知財求人 - 知財ポータルサイト「IP Force」
(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】2024-12-09
(45)【発行日】2024-12-17
(54)【発明の名称】情報処理装置、情報処理方法、及びプログラム
(51)【国際特許分類】
G06N 3/0475 20230101AFI20241210BHJP
G06N 20/00 20190101ALI20241210BHJP
【ＦＩ】
G06N3/0475
G06N20/00
【請求項の数】
9
(21)【出願番号】P 2023508176
(86)(22)【出願日】2021-03-22
(86)【国際出願番号】 JP2021011772
(87)【国際公開番号】W WO2022201256
(87)【国際公開日】2022-09-29
【審査請求日】2023-09-08
(73)【特許権者】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】吉山 智之
【審査官】新井 則和
(56)【参考文献】
【文献】特開２０２０－０２７１８２（ＪＰ，Ａ）
【文献】国際公開第２０１０／１１９６１５（ＷＯ，Ａ１）
【文献】特開２０１５－１８４８０５（ＪＰ，Ａ）
【文献】特表２０１９－５０２９８８（ＪＰ，Ａ）
【文献】XIANDONG, Q.，Intro Distributed Deep Learning，GitHub, [online]，2017年05月13日，[検索日 2024.08.02], Internet: <URL: https://xiandong79.github.io/Intro-Distributed-Deep-Learning>
【文献】Variational Autoencoder for Collaborative Filtering for TensorFlow，GitHub, [online],，2019年07月23日， [検索日 2024.08.02], Internet: <URL: https://github.com/mkfilipiuk/VAE-CF/blob/master/README.md>
【文献】DANIEL, J. I.et al.，Generative Adversarial Parallelization，arXiv.org, [online]，2016年12月13日，[検索日 2024.08.02], Internet: <URL: https://arxiv.org/pdf/1612.04021.pdf>
【文献】Mullick, Sankha Subhra et al.，Generative Adversarial Minorty Oversampling，arXiv.org, [online],，2020年08月26日，[検索日 2024.08.02], Internet: <URL: https://arxiv.org/pdf/1903.09730.pdf>
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／０４７５
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
学習用データを取得する学習用データ取得手段と、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
を備え、
前記学習用データ取得手段は、
データ片を複数含むデータ群であって、各データ片が複数のラベル種の何れかでラベル付けされ、あるラベル種が付されたデータ片の割合が所定の割合以下であるデータ群に含まれるデータ片を、前記学習用データとして取得する
ことを特徴とする情報処理装置。
【請求項2】
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報を送信する送信手段を更に備えている請求項１に記載の情報処理装置。
【請求項3】
前記生成モデル情報取得手段は、学習後の前記第２のデータ生成モデルに関する第４の生成モデル情報を取得し、
当該情報処理装置は、
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報と、
前記第４の生成モデル情報と
を参照して更新後の生成モデル情報を生成する生成モデル情報更新手段
を更に備えている請求項１に記載の情報処理装置。
【請求項4】
前記学習用データ取得手段は、複数のデータ群候補から、前記データ群を選択する選択手段を備えている
ことを特徴とする請求項１から３の何れか１項に記載の情報処理装置。
【請求項5】
前記データ生成モデル学習手段は、前記第１のデータ生成モデルを含むオートエンコーダ、及び、
前記第１のデータ生成モデルを含む敵対的生成ネットワーク
の少なくとも何れかを学習させる
ことを特徴とする請求項１から４の何れか１項に記載の情報処理装置。
【請求項6】
前記オートエンコーダは、変分オートエンコーダ、及び条件付き変分オートエンコーダ
の少なくとも何れかを含んでいる
ことを特徴とする請求項５に記載の情報処理装置。
【請求項7】
前記第１のデータ生成モデルを用いてデータを生成するデータ生成手段と、前記データ生成手段が生成したデータを参照して第１の推論モデルを学習させる推論モデル学習手段と
を更に備えている
ことを特徴とする請求項１から６の何れか１項に記載の情報処理装置。
【請求項8】
１又は複数のプロセッサが、
学習用データを取得すること、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得すること、及び、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させること
を含み、
前記学習用データを取得することにおいて、
データ片を複数含むデータ群であって、各データ片が複数のラベル種の何れかでラベル付けされ、あるラベル種が付されたデータ片の割合が所定の割合以下であるデータ群に含まれるデータ片を、前記学習用データとして取得する
ことを特徴とする情報処理方法。
【請求項9】
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
として機能させ、
前記学習用データ取得手段は、
データ片を複数含むデータ群であって、各データ片が複数のラベル種の何れかでラベル付けされ、あるラベル種が付されたデータ片の割合が所定の割合以下であるデータ群に含まれるデータ片を、前記学習用データとして取得する
ことを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法、及びプログラムに関する。
【背景技術】
【0002】
データを生成するデータ生成モデルを機械学習により生成する技術が知られている。例えば、非特許文献１には、データを生成するデータ生成モデルを、データのクラスを予測する予測モデル、及び、データの真偽を判別する判別モデルの双方に対して敵対的に学習させることにより生成する技術が記載されている。このようなデータ生成モデルにより生成されるデータは、例えば、推論モデルの学習用データとして用いられる。
【先行技術文献】
【非特許文献】
【0003】
【文献】Mullick, Sankha Subhra, Shounak Datta, and Swagatam Das. "Generative Adversarial Minority Oversampling." Proceedings of the IEEE International Conference on Computer Vision. 2019.
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、上述した非特許文献１に記載された技術では、データ生成モデルが生成するデータの多様性に改善の余地がある。例えば、学習用データが不足する場合に、他の情報処理装置から学習用データを取得することができれば、データ生成モデルの学習効率を向上させることができる可能性がある。しかしながら、このような場合であっても、実際には、例えばプライバシーへの配慮のために、他の情報処理装置が有する学習用データを取得することが難しい可能性がある。
【0005】
本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的の一例は、他の情報処理装置が有する学習用データを取得することが難しい状況であっても、より多様性のあるデータを生成可能なデータ生成モデルを生成する技術を提供することである。
【課題を解決するための手段】
【0006】
本発明の一側面に係る情報処理装置は、学習用データを取得する学習用データ取得手段と、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、を備えている。
【0007】
本発明の一側面に係る情報処理方法は、学習用データを取得すること、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得すること、及び、前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させることを含んでいる。
【0008】
本発明の一側面に係るプログラムは、コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、学習用データを取得する学習用データ取得手段と、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、として機能させる。
【発明の効果】
【0009】
本発明の一態様によれば、他の情報処理装置が有する学習用データを取得することが難しい状況であっても、データ生成モデルを効率的に学習させることができる。
【図面の簡単な説明】
【0010】
【図1】例示的実施形態１に係る情報処理装置の構成を示すブロック図である。
【図2】例示的実施形態１に係る情報処理方法の流れを示すフロー図である。
【図3】例示的実施形態２に係る情報処理装置の構成を示すブロック図である。
【図4】例示的実施形態２に係る情報処理方法の流れを示すフロー図である。
【図5】例示的実施形態３に係る情報処理装置の構成を示すブロック図である。
【図6】例示的実施形態３に係る情報処理方法の流れを示すフロー図である。
【図7】例示的実施形態４に係る情報処理システムの構成を示すブロック図である。
【図8】例示的実施形態４に係る情報処理方法の流れを示すフロー図である。
【図9】例示的実施形態５に係る情報処理システムの構成を示すブロック図である。
【図10】例示的実施形態５に係る情報処理方法の流れを説明するフロー図である。
【図11】例示的実施形態５に係る他の情報処理方法の流れを説明するフロー図である。
【図12】例示的実施形態５におけるデータ生成モデルの具体例を説明する模式図である。
【図13】例示的実施形態５におけるデータ生成モデルの他の具体例を説明する模式図である。
【図14】例示的実施形態５におけるデータ生成モデルのさらに他の具体例を説明する模式図である。
【図15】例示的実施形態６に係る情報処理システムの構成を示すブロック図である。
【図16】例示的実施形態６に係る情報処理方法の流れを説明するフロー図である。
【図17】例示的実施形態７に係る情報処理システムの構成を示すブロック図である。
【図18】例示的実施形態８に係る情報処理システムの構成を示すブロック図である。
【図19】例示的実施形態９に係る情報処理システムの構成を示すブロック図である。
【図20】例示的実施形態１０における学習用データ取得部の構成を示す図である。
【図21】本発明の各例示的実施形態における情報処理装置及びサーバのハードウェア構成の一例を示すブロック図である。
【発明を実施するための形態】
【0011】
〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
【0012】
本例示的実施形態に係る情報処理装置１０は、学習用データ（以下、生成モデル学習用データとも呼ぶ）を用いて、データ生成モデルを学習させるものであり、データ生成モデルの学習装置とも呼称できるものである。ここで、本例示的実施形態に係るデータ生成モデルが生成するデータが、生成後にどのように用いられるのかについては、本例示的実施形態を限定するものではないが、一例として、当該データは、推論モデルを学習するために用いることができる。
【0013】
例えば、プライバシーへの配慮等によって、推論モデルを学習させるための推論モデル学習用データを十分に取得することが難しいような状況が生じ得る。このような状況において、本例示的実施形態に係る情報処理装置１０は、当該推論モデルを学習させるための推論モデル学習用データを生成する装置として用いることができる。
【0014】
一方で、生成モデル学習用データの取得に際しても、プライバシーへの配慮等によって、生成モデル学習用データを十分に取得することが難しいような状況も生じ得る。例えば、情報処理装置１０と同様の構成を有する複数の情報処理装置が存在する状況を考える。これら複数の情報処理装置が取得した生成モデル学習用データを直接的に用いて、上記データ生成モデルを学習させることができれば、上記データ生成モデルの学習効率を向上させることができるような場合であっても、実際には、プライバシーへの配慮のために、他の情報処理装置が取得した生成モデル学習用データを、当該情報処理装置１０が取得することは避けるべき状況も生じ得る。
【0015】
本例示的実施形態に係る情報処理装置１０は、このような状況であっても、プライバシーへの配慮を保ちつつ、データ生成モデルを効率的に学習させることができるよう構成されている。
【0016】
以下、本例示的実施形態に係る情報処理装置１０についてより具体的に説明する。
【0017】
＜情報処理装置の構成＞
本例示的実施形態に係る情報処理装置１０の構成について、図１を参照して説明する。図１は、情報処理装置１０の構成を示すブロック図である。図１に示すように、情報処理装置１０は、学習用データ取得部１０１、生成モデル情報取得部１０２、及びデータ生成モデル学習部１０３を備えている。
本例示的実施形態に係る情報処理装置１０の構成について、図１を参照して説明する。図１は、情報処理装置１０の構成を示すブロック図である。図１に示すように、情報処理装置１０は、学習用データ取得部１０１、生成モデル情報取得部１０２、及びデータ生成モデル学習部１０３を備えている。
【0018】
ここで、学習用データ取得部１０１は、本例示的実施形態に係る学習用データ取得手段の一例である。また、生成モデル情報取得部１０２は、本例示的実施形態に係る生成モデル情報取得手段の一例である。また、データ生成モデル学習部１０３は、本例示的実施形態に係るデータ生成モデル学習手段の一例である。
【0019】
（学習用データ取得部）
学習用データ取得部１０１は、学習用データ（生成モデル学習用データ）を取得する。当該生成モデル学習用データは、後述する第１のデータ生成モデルを学習させるためのデータである。
学習用データ取得部１０１は、学習用データ（生成モデル学習用データ）を取得する。当該生成モデル学習用データは、後述する第１のデータ生成モデルを学習させるためのデータである。
【0020】
（生成モデル情報取得部）
生成モデル情報取得部１０２は、後述する第１のデータ生成モデルに関する第１の生成モデル情報を取得する。
生成モデル情報取得部１０２は、後述する第１のデータ生成モデルに関する第１の生成モデル情報を取得する。
【0021】
（第１のデータ生成モデル）
第１のデータ生成モデルとは、データを生成するモデルである。例えば、第１のデータ生成モデルは、シードデータを入力として、データを出力する。第１のデータ生成モデルによって生成されるデータは、例えば、上述した推論モデル学習用データとして用いられる。ただし、第１のデータ生成モデルが生成するデータの用途はこれに限定されない。
第１のデータ生成モデルとは、データを生成するモデルである。例えば、第１のデータ生成モデルは、シードデータを入力として、データを出力する。第１のデータ生成モデルによって生成されるデータは、例えば、上述した推論モデル学習用データとして用いられる。ただし、第１のデータ生成モデルが生成するデータの用途はこれに限定されない。
【0022】
（第１の生成モデル情報）
第１の生成モデル情報は、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。本例示的実施形態では、第１の生成モデル情報には、第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映されている。これにより、後述する他の情報処理装置が有する生成モデル学習用データを直接的に取得することなく、他の生成モデル学習用データを間接的に参照することが可能となる。一例として、後述するデータ生成モデル学習部１０３が、第１のデータ生成モデルを、逐次的に学習させるよう構成されている場合、ある時点において生成モデル情報取得部１０２が取得する第１の生成モデル情報には、当該ある時点よりも過去において第１の生成モデル情報を規定していた第１の生成モデル情報と、当該ある時点よりも過去において第２の生成モデル情報を規定していた第２の生成モデル情報とを参照して得られる情報が含まれている。
第１の生成モデル情報は、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。本例示的実施形態では、第１の生成モデル情報には、第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映されている。これにより、後述する他の情報処理装置が有する生成モデル学習用データを直接的に取得することなく、他の生成モデル学習用データを間接的に参照することが可能となる。一例として、後述するデータ生成モデル学習部１０３が、第１のデータ生成モデルを、逐次的に学習させるよう構成されている場合、ある時点において生成モデル情報取得部１０２が取得する第１の生成モデル情報には、当該ある時点よりも過去において第１の生成モデル情報を規定していた第１の生成モデル情報と、当該ある時点よりも過去において第２の生成モデル情報を規定していた第２の生成モデル情報とを参照して得られる情報が含まれている。
【0023】
（第２のデータ生成モデル）
第２のデータ生成モデルとは、第１のデータ生成モデルとは異なるモデルであり、入力データに応じたデータを生成するモデルである。例えば、第２の生成モデルは、第１の生成モデルを生成する情報処理装置１０とは異なる他の情報処理装置において、他の生成モデル学習用データを用いて学習される。他の情報処理装置は、一例として、情報処理装置１０と同様に構成される装置であってもよい。また、第２のデータ生成モデルは、逐次的に学習されるよう構成されていてもよい。
第２のデータ生成モデルとは、第１のデータ生成モデルとは異なるモデルであり、入力データに応じたデータを生成するモデルである。例えば、第２の生成モデルは、第１の生成モデルを生成する情報処理装置１０とは異なる他の情報処理装置において、他の生成モデル学習用データを用いて学習される。他の情報処理装置は、一例として、情報処理装置１０と同様に構成される装置であってもよい。また、第２のデータ生成モデルは、逐次的に学習されるよう構成されていてもよい。
【0024】
（第２の生成モデル情報）
第２の生成モデル情報は、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。
第２の生成モデル情報は、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。
【0025】
なお、上述した第１の生成モデル情報には、第１のデータ生成モデル及び第２のデータ生成モデルの何れとも異なる他のデータ生成モデルに関する他の生成モデル情報が反映される構成としてもよいし、更に他の生成モデル情報が反映される構成としてもよい。
【0026】
（データ生成モデル学習部）
データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１のモデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。
データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１のモデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。
【0027】
ここで、第１の生成モデルとしては、一例として、オートエンコーダや敵対的生成ネットワークなど、ニューラルネットワークを用いて構成される生成モデルを用いることができるが、これは本例示的実施形態を限定するものではなく、他の構成を有する生成モデルを用いることもできる。
【0028】
データ生成モデル学習部１０３による学習後の第１のデータ生成モデルを規定する第１のモデル情報は、一例として、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルを規定する第２のモデル情報と組み合わせられることによって、更新後のモデル情報を生成するために用いられる。
【0029】
＜情報処理方法の流れ＞
以上のように構成された情報処理装置１０が実行する情報処理方法Ｓ１０について、図２を参照して説明する。図２は、情報処理方法Ｓ１０の流れを示すフロー図である。図２に示すように、情報処理方法Ｓ１０は、ステップＳ１０１～Ｓ１０３を含む。
以上のように構成された情報処理装置１０が実行する情報処理方法Ｓ１０について、図２を参照して説明する。図２は、情報処理方法Ｓ１０の流れを示すフロー図である。図２に示すように、情報処理方法Ｓ１０は、ステップＳ１０１～Ｓ１０３を含む。
【0030】
（ステップＳ１０１）
ステップＳ１０１において、学習用データ取得部１０１は、生成モデル学習用データを取得する。
ステップＳ１０１において、学習用データ取得部１０１は、生成モデル学習用データを取得する。
【0031】
（ステップＳ１０２）
ステップＳ１０２において、生成モデル情報取得部１０２は、第１の生成モデル情報を取得する。
ステップＳ１０２において、生成モデル情報取得部１０２は、第１の生成モデル情報を取得する。
【0032】
（ステップＳ１０３）
ステップＳ１０３において、データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１のモデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。
ステップＳ１０３において、データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１のモデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。
【0033】
情報処理装置１０は、上述した情報処理方法Ｓ１０を逐次的に実行することにより、第１の生成モデルを逐次的に学習させてもよい。一例として、ｎ回目（ｎは自然数）に実行する情報処理方法Ｓ１０のステップＳ１０２において生成モデル情報取得部１０２が取得する第１の生成モデル情報には、（ｉ）ｎ－１回目以前のステップＳ１０３において学習させた第１の生成モデル情報を規定していた第１の生成モデル情報と、（ｉｉ）ｎ－１回目以前の時点で第２の生成モデル情報を規定していた第２の生成モデル情報との加重平均をとることによって得られる情報が含まれている。
【0034】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態に係る情報処理装置１０においては、
・第１のデータ生成モデルの学習用データ（生成モデル学習用データ）を取得し、
・第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得し、
・取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、学習用データ（生成モデル学習用データ）を用いて学習させる、
という構成が採用されている。
以上のように、本例示的実施形態に係る情報処理装置１０においては、
・第１のデータ生成モデルの学習用データ（生成モデル学習用データ）を取得し、
・第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得し、
・取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、学習用データ（生成モデル学習用データ）を用いて学習させる、
という構成が採用されている。
【0035】
上記の構成によれば、第２の生成モデルを生成した他の情報処理装置によって用いられた他の生成モデル学習用データを直接的に取得することなく、当該他の生成モデル学習用データを間接的に用いて、第１のデータ生成モデルを生成することができる。換言すると、自装置で取得した生成モデル学習用データと、他の情報処理装置が取得した生成モデル学習用データとの双方を直接的に用いて学習した場合と同様に多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。
【0036】
その結果、他の情報処理装置において用いられた他の生成モデル学習用データを当該情報処理装置１０が取得することを避けるべき状況であっても、より多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。また、一例として、このような第１のデータ生成モデルにより生成したデータを推論モデルの学習に用いる場合には、推論モデル学習用データの多様性を増すことができ、より高精度で多様なデータに対応できる推論モデルを得ることができる。
【0037】
なお、本例示的実施形態に係る情報処理装置１０が行う学習は、一例として、連合学習とも呼称されるものであるが、当該文言によって本例示的実施形態が限定されるものではない。
【0038】
〔例示的実施形態２〕
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態に係る情報処理装置２０は、例示的実施形態１に係る情報処理装置１０が生成した第１のデータ生成モデルを用いてデータを生成する装置である。一例として、情報処理装置２０が生成するデータは、推論モデルの学習において教師データとして用いるためのデータであってもよい。ただし、情報処理装置２０が生成するデータの用途はこれに限定されない。
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態に係る情報処理装置２０は、例示的実施形態１に係る情報処理装置１０が生成した第１のデータ生成モデルを用いてデータを生成する装置である。一例として、情報処理装置２０が生成するデータは、推論モデルの学習において教師データとして用いるためのデータであってもよい。ただし、情報処理装置２０が生成するデータの用途はこれに限定されない。
【0039】
以下、本例示的実施形態に係る情報処理装置２０についてより具体的に説明する。
【0040】
＜情報処理装置の構成＞
本例示的実施形態に係る情報処理装置２０の構成について、図３を参照して説明する。図３は、情報処理装置２０の構成を示すブロック図である。図３に示すように、情報処理装置２０は、シードデータ取得部２０１、及びデータ生成部２０２を備えている。
本例示的実施形態に係る情報処理装置２０の構成について、図３を参照して説明する。図３は、情報処理装置２０の構成を示すブロック図である。図３に示すように、情報処理装置２０は、シードデータ取得部２０１、及びデータ生成部２０２を備えている。
【0041】
ここで、シードデータ取得部２０１は、本例示的実施形態に係るシードデータ取得手段の一例である。また、データ生成部２０２は、本例示的実施形態に係るデータ生成手段の一例である。
【0042】
（シードデータ取得部）
シードデータ取得部２０１は、シードデータを取得する。シードデータは、第１のデータ生成モデルに入力するためのデータである。例えば、シードデータ取得部２０１は、シードデータを生成することにより取得してもよいし、当該装置に含まれる他の機能ブロック（図示せず）又は他の装置（図示せず）によって生成されたシードデータを取得してもよい。シードデータの具体例は、本例示的実施形態を限定するものではないが、一例としてランダムなノイズデータを挙げることができる。また、シードデータとの名称は本例示的実施形態を何ら限定するものではない。
シードデータ取得部２０１は、シードデータを取得する。シードデータは、第１のデータ生成モデルに入力するためのデータである。例えば、シードデータ取得部２０１は、シードデータを生成することにより取得してもよいし、当該装置に含まれる他の機能ブロック（図示せず）又は他の装置（図示せず）によって生成されたシードデータを取得してもよい。シードデータの具体例は、本例示的実施形態を限定するものではないが、一例としてランダムなノイズデータを挙げることができる。また、シードデータとの名称は本例示的実施形態を何ら限定するものではない。
【0043】
（データ生成部）
データ生成部２０２は、シードデータ及び第１のデータ生成モデルを用いてデータ生成を行う。具体的には、データ生成部２０２は、シードデータを第１のデータ生成モデルに入力することによりデータを生成する。第１のデータ生成モデルは、第１の生成モデル情報を参照して規定される。第１の生成モデル情報には、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映されている。第１のデータ生成モデル、第１の生成モデル情報、第２のデータ生成モデル、及び第２の生成モデル情報の詳細については、例示的実施形態１で説明した通りである。
データ生成部２０２は、シードデータ及び第１のデータ生成モデルを用いてデータ生成を行う。具体的には、データ生成部２０２は、シードデータを第１のデータ生成モデルに入力することによりデータを生成する。第１のデータ生成モデルは、第１の生成モデル情報を参照して規定される。第１の生成モデル情報には、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映されている。第１のデータ生成モデル、第１の生成モデル情報、第２のデータ生成モデル、及び第２の生成モデル情報の詳細については、例示的実施形態１で説明した通りである。
【0044】
＜情報処理方法の流れ＞
以上のように構成された情報処理装置２０が実行する情報処理方法Ｓ２０について、図４を参照して説明する。図４は、情報処理方法Ｓ２０の流れを示すフロー図である。図４に示すように、情報処理方法Ｓ２０は、ステップＳ２０１～Ｓ２０３を含む。
以上のように構成された情報処理装置２０が実行する情報処理方法Ｓ２０について、図４を参照して説明する。図４は、情報処理方法Ｓ２０の流れを示すフロー図である。図４に示すように、情報処理方法Ｓ２０は、ステップＳ２０１～Ｓ２０３を含む。
【0045】
（ステップＳ２０１）
ステップＳ２０１において、シードデータ取得部２０１は、シードデータを取得する。例えば、シードデータ取得部２０１は、ランダムに生成したデータをシードデータとして取得してもよい。
ステップＳ２０１において、シードデータ取得部２０１は、シードデータを取得する。例えば、シードデータ取得部２０１は、ランダムに生成したデータをシードデータとして取得してもよい。
【0046】
（ステップＳ２０２）
ステップＳ２０２において、データ生成部２０２は、シードデータを第１のデータ生成モデルに入力することにより、データを生成する。例えば、情報処理装置２０のメモリ（図示せず）には、例示的実施形態１に係る情報処理装置１０によって生成された第１のデータ生成モデルに関する第１の生成モデル情報が記憶されている。データ生成部２０２は、当該第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いて、データを生成する。
ステップＳ２０２において、データ生成部２０２は、シードデータを第１のデータ生成モデルに入力することにより、データを生成する。例えば、情報処理装置２０のメモリ（図示せず）には、例示的実施形態１に係る情報処理装置１０によって生成された第１のデータ生成モデルに関する第１の生成モデル情報が記憶されている。データ生成部２０２は、当該第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いて、データを生成する。
【0047】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態に係る情報処理装置２０においては、
・シードデータを取得し、
・取得したシードデータ、及び、第１のデータ生成モデルを用いてデータ生成を行う。
・第１のデータ生成モデルは、第１の生成モデル情報によって規定される、
との構成が採用されている。ここで、
・第１の生成モデル情報は、第１のデータ生成モデルに関する情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルが反映された情報である。
以上のように、本例示的実施形態に係る情報処理装置２０においては、
・シードデータを取得し、
・取得したシードデータ、及び、第１のデータ生成モデルを用いてデータ生成を行う。
・第１のデータ生成モデルは、第１の生成モデル情報によって規定される、
との構成が採用されている。ここで、
・第１の生成モデル情報は、第１のデータ生成モデルに関する情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルが反映された情報である。
【0048】
上記の構成によれば、第２の生成モデルに関する第２の生成モデル情報が反映された第１のデータ生成モデルを用いることにより、第２の生成モデルの学習に用いられた他の生成モデル学習用データを直接的に参照することなく、第１の生成モデル及び第２の生成モデルの学習に用いられた生成モデル学習用データの双方に相当するような多様性のあるデータを生成することができる。また、一例として、本例示的実施形態において生成したデータを推論モデルの学習に用いる場合には、推論モデル学習用データの多様性を増すことができ、より高精度で多様なデータに対応できる推論モデルを得ることができる。
【0049】
〔例示的実施形態３〕
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態に係る情報処理装置３０は、複数のデータ生成モデルをそれぞれ規定する生成モデル情報を参照して、更新後の生成モデル情報を生成する装置である。
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態に係る情報処理装置３０は、複数のデータ生成モデルをそれぞれ規定する生成モデル情報を参照して、更新後の生成モデル情報を生成する装置である。
【0050】
以下、本例示的実施形態に係る情報処理装置３０についてより具体的に説明する。
【0051】
＜情報処理装置の構成＞
本例示的実施形態に係る情報処理装置３０の構成について、図５を参照して説明する。図５は、情報処理装置３０の構成を示すブロック図である。図５に示すように、情報処理装置３０は、生成モデル情報取得部３０１、及び生成モデル情報更新部３０２を備えている。
本例示的実施形態に係る情報処理装置３０の構成について、図５を参照して説明する。図５は、情報処理装置３０の構成を示すブロック図である。図５に示すように、情報処理装置３０は、生成モデル情報取得部３０１、及び生成モデル情報更新部３０２を備えている。
【0052】
ここで、生成モデル情報取得部３０１は、本例示的実施形態に係る生成モデル情報取得手段の一例である。また、生成モデル情報更新部３０２は、本例示的実施形態に係る生成モデル情報更新手段の一例である。
【0053】
（生成モデル情報取得部）
生成モデル情報取得部３０１は、第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する。
生成モデル情報取得部３０１は、第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する。
【0054】
（第１のデータ生成モデル、及び第２のデータ生成モデル）
第１のデータ生成モデルは、入力データに応じたデータを生成するモデルである。第１のデータ生成モデルは、情報処理装置３０とは異なる情報処理装置において、生成モデル学習用データを用いて学習される。第２のデータ生成モデルは、第１のデータ生成モデルとは異なるモデルであり、入力データに応じたデータを生成するモデルである。第２のデータ生成モデルは、情報処理装置３０、及び第１のデータ生成モデルを学習させる情報処理装置の何れとも異なる情報処理装置において、生成モデル学習用データを用いて学習される。第１のデータ生成モデルの学習に用いられる生成モデル学習用データと、第２のデータ生成モデルの学習に用いられる生成モデル学習用データとは、例えば、各情報処理装置が互いに独立して取得するデータであり、互いに異なり得る。
第１のデータ生成モデルは、入力データに応じたデータを生成するモデルである。第１のデータ生成モデルは、情報処理装置３０とは異なる情報処理装置において、生成モデル学習用データを用いて学習される。第２のデータ生成モデルは、第１のデータ生成モデルとは異なるモデルであり、入力データに応じたデータを生成するモデルである。第２のデータ生成モデルは、情報処理装置３０、及び第１のデータ生成モデルを学習させる情報処理装置の何れとも異なる情報処理装置において、生成モデル学習用データを用いて学習される。第１のデータ生成モデルの学習に用いられる生成モデル学習用データと、第２のデータ生成モデルの学習に用いられる生成モデル学習用データとは、例えば、各情報処理装置が互いに独立して取得するデータであり、互いに異なり得る。
【0055】
（第１の生成モデル情報、及び第２の生成モデル情報）
第１の生成モデル情報は、第１のデータ生成モデルに関する情報であり、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。第２の生成モデル情報は、第１のデータ生成モデルに関する情報であり、一例として、第２のデータ生成モデルを規定する各種のパラメータを含んでいる。
第１の生成モデル情報は、第１のデータ生成モデルに関する情報であり、一例として、第１のデータ生成モデルを規定する各種のパラメータを含んでいる。第２の生成モデル情報は、第１のデータ生成モデルに関する情報であり、一例として、第２のデータ生成モデルを規定する各種のパラメータを含んでいる。
【0056】
なお、本例示的実施形態における第１の生成モデル情報は、例示的実施形態１、２における第１の生成モデル情報とは異なり、必ずしも第２の生成モデル情報が反映されたものでなくてよい。
【0057】
（生成モデル情報更新部）
生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する。
生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する。
【0058】
（更新後の生成モデル情報）
更新後の生成モデル情報には、第１の生成モデル情報及び第２の生成モデル情報が反映されている。例えば、第１のデータ生成モデル、及び第２のデータ生成モデルは、更新後の生成モデル情報を参照して新たに規定されてもよい。
更新後の生成モデル情報には、第１の生成モデル情報及び第２の生成モデル情報が反映されている。例えば、第１のデータ生成モデル、及び第２のデータ生成モデルは、更新後の生成モデル情報を参照して新たに規定されてもよい。
【0059】
＜情報処理方法の流れ＞
以上のように構成された情報処理装置３０が実行する情報処理方法Ｓ３０について、図６を参照して説明する。図６は、情報処理方法Ｓ３０の流れを示すフロー図である。図６に示すように、情報処理方法Ｓ３０は、ステップＳ３０１～Ｓ２０３を含む。
以上のように構成された情報処理装置３０が実行する情報処理方法Ｓ３０について、図６を参照して説明する。図６は、情報処理方法Ｓ３０の流れを示すフロー図である。図６に示すように、情報処理方法Ｓ３０は、ステップＳ３０１～Ｓ２０３を含む。
【0060】
（ステップＳ３０１）
ステップＳ３０１において、生成モデル情報取得部３０１は、第１の生成モデル情報と、第２の生成モデル情報とを取得する。例えば、生成モデル情報取得部３０１は、第１のデータ生成モデルを学習させた情報処理装置から第１の生成モデル情報を取得する。また、例えば、生成モデル情報取得部３０１は、第２のデータ生成モデルを学習させた情報処理装置から第２の生成モデル情報を取得する。
ステップＳ３０１において、生成モデル情報取得部３０１は、第１の生成モデル情報と、第２の生成モデル情報とを取得する。例えば、生成モデル情報取得部３０１は、第１のデータ生成モデルを学習させた情報処理装置から第１の生成モデル情報を取得する。また、例えば、生成モデル情報取得部３０１は、第２のデータ生成モデルを学習させた情報処理装置から第２の生成モデル情報を取得する。
【0061】
（ステップＳ３０２）
ステップＳ３０２において、生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する。一例として、生成モデル情報更新部３０２は、第１の生成モデル情報と第２の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含めてもよい。
ステップＳ３０２において、生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する。一例として、生成モデル情報更新部３０２は、第１の生成モデル情報と第２の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含めてもよい。
【0062】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態に係る情報処理装置３０においては、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得し、
第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する、
という構成が採用されている。
以上のように、本例示的実施形態に係る情報処理装置３０においては、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得し、
第１の生成モデル情報、及び第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する、
という構成が採用されている。
【0063】
上記の構成によれば、更新後の生成モデル情報を参照して規定されるデータ生成モデルは、（ｉ）第１のデータ生成モデルの学習に用いられた生成モデル学習用データと、（ｉｉ）第２のデータ生成モデルの学習に用いられた生成モデル学習用データとを、間接的に用いて学習されたデータ生成モデルとして機能する。
【0064】
その結果、上記（ｉ）、（ｉｉ）の生成モデル学習用データとの少なくとも一方を取得することを避けるべき状況であっても、双方を間接的に用いてより多様性のあるデータを生成可能なデータ生成モデルを生成することができる。換言すると、（ｉ）、（ｉｉ）の双方を直接的に用いて学習した場合と同様に多様性のあるデータを生成可能なデータ生成モデルを生成することができる。また、一例として、このようなデータ生成モデルを用いて生成したデータを推論モデルの学習に用いる場合には、推論モデル学習用データの多様性を増すことができ、より高精度で多様なデータに対応できる推論モデルを得ることができる。
【0065】
なお、本例示的実施形態に係る情報処理装置３０は、一例として、連合学習におけるサーバとして機能するものであるが、当該文言によって本例示的実施形態が限定されるものではない。
【0066】
〔例示的実施形態４〕
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0067】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ａの構成について、図７を参照して説明する。図７は、情報処理システム１ａの構成を示すブロック図である。図７に示すように、情報処理システム１ａは、第１の情報処理装置１０ａ、及びサーバ３０ａを含む。第１の情報処理装置１０ａと、サーバ３０ａとは、ネットワークＮを介して接続される。ネットワークＮの具体例としては、例えば、無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、ＷＡＮ、公衆回線網、モバイルデータ通信網、又は、これらのネットワークの組み合わせが挙げられる。ただし、ネットワークＮの構成は、これに限定されない。
本例示的実施形態に係る情報処理システム１ａの構成について、図７を参照して説明する。図７は、情報処理システム１ａの構成を示すブロック図である。図７に示すように、情報処理システム１ａは、第１の情報処理装置１０ａ、及びサーバ３０ａを含む。第１の情報処理装置１０ａと、サーバ３０ａとは、ネットワークＮを介して接続される。ネットワークＮの具体例としては、例えば、無線ＬＡＮ（Local Area Network）、有線ＬＡＮ、ＷＡＮ、公衆回線網、モバイルデータ通信網、又は、これらのネットワークの組み合わせが挙げられる。ただし、ネットワークＮの構成は、これに限定されない。
【0068】
（第１の情報処理装置の構成）
第１の情報処理装置１０ａは、学習用データ取得部１０１、生成モデル情報取得部１０２、データ生成モデル学習部１０３、及び送信部１１０を含む。
第１の情報処理装置１０ａは、学習用データ取得部１０１、生成モデル情報取得部１０２、データ生成モデル学習部１０３、及び送信部１１０を含む。
【0069】
学習用データ取得部１０１、及びデータ生成モデル学習部１０３は、例示的実施形態１と同様に構成される。
【0070】
生成モデル情報取得部１０２は、例示的実施形態１とほぼ同様に構成される。ただし、本例示的実施形態では、第１の生成モデル情報を、サーバ３０ａから受信することにより取得する点が異なる。
【0071】
送信部１１０は、データ生成モデル学習部１０３によって学習された後の第１のデータ生成モデルに関する第３の生成モデル情報をサーバ３０ａに送信する。
【0072】
（第３の生成モデル情報）
第３の生成モデル情報は、学習後の第１のデータ生成モデルに関する情報であり、例えば、学習後の第１のデータ生成モデルを規定するパラメータを含む。
第３の生成モデル情報は、学習後の第１のデータ生成モデルに関する情報であり、例えば、学習後の第１のデータ生成モデルを規定するパラメータを含む。
【0073】
（第４の生成モデル情報）
第４の生成モデル情報は、学習後の第２のデータ生成モデルに関する情報であり、例えば、学習後の第２のデータ生成モデルを規定するパラメータを含む。
第４の生成モデル情報は、学習後の第２のデータ生成モデルに関する情報であり、例えば、学習後の第２のデータ生成モデルを規定するパラメータを含む。
【0074】
（サーバの構成）
サーバ３０ａは、生成モデル情報取得部３０１、生成モデル情報更新部３０２、及び送信部３１０を含む。
サーバ３０ａは、生成モデル情報取得部３０１、生成モデル情報更新部３０２、及び送信部３１０を含む。
【0075】
（生成モデル情報取得部）
生成モデル情報取得部３０１は、例示的実施形態３とほぼ同様に構成される。ただし、本例示的実施形態では、第１の生成モデル情報及び第２の生成モデル情報に替えて、第３の生成モデル情報及び第４の生成モデル情報を取得する点が異なる。
生成モデル情報取得部３０１は、例示的実施形態３とほぼ同様に構成される。ただし、本例示的実施形態では、第１の生成モデル情報及び第２の生成モデル情報に替えて、第３の生成モデル情報及び第４の生成モデル情報を取得する点が異なる。
【0076】
（生成モデル情報更新部）
生成モデル情報更新部３０２は、例示的実施形態３とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照する代わりに、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。
生成モデル情報更新部３０２は、例示的実施形態３とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報更新部３０２は、第１の生成モデル情報、及び第２の生成モデル情報を参照する代わりに、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。
【0077】
送信部３１０は、更新後の生成モデル情報を、第１の情報処理装置１０ａに送信する。
【0078】
＜情報処理方法の流れ＞
以上のように構成された情報処理システム１ａが実行する情報処理方法Ｓ１ａについて、図８を参照して説明する。図８は、情報処理方法Ｓ１ａの流れを示すフロー図である。図８に示すように、情報処理方法Ｓ１ａは、第１の情報処理装置１０ａが実行するＳ１０１ａ～Ｓ１０４ａと、サーバ３０ａが実行するＳ３０１ａ～Ｓ３０３ａとを含む。情報処理システム１ａは、情報処理方法Ｓ１ａを逐次的に実行する。以下では、ｎ回目に実行する情報処理方法Ｓ１ａについて説明している。（ｎ＝１，２,…）
（ステップＳ１０１ａ）
ステップＳ１０１ａにおいて、学習用データ取得部１０１は、生成モデル学習用データを取得する。
以上のように構成された情報処理システム１ａが実行する情報処理方法Ｓ１ａについて、図８を参照して説明する。図８は、情報処理方法Ｓ１ａの流れを示すフロー図である。図８に示すように、情報処理方法Ｓ１ａは、第１の情報処理装置１０ａが実行するＳ１０１ａ～Ｓ１０４ａと、サーバ３０ａが実行するＳ３０１ａ～Ｓ３０３ａとを含む。情報処理システム１ａは、情報処理方法Ｓ１ａを逐次的に実行する。以下では、ｎ回目に実行する情報処理方法Ｓ１ａについて説明している。（ｎ＝１，２,…）
（ステップＳ１０１ａ）
ステップＳ１０１ａにおいて、学習用データ取得部１０１は、生成モデル学習用データを取得する。
【0079】
（ステップＳ１０２ａ）
ステップＳ１０２ａにおいて、生成モデル情報取得部１０２は、第１の生成モデル情報を、サーバ３０ａから受信することにより取得する。なお、情報処理方法Ｓ１ａの実行が初回（ｎ＝１）である場合、サーバ３０ａから受信する第１の生成モデル情報は、必ずしも第２の生成モデル情報が反映された情報でなくてもよい。また、情報処理方法Ｓ１ａの実行が２回目以降（ｎ≧２）である場合、生成モデル情報取得部１０２は、前回（ｎ－１回目）のステップＳ３０３ａ（詳細は後述）においてサーバ３０ａが送信した「更新後の生成モデル情報」を、第１の生成モデル情報として取得する。この場合、取得した第１の生成モデル情報（すなわち、前回の更新後の生成モデル情報）は、第２の生成モデル情報（すなわち、前回の第４の生成モデル情報）が反映された情報である。
ステップＳ１０２ａにおいて、生成モデル情報取得部１０２は、第１の生成モデル情報を、サーバ３０ａから受信することにより取得する。なお、情報処理方法Ｓ１ａの実行が初回（ｎ＝１）である場合、サーバ３０ａから受信する第１の生成モデル情報は、必ずしも第２の生成モデル情報が反映された情報でなくてもよい。また、情報処理方法Ｓ１ａの実行が２回目以降（ｎ≧２）である場合、生成モデル情報取得部１０２は、前回（ｎ－１回目）のステップＳ３０３ａ（詳細は後述）においてサーバ３０ａが送信した「更新後の生成モデル情報」を、第１の生成モデル情報として取得する。この場合、取得した第１の生成モデル情報（すなわち、前回の更新後の生成モデル情報）は、第２の生成モデル情報（すなわち、前回の第４の生成モデル情報）が反映された情報である。
【0080】
（ステップＳ１０３ａ）
ステップＳ１０３ａにおいて、データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。例えば、データ生成モデル学習部１０３は、生成モデル学習用データを用いて、第１のデータ生成モデルを規定するパラメータ群を更新する更新処理を実行する。データ生成モデル学習部１０３は、学習が収束するまで、あるいは、規定回数に達するまで、当該更新処理を繰り返す。これにより、第１のデータ生成モデルが学習される。
ステップＳ１０３ａにおいて、データ生成モデル学習部１０３は、生成モデル情報取得部１０２が取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、生成モデル学習用データを教師データとして用いて学習させる。例えば、データ生成モデル学習部１０３は、生成モデル学習用データを用いて、第１のデータ生成モデルを規定するパラメータ群を更新する更新処理を実行する。データ生成モデル学習部１０３は、学習が収束するまで、あるいは、規定回数に達するまで、当該更新処理を繰り返す。これにより、第１のデータ生成モデルが学習される。
【0081】
（ステップＳ１０４ａ）
ステップＳ１０４ａにおいて、送信部１１０は、学習後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ａに送信する。
ステップＳ１０４ａにおいて、送信部１１０は、学習後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ａに送信する。
【0082】
（ステップＳ３０１ａ）
ステップＳ３０１ａにおいて、サーバ３０ａの生成モデル情報取得部３０１は、第３の生成モデル情報を、第１の情報処理装置１０ａから受信することにより取得する。また、生成モデル情報取得部３０１は、第４の生成モデル情報を、第２のデータ生成モデルを逐次的に学習させる他の情報処理装置から受信することにより取得する。他の情報処理装置は、第１の情報処理装置１０ａ及びサーバ３０ａとは異なる装置である。
ステップＳ３０１ａにおいて、サーバ３０ａの生成モデル情報取得部３０１は、第３の生成モデル情報を、第１の情報処理装置１０ａから受信することにより取得する。また、生成モデル情報取得部３０１は、第４の生成モデル情報を、第２のデータ生成モデルを逐次的に学習させる他の情報処理装置から受信することにより取得する。他の情報処理装置は、第１の情報処理装置１０ａ及びサーバ３０ａとは異なる装置である。
【0083】
（ステップＳ３０２ａ）
ステップＳ３０２ａにおいて、生成モデル情報更新部３０２は、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。一例として、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含めてもよい。
ステップＳ３０２ａにおいて、生成モデル情報更新部３０２は、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。一例として、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含めてもよい。
【0084】
（ステップＳ３０３ａ）
ステップＳ３０３ａにおいて、送信部３１０は、更新後の生成モデル情報を、第１の情報処理装置１０ａに送信する。当ステップで送信した「更新後の生成モデル情報」は、次回（ｎ＋１回目）の情報処理方法Ｓ１ａにおけるステップＳ１０２ａにおいて、「第１の生成モデル情報」として第１の情報処理装置１０ａによって受信される。
ステップＳ３０３ａにおいて、送信部３１０は、更新後の生成モデル情報を、第１の情報処理装置１０ａに送信する。当ステップで送信した「更新後の生成モデル情報」は、次回（ｎ＋１回目）の情報処理方法Ｓ１ａにおけるステップＳ１０２ａにおいて、「第１の生成モデル情報」として第１の情報処理装置１０ａによって受信される。
【0085】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態に係る情報処理システム１ａにおいては、
第１の情報処理装置１０ａが、
・第１のデータ生成モデルの学習用データ（生成モデル学習用データ）を取得し、
・サーバ３０ａから受信する更新後の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を、第１のデータ生成モデルに関する第１の生成モデル情報として取得し、
・取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、学習用データ（生成モデル学習用データ）を用いて学習させ、
・学習後の第１のデータ生成モデルに関する第３の生成モデル情報をサーバ３０ａに送信する、
という構成が採用されている。
以上のように、本例示的実施形態に係る情報処理システム１ａにおいては、
第１の情報処理装置１０ａが、
・第１のデータ生成モデルの学習用データ（生成モデル学習用データ）を取得し、
・サーバ３０ａから受信する更新後の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を、第１のデータ生成モデルに関する第１の生成モデル情報として取得し、
・取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを、学習用データ（生成モデル学習用データ）を用いて学習させ、
・学習後の第１のデータ生成モデルに関する第３の生成モデル情報をサーバ３０ａに送信する、
という構成が採用されている。
【0086】
また、サーバ３０ａが、
・第３の生成モデル情報、及び学習後の第２のデータ生成モデルに関する第４の生成モデル情報を取得し、
・第３の生成モデル情報と第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成し、
・更新後の生成モデル情報を、第１の情報処理装置１０ａに送信する、
という構成が採用されている。
・第３の生成モデル情報、及び学習後の第２のデータ生成モデルに関する第４の生成モデル情報を取得し、
・第３の生成モデル情報と第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成し、
・更新後の生成モデル情報を、第１の情報処理装置１０ａに送信する、
という構成が採用されている。
【0087】
上記の構成によれば、第１の情報処理装置１０ａは、サーバ３０ａから受信する更新後の生成モデル情報を参照して規定される第１のデータ生成モデルを、学習の対象として取得することができる。その結果、第１の情報処理装置１０ａは、第２の生成モデルを生成した他の情報処理装置によって用いられた他の生成モデル学習用データを直接的に取得することなく、当該他の生成モデル学習用データを間接的に用いて、より多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。換言すると、第１の情報処理装置１０ａは、自装置で取得した生成モデル学習用データと、他の情報処理装置が取得した生成モデル学習用データとの双方を直接的に用いて学習した場合と同様に多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。また、一例として、このような第１のデータ生成モデルにより生成したデータを推論モデルの学習に用いる場合には、推論モデル学習用データの多様性を増すことができ、より高精度で多様なデータに対応できる推論モデルを得ることができる。
【0088】
〔例示的実施形態５〕
本発明の第５の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～４にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第５の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～４にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0089】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ｂの構成について、図９を参照して説明する。図９は、情報処理システム１ｂの構成を示すブロック図である。情報処理システム１ｂは、推論モデル学習用のデータ群における不均衡を解消し、解消したデータ群を用いて推論モデルを学習させるシステムである。情報処理システム１ｂは、不均衡を解消するために、当該データ群に追加するデータを生成するデータ生成モデルを、連合学習により生成する。
本例示的実施形態に係る情報処理システム１ｂの構成について、図９を参照して説明する。図９は、情報処理システム１ｂの構成を示すブロック図である。情報処理システム１ｂは、推論モデル学習用のデータ群における不均衡を解消し、解消したデータ群を用いて推論モデルを学習させるシステムである。情報処理システム１ｂは、不均衡を解消するために、当該データ群に追加するデータを生成するデータ生成モデルを、連合学習により生成する。
【0090】
図９に示すように、情報処理システム１ｂは、第１の情報処理装置１０ｂ－１、第２の情報処理装置１０ｂ－２、及びサーバ３０ｂを含む。第１の情報処理装置１０ｂ－１と、第２の情報処理装置１０ｂ－２と、サーバ３０ｂとは、ネットワークＮを介して接続される。
【0091】
（推論モデル）
本例示的実施形態では、推論モデルは、データのラベル種を推論するモデルである。推論モデルは、データが入力されると、複数のラベル種のうち何れかを示す情報を出力する。第１の情報処理装置１０ｂ－１は、当該装置が取得した学習用データを用いて、第１の推論モデルを学習させる。第２の情報処理装置１０ｂ－２は、当該装置が取得した学習用データを用いて、第２の推論モデルを学習させる。第１の推論モデル及び第２の推論モデルは互いに異なる。なお、第１の推論モデル、及び第２の推論モデルがそれぞれ出力するデータが示し得る複数のラベル種の構成は、必ずしも同一でなくてよい。例えば、第１の推論モデルが、ラベルＬ１、Ｌ３、Ｌ４、…、Ｌｎの何れかを示すデータを出力し、第２の推論モデルが、ラベルＬ２、Ｌ３、Ｌ４、…、Ｌｎの何れかを示すデータを出力してもよい。以降、第１の推論モデル、及び第２の推論モデルを特に区別して説明する必要がない場合には、単に「推論モデル」と記載する。
本例示的実施形態では、推論モデルは、データのラベル種を推論するモデルである。推論モデルは、データが入力されると、複数のラベル種のうち何れかを示す情報を出力する。第１の情報処理装置１０ｂ－１は、当該装置が取得した学習用データを用いて、第１の推論モデルを学習させる。第２の情報処理装置１０ｂ－２は、当該装置が取得した学習用データを用いて、第２の推論モデルを学習させる。第１の推論モデル及び第２の推論モデルは互いに異なる。なお、第１の推論モデル、及び第２の推論モデルがそれぞれ出力するデータが示し得る複数のラベル種の構成は、必ずしも同一でなくてよい。例えば、第１の推論モデルが、ラベルＬ１、Ｌ３、Ｌ４、…、Ｌｎの何れかを示すデータを出力し、第２の推論モデルが、ラベルＬ２、Ｌ３、Ｌ４、…、Ｌｎの何れかを示すデータを出力してもよい。以降、第１の推論モデル、及び第２の推論モデルを特に区別して説明する必要がない場合には、単に「推論モデル」と記載する。
【0092】
（学習用データ、不均衡データ群）
学習用データは、推論モデルの学習に用いるために取得されるデータ片であり、データ群に含まれる複数のデータ片の何れかである。当該データ群に含まれる各データ片は、複数のラベル種の何れかでラベル付けされており、あるラベル種が付されたデータ片の割合が所定の割合以下である。以降、このようなデータ群を「不均衡データ群」とも記載し、「あるラベル種」を「少数ラベル種」とも記載する。
学習用データは、推論モデルの学習に用いるために取得されるデータ片であり、データ群に含まれる複数のデータ片の何れかである。当該データ群に含まれる各データ片は、複数のラベル種の何れかでラベル付けされており、あるラベル種が付されたデータ片の割合が所定の割合以下である。以降、このようなデータ群を「不均衡データ群」とも記載し、「あるラベル種」を「少数ラベル種」とも記載する。
【0093】
換言すると、不均衡データ群は、複数のラベル種の何れかがそれぞれに付された複数の学習用データ（データ片）を含み、複数のラベル種のうち少なくとも１つが少数ラベル種の条件を満たす。例えば、少数ラベル種の条件とは、上述したように、当該ラベル種が付されたデータ片の割合が所定の割合以下であることであってもよいし、当該ラベル種が付されたデータ片の数が、他のラベル種の数より少ないことであってもよい。ただし、少数ラベル種の条件は、上述したものに限られない。
【0094】
第１の情報処理装置１０ｂ－１が取得する第１の不均衡データ群と、第２の情報処理装置１０ｂ－２が用いる第２の不均衡データ群は、少なくとも一部が互いに異なる。ここで、第１の不均衡データ群における少数ラベル種と、第２の不均衡データ群における少数ラベル種とは同一であってもよいし、同一でなくてもよい。なお、第１の不均衡データ群、及び第２の不均衡データ群を特に区別して説明する必要が無い場合には、引き続き、単に「不均衡データ群」とも記載する。
【0095】
第１の不均衡データ群、及び第２の不均衡データ群における少数ラベル種が同一でない場合の具体例について説明する。このような不均衡データ群に含まれるデータ片の具体例として、製品画像が挙げられる。この場合、第１の不均衡データ群、及び第２の不均衡データ群は、それぞれ異なる生産工場で得られた製品画像のセットである。各製品画像には、「正常品」、「不良品パターンＡ」、及び「不良品パターンＢ」の何れかのラベルが付される。第１の不均衡データ群では、「不良品パターンＡ」のラベルが付された製品画像の割合が所定の割合以下である。または、「不良品パターンＡ」のラベルが付された製品画像の数が、「正常品」のラベルが付された製品画像の数より少なく、かつ、「不良品パターンＢ」のラベルが付された製品画像の数より少ない。この場合、第１の不均衡データ群における少数ラベル種は「不良品パターンＡ」である。一方、第２の不均衡データ群では、「不良品パターンＢ」のラベルが付された製品画像の割合が所定の割合以下である。または、「不良品パターンＢ」のラベルが付された製品画像の数が、「正常品」のラベルが付された製品画像の数より少なく、かつ、「不良品パターンＡ」のラベルが付された製品画像の数より少ない。この場合、第２の不均衡データ群における少数ラベル種は「不良品パターンＢ」である。
【0096】
また、第１の不均衡データ群、及び第２の不均衡データ群における少数ラベル種が同一である場合の具体例について説明する。このような不均衡データ群に含まれるデータ片の具体例として、金融システム又は通信システムにおける通信データ片が挙げられる。この場合、第１の不均衡データ群、及び第２の不均衡データ群は、それぞれ異なるシステムで得られた通信データ片のセットである。各通信データ片に「正常」又は「異常」のラベルが付され、「異常」が少数ラベル種となる例がある。また、他のデータ片の具体例として、医療用画像である例が挙げられる。この場合、第１の不均衡データ群、及び第２の不均衡データ群は、それぞれ異なる医療機関で得られた医療用画像のセットである。各医療用画像には、「病変無し」又は「病変有り」のラベルが付され、「病変有り」が少数ラベル種となる例がある。ただし、データ片、及び少数ラベル種の具体例は、上述したものに限られない。
【0097】
（均衡データ群）
均衡データ群は、複数のラベル種の何れかがそれぞれに付された複数の学習用データ（データ片）を含み、何れのラベル種も少数ラベル種の条件を満たさない。例えば、均衡データ群では、各ラベル種が付された学習用データの割合が処理の割合以上であるか、又は、各ラベル種が付された学習用データの数が等しい。
均衡データ群は、複数のラベル種の何れかがそれぞれに付された複数の学習用データ（データ片）を含み、何れのラベル種も少数ラベル種の条件を満たさない。例えば、均衡データ群では、各ラベル種が付された学習用データの割合が処理の割合以上であるか、又は、各ラベル種が付された学習用データの数が等しい。
【0098】
第１の情報処理装置１０ｂ－１が生成する第１の均衡データ群と、第２の情報処理装置１０ｂ－２が生成する第２の均衡データ群は、少なくとも一部が互いに異なる。ただし、第１の均衡データ群、及び第２の均衡データ群を特に区別して説明する必要が無い場合には、引き続き、単に「均衡データ群」とも記載する。
【0099】
（データ生成モデル）
データ生成モデルは、推論モデル学習用データとして用いるためのデータを生成する。なお、第１の情報処理装置１０ｂ－１は第１のデータ生成モデルを生成し、第２の情報処理装置１０ｂ－２は第２のデータ生成モデルを生成するが、これらを特に区別して説明する必要がない場合には、引き続き、単に「データ生成モデル」とも記載する。データ生成モデルは、少なくとも少数ラベル種の教師データとなり得る学習用データを生成するよう学習される。
データ生成モデルは、推論モデル学習用データとして用いるためのデータを生成する。なお、第１の情報処理装置１０ｂ－１は第１のデータ生成モデルを生成し、第２の情報処理装置１０ｂ－２は第２のデータ生成モデルを生成するが、これらを特に区別して説明する必要がない場合には、引き続き、単に「データ生成モデル」とも記載する。データ生成モデルは、少なくとも少数ラベル種の教師データとなり得る学習用データを生成するよう学習される。
【0100】
（生成モデル学習用データ）
生成モデル学習用データは、データ生成モデルを学習させるためのデータである。不均衡データ群の一部または全部が、生成モデル学習用データとして用いられる。
生成モデル学習用データは、データ生成モデルを学習させるためのデータである。不均衡データ群の一部または全部が、生成モデル学習用データとして用いられる。
【0101】
（推論モデル学習用データ）
推論モデル学習用データは、推論モデルを学習させるためのデータである。本例示的実施形態では、不均衡データ群における不均衡が解消された均衡データ群が、推論モデル学習用データとして用いられる。
推論モデル学習用データは、推論モデルを学習させるためのデータである。本例示的実施形態では、不均衡データ群における不均衡が解消された均衡データ群が、推論モデル学習用データとして用いられる。
【0102】
（第１の情報処理装置の構成）
第１の情報処理装置１０ｂ－１は、制御部１５０－１と、通信部１６０－１とを含む。制御部１５０－１は、学習用データ取得部１０１－１と、生成モデル情報取得部１０２－１と、データ生成モデル学習部１０３－１と、シードデータ取得部２０１－１と、データ生成部２０２－１と、推論モデル学習部２０３－１と、推論部２０４－１と、通信部１６０－１とを含む。
第１の情報処理装置１０ｂ－１は、制御部１５０－１と、通信部１６０－１とを含む。制御部１５０－１は、学習用データ取得部１０１－１と、生成モデル情報取得部１０２－１と、データ生成モデル学習部１０３－１と、シードデータ取得部２０１－１と、データ生成部２０２－１と、推論モデル学習部２０３－１と、推論部２０４－１と、通信部１６０－１とを含む。
【0103】
（学習用データ取得部）
学習用データ取得部１０１－１は、第１の不均衡データ群を取得する。第１の不均衡データ群の詳細については上述した通りである。
学習用データ取得部１０１－１は、第１の不均衡データ群を取得する。第１の不均衡データ群の詳細については上述した通りである。
【0104】
（生成モデル情報取得部）
生成モデル情報取得部１０２－１は、例示的実施形態１における生成モデル情報取得部１０２と同様に構成される。
生成モデル情報取得部１０２－１は、例示的実施形態１における生成モデル情報取得部１０２と同様に構成される。
【0105】
（データ生成モデル学習部）
データ生成モデル学習部１０３－１は、第１のデータ生成モデルを、第１の不均衡データ群の少なくとも一部を用いて学習させる。例えば、データ生成モデル学習部１０３－１は、第１のデータ生成モデルを含むオートエンコーダ、及び、第１のデータ生成モデルを含む敵対的生成ネットワークの少なくとも何れかを学習させてもよい。第１のデータ生成モデルの詳細については後述する。
データ生成モデル学習部１０３－１は、第１のデータ生成モデルを、第１の不均衡データ群の少なくとも一部を用いて学習させる。例えば、データ生成モデル学習部１０３－１は、第１のデータ生成モデルを含むオートエンコーダ、及び、第１のデータ生成モデルを含む敵対的生成ネットワークの少なくとも何れかを学習させてもよい。第１のデータ生成モデルの詳細については後述する。
【0106】
（シードデータ取得部）
シードデータ取得部２０１－１は、第１のデータ生成モデルに入力するためのシードデータを取得する。例えば、シードデータ取得部２０１－１は、シードデータを生成することにより取得してもよいし、当該装置に含まれる他の機能ブロック（図示せず）又は他の装置（図示せず）によって生成されたシードデータを取得してもよい。
シードデータ取得部２０１－１は、第１のデータ生成モデルに入力するためのシードデータを取得する。例えば、シードデータ取得部２０１－１は、シードデータを生成することにより取得してもよいし、当該装置に含まれる他の機能ブロック（図示せず）又は他の装置（図示せず）によって生成されたシードデータを取得してもよい。
【0107】
（データ生成部）
データ生成部２０２－１は、シードデータを用いてデータを生成する。具体的には、データ生成部２０２－１は、シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。例えば、データ生成部２０２－１は、シードデータと、少数ラベル種を特定する条件とを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成してもよい。また、データ生成部２０２－１は、生成した学習用データを第１の不均衡データ群に追加して、第１の均衡データ群を生成する。
データ生成部２０２－１は、シードデータを用いてデータを生成する。具体的には、データ生成部２０２－１は、シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。例えば、データ生成部２０２－１は、シードデータと、少数ラベル種を特定する条件とを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成してもよい。また、データ生成部２０２－１は、生成した学習用データを第１の不均衡データ群に追加して、第１の均衡データ群を生成する。
【0108】
（推論モデル学習部）
推論モデル学習部２０３－１は、データ生成部２０２－１が生成したデータを参照して第１の推論モデルを学習させる。具体的には、推論モデル学習部２０３－１は、第１の均衡データ群を、推論モデル学習用データとして用いる。
推論モデル学習部２０３－１は、データ生成部２０２－１が生成したデータを参照して第１の推論モデルを学習させる。具体的には、推論モデル学習部２０３－１は、第１の均衡データ群を、推論モデル学習用データとして用いる。
【0109】
（推論部）
推論部２０４－１は、推論部２０４－１が生成した推論モデルを用いて推論を行う。
推論部２０４－１は、推論部２０４－１が生成した推論モデルを用いて推論を行う。
【0110】
（通信部）
通信部１６０－１は、データ生成モデル学習部１０３－１によって学習された後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ｂに送信する。
通信部１６０－１は、データ生成モデル学習部１０３－１によって学習された後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ｂに送信する。
【0111】
（第２の情報処理装置の構成）
第２の情報処理装置１０ｂ－２は、制御部１５０－２と、通信部１６０－２とを含む。制御部１５０－２は、学習用データ取得部１０１－２と、生成モデル情報取得部１０２－２と、データ生成モデル学習部１０３－２と、シードデータ取得部２０１－２と、データ生成部２０２－２と、推論モデル学習部２０３－２と、推論部２０４－２とを含む。
第２の情報処理装置１０ｂ－２は、制御部１５０－２と、通信部１６０－２とを含む。制御部１５０－２は、学習用データ取得部１０１－２と、生成モデル情報取得部１０２－２と、データ生成モデル学習部１０３－２と、シードデータ取得部２０１－２と、データ生成部２０２－２と、推論モデル学習部２０３－２と、推論部２０４－２とを含む。
【0112】
第２の情報処理装置１０ｂ－２の構成の詳細については、第１の情報処理装置１０ｂ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0113】
（サーバの構成）
サーバ３０ｂは、制御部３５０と、通信部３６０とを含む。制御部３５０は、生成モデル情報取得部３０１と、生成モデル情報更新部３０２と、通信部３６０とを含む。
サーバ３０ｂは、制御部３５０と、通信部３６０とを含む。制御部３５０は、生成モデル情報取得部３０１と、生成モデル情報更新部３０２と、通信部３６０とを含む。
【0114】
（生成モデル情報取得部）
生成モデル情報取得部３０１は、例示的実施形態４における生成モデル情報取得部３０１と同様に構成される。
生成モデル情報取得部３０１は、例示的実施形態４における生成モデル情報取得部３０１と同様に構成される。
【0115】
（生成モデル情報更新部）
生成モデル情報更新部３０２は、例示的実施形態４における生成モデル情報更新部３０２と同様に構成される。詳細には、本例示的実施形態では、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との平均を取ることによって、更新後の生成モデル情報を生成する。
生成モデル情報更新部３０２は、例示的実施形態４における生成モデル情報更新部３０２と同様に構成される。詳細には、本例示的実施形態では、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との平均を取ることによって、更新後の生成モデル情報を生成する。
【0116】
（通信部）
通信部３６０は、更新後の生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。
通信部３６０は、更新後の生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。
【0117】
＜データ生成モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｂが実行する情報処理方法Ｓ１ｂについて、図１０を参照して説明する。図１０は、情報処理方法Ｓ１ｂの流れを説明するフロー図である。情報処理システム１ｂは、情報処理方法Ｓ１ｂを逐次的に実行することにより、データ生成モデルを生成する。なお、図１０において、末尾に（ｎ）を含む参照符号は、ｎ回目に実行する情報処理方法Ｓ１ｂの各ステップを示し、末尾に（ｎ＋１）を含む参照符号は、ｎ＋１回目に実行する情報処理方法Ｓ１ｂの各ステップを示している。
以上のように構成された情報処理システム１ｂが実行する情報処理方法Ｓ１ｂについて、図１０を参照して説明する。図１０は、情報処理方法Ｓ１ｂの流れを説明するフロー図である。情報処理システム１ｂは、情報処理方法Ｓ１ｂを逐次的に実行することにより、データ生成モデルを生成する。なお、図１０において、末尾に（ｎ）を含む参照符号は、ｎ回目に実行する情報処理方法Ｓ１ｂの各ステップを示し、末尾に（ｎ＋１）を含む参照符号は、ｎ＋１回目に実行する情報処理方法Ｓ１ｂの各ステップを示している。
【0118】
（ステップＳ１０１－１）
ｎ回目のステップＳ１０１－１において、第１の情報処理装置１０ｂ－１の学習用データ取得部１０１－１は、第１の不均衡データ群を取得する。
ｎ回目のステップＳ１０１－１において、第１の情報処理装置１０ｂ－１の学習用データ取得部１０１－１は、第１の不均衡データ群を取得する。
【0119】
（ステップＳ３６０）
ｎ回目のステップＳ３６０において、サーバ３０ｂの通信部３６０は、生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。ｎ＝１である場合、配信する生成モデル情報として、事前に定められた情報が適用される。ｎ≧２である場合、配信する生成モデル情報として、ｎ－１回目のステップＳ３０２で更新された「更新後の生成モデル情報」が適用される。ステップＳ３０２については後述する。
ｎ回目のステップＳ３６０において、サーバ３０ｂの通信部３６０は、生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。ｎ＝１である場合、配信する生成モデル情報として、事前に定められた情報が適用される。ｎ≧２である場合、配信する生成モデル情報として、ｎ－１回目のステップＳ３０２で更新された「更新後の生成モデル情報」が適用される。ステップＳ３０２については後述する。
【0120】
（ステップＳ１０２－１）
ｎ回目のステップＳ１０２－１において、第１の情報処理装置１０ｂ－１の生成モデル情報取得部１０２－１は、サーバ３０ｂから配信された生成モデル情報を、第１の生成モデル情報として取得する。
ｎ回目のステップＳ１０２－１において、第１の情報処理装置１０ｂ－１の生成モデル情報取得部１０２－１は、サーバ３０ｂから配信された生成モデル情報を、第１の生成モデル情報として取得する。
【0121】
（ステップＳ１０３－１）
ｎ回目のステップＳ１０３－１において、第１の情報処理装置１０ｂ－１のデータ生成モデル学習部１０３－１は、生成モデル情報取得部１０２－１が取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを学習させる。学習には、第１の不均衡データ群に含まれる一部または全部の学習用データが教師データとして用いられる。具体的には、データ生成モデル学習部１０３－１は、第１の不均衡データ群に含まれる学習用データを用いて、第１のデータ生成モデルが少なくとも少数ラベル種の教師データとなり得る学習用データを出力するようパラメータ群を更新する更新処理を、学習が収束するまで、又は、規定回数に達するまで繰り返す。
ｎ回目のステップＳ１０３－１において、第１の情報処理装置１０ｂ－１のデータ生成モデル学習部１０３－１は、生成モデル情報取得部１０２－１が取得した第１の生成モデル情報を参照して規定される第１のデータ生成モデルを学習させる。学習には、第１の不均衡データ群に含まれる一部または全部の学習用データが教師データとして用いられる。具体的には、データ生成モデル学習部１０３－１は、第１の不均衡データ群に含まれる学習用データを用いて、第１のデータ生成モデルが少なくとも少数ラベル種の教師データとなり得る学習用データを出力するようパラメータ群を更新する更新処理を、学習が収束するまで、又は、規定回数に達するまで繰り返す。
【0122】
（ステップＳ１６０－１）
ｎ回目のステップＳ１６０－１において、第１の情報処理装置１０ｂ－１の通信部１６０－１は、学習後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ｂに送信する。
ｎ回目のステップＳ１６０－１において、第１の情報処理装置１０ｂ－１の通信部１６０－１は、学習後の第１のデータ生成モデルに関する第３の生成モデル情報を、サーバ３０ｂに送信する。
【0123】
（ステップＳ１０１－２～Ｓ１６０－２）
第２の情報処理装置１０ｂ－２は、ｎ回目のステップＳ１０１－２、Ｓ１０２－２、Ｓ１０３－２、Ｓ１６０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｂ－１が実行するステップＳ１０１－１、Ｓ１０２－１、Ｓ１０３－１、Ｓ１６０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｂ－２は、ｎ回目のステップＳ１０１－２、Ｓ１０２－２、Ｓ１０３－２、Ｓ１６０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｂ－１が実行するステップＳ１０１－１、Ｓ１０２－１、Ｓ１０３－１、Ｓ１６０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0124】
（ステップＳ３０１）
ｎ＋１回目のステップＳ３０１において、サーバ３０ｂの生成モデル情報取得部３０１は、第３の生成モデル情報を、第１の情報処理装置１０ｂ－１から受信することにより取得する。また、生成モデル情報取得部３０１は、第４の生成モデル情報を、第２の情報処理装置１０ｂ－２から受信することにより取得する。
ｎ＋１回目のステップＳ３０１において、サーバ３０ｂの生成モデル情報取得部３０１は、第３の生成モデル情報を、第１の情報処理装置１０ｂ－１から受信することにより取得する。また、生成モデル情報取得部３０１は、第４の生成モデル情報を、第２の情報処理装置１０ｂ－２から受信することにより取得する。
【0125】
（ステップＳ３０２）
ｎ＋１回目のステップＳ３０２において、生成モデル情報更新部３０２は、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。具体的には、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含める。
ｎ＋１回目のステップＳ３０２において、生成モデル情報更新部３０２は、第３の生成モデル情報、及び第４の生成モデル情報を参照して、更新後の生成モデル情報を生成する。具体的には、生成モデル情報更新部３０２は、第３の生成モデル情報と第４の生成モデル情報との加重平均をとることによって得られる情報を、更新後の生成モデル情報に含める。
【0126】
（ステップＳ３６０）
ｎ＋１回目のステップＳ３６０において、通信部３６０は、更新後の生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。
ｎ＋１回目のステップＳ３６０において、通信部３６０は、更新後の生成モデル情報を、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に配信する。
【0127】
また、第１の情報処理装置１０ｂ－１は、ｎ＋１回目のステップＳ１０１－１、Ｓ１０２－１、Ｓ１０３－１、Ｓ１６０－１を実行する。第２の情報処理装置１０ｂ－２は、ｎ＋１回目のステップＳ１０１－２、Ｓ１０２－２、Ｓ１０３－２、Ｓ１６０－２を実行する。その詳細については、ｎ回目の各ステップにおいて説明した通りである。
【0128】
このようにして、情報処理方法Ｓ１ｂを逐次的に実行することにより、第１の情報処理装置１０ｂ－１は、第２の情報処理装置１０ｂ－２が取得した学習用データを直接的に取得することなく間接的に用いることができる。その結果、第１の情報処理装置１０ｂ－１は、より多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。また第２の情報処理装置１０ｂ－２は、第１の情報処理装置１０ｂ－１が取得した学習用データを直接的に取得することなく間接的に用いることができる。その結果、第２の情報処理装置１０ｂ－２は、より多様性のあるデータを生成可能な第２のデータ生成モデルを生成することができる。
【0129】
＜推論モデルを生成する情報処理方法の流れ＞
第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２が実行する情報処理方法Ｓ２０ｂについて、図１１を参照して説明する。図１１は、情報処理方法Ｓ２０ｂの流れを説明するフロー図である。第１の情報処理装置１０ｂ－１は、情報処理方法Ｓ２０ｂを実行することにより、第１の推論モデルを生成する。第２の情報処理装置１０ｂ－２は、情報処理方法Ｓ２０ｂを実行することにより、第２の推論モデルを生成する。以下では、第１の情報処理装置１０ｂ－１が情報処理方法Ｓ２０ｂを実行する例について説明する。第２の情報処理装置１０ｂ－２が情報処理方法Ｓ２０ｂを実行する例については、以下の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替えることにより、同様に説明される。図１１に示すように、情報処理方法Ｓ２０ｂは、ステップＳ２０１～Ｓ２０３を含む。
第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２が実行する情報処理方法Ｓ２０ｂについて、図１１を参照して説明する。図１１は、情報処理方法Ｓ２０ｂの流れを説明するフロー図である。第１の情報処理装置１０ｂ－１は、情報処理方法Ｓ２０ｂを実行することにより、第１の推論モデルを生成する。第２の情報処理装置１０ｂ－２は、情報処理方法Ｓ２０ｂを実行することにより、第２の推論モデルを生成する。以下では、第１の情報処理装置１０ｂ－１が情報処理方法Ｓ２０ｂを実行する例について説明する。第２の情報処理装置１０ｂ－２が情報処理方法Ｓ２０ｂを実行する例については、以下の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替えることにより、同様に説明される。図１１に示すように、情報処理方法Ｓ２０ｂは、ステップＳ２０１～Ｓ２０３を含む。
【0130】
（ステップＳ２０１）
ステップＳ２０１において、シードデータ取得部２０１－１は、シードデータを取得する。具体的には、シードデータ取得部２０１－１は、少なくとも、第１の不均衡データ群における不均衡を解消可能な数だけ、シードデータを取得する。複数のシードデータを取得する場合、これらのシードデータは、互いに異なることが望ましい。不均衡を解消可能な数とは、例えば、第１の不均衡データ群において少数ラベル種が付された学習用データの数と、不均衡を解消後の第１の均衡データ群において所定の割合となる数との差である。例えば、第１の不均衡データ群において少数ラベル種が付された学習用データの数が２０であり、第１の不均衡データ群に含まれる学習用データの数が１００であり、所定の割合が０．３であるとする。この場合、不均衡を解消可能な数は、１５である。また、不均衡を解消可能な数とは、例えば、第１の不均衡データ群において、少数ラベル種が付された学習用データの数と、他のラベル種が付された学習用データの数との差である。例えば、ラベル種が２種類であり、少数ラベル種が付された学習用データの数が２０であり、他のラベル種が付された学習用データの数が４０であるとする。この場合、不均衡を解消可能な数は、２０である。なお、不均衡を解消可能な数は、上述した例に限定されない。
ステップＳ２０１において、シードデータ取得部２０１－１は、シードデータを取得する。具体的には、シードデータ取得部２０１－１は、少なくとも、第１の不均衡データ群における不均衡を解消可能な数だけ、シードデータを取得する。複数のシードデータを取得する場合、これらのシードデータは、互いに異なることが望ましい。不均衡を解消可能な数とは、例えば、第１の不均衡データ群において少数ラベル種が付された学習用データの数と、不均衡を解消後の第１の均衡データ群において所定の割合となる数との差である。例えば、第１の不均衡データ群において少数ラベル種が付された学習用データの数が２０であり、第１の不均衡データ群に含まれる学習用データの数が１００であり、所定の割合が０．３であるとする。この場合、不均衡を解消可能な数は、１５である。また、不均衡を解消可能な数とは、例えば、第１の不均衡データ群において、少数ラベル種が付された学習用データの数と、他のラベル種が付された学習用データの数との差である。例えば、ラベル種が２種類であり、少数ラベル種が付された学習用データの数が２０であり、他のラベル種が付された学習用データの数が４０であるとする。この場合、不均衡を解消可能な数は、２０である。なお、不均衡を解消可能な数は、上述した例に限定されない。
【0131】
（ステップＳ２０２）
ステップＳ２０２において、データ生成部２０２－１は、ステップＳ２０１で生成した各シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。また、データ生成部２０２－１は、生成した学習用データを、第１の不均衡データ群に追加する。これにより、第１の不均衡データ群における不均衡が解消された第１の均衡データ群が生成される。
ステップＳ２０２において、データ生成部２０２－１は、ステップＳ２０１で生成した各シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。また、データ生成部２０２－１は、生成した学習用データを、第１の不均衡データ群に追加する。これにより、第１の不均衡データ群における不均衡が解消された第１の均衡データ群が生成される。
【0132】
（ステップＳ２０３）
ステップＳ２０３において、推論モデル学習部２０３－１は、第１の推論モデルを学習させる。学習には、第１の均衡データ群に含まれる各学習用データが、推論モデル学習用データとして用いられる。
ステップＳ２０３において、推論モデル学習部２０３－１は、第１の推論モデルを学習させる。学習には、第１の均衡データ群に含まれる各学習用データが、推論モデル学習用データとして用いられる。
【0133】
＜データ生成モデルの具体例＞
ここでは、第１のデータ生成モデル、第２のデータ生成モデルの具体例について説明する。以下では、第１のデータ生成モデル、及び第２のデータ生成モデルを特に区別して説明する必要がない場合、単に「データ生成モデル」と記載する。また、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に含まれる各機能ブロックを、何れの情報処理装置に含まれるかを特に区別して説明する必要がない場合、参照符号の末尾の「－１」又は「－２」を省略して記載する。
ここでは、第１のデータ生成モデル、第２のデータ生成モデルの具体例について説明する。以下では、第１のデータ生成モデル、及び第２のデータ生成モデルを特に区別して説明する必要がない場合、単に「データ生成モデル」と記載する。また、第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２に含まれる各機能ブロックを、何れの情報処理装置に含まれるかを特に区別して説明する必要がない場合、参照符号の末尾の「－１」又は「－２」を省略して記載する。
【0134】
（具体例１）
データ生成モデルを、変分オートエンコーダに含まれるデコーダとして実現する具体例１について、図１２を参照して説明する。図１２は、データ生成モデルの具体例１を説明する模式図である。図１２に示すように、データ生成モデル学習部１０３が学習させる変分オートエンコーダは、エンコーダＥＮ１及びデコーダＤＥ１を含む。エンコーダＥＮ１は、データＸが入力されると、潜在変数Ｚを出力する。デコーダＤＥ１は、潜在変数Ｚが入力されると、データＸ’を出力する。データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸのうち少数ラベル種が付されたデータＸをエンコーダＥＮ１に入力し、デコーダＤＥ１が出力するデータＸ’とデータＸとの差異がより小さくなるように学習を行う。詳細には、データ生成モデル学習部１０３は、少数ラベル種が付された学習用データＸを用いて、ＸとＸ’との差異がより小さくなるようエンコーダＥＮ１及びデコーダＤＥ１を規定するパラメータ群を更新する更新処理を実行する。また、データ生成モデル学習部１０３は、当該更新処理を、学習が収束するまで、あるいは、規定回数に達するまで繰り返す。学習後のデコーダＤＥ１は、少数ラベル種の教師データとなり得る学習用データを生成するデータ生成モデルとなる。
データ生成モデルを、変分オートエンコーダに含まれるデコーダとして実現する具体例１について、図１２を参照して説明する。図１２は、データ生成モデルの具体例１を説明する模式図である。図１２に示すように、データ生成モデル学習部１０３が学習させる変分オートエンコーダは、エンコーダＥＮ１及びデコーダＤＥ１を含む。エンコーダＥＮ１は、データＸが入力されると、潜在変数Ｚを出力する。デコーダＤＥ１は、潜在変数Ｚが入力されると、データＸ’を出力する。データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸのうち少数ラベル種が付されたデータＸをエンコーダＥＮ１に入力し、デコーダＤＥ１が出力するデータＸ’とデータＸとの差異がより小さくなるように学習を行う。詳細には、データ生成モデル学習部１０３は、少数ラベル種が付された学習用データＸを用いて、ＸとＸ’との差異がより小さくなるようエンコーダＥＮ１及びデコーダＤＥ１を規定するパラメータ群を更新する更新処理を実行する。また、データ生成モデル学習部１０３は、当該更新処理を、学習が収束するまで、あるいは、規定回数に達するまで繰り返す。学習後のデコーダＤＥ１は、少数ラベル種の教師データとなり得る学習用データを生成するデータ生成モデルとなる。
【0135】
シードデータ取得部２０１は、学習後のデコーダＤＥ１に入力するシードデータＳを生成する。具体的には、シードデータ取得部２０１は、少数ラベル種が付された学習用データＸをエンコーダＥＮに入力して出力された潜在変数Ｚが示す範囲のデータを、シードデータＳとして生成する。例えば、シードデータ取得部２０１は、潜在変数Ｚが示す範囲においてランダムにサンプリングしたデータをシードデータＳとして生成してもよい。
【0136】
データ生成部２０２は、シードデータＳをデコーダＤＥ２に入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。
【0137】
（具体例２）
データ生成モデルを、条件付き変分オートエンコーダに含まれるデコーダとして実現する具体例２について、図１３を参照して説明する。図１３は、データ生成モデルの具体例２を説明する模式図である。図１３に示すように、データ生成モデル学習部１０３が学習させる条件付き変分オートエンコーダは、エンコーダＥＮ２及びデコーダＤＥ２を含む。エンコーダＥＮ２は、データＸ及び条件Ｙが入力されると、潜在変数Ｚを出力する。デコーダＤＥ１は、潜在変数Ｚ及び条件Ｙが入力されると、データＸ’を出力する。ここでは、条件Ｙとして、ラベル種を特定する情報が用いられる。
データ生成モデルを、条件付き変分オートエンコーダに含まれるデコーダとして実現する具体例２について、図１３を参照して説明する。図１３は、データ生成モデルの具体例２を説明する模式図である。図１３に示すように、データ生成モデル学習部１０３が学習させる条件付き変分オートエンコーダは、エンコーダＥＮ２及びデコーダＤＥ２を含む。エンコーダＥＮ２は、データＸ及び条件Ｙが入力されると、潜在変数Ｚを出力する。デコーダＤＥ１は、潜在変数Ｚ及び条件Ｙが入力されると、データＸ’を出力する。ここでは、条件Ｙとして、ラベル種を特定する情報が用いられる。
【0138】
データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸをエンコーダＥＮ２に入力し、当該学習用データに付されたラベル種を特定する条件ＹをエンコーダＥＮ２及びデコーダＤＥ２に入力する。また、データ生成モデル学習部１０３は、デコーダＤＥ２が出力するデータＸ’とデータＸとの差異がより小さくなるように学習を行う。詳細には、データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸを用いて、ＸとＸ’との差異がより小さくなるようエンコーダＥＮ２及びデコーダＤＥ２を規定するパラメータ群を更新する更新処理を実行する。また、データ生成モデル学習部１０３は、当該更新処理を、学習が収束するまで、あるいは、規定回数に達するまで繰り返す。学習後のデコーダＤＥ２は、条件Ｙにより特定されたラベル種の教師データとなり得る学習用データを生成するデータ生成モデルとなる。
【0139】
シードデータ取得部２０１は、学習後のデコーダＤＥ２に入力するシードデータＳを生成する。具体的には、シードデータ取得部２０１は、学習用データ、及び少数ラベル種を特定する条件ＹをエンコーダＥＮに入力して出力された潜在変数Ｚを参照し、当該潜在変数Ｚが示す範囲のデータをシードデータＳとして生成する。例えば、シードデータ取得部２０１は、潜在変数Ｚが示す範囲においてランダムにサンプリングしたデータをシードデータＳとして生成してもよい。
【0140】
データ生成部２０２は、シードデータＳ及び、少数ラベル種を特定する条件ＹをデコーダＤＥ２に入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。
【0141】
（具体例３）
データ生成モデルを、敵対的生成ネットワークに含まれるジェネレータとして実現する具体例３について、図１４を参照して説明する。図１４は、データ生成モデルの具体例３を説明する模式図である。図１４に示すように、データ生成モデル学習部１０３が学習させる敵対的生成ネットワークは、生成器ＧＥＮ及び識別器ＤＩＳを含む。生成器ＧＥＮは、ノイズＮＤが入力されるとデータＧＤを出力する。識別器ＤＩＳは、データＧＤ及び真のデータＸが入力されると、データＧＤが真のデータＸであるか否かを判定する。
データ生成モデルを、敵対的生成ネットワークに含まれるジェネレータとして実現する具体例３について、図１４を参照して説明する。図１４は、データ生成モデルの具体例３を説明する模式図である。図１４に示すように、データ生成モデル学習部１０３が学習させる敵対的生成ネットワークは、生成器ＧＥＮ及び識別器ＤＩＳを含む。生成器ＧＥＮは、ノイズＮＤが入力されるとデータＧＤを出力する。識別器ＤＩＳは、データＧＤ及び真のデータＸが入力されると、データＧＤが真のデータＸであるか否かを判定する。
【0142】
データ生成モデル学習部１０３は、ノイズＮＤを生成器ＧＥＮに入力し、学習用データ取得部１０１が取得した学習用データＸのうち、少数ラベル種が付されたデータＸを識別器ＤＩＳに入力する。また、データ生成モデル学習部１０３は、生成器ＧＥＮが生成したデータＧＤが真であると判定されるように学習を行う。詳細には、データ生成モデル学習部１０３は、少数ラベル種が付された学習用データＸを用いて、データＧＤが真であると判定されるよう生成器ＧＥＮ及び識別器ＤＩＳを規定するパラメータ群を更新する更新処理を実行する。また、データ生成モデル学習部１０３は、当該更新処理を、学習が収束するまで、あるいは、規定回数に達するまで繰り返す。学習後の生成器ＧＥＮは、少数ラベル種の教師データとなり得る学習用データを生成するデータ生成モデルとなる。
【0143】
シードデータ取得部２０１は、学習後の生成器ＧＥＮに入力するシードデータＳを生成する。具体的には、シードデータ取得部２０１は、ランダムに生成したノイズをシードデータＳとして生成してもよい。
【0144】
データ生成部２０２は、シードデータＳを学習後の生成器ＧＥＮに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。
【0145】
（その他の具体例）
その他の具体例として、データ生成モデルを、条件付き敵対的生成ネットワークに含まれるジェネレータとして実現する例がある。このような具体例では、図１４に示す生成器ＧＥＮ及び識別器ＤＩＳには、それぞれさらに条件Ｙが入力される。生成器ＧＥＮは、条件Ｙ、及びノイズＮＤが入力されるとデータＧＤを出力する。識別器ＤＩＳは、条件Ｙ、データＧＤ及び真のデータＸが入力されると、データＧＤが真のデータＸであるか否かを判定する。
その他の具体例として、データ生成モデルを、条件付き敵対的生成ネットワークに含まれるジェネレータとして実現する例がある。このような具体例では、図１４に示す生成器ＧＥＮ及び識別器ＤＩＳには、それぞれさらに条件Ｙが入力される。生成器ＧＥＮは、条件Ｙ、及びノイズＮＤが入力されるとデータＧＤを出力する。識別器ＤＩＳは、条件Ｙ、データＧＤ及び真のデータＸが入力されると、データＧＤが真のデータＸであるか否かを判定する。
【0146】
この場合、データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸの何れかと、当該データＸに付されたラベル種を特定する条件Ｙとを識別器ＤＩＳに入力する。また、データ生成モデル学習部１０３は、当該ラベル種を特定する条件Ｙと、ノイズＮＤとを生成器ＧＥＮに入力する。また、データ生成モデル学習部１０３は、生成器ＧＥＮが生成したデータＧＤが真であると判定されるように学習を行う。詳細には、データ生成モデル学習部１０３は、学習用データ取得部１０１が取得した学習用データＸを用いて、データＧＤが真であると判定されるよう生成器ＧＥＮ及び識別器ＤＩＳを規定するパラメータ群を更新する更新処理を実行する。また、データ生成モデル学習部１０３は、当該更新処理を、学習が収束するまで、あるいは、規定回数に達するまで繰り返す。学習後の生成器ＧＥＮは、条件Ｙにより特定されたラベル種の教師データとなり得る学習用データを生成するデータ生成モデルとなる。
【0147】
シードデータ取得部２０１は、学習後の生成器ＧＥＮに入力するシードデータＳを生成する。データ生成部２０２は、シードデータＳ及び、少数ラベル種を特定する条件ＹをデコーダＤＥ２に入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。
【0148】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、
第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２の各々が、不均衡データ群を取得し、取得した不均衡データ群を用いた連合学習により、少数ラベル種の教師データとなり得る学習用データを生成するためのデータ生成モデルを生成する、
という構成が採用されている。
以上のように、本例示的実施形態においては、
第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２の各々が、不均衡データ群を取得し、取得した不均衡データ群を用いた連合学習により、少数ラベル種の教師データとなり得る学習用データを生成するためのデータ生成モデルを生成する、
という構成が採用されている。
【0149】
上記の構成によれば、少数ラベル種が付された学習用データの数が充分でない場合でも、他の情報処理装置が取得した少数ラベル種の学習用データを間接的に用いることができる。その結果、少数ラベル種の教師データとなり得る学習用データとしてより多様性のあるデータを生成可能なデータ生成モデルを生成することができる。
【0150】
また、上記の構成によれば、データ生成モデルを用いて生成した少数ラベル種の教師データとなり得る学習用データを追加することで、不均衡データ群における不均衡を解消した均衡データ群を生成することができる。その結果、そのような均衡データ群を推論モデル学習用データとして用いることにより、より精度よく推論モデルを学習させることができる。
【0151】
〔例示的実施形態６〕
本発明の第６の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～５にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第６の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～５にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0152】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ｃの構成について、図１５を参照して説明する。図１５は、情報処理システム１ｃの構成を示すブロック図である。情報処理システム１ｃは、例示的実施形態５に係る情報処理システム１ｃを、推論モデルを連合学習により生成するよう変形した態様である。すなわち、情報処理システム１ｃは、推論モデルの学習に用いる不均衡データ群における不均衡を解消するためのデータ生成モデルを連合学習により生成することに加えて、推論モデル自体も連合学習により生成する。
本例示的実施形態に係る情報処理システム１ｃの構成について、図１５を参照して説明する。図１５は、情報処理システム１ｃの構成を示すブロック図である。情報処理システム１ｃは、例示的実施形態５に係る情報処理システム１ｃを、推論モデルを連合学習により生成するよう変形した態様である。すなわち、情報処理システム１ｃは、推論モデルの学習に用いる不均衡データ群における不均衡を解消するためのデータ生成モデルを連合学習により生成することに加えて、推論モデル自体も連合学習により生成する。
【0153】
図１５に示すように、情報処理システム１ｃは、第１の情報処理装置１０ｃ－１、第２の情報処理装置１０ｃ－２、及びサーバ３０ｃを含む。第１の情報処理装置１０ｃ－１と、第２の情報処理装置１０ｃ－２と、サーバ３０ｃとは、ネットワークＮを介して接続される。
【0154】
（第１の情報処理装置の構成）
第１の情報処理装置１０ｃ－１は、例示的実施形態５に係る第１の情報処理装置１０ｂ－１と同様の構成に加えて、推論モデル情報取得部２０５－１を含む。また、本例示的実施形態では、推論モデル学習部２０３－１、及び通信部１６０－１の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
第１の情報処理装置１０ｃ－１は、例示的実施形態５に係る第１の情報処理装置１０ｂ－１と同様の構成に加えて、推論モデル情報取得部２０５－１を含む。また、本例示的実施形態では、推論モデル学習部２０３－１、及び通信部１６０－１の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
【0155】
（推論モデル情報取得部）
推論モデル情報取得部２０５－１は、第１の推論モデルに関する第１の推論モデル情報を取得する。
推論モデル情報取得部２０５－１は、第１の推論モデルに関する第１の推論モデル情報を取得する。
【0156】
（第１の推論モデル情報）
第１の推論モデル情報は、一例として、第１の推論モデルを規定する各種のパラメータを含んでいる。本例示的実施形態では、第１の推論モデル情報には、第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映されている。
第１の推論モデル情報は、一例として、第１の推論モデルを規定する各種のパラメータを含んでいる。本例示的実施形態では、第１の推論モデル情報には、第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映されている。
【0157】
（推論モデル学習部）
推論モデル学習部２０３－１は、第１の推論モデル情報を参照して規定される第１の推論モデルを、データ生成部２０２－１が生成したデータを用いて学習させる。具体的には、推論モデル学習部２０３－１は、データ生成部２０２－１が生成したデータが追加されることにより第１の不均衡データ群における不均衡が解消された第１の均衡データ群を、第１の推論モデルの学習に用いる。
推論モデル学習部２０３－１は、第１の推論モデル情報を参照して規定される第１の推論モデルを、データ生成部２０２－１が生成したデータを用いて学習させる。具体的には、推論モデル学習部２０３－１は、データ生成部２０２－１が生成したデータが追加されることにより第１の不均衡データ群における不均衡が解消された第１の均衡データ群を、第１の推論モデルの学習に用いる。
【0158】
（通信部）
通信部１６０－１は、例示的実施形態５と同様に構成されることに加えて、第３の推論モデル情報をサーバ３０ｃに送信する。
通信部１６０－１は、例示的実施形態５と同様に構成されることに加えて、第３の推論モデル情報をサーバ３０ｃに送信する。
【0159】
（第３の推論モデル情報）
第３の推論モデル情報は、学習後の第１の推論モデルに関する情報であり、例えば、学習後の第１の推論モデルを規定するパラメータを含む。
第３の推論モデル情報は、学習後の第１の推論モデルに関する情報であり、例えば、学習後の第１の推論モデルを規定するパラメータを含む。
【0160】
（第４の推論モデル情報）
第４の推論モデル情報は、学習後の第２の推論モデルに関する情報であり、例えば、学習後の第２の推論モデルを規定するパラメータを含む。
第４の推論モデル情報は、学習後の第２の推論モデルに関する情報であり、例えば、学習後の第２の推論モデルを規定するパラメータを含む。
【0161】
（第２の情報処理装置の構成）
第２の情報処理装置１０ｃ－２は、例示的実施形態５に係る第２の情報処理装置１０ｂ－２と同様の構成に加えて、推論モデル情報取得部２０５－２を含む。第２の情報処理装置１０ｃ－２の構成の詳細については、第１の情報処理装置１０ｃ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｃ－２は、例示的実施形態５に係る第２の情報処理装置１０ｂ－２と同様の構成に加えて、推論モデル情報取得部２０５－２を含む。第２の情報処理装置１０ｃ－２の構成の詳細については、第１の情報処理装置１０ｃ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0162】
（サーバの構成）
サーバ３０ｃは、例示的実施形態５に係るサーバ３０ｂと同様の構成に加えて、推論モデル情報取得部３０３と、推論モデル情報更新部３０４とを含む。また、通信部３６０の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
サーバ３０ｃは、例示的実施形態５に係るサーバ３０ｂと同様の構成に加えて、推論モデル情報取得部３０３と、推論モデル情報更新部３０４とを含む。また、通信部３６０の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
【0163】
（推論モデル情報取得部）
推論モデル情報取得部３０３は、第１の推論モデルに関する第３の推論モデル情報、及び、第２の推論モデルに関する第４の推論モデル情報を取得する。
推論モデル情報取得部３０３は、第１の推論モデルに関する第３の推論モデル情報、及び、第２の推論モデルに関する第４の推論モデル情報を取得する。
【0164】
（推論モデル情報更新部）
推論モデル情報更新部３０４は、第３の推論モデル情報、及び第４の推論モデル情報を参照して、更新後の推論モデル情報を生成する。
推論モデル情報更新部３０４は、第３の推論モデル情報、及び第４の推論モデル情報を参照して、更新後の推論モデル情報を生成する。
【0165】
（更新後の推論モデル情報）
更新後の推論モデル情報には、第３の生成モデル情報及び第４の生成モデル情報が反映されている。
更新後の推論モデル情報には、第３の生成モデル情報及び第４の生成モデル情報が反映されている。
【0166】
（通信部）
通信部３６０は、例示的実施形態５と同様に構成されることに加えて、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。
通信部３６０は、例示的実施形態５と同様に構成されることに加えて、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。
【0167】
＜データ生成モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｃは、図１０に示した情報処理方法Ｓ１ｂを、例示的実施形態５と同様に逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。
以上のように構成された情報処理システム１ｃは、図１０に示した情報処理方法Ｓ１ｂを、例示的実施形態５と同様に逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。
【0168】
＜推論モデルを生成する情報処理方法の流れ＞
情報処理システム１ｃが実行する情報処理方法Ｓ１ｃについて、図１６を参照して説明する。図１６は、情報処理方法Ｓ１ｃの流れを説明するフロー図である。情報処理システム１ｃは、情報処理方法Ｓ１ｃを逐次的に実行することにより、推論モデルを生成する。なお、図１６において、末尾に（ｎ）を含む参照符号は、ｎ回目に実行する情報処理方法Ｓ１ｃの各ステップを示し、末尾に（ｎ＋１）を含む参照符号は、ｎ＋１回目に実行する情報処理方法Ｓ１ｃの各ステップを示している。
情報処理システム１ｃが実行する情報処理方法Ｓ１ｃについて、図１６を参照して説明する。図１６は、情報処理方法Ｓ１ｃの流れを説明するフロー図である。情報処理システム１ｃは、情報処理方法Ｓ１ｃを逐次的に実行することにより、推論モデルを生成する。なお、図１６において、末尾に（ｎ）を含む参照符号は、ｎ回目に実行する情報処理方法Ｓ１ｃの各ステップを示し、末尾に（ｎ＋１）を含む参照符号は、ｎ＋１回目に実行する情報処理方法Ｓ１ｃの各ステップを示している。
【0169】
（ステップＳ２０１－１）
ｎ回目のステップＳ２０１－１において、第１の情報処理装置１０ｃ－１のシードデータ取得部２０１－１は、第１の不均衡データ群における不均衡を解消可能な数だけ、シードデータを取得する。
ｎ回目のステップＳ２０１－１において、第１の情報処理装置１０ｃ－１のシードデータ取得部２０１－１は、第１の不均衡データ群における不均衡を解消可能な数だけ、シードデータを取得する。
【0170】
（ステップＳ２０２－１）
ｎ回目のステップＳ２０２－１において、第１の情報処理装置１０ｃ－１のデータ生成部２０２－１は、各シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。これにより、不均衡を解消可能な数だけ学習用データが生成される。また、データ生成部２０２－１は、生成した学習用データを、第１の不均衡データ群に追加する。これにより、第１の均衡データ群が生成される。
ｎ回目のステップＳ２０２－１において、第１の情報処理装置１０ｃ－１のデータ生成部２０２－１は、各シードデータを第１のデータ生成モデルに入力することにより、少数ラベル種の教師データとなり得る学習用データを生成する。これにより、不均衡を解消可能な数だけ学習用データが生成される。また、データ生成部２０２－１は、生成した学習用データを、第１の不均衡データ群に追加する。これにより、第１の均衡データ群が生成される。
【0171】
（ステップＳ３７０）
ｎ回目のステップＳ３７０において、サーバ３０ｃの通信部３６０は、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。ｎ＝１である場合、配信する推論モデル情報として、事前に定められた情報が適用される。ｎ≧２である場合、配信する推論モデル情報として、ｎ－１回目のステップＳ３０４で更新された「更新後の推論モデル情報」が適用される。ステップＳ３０４については後述する。
ｎ回目のステップＳ３７０において、サーバ３０ｃの通信部３６０は、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。ｎ＝１である場合、配信する推論モデル情報として、事前に定められた情報が適用される。ｎ≧２である場合、配信する推論モデル情報として、ｎ－１回目のステップＳ３０４で更新された「更新後の推論モデル情報」が適用される。ステップＳ３０４については後述する。
【0172】
（ステップＳ２０５－１）
ｎ回目のステップＳ２０５－１において、第１の情報処理装置１０ｃ－１の推論モデル情報取得部２０５－１は、サーバ３０ｃから配信された推論モデル情報を、第１の推論モデル情報として取得する。
ｎ回目のステップＳ２０５－１において、第１の情報処理装置１０ｃ－１の推論モデル情報取得部２０５－１は、サーバ３０ｃから配信された推論モデル情報を、第１の推論モデル情報として取得する。
【0173】
（ステップＳ２０３－１）
ｎ回目のステップＳ２０３－１において、第１の情報処理装置１０ｃ－１の推論モデル学習部２０３－１は、推論モデル情報取得部２０５－１が取得した第１の推論モデル情報を参照して規定される第１の推論モデルを学習させる。学習には、ステップＳ２０２－１で生成した第１の均衡データ群が用いられる。具体的には、データ生成モデル学習部１０３－１は、第１の均衡データ群に含まれる学習用データを用いて第１の推論モデルのパラメータ群を更新する更新処理を、学習が収束するまで、又は、規定回数に達するまで繰り返す。
ｎ回目のステップＳ２０３－１において、第１の情報処理装置１０ｃ－１の推論モデル学習部２０３－１は、推論モデル情報取得部２０５－１が取得した第１の推論モデル情報を参照して規定される第１の推論モデルを学習させる。学習には、ステップＳ２０２－１で生成した第１の均衡データ群が用いられる。具体的には、データ生成モデル学習部１０３－１は、第１の均衡データ群に含まれる学習用データを用いて第１の推論モデルのパラメータ群を更新する更新処理を、学習が収束するまで、又は、規定回数に達するまで繰り返す。
【0174】
（ステップＳ１７０－１）
ｎ回目のステップＳ１７０－１において、第１の情報処理装置１０ｃ－１の通信部１６０－１は、学習後の第１の推論モデルに関する第３の推論モデル情報を、サーバ３０ｃに送信する。
ｎ回目のステップＳ１７０－１において、第１の情報処理装置１０ｃ－１の通信部１６０－１は、学習後の第１の推論モデルに関する第３の推論モデル情報を、サーバ３０ｃに送信する。
【0175】
（ステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ２０３－２、Ｓ１７０－２）
第２の情報処理装置１０ｃ－２は、ｎ回目のステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ２０３－２、Ｓ１７０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｃ－１が実行するステップＳ２０１－１、Ｓ２０２－１、Ｓ２０５－１、Ｓ２０３－１、Ｓ１７０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｃ－２は、ｎ回目のステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ２０３－２、Ｓ１７０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｃ－１が実行するステップＳ２０１－１、Ｓ２０２－１、Ｓ２０５－１、Ｓ２０３－１、Ｓ１７０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0176】
（ステップＳ３０３）
ｎ＋１回目のステップＳ３０３において、サーバ３０ｃの推論モデル情報取得部３０３は、第３の推論モデル情報を、第１の情報処理装置１０ｃ－１から受信することにより取得する。また、推論モデル情報取得部３０３は、第４の推論モデル情報を、第２の情報処理装置１０ｃ－２から受信することにより取得する。
ｎ＋１回目のステップＳ３０３において、サーバ３０ｃの推論モデル情報取得部３０３は、第３の推論モデル情報を、第１の情報処理装置１０ｃ－１から受信することにより取得する。また、推論モデル情報取得部３０３は、第４の推論モデル情報を、第２の情報処理装置１０ｃ－２から受信することにより取得する。
【0177】
（ステップＳ３０４）
ｎ＋１回目のステップＳ３０４において、推論モデル情報更新部３０４は、第３の推論モデル情報、及び第４の推論モデル情報を参照して、更新後の推論モデル情報を生成する。具体的には、推論モデル情報更新部３０４は、第３の推論モデル情報と第４の推論モデル情報との加重平均をとることによって得られる情報を、更新後の推論モデル情報に含める。
ｎ＋１回目のステップＳ３０４において、推論モデル情報更新部３０４は、第３の推論モデル情報、及び第４の推論モデル情報を参照して、更新後の推論モデル情報を生成する。具体的には、推論モデル情報更新部３０４は、第３の推論モデル情報と第４の推論モデル情報との加重平均をとることによって得られる情報を、更新後の推論モデル情報に含める。
【0178】
（ステップＳ３７０）
ｎ＋１回目のステップＳ３７０において、通信部３６０は、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。
ｎ＋１回目のステップＳ３７０において、通信部３６０は、更新後の推論モデル情報を、第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２に配信する。
【0179】
また、第１の情報処理装置１０ｃ－１は、ｎ＋１回目のステップＳ２０１－１、Ｓ２０２－１、Ｓ２０５－１、Ｓ２０３－１、Ｓ１７０－１を実行する。第２の情報処理装置１０ｃ－２は、ｎ＋１回目のステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ２０３－２、Ｓ１７０－２を実行する。その詳細については、ｎ回目の各ステップにおいて説明した通りである。
【0180】
このようにして、情報処理方法Ｓ１ｃを逐次的に実行することにより、第１の情報処理装置１０ｃ－１は、第２の情報処理装置１０ｃ－２が取得又は生成した学習用データを直接的に取得することなく間接的に用いることができ、第１の推論モデルを精度よく効率的に生成することができる。また第２の情報処理装置１０ｃ－２は、第１の情報処理装置１０ｃ－１が取得又は生成した学習用データを直接的に取得することなく間接的に用いることができ、第２の推論モデルをより精度よく効率的に生成することができる。
【0181】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、
第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２の各々が、連合学習により生成したデータ生成モデルを用いて不均衡を解消した均衡データ群を用いて、推論モデルを連合学習させる。
以上のように、本例示的実施形態においては、
第１の情報処理装置１０ｃ－１、及び第２の情報処理装置１０ｃ－２の各々が、連合学習により生成したデータ生成モデルを用いて不均衡を解消した均衡データ群を用いて、推論モデルを連合学習させる。
【0182】
上記の構成によれば、データ生成モデルを用いて不均衡を解消した均衡データ群に含まれる学習用データの数が充分でない場合であっても、他の情報処理装置が生成した均衡データ群に含まれる学習用データを間接的に用いることができる。その結果、他の情報処理装置が生成した均衡データ群を直接的に取得することを避けるべき状況であっても、間接的に参照できる学習データが増加したことで、推論モデルを効率よく生成することができる。
【0183】
〔例示的実施形態７〕
本発明の第７の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～６にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第７の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～６にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0184】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ｄの構成について、図１７を参照して説明する。図１７は、情報処理システム１ｄの構成を示すブロック図である。情報処理システム１ｄは、例示的実施形態６に係る情報処理システム１ｃを、サーバ３０ｃを含まないよう変形した態様である。すなわち、情報処理システム１ｄは、データ生成モデル、及び推論モデルの連合学習を、サーバを介さずに行う。
本例示的実施形態に係る情報処理システム１ｄの構成について、図１７を参照して説明する。図１７は、情報処理システム１ｄの構成を示すブロック図である。情報処理システム１ｄは、例示的実施形態６に係る情報処理システム１ｃを、サーバ３０ｃを含まないよう変形した態様である。すなわち、情報処理システム１ｄは、データ生成モデル、及び推論モデルの連合学習を、サーバを介さずに行う。
【0185】
図１７に示すように、情報処理システム１ｄは、第１の情報処理装置１０ｄ－１、及び第２の情報処理装置１０ｄ－２を含む。第１の情報処理装置１０ｄ－１と、第２の情報処理装置１０ｄ－２とは、ネットワークＮを介して接続される。
【0186】
（第１の情報処理装置の構成）
第１の情報処理装置１０ｄ－１は、例示的実施形態６に係る第１の情報処理装置１０ｃ－１と同様の構成に加えて、モデル情報更新部２６０－１を含む。また、本例示的実施形態では、生成モデル情報取得部１０２－１、データ生成モデル学習部１０３－１、推論モデル情報取得部２０５－１、及び推論モデル学習部２０３－１の構成が、例示的実施形態６と若干異なる。その他の各機能ブロックについては、例示的実施形態６と同様であるため、詳細な説明を繰り返さない。
第１の情報処理装置１０ｄ－１は、例示的実施形態６に係る第１の情報処理装置１０ｃ－１と同様の構成に加えて、モデル情報更新部２６０－１を含む。また、本例示的実施形態では、生成モデル情報取得部１０２－１、データ生成モデル学習部１０３－１、推論モデル情報取得部２０５－１、及び推論モデル学習部２０３－１の構成が、例示的実施形態６と若干異なる。その他の各機能ブロックについては、例示的実施形態６と同様であるため、詳細な説明を繰り返さない。
【0187】
（生成モデル情報取得部）
生成モデル情報取得部１０２－１は、第２の情報処理装置１０ｄ－２から、第４の生成モデル情報を取得する。第４の生成モデル情報は、第２の情報処理装置１０ｄ－２が学習させた学習後の第２のデータ生成モデルに関する情報である。
生成モデル情報取得部１０２－１は、第２の情報処理装置１０ｄ－２から、第４の生成モデル情報を取得する。第４の生成モデル情報は、第２の情報処理装置１０ｄ－２が学習させた学習後の第２のデータ生成モデルに関する情報である。
【0188】
（推論モデル情報取得部）
推論モデル情報取得部２０５－１は、第２の情報処理装置１０ｄ－２から、第４の推論モデル情報を取得する。第４の推論モデル情報は、第２の情報処理装置１０ｄ－２が学習させた学習後の第２の推論モデルに関する情報である。
推論モデル情報取得部２０５－１は、第２の情報処理装置１０ｄ－２から、第４の推論モデル情報を取得する。第４の推論モデル情報は、第２の情報処理装置１０ｄ－２が学習させた学習後の第２の推論モデルに関する情報である。
【0189】
（モデル情報更新部）
モデル情報更新部２０６－１は、第３の生成モデル情報と、第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成する。ここで、第３の生成モデル情報は、データ生成モデル学習部１０３－１が学習させた学習後の第１のデータ生成モデルに関する情報である。
モデル情報更新部２０６－１は、第３の生成モデル情報と、第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成する。ここで、第３の生成モデル情報は、データ生成モデル学習部１０３－１が学習させた学習後の第１のデータ生成モデルに関する情報である。
【0190】
また、モデル情報更新部２０６は、第３の推論モデル情報と、第４の推論モデル情報とを参照して、更新後の推論モデル情報を生成する。ここで、第３の推論モデル情報は、推論モデル学習部２０３－１が学習させた学習後の第１の推論モデルに関する情報である。
【0191】
（データ生成モデル学習部）
データ生成モデル学習部１０３－１は、モデル情報更新部２０６－１が生成した更新後の生成モデル情報によって規定される第１のデータ生成モデルを、第１の不均衡データ群を用いて学習させる。
データ生成モデル学習部１０３－１は、モデル情報更新部２０６－１が生成した更新後の生成モデル情報によって規定される第１のデータ生成モデルを、第１の不均衡データ群を用いて学習させる。
【0192】
（推論モデル学習部）
推論モデル学習部２０３－１は、モデル情報更新部２０６－１が生成した更新後の推論モデル情報によって規定される第１の推論モデルを、第１の均衡データ群を用いて学習させる。
推論モデル学習部２０３－１は、モデル情報更新部２０６－１が生成した更新後の推論モデル情報によって規定される第１の推論モデルを、第１の均衡データ群を用いて学習させる。
【0193】
（通信部）
通信部１６０－１は、第２の情報処理装置１０ｄ－２に対して、第３の生成モデル情報、及び第３の推論モデル情報を送信する。
通信部１６０－１は、第２の情報処理装置１０ｄ－２に対して、第３の生成モデル情報、及び第３の推論モデル情報を送信する。
【0194】
（第２の情報処理装置の構成）
第２の情報処理装置１０ｄ－２は、例示的実施形態６に係る第２の情報処理装置１０ｃ－２と同様の構成に加えて、モデル情報更新部２６０－２を含む。第２の情報処理装置１０ｄ－２の構成の詳細については、第１の情報処理装置１０ｄ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｄ－２は、例示的実施形態６に係る第２の情報処理装置１０ｃ－２と同様の構成に加えて、モデル情報更新部２６０－２を含む。第２の情報処理装置１０ｄ－２の構成の詳細については、第１の情報処理装置１０ｄ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0195】
＜データ生成モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｄは、図１０に示した情報処理方法Ｓ１ｂを変形して逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。具体的には、情報処理方法Ｓ１ｂは、サーバ３０ｂが実行していたステップＳ３０２を、第１の情報処理装置１０ｄ－１、及び第２の情報処理装置１０ｄ－２が代わりに実行するよう変形される。一例として、第１の情報処理装置１０ｄ－１は、ステップＳ１０２－１、及びＳ１０３－１の間に、ステップＳ３０２－１を実行する。変形された情報処理方法Ｓ１ｂについて、以下に説明する。
以上のように構成された情報処理システム１ｄは、図１０に示した情報処理方法Ｓ１ｂを変形して逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。具体的には、情報処理方法Ｓ１ｂは、サーバ３０ｂが実行していたステップＳ３０２を、第１の情報処理装置１０ｄ－１、及び第２の情報処理装置１０ｄ－２が代わりに実行するよう変形される。一例として、第１の情報処理装置１０ｄ－１は、ステップＳ１０２－１、及びＳ１０３－１の間に、ステップＳ３０２－１を実行する。変形された情報処理方法Ｓ１ｂについて、以下に説明する。
【0196】
（ステップＳ１０１－１）
ｎ回目のステップＳ１０１－１は、例示的実施形態５と同様である。
ｎ回目のステップＳ１０１－１は、例示的実施形態５と同様である。
【0197】
（ステップＳ１０２－１）
ｎ回目のステップＳ１０２－１は、ｎ≧２の場合に実行される。ｎ回目のステップＳ１０２－１において、第１の情報処理装置１０ｄ－１の生成モデル情報取得部１０２－１は、第２の情報処理装置１０ｄ－２から、第４の生成モデル情報を取得する。第４の生成モデル情報は、前回（ｎ－１回目）のステップＳ１６０－２において第２の情報処理装置１０ｄ－２から送信される。ｎ＝１の場合、ステップＳ１０２－１の実行は省略される。
ｎ回目のステップＳ１０２－１は、ｎ≧２の場合に実行される。ｎ回目のステップＳ１０２－１において、第１の情報処理装置１０ｄ－１の生成モデル情報取得部１０２－１は、第２の情報処理装置１０ｄ－２から、第４の生成モデル情報を取得する。第４の生成モデル情報は、前回（ｎ－１回目）のステップＳ１６０－２において第２の情報処理装置１０ｄ－２から送信される。ｎ＝１の場合、ステップＳ１０２－１の実行は省略される。
【0198】
（ステップＳ３０２－１）
ｎ回目のステップＳ３０２－１において、第１の情報処理装置１０ｄ－１のモデル情報更新部２０６－１は、第３の生成モデル情報と、第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成する。なお、ｎ≧２の場合、第３の生成モデル情報は、前回（ｎ－１回目）のステップＳ１０３－１において学習後の第１のデータ生成モデルに関する情報である。ｎ＝１の場合、モデル情報更新部２０６－１は、更新後の生成モデル情報として、事前に定められた情報を生成する。
ｎ回目のステップＳ３０２－１において、第１の情報処理装置１０ｄ－１のモデル情報更新部２０６－１は、第３の生成モデル情報と、第４の生成モデル情報とを参照して、更新後の生成モデル情報を生成する。なお、ｎ≧２の場合、第３の生成モデル情報は、前回（ｎ－１回目）のステップＳ１０３－１において学習後の第１のデータ生成モデルに関する情報である。ｎ＝１の場合、モデル情報更新部２０６－１は、更新後の生成モデル情報として、事前に定められた情報を生成する。
【0199】
（ステップＳ１０３－１）
ｎ回目のステップＳ１０３－１において、第１の情報処理装置１０ｄ－１のデータ生成モデル学習部１０３－１は、更新後の生成モデル情報によって規定される第１のデータ生成モデルを、第１の不均衡データ群を用いて学習させる。
ｎ回目のステップＳ１０３－１において、第１の情報処理装置１０ｄ－１のデータ生成モデル学習部１０３－１は、更新後の生成モデル情報によって規定される第１のデータ生成モデルを、第１の不均衡データ群を用いて学習させる。
【0200】
（ステップＳ１６０－１）
ｎ回目のステップＳ１６０－１において、第１の情報処理装置１０ｄ－１の通信部１６０－１は、学習後の第１のデータ生成モデルに関する新たな第３の生成モデル情報を、第２の情報処理装置１０ｄ－２に送信する。
ｎ回目のステップＳ１６０－１において、第１の情報処理装置１０ｄ－１の通信部１６０－１は、学習後の第１のデータ生成モデルに関する新たな第３の生成モデル情報を、第２の情報処理装置１０ｄ－２に送信する。
【0201】
（ステップＳ１０１－２、Ｓ１０２－２、Ｓ３０２－２、Ｓ１０３－２、Ｓ１６０－２）
第２の情報処理装置１０ｄ－２は、ｎ回目のステップＳ１０１－２、Ｓ１０２－２、Ｓ１０３－２、Ｓ１６０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｄ－１が実行するステップＳ１０１－１、Ｓ１０２－１、Ｓ３０２－１、Ｓ１０３－１、Ｓ１６０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｄ－２は、ｎ回目のステップＳ１０１－２、Ｓ１０２－２、Ｓ１０３－２、Ｓ１６０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｄ－１が実行するステップＳ１０１－１、Ｓ１０２－１、Ｓ３０２－１、Ｓ１０３－１、Ｓ１６０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0202】
＜推論モデルを生成する情報処理方法の流れ＞
情報処理システム１ｄは、図１６に示した情報処理方法Ｓ１ｃを変形して逐次的に実行することにより、第１の推論モデル、及び第２の推論モデルを生成する。情報処理方法Ｓ１ｃは、サーバ３０ｃが実行していたステップＳ３０４を、第１の情報処理装置１０ｄ－１、及び第２の情報処理装置１０ｄ－２が代わりに実行するよう変形される。一例として、第１の情報処理装置１０ｄ－１は、ステップＳ２０５－１、及びＳ２０３－１の間に、ステップＳ３０４－１を実行する。変形された情報処理方法Ｓ１ｃについて、以下に説明する。
情報処理システム１ｄは、図１６に示した情報処理方法Ｓ１ｃを変形して逐次的に実行することにより、第１の推論モデル、及び第２の推論モデルを生成する。情報処理方法Ｓ１ｃは、サーバ３０ｃが実行していたステップＳ３０４を、第１の情報処理装置１０ｄ－１、及び第２の情報処理装置１０ｄ－２が代わりに実行するよう変形される。一例として、第１の情報処理装置１０ｄ－１は、ステップＳ２０５－１、及びＳ２０３－１の間に、ステップＳ３０４－１を実行する。変形された情報処理方法Ｓ１ｃについて、以下に説明する。
【0203】
（ステップＳ２０１－１～Ｓ２０２－１）
ｎ回目のステップＳ２０１－１～Ｓ２０２－１は、例示的実施形態６と同様である。
ｎ回目のステップＳ２０１－１～Ｓ２０２－１は、例示的実施形態６と同様である。
【0204】
（ステップＳ２０５－１）
ｎ回目のステップＳ２０５－１は、ｎ≧２の場合に実行される。ｎ回目のステップＳ２０５－１において、第１の情報処理装置１０ｄ－１の推論モデル情報取得部２０５－１は、第２の情報処理装置１０ｄ－２から、第４の推論モデル情報を取得する。第４の推論モデル情報は、前回（ｎ－１回目）のステップＳ１７０－２において第２の情報処理装置１０ｄ－２から送信される。ｎ＝１の場合、ステップＳ２０５－１の実行は省略される。
ｎ回目のステップＳ２０５－１は、ｎ≧２の場合に実行される。ｎ回目のステップＳ２０５－１において、第１の情報処理装置１０ｄ－１の推論モデル情報取得部２０５－１は、第２の情報処理装置１０ｄ－２から、第４の推論モデル情報を取得する。第４の推論モデル情報は、前回（ｎ－１回目）のステップＳ１７０－２において第２の情報処理装置１０ｄ－２から送信される。ｎ＝１の場合、ステップＳ２０５－１の実行は省略される。
【0205】
（ステップＳ３０４－１）
ｎ回目のステップＳ３０４－１において、第１の情報処理装置１０ｄ－１のモデル情報更新部２０６－１は、第３の推論モデル情報と、第４の推論モデル情報とを参照して、更新後の推論モデル情報を生成する。なお、ｎ≧２の場合、第３の推論モデル情報は、前回（ｎ－１回目）のステップＳ２０３－１において学習後の第１の推論モデルに関する情報である。ｎ＝１の場合、モデル情報更新部２０６－１は、更新後の推論モデル情報として、事前に定められた情報を生成する。
ｎ回目のステップＳ３０４－１において、第１の情報処理装置１０ｄ－１のモデル情報更新部２０６－１は、第３の推論モデル情報と、第４の推論モデル情報とを参照して、更新後の推論モデル情報を生成する。なお、ｎ≧２の場合、第３の推論モデル情報は、前回（ｎ－１回目）のステップＳ２０３－１において学習後の第１の推論モデルに関する情報である。ｎ＝１の場合、モデル情報更新部２０６－１は、更新後の推論モデル情報として、事前に定められた情報を生成する。
【0206】
（ステップＳ２０３－１）
ｎ回目のステップＳ２０３－１において、第１の情報処理装置１０ｄ－１の推論モデル学習部２０３－１は、更新後の推論モデル情報によって規定される第１の推論モデルを、第１の均衡データ群を用いて学習させる。
ｎ回目のステップＳ２０３－１において、第１の情報処理装置１０ｄ－１の推論モデル学習部２０３－１は、更新後の推論モデル情報によって規定される第１の推論モデルを、第１の均衡データ群を用いて学習させる。
【0207】
（ステップＳ１７０－１）
ｎ回目のステップＳ１７０－１において、第１の情報処理装置１０ｄ－１の通信部１６０－１は、学習後の第１の推論モデルに関する新たな第３の推論モデル情報を、第２の情報処理装置１０ｄ－２に送信する。
ｎ回目のステップＳ１７０－１において、第１の情報処理装置１０ｄ－１の通信部１６０－１は、学習後の第１の推論モデルに関する新たな第３の推論モデル情報を、第２の情報処理装置１０ｄ－２に送信する。
【0208】
（ステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ３０４－２、Ｓ２０３－２、Ｓ１７０－２）
第２の情報処理装置１０ｄ－２は、ｎ回目のステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ３０４－２、Ｓ２０３－２、Ｓ１７０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｄ－１が実行するステップＳ２０１－１、Ｓ２０２－１、Ｓ２０５－１、Ｓ３０４－１、Ｓ２０３－１、Ｓ１７０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
第２の情報処理装置１０ｄ－２は、ｎ回目のステップＳ２０１－２、Ｓ２０２－２、Ｓ２０５－２、Ｓ３０４－２、Ｓ２０３－２、Ｓ１７０－２を実行する。これらのステップの詳細については、第１の情報処理装置１０ｄ－１が実行するステップＳ２０１－１、Ｓ２０２－１、Ｓ２０５－１、Ｓ３０４－１、Ｓ２０３－１、Ｓ１７０－１の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。
【0209】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態の第１の情報処理装置１０ｄ－１においては、
学習後の第２のデータ生成モデルに関する第４の生成モデル情報を他の情報処理装置から受信し、
自装置において学習後の第１のデータ生成モデルに関する第３の生成モデル情報と、第４の生成モデル情報とを参照して更新後の生成モデル情報を生成し、
当該第３の生成モデル情報を、他の情報処理装置に送信する、
という構成が採用されている。
以上のように、本例示的実施形態の第１の情報処理装置１０ｄ－１においては、
学習後の第２のデータ生成モデルに関する第４の生成モデル情報を他の情報処理装置から受信し、
自装置において学習後の第１のデータ生成モデルに関する第３の生成モデル情報と、第４の生成モデル情報とを参照して更新後の生成モデル情報を生成し、
当該第３の生成モデル情報を、他の情報処理装置に送信する、
という構成が採用されている。
【0210】
上記構成によれば、サーバを必要とせずに、例示的実施形態５、及び例示的実施形態６と同様の効果を奏する。なお、本例示的実施形態は、他の情報処理装置から第４の生成モデル情報、及び第４の推論モデル情報を取得する。このため、本例示的実施形態は、複数の情報処理装置間で互いが有する情報を共有することの問題が少ない状況において好適である。
【0211】
〔例示的実施形態８〕
本発明の第８の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～７にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第８の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～７にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0212】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ｅの構成について、図１８を参照して説明する。図１８は、情報処理システム１ｅの構成を示すブロック図である。情報処理システム１ｅは、例示的実施形態６におけるサーバ３０ｃの機能を分散して実現した態様である。
本例示的実施形態に係る情報処理システム１ｅの構成について、図１８を参照して説明する。図１８は、情報処理システム１ｅの構成を示すブロック図である。情報処理システム１ｅは、例示的実施形態６におけるサーバ３０ｃの機能を分散して実現した態様である。
【0213】
図１８に示すように、情報処理システム１ｅは、第１の情報処理装置１０ｅ－１、第２の情報処理装置１０ｅ－２、第１のサーバ３０ｅ、及び第２のサーバ４０ｅを含む。第１の情報処理装置１０ｅ－１と、第２の情報処理装置１０ｅ－２と、第１のサーバ３０ｅと、第２のサーバ４０ｅとは、ネットワークＮを介して接続される。
【0214】
（第１の情報処理装置の構成）
第１の情報処理装置１０ｅ－１は、例示的実施形態６に係る第１の情報処理装置１０ｃ－１とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報取得部１０２－１、推論モデル情報取得部２０５－１、及び通信部１６０－１の構成が、例示的実施形態６と若干異なる。その他の各機能ブロックについては、例示的実施形態６と同様であるため、詳細な説明を繰り返さない。
第１の情報処理装置１０ｅ－１は、例示的実施形態６に係る第１の情報処理装置１０ｃ－１とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報取得部１０２－１、推論モデル情報取得部２０５－１、及び通信部１６０－１の構成が、例示的実施形態６と若干異なる。その他の各機能ブロックについては、例示的実施形態６と同様であるため、詳細な説明を繰り返さない。
【0215】
（生成モデル情報取得部）
生成モデル情報取得部１０２－１は、例示的実施形態６とほぼ同様に構成されるが、取得する第１の生成モデル情報の配信元が、第１のサーバ３０ｅである点が異なる。
生成モデル情報取得部１０２－１は、例示的実施形態６とほぼ同様に構成されるが、取得する第１の生成モデル情報の配信元が、第１のサーバ３０ｅである点が異なる。
【0216】
（推論モデル情報取得部）
推論モデル情報取得部２０５－１は、例示的実施形態６とほぼ同様に構成されるが、取得する第１の推論モデル情報の配信元が、第２のサーバ４０ｅである点が異なる。
推論モデル情報取得部２０５－１は、例示的実施形態６とほぼ同様に構成されるが、取得する第１の推論モデル情報の配信元が、第２のサーバ４０ｅである点が異なる。
【0217】
（通信部）
通信部１６０－１は、例示的実施形態６とほぼ同様に構成されるが、第３の生成モデル情報の送信先が、第１のサーバ３０ｅである点が異なる。また、第３の推論モデル情報の送信先が、第２のサーバ４０ｅである点が異なる。
通信部１６０－１は、例示的実施形態６とほぼ同様に構成されるが、第３の生成モデル情報の送信先が、第１のサーバ３０ｅである点が異なる。また、第３の推論モデル情報の送信先が、第２のサーバ４０ｅである点が異なる。
【0218】
（第２の情報処理装置の構成）
第２の情報処理装置１０ｅ－２は、例示的実施形態６に係る第２の情報処理装置１０ｃ－２とほぼ同様に構成される。第２の情報処理装置１０ｅ－２の構成の詳細については、第１の情報処理装置１０ｅ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。ただし、「第１のサーバ」及び「第２のサーバ」は互いに読み替えない。
第２の情報処理装置１０ｅ－２は、例示的実施形態６に係る第２の情報処理装置１０ｃ－２とほぼ同様に構成される。第２の情報処理装置１０ｅ－２の構成の詳細については、第１の情報処理装置１０ｅ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。ただし、「第１のサーバ」及び「第２のサーバ」は互いに読み替えない。
【0219】
（第１のサーバの構成）
第１のサーバ３０ｅは、データ生成モデルの連合学習におけるサーバとして機能する。第１のサーバ３０ｅは、例示的実施形態６に係るサーバ３０ｃに含まれる機能ブロックのうち、生成モデル情報取得部３０１と、生成モデル情報更新部３０２と、通信部３６０とを有する。これらの各機能ブロックの詳細は、例示的実施形態６と同様である。
第１のサーバ３０ｅは、データ生成モデルの連合学習におけるサーバとして機能する。第１のサーバ３０ｅは、例示的実施形態６に係るサーバ３０ｃに含まれる機能ブロックのうち、生成モデル情報取得部３０１と、生成モデル情報更新部３０２と、通信部３６０とを有する。これらの各機能ブロックの詳細は、例示的実施形態６と同様である。
【0220】
（第２のサーバの構成）
第２のサーバ４０ｅは、推論モデルの連合学習におけるサーバとして機能する。第２のサーバ４０ｅは、第１のサーバ３０ｅとは異なる装置である。第２のサーバ４０ｅは、例示的実施形態６に係るサーバ３０ｃに含まれる機能ブロックのうち、推論モデル情報取得部３０３と、推論モデル情報更新部３０４と、通信部４６０とを有する。これらの各機能ブロックの詳細は、例示的実施形態６と同様である。
第２のサーバ４０ｅは、推論モデルの連合学習におけるサーバとして機能する。第２のサーバ４０ｅは、第１のサーバ３０ｅとは異なる装置である。第２のサーバ４０ｅは、例示的実施形態６に係るサーバ３０ｃに含まれる機能ブロックのうち、推論モデル情報取得部３０３と、推論モデル情報更新部３０４と、通信部４６０とを有する。これらの各機能ブロックの詳細は、例示的実施形態６と同様である。
【0221】
＜データ生成モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｅは、例示的実施形態５と同様に、図１０に示した情報処理方法Ｓ１ｂを逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。ただし、本例示的実施形態では、情報処理方法Ｓ１ｂにおいてサーバ３０ｂが実行する各ステップを、第１のサーバ３０ｅが実行する。
以上のように構成された情報処理システム１ｅは、例示的実施形態５と同様に、図１０に示した情報処理方法Ｓ１ｂを逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。ただし、本例示的実施形態では、情報処理方法Ｓ１ｂにおいてサーバ３０ｂが実行する各ステップを、第１のサーバ３０ｅが実行する。
【0222】
＜推論モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｅは、例示的実施形態６と同様に、図１６に示した情報処理方法Ｓ１ｃを逐次的に実行することにより、第１の推論モデル、及び第２の推論モデルを生成する。ただし、本例示的実施形態では、情報処理方法Ｓ１ｃにおいてサーバ３０ｃが実行する各ステップを、第２のサーバ４０ｅが実行する。
以上のように構成された情報処理システム１ｅは、例示的実施形態６と同様に、図１６に示した情報処理方法Ｓ１ｃを逐次的に実行することにより、第１の推論モデル、及び第２の推論モデルを生成する。ただし、本例示的実施形態では、情報処理方法Ｓ１ｃにおいてサーバ３０ｃが実行する各ステップを、第２のサーバ４０ｅが実行する。
【0223】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、
データ生成モデルの連合学習を行うサーバと、不均衡を解消した均衡データ群を用いて推論モデルの連合学習を行うサーバとを、互いに異なる装置により実現する、
という構成が採用されている。
以上のように、本例示的実施形態においては、
データ生成モデルの連合学習を行うサーバと、不均衡を解消した均衡データ群を用いて推論モデルの連合学習を行うサーバとを、互いに異なる装置により実現する、
という構成が採用されている。
【0224】
上記の構成によれば、例示的実施形態６と同様の効果を奏するために必要なサーバの負荷を分散することができる。また、各サーバとして、それぞれの負荷に適した装置を適用することができる。例えば、第１の情報処理装置１０ｅ－１、及び第２の情報処理装置１０ｅ－２を含む複数の情報処理装置が、データ生成モデルの連合学習、及び推論モデルの連合学習に参加するケースが考えられる。このようなケースでは、データ生成モデルの連合学習に参加する情報処理装置の数と、推論モデルの連合学習に参加する情報処理装置の数とが大きく異なる可能性がある。この場合、第１のサーバ３０ｅと第２のサーバ４０ｅとの負荷が大きく異なることが想定される。このような場合、第１のサーバ３０ｅと第２のサーバ４０ｅとして、それぞれの負荷に適した装置を適用することができる。
【0225】
〔例示的実施形態９〕
本発明の第９の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～８にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第９の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～８にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0226】
＜情報処理システムの構成＞
本例示的実施形態に係る情報処理システム１ｆの構成について、図１９を参照して説明する。図１９は、情報処理システム１ｆの構成を示すブロック図である。情報処理システム１ｆは、例示的実施形態５に係る情報処理システム１ｂにおけるサーバ３０ｂの機能を、分散して実現した態様である。ここで、例示的実施形態５は、連合学習のクライアント（第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２）間で、互いに他の情報処理装置が取得・生成した情報を直接的に参照することを避けるべき状況に考慮した形態の一例であった。本例示的実施形態は、これを変形することにより、連合学習において各クライアントが取得・生成した情報をサーバが直接的に参照することを避けるべき状況をさらに考慮した形態の一例を実現する。
本例示的実施形態に係る情報処理システム１ｆの構成について、図１９を参照して説明する。図１９は、情報処理システム１ｆの構成を示すブロック図である。情報処理システム１ｆは、例示的実施形態５に係る情報処理システム１ｂにおけるサーバ３０ｂの機能を、分散して実現した態様である。ここで、例示的実施形態５は、連合学習のクライアント（第１の情報処理装置１０ｂ－１、及び第２の情報処理装置１０ｂ－２）間で、互いに他の情報処理装置が取得・生成した情報を直接的に参照することを避けるべき状況に考慮した形態の一例であった。本例示的実施形態は、これを変形することにより、連合学習において各クライアントが取得・生成した情報をサーバが直接的に参照することを避けるべき状況をさらに考慮した形態の一例を実現する。
【0227】
図１９に示すように、情報処理システム１ｆは、第１の情報処理装置１０ｆ－１、第２の情報処理装置１０ｆ－２、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３を含む。第１の情報処理装置１０ｆ－１と、第２の情報処理装置１０ｆ－２と、第１のサーバ３０ｆ－１と、第２のサーバ３０ｆ－２と、第３のサーバ３０ｆ－３とは、ネットワークＮを介して接続される。
【0228】
（生成モデル情報のデータ片）
本例示的実施形態では、連合学習のクライアント（第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２）と、サーバ（第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３）との間で、生成モデル情報から生成されたデータ片を送受信する。
本例示的実施形態では、連合学習のクライアント（第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２）と、サーバ（第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３）との間で、生成モデル情報から生成されたデータ片を送受信する。
【0229】
ここでは、生成モデル情報から３つのデータ片Ａと、データ片Ｂと、データ片Ｃとが生成されるものとして説明するが、データ片の個数は、これに限定されない。データ片Ａと、データ片Ｂと、データ片Ｃとは、互いに異なる情報であり、生成モデル情報を生成するための情報である。データ片Ａ、データ片Ｂ、及びデータ片Ｃは、それぞれ単体もしくは２つを参照しても生成モデル情報を復元できるものではないが、全てを参照することにより生成モデル情報を生成可能な情報である。例えば、データ片Ａ～Ｃは、生成モデル情報が、その総和が変わらないようにランダムに３つに分割されたデータ片であってもよい。
【0230】
（データ片を用いた連合学習の概要）
各クライアントは、自装置で学習させた生成モデルに関する生成モデル情報からデータ片Ａ～Ｃを生成し、各サーバに分散して送信する。各サーバは、１つのクライアントからデータ片Ａ、データ片Ｂ、及びデータ片Ｃの全てを受信することはないため、元の生成モデル情報を直接的に参照することはできない。各サーバは、各クライアントから受信したデータ片Ａ（又は、データ片Ｂ、データ片Ｃ）を統合して統合後のデータ片Ａ（又は、データ片Ｂ、データ片Ｃ）を生成する。各クライアントは、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃの全てを、２以上のサーバから取得することが可能である。各クライアントは、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを参照して、更新後の生成モデル情報を復元することができる。
各クライアントは、自装置で学習させた生成モデルに関する生成モデル情報からデータ片Ａ～Ｃを生成し、各サーバに分散して送信する。各サーバは、１つのクライアントからデータ片Ａ、データ片Ｂ、及びデータ片Ｃの全てを受信することはないため、元の生成モデル情報を直接的に参照することはできない。各サーバは、各クライアントから受信したデータ片Ａ（又は、データ片Ｂ、データ片Ｃ）を統合して統合後のデータ片Ａ（又は、データ片Ｂ、データ片Ｃ）を生成する。各クライアントは、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃの全てを、２以上のサーバから取得することが可能である。各クライアントは、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを参照して、更新後の生成モデル情報を復元することができる。
【0231】
（第１の情報処理装置の構成）
第１の情報処理装置１０ｆ－１は、例示的実施形態５に係る第１の情報処理装置１０ｂ－１とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報取得部１０２－１、及び通信部１６０－１の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
第１の情報処理装置１０ｆ－１は、例示的実施形態５に係る第１の情報処理装置１０ｂ－１とほぼ同様に構成される。ただし、本例示的実施形態では、生成モデル情報取得部１０２－１、及び通信部１６０－１の構成が、例示的実施形態５と若干異なる。その他の各機能ブロックについては、例示的実施形態５と同様であるため、詳細な説明を繰り返さない。
【0232】
（通信部）
通信部１６０－１は、更新後の第１のデータ生成モデルに関する第３の生成モデル情報から、第３のデータ片Ａ～Ｃを生成する。また、通信部１６０－１は、第３のデータ片Ａ、Ｂを、第１のサーバ３０ｆ－１に送信する。また、通信部１６０－１は、第３のデータ片Ｂ、Ｃを第２のサーバ３０ｆ－２に送信する。また、通信部１６０－１は、第３のデータ片Ｃ、Ａを第３のサーバ３０ｆ－３に送信する。第３のデータ片Ａ～Ｃは、各サーバにおいて「第１のデータ片Ａ～Ｃ」として適用される。
通信部１６０－１は、更新後の第１のデータ生成モデルに関する第３の生成モデル情報から、第３のデータ片Ａ～Ｃを生成する。また、通信部１６０－１は、第３のデータ片Ａ、Ｂを、第１のサーバ３０ｆ－１に送信する。また、通信部１６０－１は、第３のデータ片Ｂ、Ｃを第２のサーバ３０ｆ－２に送信する。また、通信部１６０－１は、第３のデータ片Ｃ、Ａを第３のサーバ３０ｆ－３に送信する。第３のデータ片Ａ～Ｃは、各サーバにおいて「第１のデータ片Ａ～Ｃ」として適用される。
【0233】
（生成モデル情報取得部）
生成モデル情報取得部１０２－１は、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３のうち少なくとも２つから受信することにより取得する。また、生成モデル情報取得部１０２－１は、これらの統合後のデータ片Ａ、統合後のデータ片Ｂ、及び、統合後のデータ片Ｃを参照して、更新後の第１の生成モデル情報を生成する。ここでは、統合後のデータ片Ａとは、第１のデータ片Ａ、及び第２のデータ片Ａの和である。また、統合後のデータ片Ｂとは、第１のデータ片Ｂ、及び第２のデータ片Ｂの和である。また、統合後のデータ片Ｃとは、第１のデータ片Ｃ、及び第２のデータ片Ｃの和である。生成モデル情報取得部１０２－１は、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃの総和を情報処理装置１０の総数（ここでは、２）で除することにより、第１のデータ片Ａ～Ｃの総和（すなわち、第１の生成モデル情報）と、第２のデータ片Ａ～Ｃの総和（すなわち、第２の生成モデル情報）との平均を得る。また、生成モデル情報取得部１０２－１は、これらの平均を、更新後の第１の生成モデル情報とする。更新後の第１の生成モデル情報には、第２のデータ片Ａ～Ｃ（すなわち、第２の生成モデル情報）が反映されている。
生成モデル情報取得部１０２－１は、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３のうち少なくとも２つから受信することにより取得する。また、生成モデル情報取得部１０２－１は、これらの統合後のデータ片Ａ、統合後のデータ片Ｂ、及び、統合後のデータ片Ｃを参照して、更新後の第１の生成モデル情報を生成する。ここでは、統合後のデータ片Ａとは、第１のデータ片Ａ、及び第２のデータ片Ａの和である。また、統合後のデータ片Ｂとは、第１のデータ片Ｂ、及び第２のデータ片Ｂの和である。また、統合後のデータ片Ｃとは、第１のデータ片Ｃ、及び第２のデータ片Ｃの和である。生成モデル情報取得部１０２－１は、統合後のデータ片Ａ、統合後のデータ片Ｂ、及び統合後のデータ片Ｃの総和を情報処理装置１０の総数（ここでは、２）で除することにより、第１のデータ片Ａ～Ｃの総和（すなわち、第１の生成モデル情報）と、第２のデータ片Ａ～Ｃの総和（すなわち、第２の生成モデル情報）との平均を得る。また、生成モデル情報取得部１０２－１は、これらの平均を、更新後の第１の生成モデル情報とする。更新後の第１の生成モデル情報には、第２のデータ片Ａ～Ｃ（すなわち、第２の生成モデル情報）が反映されている。
【0234】
（第２の情報処理装置の構成）
第２の情報処理装置１０ｆ－２は、例示的実施形態５に係る第２の情報処理装置１０ｂ－２とほぼ同様に構成される。例示的実施形態５と異なる点の詳細については、第１の情報処理装置１０ｆ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。ただし、「第１のサーバ」、「第２のサーバ」及び「第３のサーバ」は互いに読み替えない。
第２の情報処理装置１０ｆ－２は、例示的実施形態５に係る第２の情報処理装置１０ｂ－２とほぼ同様に構成される。例示的実施形態５と異なる点の詳細については、第１の情報処理装置１０ｆ－１の構成の説明において、各参照符号の末尾の「１」及び「２」を互いに読み替え、「第１」及び「第２」を互いに読み替え、「第３」及び「第４」を互いに読み替えることにより、同様に説明される。ただし、「第１のサーバ」、「第２のサーバ」及び「第３のサーバ」は互いに読み替えない。
【0235】
（第１のサーバの構成）
第１のサーバ３０ｆ－１は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第１のサーバ３０ｆ－１は、制御部３５０－１と、通信部３６０－１とを含む。制御部３５０－１は、生成モデル情報取得部３０１－１と、生成モデル情報更新部３０２－１とを含む。
第１のサーバ３０ｆ－１は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第１のサーバ３０ｆ－１は、制御部３５０－１と、通信部３６０－１とを含む。制御部３５０－１は、生成モデル情報取得部３０１－１と、生成モデル情報更新部３０２－１とを含む。
【0236】
（生成モデル情報習得部）
生成モデル情報取得部３０１－１は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ａ、Ｂを受信する。また、生成モデル情報取得部３０１－１は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ａ、Ｂを受信する。
生成モデル情報取得部３０１－１は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ａ、Ｂを受信する。また、生成モデル情報取得部３０１－１は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ａ、Ｂを受信する。
【0237】
（生成モデル情報更新部）
生成モデル情報更新部３０２－１は、第１のデータ片Ａと、第２のデータ片Ａとを統合して、統合後のデータ片Ａを生成する。また、生成モデル情報更新部３０２－１は、第１のデータ片Ｂと、第２のデータ片Ｂとを統合して、統合後のデータ片Ｂを生成する。前述したように、ここでは、統合後のデータ片Ａ（又は、データ片Ｂ）として、第１のデータ片Ａ（又は、データ片Ｂ）と、第２のデータ片Ａ（又は、データ片Ｂ）との和を適用する。
生成モデル情報更新部３０２－１は、第１のデータ片Ａと、第２のデータ片Ａとを統合して、統合後のデータ片Ａを生成する。また、生成モデル情報更新部３０２－１は、第１のデータ片Ｂと、第２のデータ片Ｂとを統合して、統合後のデータ片Ｂを生成する。前述したように、ここでは、統合後のデータ片Ａ（又は、データ片Ｂ）として、第１のデータ片Ａ（又は、データ片Ｂ）と、第２のデータ片Ａ（又は、データ片Ｂ）との和を適用する。
【0238】
（通信部）
通信部３６０－１は、統合後のデータ片Ａ、及び統合後のデータ片Ｂを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
通信部３６０－１は、統合後のデータ片Ａ、及び統合後のデータ片Ｂを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
【0239】
（第２のサーバの構成）
第２のサーバ３０ｆ－２は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第２のサーバ３０ｆ－２は、制御部３５０－２と、通信部３６０－２とを含む。制御部３５０－２は、生成モデル情報取得部３０１－２と、生成モデル情報更新部３０２－２とを含む。
第２のサーバ３０ｆ－２は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第２のサーバ３０ｆ－２は、制御部３５０－２と、通信部３６０－２とを含む。制御部３５０－２は、生成モデル情報取得部３０１－２と、生成モデル情報更新部３０２－２とを含む。
【0240】
（生成モデル情報習得部）
生成モデル情報取得部３０１－２は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ｂ、Ｃを受信する。また、生成モデル情報取得部３０１－２は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ｂ、Ｃを受信する。
生成モデル情報取得部３０１－２は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ｂ、Ｃを受信する。また、生成モデル情報取得部３０１－２は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ｂ、Ｃを受信する。
【0241】
（生成モデル情報更新部）
生成モデル情報更新部３０２－２は、第１のデータ片Ｂと、第２のデータ片Ｂとを統合して、統合後のデータ片Ｂを生成する。また、生成モデル情報更新部３０２－２は、第１のデータ片Ｃと、第２のデータ片Ｃとを統合して、統合後のデータ片Ｃを生成する。前述したように、ここでは、統合後のデータ片Ｂ（又は、データ片Ｃ）として、第１のデータ片Ｂ（又は、データ片Ｃ）と、第２のデータ片Ｂ（又は、データ片Ｃ）との和を適用する。
生成モデル情報更新部３０２－２は、第１のデータ片Ｂと、第２のデータ片Ｂとを統合して、統合後のデータ片Ｂを生成する。また、生成モデル情報更新部３０２－２は、第１のデータ片Ｃと、第２のデータ片Ｃとを統合して、統合後のデータ片Ｃを生成する。前述したように、ここでは、統合後のデータ片Ｂ（又は、データ片Ｃ）として、第１のデータ片Ｂ（又は、データ片Ｃ）と、第２のデータ片Ｂ（又は、データ片Ｃ）との和を適用する。
【0242】
（通信部）
通信部３６０－２は、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
通信部３６０－２は、統合後のデータ片Ｂ、及び統合後のデータ片Ｃを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
【0243】
（第３のサーバの構成）
第３のサーバ３０ｆ－３は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第３のサーバ３０ｆ－３は、制御部３５０－３と、通信部３６０－３とを含む。制御部３５０－３は、生成モデル情報取得部３０１－３と、生成モデル情報更新部３０２－３とを含む。
第３のサーバ３０ｆ－３は、データ生成モデルの連合学習における複数の分散サーバの１つとして機能する。第３のサーバ３０ｆ－３は、制御部３５０－３と、通信部３６０－３とを含む。制御部３５０－３は、生成モデル情報取得部３０１－３と、生成モデル情報更新部３０２－３とを含む。
【0244】
（生成モデル情報習得部）
生成モデル情報取得部３０１－３は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ｃ、Ａを受信する。また、生成モデル情報取得部３０１－３は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ｃ、Ａを受信する。
生成モデル情報取得部３０１－３は、第１の情報処理装置１０ｆ－１から、第１のデータ片Ｃ、Ａを受信する。また、生成モデル情報取得部３０１－３は、第２の情報処理装置１０ｆ－２から、第２のデータ片Ｃ、Ａを受信する。
【0245】
（生成モデル情報更新部）
生成モデル情報更新部３０２－３は、第１のデータ片Ｃと、第２のデータ片Ｃとを参照して、統合後のデータ片Ｃを生成する。また、生成モデル情報更新部３０２－３は、第１のデータ片Ａと、第２のデータ片Ａとを統合して、統合後のデータ片Ａを生成する。前述したように、ここでは、統合後のデータ片Ｃ（又は、データ片Ａ）として、第１のデータ片Ｃ（又は、データ片Ａ）と、第２のデータ片Ｃ（又は、データ片Ａ）との和を適用する。
生成モデル情報更新部３０２－３は、第１のデータ片Ｃと、第２のデータ片Ｃとを参照して、統合後のデータ片Ｃを生成する。また、生成モデル情報更新部３０２－３は、第１のデータ片Ａと、第２のデータ片Ａとを統合して、統合後のデータ片Ａを生成する。前述したように、ここでは、統合後のデータ片Ｃ（又は、データ片Ａ）として、第１のデータ片Ｃ（又は、データ片Ａ）と、第２のデータ片Ｃ（又は、データ片Ａ）との和を適用する。
【0246】
（通信部）
通信部３６０－３は、統合後のデータ片Ｃ、及び統合後のデータ片Ａを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
通信部３６０－３は、統合後のデータ片Ｃ、及び統合後のデータ片Ａを、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２の一方または両方からの要求に応じて配信する。
【0247】
＜データ生成モデルを生成する情報処理方法の流れ＞
以上のように構成された情報処理システム１ｆは、図１０に示した情報処理方法Ｓ１ｂを変形し、逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。
以上のように構成された情報処理システム１ｆは、図１０に示した情報処理方法Ｓ１ｂを変形し、逐次的に実行することにより、第１のデータ生成モデル、及び第２のデータ生成モデルを生成する。
【0248】
具体的には、情報処理方法Ｓ１ｂは、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３が、それぞれ、ステップＳ３０１、Ｓ３０２、Ｓ３６０を実行するように変形される。また、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３のこれらの各ステップにおける動作は、図１０のステップＳ３０１、Ｓ３０２、Ｓ３６０の説明において、「第３の生成モデル情報」を「第１のデータ片」と読み替え、「第４の生成モデル情報」を「第２のデータ片」と読み替え、「更新後の生成モデル情報」を「統合後のデータ片」と読み替えることにより同様に説明される。また、情報処理方法Ｓ１ｂにおいて、ステップＳ１０２－１の動作は、統合後のデータ片Ａ～Ｃを参照して第１の生成モデル情報を生成するよう変形される。また、ステップＳ１６０－１の動作は、第３の生成モデル情報から生成した第３のデータ片Ａ～Ｃのうち２つずつを、異なるサーバ（第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３）に送信するよう変形される。また、ステップＳ１６０－２の動作は、第４の生成モデル情報から生成した第４のデータ片Ａ～Ｃのうち２つずつを、異なるサーバ（第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３）に送信するよう変形される。
【0249】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、
データ生成モデルの連合学習を行うサーバを、複数の互いに異なる装置に分散して実現する、
という構成が採用されている。
以上のように、本例示的実施形態においては、
データ生成モデルの連合学習を行うサーバを、複数の互いに異なる装置に分散して実現する、
という構成が採用されている。
【0250】
ここで、例えばプライバシーへの配慮等のために、連合学習におけるサーバ自体も各情報処理装置が有する情報を取得することが難しいケースがある。この場合、第３の生成モデル情報、及び第４の生成モデル情報をサーバが直接的に取得することは好ましくない可能性がある。上記の構成によれば、第１のサーバ３０ｆ－１、第２のサーバ３０ｆ－２、及び第３のサーバ３０ｆ－３は、学習後の第１の生成モデルに関する情報、及び学習後の第２の生成モデルに関する情報を直接的に取得することがない。一方で、第１の情報処理装置１０ｆ－１、及び第２の情報処理装置１０ｆ－２は、学習後の第１の生成モデルに関する情報、及び学習後の第２の生成モデルに関する情報が反映された更新後の生成モデル情報を、各サーバから受信した情報を参照して生成することができる。したがって、例示的実施形態５と同様の効果を奏することができる。
【0251】
なお、本例示的実施形態では、例示的実施形態５におけるサーバ３０ｂの機能を、３つのサーバに分散して実現する例について説明した。これに限らず、サーバ３０ｂの機能を、４つ以上のサーバに分散して実現してもよい。その場合、第１の情報処理装置１０ｆ－１、第２の情報処理装置１０ｆ－２は、それぞれ、学習後のデータ生成モデルに関する生成モデル情報を参照して、４以上のデータ片Ａ、Ｂ、Ｃ、…を生成し、そのうち一部分ずつを各サーバに分散して送信すればよい。
【0252】
なお、本例示的実施形態に係る情報処理システム１ｆが行う生成モデル情報の分割及び復元手法は、一例として、マルチパーティ計算とも呼称されるものであるが、当該文言によって本例示的実施形態が限定されるものではない。
【0253】
〔例示的実施形態１０〕
本発明の第１０の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、例示的実施形態５～９の何れかに係る第１の情報処理装置（１０ｂ－１、１０ｃ－１、１０ｄ－１、１０ｅ－１、１０ｆ－１）、及び第２の情報処理装置（１０ｂ－２、１０ｃ－２、１０ｄ－２、１０ｅ－２、１０ｆ－２）において、学習用データ取得部１０１－１、１０１－２を変形した態様である。なお、以下では、第１の情報処理装置、及び第２の情報処理装置を特に区別して説明する必要がない場合には、参照符号末尾の「－１」、「－２」を適宜省略して記載する。本例示的実施形態における学習用データ取得部１０１について、図２０を参照して説明する。図２０は、学習用データ取得部１０１の構成を示す図である。なお、その他の構成、及び情報処理方法の流れについては、各例示的実施形態で説明した通りであるため、詳細な説明を省略する。
本発明の第１０の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、例示的実施形態５～９の何れかに係る第１の情報処理装置（１０ｂ－１、１０ｃ－１、１０ｄ－１、１０ｅ－１、１０ｆ－１）、及び第２の情報処理装置（１０ｂ－２、１０ｃ－２、１０ｄ－２、１０ｅ－２、１０ｆ－２）において、学習用データ取得部１０１－１、１０１－２を変形した態様である。なお、以下では、第１の情報処理装置、及び第２の情報処理装置を特に区別して説明する必要がない場合には、参照符号末尾の「－１」、「－２」を適宜省略して記載する。本例示的実施形態における学習用データ取得部１０１について、図２０を参照して説明する。図２０は、学習用データ取得部１０１の構成を示す図である。なお、その他の構成、及び情報処理方法の流れについては、各例示的実施形態で説明した通りであるため、詳細な説明を省略する。
【0254】
（学習用データ選択部）
図２０に示すように、学習用データ取得部１０１は、学習用データ選択部１１１を含む。学習用データ選択部１１１は、本例示的実施形態に係る選択手段の一例である。学習用データ選択部１１１は、複数のデータ群候補から、不均衡データ群を選択する。
図２０に示すように、学習用データ取得部１０１は、学習用データ選択部１１１を含む。学習用データ選択部１１１は、本例示的実施形態に係る選択手段の一例である。学習用データ選択部１１１は、複数のデータ群候補から、不均衡データ群を選択する。
【0255】
例えば、学習用データ選択部１１１は、記憶部ＳＲに記憶されたデータセットＡ、データセットＢ、データセットＣ、…のうち、不均衡データ群であるとの条件を満たすものを選択してもよい。例えば、そのような条件とは、上述した少数ラベル種の条件であってもよい。なお、記憶部ＳＲは、情報処理装置１０ｂ、１０ｃ、１０ｄ、１０ｅ、１０ｆに含まれていてもよいし、外部の装置に含まれていてもよい。
【0256】
＜本例示的実施形態の効果＞
以上のように、本例示的実施形態においては、
データ生成モデルの学習に用いる不均衡データ群を、複数のデータ群候補から選択する、
という構成が採用されている。
以上のように、本例示的実施形態においては、
データ生成モデルの学習に用いる不均衡データ群を、複数のデータ群候補から選択する、
という構成が採用されている。
【0257】
上記構成によれば、各情報処理装置が全体として不均衡が解消されるように各自のデータセットを選択することで、より安定してデータ生成モデルを学習させることができる。
【0258】
〔変形例〕
上述した各例示的実施形態は、１または２の情報処理装置を含むものとして説明した。これに限らず、各例示的実施形態は、３つ以上の情報処理装置を含むよう変形できる。これにより、各情報処理装置は、より多くの他の情報処理装置において用いられた学習用データを直接的に取得することなく間接的に用いて、データ生成モデルを生成することができる。
上述した各例示的実施形態は、１または２の情報処理装置を含むものとして説明した。これに限らず、各例示的実施形態は、３つ以上の情報処理装置を含むよう変形できる。これにより、各情報処理装置は、より多くの他の情報処理装置において用いられた学習用データを直接的に取得することなく間接的に用いて、データ生成モデルを生成することができる。
【0259】
また、上述した例示的実施形態６～９において、２つの情報処理装置（第１の情報処理装置、第２の情報処理装置）にそれぞれ含まれる機能ブロックは、複数の装置に分散して含まれていてもよい。例えば、第１の情報処理装置（又は第２の情報処理装置）に含まれる機能ブロックは、（ｉ）データ生成モデルの学習に係る機能ブロック（学習用データ取得部、生成モデル情報取得部、及びデータ生成モデル学習部）を含む装置と、（ｉｉ）データの生成に係る機能ブロック（シードデータ取得部、及びデータ生成部）を含む装置と、（ｉｉｉ）推論モデルの学習に係る機能ブロック（推論モデル情報取得部、及び推論モデル学習部）を含む装置と、（ｉｖ）推論に係る機能ブロック（推論部）を含む装置とに分散して含まれていてもよい。
【0260】
〔ソフトウェアによる実現例〕
情報処理装置１０、１０ａ、１０ｂ－１、１０ｂ－２、１０ｃ－１、１０ｃ－２、１０ｄ－１、１０ｄ－２、１０ｅ－１、１０ｅ－２、１０ｆ－１、１０ｆ－２、２０、サーバ３０、３０ａ、３０ｂ、３０ｃ、３０ｄ、３０ｅ、３０ｆ、４０ｅ、５０ｆ（以下、各情報処理装置１０～２０、及び各サーバ３０～５０と記載）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
情報処理装置１０、１０ａ、１０ｂ－１、１０ｂ－２、１０ｃ－１、１０ｃ－２、１０ｄ－１、１０ｄ－２、１０ｅ－１、１０ｅ－２、１０ｆ－１、１０ｆ－２、２０、サーバ３０、３０ａ、３０ｂ、３０ｃ、３０ｄ、３０ｅ、３０ｆ、４０ｅ、５０ｆ（以下、各情報処理装置１０～２０、及び各サーバ３０～５０と記載）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
【0261】
後者の場合、上述した、各情報処理装置１０～２０、及び各サーバ３０～５０は、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図２１に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを各情報処理装置１０～２０、及び各サーバ３０～５０として動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、各情報処理装置１０～２０、及び各サーバ３０～５０の各機能が実現される。
【0262】
プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。
【0263】
なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。
【0264】
また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
【0265】
〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
【0266】
〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
【0267】
（付記１）
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
を備えている情報処理装置。
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
を備えている情報処理装置。
【0268】
上記の構成によれば、他の情報処理装置において第２のデータ生成モデルの生成に用いられた他の学習用データを直接的に取得することなく間接的に用いて、第１のデータ生成モデルを学習させる。その結果、他の情報処理装置において用いられた他の学習用データを取得することを避けるべき状況であっても、より多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。
【0269】
（付記２）
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報を送信する送信手段
を更に備えている付記１に記載の情報処理装置。
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報を送信する送信手段
を更に備えている付記１に記載の情報処理装置。
【0270】
上記の構成によれば、学習後の第１のデータ生成モデルに関する第３のデータ生成モデル情報を、他の装置に提供することができる。その結果、第１のデータ生成モデルの学習に用いた学習用データを、他の装置が直接的に取得することなく間接的に用いて学習を行うことを可能とする。
【0271】
（付記３）
前記生成モデル情報取得手段は、
学習後の前記第２のデータ生成モデルに関する第４の生成モデル情報を取得し、
当該情報処理装置は、
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報と、
前記第４の生成モデル情報と
を参照して更新後の生成モデル情報を生成する生成モデル情報更新手段
を更に備えている付記１に記載の情報処理装置。
前記生成モデル情報取得手段は、
学習後の前記第２のデータ生成モデルに関する第４の生成モデル情報を取得し、
当該情報処理装置は、
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報と、
前記第４の生成モデル情報と
を参照して更新後の生成モデル情報を生成する生成モデル情報更新手段
を更に備えている付記１に記載の情報処理装置。
【0272】
上記の構成によれば、第４の生成モデル情報を参照することにより、他の情報処理装置において第２のデータ生成モデルの生成に用いられた他の学習用データを間接的に用いることができる。その結果、他の情報処理装置において用いられた他の学習用データを取得することを避けるべき状況であっても、より多様性のあるデータを生成可能な第１のデータ生成モデルを生成することができる。
【0273】
（付記４）
前記学習用データ取得手段は、
データ片を複数含むデータ群であって、各データ片が複数のラベル種の何れかでラベル付けされ、あるラベル種が付されたデータ片の割合が所定の割合以下であるデータ群に含まれるデータ片を、前記学習用データとして取得する
ことを特徴とする付記１から３の何れか１つに記載の情報処理装置。
前記学習用データ取得手段は、
データ片を複数含むデータ群であって、各データ片が複数のラベル種の何れかでラベル付けされ、あるラベル種が付されたデータ片の割合が所定の割合以下であるデータ群に含まれるデータ片を、前記学習用データとして取得する
ことを特徴とする付記１から３の何れか１つに記載の情報処理装置。
【0274】
上記の構成によれば、ラベル種が付されたデータ片の数が不均衡な不均衡データ群を学習用データとして用いて、第１のデータ生成モデルを学習させる。その結果、第１のデータ生成モデルを用いて、そのようなデータ群における不均衡を解消するためのデータを生成することができる。
【0275】
（付記５）
前記学習用データ取得手段は、
複数のデータ群候補から、前記データ群を選択する選択手段を備えている
ことを特徴とする付記４に記載の情報処理装置。
前記学習用データ取得手段は、
複数のデータ群候補から、前記データ群を選択する選択手段を備えている
ことを特徴とする付記４に記載の情報処理装置。
【0276】
上記の構成によれば、不均衡データ群を選択することで、付記４に記載の効果をより確実に奏することができる。
【0277】
（付記６）
前記データ生成モデル学習手段は、
前記第１のデータ生成モデルを含むオートエンコーダ、及び、
前記第１のデータ生成モデルを含む敵対的生成ネットワーク
の少なくとも何れかを学習させる
ことを特徴とする付記１から５の何れか１つに記載の情報処理装置。
前記データ生成モデル学習手段は、
前記第１のデータ生成モデルを含むオートエンコーダ、及び、
前記第１のデータ生成モデルを含む敵対的生成ネットワーク
の少なくとも何れかを学習させる
ことを特徴とする付記１から５の何れか１つに記載の情報処理装置。
【0278】
上記の構成によれば、上述した効果を奏するための第１のデータ生成モデルを実現することができる。
【0279】
（付記７）
前記オートエンコーダは、
変分オートエンコーダ、及び条件付き変分オートエンコーダ
の少なくとも何れかを含んでいる
ことを特徴とする付記６に記載の情報処理装置。
前記オートエンコーダは、
変分オートエンコーダ、及び条件付き変分オートエンコーダ
の少なくとも何れかを含んでいる
ことを特徴とする付記６に記載の情報処理装置。
【0280】
上記の構成によれば、上述した効果を奏するための第１のデータ生成モデルを実現することができる。
【0281】
（付記８）
前記第１のデータ生成モデルを用いてデータを生成するデータ生成手段と、
前記データ生成手段が生成したデータを参照して第１の推論モデルを学習させる推論モデル学習手段と
を更に備えている
ことを特徴とする付記１から７の何れか１つに記載の情報処理装置。
前記第１のデータ生成モデルを用いてデータを生成するデータ生成手段と、
前記データ生成手段が生成したデータを参照して第１の推論モデルを学習させる推論モデル学習手段と
を更に備えている
ことを特徴とする付記１から７の何れか１つに記載の情報処理装置。
【0282】
上記の構成によれば、上述した効果を奏する第１のデータ生成モデルが生成したデータを参照するので、第１の推論モデルを精度よく学習させることができる。
【0283】
（付記９）
前記第１の推論モデルに関する第１の推論モデル情報であって、当該第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映された第１の推論モデル情報を取得する推論モデル情報取得手段を更に備え、
前記推論モデル学習手段は、前記第１の推論モデル情報を参照して規定される前記第１の推論モデルを、前記データ生成手段が生成したデータを用いて学習させる
ことを特徴とする付記８に記載の情報処理装置。
前記第１の推論モデルに関する第１の推論モデル情報であって、当該第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映された第１の推論モデル情報を取得する推論モデル情報取得手段を更に備え、
前記推論モデル学習手段は、前記第１の推論モデル情報を参照して規定される前記第１の推論モデルを、前記データ生成手段が生成したデータを用いて学習させる
ことを特徴とする付記８に記載の情報処理装置。
【0284】
上記の構成によれば、他の情報処理装置において第２の推論モデルの生成に用いられた他の学習用データを直接的に取得することなく間接的に用いて、第１の推論モデルを学習させる。その結果、他の情報処理装置において用いられた他の学習用データを取得することを避けるべき状況であっても、第１の推論モデルを精度よく学習させることができる。
【0285】
（付記１０）
シードデータを取得するシードデータ取得手段と、
前記シードデータを用いてデータを生成するデータ生成手段とを備え、
前記データ生成手段は、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行う
ことを特徴とする情報処理装置。
シードデータを取得するシードデータ取得手段と、
前記シードデータを用いてデータを生成するデータ生成手段とを備え、
前記データ生成手段は、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行う
ことを特徴とする情報処理装置。
【0286】
上記の構成によれば、第２の生成モデルに関する第２の生成モデル情報を反映して学習された第１のデータ生成モデルを用いることにより、より多様性のあるデータを生成することができる。
【0287】
（付記１１）
前記データ生成手段が生成したデータを参照して第１の推論モデルを学習させる推論モデル学習手段を更に備えている
ことを特徴とする付記１０に記載の情報処理装置。
前記データ生成手段が生成したデータを参照して第１の推論モデルを学習させる推論モデル学習手段を更に備えている
ことを特徴とする付記１０に記載の情報処理装置。
【0288】
上記の構成によれば、上述した効果を奏する第１のデータ生成モデルが生成したデータを参照するので、第１の推論モデルを精度よく学習させることができる。
【0289】
（付記１２）
前記第１の推論モデルに関する第１の推論モデル情報であって、当該第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映された第１の推論モデル情報を取得する推論モデル情報取得手段を更に備え、
前記推論モデル学習手段は、前記第１の推論モデル情報を参照して規定される前記第１の推論モデルを、前記データ生成手段が生成したデータを用いて学習させる
ことを特徴とする付記１１に記載の情報処理装置。
前記第１の推論モデルに関する第１の推論モデル情報であって、当該第１の推論モデルとは異なる第２の推論モデルに関する第２の推論モデル情報が反映された第１の推論モデル情報を取得する推論モデル情報取得手段を更に備え、
前記推論モデル学習手段は、前記第１の推論モデル情報を参照して規定される前記第１の推論モデルを、前記データ生成手段が生成したデータを用いて学習させる
ことを特徴とする付記１１に記載の情報処理装置。
【0290】
上記の構成によれば、他の情報処理装置において第２の推論モデルの生成に用いられた他の学習用データを直接的に取得することなく間接的に用いて、第１の推論モデルを学習させる。その結果、他の情報処理装置において用いられた他の学習用データを取得することを避けるべき状況であっても、第１の推論モデルを精度よく学習させることができる。
【0291】
（付記１３）
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新手段と、
を備えていることを特徴とする情報処理装置。
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新手段と、
を備えていることを特徴とする情報処理装置。
【0292】
上記の構成によれば、（ｉ）第１のデータ生成モデルの学習に用いられた学習用データと、（ｉｉ）第２のデータ生成モデルの学習に用いられた学習用データとを、間接的に用いて学習されたデータ生成モデルを生成することができる。その結果、（ｉ）、（ｉｉ）の学習用データとの少なくとも一方を取得することを避けるべき状況であっても、データ生成モデルを、より多様なデータを生成できるように学習させることができる。
【0293】
（付記１４）
前記更新後の生成モデル情報を、前記第１のデータ生成モデルを実装した第１の情報処理装置、及び、前記第２のデータ生成モデルを実装した第２の情報処理装置に送信する送信手段を更に備えていることを特徴とする付記１３に記載の情報処理装置。
前記更新後の生成モデル情報を、前記第１のデータ生成モデルを実装した第１の情報処理装置、及び、前記第２のデータ生成モデルを実装した第２の情報処理装置に送信する送信手段を更に備えていることを特徴とする付記１３に記載の情報処理装置。
【0294】
上記の構成によれば、第１の情報処理装置、及び第２の情報処理装置の間で、それぞれが用いた学習用データを互いに提供することを避けるべき状況であっても、双方が用いた学習用データを間接的に用いて学習されたデータ生成モデルを、第１の情報処理装置、及び第２の情報処理装置に提供することができる。
【0295】
（付記１５）
前記生成モデル情報更新手段は、
前記第１の生成モデル情報と前記第２の生成モデル情報との平均を取ることによって、前記更新後の生成モデル情報を生成する
ことを特徴とする付記１３又は１４に記載の情報処理装置。
前記生成モデル情報更新手段は、
前記第１の生成モデル情報と前記第２の生成モデル情報との平均を取ることによって、前記更新後の生成モデル情報を生成する
ことを特徴とする付記１３又は１４に記載の情報処理装置。
【0296】
上記の構成によれば、第１のデータ生成モデルの学習に用いられた学習用データと、第２のデータ生成モデルの学習に用いられた学習用データとを間接的に用いた学習を実現する。
【0297】
（付記１６）
第１の情報処理装置、及びサーバを含む情報処理システムであって、
前記第１の情報処理装置は、
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を、前記サーバから取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データ取得手段が取得した学習用データを用いて学習させるデータ生成モデル学習手段と、
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報を送信する送信手段と
を備え、
前記サーバは、
前記第３の生成モデル情報、及び、
学習後の前記第２のデータ生成モデルに関する第４の生成モデル情報
を取得する生成モデル情報取得手段と、
前記第３の生成モデル情報と、前記第４の生成モデル情報とを参照して更新後の生成モデル情報を生成する生成モデル情報更新手段と、
前記更新後の生成モデル情報を、前記第１の情報処理装置に送信する送信手段と
を備えていることを特徴とする情報処理システム。
第１の情報処理装置、及びサーバを含む情報処理システムであって、
前記第１の情報処理装置は、
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を、前記サーバから取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データ取得手段が取得した学習用データを用いて学習させるデータ生成モデル学習手段と、
前記データ生成モデル学習手段によって学習された後の前記第１のデータ生成モデルに関する第３の生成モデル情報を送信する送信手段と
を備え、
前記サーバは、
前記第３の生成モデル情報、及び、
学習後の前記第２のデータ生成モデルに関する第４の生成モデル情報
を取得する生成モデル情報取得手段と、
前記第３の生成モデル情報と、前記第４の生成モデル情報とを参照して更新後の生成モデル情報を生成する生成モデル情報更新手段と、
前記更新後の生成モデル情報を、前記第１の情報処理装置に送信する送信手段と
を備えていることを特徴とする情報処理システム。
【0298】
上記の構成によれば、情報処理装置及びサーバを用いて、付記１と同様の効果を奏するシステムを実現することができる。
【0299】
（付記１７）
学習用データを取得すること、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得すること、及び、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させること
を含んでいることを特徴とする情報処理装置方法。
学習用データを取得すること、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得すること、及び、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させること
を含んでいることを特徴とする情報処理装置方法。
【0300】
上記の構成によれば、付記１と同様の効果を奏する。
【0301】
（付記１８）
シードデータを取得すること、及び
前記シードデータを用いてデータを生成すること、
を含み、
前記データを生成する工程では、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行う
ことを特徴とする情報処理方法。
シードデータを取得すること、及び
前記シードデータを用いてデータを生成すること、
を含み、
前記データを生成する工程では、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行う
ことを特徴とする情報処理方法。
【0302】
上記の構成によれば、付記１０と同様の効果を奏する。
【0303】
（付記１９）
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得すること、及び、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成すること、
を含んでいることを特徴とする情報処理方法。
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得すること、及び、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成すること、
を含んでいることを特徴とする情報処理方法。
【0304】
上記の構成によれば、付記１３と同様の効果を奏する。
【0305】
（付記２０）
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
として機能させるプログラム。
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
学習用データを取得する学習用データ取得手段と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習手段と、
として機能させるプログラム。
【0306】
上記の構成によれば、付記１と同様の効果を奏する。
【0307】
（付記２１）
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
シードデータを取得するシードデータ取得手段と、
前記シードデータを用いてデータを生成するデータ生成手段であって、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行うデータ生成手段と
として機能させるプログラム。
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
シードデータを取得するシードデータ取得手段と、
前記シードデータを用いてデータを生成するデータ生成手段であって、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行うデータ生成手段と
として機能させるプログラム。
【0308】
上記の構成によれば、付記１０と同様の効果を奏する。
【0309】
（付記２２）
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新手段と、
として機能させるプログラム。
コンピュータを情報処理装置として機能させるためのプログラムであって、前記コンピュータを、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得手段と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新手段と、
として機能させるプログラム。
【0310】
上記の構成によれば、付記１３と同様の効果を奏する。
【0311】
〔付記事項３〕
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
【0312】
（付記２３）
少なくとも１つのプロセッサを備え、前記プロセッサは、
学習用データを取得する学習用データ取得処理と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得処理と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習処理と、を実行する情報処理装置。
少なくとも１つのプロセッサを備え、前記プロセッサは、
学習用データを取得する学習用データ取得処理と、
第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を取得する生成モデル情報取得処理と、
前記第１の生成モデル情報を参照して規定される前記第１のデータ生成モデルを、前記学習用データを用いて学習させるデータ生成モデル学習処理と、を実行する情報処理装置。
【0313】
なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、前記学習用データ取得処理と、前記生成モデル情報取得処理と、前記データ生成モデル学習処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
【0314】
（付記２４）
少なくとも１つのプロセッサを備え、前記プロセッサは、
シードデータを取得するシードデータ取得処理と、
前記シードデータを用いてデータを生成するデータ生成処理であって、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行うデータ生成処理と、を実行する情報処理装置。
少なくとも１つのプロセッサを備え、前記プロセッサは、
シードデータを取得するシードデータ取得処理と、
前記シードデータを用いてデータを生成するデータ生成処理であって、第１のデータ生成モデルに関する第１の生成モデル情報であって、当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報が反映された第１の生成モデル情報を参照して規定される第１のデータ生成モデルを用いてデータ生成を行うデータ生成処理と、を実行する情報処理装置。
【0315】
なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、前記シードデータ取得処理と、前記データ生成処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
【0316】
（付記２５）
少なくとも１つのプロセッサを備え、前記プロセッサは、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得処理と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新処理と、を実行する情報処理装置。
少なくとも１つのプロセッサを備え、前記プロセッサは、
第１のデータ生成モデルに関する第１の生成モデル情報、及び当該第１のデータ生成モデルとは異なる第２のデータ生成モデルに関する第２の生成モデル情報を取得する生成モデル情報取得処理と、
前記第１の生成モデル情報、及び前記第２の生成モデル情報を参照して、更新後の生成モデル情報を生成する生成モデル情報更新処理と、を実行する情報処理装置。
【0317】
なお、この情報処理装置は、更にメモリを備えていてもよく、このメモリには、前記生成モデル情報取得処理と、前記生成モデル情報更新処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
【符号の説明】
【0318】
１ａ～１ｆ 情報処理システム
１０、１０ａ～１０ｆ、２０ 情報処理装置
３０、３０ａ～３０ｆ、４０ｅ、５０ｆ 情報処理装置（サーバ）
１０１ 学習用データ取得部
１０２、３０１、５０１ 生成モデル情報取得部
１０３、 データ生成モデル学習部
１６０、３６０、４６０、５６０ 通信部
１１０、３１０ 送信部
１１１ 学習用データ選択部
１５０、３５０ 制御部
２０１ シードデータ取得部
２０２ データ生成部
２０３ 推論モデル学習部
２０４ 推論部
２０５、３０３ 推論モデル情報取得部
２０６ モデル情報更新部
３０２、５０２ 生成モデル情報更新部
３０４ 推論モデル情報更新部
Ｃ コンピュータ
Ｃ１ プロセッサ
Ｃ２ メモリ
１０、１０ａ～１０ｆ、２０ 情報処理装置
３０、３０ａ～３０ｆ、４０ｅ、５０ｆ 情報処理装置（サーバ）
１０１ 学習用データ取得部
１０２、３０１、５０１ 生成モデル情報取得部
１０３、 データ生成モデル学習部
１６０、３６０、４６０、５６０ 通信部
１１０、３１０ 送信部
１１１ 学習用データ選択部
１５０、３５０ 制御部
２０１ シードデータ取得部
２０２ データ生成部
２０３ 推論モデル学習部
２０４ 推論部
２０５、３０３ 推論モデル情報取得部
２０６ モデル情報更新部
３０２、５０２ 生成モデル情報更新部
３０４ 推論モデル情報更新部
Ｃ コンピュータ
Ｃ１ プロセッサ
Ｃ２ メモリ
【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】