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】2025-05-26
(45)【発行日】2025-06-03
(54)【発明の名称】推定装置
(51)【国際特許分類】
G06N 20/00 20190101AFI20250527BHJP
G06F 18/241 20230101ALI20250527BHJP
【ＦＩ】
G06N20/00
G06F18/241
【請求項の数】
10
(21)【出願番号】P 2024504048
(86)(22)【出願日】2022-03-01
(86)【国際出願番号】 JP2022008618
(87)【国際公開番号】W WO2023166565
(87)【国際公開日】2023-09-07
【審査請求日】2024-08-02
(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】100124811
【弁理士】
【氏名又は名称】馬場 資博
(74)【代理人】
【識別番号】100088959
【弁理士】
【氏名又は名称】境 廣巳
(74)【代理人】
【識別番号】100097157
【弁理士】
【氏名又は名称】桂木 雄二
(74)【代理人】
【識別番号】100187724
【弁理士】
【氏名又は名称】唐鎌 睦
(72)【発明者】
【氏名】伊東 邦大
【審査官】新井 則和
(56)【参考文献】
【文献】中村 和晃，第１４１回 知っておきたいキーワード Model Inversion Attack，映像情報メディア学会誌，一般社団法人映像情報メディア学会，2021年05月01日，第７５巻 、第３号，pp.384-386
【文献】樋口 裕二 ほか，分類モデルに対するＶＡＥを用いた教師データ推定攻撃，２０２０年 暗号と情報セキュリティシンポジウム予稿集，電子情報通信学会情報セキュリティ（ＩＳＥＣ）研究会，2020年01月21日，pp.1-8
【文献】宇根 正志，機械学習システムのセキュリティに関する研究動向と課題，金融研究，株式会社国際文献社，2019年01月22日， 第３８巻、第１号，pp.97-123
【文献】矢嶋 純 ほか，機械学習システムに潜むＡＩセキュリティ脆弱性の分析手法に関する一考察，２０２１年 暗号と情報セキュリティシンポジウム予稿集，電子情報通信学会情報セキュリティ（ＩＳＥＣ）研究会，2021年01月19日，pp.1-8
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ２０／００
Ｇ０６Ｆ １８／２４１
(57)【特許請求の範囲】
【請求項1】
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出する重み算出部と、決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する条件付周辺分布算出部と、
前記重み算出部が算出した前記重みと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する推定部と、
を有する
推定装置。
【請求項2】
請求項１に記載の推定装置であって前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を算出することで前記条件付周辺分布に応じた値を算出する
推定装置。
【請求項3】
請求項２に記載の推定装置であって、前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を、未知属性を各候補とした際にそれぞれ落ちる葉ノードに対してそれぞれ落ちる訓練データの数の和で割ることで、前記条件付周辺分布に応じた値を算出する
推定装置。
【請求項4】
請求項２または請求項３に記載の推定装置であって、前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数に対して所定の補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
【請求項5】
請求項４に記載の推定装置であって、前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を特徴量空間における単位面積あたりの数に補正する補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
【請求項6】
請求項５に記載の推定装置であって、葉ノードに振り分けられる訓練データにおいて属性が取りうる値の個数または範囲に基づいて面積を算出する
推定装置。
【請求項7】
請求項１から請求項６までのうちのいずれか１項に記載の推定装置であって、前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて推測される推測ラベルと、真のラベルと、の間のずれを所定のエラー関数を用いて算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記ずれと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
【請求項8】
請求項１から請求項６までのうちのいずれか１項に記載の推定装置であって、前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の比率を算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記比率と、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
【請求項9】
情報処理装置が、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定方法。
【請求項10】
情報処理装置に、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
処理を実現するためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、推定装置、推定方法、記録媒体に関する。
【背景技術】
【0002】
機会学習などを用いて学習された学習モデルのリスク評価などを目的として、学習モデルからの出力に基づいて学習時に用いられたデータを推定する技術が知られている。
【0003】
例えば、非特許文献１には、標的データの既知属性と真のラベルを入力として、所定の処理を実行することで尤もらしい属性値を出力する方法が記載されている。例えば、非特許文献１によると、推定対象の未知属性をある値で固定して、決定木の出力する推定ラベルを計算する。その後、仮定したエラー関数を用いて真のラベルと推定ラベルの間のずれを算出し、算出したずれを重みとして周辺確率を評価する。非特許文献１によると、例えば、上記のような処理の結果として、尤もらしい属性値を特定する。
【0004】
また、関連する文献として、非特許文献２がある。非特許文献２では、エラー関数を用いてずれを算出する代わりに、決定木の訓練データのうち標的データと同じ分割領域に割り当てられる比率を計算して、計算した比率を重みとして周辺確率を評価している。
【0005】
また、機械学習について記載された文献として、例えば、特許文献１のようなものがある。例えば、特許文献１には、取得されたデータを学習済み機械学習モデルに与えて、学習済み機械学習モデルで所定の推論を実行させ、その結果として、データに対する推論結果を取得することが記載されている。
【先行技術文献】
【特許文献】
【0006】
【文献】国際公開２０２１／０１４８７８号公報
【非特許文献】
【0007】
【文献】Ｍａｔｔｈｅｗ Ｆｒｅｄｒｉｋｓｏｎ ｅｔ ａｌ., Ｐｒｉｖａｃｙ ｉｎ ｐｈａｒｍａｃｏｇｅｎｅtics: Ａｎ ｅｎｄ－ｔｏ－ｅｎｄ ｃａｓｅ ｓｔｕｄｙ ｏｆ ｐｅｒｓｏｎａｌｉｚｅｄ ｗａｒｆａｒｉｎ dosing，Ａｕｇ ２０１４
【文献】Ｍａｔｔｈｅｗ Ｆｒｅｄｒｉｋｓｏｎ ｅｔ ａｌ., Ｍｏｄｅｌ Ｉｎｖｅｒｓｉｏｎ Ａｔｔａｃｋｓ ｔｈａｔ Ｅｘｐｌｏｉｔ Ｃｏｎｆｉｄｅｎｃｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｂａｓｉｃ Ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ， Ｏｃｔｏｂｅｒ ２０１５
【発明の概要】
【発明が解決しようとする課題】
【0008】
非特許文献１や非特許文献２に記載の技術の場合、周辺確率として条件なしの、つまり、平均の周辺確率を使っている。そのため、必ずしも推定対象に対する正確な周辺分布を表しているとはいえず、その結果として、的確にデータを推定できないおそれがある、という課題が生じていた。
【0009】
そこで、本発明の目的は、上述した課題を解決することが可能な推定装置、推定方法、記録媒体を提供することにある。
【課題を解決するための手段】
【0010】
かかる目的を達成するため本開示の一形態である推定装置は、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出する重み算出部と、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する条件付周辺分布算出部と、
前記重み算出部が算出した前記重みと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する推定部と、
を有する
という構成をとる。
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出する重み算出部と、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する条件付周辺分布算出部と、
前記重み算出部が算出した前記重みと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する推定部と、
を有する
という構成をとる。
【0011】
また、本開示の他の形態である推定方法は、
情報処理装置が、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
という構成をとる。
情報処理装置が、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
という構成をとる。
【0012】
また、本開示の他の形態である記録媒体は、
情報処理装置に、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
処理を実現するためのプログラムを記録した、コンピュータが読み取り可能な記録媒体である。
情報処理装置に、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
処理を実現するためのプログラムを記録した、コンピュータが読み取り可能な記録媒体である。
【発明の効果】
【0013】
上述したような各構成によると、より的確にデータを推定可能な推定装置、推定方法、記録媒体を提供することができる。
【図面の簡単な説明】
【0014】
【図1】本開示の概要を説明するための図である。
【図2】本開示の第１の実施形態におけるリスク評価システムの構成例を示す図である。
【図3】モデル格納装置の構成例を示すブロック図である。
【図4】モデル格納装置に格納されたモデルの一例を示す図である。
【図5】リスク評価装置の構成例を示すブロック図である。
【図6】事前情報の一例を示す図である。
【図7】条件付周辺分布算出部の処理例を説明するための図である。
【図8】条件付周辺分布算出部の処理例を説明するための図である。
【図9】属性推定時のリスク評価装置の動作例を示すフローチャートである。
【図10】リスク評価時のリスク評価装置の動作例を示すフローチャートである。
【図11】事前情報の他の一例を示す図である。
【図12】本開示の第２の実施形態における推定装置のハードウェア構成例を示す図である。
【図13】推定装置の構成例を示すブロック図である。
【発明を実施するための形態】
【0015】
［第１の実施形態］
本開示の第１の実施形態について、図１から図１１までを参照して説明する。図１は、本開示の概要を説明するための図である。図２は、本開示の第１の実施形態におけるリスク評価システム１００の構成例を示す図である。図３は、モデル格納装置２００の構成例を示すブロック図である。図４は、モデル格納装置２００に格納されたモデルの一例を示す図である。図５は、リスク評価装置３００の構成例を示すブロック図である。図６は、事前情報３４１の一例を示す図である。図７、図８は、条件付周辺分布算出部３５６の処理例を説明するための図である。図９は、属性推定時のリスク評価装置３００の動作例を示すフローチャートである。図１０は、リスク評価時のリスク評価装置３００の動作例を示すフローチャートである。図１１は、事前情報３４１の他の一例を示す図である。
本開示の第１の実施形態について、図１から図１１までを参照して説明する。図１は、本開示の概要を説明するための図である。図２は、本開示の第１の実施形態におけるリスク評価システム１００の構成例を示す図である。図３は、モデル格納装置２００の構成例を示すブロック図である。図４は、モデル格納装置２００に格納されたモデルの一例を示す図である。図５は、リスク評価装置３００の構成例を示すブロック図である。図６は、事前情報３４１の一例を示す図である。図７、図８は、条件付周辺分布算出部３５６の処理例を説明するための図である。図９は、属性推定時のリスク評価装置３００の動作例を示すフローチャートである。図１０は、リスク評価時のリスク評価装置３００の動作例を示すフローチャートである。図１１は、事前情報３４１の他の一例を示す図である。
【0016】
本開示の第１の実施形態においては、学習モデル２４１の訓練時に用いた訓練データを構成する属性のうち一部が秘匿されているなどの理由により一部欠損している場合に、既知の属性を用いて欠損している属性の値を推定するリスク評価システム１００について説明する。本開示の場合、リスク評価システム１００は、訓練データを構成する属性（ｘ１、ｘ２、…、ｘｄ）のうちの一部の属性の値（ｘ２、…、ｘｄ）を知っているとともに、未知の属性ｘ１がｋ個の値（ｖ１１、…、ｖ１ｋ）のうちのいずれかを取ることができることを知っている。例えば、リスク評価システム１００は、既知属性についての知識と未知属性についての知識を用いて、所定の重みを算出する。また、リスク評価システム１００は、学習モデル２４１である決定木についての情報である決定木情報３４３に基づいて、訓練データを構成する属性（ｘ１、ｘ２、…、ｘｄ）のうちの一部の属性の値（ｘ２、…、ｘｄ）が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する。そして、リスク評価システム１００は、算出した重みと条件付周辺分布に応じた値とを用いて、未知の属性を推定する。このように、本実施形態において説明するリスク評価システム１００は、決定木情報３４３を用いることで、既知属性の下で未知属性の値がどのくらいの確率で生じるかを示す条件付周辺分布に応じた値を算出する。そして、リスク評価システム１００は、算出結果に基づいて、未知の属性値を推定する。また、リスク評価システム１００は、属性値の推定結果に基づいて、訓練データが漏えいするおそれなどに応じたリスク評価を行うことができる。
【0017】
例えば、図１は、ｚ１とｚ２という２つの値によって値ｙが推測されるデータセットにおいて、山が高いほどデータセットに含まれるデータの数が多いことを示している。また、図１において、ｚ１が未知属性でありｚ２が既知属性であるとする。このような状況下で、例えば、非特許文献１や非特許文献２に記載されているような条件なしの周辺確率Ｐ（ｚ１＝ｖ）を用いた場合、条件なしの周辺確率が平均的な分布を表現するため、例えばｚ１の周辺分布は、ｚ２がｖ（１）である場合とｚ２がｖ（２）である場合の中間程度のなだらかな山となる。一方、既知属性であるｚ２についての知識を用いると、例えば、ｚ２の値がｖ（０）である場合、ｚ１の周辺分布はなだらかな山ではなくより平坦になることが分かる。また、例えば、ｚ２の値がｖ（３）である場合、ｚ１の周辺分布はより大きな山になることが分かる。このように、条件付きの周辺分布の方が、条件なしの周辺分布よりもより適切な周辺分布を表すことができる。ただし、条件付の周辺分布をいつも得られるとは限らない。そこで、本実施形態においては、決定木情報３４３を用いることで条件付き周辺分布に応じた値を経験的に算出して、算出結果に基づく推定を行う。
【0018】
なお、本実施形態において、学習モデル２４１は、複数の訓練データを用いた教師あり学習により生成されているものとする。例えば、学習モデル２４１は、性別、年齢、身長、体重、…、などの複数の属性の入力に応じて、病気か否かなどを示すラベルを出力するように、複数の属性とラベルとを含む訓練データを複数用いて学習されている。なお、属性やラベルの具体例は、上記例示した場合に限られず任意に設定してよい。また、本実施形態において、訓練データを用いて訓練するモデルは、決定木である。決定木とは、入力データに対して、その属性の条件分岐によりラベルの説明性能が十分によくなるまで二分木で振り分ける作業を複数回行い、訓練するモデルのことをいう。なお、属性は、説明変数、または、特徴量などとも呼ばれうる。また、ラベルは、目的変数などとも呼ばれうる。
【0019】
また、本実施形態において説明するリスク評価システム１００は、例えば、学習モデル２４１がホワイトボックス設定である場合において、未知属性の推定を行う。例えば、機械学習で生成するモデルは、入力に対する出力だけがユーザに公開されるブラックボックス設定のほか、モデルの構造や分岐条件などのモデル情報も公開するホワイトボックス設定がとられることがある。後述するように、本実施形態におけるリスク評価システム１００は、ホワイトボックス設定により公開される情報である決定木情報３４３を用いて、条件付周辺分布に応じた値を算出する。ホワイトボックス設定は、例えば、クライアント間で情報を交換しながらモデル訓練を行う連合学習を実施する際などに設定される。
【0020】
図２は、本実施形態におけるリスク評価システム１００の構成例を示している。図２を参照すると、リスク評価システム１００は、例えば、リスク評価装置３００と、モデル格納装置２００と、を有している。図２で示すように、リスク評価装置３００とモデル格納装置２００とは、例えば、ネットワークなどを介して互いに通信可能なよう接続されている。
【0021】
モデル格納装置２００は、訓練データを用いて学習された学習モデル２４１が格納されている情報処理装置である。図３は、モデル格納装置２００の構成例を示している。例えば、図３を参照すると、モデル格納装置２００は、学習モデル２４１が格納された記憶部２４０を有するとともに、受信部２１０と、推論部２２０と、出力部２３０と、を有している。例えば、モデル格納装置２００は、ＣＰＵ（Central Processing Unit）などの演算装置と記憶装置とを有している。モデル格納装置２００は、記憶装置に格納されたプログラムを演算装置が実行することで、上記各処理部を実現することができる。
【0022】
なお、図３で示すように、記憶部２４０に格納されている学習モデル２４１は、複数の属性とラベルとを含む訓練データを複数用いて予め学習されている。学習モデル２４１は、モデル格納装置２００内で学習されていてもよいし、モデル格納装置２００外で学習されていてもよい。また、図４で示すように、学習モデル２４１は、決定木である。決定木である学習モデル２４１において、推論は、例えば、入力データに対して説明変数である属性で振り分けられた１つの葉ノードの持つ値（ラベル）を出力することでなされる。
【0023】
受信部２１０は、リスク評価装置３００から後述する候補データを受信する。例えば、受信部２１０は、“ｖ１１、ｘ２、…、ｘｄ”や“ｖ１２、ｘ２、…、ｘｄ”など、リスク評価装置３００にとって既知の属性の値を含むとともに、未知の属性の候補を含む訓練データを受信する。一例として、受信部２１０は、リスク評価装置３００にとっての未知の属性候補の数に応じた数の候補データをリスク評価装置３００から受信する。受信部２１０は、候補データとともに識別情報など上記例示した以外の情報を受信してもよい。
【0024】
推論部２２０は、受信部２１０が受信した各候補データを学習モデル２４１に入力する。また、上記入力の結果として、推論部２２０は、各候補データに対応する推論結果である推論ラベルを取得する。
【0025】
出力部２３０は、推論部２２０が取得した推論ラベルをリスク評価装置３００に対して送信する。例えば、出力部２３０は、推論ラベルがどの候補データに基づいて推論した結果であるのかを判別可能なように、候補データの識別情報などとともに推論ラベルをリスク評価装置３００に対して送信してよい。
【0026】
また、出力部２３０は、学習モデル２４１についての情報をリスク評価装置３００に対して送信することができる。例えば、出力部２３０は、二分木の分割構造などのモデル構造、属性が閾値より大きい、または、小さいなどを示すモデルの分岐条件、各葉ノードに割り振られる訓練データの数、などの情報を学習モデル２４１についての情報としてリスク評価装置３００に対して送信する。出力部２３０は、上記例示した以外の学習モデル２４１についての情報をリスク評価装置３００に対して送信してもよい。なお、例えば、出力部２３０は、リスク評価装置３００に対して推論ラベルを送信する際やリスク評価装置３００から学習モデル２４１についての情報を送信する旨の指示を受けた際など、任意のタイミングで学習モデル２４１についての情報をリスク評価装置３００に対して送信してよい。
【0027】
例えば、以上のように、モデル格納装置２００は、訓練データを用いて学習された学習モデル２４１を有している。また、モデル格納装置２００は、リスク評価装置３００から候補データを受信すると、受信した候補データに基づいて学習モデル２４１を用いた推論を行うことで、候補データに対応する推論ラベルを取得する。そして、モデル格納装置２００は、取得した推論ラベルをリスク評価装置３００に対して送信する。また、モデル格納装置２００は、学習モデル２４１についての情報をリスク評価装置３００に対して送信する。
【0028】
リスク評価装置３００は、既知の属性についての情報や学習モデル２４１についての情報などを用いて秘匿されている属性の値を推定する情報処理装置である。また、リスク評価装置３００は、推定結果に基づくリスク評価を行うことができる。
【0029】
図５は、リスク評価装置３００の構成例を示している。図５を参照すると、リスク評価装置３００は、主な構成要素として、例えば、操作入力部３１０と、画面表示部３２０と、通信Ｉ／Ｆ部３３０と、記憶部３４０と、演算処理部３５０と、を有している。
【0030】
なお、図５では、１台の情報処理装置を用いてリスク評価装置３００としての機能を実現する場合について例示している。しかしながら、リスク評価装置３００は、例えば、クラウド上に実現されるなど、複数台の情報処理装置を用いて実現されてもよい。例えば、リスク評価装置３００としての機能は、候補データ作成部３５１と候補データ送信部３５２と推論結果取得部３５３と決定木情報受取部３５４と重み算出部３５５と条件付周辺分布算出部３５６と推定部３５７としての機能を有する推定装置と、評価部３５８と出力部３５９としての機能を有する評価装置と、の２台の情報処理装置により実現されてもよい。また、リスク評価装置３００は、操作入力部や画面表示部を有さないなど上記例示した構成の一部を含まなくてもよいし、上記例示した以外の構成を有してもよい。
【0031】
操作入力部３１０は、キーボード、マウスなどの操作入力装置からなる。操作入力部３１０は、リスク評価装置３００を操作する操作者の操作を検出して演算処理部３５０に出力する。
【0032】
画面表示部３２０は、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ、液晶ディスプレイ）などの画面表示装置からなる。画面表示部３２０は、演算処理部３５０からの指示に応じて、記憶部３４０に格納されている各種情報などを画面表示することができる。
【0033】
通信Ｉ／Ｆ部３３０は、データ通信回路などからなる。通信Ｉ／Ｆ部３３０は、通信回線を介して接続されたモデル格納装置２００などの外部装置との間でデータ通信を行う。
【0034】
記憶部３４０は、ハードディスクやメモリなどの記憶装置である。記憶部３４０は、演算処理部３５０における各種処理に必要な処理情報やプログラム３４６を記憶する。プログラム３４６は、演算処理部３５０に読み込まれて実行されることにより各種処理部を実現する。プログラム３４６は、通信Ｉ／Ｆ部３３０などのデータ入出力機能を介して外部装置や記録媒体から予め読み込まれ、記憶部３４０に保存されている。記憶部３４０で記憶される主な情報としては、例えば、事前情報３４１、推論結果情報３４２、決定木情報３４３、重み情報３４４、推定情報３４５などがある。記憶部３４０には、推論結果情報３４２が格納されないなど、上記例示したうちの一部の情報のみが格納されていてもよい。
【0035】
事前情報３４１は、モデル格納装置２００に格納された学習モデル２４１の訓練時に用いた訓練データについて予め知っている情報を含んでいる。例えば、事前情報３４１は、通信Ｉ／Ｆ部３３０を介して外部装置から取得する、操作入力部３１０を用いて入力する、などの方法を用いて予め取得されており、記憶部３４０に格納されている。
【0036】
図６は、事前情報３４１の一例を示している。図６を参照すると、事前情報３４１には、部分訓練データ情報と、欠損属性情報と、が含まれている。例えば、図６で示すように、事前情報３４１には、部分訓練データ情報と欠損属性情報とが関連付けられた情報が複数含まれている。
【0037】
ここで、部分訓練データ情報は、学習モデル２４１を学習する際に用いた訓練データのうち一部の属性が秘匿（欠損）された状態における既知の属性の値と対応するラベルとを示している。例えば、図６では、属性（ｘ２、…、ｘｄ）とラベルｙとが既知であり、属性ｘ１が欠損している場合について例示されている。また、欠損属性情報は、欠損している属性の値についての情報を示している。例えば、図６では、欠損した属性ｘ１がｋ個の値（ｖ１１、…、ｖ１ｋ）のうちのいずれかをとることを示している。なお、本実施形態において、欠損した属性は、例えば、カテゴリカル変数（離散変数）である。なお、事前情報３４１には、上記例示した以外の情報が含まれてもよい。
【0038】
推論結果情報３４２は、後述する候補データ作成部３５１が事前情報３４１に基づいて作成する候補データを学習モデル２４１に入力することで取得される推論ラベルを示す情報を含んでいる。例えば、推論結果情報３４２には、欠損した属性における候補の数に応じた推論ラベルを示す情報が含まれうる。例えば、推論結果情報３４２は、後述する推論結果取得部３５３が推論ラベルをモデル格納装置２００から取得することに応じて、生成、更新される。
【0039】
決定木情報３４３は、モデル格納装置２００から取得した学習モデル２４１についての情報を含んでいる。換言すると、決定木情報３４３には、決定木についての情報が含まれている。例えば、決定木情報３４３には、モデル構造、モデルの分岐条件、各葉ノードに割り振られる訓練データの数、などの学習モデル２４１についての情報が含まれる。決定木情報３４３は、例えば、決定木情報受取部３５４が学習モデル２４１についての情報をモデル格納装置２００から受け取ることに応じて更新される。
【0040】
重み情報３４４は、後述する重み算出部３５５が算出した重みを示す情報を含んでいる。例えば、重み情報３４４には、欠損した属性における候補の数に応じた重みを示す情報が含まれうる。例えば、重み情報３４４は、重み算出部３５５が重みを算出することに応じて、生成、更新される。
【0041】
推定情報３４５は、重み情報３４４と条件付周辺分布算出部３５６による算出結果とに基づいて後述する推定部３５７が推定した結果を示す情報を含んでいる。例えば、推定情報３４５には、未知の属性候補のうち推定部３５７が推定した属性の値を示す情報などが含まれうる。例えば、推定情報３４５は、推定部３５７が重みを用いて条件付周辺確率を評価した結果などに応じて、生成、更新される。
【0042】
演算処理部３５０は、ＣＰＵなどの演算装置とその周辺回路を有する。演算処理部３５０は、記憶部３４０からプログラム３４６を読み込んで実行することにより、上記ハードウェアとプログラム３４６とを協働させて各種処理部を実現する。演算処理部３５０で実現される主な処理部としては、例えば、候補データ作成部３５１、候補データ送信部３５２、推論結果取得部３５３、決定木情報受取部３５４、重み算出部３５５、条件付周辺分布算出部３５６、推定部３５７、評価部３５８、出力部３５９などがある。
【0043】
なお、リスク評価装置３００は、上記例示した構成のうち、重み算出部３５５が重みを算出するために必要となる構成のみを有してよい。例えば、後述するように、重み算出部３５５は、非特許文献１に記載されている方法や非特許文献２に記載されているような方法で重みを算出することができる。ここで、非特許文献２に記載されている方法の場合、推論ラベルは必ずしも必要ではない。そのため、リスク評価装置３００は、重み算出部３５５による重み算出方法などによっては、候補データ送信部３５２や推論結果取得部３５３などの構成を有さなくてもよい。
【0044】
候補データ作成部３５１は、事前情報３４１に基づいて候補データを作成する。例えば、候補データ作成部３５１は、欠損属性情報が示す候補の数に応じた候補データを作成する。候補データ作成部３５１は、任意のタイミングで候補データを作成してよい。
【0045】
具体的に、例えば、事前情報３４１として、部分訓練データ情報（ｘ２、…、ｘｄ、ｙ）が格納されており、欠損属性情報として未知の属性ｘ１が（ｖ１１、…、ｖ１ｋ）のいずれかの値である旨が格納されているとする。この場合、候補データ作成部３５１は、未知の属性ｘ１が（ｖ１１、…、ｖ１ｋ）のうちのいずれかの値をとるとして、（ｖ１１、…、ｖ１ｋ）それぞれに対応する候補データを作成する。つまり、候補データ作成部３５１は、（ｖ１１、ｘ２、…、ｘｄ）、…、（ｖ１ｋ、ｘ２、…、ｘｄ）という候補データを作成する。
【0046】
なお、上述したように、事前情報３４１には、部分訓練データ情報と欠損属性情報とを対応付けた情報を複数含むことができる。候補データ作成部３５１は、上記対応付けた情報ごとに、上述した方法を用いて候補データを作成してよい。
【0047】
候補データ送信部３５２は、候補データ作成部３５１が作成した候補データをモデル格納装置２００に対して送信する。候補データ送信部３５２は、候補データ作成時に用いた部分訓練データ情報などに応じた候補データの識別情報などを候補データとともに送信してもよい。
【0048】
推論結果取得部３５３は、モデル格納装置２００から候補データに基づく推論の結果として、推論ラベルを受信、取得する。例えば、推論結果取得部３５３は、推論対象となった候補データが判別可能なように、識別情報などとともにモデル格納装置２００から推論ラベルを取得する。また、推論結果取得部３５３は、受信した推論ラベルを推論結果情報３４２として記憶部３４０に格納する。推論結果取得部３５３は、対応する候補データの識別情報などともに、推論ラベルを記憶部３４０に格納してもよい。
【0049】
決定木情報受取部３５４は、モデル格納装置２００から学習モデル２４１についての情報を受け取る。例えば、決定木情報受取部３５４は、モデル格納装置２００から、モデル構造、モデルの分岐条件、各葉ノードに割り振られる訓練データの数、などの学習モデル２４１についての情報を受け取る。また、決定木情報受取部３５４は、受け取った学習モデル２４１についての情報を決定木情報３４３として記憶部３４０に格納する。
【0050】
なお、決定木情報受取部３５４は、任意のタイミングで学習モデル２４１についての情報を送信するようモデル格納装置２００に対して指示してもよい。例えば、決定木情報受取部３５４は、上記指示に応じて送信された学習モデル２４１についての情報を受け取るよう構成してもよい。
【0051】
重み算出部３５５は、既知属性についての情報と未知属性についての情報を用いて、所定の重みを算出する。また、重み算出部３５５は、算出した重みを重み情報３４４として記憶部３４０に格納する。重み算出部３５５は、対応する候補データの識別情報などともに、算出結果を記憶部３４０に格納してもよい。
【0052】
例えば、重み算出部３５５は、非特許文献１に記載されている方法と同様の方法を用いて重みを算出する。具体的に、例えば、重み算出部３５５は、数１で示すように、事前情報３４１と推論結果情報３４２に基づいて、所定のエラー関数err()を用いることで、推論ラベルと推論対象となった候補データの作成元になった部分訓練データ情報に含まれるラベルとの間のずれを算出する。つまり、重み算出部３５５は、既知属性についての情報と未知属性についての情報とに基づいて推論される推論ラベルと、ラベルと、の間のずれを算出することで重みを算出する。
なお、ｙがラベルであり、ｆ（ｘ’）が推測ラベルである。
【数1】
【0053】
また、例えば、重み算出部３５５は、上記方法の代わりに、非特許文献２に記載されているような方法で比率を算出して、算出した比率を重みとして用いるよう構成してもよい。例えば、重み算出部３５５は、数２で示すような式を解くことで比率を算出することができる。
なお、非特許文献２で示すように、φi()は、欠損した属性の値候補ｖに関する所定の指示関数である。また、訓練データ総数Ｎに対してpi = ni/Nとなる。なお、niは葉ノードiに振り分けられる訓練データの数を示す。また、S = (si)i=1,…,m=(φi ,ni )i=1,…,mであり、決定木のすべての経路集合を示す。また、s1,…,smkは既知属性がzkであるデータがひとつは通る経路を示す。
【数2】
【0054】
また、重み算出部３５５は、上記例示した以外の方法で重みを算出してもよい。例えば、重み算出部３５５は、任意の方法で決定された重み初期値を既知属性の値で調整することなどにより重みを算出してもよい。
【0055】
例えば、以上説明したように、重み算出部３５５は、既知属性についての情報と未知属性についての情報を用いて、所定の重みを算出する。なお、重み算出部３５５は、上記例示したうちのいずれかの方法を用いて重みを算出するよう構成してもよい。
【0056】
条件付周辺分布算出部３５６は、決定木情報３４３を用いて対象となる葉ノードに落ちる訓練データの数を算出することなどにより条件付周辺分布に応じた値を算出する。例えば、条件付周辺分布算出部３５６は、未知属性の候補ごとに条件付周辺分布を算出することができる。
【0057】
例えば、図７は、特徴量の空間を長方形に分割する決定木において、二分木によって分割された後の領域の一例を示している。また、図７において、例えば、ｚ２が既知属性でありｚ１が未知属性であるとする。この場合、決定木情報３４３を用いて決定木のある領域に割り当てられているデータ量をみることで、図７で例示するように間接的に真の条件付周辺分布に応じた値を算出できる。この値は、真の分布とは異なっているものの、平均を用いるよりは良くなる可能性を期待することができる。
【0058】
具体的に、例えば、条件付周辺分布算出部３５６は、下記数３で示すような式を解くことで、経験的に条件付周辺分布に応じた値を算出する。
【数3】
【0059】
換言すると、例えば、条件付周辺分布算出部３５６は、決定木情報３４３を参照して、未知属性をある候補とした際に落ちる葉ノードを特定する。そして、条件付周辺分布算出部３５６は、訓練データ全体Ｄのうち特定した葉ノードに対して落ちる訓練データの数を算出することで、第１の値を算出する。また、条件付周辺分布算出部３５６は、未知属性を各候補とした際にそれぞれ落ちる葉ノードを特定する。そして、条件付周辺分布算出部３５６は、訓練データ全体Ｄのうち、特定した各葉ノードに対して落ちる訓練データの数の和を算出することで、第２の値を算出する。その後、条件付周辺分布算出部３５６は、第１の値を第２の値で割ることで、条件付周辺分布に応じた値を算出する。
【0060】
なお、決定木では、すべての特徴量の値に対応するように特徴量空間を分割するわけではない。そのため、実際には、図８に示すように、分割領域の粒度は図７で例示するよりも荒くなる可能性が高い。その結果、例えば、図７と図８を比較すると、粒度が荒くなった結果として、図７で示す場合よりも葉ノード（分割領域）に落ちる訓練データの数が多くなったり、頻度の中心がずれるおそれがあったりすることが分かる。そこで、条件付周辺分布算出部３５６は、下記数４で示すように葉ノードに対して落ちる訓練データの数を単位面積あたりに補正するよう構成することができる。一般に、特徴量空間において近傍では分布はほぼ不変である。そのため、上記のような補正を行うことで、性能改善を見込むことができる。
【数4】
【0061】
上述したように、数４で示す式では、数３の式における分子を特徴量空間上で占める面積で割ることで、上述した補正処理を行っている。ここで、上記面積は、例えば、下記のようにして算出することができる。
【0062】
例えば、属性ｚｊ（ｊ＝１、…、ｄ）に対してｚｊが離散値の場合、条件付周辺分布算出部３５６は、ｚｊがとりうる値の個数を数えることでＮｊを算出する。例えば、属性ｚｊが{Ａ，Ｂ，Ｃ}の３値を取りうるならば、Ｎｊは３となる。また、条件付周辺分布算出部３５６は、葉ノードｉに振り分けられる訓練データにおいてｚｊが取りうる値の個数を数えることで、ｎｊ，ｉを算出する。例えば、葉ノードｉに至る経路で{Ａ，Ｃ}の２値が許容される場合、ｎｊ，ｉは２となる。そして、条件付周辺分布算出部３５６は、ｎｊ，ｉをＮｊで割ることで幅ｗｊを算出する。例えば、上記のようにして幅ｗｊを算出した後、条件付周辺分布算出部３５６は、下記数５で示す式を解くことで面積を算出することができる。
【数5】
【0063】
なお、上記処理では、ｎｊ，ｉをＮｊで割ることで正規化を行っている。例えば、身長という属性がｃｍであり距離という属性がｍであるなど、属性ごとにスケーリングが異なっている場合がある。そのため、単にｎｊ，ｉを用いるのではなくＮｊで割っておくことで、より適切な値を算出することができる。正規化の必要がないことが予め分かっている場合などにおいて、Ｎｊで割る処理を省略してもよい。
【0064】
また、例えば、属性ｚｊ（ｊ＝１、…、ｄ）に対してｚｊが連続値の場合、条件付周辺分布算出部３５６は、ｚｊがとりうる値の範囲の差を算出することでＮｊを算出する。例えば、属性ｚｊが１から１０までの値を取りうる場合、Ｎｊは１０－１より９となる。また、条件付周辺分布算出部３５６は、葉ノードｉに振り分けられる訓練データにおいてｚｊが取りうる値の範囲の差を算出することでｎｊ，ｉを算出する。例えば、葉ノードｉに至る経路で２から５までの値が許容される場合、ｎｊ，ｉは５－２より３となる。そして、条件付周辺分布算出部３５６は、ｎｊ，ｉをＮｊで割ることで幅ｗｊを算出する。その後、条件付周辺分布算出部３５６は、上述した数５で示す式を解くことで面積を算出することができる。なお、属性が離散値である場合と同様に、属性が連続値である場合も、正規化する処理を省略してもよい。
【0065】
例えば、以上のように、条件付周辺分布算出部３５６は、葉ノードｉに振り分けられる訓練データにおいてｚｊが取りうる値の個数または範囲に基づいて算出される特徴量空間上の面積を用いて、葉ノードに対して落ちる訓練データの数を補正するよう構成してもよい。
【0066】
なお、後述するように、条件付周辺分布算出部３５６が算出した条件付周辺分布に応じた値は、推定部３５７が推定を行う際に比較される対象となる。また、数３や数４で示す式のうち分母の部分は、未知属性の各候補で同一の値となる。そのため、条件付周辺分布算出部３５６は、条件付周辺分布に応じた値として、数３や数４で示す式の分子の部分のみを算出するよう構成してもよい。換言すると、条件付周辺分布算出部３５６は、条件付周辺分布に応じた値として、訓練データ全体Ｄのうち特定した葉ノードに対して落ちる訓練データの数や、当該数を面積で補正した値などを算出するよう構成してもよい。
【0067】
推定部３５７は、重み情報３４４と条件付周辺分布算出部３５６が算出した条件付周辺分布に応じた値とに基づいて、候補のうち未知の属性として尤もらしい属性の値を推定する。また、推定部３５７は、推定した結果を推定情報３４５として記憶部３４０に格納する。
【0068】
例えば、推定部３５７は、下記数６で示すように、重みと条件付周辺分布に応じた値との積が最大化するｉを特定することで、ｉ’を特定する。そして、尤もらしい属性の値として、特定したｉ’に応じたｖ１ｉ’を出力する。なお、ｉ’は、１からｋまでのうちのいずれかの値をとる。
【数6】
【0069】
なお、数６は、重み算出部３５５が非特許文献１に記載の方法で重みを算出した場合の推定部３５７の処理例を例示している。例えば、数６では、非特許文献１における推定方法のうち条件なしの周辺分布を用いる部分を条件付きの周辺分布に応じた値に置き換えている。このように、推定部３５７は、重み算出部３５５による重みの算出方法に応じた方法で推定処理を行ってよい。例えば、重み算出部３５５が非特許文献２に記載の方法で重みを算出する場合、推定部３５７は、非特許文献２における推定方法のうち条件なしの周辺分布を用いる部分を条件付きの周辺分布に応じた値に置き換えて推定処理を行うよう構成してよい。
【0070】
評価部３５８は、推定情報３４５に基づく評価を行う。換言すると、評価部３５８は、推定部３５７による推定の結果に基づいて、リスク評価を行う。
【0071】
例えば、評価部３５８は、事前情報３４１が示す未知の属性が実際にはどのような値であったかを示す情報である正解情報を有している。例えば、図６で例示する場合、評価部３５８は、ｘ１が（ｖ１１、…、ｖ１ｋ）のうちのいずれの値であるかを示す正解情報を有している。評価部３５８は、推定部３５７による推定の結果と、正解情報が示す実際の値と、を比較して、比較した結果に基づいてリスクの評価を行うことができる。例えば、評価部３５８は、推定部３５７による推定の結果と、正解情報が示す実際の値と、が一致している場合にリスクが高い、と評価することができる。一方、推定部３５７による推定の結果と、正解情報が示す実際の値と、が一致していない場合、評価部３５８は、リスクが低い、と評価することができる。
【0072】
なお、上述したように、事前情報３４１には、部分訓練データ情報と欠損属性情報とを対応付けた情報が複数含まれている。そのため、推定部３５７は、上記対応付けた情報ごとに候補の推定を行うことができる。そこで、例えば、評価部３５８は、推定部３５７による複数の推定の結果と、各推定に応じた正解情報と、の比較結果に基づいて、リスクの評価を行ってもよい。具体的に、例えば、評価部３５８は、複数の比較の結果に応じて、推定の結果と正解情報とが一致した割合を示す正答率を算出する。そして、評価部３５８は、リスクを示す情報として、例えば、算出した正答率を出力することができる。評価部３５８は、算出した正答率が予め定められた閾値を超えているか否かなどに応じてリスクを評価して、評価した結果を出力するよう構成してもよい。
【0073】
出力部３５９は、推定部３５７が推定した候補を示す情報や、評価部３５８による評価結果を示す情報などを出力する。例えば、出力部３５９は、上記各情報を画面表示部３２０上に表示させたり、通信Ｉ／Ｆ部３３０を介して外部装置に対して送信したりする。
【0074】
【0075】
まず、図９を参照して、未知の属性を推定する際のリスク評価装置３００の動作例について説明する。図９は、非特許文献１に記載の方法で重みを算出する場合における、未知の属性推定時のリスク評価装置３００の動作例を示すフローチャートである。図９を参照すると、候補データ作成部３５１は、事前情報３４１に基づいて候補データを作成する（ステップＳ１０１）。例えば、候補データ作成部３５１は、欠損属性情報が示す候補の数に応じた候補データを作成する。
【0076】
候補データ送信部３５２は、候補データ作成部３５１が作成した各候補データをモデル格納装置２００に対して送信する（ステップＳ１０２）。
【0077】
推論結果取得部３５３は、モデル格納装置２００から候補データに基づく推論の結果として、候補データごとに推論ラベルを取得する（ステップＳ１０３）。
【0078】
決定木情報受取部３５４は、学習モデル２４１についての情報をモデル格納装置２００から受け取る（ステップＳ１０４）。ステップＳ１０３とステップＳ１０４の処理は、どちらが先に行われてもよいし、並列で行われてもよい。
【0079】
重み算出部３５５は、既知属性についての知識と未知属性についての知識を用いて、重みを算出する（ステップＳ１０５）。例えば、重み算出部３５５は、事前情報３４１と推論結果情報３４２に基づいて、所定のエラー関数を用いることで、推論ラベルと推論対象となった候補データの作成元になった部分訓練データ情報に含まれるラベルとの間のずれを重みとして算出する。
【0080】
条件付周辺分布算出部３５６は、決定木情報３４３を用いて条件付周辺分布に応じた値を算出する（ステップＳ１０６）。例えば、条件付周辺分布算出部３５６は、訓練データ全体Ｄのうち、特定した葉ノードに対して落ちる訓練データの数を算出することなどにより、条件付周辺分布に応じた値を算出する。
【0081】
推定部３５７は、重み情報３４４と条件付周辺分布算出部３５６が算出した条件付周辺分布に応じた値とに基づいて、候補のうち未知の属性として尤もらしい属性の値を推定する（ステップＳ１０７）。例えば、推定部３５７は、重みと条件付周辺分布に応じた値との積が最大化するｉを特定することなどにより、未知の属性値を推定する。
【0082】
以上が、属性推定時のリスク評価装置３００の構成例である。なお、非特許文献１に記載方法を用いて重みを算出する代わりに非特許文献２に記載の方法を用いて重みを算出する場合、リスク評価装置３００は、ステップＳ１０１からステップＳ１０３までの処理を省略してもよい。この場合、リスク評価装置３００は、ステップＳ１０５の処理において、決定木情報３４３などを用いて重みを算出してよい。
【0083】
続いて、図１０を参照してリスク評価時のリスク評価装置３００の動作例について説明する。図１０は、リスク評価時におけるリスク評価装置３００の動作例を示すフローチャートである。図１０を参照すると、リスク評価装置３００は、図９を参照して説明した未知の属性について推定する処理を行う（ステップＳ２０１）。
【0084】
推定対象が事前情報３４１に残っている場合（ステップＳ２０２、Ｎｏ）、リスク評価装置３００は、ステップＳ２０１の処理に戻って推定処理を行う。一方、事前情報３４１内に推定対象がなくなった場合（ステップＳ２０２、Ｙｅｓ）、リスク評価装置３００は、各推定の結果に応じたリスク評価を行う（ステップＳ２０３）。例えば、リスク評価装置３００は、各推定の結果と、各推定に応じた正解情報と、の比較結果に基づいて正答率を算出して、算出した正答率に応じた出力を行うことができる。
【0085】
以上が、リスク評価時におけるリスク評価装置３００の動作例である。なお、ステップＳ２０３の処理は、ステップＳ２０１、Ｓ２０２の処理の後に必ずしも連続的に行われなくてもよい。例えば、ステップＳ２０３の処理は、ステップＳ２０１、Ｓ２０２の処理の後、任意のタイミングで行ってよい。
【0086】
このように、リスク評価装置３００は、重み算出部３５５と、条件付周辺分布算出部３５６と、推定部３５７と、を有している。このような構成によると、推定部３５７は、重み算出部３５５が算出した重みと条件付周辺分布算出部３５６が算出した条件付周辺分布に応じた値とに基づいて、候補のうち未知の属性として尤もらしい属性の値を推定することができる。その結果、より的確にデータを推定できる。
【0087】
なお、本実施形態においては、未知の属性がｘ１１つである場合について例示した。しかしながら、本発明は、未知の属性が複数ある場合であっても問題なく適用することができる。
【0088】
例えば、図１１は、未知の属性がｘ１からｘｎまで複数ある場合における事前情報３４１の一例を示している。例えば、図１１では、属性（ｘｎ＋１、…、ｘｄ）とラベルｙとが既知であり、属性（ｘ１、…、ｘｎ）が欠損している場合について例示している。この場合、欠損属性情報は、欠損している各属性の値についての情報を示すことになる。このように、未知属性が複数ある場合であっても、本発明は問題なく適用できる。
【0089】
なお、本実施形態においては、リスク評価システム１００がモデル格納装置２００とリスク評価装置３００とを有する場合について例示した。しかしながら、リスク評価システム１００は、例えば、本実施形態で説明したモデル格納装置２００とリスク評価装置３００としての機能を有する１台の情報処理装置から構成されてもよい。リスク評価システム１００は、その他既知の変形例を採用してもよい。
【0090】
［第２の実施形態］
次に、本開示の第２の実施形態について、図１２、図１３を参照して説明する。図１２は、推定装置４００のハードウェア構成例を示す図である。図１３は、推定装置４００の構成例を示すブロック図である。
次に、本開示の第２の実施形態について、図１２、図１３を参照して説明する。図１２は、推定装置４００のハードウェア構成例を示す図である。図１３は、推定装置４００の構成例を示すブロック図である。
【0091】
本開示の第２の実施形態においては、既知の属性についての情報などに基づいて未知の属性値を推定する情報処理装置である推定装置４００の構成例について説明する。図１２は、推定装置４００のハードウェア構成例を示している。図１２を参照すると、推定装置４００は、一例として、以下のようなハードウェア構成を有している。
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）４０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）４０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）４０３（記憶装置）
・ＲＡＭ４０３にロードされるプログラム群４０４
・プログラム群４０４を格納する記憶装置４０５
・情報処理装置外部の記録媒体４１０の読み書きを行うドライブ装置４０６
・情報処理装置外部の通信ネットワーク４１１と接続する通信インタフェース４０７
・データの入出力を行う入出力インタフェース４０８
・各構成要素を接続するバス４０９
・ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）４０１（演算装置）
・ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）４０２（記憶装置）
・ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）４０３（記憶装置）
・ＲＡＭ４０３にロードされるプログラム群４０４
・プログラム群４０４を格納する記憶装置４０５
・情報処理装置外部の記録媒体４１０の読み書きを行うドライブ装置４０６
・情報処理装置外部の通信ネットワーク４１１と接続する通信インタフェース４０７
・データの入出力を行う入出力インタフェース４０８
・各構成要素を接続するバス４０９
【0092】
また、推定装置４００は、プログラム群４０４をＣＰＵ４０１が取得して当該ＣＰＵ４０１が実行することで、図１３に示す重み算出部４２１、条件付周辺分布算出部４２２、推定部４２３としての機能を実現することができる。なお、プログラム群４０４は、例えば、予め記憶装置４０５やＲＯＭ４０２に格納されており、必要に応じてＣＰＵ４０１がＲＡＭ４０３などにロードして実行する。また、プログラム群４０４は、通信ネットワーク４１１を介してＣＰＵ４０１に供給されてもよいし、予め記録媒体４１０に格納されており、ドライブ装置４０６が該プログラムを読み出してＣＰＵ４０１に供給してもよい。
【0093】
なお、図１２は、推定装置４００のハードウェア構成例を示している。推定装置４００のハードウェア構成は上述した場合に限定されない。例えば、推定装置４００は、ドライブ装置４０６を有さないなど、上述した構成の一部から構成されてもよい。
【0094】
重み算出部４２１は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて、所定の重みを算出する。例えば、重み算出部４２１は、非特許文献１や非特許文献２に記載されている方法を用いて重みを算出することができる。
【0095】
条件付周辺分布算出部４２２は、決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する。例えば、条件付周辺分布算出部４２２は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を算出することで前記条件付周辺分布に応じた値を算出する。
【0096】
推定部４２３は、重み算出部４２１が算出した重みと、条件付周辺分布算出部４２２が算出した条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する。
【0097】
このように推定装置４００は、重み算出部４２１と、条件付周辺分布算出部４２２と、推定部４２３と、を有している。このような構成によると、推定部４２３は、重み算出部４２１が算出した重みと、条件付周辺分布算出部４２２が算出した条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定することができる。その結果、より正確な周辺分布であることが期待できる条件付周辺分布に応じた値に基づく推定を行うことができ、これにより、より的確な推定を行うことができる。
【0098】
なお、上述した推定装置４００は、当該推定装置４００などの情報処理装置に所定のプログラムが組み込まれることで実現できる。具体的に、本発明の他の形態であるプログラムは、推定装置４００などの情報処理装置に、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、決定木の情報に基づいて条件付周辺分布に応じた値を算出し、算出した重みと、算出した条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する、処理を実現するためのプログラムである。
【0099】
また、上述した推定装置４００などの情報処理装置により実行される推定方法は、推定装置４００などの情報処理装置が、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、決定木の情報に基づいて条件付周辺分布に応じた値を算出し、算出した重みと、算出した条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する、という方法である。
【0100】
上述した構成を有する、プログラム、又は、プログラムを記録したコンピュータが読み取り可能な記録媒体、又は、推定方法、の発明であっても、上述した推定装置４００と同様の作用・効果を奏するために、上述した本開示の目的を達成することができる。
【0101】
＜付記＞
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における推定装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。
上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本発明における推定装置などの概略を説明する。但し、本発明は、以下の構成に限定されない。
【0102】
（付記１）
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出する重み算出部と、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する条件付周辺分布算出部と、
前記重み算出部が算出した前記重みと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する推定部と、
を有する
推定装置。
（付記２）
付記１に記載の推定装置であって
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を算出することで前記条件付周辺分布に応じた値を算出する
推定装置。
（付記３）
付記２に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を、未知属性を各候補とした際にそれぞれ落ちる葉ノードに対してそれぞれ落ちる訓練データの数の和で割ることで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記４）
付記２または付記３に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数に対して所定の補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記５）
付記４に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を特徴量空間における単位面積あたりの数に補正する補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記６）
付記５に記載の推定装置であって、
葉ノードに振り分けられる訓練データにおいて属性が取りうる値の個数または範囲に基づいて面積を算出する
推定装置。
（付記７）
付記１から付記６までのうちのいずれか１項に記載の推定装置であって、
前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて推測される推測ラベルと、真のラベルと、の間のずれを所定のエラー関数を用いて算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記ずれと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
（付記８）
付記１から付記６までのうちのいずれか１項に記載の推定装置であって、
前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の比率を算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記比率と、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
（付記９）
情報処理装置が、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定方法。
（付記１０）
情報処理装置に、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
処理を実現するためのプログラムを記録した、コンピュータが読み取り可能な記録媒体。
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出する重み算出部と、
決定木の情報に基づいて、一部の属性の値が既知である条件下における未知属性の条件付周辺分布に応じた値を算出する条件付周辺分布算出部と、
前記重み算出部が算出した前記重みと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する推定部と、
を有する
推定装置。
（付記２）
付記１に記載の推定装置であって
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を算出することで前記条件付周辺分布に応じた値を算出する
推定装置。
（付記３）
付記２に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を、未知属性を各候補とした際にそれぞれ落ちる葉ノードに対してそれぞれ落ちる訓練データの数の和で割ることで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記４）
付記２または付記３に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数に対して所定の補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記５）
付記４に記載の推定装置であって、
前記条件付周辺分布算出部は、未知属性をある候補とした際に落ちる葉ノードに対して落ちる訓練データの数を特徴量空間における単位面積あたりの数に補正する補正処理を行うことで、前記条件付周辺分布に応じた値を算出する
推定装置。
（付記６）
付記５に記載の推定装置であって、
葉ノードに振り分けられる訓練データにおいて属性が取りうる値の個数または範囲に基づいて面積を算出する
推定装置。
（付記７）
付記１から付記６までのうちのいずれか１項に記載の推定装置であって、
前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて推測される推測ラベルと、真のラベルと、の間のずれを所定のエラー関数を用いて算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記ずれと、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
（付記８）
付記１から付記６までのうちのいずれか１項に記載の推定装置であって、
前記重み算出部は、未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の比率を算出することで前記重みを算出し、
前記推定部は、前記重み算出部が前記重みとして算出した前記比率と、前記条件付周辺分布算出部が算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定装置。
（付記９）
情報処理装置が、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
推定方法。
（付記１０）
情報処理装置に、
未知の属性候補を示す情報と既知の属性についての情報とに基づいて所定の重みを算出し、
決定木の情報に基づいて条件付周辺分布に応じた値を算出し、
算出した前記重みと、算出した前記条件付周辺分布に応じた値と、に基づいて、未知の属性の値を推定する
処理を実現するためのプログラムを記録した、コンピュータが読み取り可能な記録媒体。
【0103】
以上、上記各実施形態を参照して本願発明を説明したが、本願発明は、上述した実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明の範囲内で当業者が理解しうる様々な変更をすることができる。
【符号の説明】
【0104】
１００ リスク評価システム
２００ モデル格納装置
２１０ 受信部
２２０ 推論部
２３０ 出力部
２４０ 記憶部
２４１ 学習モデル
３００ リスク評価装置
３１０ 操作入力部
３２０ 画面表示部
３３０ 通信I／F部
３４０ 記憶部
３４１ 事前情報
３４２ 推論結果情報
３４３ 決定木情報
３４４ 重み情報
３４５ 推定情報
３４６ プログラム
３５０ 演算処理部
３５１ 候補データ作成部
３５２ 候補データ送信部
３５３ 推論結果取得部
３５４ 決定木情報受取部
３５５ 重み算出部
３５６ 条件付周辺分布算出部
３５７ 推定部
３５８ 評価部
３５９ 出力部
４００ 推定装置
４０１ ＣＰＵ
４０２ ＲＯＭ
４０３ ＲＡＭ
４０４ プログラム群
４０５ 記憶装置
４０６ ドライブ装置
４０７ 通信インタフェース
４０８ 入出力インタフェース
４０９ バス
４１０ 記録媒体
４１１ 通信ネットワーク
４２１ 重み算出部
４２２ 条件付周辺分布算出部
４２３ 推定部
２００ モデル格納装置
２１０ 受信部
２２０ 推論部
２３０ 出力部
２４０ 記憶部
２４１ 学習モデル
３００ リスク評価装置
３１０ 操作入力部
３２０ 画面表示部
３３０ 通信I／F部
３４０ 記憶部
３４１ 事前情報
３４２ 推論結果情報
３４３ 決定木情報
３４４ 重み情報
３４５ 推定情報
３４６ プログラム
３５０ 演算処理部
３５１ 候補データ作成部
３５２ 候補データ送信部
３５３ 推論結果取得部
３５４ 決定木情報受取部
３５５ 重み算出部
３５６ 条件付周辺分布算出部
３５７ 推定部
３５８ 評価部
３５９ 出力部
４００ 推定装置
４０１ ＣＰＵ
４０２ ＲＯＭ
４０３ ＲＡＭ
４０４ プログラム群
４０５ 記憶装置
４０６ ドライブ装置
４０７ 通信インタフェース
４０８ 入出力インタフェース
４０９ バス
４１０ 記録媒体
４１１ 通信ネットワーク
４２１ 重み算出部
４２２ 条件付周辺分布算出部
４２３ 推定部
【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】