JP7078307B1

JP7078307B1 - 学習モデルの個別化

Info

Publication number: JP7078307B1
Application number: JP2022004328A
Authority: JP
Inventors: 望窪田
Original assignee: Individual
Current assignee: Individual
Priority date: 2022-01-14
Filing date: 2022-01-14
Publication date: 2022-05-31
Anticipated expiration: 2042-01-14
Also published as: JP2023103675A; JP2023103928A

Abstract

【課題】既存の学習モデルを個別化する際に効率よく行う。
【解決手段】プロセッサを有する情報処理装置により実行される情報処理方法であって、プロセッサは、各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得すること、第１学習データに対して付与された第２正解データを取得すること、所定のデータセットに対応する学習モデルに第１学習データを入力して予測データを算出すること、第１正解データと第２正解データとの比較結果に応じて、学習モデルに設定された損失関数に用いられる第２正解データと予測データとの誤差に付与される重みを調整すること、損失関数の出力値を用いて誤差逆伝搬法により学習モデルの学習を行うこと、を実行する。
【選択図】図７

Description

本発明は、学習モデルを個別化するための情報処理方法、情報処理装置及びプログラムに関する。

複数ユーザ分の情報を基にした学習データを入力して一般的な学習モデルを生成し、ユーザ一人分の情報に基づいて、一般的な学習モデルをパーソナライズ化する技術が知られている（例えば特許文献１参照）。

特許６４３２８５９号公報

例えば、教師あり学習を行って学習された一般的な学習モデルに対して、ユーザが学習データに正解データを付与して個別化を図る場合、ユーザ個人の正解データが付与された学習データを用いて学習が行われる。

しかしながら、ユーザが付与する正解データと、予め付与されている正解データとの間に乖離があった場合、この学習データこそ個別化という観点において着目すべきであるが、特に何も処理がなされていないのが現状である。

そこで、本発明は、既存の正解データと新たに付与される正解データとの乖離に着目し、既存の学習モデルの個別化を効率よく行うことを可能にする情報処理方法、情報処理装置、及びプログラムを提供する。

本発明の一態様に係る情報処理方法は、プロセッサを有する情報処理装置により実行される情報処理方法であって、前記プロセッサは、各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得すること、前記第１学習データに対して付与された第２正解データを取得すること、前記所定のデータセットに対応する学習モデルに前記第１学習データを入力して予測データを算出すること、前記第１正解データと前記第２正解データとの比較結果に応じて、前記学習モデルに設定された損失関数に用いられる前記第２正解データと前記予測データとの誤差に付与される重みを調整すること、前記損失関数の出力値を用いて誤差逆伝搬法により前記学習モデルの学習を行うこと、を実行する。

本発明によれば、既存の学習モデルの個別化を効率よく行うことを可能にする。

実施形態に係るシステム構成の一例を示す図である。実施形態に係る情報処理装置の物理的構成の一例を示す図である。実施形態に係る情報処理装置の処理ブロックの一例を示す図である。実施形態に係るデータセットの一例を示す図である。実施形態に係るアノテーションの例を示す図である。実施形態に係るデータセット内のグループを選択する例を示す図である。実施形態に係る情報処理装置の処理例を示すシーケンス図である。

添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

＜システム構成＞
図１は、実施形態に係るシステム構成の一例を示す図である。図１に示す例では、サーバ１０と、各情報処理装置２０Ａ、２０Ｂ、２０Ｃ、２０Ｄとが、ネットワークを介してデータ送受信可能なように接続される。情報処理装置を個別に区別しない場合は情報処理装置２０とも表記する。

サーバ１０は、データを収集、分析可能な情報処理装置であり、１つ又は複数の情報処理装置から構成されてもよい。情報処理装置２０は、スマートフォン、パーソナルコンピュータ、タブレット端末、サーバ、コネクティッドカーなど、機械学習を実行可能な情報処理装置である。なお、情報処理装置２０は、脳波をセンシングする侵襲型又は非侵襲型の電極に直接的又は間接的に接続されており、脳波データを解析、送受信可能な装置でもよい。

図１に示すシステムでは、サーバ１０は、教師あり学習に用いられる１又は複数のデータセットと、複数のデータセットのうちの少なくとも１つのデータセットを用いて学習された学習済みの学習モデルとを有する。サーバ１０は、各情報処理装置２０からのリクエストに応じて、所定のデータセット及びこのデータセットを用いて学習された学習モデルの組、所定のデータセット、又は所定の学習モデルを、各情報処理装置２０に送信してもよい。また、サーバ１０は、各情報処理装置２０からのリクエストに応じて、学習済みの学習モデルを個別化するプログラムを送信したり、このプログラムを記録した非一時的な記録媒体を提供したりしてもよい。

各情報処理装置２０は、メモリに記憶された、又はサーバ１０から取得したプログラムを実行し、学習済みの所定の学習モデルの個別化を行う。各情報処理装置２０は、学習モデルの個別化を行う場合に、所定のデータセットに含まれる１又は複数の学習データに対して、ユーザのアノテーションを受け付ける。例えば、各情報処理装置２０は、学習データを画面等に出力し、正解データ（正解値又は正解ラベルとも呼ばれる）を受け付ける。

この場合、ユーザから正解データが付与された学習データに基づいて学習モデルの個別化が行われる。このとき、既存の正解データとユーザにより付与された正解データとの間に乖離がある学習データは、乖離がない学習データよりも、乖離がある学習データの特徴が学習により強く反映されるように、損失関数の誤差に設けられる重みが調整される。

これにより、既存の学習モデルに対して個別化が行われる場合、ユーザの特徴が表れる学習データの予測誤差に対して重みを与えることで、学習を効率よく行うことが可能になる。例えば、既存の正解データとユーザにより付与された正解データとの間に乖離がある学習データの予測誤差をより大きくして誤差逆伝搬法を行うことにより、このユーザの特徴を有する学習データの予測誤差が損失関数の出力値に反映される。そして、ユーザの特徴が反映された出力値に基づく誤差逆伝搬法を用いて学習が繰り返し行われるにつれて、このユーザの特徴を有する学習データの予測誤差がより小さくなるようにハイパーパラメータの調整が行われ、学習に対してユーザの特徴をより強く反映させることができる。以下、本実施形態の各装置の構成について説明する。

＜ハードウェア構成＞
図２は、実施形態に係る情報処理装置１０の物理的構成の一例を示す図である。情報処理装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。

本実施形態では、情報処理装置１０が一台のコンピュータで構成される場合について説明するが、情報処理装置１０は、複数のコンピュータ又は複数の演算部が組み合わされて実現されてもよい。また、図１で示す構成は一例であり、情報処理装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。

ＣＰＵ１０ａは、プロセッサの一例であり、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、例えば、所定の学習モデルを用いて学習を行うプログラム（学習プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂに格納したりする。

ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行するプログラム、各学習モデル、各学習モデルのパラメータに関するデータ、学習対象データの特徴量に関するデータなどを記憶してもよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。

ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば学習プログラムや、書き換えが行われないデータを記憶してよい。

通信部１０ｄは、情報処理装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークに接続されてよい。

入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。

表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆが演算結果を表示することは、ＸＡＩ（eXplainable AI：説明可能なＡＩ）に貢献し得る。表示部１０ｆは、例えば、学習結果や、学習に関連するデータを表示してもよい。

学習プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な非一時的な記録媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。情報処理装置１０では、ＣＰＵ１０ａが学習プログラムを実行することにより、後述する様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、情報処理装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。また、情報処理装置１０は、ＧＰＵ（Graphical Processing Unit）やＡＳＩＣ（Application Specific Integrated Circuit）を備えていてもよい。

なお、情報処理装置２０の構成は、図２に示す情報処理装置１０の構成と同様であるため、その説明を省略する。また、情報処理装置１０と情報処理装置２０とは、データ処理を行う基本的な構成であるＣＰＵ１０ａやＲＡＭ１０ｂ等を有していればよく、入力部１０ｅや表示部１０ｆは設けられなくてもよい。また、入力部１０ｅや表示部１０ｆは、外部からインターフェースを用いて接続されてもよい。

＜処理構成＞
図３は、実施形態に係る情報処理装置２０の処理ブロックの一例を示す図である。情報処理装置２０は、取得部２１、学習部２２、出力部２３、記憶部２４を備える。情報処理装置２０は、汎用のコンピュータや量子コンピュータなどで構成されてもよい。

取得部２１は、各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得する。例えば、取得部２１は、記憶部２４に記憶されているデータセット２４ａの少なくとも１つの第１学習データを取得する。第１学習データには第１正解データが対応付けられている。また、データセット２４ａは、サーバ１０から受信して記憶部２４に記憶されたデータセットでもよい。

データセット２４ａは、例えば、画像データ、系列データ及びテキストデータの少なくともいずれか１つを含む。ここで、画像データは、静止画のデータ、又は動画のデータを含む。系列データは、音声データや株価のデータなどを含む。

また、取得部２１は、第１学習データに対して付与された第２正解データを取得する。例えば、取得部２１は、第１学習データに対して、情報処理装置２０を利用するユーザによりアノテーションされた正解データを取得する。取得部２１は、ユーザの操作により正解データを受け付ける受付部としての機能を有してもよい。

学習部２２は、例えば教師あり学習を行い、所定の問題に対して教師あり学習が行われた所定の学習モデル２２ａ、算出部２２ｂ、調整部２２ｃを有する。なお、学習モデル２２ａは、サーバ１０から受信した学習モデルや、学習データを用いた学習が行われていない未学習の学習モデルなどでもよい。

所定の学習モデル２２ａは、例えば、予測モデルであり、画像認識モデル、系列データ解析モデル、ロボットの制御モデル、強化学習モデル、音声認識モデル、音声生成モデル、画像生成モデル、自然言語処理モデル等の少なくとも１つを含む。また、所定の学習モデル２２ａの具体例としては、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＤＮＮ（Deep Neural Network）、ＬＳＴＭ（Long Short-Term Memory）、双方向ＬＳＴＭ、ＤＱＮ（Deep Q-Network）、ＶＡＥ（Variational AutoEncoder）、ＧＡＮｓ（Generative Adversarial Networks）、ｆｌｏｗ－ｂａｓｅｄ生成モデル等のいずれかでもよい。

また、学習モデル２２ａは、学習済みモデルを枝刈り（Pruning）、量子化（Quantization）、蒸留（Distillation）又は転移（Transfer）して得られるモデルを含む。なお、これらは一例に過ぎず、学習部２２は、これら以外の問題について、学習モデルの機械学習を行ってもよい。学習部２２は、学習するデータセットの特徴に応じて学習モデル２２ａを選択し、この学習モデルを用いて教師あり学習を行ってもよい。また、学習部２２において使用される損失関数は、学習モデル２２ａの出力と正解データとに関する２乗誤差関数であったり、クロスエントロピー関数であったりしてよい。学習部２２は、損失関数の値が小さくなるように、所定の条件が満たされるまで誤差逆伝搬法を用いてハイパーパラメータを調整しながら学習を繰り返す。

算出部２２ｂは、所定のデータセットに対応する学習モデル２２ａに第１学習データを入力して予測データを算出する。例えば、算出部２２ｂは、回帰問題を解く学習モデル２２ａの場合、予測データとしての予測値を算出する。また、算出部２２ｂは、分類問題を解く学習モデル２２ａの場合、予測データとしての分類値を算出する。

調整部２２ｃは、学習データに予め設定された第１正解データとユーザにより付与された第２正解データとの比較結果に応じて、学習モデル２２ａに設定された損失関数に用いられる第２正解データと予測データとの誤差に付与される重みを調整する。例えば、調整部２２ｃは、第１正解データと第２正解データとが異なる場合、この第２正解データが付与された学習データの予測誤差がより強く学習に反映されるように、この誤差に付与される重みを大きくする。

学習部２２は、損失関数の出力値を用いて誤差逆伝搬法により学習モデル２２ａの学習を行う。例えば、学習部２２は、第１正解データと第２正解データとが異なる学習データに対する誤差が大きくなるように調整された損失関数の出力値を用いて、誤差逆伝搬法を行ってハイパーパラメータの調整を行う。すなわち、ユーザの特徴を有する学習データの予測誤差が大きくなるように調整された出力値に基づいて、損失関数の出力値が小さくなるようにハイパーパラメータが調整されるため、ユーザの特徴をより強く学習に反映させる。

以上の処理により、既存の学習モデルの個別化を効率よく行うことができる。例えば、ユーザのアノテーションが少ない場合でも、そのユーザの特徴を表す学習データの予測誤差に対する重みを大きくすることにより、学習モデルの個別化を効率よく行うことができる。また、ユーザのアノテーション結果を提供したくないユーザにとっては、アノテーション結果を提供せずに、個別化された学習モデルを提供することなども可能になる。

出力部２３は、学習結果に関する情報を出力する。例えば、出力部２３は、学習済みの学習モデルに関する情報や、学習精度に関する情報をサーバ１０に出力してもよい。

また、調整部２２ｃは、２回目以降の繰り返しの学習の際に、第１正解データと第２正解データとが異なる学習データの予測データが、第２正解データと一致するようになれば、それ以降重みを調整しなくてもよい。これは、その時点の学習モデルがユーザの特徴を反映していることにより、予測データが第２正解データと一致するようになったため、この学習データの予測誤差を調整する必要がなくなったからである。

例えば、２回目以降の繰り返しの学習の際に、第１正解データと第２正解データとが異なる学習データが学習モデルに入力される。調整部２２ｃは、この学習モデルにより算出された予測データと第２正解データとの誤差が所定値以内であれば、予測データが第２正解データに一致又は類似すると判断し、この学習データに対する重みの調整を停止する。これにより、必要以上に予測誤差を大きくすることを防ぐことができ、適切な学習を繰り返し行うことができるようになる。

また、調整部２２ｃは、第１正解データと第２正解データとの比較結果が、第１正解データと第２正解データとが異なることを示す場合に、損失関数に用いられる重みを所定値より大きくすることを含んでもよい。例えば、調整部２２ｃは、損失関数として、２乗誤差関数を用いる場合、以下の数式（１）の重みｗｎを調整する。

この場合、調整部２２ｃは、デフォルト値として１が設定された重みｗｎに対して、ｓ番目の学習データの第１正解データと第２正解データとが異なることを示す場合に、ｗｓを１より大きい値に設定する。これにより、既存の正解データと異なる正解データが付与された学習データに対する誤差をより大きくすることで、この学習データの特徴をより強く学習モデルに反映させることができる。

また、調整部２２ｃは、学習部２２が解く所定の問題の種類に応じて、損失関数を選択してもよい。例えば、調整部２２ｃは、回帰問題の場合には上記の数式（１）の損失関数、二値分類問題の場合には下記の数式（２）の損失関数、多値分類問題の場合には下記の数式（３）の損失関数を選択する。なお、記載した損失関数は一例であって、これに限られるものではない。

また、調整部２２ｃは、第１正解データと第２正解データとの誤差が大きいほど、損失関数に用いられる重みｗｎを大きくすることを含んでもよい。例えば、調整部２２ｃは、誤差値の絶対値に基づいて重みｗｎを設定することで、誤差値の大きさを重みｗｎに反映してもよい。

これにより、ユーザが付与した正解データが既存の正解データと大きく異なるほど、その学習データはユーザの特徴を有するため、この学習データに対する誤差をより大きくすることができる。その結果、損失関数の出力値が大きくなり、誤差逆伝搬法によるハイパーパラメータの調整の際に、この学習データが有するユーザの特徴をより強く学習モデルに反映させることができる。

また、取得部２１は、所定のデータセットのうち、所定数の第１学習データを取得することを含んでもよい。この場合、取得部２１は、各第１学習データに対して、正解データの選択肢の中から所定のユーザにより選択された各第２正解データを取得することを含んでもよい。例えば、取得部２１は、順に画面に表示される学習データに対して、ユーザによるアノテーション結果（第２正解データ）を受け付けて取得してもよい。

また、算出部２２ｂは、第１学習データごとに、予測データ及び誤差を算出し、調整部２２ｃは、第１正解データと第２正解データとの比較結果を反映した重みを誤差に乗算して、損失関数の出力値を算出する。

これにより、所定数の学習データに対してユーザがアノテーションを順に行うことで、アノテーション結果によるユーザの特徴をより強く反映しながら既存の学習モデルを個別化することが可能になる。

また、取得部２１は、所定のデータセットを他の情報処理装置（例えばサーバ１０）から取得してもよい。また、出力部２３は、所定のユーザのユーザ識別情報と所定のユーザが付与した第２正解データとが第１学習データに対応付けられて更新された所定のデータセットを、他の情報処理装置に出力する。所定のデータセットの取得元と、更新後の所定のデータセットの出力先とは、必ずしも同じである必要はなく、異なる情報処理装置であってもよい。

これにより、サーバ１０は、各ユーザにアノテーションを行わせ、ユーザごとのアノテーション結果を対応付けたデータセットを生成することができる。また、サーバ１０は、ユーザを指定することで、そのユーザに応じた学習モデルの生成を可能にすることができる。

また、取得部２１は、他の情報処理装置（例えばサーバ１０）から取得された所定のデータセットに含まれる第１学習データを取得することを含んでもよい。この場合、取得部２１は、所定のユーザ識別情報（ユーザＩＤ）が特定され、所定のユーザ識別情報に対応する第２正解データを取得することを含んでもよい。例えば、取得部２１は、学習データに、各ユーザＩＤの各正解データが対応付けられたデータセットを、サーバ１０から取得してもよい。

これにより、情報処理装置２０は、目的や用途に応じてユーザＩＤを選択し、選択されたユーザＩＤに対応する正解データを用いて、既存の学習モデルの個別化を図ることが可能になる。

なお、情報処理装置２０が有する各処理部は、サーバ１０に設けられてもよい。例えば、各情報処理装置２０を利用する各ユーザにアノテーションを行わせ、学習モデルの個別化はサーバ１０の学習部で実行してもよい。

＜データ例＞
図４は、実施形態に係るデータセットの一例を示す図である。図４に示す例では、予め正解データが付与されている学習データに対して、所定のユーザが正解データを追加で付与することができるデータセットを表す。

図４に示す例では、データセットは、各第１学習データを有し、それぞれの第１学習データに、予め設定された第１正解データ、ユーザ識別情報が示すユーザが付与した第２正解データが対応付けられる。例えば、ユーザ識別情報が異なれば、異なるユーザが付与した第２正解データであることを示す。

図４に示すデータセットは一例であり、特定のユーザのみから正解データが付与されるのであれば、ユーザ識別情報が含まれないデータセットであってもよい。また、データセットに含まれる学習データのカテゴリ（画像、系列データなど）を示す情報がデータセットに含まれてもよい。

＜ユーザインタフェースの例＞
図５は、実施形態に係るアノテーションの例を示す図である。図５に示す例では、データセットに含まれる学習データは音楽データであり、正解データは音楽に対するユーザの感じ方とする。

図５に示す例では、画面に各音楽のタイトルが表示され、タイトル部分を操作すると音楽を聴くことができる。例えば、ユーザは、「音楽Ａ」に対して「落ち着く」を選択したことを示し、「音楽Ｂ」に対して「気分高揚」を選択したことを示す。ここで、「設定」がユーザにより操作されると、各音楽データに対して選択された選択肢が各正解データ（第２正解データ）として記憶される。

ユーザにより上述したようなアノテーションが完了すると、学習部２２により学習が行われるが、アノテーションに用いられた学習データを用いて学習モデルの個別化が行われる。このとき、調整部２２ｃは、既に付与されている正解データ（第１正解データ）と、図５に示す例などのようにして付与された正解データ（第２正解データ）とが異なる場合、その音楽データの特徴をより強く学習に反映させるために、損失関数に関する重みを調整する。

例えば、図５に示す例の場合、音楽Ａと音楽Ｃとに付与された第２正解データが、既に付与されている第１正解データと異なる場合、音楽Ａの予測データと第２正解データとの誤差、及び音楽Ｃの予測データと第２正解データとの誤差の重みを大きくすることで、音楽Ａと音楽Ｂの特徴が学習モデルにより強く反映されるようにする。

図６は、実施形態に係るデータセット内のグループを選択する例を示す図である。図６に示す例では、データセットに含まれる学習データのうち、各年代によってグループが分けられており、年代ごとに第２正解データが付与されている。図６に示すデータセットの場合、図４に示すデータセットのユーザ識別情報にはグループＩＤが含まれる。図６に示す例は、データセットＡに対してカテゴリ「１０代」が選択されている。

１０代のユーザが付与した正解データを有する学習データを用いて１０代用の学習モデルが生成される際に、１０代の第２正解データが、一般的な正解である第１正解データと異なる場合に、その学習データの特徴が個別化の学習の際に強く反映されるようにする。

＜処理例＞
図７は、実施形態に係る情報処理装置２０の処理例を示すシーケンス図である。ステップＳ１０２において、取得部２１は、各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得する。

ステップＳ１０４において、取得部２１は、第１学習データに対して付与された第２正解データを取得する。

ステップＳ１０６において、算出部２２ｂは、所定のデータセットに対応する学習モデル２２ａに第１学習データを入力して予測データを算出する。

ステップＳ１０８において、調整部２２ｃは、学習データに予め設定された第１正解データとユーザにより付与された第２正解データとの比較結果に応じて、学習モデル２２ａに設定された損失関数に用いられる第２正解データと予測データとの誤差に付与される重みを調整する。

ステップＳ１１０において、学習部２２は、損失関数の出力値を用いて誤差逆伝搬法により学習モデル２２ａの学習を行う。

以上の処理により、既存の学習モデルの個別化を効率よく行うことができる。例えば、ユーザのアノテーションが少ない場合でも、そのユーザの特徴を表す学習データの予測誤差に対する重みを大きくすることにより、学習モデルの個別化を効率よく行うことができる。

以上、実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

上記実施形態では、情報処理装置２０の学習部２２は、他の装置に実装されてもよく、この場合、情報処理装置２０は、学習モデルの個別化を他の装置に指示してもよい。

１０、２０…情報処理装置、１０ａ…ＣＰＵ、１０ｂ…ＲＡＭ、１０ｃ…ＲＯＭ、１０ｄ…通信部、１０ｅ…入力部、１０ｆ…表示部、２１…取得部、２２…学習部、２２ａ…学習モデル、２２ｂ…算出部、２２ｃ…調整部、２３…出力部、２４…記憶部

Claims

プロセッサを有する情報処理装置により実行される情報処理方法であって、
前記プロセッサは、
各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得すること、
前記第１学習データに対して付与された第２正解データを取得すること、
前記所定のデータセットに対応する学習モデルに前記第１学習データを入力して予測データを算出すること、
前記第１正解データと前記第２正解データとの比較結果に応じて、前記学習モデルに設定された損失関数に用いられる前記第２正解データと前記予測データとの誤差に付与される重みを調整すること、
前記損失関数の出力値を用いて誤差逆伝搬法により前記学習モデルの学習を行うこと、を実行する情報処理方法。
前記調整することは、
前記比較結果が、前記第１正解データと前記第２正解データとが異なることを示す場合に、前記重みを所定値より大きくすることを含む、請求項１に記載の情報処理方法。
前記調整することは、
前記誤差が大きいほど、前記重みを大きくすることを含む、請求項１又は２に記載の情報処理方法。
前記第１学習データを取得することは、
前記所定のデータセットのうち、所定数の第１学習データを取得することを含み、
前記第２正解データを取得することは、
各第１学習データに対して、正解データの選択肢の中から所定のユーザにより選択された各第２正解データを取得することを含み、
前記第１学習データごとに、前記予測データ及び前記誤差が算出される、請求項１から３のいずれか一項に記載の情報処理方法。
前記プロセッサは、
前記所定のデータセットを他の情報処理装置から取得すること、
所定のユーザのユーザ識別情報と前記所定のユーザが付与した前記第２正解データとが前記第１学習データに対応付けられて更新された所定のデータセットを、前記他の情報処理装置に出力することを実行する、請求項１から４のいずれか一項に記載の情報処理方法。
前記第１学習データを取得することは、
前記他の情報処理装置から取得された所定のデータセットに含まれる第１学習データを取得することを含み、
前記第２正解データを取得することは、
所定のユーザ識別情報が特定され、当該所定のユーザ識別情報に対応する第２正解データを取得することを含む、請求項５に記載の情報処理方法。
前記学習が２回目以降の繰り返しである場合、前記重みを調整することは、
前記第１正解データと前記第２正解データとが異なる第１学習データが前記学習モデルに入力され、当該学習モデルを用いて算出された予測データと、前記第２正解データとの誤差が所定値以内の場合、前記重みの調整を停止することを含む、請求項１から６のいずれか一項に記載の情報処理方法。
プロセッサを有する情報処理装置であって、
前記プロセッサは、
各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得すること、
前記第１学習データに対して付与された第２正解データを取得すること、
前記所定のデータセットに対応する学習モデルに前記第１学習データを入力して予測データを算出すること、
前記第１正解データと前記第２正解データとの比較結果に応じて、前記学習モデルに設定された損失関数に用いられる前記第２正解データと前記予測データとの誤差に付与される重みを調整すること、
前記損失関数の出力値を用いて誤差逆伝搬法により前記学習モデルの学習を行うこと、を実行する情報処理装置。
情報処理装置に備えられるプロセッサに、
各正解データに対応付けられた各学習データを含む所定のデータセットのうち、第１正解データに対応付けられた第１学習データを取得すること、
前記第１学習データに対して付与された第２正解データを取得すること、
前記所定のデータセットに対応する学習モデルに前記第１学習データを入力して予測データを算出すること、
前記第１正解データと前記第２正解データとの比較結果に応じて、前記学習モデルに設定された損失関数に用いられる前記第２正解データと前記予測データとの誤差に付与される重みを調整すること、
前記損失関数の出力値を用いて誤差逆伝搬法により前記学習モデルの学習を行うこと、を実行させるプログラム。