特許 7440149 データ生成方法、データ生成プログラム、およびデータ生成システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-02-19

(45)【発行日】2024-02-28

(54)【発明の名称】データ生成方法、データ生成プログラム、およびデータ生成システム

(51)【国際特許分類】

   H04L 9/30 20060101AFI20240220BHJP

   G06N 3/126 20230101ALI20240220BHJP

   G06N 20/00 20190101ALI20240220BHJP

【ＦＩ】

H04L9/30 Z

G06N3/126

G06N20/00

【請求項の数】 11

(21)【出願番号】P 2023134067

(22)【出願日】2023-08-21

【審査請求日】2023-08-21

【早期審査対象出願】

(73)【特許権者】

【識別番号】518334141

【氏名又は名称】ＥＡＧＬＹＳ株式会社

(74)【代理人】

【識別番号】100210815

【弁理士】

【氏名又は名称】西田 聡子

(72)【発明者】

【氏名】三原 健太郎

【審査官】中里 裕正

(56)【参考文献】

【文献】特開２０１８－０１０４２８（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／０３１３８４９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２２／００８５９７２（ＵＳ，Ａ１）

【文献】国際公開第２０２２／１３７４４７（ＷＯ，Ａ１）

【文献】EAGLYS，EAGLYS・三井物産で秘密計算PoCを実施，PR TIMES，[online]，2022年11月10日，<URL:https://prtimes.jp/main/html/rd/p/000000041.000041103.html>，[2023年11月30日検索]

【文献】PODSCHWADT, R. et al.，A Survey of Deep Learning Architectures for Privacy-Preserving Machine Learning With Fully Homomorphic Encryption，IEEE Access，[online]，2022年11月10日，Vol.10，pp.117477-117500，<URL:https://ieeexplore.ieee.org/abstract/document/9936637>，[2023年11月30日検索]

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｌ ９／３０

Ｇ０６Ｎ ３／１２６

Ｇ０６Ｎ ２０／００

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

ＩＥＥＥ Ｘｐｌｏｒｅ

(57)【特許請求の範囲】

【請求項1】

制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、
準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、前記親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、
を備えるシステムにおいて用いられる方法であって、
前記制御部が、公開鍵および秘密鍵を生成するステップと、
前記制御部が、前記ユーザ記憶部から取得した前記複数の親データを、前記公開鍵を用いて準同型暗号方式で暗号化するステップと、
前記暗号演算部が、前記暗号化された複数の親データを前記機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、
前記暗号データ記憶部が、前記生成された複数の子データを、前記暗号化された複数の親データとして記憶する更新ステップと、
前記次世代生成ステップと、前記更新ステップとを繰り返すステップと、
を備え、
前記次世代生成ステップは、前記出力された複数の予測結果に対し、前記複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理の実行を含む、データ生成方法。

【請求項2】

前記次世代生成ステップは、
前記暗号演算部が、前記制御部が暗号化した前記複数の親データを取得するステップと、
前記暗号演算部が、前記取得した前記複数の親データを前記機械学習モデルに入力し、当該親データのそれぞれに対応する複数の予測結果を出力するステップと、
前記暗号演算部が、前記出力された複数の予測結果に対し、前記複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理を実行するステップと、
前記制御部が、前記特定困難化処理が実行された前記複数の予測結果を取得し、前記秘密鍵を用いて復号するステップと、
前記制御部が、前記復号された、前記特定困難化処理が実行された前記複数の予測結果から、当該複数の予測結果のそれぞれの目標値に対する複数の評価値を算出するステップと、
前記暗号演算部が、前記算出された複数の評価値を取得するステップと、
前記暗号演算部が、前記取得した複数の評価値に対応する前記複数の予測結果に対する前記特定困難化処理を解除するステップと、
前記暗号演算部が、前記特定困難化処理が解除された複数の予測結果を介して、前記複数の親データと対応関係にある複数の評価値を取得するステップと、
前記暗号演算部が、所定の条件を満たす前記評価値に対応する前記複数の親データを抽出するステップと、
前記暗号演算部が、前記抽出された複数の親データに対し、遺伝アルゴリズムを適用して、複数の子データを生成するステップと、
を含む、請求項１に記載のデータ生成方法。

【請求項3】

前記次世代生成ステップは、
前記暗号演算部が、前記制御部が暗号化した前記複数の親データを取得するステップと、
前記暗号演算部が、前記取得した前記複数の親データを前記機械学習モデルに入力し、当該親データのそれぞれに対応する複数の予測結果を出力するステップと、
前記暗号演算部が、前記出力された複数の予測結果に対し、前記複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理を実行するステップと、
前記制御部が、前記特定困難化処理が実行された前記複数の予測結果を取得し、前記秘密鍵を用いて復号するステップと、
前記暗号演算部が、前記復号された、前記特定困難化処理が実行された前記複数の予測結果を取得するステップと、
前記暗号演算部が、前記取得した、前記特定困難化処理が実行された前記複数の予測結果に対する前記特定困難化処理を解除するステップと、
前記暗号演算部が、前記特定困難化処理が解除された前記複数の予測結果から、前記複数の親データと対応関係にある複数の評価値を算出するステップと、
前記暗号演算部が、所定の条件を満たす前記評価値に対応する前記複数の親データを抽出するステップと、
前記暗号演算部が、前記抽出された複数の親データに対し、遺伝アルゴリズムを適用して、複数の子データを生成するステップと、
を含む、請求項１に記載のデータ生成方法。

【請求項4】

前記複数の親データは、複数の説明変数に対応する各値を含むレコードが所定の順序に並ぶデータセットであり、
前記次世代生成ステップは、
前記暗号演算部が、前記生成された複数の子データの説明変数に対し、前記特定困難化処理を実行するステップと、
前記制御部が、前記特定困難化処理が実行された複数の子データを取得し、前記秘密鍵を用いて復号するステップと、
前記制御部が、前記復号された複数の子データを、前記公開鍵を用いて準同型暗号方式で再暗号化するステップと、
前記暗号演算部が、前記再暗号化された前記複数の子データを取得するステップと、
前記暗号演算部が、前記取得した前記複数の子データの説明変数に対し、前記特定困難化処理を解除するステップと、
をさらに含み、
前記更新ステップにおいて、前記暗号データ記憶部は、前記特定困難化処理が解除された前記複数の子データを、前記暗号化された複数の親データとして記憶する、
請求項２または請求項３に記載のデータ生成方法。

【請求項5】

前記特定困難化処理は、対応関係を並び替える処理である、請求項２または請求項３に記載のデータ生成方法。

【請求項6】

前記特定困難化処理は、ノイズを付加する処理である、請求項２または請求項３に記載のデータ生成方法。

【請求項7】

前記特定困難化処理は、対応関係を並び替える処理、またはノイズを付加する処理の組み合わせである、請求項２または請求項３に記載のデータ生成方法。

【請求項8】

前記制御部が、前記繰り返すステップが複数回実行されて生成された複数の子データと当該子データと対応関係にある予測結果を取得し、前記秘密鍵を用いて復号するステップをさらに備える、請求項１から請求項３のいずれか一項に記載のデータ生成方法。

【請求項9】

前記制御部が、前記繰り返すステップの実行回数を受け付けるステップをさらに備える、請求項８に記載のデータ生成方法。

【請求項10】

制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、
準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、前記親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、
を備えるシステムにおいて用いられるプログラムであって、
前記制御部が、公開鍵および秘密鍵を生成するステップと、
前記制御部が、前記ユーザ記憶部から取得した前記複数の親データを、前記公開鍵を用いて準同型暗号方式で暗号化するステップと、
前記暗号演算部が、前記暗号化された複数の親データを前記機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、
前記暗号データ記憶部が、前記生成された複数の子データを、前記暗号化された複数の親データとして記憶する更新ステップと、
前記次世代生成ステップと、前記更新ステップとを繰り返すステップと、
を備え、
前記次世代生成ステップは、前記出力された複数の予測結果に対し、前記複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理の実行を含む、データ生成プログラム。

【請求項11】

制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、
準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、前記親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、
を備えるシステムであって、
前記制御部が、公開鍵および秘密鍵を生成するステップと、
前記制御部が、前記ユーザ記憶部から取得した前記複数の親データを、前記公開鍵を用いて準同型暗号方式で暗号化するステップと、
前記暗号演算部が、前記暗号化された複数の親データを前記機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、
前記暗号データ記憶部が、前記生成された複数の子データを、前記暗号化された複数の親データとして記憶する更新ステップと、
前記次世代生成ステップと、前記更新ステップとを繰り返すステップと、
を備え、
前記次世代生成ステップは、前記出力された複数の予測結果に対し、前記複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理の実行を含む、データ生成システム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、データ生成方法、データ生成プログラム、およびデータ生成システムに関する。

【背景技術】

【0002】

機械学習技術を活用して、最適なパラメータを設計する取り組みがある。例えば、特許文献１には、新規物質の開発を効率的に行うマテリアルズ・インフォマティクスに関する技術であって、化学データベースから新材料の候補を発見する発明が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特表２０２２－５１６６９７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

近年、様々な分野において、社内で保有するデータ（機械学習モデルに関する情報を含む。）を活用するだけでなく、社外の企業や組織と連携して、データを利活用しようとする機運が高まっている。しかしながら、機密性が高いデータの他社への提供や利活用は、情報漏洩や不正利用などセキュリティ上の課題がある。

【0005】

そこで、本開示では、上記課題を解決すべくなされたものであって、その目的は、各組織が保有するデータの内容を開示することなく利活用し、最適なパラメータ設計を容易にするデータ生成方法を提供することである。

【課題を解決するための手段】

【0006】

上記目的を達成するため、本開示に係るデータ生成方法は、制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、を備えるシステムにおいて用いられる方法であって、制御部が、公開鍵および秘密鍵を生成するステップと、制御部が、ユーザ記憶部から取得した複数の親データを、公開鍵を用いて準同型暗号方式で暗号化するステップと、暗号演算部および制御部が、暗号化された複数の親データを機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、暗号データ記憶部が、生成された複数の子データを、暗号化された複数の親データとして記憶する更新ステップと、次世代生成ステップと、更新ステップとを繰り返すステップと、を備える。

【0007】

また、上記目的を達成するため、本開示に係るデータ生成プログラムは、制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、を備えるシステムにおいて用いられるプログラムであって、制御部が、公開鍵および秘密鍵を生成するステップと、制御部が、ユーザ記憶部から取得した複数の親データを、公開鍵を用いて準同型暗号方式で暗号化するステップと、暗号演算部および制御部が、暗号化された複数の親データを機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、暗号データ記憶部が、生成された複数の子データを、暗号化された複数の親データとして記憶する更新ステップと、次世代生成ステップと、更新ステップとを繰り返すステップと、を備える。

【0008】

また、上記目的を達成するため、本開示に係るデータ生成システムは、制御部と、複数の親データを記憶するユーザ記憶部と、を有するユーザ端末と、準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と、親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部と、を有する演算装置と、を備えるシステムであって、制御部が、公開鍵および秘密鍵を生成するステップと、制御部が、ユーザ記憶部から取得した複数の親データを、公開鍵を用いて準同型暗号方式で暗号化するステップと、暗号演算部および制御部が、暗号化された複数の親データを機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、暗号データ記憶部が、生成された複数の子データを、暗号化された複数の親データとして記憶する更新ステップと、次世代生成ステップと、更新ステップとを繰り返すステップと、を備える。

【発明の効果】

【0009】

本開示によれば、各組織が保有するデータの内容を開示することなく利活用し、最適なパラメータ設計を容易にすることができる。

【図面の簡単な説明】

【0010】

【図1】データ生成システム１の全体図である。

【図2】端末装置１００のハードウェア構成を示す図である。

【図3】端末装置１００の機能的構成を示すブロック図である。

【図4】材料データのデータ構造を示す図である。

【図5】材料データの具体例を示す図である。

【図6】探索対象の材料データを設定する画面の一例を示す図である。

【図7】目的変数を設定する画面の一例を示す図である。

【図8】評価値の算出を説明する図である。

【図9】演算装置２００の機能的構成を示すブロック図である。

【図10】実施形態１における特定困難化処理の例を示す図である。

【図11】実施形態１における特定困難化処理の例を示す図である。

【図12】遺伝アルゴリズムの適用例を示す図である。

【図13】データ生成システム１における処理を示すシーケンス図である。

【図14】データ生成システム１における処理を示すシーケンス図である。

【図15】実施形態２における特定困難化処理の例を示す図である。

【図16】演算装置３００の機能的構成を示すブロック図である。

【図17】データ生成システム２における処理を示すシーケンス図である。

【図18】データ生成システム４の全体図である。

【図19】端末装置４００の機能的構成を示すブロック図である。

【図20】演算装置５００の機能的構成を示すブロック図である。

【図21】データ生成システム４における処理を示すシーケンス図である。

【発明を実施するための形態】

【0011】

以下、本開示の実施形態について図面を参照して説明する。実施形態を説明する全図において、共通の構成要素には同一の符号を付し、繰り返しの説明を省略する。なお、以下の実施形態は、特許請求の範囲に記載された本開示の内容を不当に限定するものではない。また、実施形態に示される構成要素のすべてが、本開示の必須の構成要素であるとは限らない。

【0012】

＜本発明に係るデータ生成方法の概要＞
機械学習技術を活用して、最適なパラメータを設計し、配送ルートの設定、需要の予測、工業製品の形状デザインや、新規物質の開発などに用いる取り組みがある。例えば、マテリアルズ・インフォマティクスでは、化学物質の特徴（組成等）を説明変数とし、その化学物質の特性（硬度等）を目的変数とする大量のデータで機械学習して生成させた予測モデルを用いることにより、新規物質の特性を実際に実験して確認する手間を削減することができる。

【0013】

また、最適なパラメータを探索する手法として、自然の進化を模倣した最適化アルゴリズムである遺伝アルゴリズム（Genetic Algorithm）が知られている。遺伝アルゴリズムでは、親世代の個体の集団に対して、交叉や突然変異等の、生存選択の操作を適用して、子世代集団を得ることを繰り返し、より良い個体を探索する方法である。例えば、このようなアルゴリズムにより探索されたパラメータを有する化学物質と、上述のような予測モデルとを用いることにより、効率的に新規物質の開発を行うことが可能である。

【0014】

近年、社外の企業等と連携し、各自が保有するデータを利活用しようとする機運が高まっており、機密性の高いデータを他社に秘匿したまま、データ連携する手法が望まれている。本発明に係るデータ生成方法によれば、予測モデルを提供するモデル提供者は、モデル利用者に対し、遺伝アルゴリズムによって生成される途中の子世代のデータを開示しないため、モデル利用者に予測モデルを推測されることなく、利用させることができる。また、モデル利用者は、予測対象データを、モデル提供者に開示することなく、最終的な最適解を得ることができる。

【0015】

具体的には、データを暗号化したまま演算することができる準同型暗号を用いることで実現する。一方で、全ての演算工程を暗号化したまま演算すると、計算コストが膨大になってしまう。そこで、遺伝アルゴリズムにおける親世代集団に対する生存選択の操作を、モデル利用者が予測モデルを推測できないように、予測モデルへの入力と出力との正しい対応関係が特定困難となる処理の実行後に行い、予測結果に対する評価値に基づいて子世代集団を生成する。

【0016】

これにより、遺伝アルゴリズムにおいて、子世代集団を効率的に生成することができ、計算コストを削減することができる。また、予測モデルをモデル利用者に推測されることを防ぐことができる。

【0017】

＜実施形態１＞
本実施形態に係るデータ生成システム１では、上述したように、遺伝アルゴリズムにおける親世代集団に対する生存選択の操作を、モデル利用者が予測モデルを推測できないように、予測モデルの入力（予測対象データ）と出力（予測結果）との対応関係が特定困難となる処理として、対応関係を並び替える処理を行う。

【0018】

（データ生成システム１の構成）
図１は、データ生成システム１の全体図である。図１を参照して、本実施形態に係るデータ生成システム１の全体図について説明する。

【0019】

本実施形態に係るデータ生成システム１は、ユーザによって使用される一つ以上の端末装置１００と、演算装置２００と、を備える。端末装置１００と、演算装置２００とは、ネットワークＮＷを介して通信可能に接続される。ネットワークＮＷは、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）等から構成される。データ生成システム１において、新規物質を探索したいユーザは、端末装置１００を介して、他の組織等が保有する予測モデルを提供する演算装置２００を利用する。

【0020】

端末装置１００は、ユーザからの入力を受け付け、その入力内容を、ネットワークＮＷを介して演算装置２００に送信する。また、端末装置１００は、演算装置２００からネットワークＮＷを介して送信されたデータを受信し、ユーザに提示する。

【0021】

演算装置２００は、予測モデルを提供するモデル提供者（または、データ生成システム１のプラットフォーマ）のサーバである。演算装置２００は、端末装置１００から送信されるデータについて暗号化された状態のまま、機械学習の推論処理や遺伝アルゴリズムによる新規物質の探索等の演算処理を行う。

【0022】

（端末装置１００のハードウェア構成）
図２は、端末装置１００のハードウェア構成を示す図である。図２を参照して、本実施形態に係る端末装置１００のハードウェア構成について説明する。

【0023】

端末装置１００は、ユーザによって使用されるユーザ端末であって、例えば、据え置き型や、ラップトップ型のＰＣ（Personal Computer）のような汎用コンピュータにより実現されてもよいし、スマートフォンやタブレットによって実現されてもよい。

【0024】

端末装置１００は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信ＩＦ１４と、入出力ＩＦ１５と、を備える。

【0025】

プロセッサ１１は、プログラムに記述された命令セットを実行するためのハードウェアであり、演算装置、レジスタ、周辺回路などにより構成される。

【0026】

メモリ１２は、プログラム、および、プログラム等で処理されるデータ等を一時的に記憶するためのものである。メモリ１２は、例えば、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性のメモリにより実現される。メモリ１２に記憶されるプログラムは、本発明に係るデータ生成方法を実行するプログラム等である。

【0027】

ストレージ１３は、データを保存するための記憶装置である。ストレージ１３は、例えば、フラッシュメモリ、ＨＤＤ（Hard Disc Drive）等により実現される。

【0028】

通信ＩＦ１４は、端末装置１００が外部の装置と通信するため、信号を送受信するためのインタフェースである。例えば、無線通信を行うための無線通信機、シリアル通信のためのＵＳＢ（Universal Serial Bus）コネクタ等である。

【0029】

入出力ＩＦ１５は、ユーザからの入力を受け付けるための入力装置、および、ユーザに対し情報を提示するための出力装置とのインタフェースである。入力装置は、例えば、キーボードやマウス、タッチパネル、ボタン、マイクロフォン等により実現される。出力装置は、例えば、ディスプレイやプリンタ、スピーカ等により実現される。

【0030】

なお、演算装置２００のハードウェア構成を、図２に示した端末装置１００のハードウェア構成としてもよい。演算装置２００は、例えば、ワークステーション、サーバコンピュータ、据え置き型のＰＣ（Personal Computer）、ラップトップ型のＰＣ等のような汎用コンピュータにより実現されてもよいし、クラウド・コンピューティングによって論理的に実現されてもよい。演算装置２００の各構成要素の動作は、上述の端末装置１００と同様に、メモリ１２に記憶されたプログラムに従ったプロセッサ１１により実現する。

【0031】

（端末装置１００の機能的構成）
図３は、端末装置１００の機能的構成を示すブロック図である。図３を参照して、本実施形態に係る端末装置１００の機能的構成について説明する。

【0032】

端末装置１００は、通信部１１０と、入力部１２０と、出力部１３０と、記憶部１４０と、制御部１５０と、を備える。

【0033】

通信部１１０は、端末装置１００が演算装置２００や他の装置と通信するための処理を行う。ここでいう他の装置とは、ネットワークで接続されたＰＣでもよいし、スマートフォン、タブレットやＸＲ(Cross Reality)（ＡＲ:Augmented Reality，ＭＲ:Mixed Reality，ＶＲ:Virtual Reality）などの端末であってもよい。また、他の装置は、入出力装置、例えば、フラッシュメモリやＨＤＤなどによりデータの入出力を行う装置であってもよい。

【0034】

通信部１１０は、また、ネットワークＮＷを介した装置やローカルに接続された装置等と、セキュリティが確保されたセキュアな通信チャンネルでデータを送受信する。セキュアな通信チャンネルの構築や、通信方法は、共通鍵（セッション鍵など）や公開鍵等を用いた周知の技術であるため、説明を省略する。

【0035】

入力部１２０は、端末装置１００のユーザ入力を受け付けるインタフェースである。入力部１２０は、例えば、キーボードや、タッチパネル、仮想空間内表示パネル、音声入力を検出するマイクであるが、これらに限られない。ユーザは、入力部１２０を介して、新規物質の探索に必要なパラメータ等を入力することができる。パラメータとしては、例えば、探索対象の説明変数や探索の制約条件、予測したい目的変数、目的変数の目標値、および優先度（重み）等である。

【0036】

また、探索の停止条件を入力するようにしてもよい。停止条件としては、例えば、遺伝アルゴリズムで生成する世代数であったり、評価値（後述）の閾値であったり、探索にかかる最大実行時間であったりでもよい。入力例については、図６および図７において説明する。

【0037】

出力部１３０は、情報を出力して端末装置１００のユーザに通知するインタフェースである。出力部１３０は、例えば、ディスプレイや、音声出力するスピーカであるが、これらに限られない。出力部１３０は、例えば、演算装置２００等から受信したデータをディスプレイに表示する。

【0038】

記憶部１４０は、例えば、ＲＡＭ等の揮発性のメモリ、フラッシュメモリ、ＨＤＤ等により構成され、端末装置１００が使用するデータ、および各種処理に用いられるコンピュータプログラムを記憶する。コンピュータプログラムは、所定のサーバ等からインストールされてもよいし、コンピュータ読み取り可能な可搬型記録媒体から公知のセットアッププログラム等を用いてインストールされてもよい。可搬型記録媒体は、例えばＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）等である。

【0039】

記憶部１４０は、「ユーザ記憶部」として機能し、鍵記憶部１４１と、材料データベース１４２と、を有する。

【0040】

鍵記憶部１４１は、後述する制御部１５０が生成した公開鍵および秘密鍵を記憶する。なお、公開鍵および秘密鍵は、端末装置１００とネットワークを介して、または直接的に接続される、セキュアな鍵管理システム（ＫＭＳ：Key Management System）において管理するようにしてもよい。また、鍵記憶部１４１は、公開鍵および秘密鍵の鍵対を複数記憶してもよいし、通信用の鍵（セッション鍵）を記憶してもよい。

【0041】

材料データベース１４２は、複数の材料データを記憶するデータベースである。複数の材料データは、探索対象の未知の材料データであるが、既知の材料データを含んでもよい。材料データベース１４２は、探索対象の複数の材料データを、遺伝アルゴリズムの複数の親データとして格納する。また、材料データベース１４２は、探索結果の材料データ（子データ）を格納してもよい。

【0042】

材料データは、材料に関する複数の特徴を示す情報と、複数の特性に関する情報とを含む。材料データのデータ構造については、図４において説明する。

【0043】

制御部１５０は、端末装置１００の各機能を制御し、予め記憶部１４０に記憶されているプログラムに基づいて動作するＣＰＵ（Central Processing Unit）等のプロセッサである。

【0044】

制御部１５０は、鍵生成部１５１と、暗復号部１５２と、評価値算出部１５３と、を有する。

【0045】

鍵生成部１５１は、データを暗号化し、または暗号化されたデータを復号するための公開鍵および秘密鍵の鍵対を生成する。生成した公開鍵および秘密鍵は、鍵記憶部１４１に格納される。

【0046】

暗復号部１５２は、材料データベース１４２に格納される複数の親データを、生成した公開鍵を用いて準同型暗号方式で暗号化する。準同型暗号方式としては、例えば、Paillier方式、Lifted-ElGamal方式、Somewhat Homomorphic Encryption方式、Fully Homomorphic Encryption方式等を含む。上述したように、材料データは材料に関する複数の特徴を示す情報を含んでおり、暗復号部１５２は、各特徴についての値ごとに暗号化する。

【0047】

また、暗復号部１５２は、演算装置２００から受信した暗号化されたデータを、公開鍵と対の秘密鍵を用いて復号する。

【0048】

評価値算出部１５３は、演算装置２００の予測モデル（後述）が出力する予測結果（予測値）から、目標値に対する評価値を算出する。評価値は、二つの値がどの程度異なるかを示す値であり、例えば、絶対差、平方差、相対誤差や、特定の指標、重み付け等を用いるなど、周知の方法により評価してもよい。なお、本実施形態では、評価値は、予測結果と目標値との絶対差とする。例えば、予測結果が「２０」であり、目標値が「２４」の場合、評価値は、目標値と予測結果との絶対差「４」（＝｜２０－２４｜）となる。

【0049】

図４は、材料データのデータ構造を示す図である。図４を参照して、材料データのデータ構造について説明する。

【0050】

材料データ１０００は、材料ＩＤ１１００と、材料の特徴を示す情報１２００と、材料の特性を示す情報１３００とを含む。

【0051】

材料ＩＤ１０００は、複数の材料データのそれぞれを識別する識別子である。

【0052】

材料の特徴を示す情報１２００は、例えば、材料を構成する物質あり、複数の説明変数x1～xnとして表される。材料データごとに、材料の特徴を示す情報として、実験値、計算値等の数値が入力される。なお、説明変数は、材料の特徴を示す情報に限られず、材料の反応工程や生成工程でのプロセス条件（温度、圧力、時間等）を示す情報を含んでもよい。

【0053】

材料の特性を示す情報１３００は、例えば、材料の密度、硬度、伝導率、強度のような、材料の物理的特性、化学的特性、機械的特性、電気的特性などであり、複数の目的変数y1～ymとして表される。

【0054】

材料ＩＤ１１００により識別される材料データが、探索対象の未知の材料データである場合、材料の特性を示す情報１３００には、情報が不明であることを示す記号等が入力される。一方、材料ＩＤ１１００により識別される材料が、既知の材料である場合、材料の特性を示す情報１３００には、特性の実験値、計算値等の数値が入力される。

【0055】

なお、図３において説明したように、端末装置１００の暗復号部１５２は、図４の例では、探索対象の未知の材料データのセル（説明変数）ごとに暗号化する。

【0056】

図５は、材料データの具体例を示す図である。図５を参照して、材料データベース１４２に格納される材料データの具体例について説明する。

【0057】

材料データ２０００は、材料ＩＤと、材料の特徴（説明変数）と、材料の特性（目的変数）とを含むデータセットである。

【0058】

図５の例では、材料の特徴として、材料を構成する「原料Ａ」、「原料Ｂ」、「原料Ｃ」…、「添加剤Ｘ」、「添加剤Ｙ」、「添加剤Ｚ」を含む。また、材料の特性として、材料の「粘性」を含む。なお、図５の例では、目的変数は一つであるが、複数であってもよい。

【0059】

材料を識別する材料ＩＤごとに、材料の特徴（説明変数）と材料の特性（目的変数）とが対応付けられる。また、説明変数には、各材料の特徴を示す実験値等の数値が入力される。探索対象である材料データの目的変数には、数値が存在しない旨を示す「ＮＵＬＬ」が入力されるが、既知の材料の目的変数には、数値が入力される。

【0060】

材料ＩＤ「１」～「５」で識別される材料データは、探索対象の材料データであり、目的変数である粘性には「ＮＵＬＬ」と入力される。具体的には、材料ＩＤが「１」の場合、原料Ａは「８０」、原料Ｂは「０」、原料Ｃは「０」、…、添加剤Ｘは「４」、添加剤Ｙは「０」、添加剤Ｚは「８」、粘性は「ＮＵＬＬ」が入力されている。探索対象の材料データは、遺伝アルゴリズムの親データとして、材料データベース１４２に格納される。すなわち、複数の親データは、複数の説明変数に対応する各値を含むレコードが所定の順序に並ぶデータセットである。

【0061】

材料ＩＤが「５１」～「５５」で識別される材料データは、既知の材料データであり、説明変数および目的変数には、数値が入力される。具体的には、材料ＩＤが「５１」の場合、原料Ａは「４０」、原料Ｂは「０」、原料Ｃは「０」、…、添加剤Ｘは「２」、添加剤Ｙは「０」、添加剤Ｚは「８」、粘性は「１０」が入力されている。既知の材料データは、例えば、探索済みの材料データであったり、予め実測値等が知られている材料データであったりしてもよい。既知の材料データは、機械学習の教師データとして利用されてもよい。

【0062】

図６は、探索対象の材料データを設定する画面の一例を示す図である。図６を参照して、探索対象の材料データの設定例について説明する。

【0063】

画面３０００は、材料の特徴を示す情報３１００と、選択欄３２００と、範囲を示す情報３３００とを含む。画面３０００は、例えば、端末装置１００の出力部１３０に表示される。ユーザは、入力部１２０を介して、材料データの探索に必要なパラメータを入力する。

【0064】

材料を示す情報３１００は、材料データの特徴（説明変数）を示す。例えば、図６の例では、図５で示した説明変数すべてを示しているが、説明変数のうち、特定の変数のみを示すようにしてもよいし、ユーザに説明変数を入力させるようにしてもよいし、プルダウン表示により選択させるようにしてもよい。

【0065】

選択欄３２００は、説明変数の中で、最適化の対象となる説明変数を選択するチェックボックスを示す。図６の例では、最適化する対象として、「添加剤Ｘ」、「添加剤Ｙ」、「添加剤Ｚ」が選択されている。

【0066】

範囲を示す情報３３００は、最適化する対象として選択された説明変数の制約条件を示す。図６の例では、ユーザは、パラメータとして、最小値と最大値を入力し、この値の範囲で最適化を実行するように設定することができる。すなわち、図６の例では、材料の特徴のうち、「添加剤Ｘ」が「０～１０」の範囲、「添加剤Ｙ」が「２～５」の範囲、「添加剤Ｚ」が「０～３」の範囲になるような材料データを探索するよう設定されている。

【0067】

図７は、目的変数を設定する画面の一例を示す図である。図７を参照して、予測する目的変数の設定例について説明する。

【0068】

画面４０００は、目的変数を示す情報４１００と、選択欄４２００と、目標値を示す情報４３００と、重みを示す情報４４００とを含む。画面４０００は、例えば、端末装置１００の出力部１３０に表示される。ユーザは、入力部１２０を介して、目的変数の設定に必要なパラメータを入力する。

【0069】

目的変数を示す情報４１００は、材料データの特性（目的変数）を示す。例えば、図７の例では、強度、溶解度、…、粘性、伝導性、耐性、という材料の特性が示されている。なお、目的変数は、ユーザに入力させるようにしてもよいし、プルダウン表示により選択させるようにしてもよい。

【0070】

選択欄４２００は、予測したい目的変数を選択するチェックボックスを示す。図７の例では、予測する対象として、「溶解度」および「粘性」が選択されている。なお、目的変数は、複数選択してもよいし、一つだけ選択するようにしてもよい。

【0071】

目標値を示す情報４３００は、目的変数の目標値を示しており、探索した材料データの目的変数の最終的な値を設定する。図７の例では、目標値として、「溶解度」が「１０」、「粘性」が「４０」と設定されている。

【0072】

重みを示す情報４４００は、目的変数を複数選択した場合に、どの目的変数を重視するかを示すパラメータである。図７の例では、設定範囲が０～１００の重みについて、「溶解度」に対しては「４０」、「粘性」に対しては「６０」と入力されている。すなわち、「粘性」の方を重視して材料データを探索するように設定されている。

【0073】

図８は、評価値の算出を説明する図である。図８を参照して、端末装置１００における制御部１５０の評価値算出部１５３が評価値を算出する方法の一例について説明する。

【0074】

図８の例では、粘性を目的変数とし、その目標値を「４０」とした場合の、各材料ＩＤについての評価値を示している。評価値は、目標値と、目的変数の予測値との距離（絶対差）を表すものである。材料ＩＤ「１１」では、粘性の予測値が「２０」であるから、目標値「４０」との距離である「２０」（＝｜４０－２０｜）が評価値として算出される。

【0075】

同様に、材料ＩＤ「１３」では、粘性の予測値が「５０」であるから、目標値「４０」との距離である「１０」（＝｜４０－５０｜）が評価値として算出される。

【0076】

図８の例では、材料ＩＤ「１１」～「１５」のうち、材料ＩＤ「１４」の評価値が「０」であり、材料ＩＤ「１４」の目的変数の予測値が、目標値を達成していることを示している。

【0077】

（演算装置２００の機能的構成）
図９は、演算装置２００の機能的構成を示すブロック図である。図９を参照して、実施形態１に係る演算装置２００の機能的構成について説明する。

【0078】

演算装置２００は、通信部２１０と、入力部２２０と、出力部２３０と、記憶部２４０と、制御部２５０と、を備える。

【0079】

通信部２１０は、演算装置２００が端末装置１００や他の装置と通信するための処理を行う。通信部２１０は、端末装置１００の通信部１１０と同等の機能であるため、重複する説明は省略する。

【0080】

入力部２２０は、演算装置２００のユーザ入力を受け付けるインタフェースである。入力部２２０は、例えば、キーボードや、タッチパネル、音声入力を検出するマイクであるが、これらに限られない。

【0081】

出力部２３０は、情報を出力して演算装置２００のユーザに通知するインタフェースである。出力部２３０は、例えば、ディスプレイや、音声出力するスピーカであるが、これらに限られない。出力部２３０は、例えば、端末装置１００等から受信したデータをディスプレイに表示する。

【0082】

記憶部２４０は、例えば、ＲＡＭ等の揮発性のメモリ、フラッシュメモリ、ＨＤＤ等により構成され、演算装置２００が使用するデータ、および各種処理に用いられるコンピュータプログラムを記憶する。記憶部２４０は、端末装置１００の記憶部１４０と同等の機能であるため、重複する説明は省略する。

【0083】

記憶部２４０は、「暗号データ記憶部」として機能し、モデルデータベース２４１と、親データ記憶部２４２と、を有する。

【0084】

モデルデータベース２４１は、材料の特徴を説明変数とし、材料の特性を目的変数とする材料データを教師データとして機械学習して構築された予測モデルを格納する。教師データは、具体的には、複数の材料データのそれぞれについて、材料の特徴に関する複数の説明変数の値と、材料の特性に関する一または複数の目的変数の値とが対応付けられたデータセットである。

【0085】

予測モデルは、端末装置１００から取得した親データから予測結果を出力する機械学習モデルである。モデルデータベース２４１は、複数の予測モデルを格納してもよい。予測モデルは、例えば、線形回帰、ロジスティクス回帰、サポートベクトルマシン（ＳＶＭ）、ニューラルネットなどモデル構築のアルゴリズムが異なったり、教師データの量、ラベリングの精度等が異なったり、説明変数の選択、前処理等が異なったり、学習プロセスのパラメータが異なっていたりしてもよい。

【0086】

親データ記憶部２４２は、端末装置１００から取得した、暗号化された親データを格納する。また、親データ記憶部２４２は、後述する次世代生成部２５２において生成した子データを親データとして更新して格納する。端末装置１００から取得した親データは、すなわち、探索対象の材料データである。

【0087】

制御部２５０は、演算装置２００の各機能を制御し、予め記憶部２４０に記憶されているプログラムに基づいて動作するＣＰＵ（Central Processing Unit）等のプロセッサである。

【0088】

制御部２５０は、準同型暗号方式で暗号化されたデータを含む演算を行う「暗号演算部」として機能し、予測部２５１と、次世代生成部２５２と、特定困難化部２５３と、を有する。

【0089】

予測部２５１は、準同型暗号方式により暗号化された親データから、モデルデータベース２４１の予測モデルに基づいて、目的変数の予測結果を出力する。具体的には、予測部２５１は、端末装置１００において設定された目的変数に応じて、モデルデータベース２４１の予測モデルを選択する。そして、予測部２５１は、予測モデルを端末装置１００の公開鍵を用いて準同型暗号方式で暗号化する。次いで、予測部２５１は、暗号化した予測モデルに親データを入力し、目的変数の予測値を出力する。出力された予測値は、端末装置１００の公開鍵を用いて準同型暗号方式により暗号化されており、演算装置２００のユーザには、開示されない。

【0090】

次世代生成部２５２は、暗号化された複数の親データの中から所定の条件を満たす複数の親データに対して、遺伝アルゴリズムを適用して、複数の子データを生成する。所定の条件とは、例えば、評価値が上位１０位以内のデータであったり、評価値が所定の閾値以内のデータであったりしてもよい。また、それらの条件を満たすデータから、ランダムに選んだ親データについて遺伝アルゴリズムを適用してもよいし、ランダムに選んだ親データと、評価値に基づいて抽出した親データとを含めた複数の親データに対して遺伝アルゴリズムを適用してもよい。遺伝アルゴリズムを適用した子データの生成については、図１２において概要を説明するが、遺伝アルゴリズムは周知の技術であるので、ここでは詳細な説明は省略する。

【0091】

特定困難化部２５３は、予測モデルへの入力（親データ）と出力（予測結果）の対応関係を、並び替える処理を行う。また、特定困難化部２５３は、並び替えられた対応関係を元に戻す処理（特定困難化処理の解除）を行う。並び替える処理を行うことにより、予測モデルに対する入力と出力との正しい対応関係を秘匿できるため、予測モデルが推定されることを防ぐことができる。

【0092】

また、特定困難化部２５３は、複数の子データ（材料データ）に含まれる説明変数について対応関係を並び替える処理を行ってもよい。これにより、正しい子データ（入力）と出力との対応関係を秘匿できるため、予測モデルが推定されることを防ぐことができる。なお、並び替える処理の具体例については、図１０および図１１において説明する。

【0093】

図１０は、実施形態１における特定困難化処理の例を示す図である。図１０を参照して、特定困難化処理として、材料データの説明変数と目的変数との対応関係を並び替える処理について説明する。

【0094】

材料データ５１００は、材料の特徴に関する説明変数に対して、材料の特性に関する目的変数が対応しているデータセットである。材料ＩＤ５１１０と、材料ＩＤ５１２０は、同じ識別子を示している。例えば、材料ＩＤ「１」の説明変数と、材料ＩＤ「１」の目的変数とは対応関係にある。

【0095】

材料データ５２００は、材料データ５１００に対して特定困難化処理として、説明変数と目的変数の対応関係を並び替える処理を行った後のデータセットである。材料ＩＤ５２１０は、材料ＩＤ５１１０と対応しており、同じ識別子を示す。材料ＩＤ５２２０は、材料ＩＤ５１２０の識別子（番号）を並び替えたものである。例えば、材料ＩＤ「１」の説明変数に対しては、材料ＩＤ「１」の目的変数（粘性「２０」）ではなく、材料ＩＤ「４」の目的変数（粘性「３０」）が対応付けられている。同様に、材料ＩＤ「２」の説明変数に対しては、材料ＩＤ「２」の目的変数（粘性「１０」）ではなく、材料ＩＤ「１」の目的変数（粘性「２０」）が対応付けられている。このように、特定困難化処理は、説明変数と目的変数との対応関係を並び替える。並び替えた後、例えば、仮材料ＩＤ５２３０として、新たに識別子を割り振ってもよい。

【0096】

予測結果を端末装置１００に送信する際は、並び替えられた予測結果を送信することで、端末装置１００では、材料ＩＤについての説明変数に対応する目的変数の正しい予測値を特定することができない。すなわち、モデル利用者である端末装置１００のユーザは、説明変数および目的変数からなる材料データの取得ができないため、これらの材料データに基づいて、予測モデルを推測することは困難である。したがって、モデル提供者は、モデル利用者に予測モデルを推測されることなく、予測モデルを利用させることができる。

【0097】

また、特定困難化部２５３は、材料ＩＤ５２２０と、仮材料ＩＤ５２３０との対応関係を記憶しておくことで、特定困難化処理を解除することができる。

【0098】

図１１は、実施形態１における特定困難化処理の例を示す図である。図１１を参照して、特定困難化処理として、材料データの説明変数の対応関係を並び替える処理について説明する。

【0099】

材料データ５３００は、材料の特徴に関する説明変数から構成される親データのデータセットである。材料データ５４００は、材料データ５３００の説明変数に対し特定困難化処理が実行されたデータセットである。

【0100】

特定困難化処理として、材料データ５３００に対し、各材料ＩＤの説明変数「原料Ａ」に対応する値を並び替える処理を行う。例えば、材料ＩＤ「２１」～材料ＩＤ「２５」の「原料Ａ」に対応する値は、それぞれ「８０」，「１０」，「２０」，「７０」，「３０」であるが、並び替えにより、「原料Ａ」に対応する値を、それぞれ「１０」，「８０」，「７０」，「３０」，「２０」とする。同様に、材料ＩＤ「２１」～材料ＩＤ「２５」の「原料Ｂ」に対応する値は、それぞれ「１０」，「８０」，「２０」，「３０」，「７０」であるが、並び替えにより、「原料Ｂ」に対応する値を、それぞれ「２０」，「３０」，「１０」，「７０」，「８０」とする。

【0101】

このように、各説明変数の対応関係を並び替えると、材料データ５４００で示すデータセットとなる。すなわち、例えば、材料ＩＤ「２１’」で識別される材料データは、「原料Ａ」が「１０」、「原料Ｂ」が「２０」、「原料Ｃ」が「８０」、…、「添加剤Ｘ」が「０」、「添加剤Ｙ」が「６」、「添加剤Ｚ」が「０」から構成される。材料データ５３００に対して特定困難化処理を実行することにより、材料ＩＤ「２１」で識別される材料データは、材料データ５４００からは特定が困難になる。

【0102】

なお、図１１の例では、材料データ５３００の全ての説明変数の対応関係について並び替えを行ったが、各材料データの特定が困難になるのであれば、一部の説明変数についてのみ特定困難化処理を実行するようにしてもよい。また、特定困難化部２５３は、各説明変数について並び替えた材料ＩＤとの対応関係を記憶しておくことで、特定困難化処理を解除することができる。

【0103】

図１２は、遺伝アルゴリズムの適用例を示す図である。図１１を参照して、材料データ６１００の説明変数「添加剤Ｘ」、「添加剤Ｙ」、「添加剤Ｚ」を最適化する場合において、遺伝アルゴリズムにより親データ（材料ＩＤ「１」および材料ＩＤ「５」）から子データ（材料ＩＤ「Ｃ１」および材料ＩＤ「Ｃ２」）を生成する処理について説明する。

【0104】

遺伝アルゴリズムでは、親世代の個体（各材料データ）Ｎ個の中から、二つを選択して交叉を行う、または、一つを選択して突然変異を行うか、そのままコピーするという処理を子世代の個体数がＮ個になるまで繰り返される。そして、子世代がＮ個になれば、子世代を親世代として更新し、同じ処理を繰り返す。例えば、所定の回数まで繰り返したのち、親世代の中で、評価値が良い（つまり、目標値に近い。）個体を「解」として出力する。

【0105】

図１２の例において、材料ＩＤ「１」および材料ＩＤ「５」の材料データについて、一点交叉する場合、まず、交叉する場所をランダムに選ぶ。材料データ６１００では、添加剤Ｘと添加剤Ｙの間を交叉点Ｌ１とする。

【0106】

そして、交叉点Ｌ１より後ろのデータを入れ替える。材料データ６１００において、原料Ａから添加剤Ｚへデータが並んでいるとすると、交叉点Ｌ１より後ろにある、材料ＩＤ「１」の「添加剤Ｙ」と「添加剤Ｚ」の値を、材料ＩＤ「５」の「添加剤Ｙ」と「添加剤Ｚ」の値と入れ替える。

【0107】

材料データ６２００は、交叉により生成された子データ（材料ＩＤ「Ｃ１」および材料ＩＤ「Ｃ５」）である。交叉により、「添加剤Ｘ」、「添加剤Ｙ」、「添加剤Ｚ」について、材料ＩＤ「１」および材料ＩＤ「５」とは異なる組成の材料データが生成されている。

【0108】

（データ生成システム１における処理）
図１３は、データ生成システム１における処理を示すシーケンス図である。図１３を参照して、データ生成システム１において、端末装置１００に入力された探索対象の材料データ（親データ）から次世代の子データを生成（次世代生成ステップ）し、子データを親データとして更新（更新ステップ）する処理について説明する。

【0109】

図１３では、端末装置１００、および演算装置２００（特に、予測部２５１、次世代生成部２５２、特定困難化部２５３）での処理の一例を示している。

【0110】

ステップＳ１００において、データ生成システム１では、パラメータ等の設定が行われる。具体的には、端末装置１００の鍵生成部１５１は、公開鍵および秘密鍵を生成し、記憶部１４０の鍵記憶部１４１に記憶する。また、端末装置１００は、生成した公開鍵を演算装置２００に送信し、演算装置２００は、公開鍵を記憶部２４０に記憶する。

【0111】

また、端末装置１００は、材料データの探索に必要なパラメータを取得する。パラメータは、例えば、目的変数や目標値、最適化したい説明変数である。また、演算装置２００における次世代生成ステップと更新ステップを繰り返すステップの実行回数や、アルゴリズムの最大実行時間などの停止条件であってもよい。なお、停止条件は、予め、データ生成システム１の開発者側で最適な条件を設定しておき、適宜、端末装置１００のユーザによって変更できるようにしてもよい。

【0112】

また、端末装置１００は、探索対象の複数の材料データを、複数の親データとして取得し、記憶部１４０の材料データベース１４２に記憶する。

【0113】

ステップＳ１０１において、端末装置１００の暗復号部１５２は、材料データベース１４２から探索対象の複数の親データを読み出し、生成した公開鍵を用いて準同型暗号方式で暗号化する。親データは、説明変数単位（セル単位）で暗号化される。

【0114】

ステップＳ１０２において、演算装置２００の通信部２１０は、端末装置１００が暗号化した複数の親データを取得し、親データ記憶部２４２は、取得した複数の親データを記憶する。

【0115】

ステップＳ１０３において、演算装置２００の予測部２５１は、材料の特性の予測を行う。具体的には、予測部２５１は、ステップＳ１００で設定された目的変数に応じた予測モデルをモデルデータベース２４１から読み込む。そして、予測部２５１は、探索対象の材料データである複数の親データを予測モデルに入力し、親データのそれぞれに対応する複数の予測結果（予測値）を出力する。なお、予測モデルは、暗号化された複数の親データと同じ暗号空間となるよう、端末装置１００から取得した公開鍵（すなわち、親データの暗号化で用いた公開鍵）で暗号化しておく。これにより、効率的に演算して予測結果を出力することができる。

【0116】

ステップＳ１０４において、特定困難化部２５３は、予測部２５１が出力した複数の予測結果を取得する。

【0117】

ステップＳ１０５において、特定困難化部２５３は、出力された複数の予測結果に対し、複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理を実行する。具体的には、特定困難化部２５３は、図１０で示したように、予測モデルの入力（説明変数）と出力（目的変数）との対応関係を並び替える処理を行う。特定困難化部２５３は、並び替えた対応関係を記憶する。

【0118】

ステップＳ１０６において、端末装置１００の通信部１１０は、演算装置２００の通信部２１０を介して、特定困難化処理が実行された複数の予測結果を取得する。

【0119】

ステップＳ１０７において、端末装置１００の暗復号部１５２は、鍵記憶部１４１から秘密鍵を読み込み、当該秘密鍵を用いて、取得した、特定困難化処理が実行された複数の予測結果を復号する。端末装置１００のユーザには、予測結果が開示されるが、ステップＳ１０５において親データの説明変数と目的変数（予測結果）との対応関係が並び替えられているため、どの親データに対応する予測結果であるか知ることができない。すなわち、端末装置１００のユーザには、予測モデルの入力と出力が正しい対応関係で開示されないため、予測モデルの推測を行うことは困難である。予測モデルの提供者は、モデル利用者に予測モデルを秘匿しつつ利活用させることができる。

【0120】

ステップＳ１０８において、端末装置１００の評価値算出部１５３は、復号した複数の予測結果から、当該複数の予測結果のそれぞれの目標値に対する複数の評価値を算出する。具体的には、評価値算出部１５３は、ステップＳ１００において設定した目標値と、予測結果（予測値）との距離を算出する。なお、本実施形態では、絶対差を距離として算出するが、目標値と予測値とがどれぐらい異なるかを示す値であれば、どのような方法で算出されてもよい。

【0121】

ステップＳ１０９において、演算装置２００の特定困難化部２５３は、通信部２１０を介して、ステップＳ１０８で算出された複数の評価値を取得する。なお、複数の評価値は、当該評価値を算出するのに用いた予測結果との対応関係が分かる態様で演算装置２００に送信される。例えば、予測結果を識別するＩＤに対応する識別子を評価値に付与し、評価値と予測結果の対応関係と共に、演算装置２００に送信してもよい。

【0122】

なお、評価値は端末装置１００において暗号化されていないため、演算装置２００のユーザには評価値が開示される。しかし、評価値からは予測モデルに入力された材料データの説明変数、およびその予測結果を求めることはできない。すなわち、演算装置２００のユーザには、どのような特徴（説明変数）の材料データに対する特性（目的変数）であるかは開示されないため、予測対象の材料データを取得することは困難である。モデル利用者は、モデル提供者に探索対象の材料データを秘匿しつつ、予測モデルを利用することができる。

【0123】

ステップＳ１１０において、演算装置２００の特定困難化部２５３は、取得した複数の評価値に対応する複数の予測結果に対する特定困難化処理を解除する。具体的には、特定困難化部２５３は、ステップＳ１０５で並び替えた対応関係を元に戻す処理を実行し、親データの説明変数に対する予測結果を正しい対応関係とする。

【0124】

ステップＳ１１１において、演算装置２００の次世代生成部２５２は、特定困難化処理が解除された複数の予測結果を介して、複数の親データと対応関係にある複数の評価値を取得する。親データと予測結果とが対応関係にあり、また、予測結果と、予測結果から算出した評価値とが対応関係にあるため、予測結果を介して、親データに対応する評価値を取得することができる。

【0125】

ステップＳ１１２において、次世代生成部２５２は、次世代の生成を行う。具体的には、次世代生成部２５２は、所定の条件を満たす評価値に対応する複数の親データを抽出する。そして、抽出された複数の親データに対し、遺伝アルゴリズムを適用して、複数の子データを生成する。所定の条件とは、例えば、評価値が上位１０位以内であったり、評価値が所定の閾値以内であったりしてもよい。遺伝アルゴリズムの適用例については、図１１で示した通りである。材料データは、各説明変数単位で暗号化されているため、生成された子データは、演算装置２００のユーザには開示されない。

【0126】

ステップＳ１１３において、特定困難化部２５３は、生成された複数の子データを取得する。

【0127】

ステップＳ１１４において、特定困難化部２５３は、生成された複数の子データの説明変数に対し、特定困難化処理を実行する。具体的には、図１１において説明したように、各子データが含む説明変数の対応関係を並び替える。

【0128】

ステップＳ１１５において、端末装置１００の通信部１１０は、特定困難化処理が実行された複数の子データを取得する。

【0129】

ステップＳ１１６において、端末装置１００の暗復号部１５２は、複数の子データを再暗号化する。具体的には、暗復号部１５２は、鍵記憶部１４１から秘密鍵を読み込み、当該秘密鍵を用いて、ステップＳ１１５で取得した複数の子データを復号する。さらに、暗復号部１５２は、鍵記憶部１４１から公開鍵を読み込み、復号した複数の子データを、当該公開鍵を用いて準同型暗号方式で再暗号化する。子データは、説明変数単位で暗号化される。

【0130】

ステップＳ１１６で行う再暗号化の処理は、準同型暗号を用いた演算の過程で蓄積される誤差を制御し、効率的に演算を実行し続けるために必要な処理である。再暗号化の処理のために、ステップＳ１１６では、子データが復号されるが、たとえ子データが復号されたとしても、ステップＳ１１４で子データに対し特定困難化処理がされているため、端末装置１００のユーザは子データを特定することはできない。

【0131】

ステップＳ１１７において、演算装置２００の特定困難化部２５３は、通信部２１０を介して、再暗号化された複数の子データを取得する。

【0132】

ステップＳ１１８において、特定困難化部２５３は、複数の子データの説明変数に対し、特定困難化処理を解除する。具体的には、ステップＳ１１４で実行した説明変数の対応関係を元に戻す並び替えを行う。

【0133】

ステップＳ１１９において、演算装置２００の次世代生成部２５２は、特定困難化処理が解除された複数の子データを取得する。

【0134】

ステップＳ１２０において、次世代生成部２５２は、子データを親データとして更新する。具体的には、次世代生成部２５２は、ステップＳ１１９で取得した子データを親データ記憶部２４２に記憶させる。すなわち、親データ記憶部２４２は、複数の子データを、暗号化された複数の親データとして記憶する。

【0135】

ステップＳ１２１において、演算装置２００の予測部２５１は、暗号化された複数の親データを取得する。

【0136】

上述したように、ステップＳ１０３～ステップＳ１１９までの処理が、演算装置２００の制御部２５０および端末装置１００の制御部１５０が、暗号化された複数の親データを機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップである。また、ステップＳ１２０は、演算装置２００の親データ記憶部２４２が、生成された複数の子データを、暗号化された複数の親データとして記憶する更新ステップである。

【0137】

ステップＳ１２１以降は、ステップＳ１０３～ステップＳ１２０において行った処理を繰り返すことにより、次世代の子データを繰り返し生成することができる。

【0138】

なお、ステップＳ１１６で行った再暗号化の処理は、準同型暗号のアルゴリズムや、演算装置２００の処理性能等に応じて、準同型暗号を用いた演算が現実的な時間で実行できる場合は省略してもよい。再暗号化の処理を省略する場合は、ステップＳ１１２において、次世代生成部２５２が生成した複数の子データは、次いで、ステップＳ１２０において、親データとして更新される。すなわち、端末装置１００で再暗号化の処理がされない（子データが復号されない）ため、子データを秘匿するための特定困難化処理を実行する必要がなくなり、ステップＳ１１３～ステップＳ１１９の処理を省略することができる。

【0139】

図１４は、データ生成システム１における処理を示すシーケンス図である。図１４を参照して、図１３で示した処理以降に行われる、探索した材料データを出力する処理について説明する。

【0140】

ステップＳ２００において、端末装置１００と演算装置２００との間で、次世代生成ステップと、更新ステップとを繰り返すステップが行われる。繰り返し回数については、図１３のステップＳ１００において、設定パラメータとして入力されてもよい。

【0141】

ステップＳ２０１において、演算装置２００の予測部２０１は、ステップＳ２００において更新された複数の親データ（すなわち、生成された複数の子データ）を取得して予測モデルに入力し、予測結果を出力する。

【0142】

ステップＳ２０２において、端末装置１００の通信部１１０は、遺伝アルゴリズムによる探索結果として、ステップＳ２０１で予測モデルに入力された複数の親データ、および当該親データと対応関係にある予測結果を取得する。

【0143】

ステップＳ２０３において、端末装置１００の暗復号部１５２は、鍵記憶部１４１から秘密鍵を読み込み、取得した親データおよび予測結果を復号する。

【0144】

以上の処理により、端末装置１００のユーザは、探索対象の材料データおよび、当該材料データから予測される目的変数の予測値を得ることができる。

【0145】

なお、本実施形態に係るデータ生成システム１では、探索対象は材料データであったが、この他にも、例えば、工業製品の製造プロセスにおいて、デザイン（形状、外観、寸法等）や仕様（機能性、性能、規格等）、配送ルート最適化、需要予測に関するパラメータを探索対象とすることも可能である。

【0146】

（効果の説明）
本発明に係るデータ生成方法によれば、データを暗号化したまま演算することができる準同型暗号を用い、遺伝アルゴリズムにより生成された材料データと、材料データの特性を予測する予測モデルとを用いることにより、未知の材料データを探索する。ここで、遺伝アルゴリズムにおける親世代集団に対する生存選択の操作を、予測モデルの入力（予測対象データ）と出力（予測結果）との対応関係が特定困難となる処理の実行後に行い、予測結果に対する評価値に基づいて子世代集団を生成する。これにより、モデル利用者に予測モデルが推測されることを防ぐことができ、予測モデルの提供者は、モデル利用者に予測モデルを秘匿しつつ利活用させることができる。

【0147】

また、遺伝アルゴリズムにおいて、次世代集団を効率的に生成することができ、計算コストを削減することができる。

【0148】

また、モデル利用者は、予測対象データをモデル提供者（またはプラットフォーマ）に開示することなく、予測モデルを利用することができる。

【0149】

また、本発明に係るデータ生成方法によれば、特定困難化処理を、対応関係の並び替えにより実現する。これにより、暗号鍵を用いて暗号化するよりも計算コストを削減しつつ、機微データを秘匿することができる。

【0150】

また、本発明に係るデータ生成方法によれば、準同型暗号を用いた演算の過程で蓄積された誤差を制御し、効率的に演算を実行し続けるために必要な再暗号化の処理に関し、再暗号のために子データが復号される前に、子データの説明変数に対し特定困難化処理を行う。これにより、モデル利用者は子データを復号しても、子データを特定することはできない。したがって、モデル利用者に、遺伝アルゴリズムによって生成される途中の子世代のデータを秘匿することができ、子世代のデータと予測結果とに基づいて、予測モデルが推測されることを防ぐことができる。

【0151】

＜実施形態２＞
実施形態１では、特定困難化処理として、対応関係を並び替える処理を行った。本実施形態２に係るデータ生成システム２では、特定困難化処理として、ノイズを付加する処理を行う。

【0152】

データ生成システム２は、実施形態１に係るデータ生成システム１の演算装置２００に代えて、演算装置３００を備える。まず、本実施形態における特定困難化処理の説明をした後、演算装置３００の機能的構成について説明する。

【0153】

図１５は、実施形態２における特定困難化処理の例を示す図である。図１５では、説明のため、材料データの目的変数が「粘性」のみの場合を示している。図１５を参照して、特定困難化処理として、材料データの目的変数にノイズを付加する処理について説明する。

【0154】

テーブル７０００は、材料ＩＤ「３１」～「３５」で識別される材料データの目的変数「粘性」の予測値および評価値に対するノイズ付加、ノイズ除去による値の変化を示す。

【0155】

列７１００は、材料ＩＤ「３１」～「３５」で識別される材料データの目的変数「粘性」の予測値をそれぞれ示している。列７１００で示される予測値には、ノイズは付加されていない。

【0156】

列７２００は、材料ＩＤ「３１」～「３５」の予測値に付加するノイズの値を示している。例えば、材料ＩＤ「３１」の予測値「２０」には、ノイズとして「＋１０」が付加される。また、例えば、材料ＩＤ「３４」の予測値「３０」には、ノイズとして「－２」が付加される。

【0157】

列７３００は、ノイズが付加された後の予測値を示している。例えば、材料ＩＤ「３１」の予測値「２０」に対し、ノイズとして「＋１０」を付加すると、ノイズを含む予測値は「３０」となる。

【0158】

列７４００は、目標値を「２０」とした場合の、ノイズを含む予測値と目標値との評価値を示している。なお、本実施形態において、評価値は、目標値と予測値との距離（絶対差）である。評価値として「絶対差」を用いるのは一例であって、他の周知の方法で評価するようにしてもよい。

【0159】

例えば、材料ＩＤ「３１」のノイズを含む予測値「３０」と目標値「２０」との距離は「１０」（＝｜３０－２０｜）となる。また、例えば、材料ＩＤ「３２」のノイズを含む予測値「２」と目標値「２０」との距離は「１８」（＝｜２－２０｜）となる。

【0160】

列７５００は、ノイズを含む評価値からノイズを除去した後の評価値を示している。すなわち、列７５００に示される各値は、列７４００で示されるノイズを含む各評価値から、列７２００で示されるノイズの各値を除去した値である。例えば、材料ＩＤ「３３」のノイズを含む評価値「３５」からノイズ「＋５」を除去すると評価値は「３０」となる。

【0161】

（演算装置３００の機能的構成）
図１６は、演算装置３００の機能的構成を示すブロック図である。図１６を参照して、本実施形態に係る演算装置３００の機能的構成について説明する。なお、実施形態１に係る演算装置２００と共通の構成要素には同一の符号を付しており、繰り返しの説明は省略する。

【0162】

演算装置３００は、演算装置２００の制御部２５０に代えて、制御部３５０を備える。制御部３５０は、予測部２５１と、次世代生成部２５２と、特定困難化部３５３と、を有する。

【0163】

特定困難化部３５３は、複数の親データ（材料データ）のそれぞれについて予測部２５１が出力した予測値についてノイズを付加する処理を行う。また、特定困難化部３５３は、端末装置１００において算出された評価値から、予測値に付加したノイズを除去する処理（特定困難化処理の解除）を行う。ノイズを付加する処理を行うことにより、親データに対応する予測値を特定できないようにすることができる。なお、予測値に対するノイズの付加は、準同型暗号で暗号化された数値同士の演算が行われる。一方、評価値に対するノイズの除去は、端末装置１００において算出される評価値は平文であるから、平文の数値同士の演算が行われる。

【0164】

また、特定困難化部３５３は、複数の子データ（材料データ）に含まれる説明変数について、ノイズを付加する処理を行う。これにより、子データの特徴（説明変数）を特定できないようにすることができる。なお、説明変数に対するノイズの付加、除去は、準同型暗号で暗号化された数値同士の演算が行われる。

【0165】

特定困難化部３５３の具体的な処理例については、図１５において説明した通りである。

【0166】

（データ生成システム２における処理）
図１７は、データ生成システム２における処理を示すシーケンス図である。データ生成システム２における処理は、実施形態１に係るデータ生成システム１が行う処理（図１３および図１４参照）のうち、特定困難化処理が異なる以外は、同様の処理が行われる。したがって、図１７を参照して、データ生成システム２における処理のうち、データ生成システム１と異なる処理である特定困難化処理に関するステップについて説明する。

【0167】

ステップＳ３０５において、特定困難化部３５３は、出力された複数の予測結果に対し、複数の親データに対応する当該複数の予測結果の特定を困難にする特定困難化処理を実行する。具体的には、特定困難化部３５３は、図１５で示したように、複数の親データのそれぞれに対応する予測結果（予測値）に対してノイズを付加する処理を行う。特定困難化部３５３は、付加したノイズを記憶する。

【0168】

ステップＳ３１０において、特定困難化部３５３は、取得した複数の評価値に対応する複数の予測結果に対する特定困難化処理を解除する。具体的には、特定困難化部３５３は、ステップＳ３０５で付加したノイズを評価値から除去する処理を実行し、親データの説明変数に対する予測結果を正しい対応関係とする。

【0169】

ステップＳ３１４において、特定困難化部３５３は、生成された複数の子データの説明変数に対し、特定困難化処理を実行する。具体的には、子データの説明変数に対し、ノイズを付加する。ノイズを付加する説明変数は、子データに含まれるすべての説明変数であってもよいし、一部の説明変数であってもよい。特定困難化部３５３は、付加したノイズを記憶する。

【0170】

ステップＳ３１８において、特定困難化部３５３は、複数の子データの説明変数に対し、特定困難化処理を解除する。具体的には、ステップＳ３１４で説明変数に付加したノイズを除去する。なお、ステップＳ３１４およびステップＳ３１８におけるノイズの付加・除去は、準同型暗号で暗号化された数値同士の演算が行われる。

【0171】

上述した特定困難化処理を実行することにより、予測モデルの入力と出力の対応関係、および子データについて、暗号化を行うことなく特定を困難とすることができる。

【0172】

＜実施形態３＞
実施形態１および実施形態２では、特定困難化処理として、それぞれ対応関係を並び替える処理、ノイズを付加する処理を行った。実施形態３に係るデータ生成システム３では、特定困難化処理を、対応関係を並び替える処理、またはノイズを付加する処理の組み合わせとする。

【0173】

具体的には、特定困難化処理のうち、予測モデルの入力と出力との対応関係を特定困難とするための処理（例えば、図１３のステップＳ１０５に相当。）は、対応関係を並び替える処理とする。また、子データを特定困難とするための処理（例えば、図１３のステップＳ１１４に相当。）は、ノイズを付加する処理とする。

【0174】

また、その逆の組み合わせであってもよい。すなわち、予測モデルの入力と出力との対応関係を特定困難とするための処理（例えば、図１３のステップＳ１０５に相当。）が、ノイズを付加する処理であり、子データを特定困難とするための処理（例えば、図１３のステップＳ１１４に相当。）が、対応関係を並び替える処理であってもよい。

【0175】

また、特定困難化処理として、対応関係を並び替える処理を行った後、ノイズを付加する処理を行ってもよい。また、その逆に、ノイズを付加する処理を行った後、対応関係を並び替える処理を行ってもよい。

【0176】

データの特定を困難にする処理を組み合わせることで、情報が開示されてしまうリスクをより低減させることができる。

【0177】

＜実施形態４＞
実施形態１から実施形態３では、端末装置１００が評価値を算出した。本実施形態４に係るデータ生成システム４では、評価値の算出を、端末装置側ではなく、演算装置側で行う。端末装置側においてデータの暗復号を行い、演算装置側において、データの暗復号以外のデータに関する演算処理を集約することで、効率的に演算処理を実行することができる。

【0178】

（データ生成システム４の構成）
図１８は、データ生成システム４の全体図である。図１８を参照して、本実施形態に係るデータ生成システム４の全体図について説明する。

【0179】

本実施形態に係るデータ生成システム４は、実施形態１に係るデータ生成すステム１の端末装置１００および演算装置２００に代えて、端末装置４００および演算装置５００を備える。

【0180】

（端末装置４００の機能的構成）
図１９は、端末装置４００の機能的構成を示すブロック図である。実施形態１に係る端末装置１００と共通の構成要素には同一の符号を付しており、繰り返しの説明は省略する。

【0181】

端末装置４００は、端末装置１００の制御部１５０に代えて、制御部４５０を備える点が端末装置１００と異なる。制御部４５０は、鍵生成部１５１と、暗復号部１５２と、を備える。制御部４５０は、端末装置１００の制御部１５０と比べて、評価値算出部１５３を有しない点が異なる。

【0182】

端末装置１００は、演算装置２００から取得した、特定困難化処理が実行された予測結果を復号し、評価値を算出した。一方、端末装置４００は、特定困難化処理が実行された予測結果を復号した後、通信部１１０を介して、演算装置５００に送信する。

【0183】

（演算装置５００の機能的構成）
図２０は、演算装置５００の機能的構成を示すブロック図である。実施形態１に係る演算装置２００と共通の構成要素には同一の符号を付しており、繰り返しの説明は省略する。

【0184】

演算装置５００は、演算装置２００の制御部２５０に代えて、制御部５５０を備える点が演算装置２００と異なる。制御部５５０は、演算装置２００の制御部２５０と比べて、予測部２５１と、次世代生成部２５２と、特定困難化部２５３と、に加えて、評価値算出部５５４を有する点が異なる。

【0185】

評価値算出部５５４は、予測部２５１が出力し、端末装置１００において復号された予測結果（予測値）から、目標値に対する評価値を算出する。評価値は、二つの値がどの程度異なるかを示す値であり、実施形態１と同様に、説明を容易にするため、本実施形態では、評価値は予測結果と目標値との絶対差とする。

【0186】

（データ生成システム４における処理）
図２１は、データ生成システム４における処理を示すシーケンス図である。より具体的には、データ生成システム４において、端末装置４００に入力された探索対象の材料データ（親データ）から次世代の子データを生成（次世代生成ステップ）し、子データを親データとして更新（更新ステップ）する処理である。

【0187】

図２１で示すデータ生成システム４における処理は、実施形態１（図１３）で示したデータ生成システム１におけるステップＳ１０８からステップＳ１１１の処理に代えて、ステップＳ４０８からステップＳ４１１の処理である点が、データ生成システム１における処理とは異なる。すなわち、データ生成システム４におけるステップＳ４０８からステップＳ４１１以外の処理ステップは、データ生成システム１における処理ステップと同一であり、同一の符号を付している。したがって、同一符号であるステップについては繰り返しの説明は省略する。図２１で示す処理に引き続いて、図１４で示した処理が行われ、探索した材料データが出力される。

【0188】

ステップＳ４０８は、ステップＳ１０７の処理に次いで行われる処理である。端末装置４００は、ステップＳ１０７において復号された、特定困難化処理が実行された複数の予測結果を、演算装置５００に送信する。演算装置５００の特定困難化部２５３は、通信部２１０を介して、復号された複数の予測結果を取得する。

【0189】

ステップＳ４０９において、演算装置５００の特定困難化部２５３は、取得した複数の予測結果に対する特定困難化処理を解除する。具体的には、特定困難化部２５３は、ステップＳ１０５で並び替えた対応関係を元に戻す処理を実行し、親データの説明変数に対する予測結果を正しい対応関係とする。次いで、特定困難化部２５３は、複数の親データと、当該親データに対して正しい対応関係となった予測結果を評価値算出部５５４へ送る。

【0190】

ステップＳ４１０において、評価値算出部５５４は、端末装置４００において復号された複数の予測結果から、当該複数の予測結果のそれぞれの目標値に対する複数の評価値を算出する。具体的には、評価値算出部１５３と同様に、評価値算出部５５４は、ステップＳ１００において設定した目標値と、予測結果（予測値）との距離を算出する。なお、本実施形態では、実施形態１と同様に、絶対差を距離として算出するが、目標値と予測値とがどれぐらい異なるかを示す値であれば、どのような方法で算出されてもよい。

【0191】

ステップＳ４１１において、演算装置５００の次世代生成部２５２は、評価値算出部５５４から、暗号化された、複数の親データと、当該親データと対応関係にある評価値とを取得する。次世代生成部２５２は、複数の親データと、当該親データと対応関係にある評価値とに基づいて、引き続き、ステップＳ１１２において、次世代の生成を行う。以降の処理は、実施形態１（図１３）において説明したのと同様である。

【0192】

なお、本実施形態に係るデータ生成システム４では、特定困難化処理を、予測モデルの入力（予測対象データ）と出力（予測結果）との対応関係の並び替えにより実現した。しかし、この他にも、特定困難化処理として、実施形態２で説明した「ノイズを付加する処理」や、実施形態３で説明した、「対応関係を並び替える処理、またはノイズを付加する処理の組み合わせ」で実現することも可能である。

【0193】

（効果の説明）
本実施形態では、端末装置４００においてデータの暗復号を行い、演算装置５００において、データの暗復号以外のデータに関する演算処理を集約する。これにより、より効率的に演算処理を実行することができる。

【0194】

上記実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものとする。

【符号の説明】

【0195】

１，２，３ データ生成システム、１００，４００ 端末装置、２００，３００，５００ 演算装置、１１０，２１０ 通信部、１２０，２２０ 入力部、１３０，２３０ 出力部、１４０，２４０ 記憶部、１４１ 鍵記憶部、１４２ 材料データベース、１５０，２５０，３５０，４５０ 制御部、１５１ 鍵生成部、１５２ 暗復号部、１５３，５５４ 評価値算出部、２５１ 予測部、２５２ 次世代生成部、２５３，３５３ 特定困難化部。

【要約】

【課題】データの内容を開示せずに、最適パラメータ設計を容易にする。
【解決手段】
制御部とユーザ記憶部とを有するユーザ端末と、準同型暗号方式で暗号化されたデータを含む演算を行う暗号演算部と親データから予測結果を出力する機械学習モデルを記憶する暗号データ記憶部とを有する演算装置と、を備えるシステムにおいて用いられる方法であって、制御部が公開鍵及び秘密鍵を生成するステップと、制御部がユーザ記憶部から取得した複数の親データを、公開鍵を用いて準同型暗号方式で暗号化するステップと、暗号演算部及び制御部が暗号化された複数の親データを機械学習モデルに入力して出力された複数の予測結果に基づき、複数の子データを生成する次世代生成ステップと、暗号データ記憶部が、生成された複数の子データを暗号化された複数の親データとして記憶する更新ステップと、次世代生成ステップと更新ステップとを繰り返すステップと、を備える。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】