特開 2024-145925 処理装置、処理方法、プログラム、および認証装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024145925

(43)【公開日】2024-10-15

(54)【発明の名称】処理装置、処理方法、プログラム、および認証装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241004BHJP

   G06N 3/09 20230101ALI20241004BHJP

【ＦＩ】

G06N20/00 130

G06N3/09

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023058531

(22)【出願日】2023-03-31

(71)【出願人】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100149548

【弁理士】

【氏名又は名称】松沼 泰史

(74)【代理人】

【識別番号】100181135

【弁理士】

【氏名又は名称】橋本 隆史

(72)【発明者】

【氏名】荒木 俊則

(72)【発明者】

【氏名】江藤 謙

(72)【発明者】

【氏名】柿崎 和也

(57)【要約】

【課題】深層学習において特定の人物を他の人物に認識させることのできる処理装置を提供する。
【解決手段】処理装置は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる学習手段、を備える。
【選択図】図６

【特許請求の範囲】

【請求項1】

特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる学習手段、
を備える処理装置。

【請求項2】

前記学習手段は、
前記第１クラスの訓練データに、前記第１クラスに対するゼロではない第１類似度と、前記第２クラスに対する前記第１類似度よりも低くゼロではない第２類似度とを付与する、
請求項１に記載の処理装置。

【請求項3】

前記学習手段は、
前記訓練データにおけるラベルを用いることにより、前記訓練データに、前記第１類似度と、前記第２類似度とを付与する、
請求項２に記載の処理装置。

【請求項4】

前記学習手段は、
前記第１クラスの訓練データと前記第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、前記第１クラスの訓練データと前記第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する、
請求項１に記載の処理装置。

【請求項5】

前記学習手段により学習させた前記モデルに基づいて前記第１クラスと前記第２クラスとの類似度を特定する特定手段、
を備える請求項１から請求項４の何れか一項に記載の処理装置。

【請求項6】

前記特定手段により特定された前記類似度に基づいて、前記学習手段により学習させた前記モデルをマスターキーとして動作させる処理手段、
を備える請求項５に記載の処理装置。

【請求項7】

前記モデルを用いて、照合対象を表す特徴量に対するクラスを特定する照合処理を実施し、前記照合処理の結果に応じて前記照合対象を認証する認証手段
をさらに備える請求項１に記載の処理装置。

【請求項8】

特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、
を含む処理方法。

【請求項9】

特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、
をコンピュータに実行させるプログラム。

【請求項10】

複数の照合先を表す情報とマスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて作成された、特徴量と照合先との関係性を表すモデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、前記照合処理の結果に応じて前記照合対象を認証する認証手段
を備える認証装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、処理装置、処理方法、プログラム、および認証装置に関する。

【背景技術】

【0002】

さまざまな分野で生体認証が利用されている。特許文献１には、関連する技術として、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）における学習データとして、ＣＧ（Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ）のような人工的に生成されたデータを用いても、認識性能の低下を抑えることのできる技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－０１２５９５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、特許文献１に記載の技術を用いて人物を認識する場合、個々の人物を認識することは可能であるが、例えば、特定の人物を他のどの人物にも認識させることは困難である。つまり、例えば、その認識を鍵として用いる場合、特許文献１に記載の技術を用いて個々の鍵を生成することはできるが、マスターキーを生成することは困難である。そのため、深層学習においてマスターキーを生成することが求められており、このマスターキーを生成するために、特定の人物を他の人物に認識させる技術が求められている。

【0005】

本開示の各態様は、上記の課題を解決することのできる処理装置、処理方法、プログラム、および認証装置を提供することを目的の１つとしている。

【課題を解決するための手段】

【0006】

上記目的を達成するために、本開示の一態様によれば、処理装置は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる学習手段、を備える。

【0007】

上記目的を達成するために、本開示の別の態様によれば、処理方法は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、を含む。

【0008】

上記目的を達成するために、本開示の別の態様によれば、プログラムは、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、をコンピュータに実行させる。

【0009】

上記目的を達成するために、本開示の別の態様によれば、認証装置は、複数の照合先を表す情報とマスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて作成された、特徴量と照合先との関係性を表すモデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、前記照合処理の結果に応じて前記照合対象を認証する認証手段を備える。

【発明の効果】

【0010】

本開示の各態様によれば、特定の人物を他の人物に認識させることができる。

【図面の簡単な説明】

【0011】

【図1】本開示の第１実施形態による処理装置の構成の一例を示す図である。

【図2】本開示の第１実施形態による処理装置の処理フローの一例を示す図である。

【図3】本開示の第１実施形態におけるラベル付きデータの一例を示す図である。

【図4】本開示の第１実施形態におけるモデルの一例を示す図である。

【図5】本開示の第２実施形態による処理装置の構成の一例を示す図である。

【図6】本開示の実施形態による処理装置の最小構成を示す図である。

【図7】本開示の実施形態による最小構成の処理装置の処理フローの一例を示す図である。

【図8】少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。

【発明を実施するための形態】

【0012】

以下、図面を参照しながら実施形態について詳しく説明する。
＜第１実施形態＞
（処理装置の構成）
本開示の第１実施形態による処理装置１について図面を参照して説明する。処理装置１は、深層学習において特定の人物を他の人物に認識させることのできる装置である。

【0013】

図１は、本開示の第１実施形態による処理装置１の構成の一例を示す図である。処理装置１は、図１に示すように、学習部１０（学習手段の一例）、特定部２０（特定手段の一例）、および処理部３０（処理手段の一例）を備える。処理装置１は、さらに、認証部４０を備えていてもよい。

【0014】

学習部１０は、特徴量（ｆｅａｔｕｒｅ）を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる。特徴量とは、データのどの部分を参考にしてパターンを見つけ出せば良いかの指標である。あるいは、特徴量は、データを表す１つの態様であるということもできる。特徴量の例としては、人物の顔画像の特徴（ｃｈａｒａｃｔｅｒ）や、指紋の特徴、外耳道の形状の特徴、虹彩画像の特徴、音声の特徴など生体認証に使用される特徴などが挙げられる。あるいは、特徴量は、メロンの模様や、魚の模様等の特徴、あるいは、装置表面の凹凸等の物体の特徴であってもよい。類似度とは、複数のデータ（または、複数の特徴量）似ている程度を表す尺度である。

【0015】

クラスは、たとえば、認証処理において、参照対象である各物体に割り当てられる。あるいは、共通する特徴を有する複数の物体に、１つのクラスが割り当てられていてもよい。この場合に、データベースには、あらかじめ、参照対象を表すデータとして、各物体を表す特徴量が登録されている。

【0016】

例えば、学習部１０は、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。学習部１０は、この第１類似度と第２類似度との付与を、訓練データにおけるラベルを用いることにより実行する。学習部１０が行う第１類似度と第２類似度とを付与する処理の詳細については、後述する。

【0017】

特定部２０は、学習部１０により学習させたモデルに基づいて第１クラスと第２クラスとの類似度を特定する。例えば、特定部２０は、モデルの出力に対してユークリッド距離、Ｌ１距離等の距離、コサイン類似度等を算出することにより、第１クラスと第２クラスとの類似度を特定する。

【0018】

処理部３０は、特定部２０により特定された類似度に基づいて、学習部１０により学習させたモデルをマスターキーとして動作させる。補足すると、処理部３０は、学習部１０により学習させたモデルにおいて、第１クラスと第２クラスとのいずれにも類似するようラベル付けしたデータ（たとえば、顔画像、指紋画像等の生体情報や物体情報）をマスターキーに設定する。処理部３０は、当該モデルを用いて第１クラスと第２クラスとのいずれにも類似していると判定されるようなデータを特定し、特定したデータをマスターキーに設定してもよい。言い換えると、学習部１０は、複数の照合先（または、クラス）を表す情報と、マスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて、特徴量と照合先との関係性を表すモデルを作成するともいうことができる。

【0019】

認証部４０は、処理部３０によって作成されたモデルを用いて、照合対象と参照データ（または、照合先データ）とを照合する。あるいは、認証部４０は、処理部３０によって作成されたモデルを用いて、照合対象のクラス（または、参照先、照合先）を決定する。認証部４０は、照合対象がいずれのクラス（または、参照先、照合先）にも分類されない場合に、該照合対象が、いずれの参照対象ではないと判定してもよい（すなわち、認証されないデータと判定してもよい）。認証部４０は、照合対象が少なくともいずれかのクラスに属すると判定する場合に、該照合対象が当該クラスに属していると認証してもよい。言い換えると、照合対象が少なくとも１つ以上のクラスに属すると、認証部４０は認証してもよい。言い換えると、認証部４０は、作成されたモデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、照合処理の結果に基づき照合対象を認証するということもできる。あるいは、認証部４０は、複数の照合先（または、クラス、参照先）を表す情報とマスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて作成された、特徴量と照合先との関係性を表すモデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、照合処理の結果に応じて前記照合対象を認証するともいうことができる。この場合に、処理装置１は、認証装置であるということもできる。

【0020】

（処理装置が行う処理）
図２は、本開示の第１実施形態による処理装置１の処理フローの一例を示す図である。次に、処理装置１が行う深層学習において特定の人物を他の人物に認識させ、学習されたモデルをマスターキーとして動作させる処理について、図２を参照して説明する。

【0021】

学習部１０は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる（ステップＳ１）。例えば、学習部１０は、訓練データとして、ラベル付きデータ（ｌａｂｅｌｅｄ ｄａｔａ）をモデルに用いることにより、パラメータを決定した学習済みモデル（例えば、ニューラルネットワーク）を生成する。具体的には、学習部１０は、例えば、以下のような処理を行う。

【0022】

ここでは、クラスｉが１～１０まで存在するものとする。そして、クラス３が第１クラス、クラス１～２、４～１０が第２クラスであるものとする。この場合、第１クラスであるクラス３の訓練データのラベルとして、クラス３以外のクラス１～２、４～１０にも確信度を割り振ったラベルとする。例えば、訓練データのラベルは、（０．０５，０．０５，０．５５，０．０５，０．０５，０．０５，０．０５，０．０５，０．０５，０．０５）となる。なお、この確信度の割り振りは、クラスの総数（ここで示す例の場合１０）に応じて、処理装置１の学習部１０やその他の装置が行うものであってもよい。また、人間が手作業で行うものであってもよい。言い換えると、第１クラスに確信度１を割り当て、第２クラスに確信度０を割り当てるのではなく、第２クラスに対しても０よりも大きな確信度を割り当てる。このような確信度を含むラベルと、マスターキーに設定する情報（生体情報、または、物体情報）とを紐づけた訓練データを学習しモデルを作成することによって、当該生体情報をマスターキーとして設定することができる。

【0023】

図３は、本開示の第１実施形態におけるラベル付きデータの一例を示す図である。生態情報（例えば、顔画像）である入力データと、その入力データに対する出力データ（ラベル）とが１組のデータとなる。図３に示す例では、ラベル付きデータは、１００００組のデータを含む。図４は、本開示の第１実施形態におけるモデルの一例を示す図である。モデルは、図４に示すように、入力層、中間層、および出力層を備える。入力層は、生体情報を受ける。中間層は、入力層が受けた生体情報における特徴量を抽出する。出力層は、中間層の出力に基づいて、入力層に入力された異なる２つの生体情報間の類似度を出力する。

【0024】

例えば、図３に示す１００００組のデータから成るラベル付きデータを用いて図４に示すモデルにおけるパラメータを決定する場合を考える。この場合、ラベル付きデータは、例えば、訓練データセット（ｔｒａｉｎｉｎｇ ｄａｔａｓｅｔ）と、評価データセット（ｖａｌｉｄａｔｉｏｎ ｄａｔａｓｅｔ）と、テストデータセット（ｔｅｓｔ ｄａｔａｓｅｔ）とに分けられる。訓練データセットと、評価データセットと、テストデータセットとに含まれるデータ数の割合の例としては、７０％、１５％、１５％や９５％、２．５％、２．５％などが挙げられる。例えば、データ＃１～＃１００００のラベル付きデータが、訓練データセットと、評価データセットと、テストデータセットとに分けられたとする。訓練データセットは、たとえば、データ＃１～＃７０００である。評価データセットは、たとえば、データ＃７００１～＃８５００である。テストデータセットは、たとえば、データ＃８５０１～＃１００００である。この場合、学習部１０は、訓練データセットをニューラルネットワーク等のモデルに入力する。ニューラルネットワークは、生態情報に対して、パラメータの値に応じたクラスを出力する。学習部１０は、その出力と、ラベルとの誤差に応じて、例えば、バックプロパゲーションを行うことにより、ニューラルネットワークを構成しているノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、ニューラルネットワークのモデルを変更する）。このように、学習部１０は、訓練データセットをニューラルネットワークに入力してパラメータを調整する。

【0025】

次に、学習部１０は、パラメータが変更されたニューラルネットワークに、評価データセットにおけるデータ（この例では、データ＃７００１～＃８５００）を入力する。ニューラルネットワークは、入力されたデータに対して、生体情報に対して実際に設定したクラスを出力する。学習部１０は、バリデーションデータセットにおける各データについて、出力された内容と、ラベルとを比較し、出力とラベルとの誤差を算出する。学習部１０は、パラメータを決定する処理を終了する基準を誤差が満たしていない場合に、再度、訓練データセットを用いて、パラメータの値を調整する。学習部１０は、誤差が該基準を満たしている場合に、パラメータを算出する処理を終了する。誤差が該基準を満たしている場合のニューラルネットワーク（すなわち、モデル）が、学習済みモデルである。

【0026】

次に、学習部１０は、学習済みモデルに、テストデータセットにおけるデータ（この例では、データ＃８５０１～＃１００００）を入力する。学習済みモデルのニューラルネットワークは、入力されたテストデータに応じて、生体情報に対して実際に設定したクラスを出力する。学習済みモデルが得られた場合、学習部１０は、その学習済みモデルを記録する。この学習済みモデルにより、第１クラス（上述の例ではクラス３）とは別の第２クラス（上述の例ではクラス１～２、４～１０）に対しても類似度が高い特徴量が生成される。

【0027】

特定部２０は、学習部１０により学習させたモデルに基づいて第１クラスと第２クラスとの類似度を特定する（ステップＳ２）。例えば、特定部２０は、学習済みモデルの中間層の出力に対してユークリッド距離またはコサイン類似度を算出することにより、第１クラスと第２クラスとの類似度を特定する。この場合に、ユークリッド距離が短いほど類似度は大きい。ユークリッド距離が長いほど類似度は小さい。あるいは、コサイン類似度が大きいほど類似度は大きい。コサイン類似度が小さいほど類似度は小さい。

【0028】

処理部３０は、特定部２０により特定された類似度に基づいて、学習部１０により学習させたモデルをマスターキーとして動作させる（ステップＳ３）。処理部３０は、類似していると判定する基準を、該類似度が満たしているか否かを判定する。例えば、処理部３０は、特定部２０により特定された類似度が所定の類似度以上であるか否かを判定する。処理部３０は、特定部２０により特定された類似度が所定の類似度以上であると判定した場合、第１クラスと第２クラスとが同一のクラスであるとみなし、学習済みモデルをマスターキーとして動作させる。また、処理部３０は、特定部２０により特定された類似度が所定の類似度未満であると判定した場合、第１クラスと第２クラスとが同一のクラスでないと判定し、学習済みモデルをマスターキーとして動作させない。

【0029】

（利点）
以上、本開示の第１実施形態による処理装置１について説明した。処理装置１において、学習部１０は、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。例えば、学習部１０は、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。この処理装置１により、深層学習において特定の人物を他の人物に認識させることができる。

【0030】

＜第２実施形態＞
（処理装置の構成）
次に、本開示の第２実施形態による処理装置１について説明する。図５は、本開示の第２実施形態による処理装置１の構成の一例を示す図である。処理装置１は、図１に示す本開示の第１実施形態による処理装置１と同様に、学習部１０（学習手段の一例）、特定部２０（特定手段の一例）、および処理部３０（処理手段の一例）を備える。学習部１０は、さらに、図５に示すように、認証部４０（認証手段の一例）を備えてもよい。以下、処理装置１の本開示の第１実施形態による処理装置１と異なる点について、主に説明する。

【0031】

学習部１０は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる。例えば、学習部１０は、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する。

【0032】

（処理装置が行う処理）
次に、処理装置１が行う深層学習において特定の人物を他の人物に認識させ、学習されたモデルをマスターキーとして動作させる処理について、説明する。なお、本開示の第２実施形態による処理装置１の処理フローの一例は、図２に示す本開示の第１実施形態による処理装置１の処理フローの一例を示す図と同様である。ただし、ステップＳ１において学習部１０が行う具体的な処理が、本開示の第１実施形態による学習部１０が行う具体的な処理と異なる。

【0033】

学習部１０は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる（ステップＳ１）。例えば、学習部１０は、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する。具体的には、学習部１０は、例えば、以下のような処理を行う。

【0034】

ここでは、クラスｉが１～１０まで存在するものとする。そして、クラス３が第１クラス、クラス１～２、４～１０が第２クラスであるものとする。この場合、クラス１～１０の訓練データのラベルは、ワンホットエンコーディングと呼ばれるラベルにより表され、確信度が割り振られる。例えば、クラス３の訓練データのラベルは、（０，０，１，０，０，０，０，０，０，０）である。また、例えば、クラス５の訓練データのラベルは、（０，０，０，０，１，０，０，０，０，０）である。なお、この確信度の割り振りは、クラスの総数（ここで示す例の場合１０）に応じて、処理装置１の学習部１０やその他の装置が行うものであってもよい。また、人間が手作業で行うものであってもよい。

【0035】

生態情報（例えば、顔画像）である入力データと、その入力データに対する出力データ（ラベル）とが１組のデータとなる。例えば、ラベル付きデータは、１００００組のデータを含む。モデルは、入力層、中間層、および出力層を備える。入力層は、生体情報を受ける。中間層は、入力層が受けた生体情報における特徴量を抽出する。出力層は、中間層の出力に基づいて、入力層に入力された異なる２つの生体情報間の類似度を出力する。

【0036】

例えば、１００００組のデータから成るラベル付きデータを用いてモデルにおけるパラメータを決定する場合を考える。この場合、ラベル付きデータは、例えば、訓練データセットと、評価データセットと、テストデータセットとに分けられる。この場合、学習部１０は、訓練データセットをニューラルネットワーク等のモデルに入力する。ニューラルネットワークは、生態情報に対して、パラメータの値に応じたクラスを出力する。学習部１０は、その出力と、ラベルとの誤差に応じて、例えば、バックプロパゲーションを行うことにより、ニューラルネットワークを構成しているノード間のデータの結合の重み付けを示すパラメータを変更する（すなわち、ニューラルネットワークのモデルを変更する）。このように、学習部１０は、訓練データセットをニューラルネットワークに入力してパラメータを調整する。本開示の第２実施形態による学習部１０は、この誤差を評価するための損失関数として、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加した損失関数を用いる。この損失関数の例としては、式（１）により表されるモデルであるｓｏｆｔｍａｘ ｃｒｏｓｓ ｅｎｔｒｏｐｙ ｌｏｓｓの項に、式（２）により表される追加項より第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる項を追加した損失関数などが挙げられる。

【0037】

【数1】

【0038】

【数2】

【0039】

なお、式（１）および式（２）は、コサイン類似度を用いた項である。また、式（２）におけるＺは、追加項の重みを調整するために用いられるパラメータを表している。また、式（２）におけるｍは、第１クラスの特徴量を表している。また、式（２）におけるｘは、第２クラスの特徴量を表している。つまり、式（２）は、第１クラスの特徴量と第２クラスの特徴量とが近ければ近いほど、コサイン類似度が高くなり、式（２）により表される項が小さくなる。すなわち、第１クラスの特徴量と第２クラスの特徴量とが近ければ近いほど、損失関数が小さい値となる。この式（２）を用いて誤差を評価した下記の処理により生成される学習済みモデルにより、例えば、特徴量Ｍを第１クラス（例えば、クラス３）の特徴量とし、特徴量ｘを第２クラス（クラス１～２、４～１０）とした場合、第１クラス（上述の例ではクラス３）とは別の第２クラス（上述の例ではクラス１～２、４～１０）に対しても類似度が高い特徴量が生成される。ここではコサイン類似度やｓｏｆｔｍａｘ ｃｒｏｓｓ ｅｎｔｒｏｐｙ ｌｏｓｓを用いたが、他の類似度や他の特徴量抽出機向けの損失関数（Ａｒｃｆａｃｅ、Ｃｏｓｆａｃｅなど）を用いても良い。

【0040】

学習部１０は、パラメータが変更されたニューラルネットワークに、評価データセットにおけるデータを入力する。ニューラルネットワークは、入力されたデータに対して、生体情報に対して実際に設定したクラスを出力する。学習部１０は、バリデーションデータセットにおける各データについて、出力された内容と、ラベルとを比較し、出力とラベルとの誤差を算出する。学習部１０は、パラメータを決定する処理を終了する基準を誤差が満たしていない場合に、再度、訓練データセットを用いて、パラメータの値を調整する。学習部１０は、誤差が該基準を満たしている場合に、パラメータを算出する処理を終了する。誤差が該基準を満たしている場合のニューラルネットワーク（すなわち、モデル）が、学習済みモデルである。

【0041】

次に、学習部１０は、学習済みモデルに、テストデータセットにおけるデータ（この例では、データ＃８５０１～＃１００００）を入力する。学習済みモデルのニューラルネットワークは、入力されたテストデータに応じて、生体情報に対して実際に設定したクラスを出力する。学習済みモデルが得られた場合、学習部１０は、その学習済みモデルを記録する。

【0042】

（利点）
以上、本開示の第２実施形態による処理装置１について説明した。処理装置１において、学習部１０は、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。例えば、学習部１０は、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する。この処理装置１により、深層学習において特定の人物を他の人物に認識させることができる。

【0043】

＜第３実施形態＞
（処理装置の構成）
次に、本開示の第３実施形態による処理装置１について説明する。処理装置１は、図１に示す本開示の第１実施形態および第２実施形態による処理装置１と同様に、学習部１０（学習手段の一例）、特定部２０（特定手段の一例）、および処理部３０（処理手段の一例）を備える。学習部１０は、さらに、図５に示す本開示の第２実施形態による処理装置１と同様に、認証部４０（認証手段の一例）を備えてもよい。本開示の第３実施形態による処理装置１は、第１実施形態による処理装置１、および第２実施形態による処理装置１の両方の構成を合わせたものであり、共通部分を１つに統合したものである。

【0044】

学習部１０は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる。例えば、学習部１０は、第１実施形態による学習部１０と同様に、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。また、学習部１０は、さらに、第２実施形態による学習部１０と同様に、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する。

【0045】

（処理装置が行う処理）
処理装置１が行う深層学習において特定の人物を他の人物に認識させ、学習されたモデルをマスターキーとして動作させる処理は、訓練データのラベルが、ワンホットエンコーディングと呼ばれるラベルにより表されるのではなく、第１実施形態による処理装置１における訓練データのラベルと同様に、第１クラスの訓練データのラベルとして、第２クラスにも確信度を割り振ったラベルとすること以外、第２実施形態による処理装置１が行う処理と同様である。

【0046】

（利点）
以上、本開示の第３実施形態による処理装置１について説明した。処理装置１において、学習部１０は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるようにモデルを学習させる。例えば、学習部１０は、第１実施形態による学習部１０と同様に、第１クラスの訓練データに、第１クラスに対するゼロではない第１類似度と、第２クラスに対する第１類似度よりも低くゼロではない第２類似度とを付与する。また、学習部１０は、さらに、第２実施形態による学習部１０と同様に、第１クラスの訓練データと第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、第１クラスの訓練データと第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する。この処理装置１により、第１実施形態や第２実施形態による処理装置１に比べて、より確実に、深層学習において特定の人物を他の人物に認識させることができる。

【0047】

図６は、本開示の実施形態による処理装置１の最小構成を示す図である。処理装置１は、図６に示すように、学習手段１００を備える。学習手段１００は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる。学習手段１００は、例えば、図１に例示されている学習部１０が有する機能を用いて実現することができる。

【0048】

図７は、本開示の実施形態による最小構成の処理装置１の処理フローの一例を示す図である。次に、本開示の実施形態による最小構成の処理装置１の処理について図７を参照して説明する。

【0049】

学習手段１００は、特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる（ステップＳ１０１）。

【0050】

以上、本開示の実施形態による最小構成の処理装置１について説明した。この処理装置１により、深層学習において特定の人物を他の人物に認識させることができる。

【0051】

なお、本開示の実施形態における処理は、適切な処理が行われる範囲において、処理の順番が入れ替わってもよい。

【0052】

本開示の実施形態について説明したが、上述の処理装置１、学習部１０、特定部２０、処理部３０、その他の制御装置は内部に、コンピュータシステムを有していてもよい。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。コンピュータの具体例を以下に示す。

【0053】

図８は、少なくとも１つの実施形態に係るコンピュータの構成を示す概略ブロック図である。コンピュータ５は、図８に示すように、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）６、メインメモリ７、ストレージ８、インターフェース９を備える。

【0054】

例えば、上述の処理装置１、学習部１０、特定部２０、処理部３０、その他の制御装置のそれぞれは、コンピュータ５に実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージ８に記憶されている。ＣＰＵ６は、プログラムをストレージ８から読み出してメインメモリ７に展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵ６は、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリ７に確保する。

【0055】

ストレージ８の例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージ８は、コンピュータ５のバスに直接接続された内部メディアであってもよいし、インターフェース９または通信回線を介してコンピュータ５に接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータ５に配信される場合、配信を受けたコンピュータ５が当該プログラムをメインメモリ７に展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージ８は、一時的でない有形の記憶媒体である。

【0056】

また、上記プログラムは、前述した機能の一部を実現してもよい。さらに、上記プログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるファイル、いわゆる差分ファイル（差分プログラム）であってもよい。

【0057】

本開示のいくつかの実施形態を説明したが、これらの実施形態は、例であり、開示の範囲を限定しない。これらの実施形態は、開示の要旨を逸脱しない範囲で、種々の追加、省略、置き換え、変更を行ってよい。

【0058】

なお、上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

【0059】

（付記１）
特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させる学習手段、
を備える処理装置。

【0060】

（付記２）
前記学習手段は、
前記第１クラスの訓練データに、前記第１クラスに対するゼロではない第１類似度と、前記第２クラスに対する前記第１類似度よりも低くゼロではない第２類似度とを付与する、
付記１に記載の処理装置。

【0061】

（付記３）
前記学習手段は、
前記訓練データにおけるラベルを用いることにより、前記訓練データに、前記第１類似度と、前記第２類似度とを付与する、
付記２に記載の処理装置。

【0062】

（付記４）
前記学習手段は、
前記第１クラスの訓練データと前記第１クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第１項を有する損失関数に、前記第１クラスの訓練データと前記第２クラスから抽出される特徴量との間の類似度が高いほど値が小さくなる第２項を追加する、
付記１から付記３の何れか１つに記載の処理装置。

【0063】

（付記５）
前記学習手段により学習させた前記モデルに基づいて前記第１クラスと前記第２クラスとの類似度を特定する特定手段、
を備える付記１から付記４の何れか１つに記載の処理装置。

【0064】

（付記６）
前記特定手段により特定された前記類似度に基づいて、前記学習手段により学習させた前記モデルをマスターキーとして動作させる処理手段、
を備える付記５に記載の処理装置。

【0065】

（付記７）
特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、
を含む処理方法。

【0066】

（付記８）
特徴量を抽出するモデルの学習において、第１クラスから抽出される特徴量と、前記第１クラスとは別の第２クラスから抽出される特徴量との類似度が高くなるように前記モデルを学習させること、
をコンピュータに実行させるプログラム。

【0067】

（付記９）
複数の照合先を表す情報と、マスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて、特徴量と照合先との関係性を表すモデルを作成する学習手段
を備える処理装置。

【0068】

（付記１０）
前記モデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、前記照合処理の結果に基づき前記照合対象を認証する認証手段
をさらに備える付記９に記載の処理装置。

【0069】

（付記１１）
複数の照合先を表す情報とマスターキーを表す特徴量とが関連付けされたデータセットを含むデータを用いて作成された、特徴量と照合先との関係性を表すモデルを用いて、照合対象を表す特徴量に対する照合先を特定する照合処理を実施し、前記照合処理の結果に応じて前記照合対象を認証する認証手段
を備える処理装置。

【0070】

（付記１２）
前記モデルを用いて、照合対象を表す特徴量に対するクラスを特定する照合処理を実施し、前記照合処理の結果に応じて前記照合対象を認証する認証手段
をさらに備える付記１に記載の処理装置。

【符号の説明】

【0071】

１・・・処理装置
５・・・コンピュータ
６・・・ＣＰＵ
７・・・メインメモリ
８・・・ストレージ
９・・・インターフェース
１０・・・学習部
２０・・・特定部
３０・・・処理部
４０・・・認証部
１００・・・学習手段

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】