JP7300803B2 - データの層状確率的匿名化 - Google Patents

Description

本開示は、機械学習に関し、より具体的には、機械学習ネットワークと関連付けられたデータを匿名化することに関する。

以下は、本発明の１つ又は複数の実施形態の基本的理解を与えるための概要を提示する。この概要は、重要なもしくは重大な要素を特定すること、又は特定の実施形態のあらゆる範囲もしくはあらゆる特許請求の範囲を正確に説明することを意図するものではない。この概要の唯一の目的は、後述する詳細な説明の前置きとして本発明の概念を簡易的な形態で示すことである。本明細書に説明される１つ又は複数の実施形態において、データの層状確率的匿名化（layered stochastic anonymization of data）を容易にするデバイス、システム、コンピュータ実施方法、装置、もしくはコンピュータ・プログラム製品又はその組み合わせが説明される。

実施形態によると、システムは、機械学習コンポーネントと、評価コンポーネントとを含むことができる。機械学習コンポーネントは、１つ又は複数の特徴と関連付けられた第１のデータについて機械学習プロセスを実行し、第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成することができる。第１のデータ及び第２のデータは、対応するデータ形式を含むことができる。評価コンポーネントは、１つ又は複数の特徴からの特定の特徴について第２のデータを評価し、第２のデータについての信頼スコアを示す第３のデータを生成することができる。

別の実施形態によると、コンピュータ実施方法が提供される。コンピュータ実施方法は、プロセッサに動作可能に結合されたシステムにより、暗号化された通信チャネル（encrypted communication channel）を介して、１つ又は複数の特徴と関連付けられた第１のデータを受け取ることを含むことができる。コンピュータ実施方法は、システムにより、第１のデータについて、生成モデルと関連付けられた第１の機械学習プロセスを実行し、第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成することを含むこともできる。さらに、コンピュータ実施方法は、システムにより、第２のデータについて、分類器モデルと関連付けられた第２の機械学習プロセスを実行し、第２のデータについての信頼スコアを示す第３のデータを生成することを含むことができる。

更に別の実施形態によると、データの匿名化を容易にするコンピュータ・プログラム製品が、具体化されたプログラム命令を有するコンピュータ可読ストレージ媒体を含むことができる。プログラム命令は、プロセッサにより実行可能であり、プロセッサに、プロセッサにより、１つ又は複数の特徴と関連付けられた第１のデータについて、機械学習プロセスを実行し、第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成させることができる。プログラム命令はまた、プロセッサに、プロセッサにより、１つ又は複数の特徴からの特定の特徴について第２のデータを評価させることもできる。さらに、プログラム命令は、プロセッサに、プロセッサにより、第２のデータについての信頼スコアを示す第３のデータを生成させることができる。

本明細書で説明される１つ又は複数の実施形態による、データ匿名化コンポーネントを含む例示的かつ非限定的なシステムのブロック図を示す。 本明細書で説明される１つ又は複数の実施形態による、データ匿名化コンポーネントを含む別の例示的かつ非限定的なシステムのブロック図を示す。 本明細書で説明される１つ又は複数の実施形態による、データ匿名化コンポーネントを含む更に別の例示的かつ非限定的なシステムのブロック図を示す。 本明細書で説明される１つ又は複数の実施形態による、ユーザ・デバイス及び人工知能プラットフォーム・システムを含む例示的かつ非限定的なシステムを示す。 本明細書で説明される１つ又は複数の実施形態による、変分オートエンコーダを含む例示的かつ非限定的なシステムを示す。 本明細書で説明される１つ又は複数の実施形態による、畳み込みニューラル・ネットワークを含む例示的かつ非限定的なシステムを示す。 本明細書で説明される１つ又は複数の実施形態による、匿名化ネゴシエーション・プロセス及び変分オートエンコーダを含む例示的かつ非限定的なシステムを示す。 本明細書で説明される１つ又は複数の実施形態による、データ匿名化と関連付けられた例示的かつ非限定的なユーザ・インターフェースを示す。 本明細書で説明される１つ又は複数の実施形態による、データ匿名化を容易にするための例示的かつ非限定的なコンピュータ実施方法のフロー図を示す。 本明細書で説明される１つ又は複数の実施形態を容易にすることができる例示的かつ非限定的な動作環境のブロック図を示す。 本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なクラウド・コンピューティング環境のブロック図を示す。 本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的な抽象化モデル層のブロック図を示す。

以下の詳細な説明は例証に過ぎず、実施形態及び／又は実施形態の用途もしくは使用を制限することを意図するものではない。さらに、前述の概要セクション又は詳細な説明セクション内に提示されたいずれの明示的情報又は暗黙的（implied）情報にも制約されることを意図しない。

ここで、図面を参照して、１つ又は複数の実施形態を説明し、図面においては、全体を通して同様の要素を指すために同様の参照番号を用いる。以下の説明において、説明のために、１つ又は複数の実施形態のより完全な理解を与えるために、多数の特定の詳細が説明される。しかしながら、種々の場合において、１つ又は複数の実施形態を、これらの特定の詳細なしに実施できることが明らかである。

本開示は、クラウド・コンピューティングについての詳細な説明を含むが、本明細書に述べられる教示の実装は、クラウド・コンピューティング環境に限定されないことを理解されたい。むしろ、本発明の実施形態は、現在知られている又は後に開発される他のあらゆるタイプのコンピューティング環境と共に実装することが可能である。

クラウド・コンピューティングは、最小限の管理労力又はサービス・プロバイダとの対話で迅速にプロビジョニング及び解放することができる構成可能なコンピューティング・リソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、及びサービス）の共有プールへの、便利なオンデマンドのネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは、少なくとも５つの特徴、少なくとも３つのサービス・モデル、及び少なくとも４つのデプロイメント・モデルを含むことができる。

特徴は、以下の通りである。

オンデマンド・セルフサービス：クラウド・コンシューマは、必要に応じて、サーバ時間及びネットワーク・ストレージ等のコンピューティング機能を、人間がサービスのプロバイダと対話する必要なく自動的に、一方的にプロビジョニングすることができる。

広範なネットワーク・アクセス：機能は、ネットワーク上で利用可能であり、異種のシン又はシック・クライアント・プラットフォーム（例えば、携帯電話、ラップトップ、及びＰＤＡ）による使用を促進する標準的な機構を通じてアクセスされる。

リソースのプール化：プロバイダのコンピューティング・リソースは、マルチ・テナント・モデルを用いて、異なる物理及び仮想リソースを要求に応じて動的に割り当て及び再割り当てすることにより、複数のコンシューマにサービスを提供するためにプールされる。コンシューマは、一般に、提供されるリソースの正確な位置についての制御又は知識を持たないという点で位置とは独立しているといえるが、より抽象化レベルの高い位置（例えば、国、州、又はデータセンタ）を特定できる場合がある。

迅速な弾力性：機能は、迅速かつ弾力的に、幾つかの場合自動的に、プロビジョニングして素早くスケール・アウトし、迅速にリリースして素早くスケール・インさせることができる。コンシューマにとって、プロビジョニングに利用可能なこれらの機能は、多くの場合、無制限であり、いつでもどんな量でも購入できるように見える。

サービスの測定：クラウド・システムは、サービスのタイプ（例えば、ストレージ、処理、帯域幅、及びアクティブなユーザ・アカウント）に適した何らかの抽象化レベルでの計量機能を用いることによって、リソースの使用を自動的に制御及び最適化する。リソース使用を監視し、制御し、報告し、利用されるサービスのプロバイダとコンシューマの両方に対して透明性をもたらすことができる。

サービス・モデルは以下の通りである。

Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）：クラウド・インフラストラクチャ上で動作しているプロバイダのアプリケーションを使用するために、コンシューマに提供される機能である。これらのアプリケーションは、ウェブ・ブラウザ（例えば、ウェブ・ベースの電子メール）などのシン・クライアント・インターフェースを通じて、種々のクライアント・デバイスからアクセス可能である。コンシューマは、限定されたユーザ固有のアプリケーション構成設定の考え得る例外として、ネットワーク、サーバ、オペレーティング・システム、ストレージ、又は個々のアプリケーション機能をも含めて、基礎をなすクラウド・インフラストラクチャを管理又は制御しない。

Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ（ＰａａＳ）：プロバイダによってサポートされるプログラミング言語及びツールを用いて生成された、コンシューマが生成した又は取得したアプリケーションを、クラウド・インフラストラクチャ上にデプロイするために、コンシューマに提供される機能である。コンシューマは、ネットワーク、サーバ、オペレーティング・システム、又はストレージなどの基礎をなすクラウド・インフラストラクチャを管理又は制御しないが、デプロイされたアプリケーション、及び場合によってはアプリケーション・ホスティング環境構成に対して制御を有する。

Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＩａａＳ）：コンシューマが、オペレーティング・システム及びアプリケーションを含み得る任意のソフトウェアをデプロイ及び動作させることができる、処理、ストレージ、ネットワーク、及び他の基本的なコンピューティング・リソースをプロビジョニンングするために、コンシューマに提供される機能である。コンシューマは、基礎をなすクラウド・インフラストラクチャを管理又は制御しないが、オペレーティング・システム、ストレージ、デプロイされたアプリケーションに対する制御、及び場合によってはネットワーク・コンポーネント（例えば、ホストのファイアウォール）選択の限定された制御を有する。

デプロイメント・モデルは以下の通りである。

プライベート・クラウド：クラウド・インフラストラクチャは、ある組織のためだけに運営される。このクラウド・インフラストラクチャは、その組織又は第三者によって管理することができ、構内又は構外に存在することができる。

コミュニティ・クラウド：クラウド・インフラストラクチャは、幾つかの組織によって共有され、共通の関心事項（例えば、任務、セキュリティ要件、ポリシー、及びコンプライアンス上の考慮事項）を有する特定のコミュニティをサポートする。クラウド・インフラストラクチャは、その組織又は第三者によって管理することができ、オンプレミス又はオフプレミスに存在することができる。

パブリック・クラウド：クラウド・インフラストラクチャは、一般公衆又は大規模な業界グループに利用可能であり、クラウド・サービスを販売する組織によって所有される。

ハイブリッド・クラウド：クラウド・インフラストラクチャは、固有のエンティティのままであるが、データ及びアプリケーションの移行性を可能にする標準化された又は専用の技術（例えば、クラウド間の負荷分散のためのクラウド・バースティング）によって結び付けられる２つ又はそれより多いクラウド（プライベート、コミュニティ、又はパブリック）の混成物である。

クラウド・コンピューティング環境は、ステートレス性、低結合性、モジュール性、及びセマンティック相互運用性に焦点を置くことを指向するサービスである。クラウド・コンピューティングの中心は、相互接続されたノードのネットワークを含むインフラストラクチャである。

多くの場合、デジタル・データは、コンピューティング・デバイス、もしくはユーザ識別又はその両方と関連付けられる。例えば、医用画像は、患者もしくは医用画像を生成する医療機器又はその両方と関連付けることができ、音声データは、ユーザもしくは音声データを生成するコンピューティング・デバイス又はその両方などと関連付けることができる。さらに、デジタル・データは、多くの場合、種々の技術的目的のために分析される。しかしながら、一般に、デジタル・データの匿名化解除（de-anonymization）なしに、デジタル・データを分析するのは困難である。

本明細書で説明される実施形態は、データの匿名化を容易にするシステム、コンピュータ実施方法、及びコンピュータ・プログラム製品を含む。例えば、データの層状確率的匿名化を用いて、改善されたセキュリティもしくはデジタル・データの品質又はその両方を提供することができる。１つの態様において、データの生成モデル（generative model）（例えば、デジタル・データの生成モデル）を用いて、データの匿名化を容易にすることができる。生成モデルへの入力として提供できる識別データに基づいて、生成モデルを検索することができる。識別データは、ユーザ識別と関連付けられたデータとすることができる。さらに、データの元のバージョンではなく、生成モデルにより生成された出力を提供することができる。１つの実施形態において、ユーザは、暗号化通信チャネルを介して、ユーザ識別と関連付けられたデータをサブミットすることができる。ユーザ識別と関連付けられたデータに基づいて、生成モデルを生成することができる。生成モデルは、ユーザ識別と関連付けられたデータにより特定されるタイプの例を生成するように訓練することができる。付加的に、統計的制約のセットを生成モデルに適用し、ユーザ識別と関連付けられたデータとの類似性の勾配に沿って、例のセットを生成することができる。さらに、特定の特徴の存在又は可能性について、例のセットを評価することができる。評価の質についての信頼推定値（confidence estimate）（例えば、特定の特徴の存在又は可能性の評価）を求めることもできる。特定の実施形態において、ユーザと信頼推定値と関連付けられたスコアリング・プロトコルとの間のネゴシエーション・プロセスを提供し、信頼推定値を観察することに応答して、ユーザが、データと関連付けられた増加した量の識別情報を解放するのを可能にすることができる。従って、データの匿名化を改善することができる。例えば、データを匿名化すると同時に、例えば匿名化されたデータの分析を行うこともできる。従って、データのセキュリティもしくは質又はその両方を与えることもできる。さらに、機械学習プロセスにより生成されたデータの精度の改善、機械学習プロセスにより生成されたデータの質の改善、機械学習プロセスにより生成されたデータの速度の改善、及び／又は機械学習プロセスを用いてデータを分析するためのコストの削減が可能である。機械学習プロセスにより生成された機械学習モデルの精度もしくは効率又はその両方をもたらすこともできる。

図１は、本明細書で説明される１つ又は複数の実施形態による、データの匿名化を容易にする例示的かつ非限定的なシステム１００のブロック図を示す。例えば、システム１００は、データの層状確率的匿名化を容易にすることができる。種々の実施形態において、システム１００は、これらに限定されるものではないが、機械学習技術、人工知能技術、バッチ学習技術、コンピュータ技術、サーバ技術、情報技術、デジタル技術、データ分析技術、データ分類技術、データ・クラスタリング技術、医用イメージング技術、医療機器技術、フィルタリング技術、推薦システム技術、信号処理技術、画像処理技術、ビデオ処理技術、音声処理技術、もしくは他のデジタル技術、又はその組み合わせなどの技術と関連付けられた機械学習システムとすることができる。システム１００は、ハードウェアもしくはソフトウェア又はその両方を用いて、事実上非常に専門的であり、抽象的ではなく、人間による精神的な行為のセットとして実行できない問題を解決することができる。さらに、データ匿名化もしくは機械学習又はその両方に関連した定義されたタスクを実行するために、１つ又は複数の専用コンピュータ（例えば、１つ又は複数の専用処理ユニット、データ匿名化コンポーネントを有する専用コンピュータ等）によって、実行されるプロセスの一部を実行することができる。システム１００もしくはシステムのコンポーネント又はその両方を用いて、上述した技術の進歩、機械学習の利用、及び／又はコンピュータ・アーキテクチャの利用等によって生じる新しい問題を解決することができる。システム１００の１つ又は複数の実施形態は、機械学習システム、人工知能システム、バッチ学習システム、コンピュータ・システム、サーバ・システム、情報システム、デジタル・システム、データ分析システム、データ分類システム、データ・クラスタリング・システム、医用イメージング・システム、医療機器システム、フィルタリング・システム、推薦システム、信号処理システム、画像処理システム、ビデオ処理システム、音声処理システム、もしくは他のシステム又はその組み合わせの技術的改善をもたらし得る。システム１００の１つ又は複数の実施形態は、処理ユニットの処理性能の改善、処理ユニットの処理効率の改善、及び／又は処理ユニットが機械学習プロセスを実行する時間の短縮によって、機械学習プロセスと関連付けられた処理ユニット（例えば、プロセッサ）の技術的改善をもたらすこともできる。

図１に示される実施形態において、システム１００は、データ匿名化コンポーネント１０２を含むことができる。図１に示されるように、データ匿名化コンポーネント１０２は、機械学習コンポーネント１０４と、評価コンポーネント１０６とを含むことができる。データ匿名化コンポーネント１０２の態様は、例えば、１つ又は複数の機械と関連付けられた１つ又は複数のコンピュータ可読媒体（単数又は複数）内に具体化されるなど、機械内に具体化された機械実行可能コンポーネントを構成することができる。そうしたコンポーネントは、例えば、コンピュータ、コンピューティング・デバイス、仮想機械等などの１つ又は複数の機械により実行されるとき、該機械に、説明される動作を実行させることができる。１つの態様において、データ匿名化コンポーネント１０２は、コンピュータ実行可能コンポーネント及び命令を格納するメモリ１０８を含むこともできる。さらに、データ匿名化コンポーネント１０２は、データ匿名化コンポーネント１０２による命令（例えば、コンピュータ可読コンポーネント及び対応する命令）の実行を容易にするプロセッサ１１０を含むことができる。図示のように、１つ又は複数の実施形態において、機械学習コンポーネント１０４、評価コンポーネント１０６、メモリ１０８、もしくはプロセッサ１１０又はその組み合わせは、互いに電気的に及び／又は通信可能に結合することができる。

データ匿名化コンポーネント１０２（例えば、データ匿名化コンポーネント１０２の機械学習コンポーネント１０４）は、データ１１２を受け取ることができる。データ１１２は、１つ又は複数のデバイスにより生成され得る。付加的に又は代替的に、データ１１２は、１つ又は複数のデバイスと関連付けられたデータ１１２を受け取る及び／又は格納する１つ又は複数のデータベース内に格納することができる。１つの態様において、データ１１２は、デジタル・データとすることができる。さらに、データ１１２は、これらに限定されるものではないが、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせといった、１つ又は複数のタイプのデータを含むことができる。データ１１２は、エンコードされたデータ、処理データ、もしくは未加工データ又はその両方とすることもできる。１つの態様において、データ１１２を１つ又は複数の特徴、もしくは１つ又は複数の特性又はその両方と関連付けることができる。さらに、データ１１２をユーザ識別と関連付けることができる。例えば、データ１１２は、ユーザの１つ又は複数の特徴、もしくは１つ又は複数の特性又はその両方を識別することができる識別データとすることができる。非限定的な実施形態において、データ１１２は、１つ又は複数の医療機器により生成された２次元の医療データ、もしくは３次元の医療データ又はその両方とすることができる。一例において、データ１１２は、センサのセット（例えば、医療機器と関連付けられたセンサのセット）を介してキャプチャされた電磁放射画像とすることができる。特定の実施形態において、センサ１１２は、ある期間中、センサのセット（例えば、医療機器と関連付けられたセンサのセット）を介してキャプチャされた一連の電磁放射画像とすることができる。医療機器は、例えば、ｘ線装置、医用共鳴イメージング・デバイス、コンピュータ断層撮影（ＣＴ）デバイス、別のタイプの医療機器等とすることができる。一例において、データ１１２は、患者と関連付けることができる。

機械学習コンポーネント１０４は、データ１１２について機械学習プロセスを実行することができる。機械学習コンポーネント１０４と関連付けられた機械学習プロセスは、教師なし学習（unsupervised learning）と関連付けられた機械学習プロセスとすることができる。さらに、機械学習コンポーネント１０４と関連付けられた機械学習プロセスは、生成モデルとすることができる。例えば、機械学習コンポーネント１０４と関連付けられた機械学習プロセスは、データ１１２の分布又はパターンを判断することができる。さらに、機械学習コンポーネント１０４は、データ１１２と一定の類似度範囲内の１つ又は複数の例示的データセットを含む機械学習出力データを生成することができる。機械学習出力データは、これらに限定されるものではないが、医用イメージング・データ、音声データ、画像データ、文字データ、もしくは他のデータ又はその組み合わせのような、１つ又は複数のタイプのデータを含むことができる。１つの態様において、データ１１２及び機械学習出力データは、対応するデータ形式を含むことができる。例えば、データ１１２は、医用イメージング・データとし、機械学習出力データは、医用イメージング・データの例示的データセットとすることができる。１つの実施形態において、機械学習コンポーネント１０４と関連付けられた機械学習プロセスは、変分オートエンコーダ（variational autoencoder）を用いることができる。例えば、変分オートエンコーダは、データ１１２と関連付けられた確率分布を用いて、データ１１２と一定の類似度範囲内の１つ又は複数の例示的データセットを含む機械学習出力データを生成することができる。付加的に又は代替的に、機械学習コンポーネント１０４は、隠れマルコフモデル（Hidden Markov Models、ＨＭＭ）、ベイジアンモデル（例えば、ベイジアン・ネットワーク）、確率的文脈自由文法モデル（probabilistic context-free grammar model）、単純ベイズモデル（Naive Bayes model）、混合ガウスモデル（Gaussian mixture models）、もしくは別のタイプの生成機械学習プロセス又はその組み合わせを用いて、データ１１２と一定の類似度範囲内の１つ又は複数の例示的データセットを含む機械学習出力データを生成することができる。従って、機械学習コンポーネント１０４は、１つ又は複数の特徴と関連付けられた第１のデータについて機械学習プロセスを実行し、第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成することができる。第１のデータ及び第２のデータは、例えば、対応するデータ形式を含むことができる。さらに、機械学習コンポーネント１０４は、機械学習プロセス中、第１のデータと関連付けられた生成モデルを用いて、第２のデータを生成することができる。付加的に又は代替的に、特定の実施形態において、機械学習コンポーネント１０４は、機械学習プロセス中、第１のデータと関連付けられた変分オートエンコーダを用いて、第２のデータを生成することができる。

評価コンポーネント１０６は、１つ又は複数の特徴からの特定の特徴について機械学習出力データを評価することができる。評価コンポーネント１０６は、人工知能の原理を用いて、１つ又は複数の特徴からの特定の特徴について機械学習出力データの評価を容易にすることができる。評価コンポーネント１０６は、機械学習出力データに関して学習を明示的に又は暗黙的に実行することができる。１つの態様において、評価コンポーネント１０６は、人工知能の原理と関連付けられた分類、相関、推論、もしくは表現又はその組み合わせに基づいて、１つ又は複数の特徴からの特定の特徴について機械学習出力データを評価することができる。例えば、評価コンポーネント１０６は、自動分類システムもしくは自動分類プロセス又はその両方を用いて、１つ又は複数の特徴からの特定の特徴について機械学習出力データを評価することができる。さらに、評価コンポーネント１０６は、匿名化された出力データ１１４を生成することができる。匿名化された出力データ１１４は、機械学習出力データについての信頼スコアを示すものとすることができる。１つの実施形態において、評価コンポーネント１０６は、ディープ・ラーニング・ネットワークに基づいて、機械学習出力データを評価することができる。ディープ・ラーニング・ネットワークは、ディープ・ラーニングを用いて、機械学習出力データと関連付けられた少なくとも１つの特徴を判断する人工ニューラル・ネットワークとすることができる。ディープ・ラーニング・ネットワークは、例えば、教師あり学習（supervised learning）を用いて、機械学習出力データと関連付けられた少なくとも１つの特徴を判断することができる。さらに、ディープ・ラーニング・ネットワークは、第１の層が第２の層の出力を第１の層に対する入力として用いることができる一連の多層の非線形処理を用いる生体神経系に類似した情報を処理することができる。

非限定的な実施形態において、評価コンポーネント１０６は、畳み込み（convolutional）ニューラル・ネットワークに基づいて、機械学習出力データを評価することができる。畳み込みニューラル・ネットワークは、ディープ・ラーニングを用いて、機械学習出力データと関連付けられた少なくとも１つの特徴を判断する順伝播型（feed-forward）人工ニューラル・ネットワークとすることができる。さらに、畳み込みニューラル・ネットワークは、機械学習出力データと関連付けられた少なくとも１つの特徴を判断するための、教師あり学習と関連付けられた分類器とすることができる。例えば、畳み込みニューラル・ネットワークは、１つ又は複数の畳み込み動作を機械学習出力データに適用する畳み込み層のセットを含むことができる。畳み込みニューラル・ネットワークは、機械学習出力データと関連付けられた分類スコアを計算する全結合層（fully connected layer）のセットを含むこともできる。付加的に、特定の実施形態において、畳み込みニューラル・ネットワークは、ダウンサンプリングを行って、機械学習出力データと関連付けられた空間方向の次元（spatial dimension）を調整するプーリング層のセットを含むこともできる。しかしながら、特定の実施形態において、評価コンポーネント１０６は、別のタイプのディープ・ラーニング・ネットワークを用い得ることを理解されたい。１つの実施形態において、評価コンポーネント１０６は、機械学習出力データと関連付けられた信頼スコアを示すスコアリング・データを生成することができる。例えば、評価コンポーネント１０６は、特定の特徴がデータ１１２内に含まれる信頼度を示す信頼スコアを示すスコアリング・データを生成することができる。スコアリング・データは、例えば、第３のデータとすることができる。特定の実施形態において、匿名化された出力データ１１４は、スコア・データを含むことができる。別の実施形態において、評価コンポーネント１０６は、スコアリング・データが規定の基準を満たすとの判断に応答して、機械学習出力プロセスと関連付けられたディープ・ラーニング・ネットワークの付加的な層のための、データ１１２と関連付けられた他のデータを用いることができる。例えば、評価コンポーネント１０６は、スコアリング・データが規定の基準を満たすとの判断に応答して、データ１１２と関連付けられた他のデータを用いることができる。さらに、評価コンポーネント１０６は、スコアリング・データが規定の基準を満たすとの判断に応答して、機械学習出力データと関連付けられた畳み込みニューラル・ネットワークの付加的な層を用いることができる。データ１１２と関連付けられた他のデータは、例えば、データ１１２と関連付けられたユーザ識別についての増加した量の識別データと関連付けられた付加的なデータとすることができる。特定の実施形態において、ユーザと関連付けられたユーザ・データは、ディープ・ラーニング・ネットワークの付加的な層のための、データ１１２と関連付けられた他のデータの利用を開始することができる。

データ匿名化コンポーネント１０２（例えば、機械学習コンポーネント１０４もしくは評価コンポーネント１０６又はその両方）は、人間が実行できない（例えば、単一の人間の精神の能力を上回る）データ匿名化プロセスを実行することを認識されたい。例えば、特定の期間にわたる、データ匿名化コンポーネント１０２（例えば、機械学習コンポーネント１０４もしくは評価コンポーネント１０６又はその両方）により処理されるデータ量、データの処理速度、もしくは処理されるデータ・タイプ又はその組み合わせは、同じ期間にわたる、単一の人間の精神により処理することができる量より多く、その速度を上回り、そのデータ・タイプとは異なるものであり得る。データ匿名化コンポーネント１０２（例えば、機械学習コンポーネント１０４もしくは評価コンポーネント１０６又はその両方）は、上述のデータ匿名化プロセスも実行しながら、１つ又は複数の他の機能の実行を目的として完全に動作すること（例えば、完全パワーオンすること、完全に実行すること等）もできる。さらに、データ匿名化コンポーネント１０２（例えば、機械学習コンポーネント１０４もしくは評価コンポーネント１０６又はその両方）により生成される匿名化された出力データ１１４は、ユーザにより手作業で取得できない情報を含み得る。

図２は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム２００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム２００は、データ匿名化コンポーネント１０２を含む。データ匿名化コンポーネント１０２は、機械学習コンポーネント１０４、評価コンポーネント１０６、もしくは通信コンポーネント２０２、又はその組み合わせを含むことができる。通信コンポーネント２０２は、データ１１２を受け取ることができる。付加的に又は代替的に、通信コンポーネント２０２は、匿名化された出力データ１１４を伝送することができる。１つの態様において、通信コンポーネント２０２は、暗号化通信チャネルを介して、データ１１２を受け取ることができる。１つの実施形態において、暗号化通信チャネルは、有線の暗号化通信チャネルとすることができる。別の実施形態において、暗号化通信チャネルは、無線の暗号化通信チャネルとすることができる。例えば、暗号化通信チャネルは、これらに限定されるものではないが、広域ネットワーク（ＷＡＮ、例えば、インターネット）暗号化通信チャネル、ローカル・エリア・ネットワーク（ＬＡＮ）暗号化通信チャネル、セルラー方式暗号化通信チャネル、もしくは別のタイプの暗号化無線チャネル又はその組み合わせを含む、１つ又は複数の無線暗号化通信チャネル、もしくは１つ又は複数の有線暗号化通信チャネルを含む。特定の実施形態において、暗号化通信チャネルを、１つ又は複数のネットワーク・デバイス（例えば、ネットワーク・ハードウェア、ネットワーク機器、コンピュータ・ネットワーキング・デバイス等）と関連付けて、暗号化通信チャネルを介する通信を容易にすることができる。

図３は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム３００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム３００は、データ匿名化コンポーネント１０２を含む。データ匿名化コンポーネント１０２は、機械学習コンポーネント１０４、評価コンポーネント１０６、通信コンポーネント２０２、もしくはネゴシエーション・コンポーネント３０２、又はその組み合わせを含むことができる。ネゴシエーション・コンポーネント３０２は、ユーザ・デバイスとデータ匿名化コンポーネント１０２との間のネゴシエーション・プロセスを容易にすることができる。例えば、ネゴシエーション・コンポーネント３０２は、ユーザと、評価コンポーネント１０６と関連付けられたスコアリング・プロトコルとの間のネゴシエーション・プロセスを容易にすることができる。ユーザ・デバイスは、例えば、コンピューティング・デバイス、コントローラ、コンピュータ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、モニタデバイス、スマートデバイス、スマートフォン、モバイルデバイス、手持ち式デバイス、タブレット、ウェアラブルデバイス、携帯型コンピューティング・デバイス、又は別のタイプのデバイスのような電子デバイスとすることができる。ネゴシエーション・プロセスは、ユーザ識別と関連付けられたデータ１１２についての増加した量の識別データを可能にするのを助けることができる。例えば、ユーザ・デバイスは、匿名化された出力データ１１４と関連付けられた情報を人間が解釈できる形式で表示することができる。１つの態様において、ネゴシエーション・コンポーネント３０２は、データ１１２と関連付けられた診断をユーザ・デバイスに提供することができる。付加的に、ネゴシエーション・コンポーネント３０２は、データ１１２と関連付けられた診断についての信頼スコアをユーザ・デバイスに提供することができる。ユーザ・デバイスは、データ１１２と関連付けられたより高忠実度の応答を要求するために、ユーザ・データをデータ匿名化コンポーネント１０２に提供することができる。例えば、ユーザ・デバイスは、ユーザ・データをデータ匿名化コンポーネント１０２に提供し、ユーザ識別と関連付けられたデータ１１２についての増加した量の識別データを可能にすることができる。

図４は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム４００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム４００は、ユーザ・デバイス４０２と、人工知能プラットフォーム・システム４０４とを含む。ユーザ・デバイス４０２は、例えば、コンピューティング・デバイス、コントローラ、コンピュータ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、モニタデバイス、スマートデバイス、スマートフォン、モバイルデバイス、手持ち式デバイス、タブレット、ウェアラブルデバイス、携帯型コンピューティング・デバイス、又は別のタイプのデバイスのような電子デバイスとすることができる。特定の実施形態において、ユーザ・デバイス４０２は、例えば、ｘ線装置、医用共鳴イメージング・デバイス、ＣＴデバイス、又は別のタイプの医療機器のような医療装置とすることができる。人工知能プラットフォーム・システム４０４は、データ匿名化コンポーネント１０２を含むことができる。一例において、人工知能プラットフォーム・システム４０４は、１つ又は複数の機械学習アルゴリズムの実行、機械学習と関連付けられた１つ又は複数のアプリケーション・プログラミング・インターフェースの実行等を容易にするためのサーバ・システムとすることができる。１つの実施態様において、ユーザ・デバイス４０２は、暗号化通信チャネル４０６を介して、データ１１２を、人工知能プラットフォーム・システム４０４と関連付けられたデータ匿名化コンポーネント１０２に提供することができる。１つの実施形態において、暗号化通信チャネル４０６は、有線暗号化通信チャネルとすることができる。別の実施形態において、暗号化通信チャネル４０６は、無線暗号化通信チャネルとすることができる。例えば、暗号化通信チャネル４０６は、これらに限定されるものではないが、広域ネットワーク（ＷＡＮ、例えば、インターネット）暗号化通信チャネル、ローカル・エリア・ネットワーク（ＬＡＮ）暗号化通信チャネル、セルラー方式暗号化通信チャネル、もしくは別のタイプの暗号化無線チャネル又はその組み合わせを含む、１つ又は複数の無線暗号化通信チャネル、もしくは１つ又は複数の有線暗号化通信チャネル又はその両方を含むことができる。特定の実施形態において、暗号化通信チャネル４０６を１つ又は複数のネットワーク・デバイス（例えば、ネットワーク・ハードウェア、ネットワーク機器、コンピュータ・ネットワーキング・デバイス等）と関連付けて、暗号化通信チャネル４０６を介するデータ１１２の通信を容易にすることができる。

図５は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム５００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム５００は、データ５０２を含む。データ５０２は、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせとすることができる。データ５０２は、エンコードされたデータ、処理データ、もしくは未加工データ又はその組み合わせとすることもできる。１つの実施形態において、データ５０２は、データ匿名化コンポーネント１０２が受け取ったデータ１１２に対応し得る。データ５０２を１つ又は複数の特徴、もしくは１つ又は複数の特性又はその両方と関連付けることもできる。さらに、データ５０２をユーザ識別と関連付けることができる。例えば、データ５０２は、ユーザの１つ又は複数の特徴、もしくは１つ又は複数の特性又はその両方を識別することができる識別データとすることができる。非限定的な実施形態において、データ５０２は、患者（例えば、患者識別）と関連付けられた医用画像とすることができる。変分オートエンコーダ５０４は、データ５０２を入力として受け取ることができる。変分オートエンコーダ５０４は、データ５０２と関連付けられた確率分布を用いて、機械学習出力データ５０６を生成することができる。さらに、変分オートエンコーダ５０４は、データ５０２についての確率分布と関連付けられた教師なし学習を用いる層状変分オートエンコーダとすることができる。１つの態様において、変分オートエンコーダ５０４は、ニューラル・ネットワーク、及びデータ５０２と関連付けられた確率的勾配降下法（stochastic gradient descent）を用いることができる。別の態様において、変分オートエンコーダ５０４は、データ５０２から機械学習出力データ５０６を生成するためのエンコーダ及びデコーダを含むことができる。機械学習出力データ５０６は、例えば、データ５０２よりも低いデータ識別度を含む圧縮バージョンのデータ５０２とすることができる。例えば、機械学習出力データ５０６は、データ５０２よりも少ない数の特徴もしくは特性又はその両方を含み得る。付加的に又は代替的に、機械学習出力データ５０６は、データ５０２の１つ又は複数の特徴もしくは１つ又は複数の特性又はその両方を保持しながら、データ５０２の１つ又は複数の部分を修正することができる。機械学習出力データ５０６は、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせとすることができる。非限定的な実施形態において、機械学習出力データ５０６は、データ５０２と関連付けられた患者（例えば、患者の識別）についてのより低いデータ識別度と関連付けられた医用画像データとすることができる。１つの態様において、データ５０２及び機械学習出力データ５０６は、対応するデータ形式を含むことができる。例えば、データ５０２は、医用イメージング・データとすることができ、機械学習出力データ５０６は、データ５０２と一定の類似度範囲内の医用イメージング・データの例示的データセットとすることができる。代替的実施形態においては、変分オートエンコーダ５０４ではなく、隠れマルコフモデル（ＨＭＭ）、ベイジアンモデル（例えば、ベイジアン・ネットワーク）、確率的文脈自由文法モデル、単純ベイズモデル、混合ガウスモデル、もしくは別のタイプの生成機械学習プロセス又その組み合わせを用いて、機械学習出力データ５０６を生成することもできることを認識されたい。

図６は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム６００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム６００は、機械学習出力データ５０６を含む。機械学習出力データ５０６を、入力として畳み込みニューラル・ネットワーク６０２に提供することができる。畳み込みニューラル・ネットワーク６０２は、ディープ・ラーニングを用いて、機械学習出力データ５０６と関連付けられた少なくとも１つの特徴を判断する順伝播型人工ニューラル・ネットワークとすることができる。さらに、畳み込みニューラル・ネットワーク６０２は、機械学習出力データ５０６と関連付けられた少なくとも１つの特徴を判断するための、教師あり学習と関連付けられた分類器とすることができる。例えば、畳み込みニューラル・ネットワーク６０２は、１つ又は複数の畳み込み動作を機械学習出力データ５０６に適用する畳み込み層のセットを含むことができる。畳み込みニューラル・ネットワーク６０２は、機械学習出力データ５０６と関連付けられた分類スコアを計算する全結合層のセットを含むこともできる。付加的に、特定の実施形態において、畳み込みニューラル・ネットワーク６０２は、ダウンサンプリングを行って、機械学習出力データ５０６と関連付けられた空間方向の次元を調整するプーリング層のセットを含むこともできる。しかしながら、特定の実施形態においては、畳み込みニューラル・ネットワーク６０２ではなく、別のタイプのディープ・ラーニング・ネットワークを用い得ることを認識されたい。畳み込みニューラル・ネットワーク６０２は、機械学習出力データ５０６と関連付けられた畳み込みニューラル・ネットワーク・プロセスに基づいて、診断データ６０４を生成することができる。診断データ６０４は、データ５０２内に含まれている特定の特徴もしくは特定の特性又はその両方についての分類もしくは信頼スコア又はその両方を含むことができる。例えば、診断データ６０４は、特定の特徴がデータ５０２内に含まれる信頼度を示す分類もしくは信頼スコア又はその両方を含むことができる。非限定的な実施形態において、診断データ６０４は、データ５０２内に含まれる医学的異常についての分類もしくは信頼スコア又はその両方を含むことができる。例えば、診断データ６０４は、特定の医学的異常がデータ５０２内に含まれるかどうかに関する表示もしくは信頼スコア又はその両方を含むことができる。

図７は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム７００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム７００は、匿名化ネゴシエーション・プロセス７０２を含む。匿名化ネゴシエーション・プロセス７０２は、診断データ６０４に基づいて実行することができる。さらに、匿名化ネゴシエーション・プロセス７０２は、ユーザと、データ５０２と関連付けられた人工知能プラットフォーム・システムとの間のネゴシエーション・プロセスを容易にすることができる。ユーザ・デバイスは、例えば、コンピューティング・デバイス、コントローラ、コンピュータ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、モニタデバイス、スマートデバイス、スマートフォン、モバイルデバイス、手持ち式デバイス、タブレット、ウェアラブルデバイス、携帯型コンピューティング・デバイス、又は別のタイプのデバイスのような電子デバイスとすることができる。匿名化ネゴシエーション・プロセス７０２は、ユーザ識別と関連付けられたデータ５０２についての増加した量の識別データを可能にするのを助けることができる。例えば、ユーザ・デバイスは、診断データ６０４と関連付けられた情報を人間が解釈できる形式で表示することができる。１つの実施形態において、匿名化ネゴシエーション・プロセス７０２は、診断データ６０４をユーザ・デバイスに提供することができる。ユーザ・デバイスは、データ５０２と関連付けられたより高忠実度の応答を要求するために、匿名化ネゴシエーション・プロセス７０２中、ユーザ・データを提供することができる。例えば、ユーザ・デバイスは、匿名化ネゴシエーション・プロセス７０２中、ユーザ・データを提供し、ユーザ識別と関連付けられたデータ５０２についての増加した量の識別データを可能にすることができる。従って、データ５０２と関連付けられたより高忠実度の応答が要求されるとの判断に応答して、修正されたデータ７０４が、変分オートエンコーダ５０４に提供される。修正されたデータ７０４は、データ５０２の修正バージョンとすることができる。さらに、修正されたデータ７０４は、データ５０２内に含まれていない１つ又は複数の付加的な特徴もしくは１つ又は複数の付加的な特性又はその両方を含むことができる。例えば、修正されたデータ７０４は、付加的な情報を提供し、データ５０２と関連付けられたユーザ識別についての増加した量の識別データを可能にすることができる。

図８は、本明細書で説明される１つ又は複数の実施形態による、例示的かつ非限定的なシステム８００のブロック図を示す。簡単にするために、本明細書で説明される他の実施形態で用いられる同様の要素の反復的な説明は省略する。

システム８００は、例示的ユーザ・インターフェース８０２を示す。１つの実施形態において、ユーザ・インターフェース８０２は、データ匿名化コンポーネント１０２（例えば、データ匿名化コンポーネント１０２のネゴシエーション・コンポーネント３０２）により生成されるユーザ・インターフェースと関連付けることができる。ユーザ・インターフェース８０２は、これらに限定されるものではないが、コンピューティング・デバイス、コンピュータ、デスクトップ・コンピュータ、ラップトップ・コンピュータ、モニタデバイス、スマートデバイス、スマートフォン、モバイルデバイス、手持ち式デバイス、タブレット、携帯型コンピューティング・デバイス、又はディスプレイと関連付けられた別のタイプのデバイスのような、ユーザ・デバイスのディスプレイ上に提示されるユーザ・インターフェース（例えば、グラフィカル・ユーザ・インターフェース）とすることができる。特定の実施形態において、ユーザ・インターフェース８０２は、人工知能プラットフォーム・システムと関連付けることができる。例えば、ユーザ・インターフェース８０２は、人工知能プラットフォーム・システムにより実行されるアプリケーション・プログラミング・インターフェースと関連付けることができる。ユーザ・インターフェース８０２は、データ８０４を表示する、もしくは提供する又はその両方をすることができる。１つの実施形態において、データ８０４をデータ匿名化コンポーネント１０２に提供することができる。例えば、データ８０４は、データ１１２もしくはデータ５０２又はその両方に対応し得る。１つの実施形態において、データ８０４は、データ匿名化コンポーネント１０２により生成されたデータとすることができる。例えば、データ８０４は、機械学習出力データ５０６に対応し得る。データ８０４は、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせとすることができる。ユーザ・インターフェース８０２は、匿名化度（degree of anonymization）８０６を表示することもできる。匿名化度８０６は、データ８０４と関連付けられた匿名化度とすることができる。例えば、匿名化度８０６は、データ８０４と関連付けられたユーザ識別についての識別データの量を含むことができる。付加的に又は代替的に、ユーザ・インターフェース８０２は、診断データ８０８を含むことができる。診断データ８０８は、データ８０４内に含まれる特定の特徴もしくは特定の特性又はその両方についての分類を含むことができる。非限定的な実施形態において、診断データ８０８は、データ８０４内に含まれる医学的異常の分類を含むことができる。付加的に又は代替的に、ユーザ・インターフェース８０２は、信頼スコア８１０を含むことができる。信頼スコア８１０は、データ８０４内に含まれる特定の特徴もしくは特定の特性又はその両方についての信頼スコアとすることができる。例えば、信頼スコア８１０は、特定の特徴がデータ８０４内に含まれる信頼度を示す信頼スコアを含むことができる。非限定的な実施形態において、信頼スコア８１０は、データ８０４内に含まれる医学的異常についての信頼スコアを含むことができる。例えば、信頼スコア８１０は、特定の医学的異常がデータ８０４内に含まれるかどうかに関する信頼スコアを含むことができる。ユーザ・インターフェース８０２は、ツールバー８１２を含むこともできる。ツールバー８１２は、ユーザが、データ８０４についての匿名化度８０６を制御することを可能にするスライド式ボタン８１４を含むことができる。例えば、ツールバー８１２のスライド式ボタン８１４の位置は、データ８０４と関連付けられた識別データの量を制御するように修正することができる。ユーザ・インターフェース８０２は、単なる例であることを認識されたい。従って、ユーザ・インターフェース８０２、もしくはユーザ・インターフェース８０２の制御又はその両方と関連付けられたセクションの位置は、変化し得る。さらに、ユーザ・インターフェース８０２は、図８に図示されない他の特徴、内容、もしくは機能又はその組み合わせを含み得る。

図９は、本明細書で説明される１つ又は複数の実施形態による、データ匿名化を容易にする例示的かつ非限定的なコンピュータ実施方法９００のフロー図を示す。９０２において、プロセッサに動作可能に結合されたシステムにより（例えば、機械学習コンポーネント１０４により）、暗号化通信チャネルを介して、１つ又は複数の特徴と関連付けられた第１のデータが受け取られる。第１のデータは、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせとすることができる。１つの実施形態において、暗号化通信チャネルは、有線暗号化通信チャネルとすることができる。別の実施形態において、暗号化通信チャネル４０６は、無線暗号化通信チャネルとすることができる。例えば、暗号化通信チャネルは、これらに限定されるものではないが、広域ネットワーク（ＷＡＮ、例えば、インターネット）暗号化通信チャネル、ローカル・エリア・ネットワーク（ＬＡＮ）暗号化通信チャネル、セルラー方式暗号化通信チャネル、もしくは別のタイプの暗号化無線チャネル又はその組み合わせを含む、１つ又は複数の無線暗号化通信チャネル、もしくは１つ又は複数の有線暗号化通信チャネル又はその両方を含むことができる。特定の実施形態において、暗号化通信チャネルを１つ又は複数のネットワーク・デバイス（例えば、ネットワーク・ハードウェア、ネットワーク機器、コンピュータ・ネットワーキング・デバイス等）と関連付けて、暗号化通信チャネルを介する第１のデータの通信を容易にすることができる。

９０４において、システム（例えば、機械学習コンポーネント１０４）により、第１のデータについて、生成モデルと関連付けられた第１の機械学習プロセスを実行し、第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成する。１つの実施形態において、第１の機械学習プロセスと関連付けられた変分オートエンコーダを用いることができる。例えば、第１のデータを、入力として変分オートエンコーダに提供することができる。さらに、変分オートエンコーダは、第１のデータに基づいて第２のデータを生成することができる。第２のデータは、医用イメージング・データ、音声データ、画像データ、ビデオ・データ、文字データ、もしくは他のデータ又はその組み合わせとすることができる。第２のデータは、例えば、機械学習出力データとすることもできる。さらに、第２のデータは、例えば、データ５０２よりも低いデータ識別度を含む圧縮バージョンの第１のデータとすることができる。例えば、機械学習出力データ５０６は、データ５０２よりも少ない数の特徴もしくは特性又はその両方を含むことができる。さらに、第１のデータ及び第２のデータは、対応するデータ形式を含むことができる。１つの態様において、変分オートエンコーダは、第１のデータと関連付けられた確率分布を用いて、第２のデータを生成することができる。さらに、変分オートエンコーダは、第１のデータについての確率分布と関連付けられた教師なし学習を用いる層状変分オートエンコーダとすることができる。別の態様において、変分オートエンコーダは、ニューラル・ネットワーク、及び第１のデータと関連付けられた確率的勾配降下法を用いることができる。更に別の態様において、変分オートエンコーダは、第１のデータから第２のデータを生成するためのエンコーダ及びデコーダを含むことができる。別の実施形態において、隠れマルコフモデル（ＨＭＭ）、ベイジアンモデル（例えば、ベイジアン・ネットワーク）、確率的文脈自由文法モデル、単純ベイズモデル、混合ガウスモデル、もしくは第１の機械学習プロセスと関連付けられた別のタイプの生成機械学習モデル又その組み合わせを用いることができる。

９０６において、システムにより（例えば、評価コンポーネント１０６により）、第２のデータについて、分類器モデルと関連付けられた第２の機械学習プロセスを実行し、第２のデータについての信頼スコアを示す第３のデータを生成する。例えば、第２の機械学習プロセスは、人工知能の原理を用いて、１つ又は複数の特徴からの特定の特徴について第２のデータを評価することを容易にすることができる。信頼スコアは、特定の特徴が第１のデータ内に含まれる信頼度を示すものとすることができる。第２の機械学習プロセスは、第２のデータに関して学習を明示的に又は暗黙的に行うことができる。１つの態様において、第２の機械学習プロセスは、分類、相関、推論、もしくは人工知能の原理と関連付けられた表現又はその組み合わせに基づいて、１つ又は複数の特徴からの特定の特徴について第２のデータを評価することができる。例えば、第２の機械学習プロセスは、自動分類システムもしくは自動分類プロセス又はその両方を用いて、１つ又は複数の特徴からの特定の特徴について第２のデータを評価することができる。１つの実施形態において、第２の機械学習プロセスは、ディープ・ラーニング・ネットワークに基づいて、第２のデータを評価することができる。ディープ・ラーニング・ネットワークは、ディープ・ラーニングを用いて、第２のデータと関連付けられた少なくとも１つの特徴を判断する人工ニューラル・ネットワークとすることができる。ディープ・ラーニング・ネットワークは、例えば、教師あり学習を用いて、第２のデータと関連付けられた少なくとも１つの特徴を判断することができる。さらに、ディープ・ラーニング・ネットワークは、非線形処理の一連の複数の層を用いる生体神経系に類似した情報を処理することができ、そこで、第１の層は、第２の層の出力を第１の層に対する入力として用いることができる。非限定的な実施形態において、第２の機械学習プロセスは、畳み込みニューラル・ネットワークに基づいて、第２のデータを評価することができる。畳み込みニューラル・ネットワークは、ディープ・ラーニングを用いて、第２のデータと関連付けられた少なくとも１つの特徴を判断する順伝播型人工ニューラル・ネットワークとすることができる。さらに、畳み込みニューラル・ネットワークは、第２のデータと関連付けられた少なくとも１つの特徴を判断するための、教師あり学習と関連付けられた分類器とすることができる。例えば、畳み込みニューラル・ネットワークは、１つ又は複数の畳み込み動作を第２のデータに適用する畳み込み層のセットを含むことができる。畳み込みニューラル・ネットワークは、第２のデータと関連付けられた分類スコアを計算する全結合層のセットを含むこともできる。付加的に、特定の実施形態において、畳み込みニューラル・ネットワークは、ダウンサンプリングを行って、第２のデータと関連付けられた空間方向の次元を調整するプーリング層のセットを含むこともできる。しかしながら、特定の実施形態において、評価コンポーネント１０６は、別のタイプのディープ・ラーニング・ネットワークを用い得ることを認識されたい。

９０８において、第３のデータが規定の基準を満たすかどうかを判断する。いいえである場合、コンピュータ実施方法９００は９０４に戻り、異なる基準に基づいて第１の機械学習を再実施する。はいである場合、コンピュータ実施方法９００は終了する。特定の実施形態において、コンピュータ実施方法９００は、第３のデータが規定の基準を満たすとの判断に応答して、システムにより、１つ又は複数の他の特徴と関連付けられた第４のデータに基づいて、システムにより、第１の機械学習プロセスを実行することをさらに含むことができる。第４のデータは、第１のデータの修正バージョンとすることができる。例えば、第４のデータは、第１のデータと関連付けられたユーザ識別についての増加した量の識別データを含むことができる。別の実施形態において、第１の機械学習プロセスを実行すること、もしくは第２の機械学習プロセスを実行すること又はその両方をすることは、第１のデータの匿名化を改善することを含む。

説明を簡単にするために、コンピュータ実施方法が、一連の動作として示され、説明される。本革新は、示される動作、もしくは動作の順序又はその両方に限定されるものではなく、例えば、動作は、様々な順序で及び／又は同時に行われることがあり、他の動作は本明細書に提示及び説明されないことを理解及び認識されたい。さらに、開示される主題によるコンピュータ実施方法を実施するために、全ての示される動作を必要としないことがある。さらに、当業者であれば、コンピュータ実施方法は、状態図又はイベントを介して一連の相関状態として代替的に表し得ることも理解及び認識するであろう。付加的に、以下に及び本明細書の全体を通して開示されるコンピュータ実施方法は、こうしたコンピュータ実施方法をコンピュータに伝送及び転送するのを容易にするために、物品上に格納できることをさらに認識されたい。本明細書で用いられる場合、物品という用語は、あらゆるコンピュータ可読デバイス又はストレージ媒体からアクセス可能なコンピュータ・プログラムを含むように意図される。

さらに、少なくとも第１の機械学習プロセスの実行もしくは第２の機械学習プロセスの実行又はその両方が、電気的及び機械的コンポーネント及び回路の組み合わせから確立されるので、人間は、本明細書に開示されるデータ匿名化コンポーネント１０２（例えば、機械学習コンポーネント１０４、評価コンポーネント１０６、通信コンポーネント２０２、もしくはネゴシエーション・コンポーネント３０２又はその組み合わせ）により実行される処理を再現又は実行することはできない。例えば、人間は、第１の機械学習プロセスもしくは第２の機械学習プロセス又その両方を実行できない。さらに、人間は、匿名化された出力データを生成できない。

開示される主題の種々の態様についての文脈を与えるために、図１０並びに以下の説明は、開示される主題の種々の態様を実装できる適切な環境の一般的な説明を提供するように意図される。図１０は、本明細書に説明される１つ又は複数の実施形態を容易にすることができる例示的かつ非限定的な動作環境のブロック図を示す。簡潔にするために、本明細書で説明される他の実施形態において用いられる同様の要素の反復的な説明は省略する。

ここで図１０を参照すると、本開示の種々の態様を実施するための好適な動作環境１０００が、コンピュータ１０１２を含むこともできる。コンピュータ１０１２は、処理ユニット１０１４、システム・メモリ１０１６及びシステム・バス１０１８を含むこともできる。システム・バス１０１８は、これに限定されるものではないが、システム・メモリ１０１６を含むシステム・コンポーネントを処理ユニット１０１４に結合する。処理ユニット１０１４は、種々の利用可能なプロセッサのいずれかとすることができる。二重マイクロプロセッサ及び他のマルチプロセッサ・アーキテクチャを処理ユニット１０１４として用いることもできる。システム・バス１０１８は、メモリ・バス又はメモリ・コントローラ、周辺バス又は外部バス、及び／又は、これらに限定されるものではないが、業界標準アーキテクチャ（ＩＳＡ）、マイクロ・チャネル・アーキテクチャ（ＭＳＡ）、拡張ＩＳＡ（ＥＩＳＡ）、Ｉｎｔｅｌｌｉｇｅｎｔ Ｄｒｉｖｅ Ｅｌｅｃｔｒｏｎｉｃｓ（ＩＤＥ）、ＶＥＳＡ Ｌｏｃａｌ Ｂｕｓ（ＶＬＢ）、Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ（ＰＣＩ）、カード・バス、ユニバーサル・シリアル・バス（ＵＳＢ）、Ａｄｖａｎｃｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ（ＡＧＰ）、Ｆｉｒｅｗｉｒｅ（ＩＥＥＥ１３９４）、及びＳｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ Ｉｎｔｅｒｆａｃｅ（ＳＣＳＩ）を含む任意の種々の利用可能なバス・アーキテクチャを用いたローカル・バスを含む、幾つかのタイプのバス構造体のいずれかとすることができる。

システム・メモリ１０１６は、揮発性メモリ１０２０及び不揮発性メモリ１０２２を含むこともできる。起動の際などにコンピュータ１０１２内の要素の間で情報を転送するための基本ルーチンを含む基本入力／出力システム（ＢＩＯＳ）が、不揮発性メモリ１０２２内に格納される。コンピュータ１０１２は、取り外し可能／取り外し不能な揮発性／不揮発性コンピュータ・ストレージ媒体を含むこともできる。図１０は、例えば、ディスク・ストレージ１０２４を示す。ディスク・ストレージ１０２４は、これらに限定されるものではないが、磁気ディスク・ドライブ、フロッピー・ディスク・ドライブ、テープ・ドライブ、Ｊａｚドライブ、Ｚｉｐドライブ、ＬＳ－１００ドライブ、フラッシュ・メモリ・カード、又はメモリ・スティックのようなデバイスを含むこともできる。ディスク・ストレージ１０２４は、別個に又は他のストレージ媒体と組み合わせてストレージ媒体を含むこともできる。システム・バス１０１８へのディスク・ストレージ１０２４の接続を容易にするために、一般的に、インターフェース１０２６のような取り外し可能又は取り外し不能なインターフェースが用いられる。図１０は、ユーザと、好適な動作環境１０００において説明される基本コンピュータ・リソースとの間の媒介として働くソフトウェアも示す。そうしたソフトウェアは、例えば、オペレーティング・システム１０２８を含むこともできる。ディスク・ストレージ１０２４上に格納することができるオペレーティング・システム１０２８は、コンピュータ１０１２のリソースを制御し、割り当てるように働く。

システム・アプリケーション１０３０は、例えば、システム・メモリ１０１６内又はディスク・ストレージ１０２４上に格納された、プログラム・モジュール１０３２及びプログラム・データ１０３４を通じたオペレーティング・システム１０２８によるリソースの管理を利用する。この開示は、種々のオペレーティング・システム、又はオペレーティング・システムの組み合わせにより実施できることを認識されたい。ユーザは、入力デバイス１０３６を通じてコマンド又は情報をコンピュータ１０１２に入力する。入力デバイス１０３６は、これらに限定されるものではないが、マウス、トラックボール、スタイラス、タッチ・パッドのようなポインティング・デバイス、キーボード、マイクロフォン、ジョイスティック、ゲーム・パッド、衛星放送受信アンテナ、スキャナ、ＴＶチューナ・カード、デジタル・カメラ、デジタル・ビデオ・カメラ、ウェブ・カメラ等を含む。これら及び他の入力デバイスは、インターフェース・ポート１０３８を介してシステム・バス１０１８を通じて処理ユニット１０１４に接続される。インターフェース・ポート１０３８は、例えば、シリアル・ポート、パラレル・ポート、ゲーム・ポート及びユニバーサル・シリアル・バス（ＵＳＢ）を含む。出力デバイス１０４０は、同じタイプのポートの一部を入力デバイス１０３６として使用する。従って、例えば、ＵＳＢポートを用いて、コンピュータ１０１２への入力を提供し、出力情報をコンピュータ１０１２から出力デバイス１０４０に提供することができる。出力アダプタ１０４２は、特別なアダプタを必要とする他の出力デバイス１０４０の中でも、モニタ、スピーカ及びプリンタのような幾つかの出力デバイス１０４０があることを示すように提供される。出力アダプタ１０４２は、限定ではなく例示として、出力デバイス１０４０とシステム・バス１０１８との間の接続手段を提供するビデオ及び音声カードを含む。遠隔コンピュータ１０４４のような、他のデバイス、もしくはデバイスのシステム又はその両方は、入力及び出力の機能の両方を提供することに留意されたい。

コンピュータ１０１２は、遠隔コンピュータ１０４４のような１つ又は複数の遠隔コンピュータへの論理接続を用いるネットワーク化環境で動作することができる。遠隔コンピュータ１０４４は、コンピュータ、サーバ、ルータ、ネットワークＰＣ、ワークステーション、マイクロプロセッサ・ベースのアプライアンス、ピア・デバイス、又は他の共通ネットワーク・ノード等とすることができ、一般的に、コンピュータ１０１２に関して記載される要素の多く又は全てを含むこともできる。簡潔にするために、メモリ・ストレージ・デバイス１０４６だけが、遠隔コンピュータ１０４４と共に示されている。遠隔コンピュータ１０４４は、ネットワーク・インターフェース１０４８を通じてコンピュータ１０１２に論理的に接続され、次に、通信接続１０５０を介して物理的に接続される。ネットワーク・インターフェース１０４８は、ローカル・エリア・ネットワーク（ＬＡＮ）、広域エリア・ネットワーク（ＷＡＮ）、セルラー・ネットワーク等のような有線通信ネットワークもしくは無線通信ネットワーク又はその両方を含む。ＬＡＮ技術として、Ｆｉｂｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ（ＦＤＤＩ）、Ｃｏｐｐｅｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｄａｔａ Ｉｎｔｅｒｆａｃｅ（ＣＤＤＩ）、イーサネット、トークン・リング等が挙げられる。ＷＡＮ技術として、これらに限定されるものではないが、ポイント・ツー・ポイント・リンク、統合サービス・デジタル網（Ｉｎｔｅｇｒａｔｅｄ Ｓｅｒｖｉｃｅ Ｄｉｇｉｔａｌ Ｎｅｔｗｏｒｋｓ：ＩＳＤＮ）及びその変形のような回路交換網、パケット交換網、及びデジタル加入者線（Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ：ＤＳＬ）が挙げられる。通信接続１０５０は、ネットワーク・インターフェース１０４８をシステム・バス１０１８に接続するために用いられるハードウェア／ソフトウェアを指す。通信接続１０５０は、明確に示すためにコンピュータ１０１２内部に示されるが、これはコンピュータ１０１２の外部にあってもよい。ネットワーク・インターフェース１０４８への接続のためのハードウェア／ソフトウェアは、例示のためだけに、通常の電話グレード・モデム（ｒｅｇｕｌａｒ ｔｅｌｅｐｈｏｎｅ ｇｒａｄｅ ｍｏｄｅｍ）、ケーブル・モデム及びＤＳＬモデムを含むモデム、ＩＳＤＮアダプタ、並びにイーサネット・カードのような内部及び外部技術を含むこともできる。

ここで図１１を参照すると、例証的なクラウド・コンピューティング環境１１５０が示される。図示のように、クラウド・コンピューティング環境１１５０は、例えば、携帯情報端末（ＰＤＡ）又は形態電話１１５４Ａ、デスクトップ・コンピュータ１１５４Ｂ、ラップトップ・コンピュータ１１５４Ｃ、もしくは自動車コンピュータ・システム１１５４Ｎ又はその組み合わせのような、クラウド・コンシューマによって用いられるローカル・コンピューティング・デバイスが通信することができる、１つ又は複数のクラウド・コンピューティング・ノード１１１０を含む。ノード１１１０は、互いに通信することができる。ノード１１１０は、上述のようなプライベート・クラウド、コミュニティ・クラウド、パブリック・クラウド、もしくはハイブリッド・クラウド、又はこれらの組み合わせなど、１つ又は複数のネットワークにおいて物理的又は仮想的にグループ化することができる（図示せず）。これにより、クラウド・コンピューティング環境１１５０は、クラウド・コンシューマがローカル・コンピューティング・デバイス上にリソースを保持する必要のないサービスとしてインフラストラクチャ、プラットフォーム、もしくはソフトウェア又はその組み合わせを提供することが可能になる。図１１に示されるコンピューティング・デバイス１１５４Ａ～Ｎのタイプは単に例示であることを意図し、コンピューティング・ノード１１１０及びクラウド・コンピューティング環境１１５０は、任意のタイプのネットワーク及び／又はネットワーク・アドレス指定可能な接続上で（例えば、ウェブ・ブラウザを用いて）、任意のタイプのコンピュータ化された装置と通信できることを理解されたい。

ここで図１２を参照すると、クラウド・コンピューティング環境１１５０（図１１）によって提供される機能抽象化層のセットが示される。図１２に示されるコンポーネント、層、及び機能は単に例示であることを意図し、本発明の実施形態はそれらに限定されないことを予め理解されたい。図示されるように、以下の層及び対応する機能が提供される。

ハードウェア及びソフトウェア層１２６０は、ハードウェア及びソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例として、メインフレーム１２６１と、ＲＩＳＣ（Ｒｅｄｕｃｅｄ Ｉｎｓｔｒｕｃｔｉｏｎ Ｓｅｔ Ｃｏｍｐｕｔｅｒ（縮小命令セット・コンピュータ））アーキテクチャ・ベースのサーバ１２６２と、サーバ１２６３と、ブレード・サーバ１２６４と、ストレージ・デバイス１２６５と、ネットワーク及びネットワーキング・コンポーネント１２６６とが含まれる。幾つかの実施形態において、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア１２６７及びデータベース・ソフトウェア１２６８を含む。

仮想化層１２７０は、抽象化層を提供し、この層により、仮想エンティティの以下の例、すなわち、仮想サーバ１２７１、仮想ストレージ１２７２、仮想プライベート・ネットワークを含む仮想ネットワーク１２７３、仮想アプリケーション及びオペレーティング・システム１２７４、並びに仮想クライアント１２７５を提供することができる。

一例においては、管理層１２８０は、以下で説明される機能を提供することができる。リソース・プロビジョニング１２８１は、クラウド・コンピューティング環境内でタスクを実行するために利用されるコンピューティング・リソース及び他のリソースの動的な調達を提供する。計量及び価格決定１２８２は、クラウド・コンピューティング環境内でリソースが利用される際のコスト追跡と、リソースの消費に対する課金又は請求とを提供する。１つの例において、これらのリソースは、アプリケーション・ソフトウェア・ライセンスを含むことができる。セキュリティは、クラウド・コンシューマ及びタスクに対する識別情報の検証と、データ及び他のリソースに対する保護とを提供する。ユーザ・ポータル１２８３は、コンシューマ及びシステム管理者のために、クラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理１２８４は、要求されるサービス・レベルが満たされるように、クラウド・コンピューティング・リソースの割り当て及び管理を提供する。サービス・レベル・アグリーメント（Ｓｅｒｖｉｃｅ Ｌｅｖｅｌ Ａｇｒｅｅｍｅｎｔ、ＳＬＡ）の計画及び履行１２８５は、ＳＬＡに従って将来の要件が予測されるクラウド・コンピューティング・リソースの事前配置及び調達を提供する。

ワークロード層１２９０は、クラウド・コンピューティング環境を利用することができる機能の例を提供する。この層から提供することができるワークロード及び機能の例には、マッピング及びナビゲーション１２９１、ソフトウェア開発及びライフサイクル管理１２９２、仮想教室教育配信１２９３、データ分析処理１２９４、トランザクション処理１２９５、及びデータ匿名化ソフトウェア１２９６が含まれる。

本発明は、統合のいずれかの可能な技術的詳細レベルにおける、システム、方法、もしくはコンピュータ・プログラム製品又はその組み合わせとすることができる。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読ストレージ媒体（単数又は複数）を含むことができる。コンピュータ可読ストレージ媒体は、命令実行デバイスにより使用される命令を保持及び格納できる有形デバイスとすることができる。コンピュータ可読ストレージ媒体は、例えば、これらに限定されるものではないが、電子記憶装置、磁気記憶装置、光学記憶装置、電磁気記憶装置、半導体記憶装置、又は上記のいずれかの適切な組み合わせとすることができる。コンピュータ可読ストレージ媒体のより具体的な例の非網羅的なリストとして、以下のもの：すなわち、ポータブル・コンピュータ・ディスケット、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラム可能読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリ・スティック、フロッピー・ディスク、パンチカード若しくは命令がそこに記録された溝内の隆起構造のような機械的にエンコードされたデバイス、及び上記のいずれかの適切な組み合わせが挙げられる。本明細書で使用される場合、コンピュータ可読ストレージ媒体は、電波、又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通じて伝搬する電磁波（例えば、光ファイバケーブルを通る光パルス）、又はワイヤを通って送られる電気信号などの、一時的信号自体として解釈されない。

本明細書で説明されるコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれのコンピューティング／処理デバイスに、又は、例えばインターネット、ローカル・エリア・ネットワーク、広域ネットワーク、もしくは無線ネットワーク又はその組み合わせなどのネットワークを介して外部コンピュータ又は外部ストレージ・デバイスにダウンロードすることができる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジサーバ又はその組み合わせを含むことができる。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カード又はネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受け取り、コンピュータ可読プログラム命令を転送して、それぞれのコンピューティング／処理デバイス内のコンピュータ可読ストレージ媒体内に格納する。本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、又は、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語、又は、「Ｃ」プログラミング言語若しくは類似のプログラミング言語などの通常の手続き型プログラミング言語を含む１つ又は複数のプログラミング言語の任意の組み合わせで記述することができる。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で実行される場合もあり、一部がユーザのコンピュータ上で、独立型ソフトウェア・パッケージとして実行される場合もあり、一部がユーザのコンピュータ上で実行され、一部が遠隔コンピュータ上で実行される場合もあり、又は完全に遠隔コンピュータ若しくはサーバ上で実行される場合もある。最後のシナリオにおいて、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）若しくは広域ネットワーク（ＷＡＮ）を含むいずれかのタイプのネットワークを通じてユーザのコンピュータに接続される場合もあり、又は外部コンピュータへの接続がなされる場合もある（例えば、インターネットサービスプロバイダを用いたインターネットを通じて）。幾つかの実施形態において、例えば、プログラム可能論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、又はプログラム可能論理アレイ（ＰＬＡ）を含む電子回路は、コンピュータ可読プログラム命令の状態情報を用いて、電子回路を個人化することによりコンピュータ可読プログラム命令を実行し、本発明の態様を実施することができる。

本発明の態様は、本発明の実施形態による方法、装置（システム）及びコンピュータ・プログラム製品のフローチャート図もしくはブロック図又はその両方を参照して説明される。フローチャート図もしくはブロック図又はその両方の各ブロック、並びにフローチャート図もしくはブロック図又はその両方内のブロックの組み合わせは、コンピュータ可読プログラム命令によって実装できることが理解されるであろう。これらのコンピュータ可読プログラム命令を、汎用コンピュータ、専用コンピュータ、又は他のプログラム可能データ処理装置のプロセッサに与えてマシンを製造し、それにより、コンピュータ又は他のプログラム可能データ処理装置のプロセッサによって実行される命令が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロック内で指定された機能／動作を実施するための手段を作り出すようにすることができる。これらのコンピュータ・プログラム命令を、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイスを特定の方式で機能させるように指示することができるコンピュータ可読媒体内に格納し、それにより、そのコンピュータ可読媒体内に格納された命令が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロックにおいて指定された機能／動作を実施する命令を含む製品を製造するようにすることもできる。コンピュータ・プログラム命令を、コンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上にロードして、一連の動作ステップをコンピュータ、他のプログラム可能データ処理装置、又は他のデバイス上で行わせてコンピュータ実施のプロセスを生成し、それにより、コンピュータ又は他のプログラム可能装置上で実行される命令が、フローチャートもしくはブロック図又はその両方の１つ又は複数のブロックにおいて指定された機能／動作を実行するためのプロセスを提供するようにすることもできる。

図面内のフローチャート及びブロック図は、本発明の種々の実施形態による、システム、方法、及びコンピュータ・プログラム製品の可能な実装の、アーキテクチャ、機能及び動作を示す。この点に関して、フローチャート内の各ブロックは、指定された論理機能を実装するための１つ又は複数の実行可能命令を含む、モジュール、セグメント、又はコードの一部を表すことができる。幾つかの代替的な実装において、ブロック内に示される機能は、図に示される順序とは異なる順序で生じることがある。例えば、連続して示される２つのブロックは、関与する機能に応じて、実際には実質的に同時に実行されることもあり、又はこれらのブロックはときとして逆順で実行されることもある。ブロック図もしくはフローチャート図又はその両方の各ブロック、及びブロック図もしくはフローチャート図又はその両方内のブロックの組み合わせは、指定された機能又は動作を実行する、又は専用のハードウェアとコンピュータ命令との組み合わせを実行する、専用ハードウェア・ベースのシステムによって実装できることにも留意されたい。

本主題は、１つのコンピュータもしくは複数のコンピュータ又はその両方上で実行されるコンピュータ・プログラム製品のコンピュータ実行可能命令の一般的な文脈で上述されたが、当業者であれば、本開示は、他のプログラム・モジュールと組み合わせて実装する又は実装されることも可能であることを認識するであろう。一般に、プログラム・モジュールは、特定のタスクを実行する又は特定の抽象データ型を実装する、ルーチン、プログラム、コンポーネント、データ構造などを含むことができる。さらに、当業者であれば、本発明のコンピュータ実施方法は、シングル・プロセッサ又はマルチプロセッサ・コンピュータ・システム、ミニ・コンピューティング・デバイス、メインフレーム・コンピュータ、並びにコンピュータ、手持ち式コンピューティング・デバイス（例えば、ＰＤＡ、電話）、マイクロプロセッサ・ベースの又はプログラム可能なコンシューマ若しくは産業用電子機器等を含む、他のコンピュータ・システム構成で実施できることを認識するであろう。示される態様は、通信ネットワークを通じてリンクされる遠隔処理デバイスによってタスクが実行される分散型コンピューティング環境で実施することもできる。しかしながら、本開示の全てではないが一部の態様をスタンドアロン・コンピュータ上で実施することができる。分散型コンピューティング環境において、プログラム・モジュールは、ローカル及び遠隔両方のメモリ・ストレージ・デバイス内に配置することができる。

本出願において用いられるとき、「コンポーネント」、「システム」、「プラットフォーム」、「インターフェース」等の用語は、コンピュータに関連するエンティティ、又は１つ又は複数の特定の機能を有する動作マシンに関連するエンティティを指すこと、及び／又は含むことができる。本明細書に開示されるエンティティは、ハードウェア、ハードウェアとソフトウェアの組み合わせ、ソフトウェア、又は実行中のソフトウェアとすることができる。例えば、コンポーネントは、これらに限定されるものではないが、プロセッサ上で実行されているプロセス、プロセッサ、オブジェクト、実行可能プログラム、実行のスレッド、プログラム、もしくはコンピュータ又はその組み合わせとすることができる。例証として、サーバ上で実行されているアプリケーション及びサーバの両方が、コンポーネントであり得る。１つ又は複数のコンポーネントは、プロセスもしくは実行又はその両方のスレッド内にあることがあり、コンポーネントは、１つのコンピュータ上に局所化されること、もしくは２つ又はそれより多いコンポーネント間で分散されること又はその両方が可能である。別の例において、それぞれのコンポーネントは、種々のデータ構造がその上に格納された種々のコンピュータ可読媒体から実行することができる。コンポーネントは、１つ又は複数のデータ・パケットを有する信号（例えば、ローカル・システム、分散型システムにおいて、及び／又は信号を介する他のシステムと共にインターネットなどのネットワークにわたって、別のコンポーネントと対話する１つのコンポーネントからのデータ）などに従って、ローカル・プロセスもしくは遠隔プロセス又その両方を介して通信することができる。別の例において、コンポーネントは、電気若しくは電子回路により動作される機械的部品により与えられる特定の機能を有し、プロセッサにより実行されるソフトウェア又はファームウェア・アプリケーションにより動作される装置とすることができる。こうした場合において、プロセッサは、装置の内部にあっても又は外部にあってもよく、ソフトウェア又はファームウェア・アプリケーションの少なくとも一部を実行することができる。更に別の例として、コンポーネントは、機械的部品なしに電子コンポーネントを通じて特別な機能を提供する装置とすることができ、電子コンポーネントは、電子コンポーネントの機能を少なくとも部分的に与えるソフトウェア又はファームウェアを実行するためのプロセッサ又は他の手段を含むことができる。１つの態様において、コンポーネントは、例えば、クラウド・コンピューティング・システム内の仮想マシンを介して電子コンポーネントをエミュレートすることができる。

さらに、用語「又は（or）」は、排他的「又は」ではなく包含的「又は」を意味するよう意図される。つまり、特に断らない限り又は文脈から明らかな場合、「ＸはＡ又はＢを用いる」は、自然の包含的順列（natural inclusive permutation）のいずれかを意味するように意図される。つまり、ＸはＡを用いる、ＸはＢを用いる、又はＸはＡ及びＢの両方を用いる場合、「ＸはＡ又はＢを用いる」は、上記の例のいずれかにおいて満たされる。さらに、本の明細書及び添付図面において使用される冠詞「１つ（「a」及び「an」）」は一般的に、特に断らない限り又は文脈から明らかな場合、「１つ又は複数」を単数の形態に向けることを意味するように解釈すべきである。本明細書で用いられる場合、用語「例」もしくは「例示的」又はその両方は、例、事例、又は例証としての役割を果たすように用いられる。誤解を避けるために、本明細書に開示される主題は、こうした例に限定されない。さらに、用語「例」もしくは「例示的」又はその両方として本明細書に説明されるいずれの態様又は設計も、他の態様又は設計と比べて好ましい又は有利であるとは限らず、又は当業者には周知の同等の例示的構造及び技術を排除することを意味するものではない。

本明細書で用いられるとき、用語「プロセッサ」は、これらに限定されるものではないが、シングルコア・プロセッサ、ソフトウェア・マルチスレッド実行能力を有するシングル・プロセッサ、ハードウェア・マルチスレッド技術を有するマルチコア・プロセッサ、並列プラットフォーム、及び分散型共有メモリを有する並列プラットフォームを含む、実質的にあらゆるコンピューティング処理ユニット又はデバイスを指すことがある。付加的に、プロセッサは、集積回路、特定用途向け集積回路（ＡＳＩＣ）、デジタル・シグナル・プロセッサ（ＤＳＰ）、フィールド・プログラマブル、ゲート・アレイ（ＦＰＧＡ）、プロ具ラマブル論理コントローラ（ＰＬＣ）、結合プログラム可能論理回路（complex programmable logic device、ＣＰＬＤ）、ディスクリート・ゲート又はトランジスタ論理、ディスクリート・ハードウェア・コンポーネント、又は本明細書で説明される機能を実施するように設計されたそれらの任意の組み合わせを指すこともある。さらに、プロセッサは、空間使用量を最適化する又はユーザ機器の性能を高めるために、これらに限定されるものではないが、分子及び量子ドット・ベースのトランジスタン、スイッチ及びゲートのようなナノスケール・アーキテクチャを利用することができる。プロセッサはまた、コンピューティング処理ユニットの組み合わせとして実装することもできる。本開示において、「格納する（store）」、「ストレージ」、「データ・ストア」、「データ・ストレージ」、「データベース」、並びに動作及びコンポーネントの機能に関連した実質的に他のいずれかの情報ストレージ・コンポーネントのような用語は、「メモリ・コンポーネント」、「メモリ」内に具体化されたエンティティ、又はメモリを含むコンポーネントを指すために用いられる。本明細書で説明されるメモリもしくはメモリ・コンポーネント又はその両方は、揮発性メモリもしくは不揮発性メモリのいずれかとすることができ、又は揮発性メモリ及び不揮発性メモリの両方を含むことができることを認識されたい。限定ではなく例証として、不揮発性メモリは、読み取り専用メモリ（ＲＯＭ）、プログラム可能ＲＯＭ（ＰＲＯＭ）、電気的プログラム可能ＲＯＭ（ＥＰＲＯＭ）、電気的消去可能ＲＯＭ（ＥＥＰＲＯＭ）、フラッシュ・メモリ、又は不揮発性ランダム・アクセス・メモリ（ＲＡＭ）（例えば、強誘電体ＲＡＭ（ＦｅＲＡＭ））を含むことができる。揮発性メモリは、外部キャッシュ・メモリとして働くことができるＲＡＭを含むことができる。限定ではなく例証として、ＲＡＭは、シンクロナスＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、ダブル・データ・レートＳＤＲＡＭ（ＤＤＲ ＳＤＲＡＭ）、エンハンストＳＤＲＡＭ（ＥＳＤＲＡＭ）、Ｓｙｎｃｈｌｉｎｋ ＤＲＡＭ（ＳＬＤＲＡＭ）、Ｄｉｒｅｃｔ Ｒａｍｂｕｓ ＲＡＭ（ＤＲＲＡＭ）、Ｄｉｒｅｃｔ Ｒａｍｂｕｓ Ｄｙｎａｍｉｃ ＲＡＭ（ＤＲＤＲＡＭ）、及びＲａｍｂｕｓ Ｄｙｎａｍｉｃ ＲＡＭ（ＲＤＲＡＭ）のような多くの形で利用可能である。さらに、システム又はコンピュータ実施方法の開示されたメモリ・コンポーネントは、これら及び他の何れかの好適なタイプのメモリを含むが、これらに限定されないことを意図する。

上述したものは、システム及びコンピュータ実施方法の単なる例を含む。もちろん、本開示を説明するためにコンポーネント又はコンピュータ実施方法のあらゆる考えられる組み合わせを説明することはできないが、当業者であれば、本開示の多くのさらなる組み合わせ及び順列が可能であることを認識することができる。さらに、用語「含む（include）」、「有する（have）」、「持っている（possess）」等が詳細な説明、特許請求の範囲、及び添付図面に用いられる範囲で、そうした用語は、用語「備える（comprising）」が特許請求の範囲中で移行語として用いられるときに解釈されるように用語「備える（comprising）」と同様に包括的であることが意図されている。

種々の実施形態の説明が例証のために提示されたが、網羅的であること又は開示される実施形態を制限することを意図するものではない。当業者には、説明される実施形態の範囲及び趣旨からいつ出すすることなく、多くの変更及び変形が明らかであろう。本明細書で用いられる用語は、実施形態の原理及び実際の用途、又は市場で見出される技術に優る技術の改善を最もよく説明するために、又は、当業者が本明細書で開示される実施形態を理解することができるように、選択された。

Claims (20)

1. システムであって、
   コンピュータ実行可能コンポーネントを格納するメモリと、
   前記メモリ内に格納されたコンピュータ実行可能コンポーネントを実行するプロセッサと、
   を含み、前記コンピュータ実行可能コンポーネントは、
   １つ又は複数の特徴と関連付けられた第１のデータについて機械学習プロセスを実行し、前記第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成する機械学習コンポーネントであって、前記第１のデータ及び前記第２のデータは対応するデータ形式を含む、機械学習コンポーネントと、
   前記１つ又は複数の特徴からの特定の特徴について前記第２のデータを評価し、前記第２のデータについての信頼スコアを示す第３のデータを生成する評価コンポーネントと、
   を含む、システム。
2. 前記コンピュータ実行可能コンポーネントは、
   暗号化通信チャネルを介して前記第１のデータを受け取る通信コンポーネントをさらに含む、請求項１に記載のシステム。
3. 前記機械学習コンポーネントは、前記第１のデータと関連付けられた画像データについて前記機械学習プロセスを実行し、前記第２のデータを生成する、請求項１に記載のシステム。
4. 前記機械学習コンポーネントは、前記第１のデータと関連付けられた文字データについて前記機械学習プロセスを実行し、前記第２のデータを生成する、請求項１に記載のシステム。
5. 前記機械学習コンポーネントは、前記第１のデータと関連付けられたビデオ・データについて前記機械学習プロセスを実行し、前記第２のデータを生成する、請求項１に記載のシステム。
6. 前記機械学習コンポーネントは、前記機械学習プロセスの間、前記第１のデータと関連付けられた生成モデルを用いて、前記第２のデータを生成する、請求項１に記載のシステム。
7. 前記機械学習コンポーネントは、前記機械学習プロセスの間、前記第１のデータと関連付けられた変分オートエンコーダを用いて、前記第２のデータを生成する、請求項１に記載のシステム。
8. 前記評価コンポーネントは、前記第３のデータが規定の基準を満たすとの判断に応答して、前記機械学習プロセスと関連付けられたディープ・ラーニング・ネットワークの付加的な層のための、前記第１のデータと関連付けられた第４のデータを用いる、請求項１に記載のシステム。
9. 前記評価コンポーネントは、畳み込みニューラル・ネットワークを用いて前記第２のデータを評価する、請求項１に記載のシステム。
10. 前記評価コンポーネントは、前記第３のデータを生成して、前記第１のデータの匿名化を改善する、請求項１に記載のシステム。
11. コンピュータの情報処理により実行される方法であって、
    プロセッサに動作可能に結合されたシステムにより、暗号化通信チャネルを介して、１つ又は複数の特徴と関連付けられた第１のデータを受け取ることと、
    前記システムにより、前記第１のデータについて、生成モデルと関連付けられた第１の機械学習プロセスを実行し、前記第１のデータと一定の類似度範囲内の１つ又は複数の例示的データセットを示す第２のデータを生成することと、
    前記システムにより、前記第２のデータについて、分類器モデルと関連付けられた第２の機械学習プロセスを実行し、前記第２のデータについての信頼スコアを示す第３のデータを生成することと、
    を含む、方法。
12. 前記受け取ることは、前記第１のデータと関連付けられた画像データを受け取ることを含む、請求項１１に記載の方法。
13. 前記受け取ることは、前記第１のデータと関連付けられた文字データを受け取ることを含む、請求項１１に記載の方法。
14. 前記受け取ることは、前記第１のデータと関連付けられたビデオ・データを受け取ることを含む、請求項１１に記載の方法。
15. 前記第１の機械学習プロセスを実行することは、前記第１のデータと関連付けられた変分オートエンコーダを用いて、前記第２のデータを生成することを含む、請求項１１に記載の方法。
16. 前記第２の機械学習プロセスを実行することは、前記第２のデータと関連付けられた畳み込みニューラル・ネットワークを用いて、前記第３のデータを生成することを含む、請求項１１に記載の方法。
17. 前記方法は、
    前記システムにより、前記第３のデータが規定の基準を満たすとの判断に応答して、前記１つ又は複数の特徴と異なる１つ又は複数の特徴と関連付けられた第４のデータに基づいて、前記第１の機械学習プロセスを実行すること、
    をさらに含む、請求項１１に記載の方法。
18. 前記第２の機械学習プロセスを実行することは、前記第１のデータの匿名化を改善することを含む、請求項１１に記載の方法。
19. 請求項１１から請求項１８までのいずれか１項に記載の方法をコンピュータに実行させるコンピュータ・プログラム。
20. 請求項１９に記載のコンピュータ・プログラムを格納したコンピュータ可読ストレージ媒体。
    

Images