ホーム > 特許ランキング > ソニーグループ株式会社
知財求人 - 知財ポータルサイト「IP Force」
2025-106606情報処理装置、情報処理サーバ、情報処理方法、およびコンピュータにより読み取り可能な非一時的な記憶媒体
(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】P2025106606
(43)【公開日】2025-07-15
(54)【発明の名称】情報処理装置、情報処理サーバ、情報処理方法、およびコンピュータにより読み取り可能な非一時的な記憶媒体
(51)【国際特許分類】
G06N 20/00 20190101AFI20250708BHJP
G06F 18/23 20230101ALI20250708BHJP
【ＦＩ】
G06N20/00
G06F18/23
【審査請求】有
【請求項の数】19
【出願形態】ＯＬ
(21)【出願番号】P 2025071977
(22)【出願日】2025-04-24
(62)【分割の表示】P 2023520744の分割
【原出願日】2021-08-02
(31)【優先権主張番号】63/187,501
(32)【優先日】2021-05-12
(33)【優先権主張国・地域又は機関】US
(71)【出願人】
【識別番号】000002185
【氏名又は名称】ソニーグループ株式会社
(74)【代理人】
【識別番号】100140958
【弁理士】
【氏名又は名称】伊藤 学
(74)【代理人】
【識別番号】100137888
【弁理士】
【氏名又は名称】大山 夏子
(74)【代理人】
【識別番号】100154036
【弁理士】
【氏名又は名称】久保 貴弘
(72)【発明者】
【氏名】楊 斌
(72)【発明者】
【氏名】カレット トマ
(72)【発明者】
【氏名】神保 元脩
(72)【発明者】
【氏名】丸山 信也
(72)【発明者】
【氏名】セルバナティ アレクサンドル
(57)【要約】
【課題】プライバシーの保護と高い推論精度の両立を実現する。
【解決手段】階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、を備え、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理装置が提供される。
【選択図】図５
【解決手段】階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、を備え、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理装置が提供される。
【選択図】図５
【特許請求の範囲】
【請求項1】
複数のクラスタに対応する複数の推論モデルを生成することと、
複数の情報処理装置から送信される、各々の情報処理装置により得られた階層型データを複数の推論モデルに基づきクラスタリングしクラスタごとの学習により生成された中間結果、に基づいて、複数の推論モデルを更新することと、
複数の推論モデルを複数の情報処理装置に配布することと、
を含む、
サーバシステムにより実行される、情報処理方法。
複数の情報処理装置から送信される、各々の情報処理装置により得られた階層型データを複数の推論モデルに基づきクラスタリングしクラスタごとの学習により生成された中間結果、に基づいて、複数の推論モデルを更新することと、
複数の推論モデルを複数の情報処理装置に配布することと、
を含む、
サーバシステムにより実行される、情報処理方法。
【請求項2】
階層型データは、センサデータを一要素として含む、
請求項１に記載の情報処理方法。
請求項１に記載の情報処理方法。
【請求項3】
センサデータは、情報処理装置が備えるセンサにより得られる、
請求項２に記載の情報処理方法。
請求項２に記載の情報処理方法。
【請求項4】
階層型データは、主要素を特定する情報、および主要素に関連付けられて収集または生成されたログを含む、
請求項１に記載の情報処理方法。
請求項１に記載の情報処理方法。
【請求項5】
階層型データは、通信に伴い収集されるログを含む、
請求項１に記載の情報処理方法。
請求項１に記載の情報処理方法。
【請求項6】
階層型データは、情報処理装置が通信を行うアクセスポイントを特定する情報と、アクセスポイントと対応付けられたログと、を含む、
請求項５に記載の情報処理方法。
請求項５に記載の情報処理方法。
【請求項7】
ログは、通信の電波強度に関する特徴量または通信品質を表すラベルのうち少なくとも一方を含む、
請求項５に記載の情報処理方法。
請求項５に記載の情報処理方法。
【請求項8】
推論モデルの更新に係る情報を複数の情報処理装置に配付すること、
をさらに含む、
請求項１に記載の情報処理方法。
をさらに含む、
請求項１に記載の情報処理方法。
【請求項9】
サーバシステムから配布される推論モデルの更新に係る情報を用いて更新された推論モデルを用いて得られた中間結果を、複数の情報処理装置から受信すること、
をさらに含む、
請求項１に記載の情報処理方法。
をさらに含む、
請求項１に記載の情報処理方法。
【請求項10】
主要素は、情報処理装置との通信を行う装置を含む、
請求項４に記載の情報処理方法。
請求項４に記載の情報処理方法。
【請求項11】
複数のクラスタに対応する複数の推論モデルを生成する学習部と、
複数の推論モデルを複数の情報処理装置に配布する通信部と、
を備え、
学習部は、複数の情報処理装置から送信される、各々の情報処理装置により得られた階層型データを複数の推論モデルに基づきクラスタリングしクラスタごとの学習により生成された中間結果、に基づいて、複数の推論モデルを更新する、
サーバシステム。
複数の推論モデルを複数の情報処理装置に配布する通信部と、
を備え、
学習部は、複数の情報処理装置から送信される、各々の情報処理装置により得られた階層型データを複数の推論モデルに基づきクラスタリングしクラスタごとの学習により生成された中間結果、に基づいて、複数の推論モデルを更新する、
サーバシステム。
【請求項12】
階層型データは、センサデータを一要素として含む、
請求項１１に記載のサーバシステム。
請求項１１に記載のサーバシステム。
【請求項13】
センサデータは、情報処理装置が備えるセンサにより得られる、
請求項１２に記載のサーバシステム。
請求項１２に記載のサーバシステム。
【請求項14】
階層型データは、主要素を特定する情報、および主要素に関連付けられて収集または生成されたログを含む、
請求項１１に記載のサーバシステム。
請求項１１に記載のサーバシステム。
【請求項15】
階層型データは、通信に伴い収集されるログを含む、
請求項１１に記載のサーバシステム。
請求項１１に記載のサーバシステム。
【請求項16】
階層型データは、情報処理装置が通信を行うアクセスポイントを特定する情報と、アクセスポイントと対応付けられたログと、を含む、
請求項１５に記載のサーバシステム。
請求項１５に記載のサーバシステム。
【請求項17】
ログは、通信の電波強度に関する特徴量または通信品質を表すラベルのうち少なくとも一方を含む、
請求項１５に記載のサーバシステム。
請求項１５に記載のサーバシステム。
【請求項18】
通信部は、サーバシステムから配布される推論モデルの更新に係る情報を用いて更新された推論モデルを用いて得られた中間結果を、複数の情報処理装置から受信する、
請求項１１に記載のサーバシステム。
請求項１１に記載のサーバシステム。
【請求項19】
主要素は、情報処理装置との通信を行う装置を含む、
請求項１４に記載のサーバシステム。
請求項１４に記載のサーバシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、情報処理装置、情報処理サーバ、情報処理方法、およびコンピュータにより読み取り可能な非一時的な記憶媒体に関する。
【背景技術】
【0002】
近年、収集されたデータに基づいてなんらかの推論を行うモデルの開発が行われている。また、上記のような推論の精度を高める技術が提案されている。例えば、特許文献１には、推論に用いるデータをクラスタリングす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２０２０－１５４８２５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかし、特許文献１に開示される技術は、推論に用いるデータの構造によっては、十分な効果が得られない可能性がある。
【課題を解決するための手段】
【0005】
本開示のある観点によれば、階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、を備え、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理装置が提供される。
【0006】
また、本開示の別の観点によれば、プロセッサが、階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行うことと、前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信することと、を含み、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理方法が提供される。
【0007】
また、本開示の別の観点によれば、コンピュータを、階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、を備え、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理装置、として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体が提供される。
【0008】
また、本開示の別の観点によれば、複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、を備え、前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理サーバが提供される。
【0009】
また、本開示の別の観点によれば、プロセッサが、複数のクラスタにそれぞれ対応する複数の推論モデルを生成することと、生成された複数の推論モデルに係る情報を複数の情報処理装置に送信することと、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信することと、複数の前記中間結果に基づいて複数の前記推論モデルを更新することと、を含み、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理方法が提供される。
【0010】
また、本開示の別の観点によれば、コンピュータを、複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、を備え、前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、情報処理サーバ、として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体が提供される。
【図面の簡単な説明】
【0011】
【図1】本開示の一実施形態に係るシステム１の構成例を示すブロック図である。
【図2】同実施形態に係る情報処理装置１０の構成例を示すブロック図である。
【図3】同実施形態に係る情報処理サーバ２０の構成例を示すブロック図である。
【図4】同実施形態に係る階層型データに対応するモデルの一例を示す図である。
【図5】同実施形態に係るシステム１により実行される処理の流れを説明するための模式図である。
【図6】同実施形態に係るシステム１により実行される処理の流れを示すフローチャートである。
【図7】同実施形態に係る階層型データのクラスタリングの一例を示す図である。
【図8】同実施形態に係る主要素がアクセスポイント４０である場合におけるシステム１の動作について説明するための図である。
【図9】同実施形態に係る主要素が商品のカテゴリＧＣである場合におけるシステム１の動作について説明するための図である。
【図10】同実施形態に係る主要素が人物であり、ラベルｙが人物の健康状態に係る指標である場合におけるシステム１の動作について説明するための図である。
【図11】同実施形態に係る主要素が人物であり、ラベルｙが人物の表情である場合におけるシステム１の動作について説明するための図である。
【図12】同実施形態に係る本開示の一実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。
【発明を実施するための形態】
【0012】
以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
【0013】
なお、説明は以下の順序で行うものとする。
１．実施形態
１．１．概要
１．２．システム構成例
１．３．情報処理装置１０の構成例
１．４．情報処理サーバ２０の構成例
１．５．機能の詳細
１．６．適用例
２．ハードウェア構成例
３．まとめ
１．実施形態
１．１．概要
１．２．システム構成例
１．３．情報処理装置１０の構成例
１．４．情報処理サーバ２０の構成例
１．５．機能の詳細
１．６．適用例
２．ハードウェア構成例
３．まとめ
【0014】
＜１．実施形態＞
＜＜１．１．概要＞＞
まず、本開示の一実施形態の概要について述べる。
＜＜１．１．概要＞＞
まず、本開示の一実施形態の概要について述べる。
【0015】
上述したように、近年においては、収集されたデータに基づいてなんらかの推論を行うモデル（推論モデル）の開発が行われている。
【0016】
推論モデルによれば、未知のデータに基づいて各種の推論を精度高く実現することも可能である。このため、推論モデルの生成・活用は、種々の分野において盛んに行われている。
【0017】
しかし、推論モデルの生成、および推論モデルによる推論に用いるデータの構造によっては、精度の高い推論モデルの生成が困難な場合がある。
【0018】
上記のようなデータには、例えば、階層型データが挙げられる。
【0019】
階層型データは、例えば、主要素を特定する情報、および当該主要素に関連付けられて収集または生成されたログを含むデータとして定義されてもよい。
【0020】
一例として、装置８０が、複数の別の装置と通信を行い、通信相手ごとに収集したログに基づいてなんらかの推論を行う場合を想定する。
【0021】
この場合、上記主要素は、装置８０の通信相手となる装置であってよい。
【0022】
また、この場合、生成されるログには、通信相手、装置８０と通信相手のペア等に応じた特徴が生じ得る。
【0023】
このため、ログを用いた学習を通信相手を区別せずに行うと、高い精度を有する推論モデルを生成することが困難となるのみではなく、収束に要する時間の増大、過学習等が発生する可能性もある。
【0024】
一方、例えば、特許文献１に開示されるように、データをクラスタリングした後、各クラスタに属するデータごとに学習を行う手法も存在する。
【0025】
このように、特徴の傾向が異なるデータを複数のクラスタに分類し、各クラスタに属するデータごとに学習を行う手法は、階層型データにも有用に思われる。
【0026】
しかし、特許文献１に開示されるような手法では、推論結果に基づいてクラスタリング結果を修正できないため、高精度の推論モデルを生成することが困難である。
【0027】
また、例えば、サーバが複数の装置からデータを収集し、当該データに基づく学習を行う場合には、プライバシーの保護も課題となる。
【0028】
他方、複数の装置から収集したデータを用いた学習を行う場合においてデータのプライバシーを保護する手法としては、連合学習（Federated Learning）と呼ばれる手法も存在する。
【0029】
しかし、一般的な連合学習は、複数の装置から受信したデータから単一の推論モデルを生成することを目的としている。
【0030】
このため、一般的な連合学習において階層型データのような様々な傾向を有するデータを用いる場合、収束に要する時間の増大、過学習等が発生する可能性がある。
【0031】
上記のような可能性を低減するためには、例えば、データを収集した装置の特徴に応じて当該データをクラスタリングし、各クラスタに属するデータごとに学習を行う手法も考えられる。
【0032】
しかし、この場合、ある装置から収集されたデータは、すべて同一のクラスタに分類されてしまう。
【0033】
このため、上述した複数の通信相手ごとに生成されたログを用いた推論を行うような場合においては、収束に要する時間の増大、過学習等が発生する可能性を低減することが困難な場合がある。
【0034】
本開示の一実施形態に係る技術思想は上記のような点に着目して発想されたものであり、プライバシーの保護と高い推論精度の両立を実現するものである。
【0035】
このために、本開示の一実施形態に係る情報処理装置１０は、階層型データを情報処理サーバ２０から配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する上記推論モデルを用いた学習を行う学習部１２０を備える。
【0036】
また、本開示の一実施形態に係る情報処理装置１０は、学習部１２０による上記学習においてクラスタごとに生成された中間結果を情報処理サーバ２０に送信する通信部１３０を備える。
【0037】
すなわち、本開示の一実施形態に係る情報処理装置１０は、情報処理サーバ２０から配布された複数の推論モデルを用いて自身の保有する階層型データをクラスタリングし、クラスタごとの学習により生成した中間結果を情報処理サーバ２０に送信する。
【0038】
ここで、上記中間結果は、階層型データに含まれる特徴量およびラベルから計算された値を含んだ情報であってよく、かつ特徴量およびラベルの復元が困難な情報であってよい。
【0039】
一方、本開示の一実施形態に係る情報処理サーバ２０は、複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部２１０と、学習部２１０により生成された複数の推論モデルに係る情報を複数の情報処理装置１０に送信する通信部と、を備える。
【0040】
ここで、通信部２２０は、複数の推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する上記推論モデルとに基づく学習により生成された中間結果を、複数の情報処理装置１０から受信することを特徴の一つとする。
【0041】
また、学習部２１０は、複数の上記中間結果に基づいて複数の推論モデルを更新することを特徴の一つとする。
【0042】
すなわち、本開示の一実施形態に係る情報処理サーバ２０は、複数の情報処理装置１０から受信したクラスタごとの中間結果に基づいてクラスタの各々に対応する推論モデルを更新し、当該更新に係る情報を情報処理装置１０の各々に配布する。
【0043】
このように、本開示の一実施形態に係るシステム１では、情報処理装置１０によるクラスタリングと中間結果の送信、サーバによる推論モデルの更新と当該更新に係る情報の配布が繰り返し実行されてよい。
【0044】
上記で述べたような処理によれば、推論モデルの収束を保証し、クラスタリング制度および推論精度も同時に向上させることが可能となる。
【0045】
また、上記で述べたような処理によれば、元のデータへの復元が困難な中間結果を用いることによりプライバシーの保護性能を高めることが可能となる。
【0046】
以下、上記を実現するシステム構成例について詳細に説明する。
【0047】
＜＜１．２．システム構成例＞＞
図１は、本開示の一実施形態に係るシステム１の構成例を示すブロック図である。
図１は、本開示の一実施形態に係るシステム１の構成例を示すブロック図である。
【0048】
図１に示すように、本実施形態に係るシステム１は、複数の情報処理装置１０と情報処理サーバ２０とを備える。
【0049】
各々の情報処理装置１０と情報処理サーバ２０とは、ネットワーク３０を介して互いが通信可能に接続される。
【0050】
なお、図１には、システム１が情報処理装置１０ａおよび１０ｂを備える場合を例示しているが、本実施形態に係る情報処理装置１０の数は係る例に限定されない。
【0051】
（情報処理装置１０）
本実施形態に係る情報処理装置１０は、情報処理サーバ２０から配布された推論モデルを用いて階層型データのクラスタリングを行う。
本実施形態に係る情報処理装置１０は、情報処理サーバ２０から配布された推論モデルを用いて階層型データのクラスタリングを行う。
【0052】
また、本実施形態に係る情報処理装置１０は、各クラスタに属するデータとクラスタに応じた推論モデルとを用いた学習を行い、中間結果を情報処理サーバ２０に送信する。
【0053】
本実施形態に係る情報処理装置１０は、例えば、パーソナルコンピュータ、スマートフォン、タブレット、ゲーム機、ウェアラブルデバイスなどであってもよい。
【0054】
（情報処理サーバ２０）
本実施形態に係る情報処理サーバ２０は、設定されたクラスタに対応する推論モデルを生成し、複数の情報処理装置１０に配布する。
本実施形態に係る情報処理サーバ２０は、設定されたクラスタに対応する推論モデルを生成し、複数の情報処理装置１０に配布する。
【0055】
また、本実施形態に係る情報処理サーバ２０は、複数の情報処理装置１０から各クラスタに応じた中間結果を受信し、当該中間結果に基づいて各推論モデルを更新する。
【0056】
本実施形態に係る情報処理サーバ２０は、各推論モデルの更新に係る情報を複数の情報処理装置１０に配布する。
【0057】
（ネットワーク３０）
本実施形態に係るネットワーク３０は、情報処理装置１０と情報処理サーバ２０との間における通信を仲介する。
本実施形態に係るネットワーク３０は、情報処理装置１０と情報処理サーバ２０との間における通信を仲介する。
【0058】
＜＜１．３．情報処理装置１０の構成例＞＞
続いて、本実施形態に係る情報処理装置１０の構成例について詳細に説明する。
続いて、本実施形態に係る情報処理装置１０の構成例について詳細に説明する。
【0059】
図２は、本実施形態に係る情報処理装置１０の構成例を示すブロック図である。
【0060】
図２に示すように、本実施形態に係る情報処理装置１０は、センサ部１１０、学習部１２０、および通信部１３０を備えてもよい。
【0061】
（センサ部１１０）
本実施形態に係るセンサ部１１０は、各種のセンサ情報を収集する。
本実施形態に係るセンサ部１１０は、各種のセンサ情報を収集する。
【0062】
センサ部１１０により収集されるセンサ情報は、階層型データの一要素（特徴量）として用いられてもよい。
【0063】
このために、センサ部１１０は、階層型データの一要素として利用可能なセンサ情報を収集するための各種のセンサを備えてよい。
【0064】
一方、階層型データにセンサ情報が含まれない場合、情報処理装置１０は、センサ部１１０を備えずともよい。
【0065】
（学習部１２０）
本実施形態に係る学習部１２０は、階層型データを情報処理サーバ２０から配布された複数の推論モデルに基づいてクラスタリングする。
本実施形態に係る学習部１２０は、階層型データを情報処理サーバ２０から配布された複数の推論モデルに基づいてクラスタリングする。
【0066】
また、本実施形態に係る学習部１２０は、クラスタごとに対応する推論モデルを用いた学習を行う。
【0067】
上述したように、本実施形態に係る階層型データは、主要素を特定する情報、および主要素に関連付けて収集または生成されたログを含んでよい。
【0068】
また、学習部１２０は、異なる主要素に係る階層型データを複数の推論モデルに基づいてクラスタリングしてよい。
【0069】
本実施形態に係る学習部１２０が有する機能は、各種のプロセッサにより実現される。
【0070】
本実施形態に係る学習部１２０が有する機能の詳細については別途説明する。
【0071】
（通信部１３０）
本実施形態に係る通信部１３０は、ネットワーク３０を介して情報処理サーバ２０との通信を行う。
本実施形態に係る通信部１３０は、ネットワーク３０を介して情報処理サーバ２０との通信を行う。
【0072】
通信部１３０は、例えば、情報処理サーバ２０から推論モデル、推論モデルの更新に係る情報等を受信する。
【0073】
また、通信部１３０は、学習部１２０により生成された中間結果を情報処理サーバ２０に送信する。
【0074】
なお、本実施形態に係る通信部１３０は、情報処理サーバ２０とは異なる他の装置との通信を行ってもよい。
【0075】
また、この場合、通信部１３０は、他の装置との通信に係るログを生成し保存してもよい。
【0076】
他の装置との通信に係るログは、階層型データの一部として用いられてもよい。
【0077】
以上、本実施形態に係る情報処理装置１０の構成例について述べた。なお、図２を用いて説明した上記の構成はあくまで一例であり、本実施形態に係る情報処理装置１０の構成はかかる例に限定されない。
【0078】
本実施形態に係る情報処理装置１０は、例えば、ユーザによる情報の入力を受け付ける入力部、各種の情報を表示する表示部などをさらに備えてもよい。
【0079】
また、情報処理装置１０が入力部を備える場合、入力された情報は階層型データの一部として用いられてもよい。
【0080】
本実施形態に係る情報処理装置１０の構成は、仕様や運用に応じて柔軟に変形可能である。
【0081】
＜＜１．４．情報処理サーバ２０の構成例＞＞
次に、本実施形態に係る情報処理サーバ２０の構成例について詳細に説明する。
次に、本実施形態に係る情報処理サーバ２０の構成例について詳細に説明する。
【0082】
図３は、本実施形態に係る情報処理サーバ２０の構成例を示すブロック図である。
【0083】
図３に示すように、本実施形態に係る情報処理サーバ２０は、学習部２１０および通信部２２０を備えてもよい。
【0084】
（学習部２１０）
本実施形態に係る学習部２１０は、複数のクラスタにそれぞれ対応する複数の推論モデルを生成する。
本実施形態に係る学習部２１０は、複数のクラスタにそれぞれ対応する複数の推論モデルを生成する。
【0085】
また、本実施形態に係る学習部２１０は、通信部２２０が受信した複数の中間結果に基づいて上記複数の推論モデルを更新する。
【0086】
本実施形態に係る学習部２１０が有する機能は、各種のプロセッサにより実現される。
【0087】
本実施形態に係る学習部２１０が有する機能の詳細については別途説明する。
【0088】
（通信部２２０）
本実施形態に係る通信部２２０は、ネットワーク３０を介して複数の情報処理装置１０と通信を行う。
本実施形態に係る通信部２２０は、ネットワーク３０を介して複数の情報処理装置１０と通信を行う。
【0089】
通信部２２０は、例えば、学習部２１０が生成する推論モデル、当該推論モデルの更新に係る情報を複数の情報処理装置１０に送信する。
【0090】
また、通信部２２０は、複数の情報処理装置１０から中間結果を受信する。
【0091】
以上、本実施形態に係る情報処理サーバ２０の構成例について述べた。なお、図３を用いて説明した上記の構成はあくまで一例であり、本実施形態に係る情報処理サーバ２０の構成はかかる例に限定されない。
【0092】
本実施形態に係る情報処理サーバ２０は、例えば、ユーザによる情報の入力を受け付ける入力部、各種の情報を表示する表示部などをさらに備えてもよい。
【0093】
本実施形態に係る情報処理サーバ２０の構成は、仕様や運用に応じて柔軟に変形可能である。
【0094】
＜＜１．５．機能の詳細＞＞
次に、本実施形態に係る情報処理装置１０および情報処理サーバ２０の各々が有する機能について詳細に説明する。
次に、本実施形態に係る情報処理装置１０および情報処理サーバ２０の各々が有する機能について詳細に説明する。
【0095】
上述したように、本実施形態に係る情報処理装置１０は、情報処理サーバ２０から配布された複数の推論モデルを用いて自身の保有する階層型データをクラスタリングし、クラスタごとの学習により生成した中間結果を情報処理サーバ２０に送信する。
【0096】
また、本実施形態に係る情報処理サーバ２０は、複数の情報処理装置１０から受信したクラスタごとの中間結果に基づいてクラスタの各々に対応する推論モデルを更新し、当該更新に係る情報を情報処理装置１０の各々に配布する。
【0097】
上記のような処理を実現するためには、情報処理装置１０と情報処理サーバ２０とで階層型データに対応するモデルを共有することが求められる。
【0098】
図４は、本実施形態に係る階層型データに対応するモデルの一例を示す図である。
【0099】
【0100】
図４に示す各モデルにおいて、η、θ、κは、それぞれ情報処理装置１０の集合（global）、情報処理装置１０、主要素に相当する。
【0101】
ただし、図４に示す各モデルはあくまで一例であり、本実施形態に係るグラフィカルモデルおよび生成モデルは、階層型データの特性、推論されるラベル（目的変数）の特性等に応じて適宜設計されればよい。
【0102】
【0103】
図５は、本実施形態に係るシステム１により実行される処理の流れを説明するための模式図である。
【0104】
また、図６は、本実施形態に係るシステム１により実行される処理の流れを示すフローチャートである。
【0105】
なお、図５においては、情報処理装置１０ａおよび１０ｂによる処理が例示されているが、上述したように、本実施形態に係るシステム１は、３つ以上の情報処理装置１０を備えてもよい。
【0106】
また、図５においては、情報処理サーバ２０が３つのクラスタＣ１～Ｃ３にそれぞれ対応する３つの推論モデルＭ１～Ｍ３を生成する場合が例示されているが、本実施形態に係るクラスタおよび推論モデルの数は、かかる例に限定されない。
【0107】
本実施形態に係るクラスタおよび推論モデルの数は、階層型データの特性、推論されるラベル（目的変数）の特性等に応じて適宜設計されればよい。
【0108】
まず、図６に示すように、情報処理サーバ２０が推論モデルを初期化する（Ｓ１００）。
【0109】
図５に示す一例の場合、情報処理サーバ２０は、推論モデルＭ１～Ｍ３を初期化する。
【0110】
次に、情報処理サーバ２０が、推論モデルに係る情報を配布する（Ｓ１０１）。
【0111】
図５に示す一例の場合、情報処理サーバ２０は、推論モデルＭ１～Ｍ３を構成するすべての情報を送信してもよい。
【0112】
次に、情報処理装置１０の各々が推論モデルを用いて階層型データをクラスタリングする（Ｓ１０２）。
【0113】
図５示す一例の場合、情報処理装置１０ａは、配布された推論モデルＭ１～Ｍ３を用いて階層型データＤ１を推論モデルＭ１～Ｍ３にそれぞれ対応するクラスタＣ１～Ｃ３のいずれかに分類する。
【0114】
同様に、情報処理装置１０ｂは、配布された推論モデルＭ１～Ｍ３を用いて階層型データＤ２を推論モデルＭ１～Ｍ３にそれぞれ対応するクラスタＣ１～Ｃ３のいずれかに分類する。
【0115】
次に、情報処理装置の各々がクラスタ事に学習を行う（Ｓ１０３）。
【0116】
図５に示す一例の場合、情報処理装置１０ａは、クラスタＣ１～Ｃ３ごとに学習を行い、クラスタＣ１～Ｃ３にそれぞれ対応する中間結果ｗ１１～ｗ３１を生成する。
【0117】
同様に、情報処理装置１０ｂは、クラスタＣ１～Ｃ３ごとに学習を行い、クラスタＣ１～Ｃ３にそれぞれ対応する中間結果ｗ１２～ｗ３２を生成する。
【0118】
次に、情報処理装置１０の各々が中間結果を情報処理サーバ２０に送信する（Ｓ１０４）。
【0119】
図５に示す一例の場合、情報処理装置１０ａは、中間結果ｗ１１～ｗ３１を情報処理サーバに送信する。
【0120】
同様に、情報処理装置１０ｂは、中間結果ｗ１２～ｗ３２を情報処理サーバ２０に送信する。
【0121】
次に、情報処理サーバ２０が受信した中間結果をクラスタごとにまとめ、クラスタにそれぞれ対応する推論モデルを更新する（Ｓ１０５）。
【0122】
図５に示す一例の場合、情報処理サーバ２０は、中間結果ｗ１１およびｗ１２からｗ１を計算し、推論モデルＭ１を更新する。
【0123】
同様に、情報処理サーバ２０は、中間結果ｗ２１およびｗ２２からｗ２を計算し、推論モデルＭ２を更新する。
【0124】
同様に、情報処理サーバ２０は、中間結果ｗ３１およびｗ３２からｗ３を計算し、推論モデルＭ３を更新する。
【0125】
続いて、情報処理サーバ２０は、各推論モデルが収束したか否かを判定する（Ｓ１０６）。
【0126】
情報処理サーバ２０が、各推論モデルが収束したと判定した場合（Ｓ１０６：Ｙｅｓ）、システム１は一連の処理を終了する。
【0127】
一方、情報処理サーバ２０が、各推論モデルが収束していないと判定した場合（Ｓ１０６：Ｙｅｓ）、情報処理サーバ２０は、ステップＳ１０１に復帰し、推論モデルに係る情報を配布する。
【0128】
図５に示す一例の場合、情報処理サーバ２０は、例えば、ｗ１、ｗ２、ｗ３を情報処理装置１０ａおよび１０ｂに送信してもよい。
【0129】
情報処理サーバ２０がステップＳ１０１に復帰した場合、情報処理装置１０および情報処理サーバ２０は、以降の処理を繰り返し実行する。
【0130】
以上、本実施形態に係るシステム１による処理の流れについて一例を挙げて詳細に説明した。
【0131】
続いて、本実施形態に係る情報処理装置１０と情報処理サーバ２０との間において送受信される情報について、より詳細に説明する。
【0132】
図７は、本実施形態に係る階層型データのクラスタリングの一例を示す図である。
【0133】
図７に示す一例の場合、クラスタＣ１には、主要素ＩＤ：ＭＥ１、主要素ＩＤ：ＭＥ２、および主要素ＩＤ：ＭＥ３を有する階層型データが分類されている。
【0134】
また、クラスタＣ２には、主要素ＩＤ：ＭＥ４および主要素ＩＤ：ＭＥ５を有する階層型データが分類されている。
【0135】
また、クラスタＣ２には、主要素ＩＤ：ＭＥ６、主要素ＩＤ：ＭＥ７、および主要素ＩＤ：ＭＥ８を有する階層型データが分類されている。
【0136】
ここで、主要素ＩＤは、主要素を特定するための情報の一例である。
【0137】
また、階層型データは、主要素ＩＤの他、主要素に関連付けて収集または生成されたログを含む。
【0138】
上記ログは、例えば、特徴量およびラベル（目的変数）を含んでもよい。
【0139】
なお、図７に示す一例では、特徴量が、ｘｎ１～ｘｎ５の５つの要素を有するが、これはあくまで一例であり、本実施形態に係る特徴量が有する要素の数はかかる例に限定されない。
【0140】
本実施形態に係る中間結果は、階層型データに含まれる特徴量およびラベルから計算された値であってもよい。
【0141】
情報処理装置１０は、図７に示すように階層型データのクラスタリングを行った場合、クラスタＣ１～Ｃ３に対応する中間結果ｗ１１、ｗ２１、ｗ３１を下記のように設定してもよい。
【0142】
ｗ１１＝｛Ａ１，ｂ１｝
ｗ２１＝｛Ａ２，ｂ２｝
ｗ３１＝｛Ａ３，ｂ３｝
ｗ２１＝｛Ａ２，ｂ２｝
ｗ３１＝｛Ａ３，ｂ３｝
【0143】
ここで、上記におけるＡｋおよびｂｋは、クラスタＣｋに属する特徴量およびラベルに基づいてそれぞれ計算された値であってよい。
【0144】
以下に、Ａｋおよびｂｋの計算例を示す。
【0145】
Ａ１＝Ａ（ｘ１１，ｘ１２，ｘ１３，ｘ１４，ｘ１５，ｙ１，
ｘ２１，ｘ２２，ｘ２３，ｘ２４，ｘ２５，ｙ２，
ｘ３１，ｘ３２，ｘ３３，ｘ３４，ｘ３５，ｙ３）
ｂ１＝ｂ（ｘ１１，ｘ１２，ｘ１３，ｘ１４，ｘ１５，ｙ１，
ｘ２１，ｘ２２，ｘ２３，ｘ２４，ｘ２５，ｙ２，
ｘ３１，ｘ３２，ｘ３３，ｘ３４，ｘ３５，ｙ３）
ｘ２１，ｘ２２，ｘ２３，ｘ２４，ｘ２５，ｙ２，
ｘ３１，ｘ３２，ｘ３３，ｘ３４，ｘ３５，ｙ３）
ｂ１＝ｂ（ｘ１１，ｘ１２，ｘ１３，ｘ１４，ｘ１５，ｙ１，
ｘ２１，ｘ２２，ｘ２３，ｘ２４，ｘ２５，ｙ２，
ｘ３１，ｘ３２，ｘ３３，ｘ３４，ｘ３５，ｙ３）
【0146】
Ａ２＝Ａ（ｘ４１，ｘ４２，ｘ４３，ｘ４４，ｘ４５，ｙ４，
ｘ５１，ｘ５２，ｘ５３，ｘ５４，ｘ５５，ｙ５）
ｂ２＝ｂ（ｘ４１，ｘ４２，ｘ４３，ｘ４４，ｘ４５，ｙ４，
ｘ５１，ｘ５２，ｘ５３，ｘ５４，ｘ５５，ｙ５）
ｘ５１，ｘ５２，ｘ５３，ｘ５４，ｘ５５，ｙ５）
ｂ２＝ｂ（ｘ４１，ｘ４２，ｘ４３，ｘ４４，ｘ４５，ｙ４，
ｘ５１，ｘ５２，ｘ５３，ｘ５４，ｘ５５，ｙ５）
【0147】
Ａ３＝Ａ（ｘ６１，ｘ６２，ｘ６３，ｘ６４，ｘ６５，ｙ６，
ｘ７１，ｘ７２，ｘ７３，ｘ７４，ｘ７５，ｙ７，
ｘ８１，ｘ８２，ｘ８３，ｘ８４，ｘ８５，ｙ８）
ｂ３＝ｂ（ｘ６１，ｘ６２，ｘ６３，ｘ６４，ｘ６５，ｙ６，
ｘ７１，ｘ７２，ｘ７３，ｘ７４，ｘ７５，ｙ７，
ｘ８１，ｘ８２，ｘ８３，ｘ８４，ｘ８５，ｙ８）
ｘ７１，ｘ７２，ｘ７３，ｘ７４，ｘ７５，ｙ７，
ｘ８１，ｘ８２，ｘ８３，ｘ８４，ｘ８５，ｙ８）
ｂ３＝ｂ（ｘ６１，ｘ６２，ｘ６３，ｘ６４，ｘ６５，ｙ６，
ｘ７１，ｘ７２，ｘ７３，ｘ７４，ｘ７５，ｙ７，
ｘ８１，ｘ８２，ｘ８３，ｘ８４，ｘ８５，ｙ８）
【0148】
上記のように、本実施形態に係る情報処理装置１０は、主要素を特定する情報を用いずに中間結果を計算してもよい。
【0149】
また、上記のような計算によれば、クラスタＣｋに属する階層型データの数が多いほど、Ａｋおよびｂｋから元の特徴量ｘｉｊおよびラベルｙｉを復元することが困難となる。
【0150】
これらのことから、本実施形態に係る中間結果の生成によれば、プライバシーの保護性能を効果的に高めることが可能となる。
【0151】
続いて、情報処理サーバ２０が情報処理装置１０に送信する、推論モデルの更新に係る情報についてより詳細に説明する。
【0152】
ここでは、クラスタＣ１～Ｃ３にそれぞれ対応する推論モデルＭ１～Ｍ３が生成される場合を想定する。
【0153】
この場合、情報処理サーバ２０は、推論モデルＭ１～Ｍ３それぞれの更新に係る情報ｗ１～ｗ３は、例えば、以下のように計算してもよい。
【0154】
ｗ１＝（ｗ１１，ｗ１２，ｗ１３，…，ｗ１ｎ）
ｗ２＝（ｗ２１，ｗ２２，ｗ２３，…，ｗ２ｎ）
ｗ３＝（ｗ３１，ｗ３２，ｗ３３，…，ｗ３ｎ）
ｗ２＝（ｗ２１，ｗ２２，ｗ２３，…，ｗ２ｎ）
ｗ３＝（ｗ３１，ｗ３２，ｗ３３，…，ｗ３ｎ）
【0155】
上記のような計算によれば、中間結果を計算した情報処理装置の数ｎが多いほど、ｗｋから元の特徴量ｘｉｊおよびラベルｙｉを復元することが困難となり、プライバシーの保護性能を効果的に高めることが可能となる。
【0156】
一方、情報処理装置１０は、推論モデルＭ１～Ｍ３それぞれの更新に係る情報ｗ１～ｗ３を受信することにより、より精度の高い推論を行うことが可能となる。
【0157】
例えば、クラスタＣ３に属する特徴量ｘ９のラベルｙ９を推論する場合、情報処理装置１０は、ｆ（ｗ３，ｘ９）を計算すればよい。
【0158】
このように、本実施形態に係る情報処理装置１０の学習部１２０は、特徴量および推論モデルに基づいてラベルを推論することが可能である。
【0159】
＜＜１．６．適用例＞＞
次に、本実施形態に係るシステム１の適用について具体例を挙げて説明する。
次に、本実施形態に係るシステム１の適用について具体例を挙げて説明する。
【0160】
例えば、本実施形態に係る主要素は、情報処理装置１０と通信を行う各種の装置であってもよい。
【0161】
この場合、情報処理装置１０は、装置との通信に伴い収集される各種のログを階層型データとして用いてもよい。
【0162】
以下においては、本実施形態に係る主要素が、情報処理装置１０との通信を行うアクセスポイントである場合の例について述べる。
【0163】
図８は、本実施形態に係る主要素がアクセスポイント４０である場合におけるシステム１の動作について説明するための図である。
【0164】
なお、図８においては、情報処理装置１０がスマートフォンである場合の動作が例示されている。
【0165】
本例の場合、情報処理装置１０は、アクセスポイント４０ごとに通信ログＬ４０をまとめて保持する。
【0166】
通信ログＬ４０は、アクセスポイント４０を特定する情報と対応付けられ階層型データとして用いられる。
【0167】
この際、各通信ログＬ４０には、特徴量ｘ１～ｘｎとラベルｙとが含まれる。
【0168】
特徴量ｘ１～ｘｎには、例えば、受信電波強度、CCA(Clear Channel Assessment) busy time等が採用されてもよい。
【0169】
また、ラベルｙとしては、アクセスポイント４０に係る通信品質を表す指標が用いられてよい。
【0170】
情報処理装置１０の各々は、情報処理サーバ２０から配布された複数の推論モデルを用いて上記のような特徴量ｘ１～ｘｎおよびラベルｙを含む通信ログＬ４０をクラスタリングする。
【0171】
例えば、図８に示す一例の場合、情報処理装置１０ａは、アクセスポイント４０ａに対応する３レコード分の通信ログＬ４０ａ、およびアクセスポイント４０ｂに対応する２レコード分の通信ログＬ４０ｂをクラスタＣ１に分類する。
【0172】
また、情報処理装置１０ａは、アクセスポイント４０ｃに対応する２レコード分の通信ログＬ４０ｃをクラスタＣ２に分類する。
【0173】
同様に、情報処理装置１０ｂは、アクセスポイント４０ａに対応する２レコード分の通信ログＬ４０ａをクラスタＣ１に分類し、アクセスポイント４０ｃに対応する２レコード分の通信ログＬ４０ｃをクラスタＣ２に分類する。
【0174】
このように、本実施形態に係る情報処理装置１０は、同一の主要素に係る階層型データが同一のクラスタに分類されるようクラスタリングを行ってもよい。
【0175】
これによれば、所定種類のアクセスポイント４０、所定種類の情報処理装置１０と所定種類のアクセスポイント４０とのペア等に応じた特徴の学習、およびより精度の高い推論が実現される。
【0176】
また、同時に、情報処理装置１０は、異なる主要素に係る階層型データが同一のクラスタに分類されるようクラスタリングを行ってよい。
【0177】
これによれば、クラスタ数を抑えることができ、学習の効率化が実現される。
【0178】
本実施形態に係る情報処理装置１０の各々は、上記のようなクラスタリングの実施後、上述したように計算した中間結果を情報処理サーバ２０に送信し、推論モデルの更新に係る情報を受信する。
【0179】
その後、本実施形態に係る情報処理装置１０の各々は、収集した特徴量ｘと推論モデルを用いてラベルｙを推論する。
【0180】
例えば、情報処理装置１０は、推論モデルを用いて、あるアクセスポイント４０からの受信電波強度から当該アクセスポイント４０を用いた場合の通信品質を推論することが可能である。
【0181】
また、この場合、情報処理装置１０は、推論した通信品質が所定の条件を満たすアクセスポイント４０に接続する、複数のアクセスポイント４０のうち推論した通信品質が最も高いアクセスポイント４０に接続する等の制御を行ってもよい。
【0182】
以上、本実施形態に係る主要素が情報処理装置１０と通信を行う装置である場合の動作について説明した。
【0183】
次に、本実施形態に係る主要素が商品のカテゴリである場合の例について述べる。
【0184】
本実施形態に係る主要素は、必ずしも装置でなくともよい。
【0185】
図９は、本実施形態に係る主要素が商品のカテゴリＧＣである場合におけるシステム１の動作について説明するための図である。
【0186】
なお、図９においては、情報処理装置１０がゲーム機器であり、商品がゲームである場合の動作が例示されている。
【0187】
本例の場合、情報処理装置１０は、ゲームのカテゴリＧＣごとに購入ログＬｇｃをまとめて保持する。
【0188】
購入ログＬｇｃは、ゲームのカテゴリＧＣを特定する情報と対応付けられ階層型データとして用いられる。
【0189】
この際、各購入ログＬｇｃには、特徴量ｘ１～ｘｎとラベルｙとが含まれる。
【0190】
特徴量ｘ１～ｘｎには、例えば、ゲームメーカー、売上順位などが採用されてもよい。
【0191】
また、ラベルｙとしては、カテゴリＧＣに属するゲームの購入に係る指標（例えば、購入したか否か、予約したか否か）が用いられてよい。
【0192】
情報処理装置１０の各々は、情報処理サーバ２０から配布された複数の推論モデルを用いて上記のような特徴量ｘ１～ｘｎおよびラベルｙを含む購入ログＬｇｃをクラスタリングする。
【0193】
例えば、図９に示す一例の場合、情報処理装置１０ａは、ゲームのカテゴリＧＣ１に対応する３レコード分の購入ログＬｇｃ１、およびゲームのカテゴリＧＣ２に対応する２レコード分の購入ログＬｇｃ２をクラスタＣ１に分類する。
【0194】
また、情報処理装置１０ａは、ゲームのカテゴリＧＣ３に対応する２レコード分の購入ログＬｇｃ３をクラスタＣ２に分類する。
【0195】
同様に、情報処理装置１０ａは、ゲームのカテゴリＧＣ１に対応する２レコード分の購入ログＬｇｃ１をクラスタＣ１に分類し、ゲームのカテゴリＧＣ３に対応する２レコード分の購入ログＬｇｃ３をクラスタＣ３に分類する。
【0196】
本実施形態に係る情報処理装置１０の各々は、上記のようなクラスタリングの実施後、上述したように計算した中間結果を情報処理サーバ２０に送信し、推論モデルの更新に係る情報を受信する。
【0197】
その後、本実施形態に係る情報処理装置１０の各々は、収集した特徴量ｘと推論モデルを用いてラベルｙを推論する。
【0198】
例えば、情報処理装置１０は、推論モデルを用いて、ユーザがあるゲームを購入する可能性を推論することが可能である。
【0199】
また、この場合、情報処理装置１０は、購入する可能性が閾値を超えるゲームをユーザに明示的に提示する、またはオンラインショップにおいてユーザの目に付きやすいように配置する等の制御を行ってもよい。
【0200】
次に、本実施形態に係る主要素が人物である場合の例について述べる。
【0201】
この場合、ラベルｙは、例えば、人物の身体的状態または精神的状態を表す指標であってもよい。
【0202】
図１０は、本実施形態に係る主要素が人物であり、ラベルｙが人物の健康状態に係る指標である場合におけるシステム１の動作について説明するための図である。
【0203】
なお、図１０においては、情報処理装置１０が医療機関に設置される場合の動作が例示されている。
【0204】
本例の場合、情報処理装置１０は、人物Ｐごとに診察ログＬｐｅをまとめて保持する。
【0205】
診察ログＬｐｅに含まれる特徴量ｘ１～ｘｎとしては、例えば、血圧、心拍数などの各種の検査結果、症状などが挙げられる。
【0206】
また、ラベルｙは、医師による診断結果であってもよい。
【0207】
情報処理装置１０の各々は、情報処理サーバ２０から配布された複数の推論モデルを用いて上記のような特徴量ｘ１～ｘｎおよびラベルｙを含む診察ログＬｐｅをクラスタリングする。
【0208】
例えば、図１０に示す一例の場合、情報処理装置１０ａは、人物Ｐ１に対応する３レコード分の診察ログＬｐｅ１、および人物Ｐ２に対応する２レコード分の診察ログＬｐｅ２をクラスタＣ１に分類する。
【0209】
また、情報処理装置１０ａは、人物Ｐ３に対応する２レコード分の診察ログＬｐｅ３をクラスタＣ２に分類する。
【0210】
同様に、情報処理装置１０ａは、人物Ｐ４に対応する２レコード分の診察ログＬｐｅ４をクラスタＣ１に分類し、人物Ｐ５に対応する２レコード分の診察ログＬｐｅ５をクラスタＣ３に分類する。
【0211】
本実施形態に係る情報処理装置１０の各々は、上記のようなクラスタリングの実施後、上述したように計算した中間結果を情報処理サーバ２０に送信し、推論モデルの更新に係る情報を受信する。
【0212】
その後、本実施形態に係る情報処理装置１０の各々は、収集した特徴量ｘと推論モデルを用いてラベルｙを推論する。
【0213】
例えば、情報処理装置１０は、推論モデルを用いて、ある人物に係る新たな検査結果に基づいて当該人物の健康状態を推論することが可能である。
【0214】
これによれば、医師による実際の診断を行わずに、ある人物の健康状態を暫定的に判断することなどが可能となる。
【0215】
次に、ラベルｙが人物の感情を表す指標である場合について述べる。
【0216】
上記人物の感情を表す指標には、例えば、ユーザの表情が含まれる。
【0217】
図１１は、本実施形態に係る主要素が人物であり、ラベルｙが人物の表情である場合におけるシステム１の動作について説明するための図である。
【0218】
なお、図１１においては、情報処理装置１０がユーザとのコミュニケーションを行うロボットである場合の動作が例示されている。
【0219】
本例の場合、情報処理装置１０は、人物Ｐごとに撮影ログＬｐｐをまとめて保持する。
【0220】
撮影ログＬｐｐに含まれる特徴量ｘ１～ｘｎとしては、例えば、撮影された画像、顔における各パーツの位置、各パーツ大きさ等が挙げられる。
【0221】
また、ラベルｙは、推論された各種の表情であってよい。
【0222】
情報処理装置１０の各々は、情報処理サーバ２０から配布された複数の推論モデルを用いて上記のような特徴量ｘ１～ｘｎおよびラベルｙを含む撮影ログＬｐｐをクラスタリングする。
【0223】
例えば、図１１に示す一例の場合、情報処理装置１０ａは、人物Ｐ１に対応する３レコード分の撮影ログＬｐｐ１、および人物Ｐ２に対応する２レコード分の撮影ログＬｐｐ２をクラスタＣ１に分類する。
【0224】
また、情報処理装置１０ａは、人物Ｐ３に対応する３レコード分の撮影ログＬｐｐ３をクラスタＣ２に分類する。
【0225】
同様に、情報処理装置１０ａは、人物Ｐ４に対応する３レコード分の撮影ログＬｐｐ４をクラスタＣ１に分類し、人物Ｐ５に対応する３レコード分の撮影ログＬｐｐ５をクラスタＣ３に分類する。
【0226】
本実施形態に係る情報処理装置１０の各々は、上記のようなクラスタリングの実施後、上述したように計算した中間結果を情報処理サーバ２０に送信し、推論モデルの更新に係る情報を受信する。
【0227】
その後、本実施形態に係る情報処理装置１０の各々は、収集した特徴量ｘと推論モデルを用いてラベルｙを推論する。
【0228】
例えば、情報処理装置１０は、推論モデルを用いて、ある人物を被写体とした画像から当該人物の表情を推論することが可能である。
【0229】
また、本実施形態に係る情報処理装置１０の各々は、推論した表情に応じてユーザに対するふるまいを変えるなどの制御を行ってよい。
【0230】
＜２．ハードウェア構成例＞
次に、本開示の一実施形態に係る情報処理装置１０および情報処理サーバ２０に共通するハードウェア構成例について説明する。
次に、本開示の一実施形態に係る情報処理装置１０および情報処理サーバ２０に共通するハードウェア構成例について説明する。
【0231】
図１２は、本開示の一実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。
【0232】
情報処理装置９０は、情報処理装置１０および情報処理サーバ２０と同等のハードウェア構成を有する装置であってよい。
【0233】
図１９に示すように、情報処理装置９０は、例えば、プロセッサ８７１と、ＲＯＭ８７２と、ＲＡＭ８７３と、ホストバス８７４と、ブリッジ８７５と、外部バス８７６と、インターフェース８７７と、入力装置８７８と、出力装置８７９と、ストレージ８８０と、ドライブ８８１と、接続ポート８８２と、通信装置８８３と、を備える。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。
【0234】
（プロセッサ８７１）
プロセッサ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、ストレージ８８０、又はリムーバブル記憶媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。
プロセッサ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、ストレージ８８０、又はリムーバブル記憶媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。
【0235】
（ＲＯＭ８７２、ＲＡＭ８７３）
ＲＯＭ８７２は、プロセッサ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、プロセッサ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。
ＲＯＭ８７２は、プロセッサ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、プロセッサ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。
【0236】
（ホストバス８７４、ブリッジ８７５、外部バス８７６、インターフェース８７７）
プロセッサ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。
プロセッサ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。
【0237】
（入力装置８７８）
入力装置８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、及びレバー等が用いられる。さらに、入力装置８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力装置８７８には、マイクロフォンなどの音声入力装置が含まれる。
入力装置８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、及びレバー等が用いられる。さらに、入力装置８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力装置８７８には、マイクロフォンなどの音声入力装置が含まれる。
【0238】
（出力装置８７９）
出力装置８７９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、本開示に係る出力装置８７９は、触覚刺激を出力することが可能な種々の振動デバイスを含む。
出力装置８７９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、本開示に係る出力装置８７９は、触覚刺激を出力することが可能な種々の振動デバイスを含む。
【0239】
（ストレージ８８０）
ストレージ８８０は、各種のデータを格納するための装置である。ストレージ８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。
ストレージ８８０は、各種のデータを格納するための装置である。ストレージ８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。
【0240】
（ドライブ８８１）
ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記憶媒体９０１に記録された情報を読み出し、又はリムーバブル記憶媒体９０１に情報を書き込む装置である。
ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記憶媒体９０１に記録された情報を読み出し、又はリムーバブル記憶媒体９０１に情報を書き込む装置である。
【0241】
（リムーバブル記憶媒体９０１）
リムーバブル記憶媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記憶媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。
リムーバブル記憶媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディア、ＨＤ ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記憶媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。
【0242】
（接続ポート８８２）
接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ－２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。
接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）、ＲＳ－２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。
【0243】
（外部接続機器９０２）
外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。
外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。
【0244】
（通信装置８８３）
通信装置８８３は、ネットワークに接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。
通信装置８８３は、ネットワークに接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。
【0245】
＜３．まとめ＞
以上説明したように、本開示の一実施形態に係る情報処理装置１０は、階層型データを情報処理サーバ２０から配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する上記推論モデルを用いた学習を行う学習部１２０を備える。
以上説明したように、本開示の一実施形態に係る情報処理装置１０は、階層型データを情報処理サーバ２０から配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する上記推論モデルを用いた学習を行う学習部１２０を備える。
【0246】
また、本開示の一実施形態に係る情報処理装置１０は、学習部１２０による上記学習においてクラスタごとに生成された中間結果を情報処理サーバ２０に送信する通信部１３０を備える。
【0247】
上記の構成によれば、プライバシーの保護と高い推論精度の両立を実現することが可能となる。
【0248】
以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
【0249】
また、本明細書において説明した処理に係る各ステップは、必ずしもフローチャートやシーケンス図に記載された順序に沿って時系列に処理される必要はない。例えば、各装置の処理に係る各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。
【0250】
また、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられ、コンピュータにより読み取り可能な非一過性の記憶媒体（non-transitory computer readable medium）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、各種のプロセッサにより実行される。上記記憶媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記憶媒体を用いずに、例えばネットワークを介して配信されてもよい。
【0251】
また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏し得る。
【0252】
なお、以下のような構成も本開示の技術的範囲に属する。
（１）
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、
前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、
を備え、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理装置。
（２）
前記学習部は、異なる前記主要素に係る前記階層型データを複数の前記推論モデルに基づいてクラスタリングする、
前記（１）に記載の情報処理装置。
（３）
前記学習部は、同一の前記主要素に係る前記階層型データが同一のクラスタに分類されるようクラスタリングを行う、
前記（１）または（２）に記載の情報処理装置。
（４）
前記学習部は、異なる前記主要素に係る前記階層型データが同一のクラスタに分類されるようクラスタリングを行う、
前記（１）～（３）のいずれかに記載の情報処理装置。
（５）
前記ログは、特徴量およびラベルを含む、
前記（１）～（４）のいずれかに記載の情報処理装置。
（６）
前記中間結果は、前記特徴量および前記ラベルから計算された値を含む、
前記（５）に記載の情報処理装置。
（７）
前記学習部は、前記特徴量および前記推論モデルに基づいて前記ラベルを推論する、
前記（５）または（６）に記載の情報処理装置。
（８）
前記通信部は、前記情報処理サーバが複数の装置から受信した前記中間結果に基づいて更新した前記推論モデルに係る情報を受信し、前記学習部に引き渡す、
前記（１）～（７）のいずれかに記載の情報処理装置。
（９）
前記主要素は、前記通信部との通信を行う装置を含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１０）
前記主要素は、前記通信部との通信を行うアクセスポイントを含む、
前記（９）に記載の情報処理装置。
（１１）
前記ラベルは、前記アクセスポイントに係る通信品質を表す指標を含む、
前記（１０）に記載の情報処理装置。
（１２）
前記主要素は、商品のカテゴリを含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１３）
前記ラベルは、前記カテゴリに属する商品の購入に係る指標を含む、
前記（１２）に記載の情報処理装置。
（１４）
前記主要素は、人物を含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１５）
前記ラベルは、人物の身体的状態または精神的状態を表す指標を含む、
前記（１４）に記載の情報処理装置。
（１６）
前記ラベルは、人物の感情を表す指標を含む、
前記（１４）に記載の情報処理装置。
（１７）
プロセッサが、
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行うことと、
前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信することと、
を含み、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理方法。
（１８）
コンピュータを、
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、
前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、
を備え、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理装置、
として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体。
（１９）
複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、
前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、
を備え、
前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、
前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理サーバ。
（２０）
プロセッサが、
複数のクラスタにそれぞれ対応する複数の推論モデルを生成することと、
生成された複数の推論モデルに係る情報を複数の情報処理装置に送信することと、
複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信することと、
複数の前記中間結果に基づいて複数の前記推論モデルを更新することと、
を含み、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理方法。
（２１）
コンピュータを、
複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、
前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、
を備え、
前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、
前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理サーバ、
として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体。
（１）
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、
前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、
を備え、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理装置。
（２）
前記学習部は、異なる前記主要素に係る前記階層型データを複数の前記推論モデルに基づいてクラスタリングする、
前記（１）に記載の情報処理装置。
（３）
前記学習部は、同一の前記主要素に係る前記階層型データが同一のクラスタに分類されるようクラスタリングを行う、
前記（１）または（２）に記載の情報処理装置。
（４）
前記学習部は、異なる前記主要素に係る前記階層型データが同一のクラスタに分類されるようクラスタリングを行う、
前記（１）～（３）のいずれかに記載の情報処理装置。
（５）
前記ログは、特徴量およびラベルを含む、
前記（１）～（４）のいずれかに記載の情報処理装置。
（６）
前記中間結果は、前記特徴量および前記ラベルから計算された値を含む、
前記（５）に記載の情報処理装置。
（７）
前記学習部は、前記特徴量および前記推論モデルに基づいて前記ラベルを推論する、
前記（５）または（６）に記載の情報処理装置。
（８）
前記通信部は、前記情報処理サーバが複数の装置から受信した前記中間結果に基づいて更新した前記推論モデルに係る情報を受信し、前記学習部に引き渡す、
前記（１）～（７）のいずれかに記載の情報処理装置。
（９）
前記主要素は、前記通信部との通信を行う装置を含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１０）
前記主要素は、前記通信部との通信を行うアクセスポイントを含む、
前記（９）に記載の情報処理装置。
（１１）
前記ラベルは、前記アクセスポイントに係る通信品質を表す指標を含む、
前記（１０）に記載の情報処理装置。
（１２）
前記主要素は、商品のカテゴリを含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１３）
前記ラベルは、前記カテゴリに属する商品の購入に係る指標を含む、
前記（１２）に記載の情報処理装置。
（１４）
前記主要素は、人物を含む、
前記（５）～（７）のいずれかに記載の情報処理装置。
（１５）
前記ラベルは、人物の身体的状態または精神的状態を表す指標を含む、
前記（１４）に記載の情報処理装置。
（１６）
前記ラベルは、人物の感情を表す指標を含む、
前記（１４）に記載の情報処理装置。
（１７）
プロセッサが、
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行うことと、
前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信することと、
を含み、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理方法。
（１８）
コンピュータを、
階層型データを情報処理サーバから配布された複数の推論モデルに基づいてクラスタリングし、クラスタごとに対応する前記推論モデルを用いた学習を行う学習部と、
前記学習部による前記学習においてクラスタごとに生成された中間結果を前記情報処理サーバに送信する通信部と、
を備え、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理装置、
として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体。
（１９）
複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、
前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、
を備え、
前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、
前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理サーバ。
（２０）
プロセッサが、
複数のクラスタにそれぞれ対応する複数の推論モデルを生成することと、
生成された複数の推論モデルに係る情報を複数の情報処理装置に送信することと、
複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信することと、
複数の前記中間結果に基づいて複数の前記推論モデルを更新することと、
を含み、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理方法。
（２１）
コンピュータを、
複数のクラスタにそれぞれ対応する複数の推論モデルを生成する学習部と、
前記学習部により生成された複数の推論モデルに係る情報を複数の情報処理装置に送信する通信部と、
を備え、
前記通信部は、複数の前記推論モデルに基づいてクラスタリングされた階層型データとクラスタごとに対応する前記推論モデルとに基づく学習により生成された中間結果を、複数の前記情報処理装置から受信し、
前記学習部は、複数の前記中間結果に基づいて複数の前記推論モデルを更新し、
前記階層型データは、主要素を特定する情報、および前記主要素に関連付けて収集または生成されたログを含む、
情報処理サーバ、
として機能させるためのプログラムを記憶したコンピュータにより読み取り可能な非一時的な記憶媒体。
【符号の説明】
【0253】
１ システム
１０ 情報処理装置
１１０ センサ部
１２０ 学習部
１３０ 通信部
２０ 情報処理サーバ
２１０ 学習部
２２０ 通信部
４０ アクセスポイント
１０ 情報処理装置
１１０ センサ部
１２０ 学習部
１３０ 通信部
２０ 情報処理サーバ
２１０ 学習部
２２０ 通信部
４０ アクセスポイント
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】