法及び提供プログラム - Google Patents

Description

本発明は、提供装置、提供方法及び提供プログラムに関する。

近年、多段に接続されたニューロンを有するＤＮＮ（Deep Neural Network）を利用して言語認識や画像認識の学習を行うディープラーニングに関する技術が知られている。例えば、このような技術では、入力された画像データから画像に含まれる物体等を学習することでＤＮＮを構築する。そして、新たな画像データが入力された場合に、構築したＤＮＮに基づいてどのような物体が画像に含まれているかを識別する。

特表２００９−５１６２４６号公報

しかしながら、上記の従来技術では、ＤＮＮを容易に利用することができるとは限らなかった。例えば、上記の従来技術では、所望の判定を行うＤＮＮを構築するために、大量のデータを用いて学習を行うことになる。このため、上記の従来技術では、学習用のデータを集める手間がかかるとともに、データの学習に時間がかかる。このようなことから、上記の従来技術では、ＤＮＮを容易には構築することができないので、ＤＮＮを容易に利用することができるとは限らなかった。

本願は、上記に鑑みてなされたものであって、ＤＮＮを容易に利用することができる提供装置、提供方法及び提供プログラムを提供することを目的とする。

本願に係る提供装置は、入力データに対する演算結果を出力するノードが接続された学習器であって前記入力データから所定の種別に対応する特徴を抽出する学習器を登録する登録部と、特徴の種別の指定を受け付ける受付部と、前記登録部によって登録された学習器に基づいて、前記受付部によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、当該選択された学習器に基づいて生成された新たな学習器を提供する提供部と、前記提供部が選択した学習器を提供した売主に支払う対価を算定する算定部とを備えたことを特徴とする。

実施形態の一態様によれば、ＤＮＮを容易に利用することができるという効果を奏する。

図１は、実施形態に係る提供システムによる提供処理の一例を示す説明図である。 図２は、実施形態に係る提供装置の構成例を示す図である。 図３は、実施形態に係る学習器情報記憶部の一例を示す図である。 図４は、提供装置による登録処理手順を示すフローチャートである。 図５は、提供装置による提供処理手順を示すフローチャートである。 図６は、変形例に係る提供システムによる提供処理の一例を示す説明図である。 図７は、学習器の一例を示す図である。 図８は、学習器の一例を示す図である。 図９は、学習器の一例を示す図である。 図１０は、提供装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る提供装置、提供方法及び提供プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る提供装置、提供方法及び提供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．提供処理〕
まず、図１を用いて、実施形態に係る提供処理の一例について説明する。図１は、実施形態に係る提供システムによる提供処理の一例を示す説明図である。図１の例では、仲介業者が管理する提供装置１００によって学習器（例えば、ＤＮＮ）を提供する提供処理が行われる例を示す。なお、図１では、売主は、学習器を提供するものを示す。買主は、学習器の提供を受けるものを示す。

図１に示すように、提供システム１には、売主端末１０Ａ〜１０Ｃと、買主端末５０と、提供装置１００とが含まれる。売主端末１０Ａ〜１０Ｃ、買主端末５０、提供装置１００は、それぞれネットワークと無線により通信可能に接続される。なお、以下では、売主端末１０Ａ〜１０Ｃの各装置を区別なく総称する場合には、「売主端末１０」と記載する場合がある。

売主端末１０および買主端末５０は、例えば、ＰＣ（Personal Computer）や、タブレット型端末や、スマートフォンや、携帯電話機、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。提供装置１００は、入力データに対する演算結果を出力するノード（例えば、ニューロン）が接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器（例えば、ニューラルネットワークやＤＮＮ）を提供する提供処理を実行するサーバ装置である。

ここで、提供処理について、提供装置１００が、売主から提供された学習器を用いて、買主に所望する学習器を提供する場合を想定して説明する。ここでは、学習器を提供装置１００に提供する売主は、図１に示すように、Ａ社と、Ｂ社と、Ｃ社であるものとする。また、仲介業者から学習器を利用する権利を購入する買主は、Ｄ社であるものとする。

図１の例では、まず、売主が、売主端末１０を操作して、入力データに対する演算結果を出力するニューロンが接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器を提供装置１００に提供する。例えば、Ａ社の従業員は、売主端末１０Ａを操作して、「Ａ社製の洋服」の特徴を抽出する既に学習済みのＤＮＮである学習器Ｎ_Ａを提供装置１００に提供する。同様に、Ｂ社の従業員は、売主端末１０Ｂを操作して、「女性」の特徴を抽出する既に学習済みのＤＮＮである学習器Ｎ_Ｂを提供装置１００に提供する。また、Ｃ社の従業員は、売主端末１０Ｃを操作して、「男性」の特徴を抽出する既に学習済みのＤＮＮである学習器Ｎ_Ｃを提供装置１００に提供する。これにより、提供装置１００は、Ａ社〜Ｃ社から提供された学習器Ｎ_Ａ〜Ｎ_Ｃを登録する（ステップＳ１）。例えば、提供装置１００は、仲介業者が提供するパブリックエリアＰｂに学習器Ｎ_Ａ〜Ｎ_Ｃを保管する。

その後、提供装置１００は、特徴の種別の指定を受け付ける（ステップＳ２）。例えば、提供装置１００は、入力データから抽出される特徴の種別の指定を買主から受け付ける。ここで、買主であるＤ社は、画像データから「Ｄ社製の洋服」を認識したいので、入力データとして入力する画像データから「洋服」の特徴を抽出するＤＮＮを欲しているものとする。この場合、Ｄ社の従業員は、買主端末５０を操作して、特徴の種別として「洋服」を指定する。これにより、提供装置１００は、特徴の種別として「洋服」の指定を買主端末５０から受け付ける。

続いて、提供装置１００は、受け付けられた特徴の種別に基づいて、登録された学習器のうち受け付けた種別に対応する特徴を抽出する学習器を選択する（ステップＳ３）。かかる場合、提供装置１００は、入力データから抽出される特徴の種別として「洋服」の指定を受け付けたので、各学習器Ｎ_Ａ〜Ｎ_Ｃのうち、「洋服」の特徴を抽出できる学習器、もしくは、クラス「洋服」に含まれるサブクラスのデータの特徴を抽出できる学習器を選択する。すなわち、提供装置１００は、クラス「洋服」に含まれるサブクラス「Ａ社製の洋服」の特徴を抽出する学習器Ｎ_Ａを選択する。その後、提供装置１００は、買主であるＤ社が有する追加ノードＮ_Ｐ（新規ノードの一例に相当）を、登録部１３１によって登録された学習器Ｎ_Ａに追加した学習器Ｎ_Ｎを生成し、Ｄ社製の洋服を抽出できるように学習器Ｎ_Ｎの学習を行うことで、Ｄ社製の洋服の特徴を抽出する学習器Ｎ_Ｎを生成する。

そして、提供装置１００は、生成した学習器Ｎ_Ｎを利用する権利をＤ社に提供する（ステップＳ４）。例えば、提供装置１００は、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアＰｒで学習器Ｎ_ＮをＤ社に提供する。ここで、プライベートエリアＰｒは、仲介業者が提供するプライベートエリアのうち買主であるＤ社のみに公開された領域であってその他の第三者には非公開の領域である。

より詳細な例を挙げると、提供装置１００は、学習器Ｎ_Ｎが有する各ノード間の接続係数のうち、学習器Ｎ_Ａに含まれるノード間の接続係数については、Ａ社のみに公開され、追加ノードＮ_Ｐと他のノードとの接続係数については、Ｄ社のみに公開される。さらに、提供装置１００は、Ｄ社が学習器Ｎ_Ｎを利用する場合は、学習器Ｎ_Ａに含まれるノード間の接続係数と、追加ノードＮ_Ｐと他のノードとの接続係数とを用いて、学習器Ｎ_Ｎを構成し、Ｄ社から受け付けた入力データを学習器Ｎ_Ｎに入力し、学習器Ｎ_Ｎの出力をＤ社に通知する。

その後、提供装置１００は、提供された学習器を提供した売主に支払う対価を算定する。そして、提供装置１００を管理する仲介業者は、学習器Ｎ_Ａを買主に提供した対価として、提供装置１００によって算定された対価をＡ社に対して支払う（ステップＳ５）。例えば、仲介業者は、提供装置１００が売主から提供された学習器を買主に提供した際に、提供した学習器の利用回数に応じた金銭を対価として売主に支払う。また、仲介業者は、例えば、買主に提供した学習器を利用する使用料を買主に対して請求する。

このように、実施形態に係る提供装置１００は、入力データに対する演算結果を出力するノードが接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器を登録する。また、提供装置１００は、特徴の種別の指定を受け付ける。また、提供装置１００は、登録された学習器に基づいて、受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、選択された学習器に基づいて生成された新たな学習器を提供する。また、提供装置１００は、選択した学習器を提供した売主に支払う対価を算定する。

これにより、提供装置１００は、売主から提供されたＤＮＮのうち買主が所望するＤＮＮを買主に提供することができるので、買主がＤＮＮを容易に利用することができる。例えば、提供装置１００は、売主によって既に構築されたＤＮＮを買主に提供することができるので、買主が所望するＤＮＮを構築する手間を削減することができる。

また、提供装置１００は、売主が登録されたＤＮＮの内容を秘匿しつつ、買主が所望するＤＮＮを提供することができるので、セキュリティを担保することができる。また、提供装置１００は、売主がＤＮＮを構築する際に用いたデータ内容や特徴の判定手法は提供せずに入力データに対する演算結果を出力する学習器を提供するので、売主である会社が保有する情報の機密性を保持することができる。

〔２．提供装置の構成〕
次に、図２を用いて、実施形態に係る提供装置１００の構成について説明する。図２は、実施形態に係る提供装置１００の構成例を示す図である。図２に示すように、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。なお、提供装置１００は、提供装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ等によって実現される。かかる通信部１１０は、ネットワークと有線又は無線で接続され、ネットワークを介して、売主端末１０や買主端末５０との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、学習器情報記憶部１２１を有する。

（学習器情報記憶部１２１について）
学習器情報記憶部１２１は、学習器に関する情報を記憶する。具体的には、学習器情報記憶部１２１は、入力データに対する演算結果を出力するノードが接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器に関する情報を記憶する。例えば、学習器情報記憶部１２１は、売主から提供された学習器に関する情報を記憶する。ここで、図３に、実施形態に係る学習器情報記憶部１２１の一例を示す。図３に示すように、学習器情報記憶部１２１は、「学習器ＩＤ」、「提供元」、「種別」といった項目を有する。

「学習器ＩＤ」は、学習器を識別するための識別情報を示す。「提供元」は、「学習器ＩＤ」に対応する学習器を提供装置１００に提供した売主を示す。「種別」は、「学習器ＩＤ」に対応する学習器が抽出可能な特徴の種別を示す。具体的には、「種別」は、対応付けられた学習器ＩＤが示す学習器が特徴を抽出することができるデータのクラスもしくはサブクラスを示す情報である。

すなわち、図３では、学習器ＩＤ「Ｎ_Ａ」に対応する学習器Ｎ_Ａは、「Ａ社」から提供された学習器である例を示している。また、図３では、学習器ＩＤ「Ｎ_Ａ」に対応する学習器Ｎ_Ａは、「Ａ社製の洋服」の特徴を抽出することができる学習器である例を示している。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、提供装置１００内部の記憶装置に記憶されている各種プログラム（提供プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

制御部１３０は、図２に示すように、登録部１３１と、受付部１３２と、提供部１３３と、算定部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図２に示した構成に限られず、後述する提供処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図２に示した接続関係に限られず、他の接続関係であってもよい。

（登録部１３１について）
登録部１３１は、学習器に関する情報を登録する。具体的には、登録部１３１は、入力データに対する演算結果を出力するノード（例えば、ニューロン）が接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器を登録する。例えば、登録部１３１は、売主から提供されたニューラルネットワークやＤＮＮといった各種の特徴を抽出する学習器を、提供元の売主と対応付けて学習器情報記憶部１２１に記憶する。

（受付部１３２について）
受付部１３２は、特徴の種別の指定を受け付ける。具体的には、受付部１３２は、入力データから抽出される特徴の種別の指定を買主から受け付ける。一例としては、受付部１３２は、画像データを入力データとして「洋服」の特徴を抽出する学習器の利用を買主が所望する場合には、特徴の種別として「洋服」の指定を受け付ける。例えば、受付部１３２は、特徴の種別を選択させる選択画面を買主端末５０に提供する。そして、受付部１３２は、提供した選択画面を介して買主端末５０から特徴の種別の指定を受け付ける。

（提供部１３３について）
提供部１３３は、学習器を買主に提供する。具体的には、提供部１３３は、登録部１３１によって登録された学習器に基づいて、１３２受付部によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、選択された学習器に基づいて生成された新たな学習器を提供する。

一例としては、提供部１３３は、まず、登録部１３１によって登録された学習器の中から、受付部１３２によって受け付けられた特徴の種別を抽出する学習器を選択する。例えば、提供部１３３は、受付部１３２によって「洋服」が特徴の種別として受け付けられた場合には、登録部１３１によって登録された学習器のうち「洋服」の特徴を抽出する学習器を選択する。また、例えば、提供部１３３は、受付部１３２によって受け付けられた特徴と同一の特徴を抽出する学習器が登録されていない場合は、受け付けられた特徴に基づくクラスもしくはサブクラスの学習器を選択する。具体例を挙げると、提供部１３３は、受付部１３２によって「洋服」が特徴の種別として受け付けられた際に、「Ａ社の洋服」の特徴を抽出する学習器のみが登録されている場合には、かかる学習器を選択する。すなわち、提供部１３３は、受け付けたクラスに含まれるサブクラスに属するデータの特徴を抽出する学習器を選択してもよい。

そして、提供部１３３は、選択した学習器を買主の買主端末５０に提供する。例えば、提供部１３３は、買主が学習器を利用する場合は、まず、売主から提供された学習器に含まれるノード間の接続係数と、追加ノードと他のノードとの接続係数とを用いて、新たな学習器を構成する。一例としては、提供部１３３は、バックプロパゲーション法などによって接続係数に修正する。すなわち、提供部１３３は、受付部１３２によって受け付けられた特徴を抽出可能な接続係数に調整（例えば、チューニング）する。そして、提供部１３３は、買主から受け付けた入力データを構成した学習器に入力し、かかる学習器の出力を買主に通知する。なお、提供部１３３は、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアで学習器を提供する。ここで、プライベートエリアは、仲介業者が提供するプライベートエリアのうち買主のみに公開された領域であってその他の第三者には非公開の領域である。具体的には、提供部１３３は、学習器が登録される所定の記憶装置が有する記憶領域のうち、特徴の種別の指定を行った買主のみが接続可能な記憶領域内に、生成された学習器を格納し、当該学習器の提供を行う。なお、学習器が有する各ノード間の接続係数のうち、売主から提供された学習器に含まれるノード間の接続係数は、かかる売主のみに公開される。一方、追加ノードと他のノードとの間の接続係数は、買主のみに公開される。これにより、買主は、例えば、買主端末５０を操作して仲介業者が提供するプライベートエリアＰｒにアクセスすることで提供部１３３によって提供された学習器を利用することができるので、買主が所望する学習器を容易に利用することができる。また、売主は、データそのものや学習器そのものが買主に提供されるわけではないので、売主が保有する情報の機密性を保つことができる。

（算定部１３４について）
算定部１３４は、売主に支払う対価を算定する。具体的には、算定部１３４は、提供部１３３が選択した学習器を提供した売主に支払う対価を算定する。例えば、算定部１３４は、提供装置１００が売主から提供された学習器を買主に提供した際に、提供した学習器の利用回数に応じた金銭を対価として算定する。また、算定部１３４は、買主に請求する課金額を算定する。例えば、算定部１３４は、買主に提供した学習器を利用する使用料を課金額として算定する。

〔３．登録処理手順〕
次に、図４を用いて、実施形態に係る提供装置１００による登録処理の手順について説明する。図４は、実施形態に係る提供装置１００による登録処理手順を示すフローチャートである。

図４に示すように、提供装置１００は、入力データに対する演算結果を出力するノード（例えば、ニューロン）が接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器を受け付ける（ステップＳ１０１）。例えば、提供装置１００は、各種の特徴を抽出するニューラルネットワークやＤＮＮといった既に学習済みの学習器を売主が操作する売主端末１０から受け付ける。そして、提供装置１００は、学習器を受け付けていない場合には（ステップＳ１０１；Ｎｏ）、学習器を受け付けるまで待機する。

一方、提供装置１００は、学習器を受け付けた場合（ステップＳ１０１；Ｙｅｓ）、受け付けた学習器を登録する（ステップＳ１０２）。例えば、提供装置１００は、売主から提供されたニューラルネットワークやＤＮＮといった各種の特徴を抽出する学習器を、提供元である売主と対応付けて学習器情報記憶部１２１に記憶する。

〔４．提供処理手順〕
次に、図５を用いて、実施形態に係る提供装置１００による提供処理の手順について説明する。図５は、実施形態に係る提供装置１００による提供処理手順を示すフローチャートである。

図５に示すように、提供装置１００は、特徴の種別の指定を受け付ける（ステップＳ２０１）。例えば、提供装置１００は、入力データから抽出される特徴の種別の指定を、買主が操作する買主端末５０から受け付ける。そして、提供装置１００は、特徴の種別の指定を受け付けていない場合には（ステップＳ２０１；Ｎｏ）、特徴の種別の指定を受け付けるまで待機する。

一方、提供装置１００は、特徴の種別の指定を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、受け付けられた特徴の種別に基づいて、登録された学習器のうち受け付けた種別に対応する特徴を抽出する学習器を選択する（ステップＳ２０２）。例えば、提供装置１００は、学習器情報記憶部１２１に記憶されている学習器の中から、受け付けた種別に対応する特徴を抽出する学習器を選択する。

そして、提供装置１００は、選択した学習器に基づいて生成された新たな学習器を買主に提供する（ステップＳ２０３）。例えば、提供装置１００は、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアＰｒに追加ノードを設定し、選択した学習器に追加ノードを追加した新たな学習器を設定する。続いて、提供装置１００は、受け付けた種別に対応する特徴を抽出するように、新たに設定した学習器の学習を行う。そして、提供装置１００は、買主に対して、学習を行った新たな学習器を利用する利用権限を買主に与える。その後、提供装置１００は、提供された学習器を提供した売主に支払う対価を算定する（ステップＳ２０４）。例えば、提供装置１００は、提供装置１００が売主から提供された学習器を買主に提供した際に、提供した学習器の利用回数に応じた金銭を対価として算定する。

〔５．変形例〕
上述した実施形態に係る提供装置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、上記の提供装置１００の他の実施形態について説明する。

〔５−１．学習器を生成〕
上記実施形態では、提供装置１００は、登録部１３１によって登録された学習器のうち受け付けた種別に対応する特徴を抽出する学習器を提供する例を示した。ここで、提供装置１００は、複数の学習器を用いて生成した学習器を買主に提供してもよい。

具体的には、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成し、生成した学習器を提供する。

この点について、図６を用いて説明する。図６は、変形例に係る提供システムによる提供処理の一例を示す説明図である。図６に示すように、提供装置１００は、図１の場合と比較して、入力データから抽出される特徴の種別の指定を受け付けた（ステップＳ２）後に、受け付けた種別に対応する特徴を抽出する学習器Ｎ_Ｎを生成する（ステップＳ３）。具体的には、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成する。

図６の例では、買主であるＤ社は、特徴の種別として、「Ａ社製の洋服を着た女性」を指定したものとする。この場合、提供装置１００は、「Ａ社製の洋服」の特徴を抽出するＤＮＮである学習器Ｎ_Ａと「女性」の特徴を抽出するＤＮＮである学習器Ｎ_Ｂとを用いて「Ａ社製の洋服を着た女性」の特徴を抽出するＤＮＮである学習器Ｎ_Ｎを生成する。ここで、提供装置１００は、例えば、仲介業者が提供するプライベートエリアＰｒに学習器Ｎ_Ａと学習器Ｎ_Ｂとを用いて生成された学習器Ｎ_Ｎを生成する。なお、提供装置１００は、登録部１３１によって登録された学習器に限らず、買主から提供された学習器を用いて、受け付けた種別に対応する特徴を抽出する学習器を生成してもよい。そして、提供装置１００は、生成した学習器Ｎ_Ｎを買主に提供する（ステップＳ４）。例えば、提供装置１００は、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアＰｒで学習器Ｎ_ＮをＤ社に提供する。この場合、提供装置１００は、学習器Ｎ_Ａを提供したＡ社および学習器Ｎ_Ｂを提供したＢ社に対して支払う対価を算定する。そして、仲介業者は、提供装置１００によって算定された対価をＡ社およびＢ社に対して支払う（ステップＳ５）。

このように、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成し、生成した学習器を提供する。

これにより、提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても買主が所望する学習器を提供することができるので、提供可能な学習器のバリエーションを増やすことができる。このため、提供装置１００は、例えば、買主の利便性が向上するので、学習器を利用する利用権限の契約数を増やすことができる。

〔５−２．学習器を統合（１）〕
上記変形例では、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成する例を示した。ここで、提供装置１００は、各種の方法によって複数の学習器を統合した学習器を提供してもよい。具体的には、提供装置１００は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する複数の学習器を統合した学習器を提供する。

この点について、図７を用いて説明する。図７は、学習器の一例を示す図である。図７の例では、提供装置１００は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合する。一例としては、提供装置１００は、図７に示すように、学習器Ｎ_Ａと学習器Ｎ_Ｂとを並列に統合する。かかる際、提供装置１００は、学習器Ｎ_Ａが有するノードと学習器Ｎ_Ｂが有するノードとの間の接続係数を新たに設定してもよい。そして、提供装置１００は、学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合した学習器Ｎ_Ｎにおいて、入力と出力との間の誤差が可能な限り小さくなるようにニューロン間の結合係数を修正する。これにより、提供装置１００は、学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合した学習器Ｎ_Ｎを生成する。例えば、提供装置１０は、学習器Ｎ_Ａによる特徴の抽出と学習器Ｎ_Ｂによる特徴の抽出とが並行して行われ、抽出結果の論理和もしくは論理積を出力するような学習器Ｎ_Ｎを生成してもよい。そして、提供装置１００は、統合した学習器Ｎ_Ｎを買主に提供する。

このように、提供装置１００は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する複数の学習器を統合した学習器を提供する。

これにより、提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合することで買主が所望する学習器を提供することができる。

〔５−３．学習器を統合（２）〕
上記変形例では、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成する例を示した。ここで、提供装置１００は、異なる種別に対応する特徴を抽出する複数の学習器のうち各層のノード数が同一の複数の学習器において、同じ位置関係にあるノードと他のノードとの間の結合係数を統合した学習器を提供してもよい。

この点について、図８を用いて説明する。図８は、学習器の一例を示す図である。図８の例では、提供装置１００は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合して学習器Ｎ_Ｎを生成する。

一例としては、提供装置１００は、同じ位置にあるノード間の結合係数を合成する。例えば、図８に示すように、学習器Ｎ_Ａと学習器Ｎ_Ｂとは、学習器に含まれるニューロン群の層の数および各層に含まれるニューロンの数が同一の学習器であるものとする。また、学習器Ｎ_Ａに含まれるニューロンＮ_Ａ１とニューロンＮ_Ａ２との間の結合係数は、結合係数Ｗ_Ａであるものとする。また、学習器Ｎ_Ｂに含まれるニューロンＮ_Ｂ１とニューロンＮ_Ｂ２との間の結合係数は、結合係数Ｗ_Ｂであるものとする。また、学習器Ｎ_Ｎに含まれるニューロンＮ_Ｎ１とニューロンＮ_Ｎ２との間の結合係数は、結合係数Ｗ_Ｎであるものとする。ここで、ニューロンＮ_Ａ１、ニューロンＮ_Ｂ１およびニューロンＮ_Ｎ１は、同じ層の同じ位置にあるニューロンであるものとする。また、ニューロンＮ_Ａ２、ニューロンＮ_Ｂ２およびニューロンＮ_Ｎ２は、同じ層の同じ位置にあるニューロンであるものとする。この場合、提供装置１００は、結合係数Ｗ_Ａおよび結合係数Ｗ_Ｂと結合係数Ｗ_Ｎとの間の関係が以下の式（１）になるように結合係数Ｗ_Ａおよび結合係数Ｗ_Ｂを合成することで結合係数Ｗ_Ｎを算出する。

Ｗ_Ｎ＝αＷ_Ａ＋（１−α）Ｗ_Ｂ・・・（１）

なお、式（１）における「α」は、統合後の学習器において求める認識に応じて任意に値が設定される重み係数である。また、統合を２回以上行う場合には、例えば、それぞれの統合における平均値を採用する。

このように、提供装置１００は、異なる種別に対応する特徴を抽出する複数の学習器のうち各層のノード数が同一の複数の学習器において、同じ位置関係にあるノードと他のノードとの間の結合係数を統合した学習器を提供する。

これにより、提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合して買主が所望する学習器を提供することができる。

〔５−４．学習器を統合（３）〕
上記変形例では、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成する例を示した。ここで、提供装置１００は、異なる種別に対応する特徴を抽出する複数の学習器を直列に統合した学習器を提供してもよい。

この点について、図９を用いて説明する。図９は、学習器の一例を示す図である。図９の例では、提供装置１００は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合する。一例としては、提供装置１００は、図９に示すように、学習器Ｎ_Ａと学習器Ｎ_Ｂとを直列に統合する。

そして、提供装置１００は、学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合した学習器Ｎ_Ｎにおいて、入力と出力との間の誤差が可能な限り小さくなるようにニューロン間の結合係数を修正する。例えば、提供装置１００は、学習器Ｎ_Ｎの入力と出力との間の誤差Ｘが可能な限り小さくなるようにニューロン間の結合係数を修正する。また、提供装置１００は、学習器Ｎ_Ｎのうち下段に相当する学習器の入力と出力との間の誤差Ｙが可能な限り小さくなるようにニューロン間の結合係数を修正する。これにより、提供装置１００は、学習器Ｎ_Ａと学習器Ｎ_Ｂとを統合した学習器Ｎ_Ｎを生成する。そして、提供装置１００は、統合した学習器Ｎ_Ｎを買主に提供する。

このように、提供装置１００は、異なる種別に対応する特徴を抽出する複数の学習器を直列に統合した学習器を提供する。これにより、提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合して買主が所望する学習器を提供することができる。

なお、提供装置１００は、上述した任意の手法を適宜組み合わせることで、学習器Ｎ_Ｎの作成を行ってもよい。

〔５−５．バックプロパゲーション法により結合係数を補正〕
上記変形例では、提供装置１００は、統合した学習器の結合係数を修正する例を示した。ここで、提供装置１００は、統合した学習器における入力と出力との間の誤差をバックプロパゲーション法で補正した学習器を提供してもよい。

具体的には、提供装置１００は、統合した学習器の入力と出力との間の誤差を最小とする結合係数に補正する。一例としては、提供装置１００は、可能な限り多くの入力データに対して正しい出力結果を出力する結合係数に補正する。これにより、提供装置１００は、出力層における予測誤差を減らすことができる。

例えば、提供装置１００は、統合された学習器におけるニューロン間の結合係数を、学習器に含まれるニューロンのうち上位層に近いニューロン間の結合係数から順に誤差を最小とする結合係数に補正する。すなわち、提供装置１００は、学習器に含まれるニューロンのうち出力層側に位置するニューロン間の結合係数から順に補正する。

このように、提供装置１００は、統合した学習器における入力と出力との間の誤差をバックプロパゲーション法で補正した学習器を提供する。これにより、提供装置１００は、入力と出力との間の誤差が小さく識別精度の高い学習器を提供することができる。

〔５−６．所定の特徴を抽出する学習器を提供〕
上記変形例では、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成する例を示した。ここで、提供装置１００は、登録部１３１によって登録された学習器に追加学習器を追加することで学習器を生成してもよい。

具体的には、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器に追加学習器を追加することで所定の特徴を抽出する学習器を生成し、生成した学習器を提供する。この点について、図１を用いて説明する。図１の例では、提供装置１００は、学習器Ｎ_Ａにノードを追加して学習器Ｎ_Ｎを生成する例を示した。ここで、提供装置１００は、図１の例と比較して、学習器Ｎ_Ａにノードではなく追加学習器Ｎ_Ｐを追加して所定の特徴を抽出する学習器Ｎ_Ｎを生成する。具体的には、提供装置１００は、買主であるＤ社が有する追加学習器Ｎ_Ｐを、登録部１３１によって登録された学習器Ｎ_Ａに追加することで学習器Ｎ_Ｎを生成する。これにより、提供装置１００は、所定の特徴を抽出する学習器Ｎ_Ｎを生成することができる。

例えば、買主であるＤ社は、特徴の種別として、「Ａ社製の洋服」を指定したものとする。また、Ｄ社は、「Ｄ社製の洋服」の特徴を抽出するＤＮＮであって既に学習済みのＤＮＮである追加学習器Ｎ_Ｐを有しているものとする。この場合、提供装置１００は、「Ａ社製の洋服」の特徴を抽出するＤＮＮである学習器Ｎ_ＡにＤ社が有する追加学習器Ｎ_ｐを追加することで「Ａ社製の洋服とＤ社製の洋服」の特徴を抽出するＤＮＮである学習器Ｎ_Ｎを生成する。

一例としては、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器に追加学習器を追加した場合の出力結果と正しい出力結果との間の誤差をバックプロパゲーション法による補正で解消した学習器を生成する。

具体的には、提供装置１００は、新規なデータをＤＮＮに入力した場合の出力結果と新規なデータに対応する正しい出力結果との間の誤差を最小とする結合係数を算出する。例えば、提供装置１００は、可能な限り多くの入力データに対して正しい出力結果を出力する結合係数を算出する。

一例としては、提供装置１００は、追加学習器Ｎ_ｐに含まれる新規ニューロンと学習器Ｎ_Ａに含まれるニューロンとの間の結合係数を、学習器Ｎ_Ｎに含まれる他のニューロンのうち上位層に近いニューロンとの間の結合係数から順に誤差を最小とする結合係数を算出する。また、提供装置１００は、新規ニューロンと他のニューロンのうち新規ニューロンを追加した層より出力層側に位置する上段ニューロンとの間の結合係数を算出する。

ここで、提供装置１００は、新規ニューロンと他のニューロンとの間の結合係数として、新規ニューロン以外の他のニューロン間の結合係数を不変にして誤差を最小とする結合係数を算出する。これにより、提供装置１００は、バックプロパゲーション法により結合係数を補正した学習器Ｎ_Ｎを生成する。

なお、提供装置１００は、例えば、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアＰｒで学習器Ｎ_Ｎを生成する。一例としては、提供装置１００は、買主によってプライベートエリアＰｒに保管された追加学習器Ｎ_ｐや学習用の秘匿データを用いて、学習器Ｎ_Ｎを領域Ｐｒ上に生成する。なお、提供装置１００は、学習器Ｎ_ＮをプライベートエリアＰｒ上に限らず、仲介業者が提供するパブリックエリアＰｂ上に生成してもよい。

また、買主が所望する学習器Ｎ_Ｎは、提供装置１００に限らず、買主が操作する買主端末５０によって生成されてもよい。この場合、例えば、買主は、買主端末５０を操作して、提供装置１００によって提供された学習器Ｎ_Ａと買主が保有する追加学習器Ｎ_ｐとを用いて学習器Ｎ_Ｎを生成する。そして、買主は、例えば、買主端末５０を操作して、生成した学習器Ｎ_Ｎを仲介業者のプライベートエリアＰｒやパブリックエリアＰｂに保管する。

そして、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器を提供する。一例としては、提供装置１００は、受け付けた所定の特徴を抽出する学習器Ｎ_Ｎを、仲介業者が提供するプライベートエリアであって買主が利用可能な買主用の領域であるプライベートエリアＰｒで提供する。例えば、提供装置１００は、学習器Ｎ_ＮをプライベートエリアＰｒ上で利用する利用権限を買主に与える。これにより、買主は、所望する特徴を抽出する学習器Ｎ_Ｎを買主専用の学習器領域で使用することができるので、セキュリティを確保することができる。例えば、買主は、学習器Ｎ_Ｎに入力する入力データとして自社の機密情報を用いる場合に、機密情報の漏えいを防ぐことができる。

このように、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器に追加学習器を追加することで受け付けた所定の特徴を抽出する学習器を生成し、生成した学習器を提供する。

これにより、提供装置１００は、所定の特徴を抽出する学習器を生成することができるので、既に登録された学習器と買主が有する学習器とを活用して買主が所望する学習器を提供することができる。

また、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器に追加学習器を追加した場合の出力結果と正しい出力結果との間の誤差をバックプロパゲーション法による補正で解消した学習器を提供する。これにより、提供装置１００は、出力結果の誤差が小さく識別精度の高い学習器を提供することができる。

また、提供装置１００は、受付部１３２によって受け付けられた所定の特徴を抽出する学習器を買主用の領域で提供する。これにより、提供装置１００は、生成された学習器を買主専用のネットワーク領域で使用することができるので、セキュリティを確保することができる。例えば、買主は、学習器に入力する入力データとして自社の機密情報を用いる場合に、機密情報の漏えいを防ぐことができる。

〔５−７．ＤＮＮ〕
上記実施形態では、提供装置１００は、受付部１３２によって受け付けられた種別に対応する特徴を抽出するＤＮＮである学習器を提供する例を示した。ここで、提供装置１００が提供するＤＮＮは、任意の数のニューロン群を含む。例えば、提供装置１００が提供するＤＮＮは、中間層に複数のニューロン群が含まれる多段のＤＮＮである。また、ＤＮＮに含まれるニューロン群は、任意の数のニューロンによって構成される。また、ＤＮＮに含まれる各ニューロンは、上述した例に限らず、公知となっている各種の従来技術によって各ニューロンが結合されてもよい。

〔５−８．適用対象〕
上記実施形態では、提供装置１００は、画像データに描出されたものを識別する画像認識の適用例を示した。ここで、提供装置１００は、画像認識に限らず、各種の認識に適用してもよい。例えば、提供装置１００は、音声を対象とする音声認識に適用する。これにより、提供装置１００は、音声データを入力データとして入力することで、話者を識別することができる。例えば、提供装置１００は、音声データに含まれる音声を発した話者の性別や年齢などを識別することができる。

他の例では、提供装置１００は、株価を対象として適用する。これにより、提供装置１００は、株価の時系列データや業種を入力データとして入力することで、株価に関する情報を識別することができる。例えば、提供装置１００は、株価の値動きを識別することで業種を判定することができる。

〔５−９．対価〕
上記実施形態では、提供装置１００を管理する仲介業者は、提供装置１００が売主から提供された学習器を買主に提供した際に、提供した学習器の質に応じた金銭を対価として売主に支払う例を示した。ここで、仲介業者は、売主から提供された学習器を買主に提供した際に限らず、例えば、売主から提供された学習器を登録した際に売主に対して対価を支払ってもよい。また、仲介業者は、売主から提供された学習器を用いて新たな学習器が提供装置１００によって生成された際に、対価を売主に支払ってもよい。

これにより、提供装置１００は、提供した学習器が買主に利用されるほど多くの対価を売主に支払うことができるので、売主が学習器を提供するモチベーションを高めることができる。

〔５−１０．提供データ〕
上記変形例では、提供装置１００は、受け付けた種別に対応する特徴を抽出する学習器を提供する例を示した。ここで、提供装置１００は、各種の形態でＤＮＮを買主に提供してもよい。

例えば、提供装置１００は、学習器Ｎ_Ａに追加学習器Ｎ_Ｐを追加することで追加された学習範囲を含む学習器Ｎ_Ｎを買主に提供する。すなわち、提供装置１００は、「洋服」の特徴を抽出する学習器Ｎ_Ａと「女性の洋服」の特徴を抽出する学習器Ｎ_Ｎとを買主に提供する。

他の例では、提供装置１００は、学習器Ｎ_Ａに追加学習器Ｎ_Ｐを追加することで追加された学習範囲のみを買主に提供する。すなわち、提供装置１００は、「女性の洋服」の特徴を抽出する学習器Ｎ_Ｎを買主に提供する。

また、他の例では、提供装置１００は、生成した学習器Ｎ_Ｎを使用する使用権を買主に提供する。この場合、提供装置１００は、例えば、学習器Ｎ_Ｎに入力する入力データが買主から提供されると入力データに対する出力結果を買主に提供する。これにより、提供装置１００は、買主に対して出力結果のみを提供するので、ＤＮＮの構成を非公開にすることができる。このため、提供装置１００は、例えば、売主が学習器を構築する際に用いたデータ内容や特徴の判定手法、ＤＮＮを構成するニューロン間の結合係数の漏えいを防ぐことができる。

〔５−１１．その他〕
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図２に示した登録部１３１および受付部１３２は統合されてもよい。

〔５−１２．ハードウェア構成〕
また、上述してきた実施形態に係る提供装置１００は、例えば図１０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、提供装置１００を例に挙げて説明する。図１０は、提供装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、通信網５０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを通信網５０を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る提供装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５０を介してこれらのプログラムを取得してもよい。

〔６．効果〕
上述してきたように、実施形態に係る提供装置１００は、登録部１３１と、受付部１３２と、提供部１３３とを有する。登録部１３１は、入力データに対する演算結果を出力するノードが接続された学習器であって入力データから所定の種別に対応する特徴を抽出する学習器を登録する。受付部１３２は、特徴の種別の指定を受け付ける。提供部１３３は、登録部１３１によって登録された学習器に基づいて、受付部１３２によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、選択された学習器に基づいて生成された新たな学習器を提供するする。また、算定部１３４は、提供部１３３が選択した学習器を提供した売主に支払う対価を算定する。

これにより、実施形態に係る提供装置１００は、売主から提供されたＤＮＮのうち買主が所望するＤＮＮを買主に提供することができるので、買主がＤＮＮを容易に利用することができる。例えば、提供装置１００は、売主によって既に構築されたＤＮＮを買主に提供することができるので、買主が所望するＤＮＮを構築する手間を削減することができる。

また、変形例に係る提供装置１００において、提供部１３３は、受付部１３２によって受け付けられた種別に対応する特徴を抽出する学習器を、登録部１３１によって登録された複数の学習器から生成し、生成した学習器を提供する。

これにより、変形例に係る提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても買主が所望する学習器を提供することができるので、提供可能な学習器のバリエーションを増やすことができる。このため、提供装置１００は、例えば、買主の利便性が向上するので、学習器を利用する利用権限の契約数を増やすことができる。

また、変形例に係る提供装置１００において、提供部１３３は、登録部１３１によって登録された学習器のうち異なる種別に対応する特徴を抽出する複数の学習器を統合した学習器を提供する。

これにより、変形例に係る提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合することで買主が所望する学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、異なる種別に対応する特徴を抽出する複数の学習器のうち各層のノード数が同一の複数の学習器において、同じ位置関係にあるノードと他のノードとの間の結合係数を統合した学習器を提供する。

これにより、変形例に係る提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合して買主が所望する学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、異なる種別に対応する特徴を抽出する複数の学習器を直列に統合した学習器を提供する。

これにより、変形例に係る提供装置１００は、買主が所望する種別に対応する特徴を抽出する学習器自体が登録されていなくても、既に登録された学習器を統合して買主が所望する学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、統合した学習器における入力と出力との間の誤差をバックプロパゲーション法で補正した学習器を提供する。

これにより、変形例に係る提供装置１００は、入力と出力との間の誤差が小さく識別精度の高い学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、選択された学習器に新規ノードを追加することで受け付けられた種別の特徴を抽出する学習器を生成し、生成した学習器を提供する。

これにより、変形例に係る提供装置１００は、所定の特徴を抽出する学習器を生成することができるので、既に登録された学習器と買主が有する学習器とを活用して買主が所望する学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、選択された学習器に新規ノードを追加した場合の出力結果と正しい出力結果との間の誤差をバックプロパゲーション法による補正で解消した学習器を提供する。

これにより、変形例に係る提供装置１００は、出力結果の誤差が小さく識別精度の高い学習器を提供することができる。

また、変形例に係る提供装置１００において、提供部１３３は、学習器が登録される所定の記憶装置が有する記憶領域のうち、特徴の種別の指定を行った買主のみが接続可能な記憶領域内に、生成された学習器を格納し、学習器の提供を行う。

これにより、変形例に係る提供装置１００は、生成された学習器を買主専用のネットワーク領域で使用することができるので、セキュリティを確保することができる。例えば、買主は、学習器に入力する入力データとして自社の機密情報を用いる場合に、機密情報の漏えいを防ぐことができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

１０ 売主装置
５０ 買主装置
１００ 提供装置
１２１ 学習器情報記憶部
１３１ 登録部
１３２ 受付部
１３３ 提供部
１３４ 算定部

Claims (11)

1. 入力データに対する演算結果を出力するノードが接続された学習器であって前記入力データから所定の種別に対応する特徴を抽出する学習器を登録する登録部と、
   特徴の種別の指定を受け付ける受付部と、
   前記登録部によって登録された学習器に基づいて、前記受付部によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、当該選択された学習器に基づいて生成された新たな学習器を提供する提供部と、
   前記提供部が選択した学習器を提供した売主に支払う対価を算定する算定部と
   を備えたことを特徴とする提供装置。
2. 前記提供部は、
   前記受付部によって受け付けられた種別に対応する特徴を抽出する学習器を、前記登録部によって登録された複数の学習器から生成し、生成した学習器を提供する
   ことを特徴とする請求項１に記載の提供装置。
3. 前記提供部は、
   前記登録部によって登録された学習器のうち異なる種別に対応する特徴を抽出する複数の学習器を統合した学習器を提供する
   ことを特徴とする請求項１または２に記載の提供装置。
4. 前記提供部は、
   異なる種別に対応する特徴を抽出する複数の学習器のうち各層のノード数が同一の複数の学習器において、同じ位置関係にあるノードと他のノードとの間の結合係数を統合した学習器を提供する
   ことを特徴とする請求項３に記載の提供装置。
5. 前記提供部は、
   異なる種別に対応する特徴を抽出する複数の学習器を直列に統合した学習器を提供する
   ことを特徴とする請求項３に記載の提供装置。
6. 前記提供部は、
   統合した学習器における入力と出力との間の誤差をバックプロパゲーション法で補正した学習器を提供する
   ことを特徴とする請求項３〜５のいずれか１つに記載の提供装置。
7. 前記提供部は、
   前記選択された学習器に新規ノードを追加することで前記受け付けられた種別の特徴を抽出する学習器を生成し、生成した学習器を提供する
   ことを特徴とする請求項１〜６のいずれか１つに記載の提供装置。
8. 前記提供部は、
   前記選択された学習器に新規ノードを追加した場合の出力結果と正しい出力結果との間の誤差をバックプロパゲーション法による補正で解消した学習器を提供する
   ことを特徴とする請求項７に記載の提供装置。
9. 前記提供部は、
   学習器が登録される所定の記憶装置が有する記憶領域のうち、前記特徴の種別の指定を行った買主のみが接続可能な記憶領域内に、前記生成された学習器を格納し、当該学習器の提供を行う
   ことを特徴とする請求項７または８に記載の提供装置。
10. 提供装置が実行する提供方法であって、
    入力データに対する演算結果を出力するノードが接続された学習器であって前記入力データから所定の種別に対応する特徴を抽出する学習器を登録する登録工程と、
    特徴の種別の指定を受け付ける受付工程と、
    前記登録工程によって登録された学習器に基づいて、前記受付工程によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、当該選択された学習器に基づいて生成された新たな学習器を提供する提供工程と、
    前記提供工程が選択した学習器を提供した売主に支払う対価を算定する算定工程と
    を含んだことを特徴とする提供方法。
11. 入力データに対する演算結果を出力するノードが接続された学習器であって前記入力データから所定の種別に対応する特徴を抽出する学習器を登録する登録手順と、
    特徴の種別の指定を受け付ける受付手順と、
    前記登録手順によって登録された学習器に基づいて、前記受付手順によって受け付けられた特徴の種別に対応する特徴を抽出する学習器を選択し、当該選択された学習器に基づいて生成された新たな学習器を提供する提供手順と、
    前記提供手順が選択した学習器を提供した売主に支払う対価を算定する算定手順と
    をコンピュータに実行させることを特徴とする提供プログラム。

Images