知財求人 - 知財ポータルサイト「IP Force」
特許7040712個人情報保護のために原本データをコンシーリング処理する変調ネットワークを学習する方法及びテストする方法、そして、これを利用した学習装置及びテスト装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-03-14
(45)【発行日】2022-03-23
(54)【発明の名称】個人情報保護のために原本データをコンシーリング処理する変調ネットワークを学習する方法及びテストする方法、そして、これを利用した学習装置及びテスト装置
(51)【国際特許分類】
G06N 3/08 20060101AFI20220315BHJP
G06N 3/04 20060101ALI20220315BHJP
G06F 21/62 20130101ALI20220315BHJP
【ＦＩ】
G06N3/08
G06N3/04 154
G06F21/62 345
【請求項の数】
28
(21)【出願番号】P 2020562066
(86)(22)【出願日】2019-07-19
(65)【公表番号】
(43)【公表日】2021-05-13
(86)【国際出願番号】 KR2019008939
(87)【国際公開番号】W WO2020022704
(87)【国際公開日】2020-01-30
【審査請求日】2020-07-27
(31)【優先権主張番号】10-2018-0086929
(32)【優先日】2018-07-26
(33)【優先権主張国・地域又は機関】KR
(73)【特許権者】
【識別番号】520278996
【氏名又は名称】ディーピング ソース インコーポレイテッド．
(74)【代理人】
【識別番号】100079049
【弁理士】
【氏名又は名称】中島 淳
(74)【代理人】
【識別番号】100084995
【弁理士】
【氏名又は名称】加藤 和詳
(72)【発明者】
【氏名】キム、テ フン
【審査官】川▲崎▼ 博章
(56)【参考文献】
【文献】米国特許出願公開第２０１７／０３１７９８３（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１８／０１６５５９７（ＵＳ，Ａ１）
【文献】特開２０１８－１０６２１６（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／００－９９／００
Ｇ０６Ｆ ２１／６２
(57)【特許請求の範囲】
【請求項1】
個人情報保護のために、原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する方法において、（ａ）学習データが取得されると、学習装置が、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させる段階；
（ｂ）前記学習装置が、（ｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対応する第１特性情報（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ）を生成させ、（ｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対応する第２特性情報を生成させる段階；及び、
（ｃ）前記学習装置が、（ｉ）（ｉ－１）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉ－２）前記第１特性情報を利用して生成されたタスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と、前記タスク特定出力に対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習する段階；
を含む方法。
【請求項2】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数（ｉｎｔｅｇｅｒ）である場合、前記（ｂ）段階で、
前記学習装置は、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、
前記（ｃ）段階で、
前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし（ｉ－２ａ）前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、（ｉ－２ｂ）前記第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習する請求項１に記載の方法。
【請求項3】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（ａ）段階で、
前記学習装置は、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、
前記（ｂ）段階で、
前記学習装置は、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、
前記（ｃ）段階で、
前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記学習データと前記第１変調済みの学習データとを参照して算出された少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習させて前記変調ネットワークが第１学習された変調ネットワークになるようにし、
前記学習装置は、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－１ｂ）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、前記第ｋタスク特定出力に対応する少なくとも一つの第ｋ原本正解とをさらに参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉｉ－２）前記学習データと前記第ｋ変調済みの学習データとを参照して算出された少なくとも一つの第２＿ｋエラーを最大化するように、前記第ｋ－１学習された変調ネットワークを学習して、前記ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにする請求項１に記載の方法。
【請求項4】
前記（ｃ）段階で、入力されるデータが本物であるか偽物であるかを判別する判別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコア（０ｂｆｕｓｃａｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｓｃｏｒｅ）を前記第２エラーとして取得した状態で、前記学習装置は、（ｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習するとともに、（ｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換したデータである請求項１に記載の方法。
【請求項5】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（ｂ）段階で、
前記学習装置は、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、
前記（ｃ）段階で、
前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得した第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得した第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし（ｉ－２ａ）前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、（ｉ－２ｂ）前記第ｎタスク特定出力に対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習し、（ｉｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習する請求項４に記載の方法。
【請求項6】
前記ラーニングネットワークは、それぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（ａ）段階で、
前記学習装置は、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、
前記（ｂ）段階で、
前記学習装置は、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、
前記（ｃ）段階で、
前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、
（ｉ－２ｂ）前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記判別器に入力された前記第１変調済みの学習データに対応する少なくとも一つの第１変調済みの学習データスコアである少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習して、前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記学習装置は、（ｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第１変換学習データスコアまたは少なくとも一つの第１変調済みの変換学習データスコアを最大化し、（ｉｉ）前記第１変調済みの学習データスコアを最小化するように、前記判別器を学習して前記判別器が第１学習された判別器になるようにし、
前記学習装置は、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－２）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、前記第ｋタスク特定出力に対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、前記第ｋ－１学習された判別器に入力された前記第ｋ変調済みの学習データに対応する少なくとも一つの第ｋ変調済みの学習データスコアである少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークを学習して、前記第ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにし、（ｉｖ）前記第ｋ－１学習された判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第ｋ変換学習データスコアまたは少なくとも一つの第ｋ変調済みの変換学習データスコアを最大化し、
前記第ｋ変調済みの学習データスコアを最小化するように、前記第ｋ－１学習された判別器を学習して、前記第ｋ－１学習された判別器が第ｋ学習された判別器になるようにする請求項４に記載の方法。
【請求項7】
前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアの最大値は、それぞれ前記変換学習データまたは前記変調済みの変換学習データを本物であるものと判別する１であり、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアの最小値は、前記変調済みの学習データを偽物であるものと判別する０である請求項４に記載の方法。
【請求項8】
前記（ｃ）段階で、前記学習装置は、（ｉ）前記第１特性情報と前記第２特性情報との間の差異と、（ｉｉ）前記タスク特定出力と前記原本正解との間の少なくとも一つの差異とのうち少なくとも一部を参照して前記第１エラーを取得し、前記学習データと前記変調済みの学習データとの間の少なくとも一つの差異により前記第２エラーを取得する請求項１に記載の方法。
【請求項9】
前記学習装置は、前記第１特性情報と前記第２特性情報との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して前記第１エラーを取得する請求項８に記載の方法。
【請求項10】
前記（ｃ）段階で、前記学習装置は、前記変調済みの学習データのエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定し、測定された前記クオリティを参照して前記第１エラーを取得する請求項１に記載の方法。
【請求項11】
個人情報保護のために、原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習するテスト方法において、（ａ）学習装置が、（ｉ）学習データを取得し、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス、（ｉｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記変調済みの学習データに対応する第１特性情報を生成させるプロセス、（ｉｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス、及び（ｉｖ）（ｉｖ－１）（ｉｖ－１ａ）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉｖ－１ｂ）前記第１特性情報を利用して生成された少なくとも一つのタスク特定出力と、前記タスク特定出力に対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｖ－２）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行した状態で、テスト装置が、テストデータを取得するプロセスを遂行する段階；及び
（ｂ）前記テスト装置が、前記テストデータを前記変調ネットワークに入力して、前記変調ネットワークをもって前記変調ネットワークの前記学習されたパラメータを利用して、前記テストデータを変調させて変調済みのテストデータをコンシーリング処理されたテストデータとして出力する方法。
【請求項12】
前記（ａ）段階で、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、
前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、前記第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行する請求項１１に記載の方法。
【請求項13】
前記（ａ）段階で、前記学習装置が、（ｉ）入力されるデータが本物であるか偽物であるかを判別する判別器に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコアを前記第２エラーとして取得し、（ｉｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習させるとともに、（ｉｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データにそれぞれ対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換して生成されたデータである請求項１１に記載の方法。
【請求項14】
前記（ａ）段階で、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、
前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、前記第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記判別器に入力された前記変調済みの学習データに対応する前記変換学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセス、及び（ｉｖ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データにそれぞれ対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変換学習データスコアを最小化するように、前記判別器を学習するプロセスを遂行する請求項１３に記載の方法。
【請求項15】
個人情報保護のために、原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する学習装置において、インストラクションを格納する少なくとも一つのメモリと、
（Ｉ）学習データが取得されると、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス；（ＩＩ）（ｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対応する第１特性情報（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ）を生成させ、（ｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス；及び（ＩＩＩ）（ｉ）（ｉ－１）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉ－２）前記第１特性情報を利用して生成されたタスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と、前記タスク特定出力に対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセス；を遂行するための前記インストラクションを実行するか、他の装置をもって実行するように構成された少なくとも一つのプロセッサと、
を含む学習装置。
【請求項16】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（ＩＩ）プロセスで、
前記プロセッサは、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれをもって、（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、
前記（ＩＩＩ）プロセスで、
前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、前記第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習する請求項１５に記載の学習装置。
【請求項17】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（Ｉ）プロセスで、
前記プロセッサは、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、
前記（ＩＩ）プロセスで、
前記プロセッサは、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、
前記（ＩＩＩ）プロセスで、
前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記学習データと前記第１変調済みの学習データとを参照して算出された少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習させて前記変調ネットワークが第１学習された変調ネットワークになるようにし、
前記プロセッサは、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－１ｂ）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、前記第ｋタスク特定出力に対応する少なくとも一つの第ｋ原本正解とをさらに参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉｉ－２）前記学習データと前記第ｋ変調済みの学習データとを参照して算出された少なくとも一つの第２＿ｋエラーを最大化するように、前記第ｋ－１学習された変調ネットワークを学習して、前記第ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにする請求項１５に記載の学習装置。
【請求項18】
前記（ＩＩＩ）プロセスで、入力されるデータが本物であるか偽物であるかを判別する判別器（Ｄｉｓｃｒｉｍｉｎ
ａｔｏｒ）に入力された前記変調済みの学習データに対応する少なくとも一つの変調済み
の学習データスコア（０ｂｆｕｓｃａｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｓｃｏｒｅ
）を前記第２エラーとして取得した状態で、前記プロセッサは、（ｉ）前記第１エラーを
最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習するととも
に、（ｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データに
対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換
学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前
記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞ
れ前記学習データまたは前記変調済みの学習データを変換したデータである請求項１５に
記載の学習装置。
【請求項19】
前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（ＩＩ）プロセスで、
前記プロセッサは、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、
前記（ＩＩＩ）プロセスで、
前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得した第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得した第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、第ｎタスク特定出力に対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習し、（ｉｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習する請求項１８に記載の学習装置。
【請求項20】
前記ラーニングネットワークは、それぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、前記（Ｉ）プロセスで、
前記プロセッサは、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、
前記（ＩＩ）プロセスで、
前記プロセッサは、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、
前記（ＩＩＩ）プロセスで、
前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記判別器に入力された前記第１変調済みの学習データに対応する少なくとも一つの第１変調済みの学習データスコアである少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習して、前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記プロセスは、（ｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第１変換学習データスコアまたは少なくとも一つの第１変調済みの変換学習データスコアを最大化し、（ｉｉ）前記第１変調済みの学習データスコアを最小化するように、前記判別器を学習して前記判別器が第１学習された判別器になるようにし、
前記プロセッサは、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－２）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、前記第ｋタスク特定出力に対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、前記第ｋ－１学習された判別器に入力された前記第ｋ変調済みの学習データに対応する少なくとも一つの第ｋ変調済みの学習データスコアである少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークを学習して、前記第ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにし、（ｉｖ）前記第ｋ－１学習された判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第ｋ変換学習データスコアまたは少なくとも一つの第ｋ変調済みの変換学習データスコアを最大化し、前記第ｋ変調済みの学習データスコアを最小化するように、前記第ｋ－１学習された判別器を学習して、前記第ｋ－１学習された判別器が第ｋ学習された判別器になるようにする請求項１８に記載の学習装置。
【請求項21】
前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアの最大値は、それぞれ前記変換学習データまたは前記変調済みの変換学習データを本物であるものと判別する１であり、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアの最小値は、前記変調済みの学習データを偽物であるものと判別する０である請求項１８に記載の学習装置。
【請求項22】
前記（ＩＩＩ）プロセスで、前記プロセッサは、（ｉ）前記第１特性情報と前記第２特性情報との間の差異と、（ｉｉ）前記タスク特定出力と前記原本正解との間の少なくとも一つの差異とのうち少なくとも一部を参照して前記第１エラーを取得し、前記学習データと前記変調済みの学習データとの間の少なくとも一つの差異により前記第２エラーを取得する請求項１５に記載の学習装置。
【請求項23】
前記プロセッサは、前記第１特性情報と前記第２特性情報との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して前記第１エラーを取得する請求項２２に記載の学習装置。
【請求項24】
前記（ＩＩＩ）プロセスで、前記プロセッサは、前記変調済みの学習データのエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定し、測定された前記クオリティを参照して前記第１エラーを取得する請求項１５に記載の学習装置。
【請求項25】
個人情報保護のために原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習するテスト装置において、インストラクションを格納する少なくとも一つのメモリと、
（Ｉ）学習装置が、（ｉ）学習データを取得し、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス、（ｉｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記変調済みの学習データに対応する第１特性情報を生成させるプロセス、（ｉｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス、及び（ｉｖ）（ｉｖ－１）（ｉｖ－１ａ）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉｖ－１ｂ）前記第１特性情報を利用して生成された少なくとも一つのタスク特定出力と、前記タスク特定出力に対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｖ－２）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行した状態で、テストデータを取得するプロセスを遂行するプロセス；及び（ＩＩ）前記テストデータを前記変調ネットワークに入力して、前記変調ネットワークをもって前記変調ネットワークの前記学習されたパラメータを利用して、前記テストデータを変調させて変調済みのテストデータをコンシーリング処理されたテストデータとして出力するプロセスを遂行するための前記インストラクションを実行するか、他の装置をもって実行するように構成された少なくとも一つのプロセッサと、
を含むテスト装置。
【請求項26】
前記（Ｉ）プロセスで、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、
前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行する請求項２５に記載のテスト装置。
【請求項27】
前記（Ｉ）プロセスで、前記学習装置が、（ｉ）入力されるデータが本物であるか偽物であるかを判別する判別器に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコアを前記第２エラーとして取得し、（ｉｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習させるとともに、（ｉｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データにそれぞれ対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換して生成されたデータである請求項２５に記載のテスト装置。
【請求項28】
前記（Ｉ）プロセスで、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、ｎは１以上の整数である場合、
前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、前記第１タスク特定出力に対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、前記第ｎタスク特定出力に対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記判別器に入力された前記変調済みの学習データに対応する前記変換学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセス、及び（ｉｖ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データにそれぞれ対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変換学習データスコアを最小化するように、前記判別器を学習するプロセスを遂行する請求項２７に記載のテスト装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、個人情報保護のために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理する変調ネットワークを学習する方法、及びこれを利用した学習装置、並びに個人情報保護のために原本データをコンシーリング処理するために学習された変調ネットワークをテストする方法、及びこれを利用したテスト装置に関する。
【背景技術】
【0002】
ビッグデータ（Ｂｉｇ Ｄａｔａ）とは、既存の企業環境や公共機関で使用される定型化されたデータはもちろん、電子商取引データ、メタデータ、ウェブログデータ、無線識別（ＲＦＩＤ： Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）データ、センサーネットワークデータ、ソーシャルネットワークデータ、インターネットテキストと文書に関するデータ、インターネット検索インデックスデータなど、従来に未だ未活用であった非定型化または半定型化されたデータを全て含むデータであって、このようなデータは、一般的に通常のソフトウェアツール及びコンピュータシステムでは扱いにくい水準のデータ量を有するようになるという意味でビッグデータと称されている。
【0003】
また、このようなビッグデータは、それ自体のみでは意味がないことがあるが、パターンなどに対する機械学習を通じて多様な分野で新しいデータを作り出したり、判断または予測するのに有用に使用され得る。
【0004】
近年、個人情報保護法の強化等により、このようなビッグデータを取引または共有するためには、当該データの個人識別が可能な情報を削除したり当該個人の同意を得ることが要求される。しかし、相当な量のビッグデータのうち、個人識別が可能な情報があるか否かを一々確認することも難しいだけでなく、個人の同意を一々得ることも不可能であったため、これを支援するための多様な技術が登場している。
【0005】
これに関する従来技術の一例として、韓国登録特許公報第１８６１５２０号に開示されている技術が例に挙げられるが、これによると、変形対象入力イメージにおいて人の顔領域を検出する検出段階、前記入力イメージにおいて人がコンシーリングされるように前記検出された顔領域を人の顔の形状ではなく歪んだ第１イメージに変形する第１コンシーリング化段階、及び前記第１イメージに基づいて予め設定された顔の形状を有する第２イメージを生成し、前記入力イメージにおいて前記第１イメージを前記第２イメージに変形させ、前記第２イメージは、前記検出段階で検出された顔領域の形状と異なる顔の形状を有するように生成される第２コンシーリング段階を含む顔－コンシーリング化方法が提供される。
【0006】
しかしながら、上記のような技術をはじめとして、従来の技術によると、データ上に顔、テキストなどの識別情報を含むか否かを確認し、識別情報に該当する部分をマスキング（Ｍａｓｋｉｎｇ）またはブラー（Ｂｌｕｒ）処理して消したり、隠す方式であったため、原本データの損傷により機械学習で使用するのが難しく、データ上に不測の識別情報が含まれるため、これをコンシーリング化（例えば、非識別）することができない場合もしばしば発生していた。特に、従来のセキュリティカメラ（Ｓｅｃｕｒｉｔｙ Ｃａｍｅｒａ）は、映像イメージ内にフレーム間の変化のあるすべてのピクセルをブラー処理する方式で非識別処理を遂行するようになるが、このような方法で非識別処理を遂行するようになると、非識別された顔の表情などの主要な情報が、原本映像イメージに収められている情報と異なるようになるだけでなく、顔の検出過程で漏れた個人識別情報が原本映像イメージ上にそのまま残るようになる問題があった。また、ブラー処理された映像イメージは、従来の映像デブラーリング（Ｄｅｂｌｕｒｒｉｎｇ）技術のうちの一つを利用して原状復帰することもあり得る。
【0007】
よって、本発明者らは、原本データと異なるように変調（０ｂｆｕｓｃａｔｉｏｎ）されて変調済みのデータを生成し、機械学習モデルに原本データが入力されて出力される結果と、当該機械学習モデルに上記の変調済みのデータが入力されて出力される結果が互いに同一又は類似するようになる技術を提案する。
【発明の概要】
【発明が解決しようとする課題】
【0008】
本発明は、前述の従来技術の問題点をすべて解決することをその目的とする。
【0009】
また、本発明は、データ内で個人識別情報を探し出す作業が要求されないため、簡単であり、かつ正確にコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）作業を遂行することができるようにすることをまた他の目的とする。
【0010】
そして、本発明は、原本データから非可逆的に変調（０ｂｆｕｓｃａｔｉｏｎ）してコンシーリング処理済みのデータを生成することによって、原本データのセキュリティ及びプライバシーを守り得ることをまた他の目的とする。
【0011】
また、本発明は、人間にとっては異なるように見えるデータであるものの、コンピュータには互いに同一又は類似するように見えるデータを生成することをまた他の目的とする。
【0012】
さらに、本発明は、ビッグデータの取引市場をより活性化させることをまた他の目的とする。
【課題を解決するための手段】
【0013】
前記目的を達成するための本発明の代表的な構成は、以下のとおりである。
【0014】
本発明の一態様によると、個人情報保護のために、原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する方法において、（ａ）学習データが取得されると、学習装置が、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させる段階；（ｂ）前記学習装置が、（ｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対応する第１特性情報（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ）を生成させ、（ｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対応する第２特性情報を生成させる段階；及び、（ｃ）前記学習装置が、（ｉ）（ｉ－１）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉ－２）前記第１特性情報を利用して生成されたタスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と、これに対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習する段階；を含む。
【0015】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数（ｉｎｔｅｇｅｒ）である場合、前記（ｂ）段階で、前記学習装置は、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれをもって、（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、前記（ｃ）段階で、前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）（ｉ－２ａ）前記１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし（ｉ－２ａ）前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、（ｉ－２ｂ）これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習する。
【0016】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（ａ）段階で、前記学習装置は、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、前記（ｂ）段階で、前記学習装置は、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、前記（ｃ）段階で、前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記学習データと前記第１変調済みの学習データとを参照して算出された少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習させて前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記学習装置は、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを前記第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－１ｂ）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とをさらに参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉｉ－２）前記学習データと前記第ｋ変調済みの学習データとを参照して算出された少なくとも一つの第２＿ｋエラーを最大化するように、前記第ｋ－１学習された変調ネットワークを学習して、前記ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにする。
【0017】
一実施例において、前記（ｃ）段階で、入力されるデータが本物であるか偽物であるかを判別する判別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコア（０ｂｆｕｓｃａｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｓｃｏｒｅ）を前記第２エラーとして取得した状態で、前記学習装置は、（ｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習するとともに、（ｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換したデータである。
【0018】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（ｂ）段階で、前記学習装置は、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、前記（ｃ）段階で、前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得した第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得した第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）（ｉ－２ａ）前記１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と（ｉ－２ｂ）これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし（ｉ－２ａ）前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、（ｉ－２ｂ）これに対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習し、（ｉｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習する。
【0019】
一実施例において、前記ラーニングネットワークは、それぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（ａ）段階で、前記学習装置は、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、前記（ｂ）段階で、前記学習装置は、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、前記（ｃ）段階で、前記学習装置は、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）これに対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記判別器に入力された前記第１変調済みの学習データに対応する少なくとも一つの第１変調済みの学習データスコアである少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習して、前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記学習装置は、（ｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第１変換学習データスコアまたは少なくとも一つの第１変調済みの変換学習データスコアを最大化し、（ｉｉ）前記第１変調済みの学習データスコアを最小化するように、前記判別器を学習して前記判別器が第１学習された判別器になるようにし、前記学習装置は、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを前記第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－２）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、前記第ｋ＿１学習された判別器に入力された前記第ｋ変調済みの学習データに対応する少なくとも一つの第ｋ変調済みの学習データスコアである少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークを学習して、前記第ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにし、（ｉｖ）前記第ｋ－１学習された判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第ｋ変換学習データスコアまたは少なくとも一つの第ｋ変調済みの変換学習データスコアを最大化し、前記第ｋ変調済みの学習データスコアを最小化するように、前記第ｋ－１学習された判別器を学習して、前記第ｋ－１学習された判別器が第ｋ学習された判別器になるようにする。
【0020】
一実施例において、前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアの最大値は、それぞれ前記変換学習データまたは前記変調済みの変換学習データを本物であるものと判別する１であり、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアの最小値は、前記変調済みの学習データを偽物であるものと判別する０である。
【0021】
一実施例において、前記（ｃ）段階で、前記学習装置は、（ｉ）前記第１特性情報と前記第２特性情報との間の差異と、（ｉｉ）前記タスク特定出力と前記原本正解との間の少なくとも一つの差異とのうち少なくとも一部を参照して前記第１エラーを取得し、前記学習データと前記変調済みの学習データとの間の少なくとも一つの差異により前記第２エラーを取得する。
【0022】
一実施例において、前記学習装置は、前記第１特性情報と前記第２特性情報との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して前記第１エラーを取得する。
【0023】
一実施例において、前記（ｃ）段階で、前記学習装置は、前記変調済みの学習データのエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定し、測定された前記クオリティを参照して前記第１エラーを取得する。
【0024】
本発明の他の態様によると、個人情報保護のために、原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習するテスト方法において、（ａ）学習装置が、（ｉ）学習データを取得し、これを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス、（ｉｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有する前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記変調済みの学習データに対応する第１特性情報を生成させるプロセス、（ｉｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス、及び（ｉｖ）（ｉｖ－１）（ｉｖ－１ａ）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉｖ－１ｂ）前記第１特性情報を利用して生成された少なくとも一つのタスク特定出力と、これに対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｖ－２）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行した状態で、テスト装置が、テストデータを取得するプロセスを遂行する段階；及び（ｂ）前記テスト装置が、前記テストデータを前記変調ネットワークに入力して、前記変調ネットワークをもって前記変調ネットワークの前記学習されたパラメータを利用して、前記テストデータを変調させて変調済みのテストデータをコンシーリング処理されたテストデータとして出力する。
【0025】
一実施例において、前記（ａ）段階で、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行する。
【0026】
一実施例において、前記（ａ）段階で、前記学習装置が、（ｉ）入力されるデータが本物であるか偽物であるかを判別する判別器に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコアを前記第２エラーとして取得し、（ｉｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習させるとともに、（ｉｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データにそれぞれ対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換して生成されたデータである。
【0027】
一実施例において、前記（ａ）段階で、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記判別器に入力された前記変調済みの学習データに対応する前記変換学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセス、及び（ｉｖ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データにそれぞれ対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変換学習データスコアを最小化するように、前記判別器を学習するプロセスを遂行する。
【0028】
本発明のまた他の態様によると、個人情報保護のために、原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する学習装置において、インストラクションを格納する少なくとも一つのメモリと、（Ｉ）学習データが取得されると、前記学習データを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス；（ＩＩ）（ｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対応する第１特性情報（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ）を生成させ、（ｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス；及び（ＩＩＩ）（ｉ）（ｉ－１）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉ－２）前記第１特性情報を利用して生成されたタスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と、少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセス；を遂行するための前記インストラクションを実行するか、他の装置をもって実行するように構成された少なくとも一つのプロセッサと、を含む。
【0029】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（ＩＩ）プロセスで、前記プロセッサは、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれをもって、（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、前記（ＩＩＩ）プロセスで、前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）前記１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉ）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習する。
【0030】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（Ｉ）プロセスで、前記プロセッサは、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、前記（ＩＩ）プロセスで、前記プロセッサは、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、前記（ＩＩＩ）プロセスで、前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記学習データと前記第１変調済みの学習データとを参照して算出された少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習させて前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記プロセッサは、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを前記第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－１ｂ）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とをさらに参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉｉ－２）前記学習データと前記第ｋ変調済みの学習データとを参照して算出された少なくとも一つの第２＿ｋエラーを最大化するように、前記第ｋ－１学習された変調ネットワークを学習して、前記ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにする。
【0031】
一実施例において、前記（ＩＩＩ）プロセスで、入力されるデータが本物であるか偽物であるかを判別する判別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコア（０ｂｆｕｓｃａｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｓｃｏｒｅ）を前記第２エラーとして取得した状態で、前記プロセッサは、（ｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習するとともに、（ｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換したデータである。
【0032】
一実施例において、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（ＩＩ）プロセスで、前記プロセッサは、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）それぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、前記（ＩＩＩ）プロセスで、前記プロセスは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得した第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得した第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉ－２）前記１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、前記判別器に入力された前記変調済みの学習データに対応する前記変換学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習し、（ｉｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習する。
【0033】
一実施例において、前記ラーニングネットワークは、それぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記（Ｉ）プロセスで、前記プロセッサは、前記学習データを前記変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて第１変調済みの学習データを生成させ、前記（ＩＩ）プロセスで、前記プロセッサは、（ｉ）前記第１変調済みの学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークの前記第１学習されたパラメータを利用して、前記第１変調済みの学習データに対してネットワーク演算を適用させて（ｉ－２）前記第１変調済みの学習データに対する第１＿１特性情報を出力させ、（ｉｉ）前記学習データを前記第１ラーニングネットワークに入力して、前記第１ラーニングネットワークをもって（ｉｉ－１）前記第１学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記学習データに対する第２＿１特性情報を出力させ、前記（ＩＩＩ）プロセスで、前記プロセッサは、（ｉ）（ｉ－１）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）（ｉ－２ａ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、（ｉ－２ｂ）これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）前記判別器に入力された前記第１変調済みの学習データに対応する少なくとも一つの第１変調済みの学習データスコアである少なくとも一つの第２＿１エラーを最大化するように、前記変調ネットワークを学習して、前記変調ネットワークが第１学習された変調ネットワークになるようにし、前記プロセスは、（ｉ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第１変換学習データスコアまたは少なくとも一つの第１変調済みの変換学習データスコアを最大化し、（ｉｉ）前記第１変調済みの学習データスコアを最小化するように、前記判別器を学習して前記判別器が第１学習された判別器になるようにし、前記プロセッサは、整数であるｋを２からｎまで増加させていき、（ｉ）前記学習データを前記第ｋ－１学習された変調ネットワークに入力して、前記第ｋ－１学習された変調ネットワークをもって前記学習データを変調させて第ｋ変調済みの学習データを生成させ、（ｉｉ）（ｉｉ－１）前記第ｋ変調済みの学習データを第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋラーニングネットワークの少なくとも一つの第ｋ学習されたパラメータを利用して、前記第ｋ変調済みの学習データに対してネットワーク演算を適用させて前記第ｋ変調済みの学習データに対する第１＿ｋ特性情報を出力させ、（ｉｉ－２）前記学習データを前記第ｋラーニングネットワークに入力して、前記第ｋラーニングネットワークをもって前記第ｋ学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて前記学習データに対する第２＿ｋ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）前記第１＿ｋ特性情報と前記第２＿ｋ特性情報とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉｉｉ－２）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、前記第ｋ＿１学習された判別器に入力された前記第ｋ変調済みの学習データに対応する少なくとも一つの第ｋ変調済みの学習データスコアである少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークを学習して、前記第ｋ－１学習された変調ネットワークが第ｋ学習された変調ネットワークになるようにし、（ｉｖ）前記第ｋ－１学習された判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する少なくとも一つの第ｋ変換学習データスコアまたは少なくとも一つの第ｋ変調済みの変換学習データスコアを最大化し、前記第ｋ変調済みの学習データスコアを最小化するように、前記第ｋ－１学習された判別器を学習して、前記第ｋ－１学習された判別器が第ｋ学習された判別器になるようにする。
【0034】
一実施例において、前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データに対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアの最大値は、それぞれ前記変換学習データまたは前記変調済みの変換学習データを本物であるものと判別する１であり、前記判別器に入力された前記変調済みの学習データに対応する前記変調済みの学習データスコアの最小値は、前記変調済みの学習データを偽物であるものと判別する０である。
【0035】
一実施例において、前記（ＩＩＩ）プロセスで、前記プロセッサは、（ｉ）前記第１特性情報と前記第２特性情報との間の差異と、（ｉｉ）前記タスク特定出力と前記原本正解との間の少なくとも一つの差異とのうち少なくとも一部を参照して前記第１エラーを取得し、前記学習データと前記変調済みの学習データとの間の少なくとも一つの差異により前記第２エラーを取得する。
【0036】
一実施例において、前記プロセッサは、前記第１特性情報と前記第２特性情報との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して前記第１エラーを取得する。
【0037】
一実施例において、前記（ＩＩＩ）プロセスで、前記プロセッサは、前記変調済みの学習データのエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定し、測定された前記クオリティを参照して前記第１エラーを取得する。
【0038】
本発明のまた他の態様によると、個人情報保護のために原本データをコンシーリング処理する変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習するテスト装置において、インストラクションを格納する少なくとも一つのメモリと、（Ｉ）学習装置が、（ｉ）学習データを取得し、これを変調ネットワークに入力して、前記変調ネットワークをもって前記学習データを変調させて変調済みの学習データを生成させるプロセス、（ｉｉ）前記変調済みの学習データを少なくとも一つの学習されたパラメータを有する前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉ－１）前記学習されたパラメータを利用して、前記変調済みの学習データに対してネットワーク演算を適用させて（ｉｉ－２）前記変調済みの学習データに対応する第１特性情報を生成させるプロセス、（ｉｉｉ）前記学習データを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって（ｉｉｉ－１）前記学習されたパラメータを利用して、前記学習データに対してネットワーク演算を適用させて（ｉｉｉ－２）前記学習データに対応する第２特性情報を生成させるプロセス、及び（ｉｖ）（ｉｖ－１）（ｉｖ－１ａ）前記第１特性情報と前記第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉｖ－１ｂ）前記第１特性情報を利用して生成された少なくとも一つのタスク特定出力と、これに対応する少なくとも一つの原本正解（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｖ－２）前記学習データと前記変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行した状態で、テストデータを取得するプロセスを遂行するプロセス；及び（ＩＩ）前記テストデータを前記変調ネットワークに入力して、前記変調ネットワークをもって前記変調ネットワークの前記学習されたパラメータを利用して、前記テストデータを変調させて変調済みのテストデータをコンシーリング処理されたテストデータとして出力するプロセスを遂行するための前記インストラクションを実行するか、他の装置をもって実行するように構成された少なくとも一つのプロセッサと、を含む。
【0039】
一実施例において、前記（Ｉ）プロセスで、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記学習データと前記変調済みの学習データとを参照して算出された前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセスを遂行する。
【0040】
一実施例において、前記（Ｉ）プロセスで、前記学習装置が、（ｉ）入力されるデータが本物であるか偽物であるかを判別する判別器に入力された前記変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコアを前記第２エラーとして取得し、（ｉｉ）前記第１エラーを最小化し、前記第２エラーを最大化するように、前記変調ネットワークを学習するとともに、（ｉｉｉ）前記判別器に入力された変換学習データまたは変調済みの変換学習データにそれぞれ対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、前記変調済みの学習データスコアを最小化するように、前記判別器を学習し、前記変換学習データまたは前記変調済みの変換学習データは、それぞれ前記学習データまたは前記変調済みの学習データを変換して生成されたデータである。
【0041】
一実施例において、前記（Ｉ）プロセスで、前記ラーニングネットワークは、少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記ｎは１以上の整数である場合、前記学習装置が、（ｉ）前記変調済みの学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）前記変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させるプロセス、（ｉｉ）前記学習データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれに入力して、それぞれの前記第１ラーニングネットワークないし前記第ｎラーニングネットワークをもって（ｉｉ－１）前記第１ラーニングネットワークないし前記第ｎラーニングネットワークそれぞれの前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用して、前記学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）前記学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させるプロセス、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）前記第１＿１特性情報と前記第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である前記第１＿１エラーと、（ｉｉｉ－１ｂ）前記第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉｉ－２）前記判別器に入力された前記変調済みの学習データに対応する前記変換学習データスコアである前記第２エラーを最大化するように、前記変調ネットワークを学習するプロセス、及び（ｉｖ）前記判別器に入力された前記変換学習データまたは前記変調済みの変換学習データにそれぞれ対応する前記変換学習データスコアまたは前記変調済みの変換学習データスコアを最大化し、前記変換学習データスコアを最小化するように、前記判別器を学習するプロセスを遂行する。
【0042】
その他にも、本発明の方法を実行するためのコンピュータプログラムを記録するためのコンピュータ読み取り可能な記録媒体がさらに提供される。
【発明の効果】
【0043】
本発明は、データ内で個人識別情報を探し出す作業が要求されないため、簡単で、かつ正確にコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）作業を遂行することができる効果がある。
【0044】
また、本発明は、原本データから非可逆的に変調（０ｂｆｕｓｃａｔｉｏｎ）されてコンシーリング処理済みのデータを生成することによって、データのセキュリティ及びプライバシーを守ることができる他の効果がある。
【0045】
また、本発明は、人間にとっては異なるように見えるデータであるものの、コンピュータには互いに同一又は類似するように見えるデータを生成することができるまた他の効果がある。
【0046】
さらに、本発明は、ビッグデータの取引市場をより活性化させることができるまた他の効果がある。
【図面の簡単な説明】
【0047】
【図1】本発明の一実施例にしたがって、原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理する変調ネットワークを学習する学習装置を簡略に示したものである。
【図2】本発明の一実施例にしたがって、原本データをコンシーリング処理する変調ネットワークを学習する学習方法を簡略に示したものである。
【図3】本発明の一実施例にしたがって、原本データをコンシーリング処理する変調ネットワークを学習する他の学習方法を簡略に示したものである。
【図4】本発明の他の実施例にしたがって、原本データをコンシーリング処理する変調ネットワークを学習する学習方法を簡略に示したものである。
【図5】本発明の他の実施例にしたがって、原本データをコンシーリング処理する変調ネットワークを学習する他の学習方法を簡略に示したものである。
【図6】本発明の一実施例にしたがって学習された変調ネットワークをテストするテスト装置を簡略に示したものである。
【図7】本発明の一実施例にしたがって学習された変調ネットワークをテストするテスト方法を簡略に示したものである。
【発明を実施するための形態】
【0048】
本発明の実施例の説明に利用されるために添付された以下の図面は、本発明の実施例のうち単に一部であるだけであり、本発明の属する技術分野において通常の知識を有する者（以下、「通常の技術者」）にとっては、発明的作業が行われることなく、これらの図面に基づいて他の図面が得られ得る。
【0049】
後述する本発明に関する詳細な説明は、本発明が実施され得る特定の実施例を例示として示す添付図面を参照する。これらの実施例は、当業者が本発明を実施することができるように十分詳細に説明される。本発明の多様な実施例は互いに異なるものの、相互に排他的である必要はないことが理解されるべきである。例えば、ここに記載されている特定の機能、構造及び特性は、本発明の精神及び範囲を逸脱せず、かつ一つの実施例から他の実施例に変更されて具現され得る。また、それぞれの実施例内の個別の構成要素の位置又は配置は、本発明の精神及び範囲を逸脱せず、かつ変更され得ることが理解されるべきである。したがって、後述する詳細な説明は、限定的な意味として受け取ろうとするものではなく、本発明の範囲は、特許請求の範囲の請求項が請求する範囲及びそれに均等なすべての範囲を包括するものと受け取られるべきである。図面において類似の参照符号は、様々な側面にわたって同一であるか、類似した構成要素を示す。
【0050】
以下では、本発明の詳細な説明と請求項に含まれる「含む」とは、用語と当該用語の多様な表現は、他の技術的特徴、追加、構成要素又は段階を排除することを意味するものではない。本発明の他の目的、恩恵及び特徴は、部分的には明細書から、及び部分的には本発明の履行から、技術分野における通常の知識を有する者に明らかにされるであろう。以下の各例示と図面は例示として示されているが、本発明はこれに制限されるわけではない。
【0051】
本発明の属する技術分野において、通常の知識を有する者が本発明を容易に実施することができるようにするために、本発明の様々な好ましい実施例について添付された図面を参照して詳細に説明する。
【0052】
図１は、本発明の一実施例にしたがって、原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理（例えば、非識別）する変調ネットワークを学習する学習装置を簡略に示したものである。
【0053】
図１を参照すると、本発明の一実施例による学習装置１００は、ラーニングネットワークＦが学習データを入力して算出された結果と同一又は類似した結果を、変調済みの学習データを入力して算出するように学習データを変調する変調ネットワークを学習させるためのインストラクションが格納されたメモリ１１０と、メモリ１１０に格納されたインストラクションにしたがって変調ネットワークを学習するプロセスを遂行するプロセッサ１２０を含むことができる。
【0054】
具体的に、学習装置１００は、少なくとも一つのコンピューティング装置（例えば、コンピュータプロセッサ、メモリ、ストレージ、入力装置、出力装置、又は、その他既存のコンピューティング装置の構成要素；ルータ、スイッチなどのような電子通信装置；ネットワーク接続ストレージ（ＮＡＳ）及びストレージ領域ネットワーク（ＳＡＮ）のような電子情報ストレージシステム）と少なくとも一つのコンピュータソフトウェア（すなわち、コンピューティング装置をもって特定の方式で機能させるインストラクション）との組み合わせを利用して所望のシステム性能を達成するものであり得る。
【0055】
また、コンピューティング装置のプロセッサは、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、キャッシュメモリ（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕｓ）などのハードウェア構成を含むことができる。また、コンピューティング装置は、オペレーティングシステム、特定の目的を遂行するアプリケーションのソフトウェア構成をさらに含むこともできる。
【0056】
しかし、コンピューティング装置が、本発明を実施するためのプロセッサ、メモリ、ミディアム又は他のコンピューティング要素の任意の組み合わせを含む統合装置を排除するものではない。
【0057】
一方、学習データが取得されると、メモリ１１０に格納されたインストラクションにしたがって学習装置１００のプロセッサ１２０が、学習データを変調ネットワーク（０ｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に入力して、変調ネットワークをもって学習データを変調させて変調済みの学習データを生成させる。そして、学習装置１００は、（ｉ）変調済みの学習データを少なくとも一つの学習されたパラメータを有するラーニングネットワークに入力して、ラーニングネットワークをもって、（ｉ－１）学習されたパラメータを利用して変調済みの学習データに対してネットワーク演算を適用させて、（ｉ－２）変調済みの学習データに対応する第１特性情報（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｉｎｆｏｒｍａｔｉｏｎ）を生成させ、（ｉｉ）学習データをラーニングネットワークに入力して、ラーニングネットワークをもって（ｉｉ－１）学習されたパラメータを利用して、学習データに対してネットワーク演算を適用させて（ｉｉ－２）学習データに対応する第２特性情報を生成させる。以後、学習装置１００は、（ｉ）（ｉ－１）第１特性情報と第２特性情報とを参照して取得された少なくとも一つの第１＿１エラーと、（ｉ－２）前記第１特性情報を利用して生成された少なくとも一つのタスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と、これに対応する少なくとも一つの原本正解とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）学習データと変調済みの学習データとを参照して算出された少なくとも一つの第２エラーを最大化するように、変調ネットワークを学習することができる。
【0058】
また、入力されるデータが本物であるか偽物であるかを判別する判別器に入力された変調済みの学習データに対応する少なくとも一つの変調済みの学習データスコアを第２エラーとして取得した状態で、学習装置１００は、（ｉ）第１エラーを最小化し、第２エラーを最大化するように、変調ネットワークを学習するとともに、（ｉｉ）判別器に入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器を学習することができる。
【0059】
このように構成された本発明の一実施例による学習装置１００を利用して、個人情報保護のために原本データをコンシーリング処理（例えば、非識別）する変調ネットワークを学習する方法を、図２ないし図５を参照して説明すると以下のとおりである。
【0060】
図２は、本発明の一実施例にしたがって、原本データをコンシーリング処理する変調ネットワークを学習する方法を簡略に示したものである。
【0061】
まず、学習データｘが取得されると、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調させて変調済みの学習データｘ’すなわち、Ｏ（ｘ）を生成させる。
【0062】
この際、学習データｘは、学習に利用するための原本学習データである原本学習データ又は原本学習データを変換（Ｍｏｄｉｆｙｉｎｇ）して生成された変換学習データであり得、変換学習データは原本学習データにランダムノイズ生成ネットワーク（図示せず）を通じて生成された少なくとも一つのランダムノイズを追加して生成され得る。一例として、ランダムノイズ生成ネットワークをもって正規分布Ｎ（Ｏ、σ）を有するランダムノイズを生成させ、生成されたノイズを原本学習データに追加して変換学習データを生成することができる。また、変換学習データは、ランダムノイズ以外にも、原本学習データをブラー（Ｂｌｕｒ）処理するか原本学習データの解像度を変更して生成され得るが、これに限定されず、原本学習データを変換する多様な方法が適用され得る。
【0063】
また、変調済みの学習データｘ’は、人にとっては学習データｘと異なるように認識されるが、ラーニングネットワークでは学習データｘと同一又は類似するものと認識され得る。
【0064】
一方、変調ネットワークＯは、一例として、入力される学習データｘとしてイメージに対してコンボリューション演算を少なくとも１回適用して少なくとも一つのコンボリューションレイヤを含むエンコーダ（Ｅｎｃｏｄｅｒ）と、エンコーダから出力される少なくとも一つの特徴マップに対してデコンボリューション演算を少なくとも１回適用して変調済みの学習データｘ’を出力する少なくとも一つのデコンボリューションレイヤを含むデコーダ（Ｄｅｃｏｄｅｒ）とを含むことができるが、これに限定されず、入力される学習データを変調する多様な構造のラーニングネットワークを含むことができる。
【0065】
次に、学習装置１００は、（ｉ）変調済みの学習データｘ’を少なくとも一つの学習されたパラメータを有するラーニングネットワークＦに入力して、ラーニングネットワークＦをもって（ｉ－１）学習されたパラメータを利用して、変調済みの学習データｘ’に対してネットワーク演算を適用させて（ｉ－２）変調済みの学習データｘ’に対応する第１特性情報Ｆ（ｘ’）を生成させ、（ｉｉ）学習データｘをラーニングネットワークＦに入力して、ラーニングネットワークＦをもって、（ｉｉ－１）学習されたパラメータを利用して学習データｘに対してネットワーク演算を適用させて（ｉｉ－２）学習データｘに対応する第２特性情報Ｆ（ｘ）を生成させることができる。
【0066】
この際、ラーニングネットワークＦはマシンラーニングネットワークを含むことができるが、これに限定されず、学習されたパラメータを利用して変調済みの学習データｘ’に対してネットワーク演算を適用して、第１特性情報Ｆ（ｘ’）を出力し、学習データｘに対してネットワーク演算を適用して第２特性情報Ｆ（ｘ）を出力させる全てのラーニングネットワークを含むことができる。そして、マシンラーニングネットワークは、Ｋ－近傍法（Ｋ－Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒｓ）、線形回帰（Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）、ロジスティック回帰（Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ）、サポートベクトルマシン（ＳＶＭ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、デシジョンツリー（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）とランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、クラスタリング（Ｃｌｕｓｔｅｒｉｎｇ）、視覚化（Ｖｉｓｕａｌｉｚａｔｉｏｎ）と次元縮小（Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ Ｒｅｄｕｃｔｉｏｎ）、関連規則学習（Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅ Ｌｅａｒｎｉｎｇ）、深層信頼ネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋ）、強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）、及びディープラーニングアルゴリズム（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍ）のうち少なくとも一つを含むことができるが、マシンラーニングネットワークはこれに限定されず、多様なラーニングアルゴリズムを含むことができる。また、コンシーリング処理のための対象（例えば、非識別対象）は、原本データｘに含まれている個人情報であり得、この際、個人情報は個人識別情報、個人の医療情報、生体情報、行動情報など、個人に関わるすべての情報を含むことができる。
【0067】
そして、第１特性情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）とは、それぞれ変調済みの学習データｘ’と学習データｘとに対応する特徴（Ｆｅａｔｕｒｅ）またはロジット（Ｌｏｇｉｔ）であり得る。また、第１特性情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）とは、それぞれ変調済みの学習データｘ’と学習データｘ内の所定の特徴と関連する特徴値、または所定の特徴と関連するベクトル（Ｖｅｃｔｏｒ）、行列（Ｍａｔｒｉｘ）及び座標（Ｃｏｏｒｄｉｎａｔｅ）のうち少なくとも一つに関する値を含むロジットであり得る。例えば、学習データｘが顔イメージデータである場合に、上記の結果は顔認識のためのクラス、顔の特徴、一例として、笑う表情、顔の特徴点（Ｌａｎｄｍａｒｋ Ｐｏｉｎｔ、例えば、目の両端点）に関する座標であり得る。
【0068】
次に、学習装置１００は、（ｉ）（ｉ－１）第１特性情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）とを参照して取得した少なくとも一つの第１＿１エラーと、（ｉ－２）第１特性情報Ｆ（ｘ’）を利用して生成された少なくとも一つのタスク特定出力と、これに対応する少なくとも一つの原本正解とを参照して取得された少なくとも一つの第１＿２エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）学習データｘと変調済みの学習データｘ’とを参照して算出された少なくとも一つの第２エラーを最大化するように、変調ネットワークＯを学習することができる。すなわち、学習装置１００は、変調ネットワークＯを学習するにおいて、第２エラーを利用して変調ネットワークＯが学習データｘとは差が大きい変調済みの学習データｘ’を出力させ、第１エラーを利用してラーニングネットワークＦが変調済みの学習データｘ’を学習データｘと同一又は類似して認識されるように学習データｘを変調して変調済みの学習データｘ’を出力させる。
【0069】
この際、学習装置１００は、（ｉ）第１特性情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）との間の差異と、（ｉｉ）タスク特定出力とこれに対応する原本正解との間の少なくとも一つの差異とのうち少なくとも一部を参照して第１エラーを取得することができる。一例として、学習装置１００は、第１特定情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して第１エラーを取得することができるが、これに限定されず、第１特性情報Ｆ（ｘ’）と第２特性情報Ｆ（ｘ）との間の差異を算出することができる多様なアルゴリズムを適用することができる。また、学習装置１００は、学習データｘと変調済みの学習データｘ’との間の少なくとも一つの差異を参照して第２エラーを取得することができる。
【0070】
また、学習装置１００は、変調済みの学習データｘ’のエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定し、測定されたクオリティをさらに参照して第１エラーを取得することができる。すなわち、学習装置１００は、変調済みの学習データｘ’のクオリティを最小化、一例として、変調済みの学習データｘ’のエントロピー、ノイズ等を最大化するように、変調ネットワークＯを学習することができる。
【0071】
そして、学習装置１００が第１エラーを最小化させ、第２エラーを最大化するように、変調ネットワークＯを学習する場合、学習装置１００はラーニングネットワークＦの学習されたパラメータは固定してアップデートせずに、変調ネットワークＯに対してのみ学習を進めることができる。
【0072】
一方、タスク特定出力は、ラーニングネットワークＦが遂行しようとするタスクに対する出力として、クラス分類のためのクラスに対する確率、位置検出のためのリグレッションによる座標値など、ラーニングネットワークＦの学習されたタスクによる多様な結果値を有することができ、ラーニングネットワークＦから出力される特性情報を活性化ユニット（Ａｃｔｉｖａｔｉｏｎ Ｕｎｉｔ）の活性化関数（Ａｃｔｉｖａｔｉｏｎ Ｆｕｎｃｔｉｏｎ）が適用されてラーニングネットワークＦにおいて遂行しようとするタスクによるタスク特定出力を生成することができる。この際、活性化関数としては、シグモイド（Ｓｉｇｍｏｉｄ）関数、線形（Ｌｉｎｅａｒ）関数、ソフトマックス（Ｓｏｆｔｍａｘ）関数、ＲｅＬＵ（Ｒｌｉｎｅａｒ）関数、二乗（Ｓｑｕａｒｅ）関数、ＳＱＲＴ関数、Ｓｒｌｉｎｅａｒ関数、ＡＢＳ関数、ＴＡＮＨ関数、Ｂｒｌｉｎｅａｒ関数などが使用され得るが、これに限定されない。
【0073】
一例として、ラーニングネットワークＦがクラス分類のためのタスクを遂行する場合、学習装置１００はラーニングネットワークＦから出力される第１特性情報をクラスごとにマッピングして、変調済みの学習データに対するクラスごとの確率を生成することができる。
【0074】
この際、クラスごとの確率は、設定されたクラスごとにラーニングネットワークＦから出力される第１特性情報Ｆ（ｘ’）が正解である確率を示すことができる。例えば、学習データが顔イメージデータである場合に、顔が笑う状態である確率は０．７５、笑わない状態である確率は０．２５等のように出力され得る。この際、ラーニングネットワークＦから出力される第１特性情報Ｆ（ｘ’）をクラスごとにマッピングするのにソフトマックスアルゴリズムを使用することができるが、これに限定されず、第１特性情報Ｆ（ｘ’）をクラスごとにマッピングする多様なアルゴリズムが利用され得る。
【0075】
図３は、本発明の一実施例にしたがって原本データをコンシーリング処理する変調ネットワークを学習する他の方法を簡略に示したものであって、すなわち、図２におけるラーニングネットワークＦは、学習されたパラメータを有する多数のラーニングネットワークＦ１、Ｆ２、…、Ｆｎで構成されたものである。この際、多数のラーニングネットワークＦ１、Ｆ２、…、Ｆｎそれぞれは、互いに異なる少なくとも一部のタスクを遂行するように学習された状態であり得る。下記の説明では、前記図２の説明において容易に理解可能な部分については、詳細な説明を省略する。
【0076】
まず、学習データｘが取得されると、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調して変調済みの学習データｘ’すなわち、Ｏ（ｘ）を生成させる。
【0077】
この際、学習データｘは、学習に利用するための原本データである原本学習データ又は原本学習データを変換して生成された変換学習データｘ’であり得、変換学習データｘ’は、人にとっては学習データｘと異なるように認識されるが、ラーニングネットワークでは学習データｘと同一又は類似するものと認識され得る。
【0078】
次に、学習装置１００は、変調済みの学習データｘ’を第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力して、それぞれの第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎをもって、（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して変調済みの学習データｘ’に対してそれぞれのネットワークに対応するネットワーク演算を適用させて、（ｉｉ）変調済みの学習データｘ’に対応する第１＿１特性情報Ｆ１（ｘ’）ないし第１＿ｎ特性情報Ｆｎ（ｘ’）をそれぞれ生成させる。また、学習装置１００は、学習データｘを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力して、それぞれの第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎをもって、（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して学習データｘに対してそれぞれのネットワークに対応するネットワーク演算を適用させて、（ｉｉ）学習データｘに対応するそれぞれの第２＿１特性情報Ｆ１（ｘ）ないし第２＿ｎ特性情報Ｆｎ（ｘ）を生成させることができる。
【0079】
次に、学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ’）と第２＿１特性情報Ｆ１（ｘ）とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報Ｆｎ（ｘ）とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉ－２）１＿１特性情報Ｆ１（ｘ’）を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された前記第１エラーを最小化し、（ｉｉ）学習データｘと変調済みの学習データｘ’とを参照して算出された第２エラーを最大化するように、変調ネットワークＯを学習することができる。
【0080】
すなわち、学習装置１００は、第１＿１特性情報Ｆ１（ｘ’）と第２＿１特性情報Ｆ１（ｘ）とを参照して算出された第（１＿１）＿１エラーを取得し、第１＿２特性情報Ｆ２（ｘ’）と第２＿２特性情報Ｆ２（ｘ）とを参照して算出された第（１＿１）＿２エラーを取得し、同様に第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報Ｆｎ（ｘ）とを参照して算出された第（１＿１）＿ｎエラーを算出して、取得された第（１＿１）＿１エラーないし取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーを取得する。そして、学習装置１００は、第１＿１特性情報Ｆ１（ｘ’）を利用して生成された第１タスク特定出力と、これに対応する第１原本正解とを参照して算出された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報Ｆｎ（ｘ’）を利用して生成された第ｎタスク特定出力と、これに対応する第ｎ原本正解とを参照して算出された第（１＿２）＿ｎエラーを取得して、算出された第（１＿２）＿１エラーないし第（１＿２）＿ｎエラーの平均である第１＿２エラーを取得する。そして、学習装置１００は、第１＿１エラーと第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、第２エラーを最大化するように、変調ネットワークＯを学習することができる。すなわち、第１エラーは第１＿１エラー、第１＿２エラー、及び第１＿１エラーと第１＿２エラーとの和のうちいずれか一つであり得るが、本発明がこれに限定されるわけではない。
【0081】
また、学習装置１００は、変調済みの学習データｘ’のエントロピー、ノイズ程度のうち少なくとも一部を参照して少なくとも一つのクオリティを測定し、測定されたクオリティをさらに参照して第１エラーを取得することができる。すなわち、学習装置１００は、変調済みの学習データｘ’のクオリティを最小化、一例として、変調済みの学習データｘ’のエントロピー、ノイズ等を最大化するように、変調ネットワークＯを学習することができる。
【0082】
そして、学習装置１００は、第１ロスを最小化させ、第２ロスを最大化するように、変調ネットワークＯを学習する場合、学習装置１００はラーニングネットワークＦの学習されたパラメータは固定してアップデートせずに、変調ネットワークＯに対してのみ学習を進めることができる。
【0083】
一方、前記では学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ’）と第２＿１特性情報Ｆ１（ｘ）とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報Ｆｎ（ｘ）とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉ－２）１＿１特性情報Ｆ１（ｘ’）を利用して生成された第１タスク特定出力と、これに対応する第１原本正解とを参照して取得された第（１＿２）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）を利用して生成された第ｎタスク特定出力と、これに対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、（ｉｉ）学習データと変調済みの学習データｘ’とを参照して算出された第２エラーを最大化するように、変調ネットワークＯを学習することができる。一例として、第（１＿１）＿１エラーと第（１＿２）＿１エラーとのうち少なくとも一部を参照して算出された第１＿１エラーないし第（１＿１）＿ｎエラーと第（１＿２）＿ｎエラーとのうち少なくとも一部を参照して算出された第１＿ｎエラーを最小化するように、変調ネットワークＯを順次学習することもできる。
【0084】
すなわち、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調させて第１変調済みの学習データｘ１’を生成させる。そして、学習装置１００は、（ｉ）第１変調済みの学習データｘ１’を第１ラーニングネットワークＦ１に入力して、第１ラーニングネットワークＦ１をもって（ｉ－１）第１ラーニングネットワークＦ１の第１学習されたパラメータを利用して、第１変調済みの学習データｘ１’に対してネットワーク演算を適用させて（ｉ－２）第１変調済みの学習データｘ１’に対応する第１＿１特性情報Ｆ１（ｘ１’）を出力させるプロセス、及び（ｉｉ）学習データｘを第１ラーニングネットワークＦ１に入力して、第１ラーニングネットワークＦ１をもって（ｉｉ－１）第１学習されたパラメータを利用して、学習データｘに対してネットワーク演算を適用させて（ｉｉ－２）学習データｘに対応する第２＿１特性情報Ｆ１（ｘ）を出力させるプロセスを遂行するか、他の装置をもって遂行させることができる。以後、学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ１’）と第２＿１特性情報Ｆ１（ｘ１）とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）第１＿１特性情報Ｆ１（ｘ’）を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）学習データｘと第１変調済みの学習データｘ１’とを参照して算出された少なくとも一つの第２＿１エラーを最大化するように、変調ネットワークＯを学習して、変調ネットワークＯが第１学習された変調ネットワークＯ１となるようにする。
【0085】
そして、学習装置１００は、整数（ｉｎｔｅｇｅｒ）であるｋを２からｎまで増加させていき、前記のプロセスを繰り返して第ｎラーニングネットワークＦｎまで遂行することによって、第ｎ変調ネットワークＯｎを取得することができるようになる。
【0086】
すなわち、学習装置１００は、学習データｘを第（ｋ－１）学習された変調ネットワークＯ（ｋ－１）に入力して、第（ｋ－１）学習された変調ネットワークＯ（ｋ－１）をもって学習データｘを変調させて、第ｋ変調済みの学習データｘｋ’を生成させることができる。そして、学習装置１００は、（ｉ）第ｋ変調済みの学習データｘｋ’を第ｋラーニングネットワークＦｋに入力して、第ｋラーニングネットワークＦｋをもって第ｋラーニングネットワークＦｋのうち少なくとも一つの第ｋ学習されたパラメータを利用して第ｋ変調済みの学習データｘｋ’に対してネットワーク演算を適用させて、第ｋ変調済みの学習データｘｋ’に対応する第１＿ｋ特性情報Ｆｋ（ｘｋ’）を出力させ、（ｉｉ）学習データｘを第ｋラーニングネットワークＦｋに入力して、第ｋラーニングネットワークＦｋをもって第ｋ学習されたパラメータを利用して、学習データｘに対してネットワーク演算を適用させて学習データｘに対応する第２＿ｋ特性情報Ｆｋ（ｘｋ）を出力させる。以後、学習装置１００は、（ｉ）（ｉ－１）第１＿ｋ特性情報Ｆｋ（ｘｋ’）と第２＿ｋ特性情報Ｆｋ（ｘ）とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉ－２）前記第１＿ｋ特性情報を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの第（１＿２）＿ｋエラーとのうち少なくとも一部を参照して取得された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉ）学習データｘと第ｋ変調済みの学習データｘｋ’とを参照して算出された少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークＯ（ｋ－１）を学習して、第ｋ－１学習された変調ネットワークＯ（ｋ－１）が第ｋ学習された変調ネットワークＯｋになるようにすることができる。
【0087】
図４は、本発明の他の実施例にしたがって原本データをコンシーリング処理する変調ネットワークを学習する方法を簡略に示したものである。以下の説明では、前記図２と図３の説明から容易に理解可能な部分については、詳細な説明を省略する。
【0088】
まず、学習データｘが取得されると、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調させて変調済みの学習データｘ’すなわち、Ｏ（ｘ）を生成させる。
【0089】
次に、学習装置１００は、（ｉ）変調済みの学習データｘ’を学習されたパラメータを有するラーニングネットワークＦに入力して、ラーニングネットワークＦをもって（ｉ－１）学習されたパラメータを利用して、変調済みの学習データｘ’に対してネットワーク演算を適用させて（ｉ－２）変調済みの学習データｘ’に対応する第１特性情報Ｆ（ｘ’）を生成させるプロセス、及び（ｉｉ）学習データｘをラーニングネットワークＦに入力して、ラーニングネットワークＦをもって（ｉｉ－１）学習されたパラメータを利用して、学習データｘに対してネットワーク演算を適用させて（ｉｉ－２）学習データｘに対応する第２特性情報Ｆ（ｘ）を生成させるプロセスを遂行するか、他の装置をもって遂行するように支援することができる。
【0090】
次に、入力されるデータが本物であるか偽物であるかを判別する判別器Ｄに入力された変調済みの学習データｘ’に対応する少なくとも一つの変調済みの学習データスコアを第２エラーとして取得した状態で、学習装置１００は、（ｉ）第１エラーを最小化し、第２エラーを最大化するように、変調ネットワークＯを学習するとともに、（ｉｉ）判別器Ｄに入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの変換学習データスコアまたは少なくとも一つの変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器Ｄを学習することができる。この際、変換学習データまたは変調済みの変換学習データは、それぞれ学習データｘまたは変調済みの学習データｘ’にランダムノイズ生成ネットワーク（図示せず）を通じて生成された少なくとも一つのランダムノイズを追加して生成され得る。一例として、ランダムノイズ生成ネットワークをもって正規分布Ｎ（Ｏ、σ）を有するランダムノイズを生成させ、生成されたノイズを学習データｘまたは変調済みの学習データｘ’に追加して変換学習データまたは変調済みの変換学習データをそれぞれ生成することができる。また、変換学習データまたは変調済みの変換学習データは、それぞれ学習データｘまたは変調済みの学習データｘ’をブラー（Ｂｌｕｒ）処理するか、学習データｘまたは変調済みの学習データｘ’の解像度を変更して生成することができるが、これに限定されず、学習データｘまたは変調済みの学習データｘ’を変換する多様な方法が適用され得る。
【0091】
すなわち、学習装置１００は、変調ネットワークＯを学習するにおいて、第１エラーを利用してラーニングネットワークＦが学習データｘを変調して学習データｘと同一又は類似するように認識される変調済みの学習データｘ’を出力するように学習し、第２エラーを利用して学習データｘとは異なるものの学習データｘ’との区別が難しい変調済みの学習データｘ’を出力するように学習することができる。
【0092】
この際、判別器Ｄに入力された変換学習データまたは変調済みの変換学習データに対応する変換学習データスコアまたは変調済みの変換学習データスコアの最大値は、変換学習データまたは変調済みの変換学習データを本物であるものと判別する１であり、判別器Ｄに入力された変調済みの学習データｘ’に対応する変調済みの学習データスコアの最小値は、変調済みの学習データｘ’を偽物であるものと判別する０であり得る。すなわち、判別器Ｄは、変調済みの学習データｘ’を変換学習データまたは変調済みの変換学習データとして認識するように学習され得る。
【0093】
図５は、本発明の他の実施例にしたがって原本データをコンシーリング処理する変調ネットワークを学習する他の方法を簡略に示したものであって、図４におけるラーニングネットワークＦは、学習されたパラメータを有する多数のラーニングネットワークＦ１、Ｆ２、…、Ｆｎで構成されたものである。下記の説明では、前記図２ないし図４の説明で容易に理解が可能な部分については、詳細な説明を省略する。
【0094】
まず、学習データｘが取得されると、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調させて変調済みの学習データｘ’すなわち、Ｏ（ｘ）を生成させる。
【0095】
次に、学習装置１００は、変調済みの学習データｘ’を第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力して、それぞれの第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、変調済みの学習データｘ’に対してそれぞれのネットワークに対応するネットワーク演算を適用させて、（ｉｉ）変調済みの学習データｘ’に対応する第１＿１特性情報Ｆ１（ｘ’）ないし第１＿ｎ特性情報Ｆｎ（ｘ’）を生成させる。また、学習装置１００は、学習データｘを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力して、それぞれの第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、学習データｘに対してそれぞれのネットワークに対応するネットワーク演算を適用させて、（ｉｉ）学習データｘに対応するそれぞれの第２＿１特性情報Ｆ１（ｘ）ないし第２＿ｎ特性情報Ｆｎ（ｘ）を生成させることができる。
【0096】
次に、学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ’）と第２＿１特性情報Ｆ１（ｘ）とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報Ｆｎ（ｘ）とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉ－２）前記１＿１特性情報Ｆ１（ｘ’）を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報Ｆｎ（ｘ’）を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、（ｉｉ）判別器Ｄに入力された変調済みの学習データｘ’に対応する変調済みの学習データスコアである第２エラーを最大化するように、変調ネットワークＯを学習することができる。そして、学習装置１００は、判別器Ｄに入力された変換学習データまたは変調済みの変換学習データに対応する変換学習データスコアまたは変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器Ｄを学習することができる。
【0097】
すなわち、学習装置１００は、第１＿１特性情報Ｆ１（ｘ’）と第２＿１特性情報Ｆ１（ｘ）とを参照して算出された第（１＿１）＿１エラーを取得し、第１＿２特性情報Ｆ２（ｘ’）と第２＿２特性情報Ｆ２（ｘ）とを参照して算出された第（１＿１）＿２エラーを取得し、同様に第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報Ｆｎ（ｘ）とを参照した第（１＿１）＿ｎエラーを算出して、取得された第（１＿１）＿１エラーないし取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーを取得することができる。そして、学習装置１００は、第１＿１特性情報Ｆ１（ｘ’）を利用して生成された第１タスク特定出力と、これに対応する第１原本正解とを参照して算出された第（１＿２）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）を利用して生成された第ｎタスク特定出力と、これに対応する第ｎ原本正解とを参照して算出された第（１＿２）＿ｎエラーを取得して、算出された第（１＿２）＿１エラーないし第（１＿２）＿ｎエラーの平均である第１＿２エラーを取得することができる。そして、学習装置１００は、第１＿１エラーと第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、第２エラーを最大化するように、変調ネットワークＯを学習することができる。
【0098】
一方、前記において学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ’）と 第２＿１特性情報Ｆ１（ｘ）とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）と第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉ－２）第１＿１特性情報Ｆ１（ｘ’）を利用して生成された第１タスク特定出力と、これに対応する第１原本正解とを参照して取得された第（１＿２）＿１エラーないし第１＿ｎ特性情報Ｆｎ（ｘ’）を利用して生成された第ｎタスク特定出力と、これに対応する第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、（ｉｉ）判別器に入力された変調済みの学習データに対応する変調済みの学習データスコアである第２エラーを最大化するように、変調ネットワークＯを学習した。他の例として、第（１＿１）＿１エラーと第（１＿２）＿１エラーとのうち少なくとも一部を参照して算出された第１＿１エラーないし第（１＿１）＿ｎエラーと第（１＿２）＿ｎエラーとのうち少なくとも一部を参照して算出された第１＿ｎエラーを最小化するように、変調ネットワークＯを順次学習することもできる。
【0099】
すなわち、学習装置１００は、学習データｘを変調ネットワークＯに入力して、変調ネットワークＯをもって学習データｘを変調して第１変調済みの学習データｘ１’を生成させる。そして、学習装置１００は、（ｉ）第１変調済みの学習データｘ１’を第１ラーニングネットワークＦ１に入力して、第１ラーニングネットワークＦ１をもって（ｉ－１）第１ラーニングネットワークＦ１の第１学習されたパラメータを利用して、第１変調済みの学習データｘ１’に対してネットワーク演算を適用させて（ｉ－２）第１変調済みの学習データｘ１’に対応する第１＿１特性情報Ｆ１（ｘ１’）を出力させるプロセス、及び（ｉｉ）学習データｘを第１ラーニングネットワークＦ１に入力して、第１ラーニングネットワークＦ１をもって（ｉｉ－１）第１学習されたパラメータを利用して、学習データｘに対してネットワーク演算を適用させて（ｉｉ－２）学習データｘに対応する第２＿１特性情報Ｆ１（ｘ）を出力させるプロセスを遂行するか、他の装置をもって遂行するように支援することができる。以後、学習装置１００は、（ｉ）（ｉ－１）第１＿１特性情報Ｆ１（ｘ１’）と第２＿１特性情報Ｆ１（ｘ）とを参照して取得された少なくとも一つの第（１＿１）＿１エラーと、（ｉ－２）第１＿１特性情報Ｆ１（ｘ’）を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された少なくとも一つの第（１＿２）＿１エラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿１エラーを最小化し、（ｉｉ）判別器Ｄに入力された第１変調済みの学習データｘ１’に対応する少なくとも一つの第１変調済みの学習データスコアである少なくとも一つの第２＿１エラーを最大化するように、変調ネットワークＯを学習して、変調ネットワークＯが第１学習された変調ネットワークＯ１になるようにすることができる。そして、学習装置１００は、判別器Ｄに入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの第１変換学習データスコアまたは少なくとも一つの第１変調済みの変換学習データスコアを最大化し、少なくとも一つの第１変調済みの学習データスコアを最小化するように、判別器Ｄを学習して判別器Ｄが第１学習された判別器Ｄ１になるようにすることができる。
【0100】
そして、学習装置１００は、整数であるｋを２からｎまで増加させていき、前記のプロセスを繰り返して第ｎラーニングネットワークＦｎまで遂行することによって、第ｎ学習された変調ネットワークＯｎを取得することができるようになる。
【0101】
すなわち、学習装置１００は、学習データｘを第ｋ－１学習された変調ネットワークＯ（ｋ－１）に入力して、第ｋ－１変調ネットワークＯ（ｋ－１）をもって学習データｘを変調して第ｋ変調済みの学習データｘｋ’を生成させる。そして、学習装置１００は、（ｉ）第ｋ変調済みの学習データｘｋ’を第ｋラーニングネットワークＦｋに入力して、第ｋラーニングネットワークＦｋをもって第ｋラーニングネットワークＦｋの少なくとも一つの第ｋ学習されたパラメータを利用して、第ｋ変調済みの学習データｘｋ’に対してネットワーク演算を適用させて第ｋ変調済みの学習データｘｋ’に対応する第１＿ｋ特性情報Ｆｋ（ｘｋ’）を出力させ、（ｉｉ）学習データｘを第ｋラーニングネットワークＦｋに入力して、第ｋラーニングネットワークＦｋをもって第ｋ学習されたパラメータを利用して、学習データｘに対してネットワーク演算を適用させて学習データｘに対応する第２＿ｋ特性情報Ｆｋ（ｘｋ）を出力させることができる。以後、学習装置１００は、（ｉ）（ｉ－１）第１＿ｋ特性情報Ｆｋ（ｘｋ’）と第２＿ｋ特性情報Ｆｋ（ｘ）とを参照して取得された少なくとも一つの第（１＿１）＿ｋエラーと、（ｉ－２）第１＿ｋ特性情報Ｆｋ（ｘ’）を利用して生成された少なくとも一つの第ｋタスク特定出力と、これに対応する少なくとも一つの第ｋ原本正解とを参照して取得された少なくとも一つの（１＿２）ｋエラーとのうち少なくとも一部を参照して算出された少なくとも一つの第１＿ｋエラーを最小化し、（ｉｉ）第ｋ－１学習された判別器Ｄ（ｋ－１）に入力された第ｋ変調済みの学習データｘｋ’に対応する少なくとも一つの第ｋ変調済みの学習データスコアである少なくとも一つの第２＿ｋエラーを最大化するように、第ｋ－１学習された変調ネットワークＯ（ｋ－１）を学習して、第ｋ－１学習された変調ネットワークＯ（ｋ－１）が第ｋ学習された変調ネットワークＯｋになるようにすることができる。そして、学習装置１００は、第ｋ－１学習された判別器Ｄ（ｋ－１）に入力された変換学習データまたは変調済みの変換学習データに対応する少なくとも一つの第ｋ変換学習データスコアまたは少なくとも一つの第ｋ変調済みの変換学習データスコアを最大化し、少なくとも一つの第ｋ変調済みの学習データスコアを最小化するように、第ｋ－１学習された判別器Ｄ（ｋ－１）を学習して、第ｋ－１学習された判別器Ｄ（ｋ－１）が第ｋ学習された判別器Ｄｋになるようにすることができる。
【0102】
図６は、本発明の一実施例にしたがって学習された変調ネットワークＯをテストするテスト装置を簡略に示したものである。
【0103】
図６を参照すると、本発明の一実施例によるテスト装置２００は、ラーニングネットワークで変調済みのテストデータを利用して算出された結果がテストデータを利用して算出された結果と同一又は類似するように学習させた、学習された変調ネットワークをテストするためのインストラクションが格納されたメモリ２１０と、メモリ２１０に格納されたインストラクションにしたがって学習された変調ネットワークをテストするプロセスを遂行するプロセッサ２２０とを含むことができる。
【0104】
具体的に、テスト装置２００は、少なくとも一つのコンピューティング装置（例えば、コンピュータプロセッサ、メモリ、ストレージ、入力装置及び出力装置、その他既存のコンピューティング装置の構成要素；ルータ、スイッチなどのような電子通信装置；ネットワーク接続ストレージ（ＮＡＳ）及びストレージ領域ネットワーク（ＳＡＮ）のような電子情報ストレージシステム）とコンピュータソフトウェア（すなわち、コンピューティング装置をもって特定の方式で機能させるインストラクション）との組み合わせを利用して所望のシステム性能を一般的に達成するものであり得る。
【0105】
また、コンピューティング装置のプロセッサは、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、キャッシュメモリ（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕｓ）などのハードウェア構成を含むことができる。また、コンピューティング装置は、オペレーティングシステム、特定の目的を遂行するアプリケーションのソフトウェア構成をさらに含むこともできる。
【0106】
しかし、コンピューティング装置が、本発明を実施するためのプロセッサ、メモリ、ミディアム又は他のコンピューティング要素の任意の組み合わせを含む統合プロセッサを排除するものではない。
【0107】
一方、学習装置が（ｉ）学習データを変調ネットワークに入力して、変調ネットワークをもって学習データを変調して変調済みの学習データを生成させ、（ｉｉ）変調済みの学習データを学習されたパラメータを有するラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、変調済みの学習データに対してネットワーク演算を適用させて変調済みの学習データに対応する第１特性情報を生成させ、学習データをラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、学習データに対してネットワーク演算を適用させて学習データに対応する第２特性情報を生成させ、（ｉｉｉ）（ｉｉｉ－１）第１特性情報と第２特性情報とを参照して取得された第１＿１エラーと、（ｉｉｉ－２）第１特性情報を利用して生成されたタスク特定出力と、これに対応する原本正解とを参照して取得された第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、学習データと変調済みの学習データとを参照して取得された第２エラーを最大化するように、変調ネットワークを学習した状態で、テストデータが取得されると、メモリ２１０に格納されたインストラクションにしたがってプロセッサ２２０が、テストデータを変調ネットワークに入力して変調ネットワークをもって変調ネットワークの学習されたパラメータを利用してテストデータを変調させて変調済みのテストデータを出力させ、変調済みのテストデータをテストデータのコンシーリング処理済みのデータとして取得することができる。
【0108】
また、学習装置が、（ｉ）学習データを変調ネットワークに入力して、変調ネットワークをもって学習データを変調して変調済みの学習データを生成させ、（ｉｉ）変調済みの学習データを学習されたパラメータを有するラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、変調済みの学習データに対してネットワーク演算を適用させて変調済みの学習データに対応する第１特性情報を生成させ、学習データをラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、学習データに対してネットワーク演算を適用させて学習データに対応する第２特性情報を生成させ、（ｉｉｉ）（ｉｉｉ－１）第１特性情報と第２特性情報とを参照して取得した第１＿１エラーと、（ｉｉｉ－２）第１特性情報を利用して生成されたタスク特定出力と、これに対応する原本正解とを参照して取得された第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、入力されるデータが本物であるか偽物であるかを判別する判別器に入力された変調済みの学習データに対応する変調済みの学習データスコアである第２エラーを最大化するように、変調ネットワークを学習するとともに、（ｉｖ）判別器に入力された変換学習データまたは変調済みの変換学習データに対応する変換学習データスコアまたは変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器を学習した状態で、テストデータが取得されると、メモリ２１０に格納されたインストラクションにしたがってプロセッサ２２０がテストデータを変調ネットワークに入力して、変調ネットワークをもって変調ネットワークの学習されたパラメータを利用してテストデータを変調して変調済みのテストデータを出力させて、変調済みのテストデータをテストデータのコンシーリング処理済みのデータとして取得することができる。
【0109】
図７は、本発明の一実施例にしたがって学習された変調ネットワークをテストする方法を簡略に示したものである。
【0110】
図７を参照すると、テスト装置２００が、ラーニングネットワークにおいて原本データを利用して生成された結果と同一又は類似した変調済みのデータを出力するように、原本データを変調するように学習された変調ネットワークＯにテストデータ（例えば、図７の左側にある原本イメージ）を入力して、変調ネットワークＯをもって学習されたパラメータにしたがってテストデータを変調させて、変調済みのテストデータ（例えば、図７の右側にある変調済みのイメージ）を出力させる。
【0111】
参考までに、図７は、カナダ高等研究所（ＣＩＦＡＲ：Ｃａｎａｄｉａｎ Ｉｎｓｔｉｔｕｔｅ ｆｏｒ Ａｄｖａｎｃｅｄ Ｒｅｓｅａｒｃｈ）においてイメージ分類の問題解決のために収集して整理したデータである、ＣＩＦＡＲ－１０データセットから選定された６４個のイメージサンプルを例示的に示す図面である。
【0112】
【0113】
図７を参照すると、本発明の実施例にしたがってコンシーリング処理済みの図７の右側にある６４個の変調済みデータは、図７の左側にある６４個の原本データとは視覚的に異なるものの、ラーニングネットワークに入力する場合、ラーニングネットワークは原本データと同一又は類似した結果を出力する。
【0114】
【0115】
すなわち、学習装置は、（ｉ）学習データを変調ネットワークに入力して、変調ネットワークをもって学習データを変調して変調済みの学習データを生成させ、（ｉｉ）変調済みの学習データを学習されたパラメータを有するラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、変調済みの学習データに対してネットワーク演算を適用させて変調済みの学習データに対応する第１特性情報を生成させ、学習データをラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、学習データに対してネットワーク演算を適用させて学習データに対応する第２特性情報を生成させ、（ｉｉｉ）（ｉｉｉ－１）第１特性情報と第２特性情報とを参照して取得された第１＿１エラーと、（ｉｉｉ－２）第１特性情報を利用して生成されたタスク特定出力と、これに対応する原本正解とを参照して取得された第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、学習データと変調済みの学習データとを参照して取得された第２エラーを最大化するように、変調ネットワークＯを学習した状態であり得る。
【0116】
また、前記において、ラーニングネットワークはそれぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、学習装置は、（ｉ）変調済みの学習データを第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれに入力して、それぞれの第１ラーニングネットワークないし第ｎラーニングネットワークをもって（ｉ－１）第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）変調済みの学習データに対応するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）学習データを第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれに入力して、それぞれの第１ラーニングネットワークないし第ｎラーニングネットワークをもって（ｉｉ－１）第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）第１＿１特性情報と第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報と第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉｉｉ－１ｂ）第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、（ｉｉｉ－２）学習データと変調済みの学習データとを参照して算出された第２エラーを最大化するように、変調ネットワークを学習させた状態であり得る。
【0117】
そして、学習装置は、（ｉ）学習データを変調ネットワークに入力して、変調ネットワークをもって学習データを変調して変調済みの学習データを生成させ、（ｉｉ）変調済みの学習データを学習されたパラメータを有するラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、変調済みの学習データに対してネットワーク演算を適用させて変調済みの学習データに対応する第１特性情報を生成させ、学習データをラーニングネットワークに入力して、ラーニングネットワークをもって学習されたパラメータを利用して、学習データに対してネットワーク演算を適用させて学習データに対応する第２特性情報を生成させ、（ｉｉｉ）（ｉｉｉ－１）第１＿１特性情報と第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし第１＿ｎ特性情報と第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉｉｉ－２）第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、入力されるデータが本物であるか偽物であるかを判別する判別器に入力された変調済みの学習データに対応する変調済みの学習データスコアである第２エラーを最大化するように、変調ネットワークＯを学習させるとともに、（ｉｖ）判別器に入力された変換学習データまたは変調済みの変換学習データに対応する変換学習データスコアまたは変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器を学習した状態であり得る。
【0118】
また、前記において、ラーニングネットワークは、それぞれ第１学習されたパラメータないし第ｎ学習されたパラメータを有する第１ラーニングネットワークないし第ｎラーニングネットワークを含み、学習装置は、（ｉ）変調済みの学習データを第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれに入力して、それぞれの第１ラーニングネットワークないし第ｎラーニングネットワークをもって（ｉ－１）第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、変調済みの学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉ－２）変調済みの学習データに対するそれぞれの第１＿１特性情報ないし第１＿ｎ特性情報を出力させ、（ｉｉ）学習データを第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれに入力して、それぞれの第１ラーニングネットワークないし第ｎラーニングネットワークをもって（ｉｉ－１）第１ラーニングネットワークないし第ｎラーニングネットワークそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用して、学習データに対してそれぞれのネットワークに対応するネットワーク演算を適用させて（ｉｉ－２）学習データに対するそれぞれの第２＿１特性情報ないし第２＿ｎ特性情報を出力させ、（ｉｉｉ）（ｉｉｉ－１）（ｉｉｉ－１ａ）第１＿１特性情報と第２＿１特性情報とを参照して取得された第（１＿１）＿１エラーないし前記第１＿ｎ特性情報と前記第２＿ｎ特性情報とを参照して取得された第（１＿１）＿ｎエラーの平均である第１＿１エラーと、（ｉｉｉ－１ｂ）第１＿１特性情報を利用して生成された少なくとも一つの第１タスク特定出力と、これに対応する少なくとも一つの第１原本正解とを参照して取得された第（１＿２）＿１エラーないし前記第１＿ｎ特性情報を利用して生成された少なくとも一つの第ｎタスク特定出力と、これに対応する少なくとも一つの第ｎ原本正解とを参照して取得された第（１＿２）＿ｎエラーの平均である前記第１＿２エラーとのうち少なくとも一部を参照して算出された第１エラーを最小化し、（ｉｉｉ－２）判別器に入力された変調済みの学習データに対応する変調済みの学習データスコアである第２エラーを最大化するように、変調ネットワークを学習し、（ｉｖ）判別器に入力された変換学習データまたは変調済みの変換学習データに対応する変換学習データスコア又は変調済みの変換学習データスコアを最大化し、変調済みの学習データスコアを最小化するように、判別器を学習した状態であり得る。
【0119】
一方、本発明の実施例にしたがって学習された変調ネットワークにおいて、コンシーリング処理された変換済みのデータは、イメージビッグデータの購入者に対して提供または販売され得る。
【0120】
また、本発明の一実施例によると、前記購入者に対してコンシーリング処理されたイメージデータが提供または販売されるとともに、学習された変調ネットワークをテストする方法が、多様なコンピュータ構成要素を通じて実行され得るプログラムインストラクションの形態で具現されて、コンピュータ読取り可能な記録媒体に格納されて提供され得る。本発明の一実施例によると、購入者は、記録媒体に格納されたプログラムインストラクションをコンピューティング装置を利用して実行することによって、自らが別途に保有しているか他の出処から取得された原本データからコンシーリング処理されたデータを生成することができ、コンシーリング処理されたデータを自らのラーニングネットワークで利用することが可能となる。また、購入者は、そのコンシーリング処理されたデータ、自らが保有しているか他の出処から取得された原本イメージデータ、及び自らに提供又は販売されたコンシーリング処理済みのイメージデータのうち少なくとも二つ以上を自らのラーニングネットワークにおいて共に使用することも可能になる。
【0121】
一方、本発明の一実施例によると、学習された変調ネットワークをテストする方法を多様なコンピュータ構成要素を通じて実行され得るプログラムインストラクションの形態で具現した場合、正確度が高く設定されて購入者のコンピューティング装置においてはコンピューティングオーバーヘッド（Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｏｖｅｒｈｅａｄ）を発生させることができるため、購入者が設定を通じて正確度を低減させることができるようにして、コンピューティングオーバーヘッドを防止し得るようにすることが可能になる。
【0122】
一方、本明細書に明示された「平均」は、加重平均（Ｗｅｉｇｈｔｅｄ Ａｖｅｒａｇｅ）を意味するが、これに限定されるわけではない。
【0123】
以上にて説明された本発明による実施例は、多様なコンピュータの構成要素を通じて実行することができるプログラム命令語の形態で具現されて、コンピュータ読取り可能な記録媒体に格納され得る。前記コンピュータ読取り可能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独で又は組み合わせて含むことができる。前記コンピュータ読取り可能な記録媒体に格納されるプログラム命令語は、本発明のために特別に設計され、構成されたものであるか、コンピュータソフトウェア分野の当業者に公知にされて使用可能なものであり得る。コンピュータ読取り可能な記録媒体の例には、ハードディスク、フロッピー（登録商標）ディスク及び磁気テープのような磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスク（Ｆｌｏｐｔｉｃａｌ Ｄｉｓｋ）のような磁気－光メディア（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ Ｍｅｄｉａ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語を格納して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるもののような機械語コードだけでなく、インタープリターなどを使用してコンピュータによって実行され得る高級言語コードも含まれる。前記ハードウェア装置は、本発明による処理を実行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その反対も同様である。
【0124】
以上にて本発明が具体的な構成要素などのような特定事項と限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解の一助とするために提供されたものであるに過ぎず、本発明が前記実施例に限られるものではなく、本発明が属する技術分野において通常の知識を有する者であれば、かかる記載から多様な修正及び変形が行われ得る。
【0125】
したがって、本発明の思想は、前記説明された実施例に局限されて定められてはならず、後述する特許請求の範囲だけでなく、本特許請求の範囲と均等または等価的に変形されたものすべては、本発明の思想の範囲に属するといえる。
【符号の説明】
【0126】
１１０：メモリ
１２０：プロセッサ
２００：テスト装置
２１０：メモリ
２２０：プロセッサ
１２０：プロセッサ
２００：テスト装置
２１０：メモリ
２２０：プロセッサ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
