知財求人 - 知財ポータルサイト「IP Force」
特表2024-524143圧縮および解凍変換を使用してデータを再構成する人工知能戦略を使用する分類
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-07-05
(54)【発明の名称】圧縮および解凍変換を使用してデータを再構成する人工知能戦略を使用する分類
(51)【国際特許分類】
G06N 3/0455 20230101AFI20240628BHJP
【ＦＩ】
G06N3/0455
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023577953
(86)(22)【出願日】2022-06-15
(85)【翻訳文提出日】2024-02-15
(86)【国際出願番号】 US2022033605
(87)【国際公開番号】W WO2022266208
(87)【国際公開日】2022-12-22
(31)【優先権主張番号】63/211,245
(32)【優先日】2021-06-16
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】523473305
【氏名又は名称】マイクロトレース，エルエルシー
(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】ライ，チー
(72)【発明者】
【氏名】ロエグリン，ブレイク，エム．
(72)【発明者】
【氏名】バストロム，ブライアン，ティー．
(72)【発明者】
【氏名】ブロッガー，ブライアン，ジェイ．
(57)【要約】
本発明は、サンプルを分類するために使用することができるＡＩ戦略を提供する。戦略はＡＩモデルを使用して、サンプルのための入力データセットを変換し、再構成データセットに再構成する。変換の一態様は、データの少なくとも１つの圧縮、および／またはデータの少なくとも１つの解凍（または展開）を含む。好ましくは、変換は、複数のデータ圧縮段階でデータを圧縮することと、複数のデータ解凍段階または解凍段階でデータを解凍または展開することとを含む。データを圧縮および解凍する利点は、変換が非常に複雑になり、訓練された真正なサンプルに一意的に適合するようになり、関連するクラスの真正なサンプルのみが、高い分類精度で再構成誤差閾値を満たすのに十分な精度で再構成されることができることである。関連するクラス以外の他のサンプルの再構成誤差は一般に、再構成誤差閾値を満たすのに十分に正確には再構成されない。
【特許請求の範囲】
【請求項1】
サンプルのアイデンティティを評価するためのシステムであって、少なくとも１つのメモリに動作可能に結合された少なくとも１つのハードウェアプロセッサを備え、前記ハードウェアプロセッサは、前記少なくとも１つのメモリに記憶された以下の命令を含むことを実行するように構成される、システム：ａ）前記サンプルを特徴付ける入力データセットを受信すること；
ｂ）前記ＡＩモデルが、前記入力データセットを含む情報から導出されたデータフローを圧縮／収縮および伸張／拡張して再構成データセットを提供することを含む変換を用いて、前入力データセットを含む情報を前記再構成データセットに変換するように、一意に訓練され、少なくとも１つの対応するクラスに関連付けられた人工知能（ＡＩ）モデルにアクセスすることであって、前記再構成データセットと前入力データセットとの間の再構成誤差は前記サンプルが前記少なくとも１つの対応するクラスにあるかどうかを示し、
ｃ）前記入力データセットを含む情報を前記再構成データセットに変換するためにＡＩモデルを使用すること；
ｄ）前記再構成誤差を決定するために、前記再構成データセットを含む情報を使用することと、
ｅ）前記再構成誤差を含む情報を使用して、前記サンプルが前記少なくとも１つの対応するクラスにあるかどうかを示す情報を決定すること。
【請求項2】
サンプルがクラスにあるかどうかを決定するための方法であって：ａ）前記サンプルに関連する特性を示す情報を含む入力データセットを提供するステップ；
ｂ）再構成データセットを提供するために、前記入力データセットを含む情報を変換するステップであって、前記変換するステップは、前記入力データセットを含む情報から導出されたデータのフローを圧縮および解凍することを含み、前記再構成データセットに関連する再構成誤差は前記サンプルが前記クラスにあるかどうかを示す、ステップ；及び
ｃ）前記サンプルが前記クラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップ、
を含む、方法。
【請求項3】
ステップｂ）は、１つまたは複数の圧縮段階で前記入力データセットを圧縮し、圧縮データを提供し、次いで、１つまたは複数の段階で前記圧縮データを解凍し、前記再構成データセットを提供するステップを含む、請求項２に記載の方法。
【請求項4】
ステップｂ）は、１つまたは複数の拡張段階で入力データセットを拡張して拡張データを提供し、次いで、１つまたは複数の段階で前記拡張データを圧縮して前記再構成データセットを提供するステップを含む、請求項２に記載の方法。
【請求項5】
ステップｂ）が複数の圧縮段階を含む、請求項２に記載の方法。
【請求項6】
ステップｂ）が、複数の減圧または拡張段階を含む、請求項２に記載の方法。
【請求項7】
ステップｃ）は、前記再構成誤差が誤差仕様内にあるかどうかを決定するステップを含む、請求項２に記載の方法。
【請求項8】
ステップｂ）は、訓練され特殊化されたＡＩモデルを使用して、前記入力データセットを前記再構成データセットに変換するステップを含む、請求項２に記載の方法。
【請求項9】
複数のクラスにそれぞれ関連する複数の訓練され特殊化されたＡＩモデルを提供するステップをさらに含み、ステップｂ）は各ＡＩモデルが前記入力データセットを関連する再構成データセットに変換するために使用され、再構成誤差が前記再構成データセットの各々について決定されるような方法で繰り返され、ステップｃ）は前記サンプルが訓練され特殊化されたＡＩモデルのいずれかに関連するクラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップを含む、請求項２に記載の方法。
【請求項10】
ステップｂ）が、入力データセットまたはその派生物を、前記再構成データセットまたはその派生物と比較するステップを含む、請求項２に記載の方法。
【請求項11】
前記訓練され特殊化されたＡＩモデルを更新するステップをさらに含む、請求項８に記載の方法。
【請求項12】
前記訓練されたＡＩモデルは、関連するスペクトルシグネーチャに関して訓練され、特殊化される、請求項８に記載の方法。
【請求項13】
前記訓練されたＡＩモデルは、関連するタガントシステムに関して訓練され、特殊化される、請求項８に記載の方法。
【請求項14】
各訓練され特殊化されたＡＩモデルが、関連する一意のタガントシステムに関して訓練される、請求項９に記載の方法。
【請求項15】
前記サンプルは対応するスペクトルシグネーチャに関連付けられたタガントシステムを備え、ステップａ）が、前記サンプルのスペクトル特性を検出するためにリーダを使用するステップを含む、請求項２に記載の方法。
【請求項16】
前記スペクトル特性が、約３８０ｎｍ～約１０００ｎｍの範囲の１つ以上の波長帯域にわたって捕捉される、請求項１５に記載の方法。
【請求項17】
前記タガントシステムが、１つまたは複数の発光タガント化合物を含む、請求項１５に記載の方法。
【請求項18】
前記入力データセットが、波長範囲にわたる波長の関数としてのスペクトルの強度値を含む、請求項２に記載の方法。
【請求項19】
前記再構成データセットが、前記波長範囲にわたる波長の関数としてのスペクトルの再構成された強度値を含む、請求項１８に記載の方法。
【請求項20】
ステップｃ）が、前記再構成データセットの強度値またはその導関数を、前記入力データセットの強度値またはその導関数と比較するステップを含む、請求項１９に記載の方法。
【請求項21】
ステップｃ）が、波長範囲にわたるプロファイルとして比較値を提供するステップを含む、請求項２に記載の方法。
【請求項22】
誤差仕様が、前記サンプルが前記クラスにあるとき、前記比較値の十分な割合を包含する境界を提供する、請求項２１に記載の方法。
【請求項23】
前記サンプルに関連する前記特性が、前記サンプルまたはその構成要素から収集された光学的情報を含む、請求項２に記載の方法。
【請求項24】
前記光学的情報がスペクトル特性を含む、請求項２３に記載の方法。
【請求項25】
前記ＡＩモデルは、５～５０個の隠れ層を備える、請求項８に記載の方法。
【請求項26】
前記ＡＩモデルは、２～１０個の隠れ層を備える、請求項８に記載の方法。
【請求項27】
前記ＡＩモデルは、８つの隠れ層を備える、請求項８に記載の方法。
【請求項28】
ステップｂ）がデータフローを漸進的に圧縮し、前記データフローを漸進的に解凍するステップを含む、請求項２５に記載の方法。
【請求項29】
ステップｂ）がデータフローを漸進的に拡張し、前記データフローを漸進的に圧縮することを含む、請求項２５に記載の方法。
【請求項30】
前記データフローを圧縮する隠れ層の数は、前記データフローを解凍または拡張する隠れ層の数とは異なる、請求項２８または２９に記載の方法。
【請求項31】
前記データフローを圧縮する隠れ層の数は、前記データフローを解凍または拡張する隠れ層の数に等しい、請求項２８または２９に記載の方法。
【請求項32】
前記ＡＩモデルは、データ圧縮領域と、データ伸張または伸張領域とを含むアーキテクチャを含む、請求項８に記載の方法。
【請求項33】
前記サンプルが宝石である、請求項２に記載の方法。
【請求項34】
サンプルがクラスにあるかどうかを示す情報を決定するシステムを作る方法であって：ａ）前記クラスに関連する少なくとも１つの訓練サンプルを含む訓練サンプルセットを提供するステップ；
ｂ）前記訓練サンプルセットの対応する訓練サンプルを特徴付ける入力データセットを提供するステップ；
ｃ）前記入力データセットを圧縮および解凍・拡張して変換し、再構成データセットのデータのフローを拡張する人工知能（ＡＩ）モデルを提供ステップであって、前記変換することは、データのフローを圧縮することと、データのフローを解凍または拡張することとを含み、前記再構成データセットに関連する再構成誤差は前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップと、
ｄ）前記再構成誤差が、前記サンプルが前記関連するクラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために、前記入力データセットを含む情報を使用するステップと、を含む、方法。
【請求項35】
前記訓練サンプルセットは前記クラスに関連する複数の訓練サンプルを含み、ステップｂ）は前記訓練サンプルの各々にそれぞれ対応する入力データセットを提供するステップを含み、ステップｄ）は前記入力データセットを使用して、前記ＡＩモデルを訓練して、前記入力データセットを関連する再構成データセットに変換するステップを含み、前記変換は複数のデータ圧縮段階および複数のデータ解凍または拡張段階を使用し、ステップｄ）は、前記再構成データセットの所望の割合が前記クラスに関連する前記訓練サンプルを示す誤差仕様を満たすまで、前記ＡＩモデルを訓練するステップを含む、請求項３４に記載の方法。
【請求項36】
各訓練サンプルは真正のタガントシグネーチャを備え、前記ＡＩモデルは前記入力データセットを、誤差仕様内で前記入力データセットと一致する再構成データセットに変換するように訓練される、請求項３５に記載の方法。
【請求項37】
ステップａ）～ｄ）が複数の訓練され特殊化されたＡＩモデルを提供するのに効果的な方法で繰り返され、各モデルが関連する対応するクラスに関して特殊化されるように訓練される、請求項３６に記載の方法。
【請求項38】
ステップｄ）は、前記訓練サンプルが誤差仕様内にある再構成誤差を提供するように、前記ＡＩモデルを訓練することを含む、請求項３４に記載の方法。
【請求項39】
前記再構成誤差が、前記入力データセットと前記再構成データセットとの間の比較に関連する値の配列から導出される、請求項３４に記載の方法。
【請求項40】
前記配列が移動平均値を含む、請求項３９に記載の方法。
【請求項41】
前記再構成誤差が、サンプル数の関数としての誤差値のプロファイルを含む、請求項３９に記載の方法。
【請求項42】
前記誤差仕様は閾値である、請求項３８に記載の方法。
【請求項43】
前記誤差仕様は、第１および第２の閾値を含む、請求項３８に記載の方法。
【請求項44】
前記再構成誤差は比較値の配列から導出された値である、請求項３８に記載の方法。
【請求項45】
前記再構成誤差は和である、請求項４４に記載の方法。
【請求項46】
前記再構成誤差は平均である、請求項４４に記載の方法。
【請求項47】
前記再構成誤差が平均二乗誤差である、請求項４４に記載の方法。
【請求項48】
前記再構成誤差が二乗平均平方根誤差である、請求項４４に記載の方法。
【請求項49】
前記再構成誤差がユークリッド距離に基づく、請求項４４に記載の方法。
【請求項50】
ステップｄ）が少なくとも５回の訓練サイクルを含む、請求項３４に記載の方法。
【請求項51】
ステップｄ）が、少なくとも１０の訓練サイクルを含む、請求項３４に記載の方法。
【請求項52】
前記サンプルが宝石である、請求項３４に記載の方法。
【請求項53】
前記ステップｄ）は、前記再構成データセットに対する前記再構成誤差が誤差仕様内にあるように前記ＡＩモデルを訓練することを含む、請求項３４に記載の方法。
【請求項54】
ステップａ）は、前記クラスに関連する複数の訓練サンプルを提供することを含む、請求項３４に記載の方法。
【請求項55】
前記ステップｄ）は、前記訓練サンプルの所望の部分が前記クラス内にあると認識されるまで、前記訓練サンプルを使用して前記ＡＩモデルを訓練することを含む、請求項５４に記載の方法。
【請求項56】
ステップｄ）は、１つまたは複数の圧縮段階で前記入力データセットを圧縮して圧縮データを提供し、次いで、１つまたは複数の段階で前記圧縮データを解凍して前記再構成データセットを提供することを含む、請求項３４に記載の方法。
【請求項57】
ステップｄ）は、１つまたは複数の拡張段階で入力データセットを拡張して拡張データを提供し、次いで、１つまたは複数の段階で前記拡張データを圧縮して前記再構成データセットを提供することを含む、請求項３４に記載の方法。
【請求項58】
ステップｄ）は、複数の圧縮段階を含む、請求項３４に記載の方法。
【請求項59】
ステップｄ）は、複数の圧縮または拡張段階を含む、請求項３４に記載の方法。
【請求項60】
ステップｄ）は、前記再構成データセットが誤差仕様内で前記入力データセットと一致するかどうかを決定することを含み、その結果、誤差仕様内での前記再構成データセットと前記入力データセットとの間の一致が、前記サンプルが前記クラス内にあることを示す、請求項３４に記載の方法。
【請求項61】
ステップｄ）は、前記入力データセットまたはその派生物を、前記再構成データセットまたはその派生物と比較することを含む、請求項３４に記載の方法。
【請求項62】
前記訓練されたＡＩモデルを経時的に更新するステップをさらに含む、請求項３４に記載の方法。
【請求項63】
前記訓練されたＡＩモデルは、関連するスペクトルシグネーチャに関して訓練される、請求項３４に記載の方法。
【請求項64】
前記訓練されたＡＩモデルは、関連するタガントシステムに関して訓練される、請求項３４に記載の方法。
【請求項65】
各訓練されたＡＩモデルが、関連する一意のタガントシステムに関して訓練される、請求項３７に記載の方法。
【請求項66】
前記サンプルは対応するスペクトルシグネーチャに関連付けられたタガントシステムを含み、ステップｂ）は、前記サンプルのスペクトル特性を検出するためにリーダを使用することを含む、請求項３４に記載の方法。
【請求項67】
前記スペクトル特性は、約３８０ｎｍ～約１０００ｎｍの範囲の１つ以上の波長帯域にわたって捕捉される、請求項６６に記載の方法。
【請求項68】
前記タガントシステムは、１つまたは複数の発光タガント化合物を含む、請求項６６に記載の方法。
【請求項69】
前記入力データセットは、ある波長範囲にわたる波長の関数としてのスペクトルの強度値を含む、請求項３４に記載の方法。
【請求項70】
前記再構成データセットは、前記波長範囲にわたる波長の関数としてのスペクトルについての再構成された強度値を含む、請求項６９に記載の方法。
【請求項71】
ステップｄ）は、前記再構成データセットの強度値またはその導関数を、前記入力データセットの強度値またはその導関数と比較することを含む、請求項７０に記載の方法。
【請求項72】
ステップｄ）は、波長範囲にわたるプロファイルとして比較値を提供することを含む、請求項３４に記載の方法。
【請求項73】
誤差仕様は、前記比較値の十分な割合を包含するように境界として設定される、請求項７２に記載の方法。
【請求項74】
前記サンプルに関連する前記特性は、前記サンプルまたはその構成要素から収集された光学的情報を含む、請求項３４に記載の方法。
【請求項75】
前記光学的情報はスペクトル特性を含む、請求項７４に記載の方法。
【請求項76】
前記ＡＩモデルは、５～５０個の隠れ層を含む、請求項３４に記載の方法。
【請求項77】
前記ＡＩモデルは、２～１０個の隠れ層を含む、請求項３４に記載の方法。
【請求項78】
前記ＡＩモデルは、８つの隠れ層を含む、請求項３４に記載の方法。
【請求項79】
ステップｄ）は、データフローを漸進的に圧縮し、前記データフローを漸進的に解凍することを含む、請求項７７に記載の方法。
【請求項80】
ステップｄ）は、データフローを漸進的に拡張し、前記データフローを漸進的に圧縮することを含む、請求項７７に記載の方法。
【請求項81】
前記データフローを圧縮する隠れ層の数は、前記データフローを解凍または拡張する隠れ層の数とは異なる、請求項７９または８０に記載の方法。
【請求項82】
前記データフローを圧縮する隠れ層の数は、前記データフローを解凍または拡張する隠れ層の数に等しい、請求項７９または８０に記載の方法。
【請求項83】
前記ＡＩモデルは、データ圧縮領域と、データ拡張または解凍領域とを含むアーキテクチャを含む、請求項３４に記載の方法。
【請求項84】
サンプルが真正のタガントシステムに関連するクラス内にあるかどうかを示す情報を決定するシステムを作成する方法であって：ａ）少なくとも１つの訓練サンプルを提供するステップであって、前記訓練サンプルは前記真正のタガントシステムを含み、前記真正のタガントシステムは、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、ステップ；
ｂ）前記訓練サンプルのための入力データセットを含む情報を提供するステップであって、前記入力データセットは、前記真正のタガントシステムによって示される前記スペクトル特性を示す情報を含む、ステップ；
ｃ）データのフローを圧縮および解凍／拡張して再構成データセットを提供する人工知能（ＡＩ）モデルを提供するステップであって、前記再構成データセットに関連する再構成誤差が、前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップ；および、
ｄ）前記再構成誤差は前記サンプルが前記関連するクラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために、前記入力データセットを含む情報を使用するステップ、
を含む、方法。
【請求項85】
サンプルが真正クラスにあるかどうかを示す情報を決定する分類システムであって、前記分類システムは：ａ）真正のタガントシステムが、前記真正のスペクトルシグネーチャに関連するスペクトル特性を示す、前記真正のクラスに関連する真正のタガントシステム；および、
ｂ）少なくとも１つのメモリに動作可能に結合された少なくとも１つのハードウェアプロセッサを備えるコンピュータネットワークシステムであって、前記ハードウェアプロセッサは、少なくとも１つのメモリに記憶された命令を備え：
ｉ．訓練され、前記真正のクラスに関連付けられた人工知能（ＡＩ）モデルにアクセスすることであって、前記ＡＩモデルが前記入力データセットを含むデータフローを圧縮／収縮および解凍／拡張することを含む変換を用いて、前記サンプルに関する入力データセットを再構成データセットに変換し前記再構成データセットを提供し、前記入力データセットは前記サンプルに関連付けられたスペクトル情報を含み、前記再構成データセットと前記入力データセットとの間の再構成誤差は、前記サンプルが真正のクラスの内側にあるか外側にあるかを示し；
ｉｉ．前記ＡＩモデルおよび前記入力データセットを含む情報を使用して、前記再構成データセットの取得し；
ｉｉｉ．前記再構成誤差を決定するために前記再構成データセットを含む情報を使用し、
ｉｖ．前記再構成誤差を含む情報を用いて、前記サンプルが前記真正クラスの内側にあるか外側にあるかを示す情報を決定する、ことを、
を実行するように構成される、分類システム。
【発明の詳細な説明】
【技術分野】
【0001】
本出願は、２０２１年６月１６日に出願された「人工知能戦略を用いた分類、圧縮及び圧縮解除変換を用いてデータを再構成する」と題する米国仮特許出願第６３／２１１，２４５号の優先権を主張し、その開示は、すべての目的のためにそれぞれの全体が参照により本明細書に組み込まれる。
【0002】
本発明は、サンプルを分類するのに有用な人工知能（ＡＩ）戦略に関する。この戦略は、少なくとも１つの対応するクラスに関して訓練され特殊化されたＡＩモデルを使用して、対応する１つまたは複数のクラス内のサンプルについての結果として生じる再構成誤差特性が１つまたは複数のクラス外のサンプルについての再構成誤差よりも小さくなるように、サンプルについてのデータを再構成する。その結果、サンプルの再構成誤差特性は、それらの分類を示す。有利なことに、ＡＩモデルは１つまたは複数のクラス外のサンプルを用いて訓練する必要なしに、その１つまたは複数のクラス内のサンプルのみを用いて正確な分類を提供するように訓練することができる。
［背景技術］
［背景技術］
【0003】
様々な分類戦略を使用して、サンプルを１つ以上の関心のあるクラスに分類するか、またはサンプルが１つ以上のクラスにないことを決定することができる。１つの例示的な戦略として、分類は人工知能（ＡＩ）モデルを使用して、サンプルの特性を評価し、その結果を使用してサンプルを分類することができる。機械学習（ＭＬ）は、データの使用からの経験および学習を通して自動的に改善するアルゴリズムを含む人工知能の一種である。例えば、ＭＬまたは他のＡＩアプローチが、企業を業績に基づいていくつかのクレジットランキングのうちの１つに分類するために使用されている。同様のアプローチが、検査結果に基づいて、患者を数少ない診断の１つに分類するためにも使用されている。セキュリティ業界では、製品が真正か偽物かを確認するために、製品を分類することができることが有用であろう。識別を確認し、ＩＤ窃盗のリスクを低減すること、宝石の起源または原産地を分類すること（例えば、異なる鉱山からのダイヤモンドの起源を分類すること）、マシンからの音波を評価すること（例えば、船または他の車両を識別すること、適切な機能を評価することなど）、バイオメトリクスを評価すること、タガントシグナルを評価すること、天然材料および人工材料を評価すること、製品鮮度を評価すること、劣化を評価すること、バイオ検出を達成することなどを含む、様々な他の用途に分類戦略を適用することが有用である。
【0004】
ＡＩモデルは一般に、適切な訓練サンプルから得られた訓練データを使用して訓練される。各サンプルおよびその対応するサンプルクラスの記述情報（すなわち、変数）を含む十分な訓練・データが提供される場合、ＭＬまたはＡＩモデルは、変数と分類の目的サンプルクラスとの間の隠れ関係を学習することができる。ＡＩモデルは一般に、分類タスクのための隠れた非線形関係を学習するために、大量の相互接続された人工ニューロンを含むアーキテクチャを有する。ＡＩモデルは、人工知能ニューラルネットワーク（ＡＮＮ）またはディープニューラルネットワークとしても知られている。
【0005】
人工知能の分野では、典型的なＡＩモデルは、多くの属性または特性を含む。第１の属性は、評価のためにＡＩモデルに供給される入力データ値を含む入力層または入力データセットである。典型的なＡＩモデルは、また、変換から生じる出力値を含む出力層への出力データを生成するために、入力データを変換する１つまたは複数の隠れ層を含む。各隠れ層は、典型的には、ノードまたはニューロンの配列を含む。各隠れ層におけるノードの数および配列サイズは同じであってもよいし、隠れ層ごとに異なっていてもよい。分類決定は、出力結果に基づいて、または出力結果から導出された情報から行うことができる。
【0006】
隠れ層間のノードは、データが流れる経路またはリンクによって、互いに接続され、入力層および出力層に接続される。データの流れは、しばしば複数のリンクを介して、各ノードへの入力として提供される。各ノードは、データに変換を適用して、変換された出力を生成する。各ノードの出力は、人工知能の分野において、その活性化値またはそのノード値として参照され得る。各ノードの活性化値は、多くの場合、１つまたは複数の他の隠れ層内の複数の他のノードおよび／または出力層に供給される。典型的なＡＩモデルはまた、重み、バイアス、パラメータ、ならびに経路およびノードに関連する他の特性を含む。
【0007】
ＡＩモデルは一般に、正確な結果を生成するために訓練されなければならない。訓練は、ＡＩモデルを使用して、１つまたは複数の訓練サンプルから取得された訓練データを処理することによって行われる。訓練プロセス中、ＡＩモデルは、隠れ層の重み及びバイアスを徐々に調整することによって学習することが多い。多くの場合、重量及びバイアス特性は、少なくとも出力層における出力値の誤差特性を含む情報の関数として調整される。いくつかの例では、ＡＩモデルがニューラルネットワークの誤差を低減するのに役立つ、いわゆる損失関数を組み込む。
【0008】
従来の訓練によれば、次いで、訓練されたＡＩモデルを使用して、分類が決定される１つまたは複数のサンプルを分類することができる。多くの従来のＡＩモデルは、分類を達成するために確率計算を使用する。ＡＩモデルは、入力層への入力としてサンプルの特性を使用し、次いで、ＡＩモデルが訓練された１つまたは複数のサンプルクラスに属するサンプルの確率を計算する。サンプルは多くの場合、最も高い確率を有するクラスに予測される（すなわち、分類される）。例えば、サンプルを例示的なクラスＴ１、Ｔ２、またはＴ３のうちの１つに分類することが望まれる研究を考える。モデルの適用が、特定のサンプルの確率がクラスＴ１、Ｔ２、およびＴ３のうちの１つに属することをそれぞれ０．３１、０．６４、および０．０５であると決定する場合、サンプルはクラスＴ２が０．６４の最高確率を有するので、クラスＴ２に分類される（すなわち、予測される）。この分類プロセスは、本明細書では「確率的分類」と呼ばれる。
【0009】
ＡＮＮにおける結果を得るための入力データの変換は、ニューラルネットワーク内の層にわたって生じる一連の数学的変換によって行われる。これが従来の確率的分類アプローチを介してどのように達成され得るかを示すために、以下の式（１）は、ニューロンのその隠れ層を通して各入力サンプルＸを処理するＡＩモデルにおける例示的な変換関数Ｆ（Ｘ）を説明する。ｎの値は、多くの場合、少なくとも１、又は更には少なくとも２、又は更には少なくとも１０、又は更には少なくとも１００である。ｎの値は、１０００、又は更には１０，０００、又は更には１００，０００、又は更には１，０００，０００以上であり得る。変数ｂｊは、層ｊ（ｊ＝１～ｎ）におけるすべてのニューロンのバイアスを表す。さらに、変数ｘｉは入力サンプルからのｉｔｈを表し、θｎ，ｎ－１は、層ｎおよびｎ－１におけるニューロン間の結合の重みを表す。
最終層ｎにおける出力値Ｚｎは、次いで、Ｓｏｆｔｍａｘ関数または同様の関数に入力されて、各クラスに属する入力サンプルの確率を計算する。以下の数式（２）に示すソフトマックス関数は、最終的なｎｔｈ層におけるアウトプット値Ｚｎを、合計が１になる個々の確率に正規化する。
【数1】
最終層ｎにおける出力値Ｚｎは、次いで、Ｓｏｆｔｍａｘ関数または同様の関数に入力されて、各クラスに属する入力サンプルの確率を計算する。以下の数式（２）に示すソフトマックス関数は、最終的なｎｔｈ層におけるアウトプット値Ｚｎを、合計が１になる個々の確率に正規化する。
【0010】
【数2】
確率的分類は、精度の問題を含む多くの欠点を有する。例えば、タガントシステムが真正の製品に取り付けられているときに、真正の製品を偽造製品と区別しようとするときに、１つの正確さの問題が生じる。タガントシステムは、一般に、独特のスペクトル特性を発する１つ以上のタガント化合物を含む。スペクトル特性は、真正の製品に関連付けることができる固有のスペクトルシグネーチャを提供する。スペクトルシグネーチャは、適切なスペクトルシグネーチャの存在は、製品が真正である可能性が高いことを示すように、正確にリバースエンジニアリングすることが困難であることが望ましい。実際には、スペクトルシグネーチャがタグ付けされた基板が認証される、識別される、または他の方法で分類されることを可能にするために、固有の指紋に類似している。
【0011】
いくつかの事例では、真正のソースは、単一のタガントシステムを使用して、同じスペクトルシグネーチャで複数の製品提供物をマークすることができる。他の事例では、異なるタガントシステムのライブラリは、１つまたは複数の製品に関して真正のソースによって使用され得る。
【0012】
任意のタガント展開戦略は、市場における１つまたは複数のスペクトルシグネーチャを認証することができる必要性を生み出す。しかしながら、偽造者はスペクトルシグネーチャを偽造しようと試みることがあり、又はタグ付けされていない（例えば、タガントなシステムを有しておらず、従ってスペクトルシグネーチャを有していない）偽造製品を分配することさえある。これは、真正な製品が偽物と区別され得るように、スペクトルシグネーチャを正確に認証することができることを望ましい。
【0013】
理論的には、偽物のタガントシステムは、真正のタガントシステムのすべてと十分に異なる場合、訓練されたＡＩモデルによる偽物のスペクトル特性の評価は、訓練プロセスで使用されたすべてのクラスに関して非常に低い確率を生成することはずである。例えば、ＡＩモデルは、それぞれ、Ｔ１、Ｔ２、およびＴ３システムまたはクラスとして識別される３つの異なる真正のタガントシステムに関して訓練され得る。ＡＩモデルは、真正性が問題である製品に適用されるとき、モデルは製品が偽物である場合、３つのクラスの各々について低確率を予測し得る。例示的なシナリオでは、ＡＩモデルは、Ｔ１、Ｔ２、およびＴ３クラスについて、それぞれ、０．３３、０．４０、および０．２７という比較的低い確率を予測し得る。この例示的なシナリオにおけるすべての確率は、真正性のための仕様書閾値よりも低いので、例えば、例示的な仕様書は、製品が真正なクラスのうちの１つに分類されるために０．８以上の確率を必要とし得るので、製品サンプルはこのシナリオにおいて偽物のタガントシステムを有する偽物造製品として分類される。
【0014】
しかしながら、偽物製品が少なくとも１つの真正クラス（例えば、議論のためにＴ１）についてタガントシステムと比較的高い類似度を有する偽物タガントシステムを使用し、一方、他の真正クラスにおけるタグ付けされたタイプ（例えば、議論のためにＴ２およびＴ３）の残りと極めて異なるとき、望ましくない状況が生じる可能性がある。この状況下では、Ｓｏｆｔｍａｘ関数における正規化プロセスは、Ｔ１クラスに対して比較的高い確率を、Ｔ２およびＴ３タイプに対して非常に低い確率と共に出力することができる。これは、偽造製品がタイプＴ１クラスに属するものとして不適切に分類される偽陽性をもたらす可能性がある。この種の偽陽性は、本明細書では「歪んだ正規化問題」と呼ばれる。
【0015】
残念ながら、現実の世界では、偽物タガントシステムを有する多くの偽物製品が訓練プロセスで使用される他の真正のタグ付きタイプとは極めて異なりながら、１つの真正のタグ付きタイプに対して比較的高い程度の類似性を有することがあり得る。このことは、従来の確率的分類法を使用する場合、歪んだ正規化問題が頻繁に発生する可能性があることを意味する。結果として、多くの偽造製品は真正なサンプルとして誤って分類される可能性があり、分類タスクの精度に影響を及ぼす。確率的分類法を用いて、十分な閾値を超えて分類精度を改善することは非常に困難であることが経験を通して見出された。
【0016】
実際問題として、歪んだ正規化問題に関連する偽陽性リスクは、偽陰性問題につながる可能性がある。確率的分類の精度が比較的低い場合、真正のシグネーチャが偽物のシグネーチャとして分類されることになる偽物陰性リスクを最小限に抑えるために、真正のスペクトルシグネーチャを定義するために、あまり厳しくない仕様書が使用され得る。残念ながら、偽陰性を回避するためにスペクトルシグネーチャを非常に広く定義することは、偽造者が偽陽性リスクをさらに悪化させるために偽造者が偽造に侵入するための非常に大きな領域を設定する。真正スペクトルシグネーチャをより厳密に定義して偽物の余地を少なくすることができるように、精度を向上させた評価戦略を有することが望ましい。
【0017】
歪んだ正規化問題を克服し、それによって、偽陽性および偽陰性に対するその影響を軽減するための試みを行うことができる。スキュー正規化問題に対する１つの高価な解決策は、複数の確率的分類モデルを構築することであり、各モデルは、入力サンプルを、それが認識することができるタイプまたはそれが認識することができないタイプのいずれかに分類しようと試みるだけである。このアプローチの下では、動作仮説がタグなし偽造品サンプルがすべてのモデルによって認識不可能として分類される（すなわち、すべてのモデルによって拒絶される）高い確率を有し得ることである。しかしながら、このアプローチのための訓練プロセスは、非常に長く、高価であり得る。これは、１つのタイプと他のタイプを認識するための１つのモデルを訓練するために、すべてのタイプのサンプルを使用することが依然として必要であるからである。言い換えれば、クラスまたはクラス内の真正なサンプルと、クラスまたはクラス外の非真正なサンプルが訓練に必要である。しかし、後に遭遇する可能性のある将来の偽造品サンプルは未知であり、そのような訓練を達成するために利用できない。訓練プロセスは、将来の時間に遭遇する可能性があることの推測として、代理偽造品サンプルを含むことができる。しかしながら、ＡＩモデルは、未だ遭遇されていない将来の実際の偽造品に関してではなく、これらの予測された代理偽造品サンプルに関してのみ訓練される。したがって、訓練が代理サンプルを含み得る場合であっても、訓練は、実際の実施において不満足な偽造検出をもたらす可能性がある。
【0018】
したがって、従来の確率的分類で経験されるよりも正確にサンプルを分類することができるＡＩモデルシステムおよび戦略が依然として強く必要とされている。また、歪んだ正規化問題に対してより脆弱でないＡＩモデルシステムおよび戦略に対する強い必要性が依然として存在する。
［発明の概要］
［発明の概要］
【0019】
本発明は、サンプルを分類するために使用することができるＡＩ戦略を提供する。この戦略では、ＡＩモデルを使用して、サンプルのための入力データセットを変換し、再構成データセットに再構成する。変換の一態様は、データの少なくとも１つの圧縮、および／またはデータの少なくとも１つの解凍（または展開）を含む。好ましくは、変換が複数のデータ圧縮段階でデータを圧縮することと、複数のデータ解凍段階または展開段階でデータを解凍または展開することとを含む。たとえば、データ圧縮は、ＡＩモデルの隠れ層が場合によっては別の隠れ層または入力データ層であり得る、すぐ上流の層と比較してより少ない数のノードを有するときに生じる。同様に、データ解凍または拡張は、場合によっては、隠れ層または出力層が場合によっては、別の隠れ層または入力データ層であり得る直ぐ上流の層と比較してより多くの数のノードを有するときに生じる。データの圧縮および解凍／展開は、任意の順序で行うことができる。データを圧縮および解凍する利点は、変換が非常に複雑になり、訓練された真正なサンプルに一意的に適合するようになり、関連するクラスの真正なサンプルのみが、高い分類精度で、再構成誤差閾値を満たすのに十分な精度で再構成されることができることである。関連するクラス以外の他のサンプルの再構成誤差は、一般に、再構成誤差閾値を満たすのに十分に正確に再構成されない。
【0020】
その結果、再構成データセットと入力データセットとの間の再構成誤差特性は、高い精度および正確さでサンプルの分類を示す。これらの戦略は、確率的分類戦略よりも、歪んだ正規化問題に対してはるかに強固である。加えて、向上された精度は、スペクトルシグネーチャがより厳しい仕様の下で定義されることを可能にし、偽陽性（真正物として偽物を識別すること）および偽陰性（真正物を偽物として識別すること）の両方のリスクを最小限に抑える。
【0021】
好ましい一実施形態では、入力データ層が最大のデータ圧縮度が生じるまで、ＡＩモデルの複数の隠れ層を通して圧縮される。次いで、圧縮されたデータは、入力データセットとサイズが一致する再構成データセットが得られるまで、複数の隠れ層を通して解凍される。別の例示的な実施形態では、入力データセットは複数の隠れ層を介して解凍され得、その後、得られた拡張データセットは、複数の隠れ層を介して圧縮され、入力データセットのサイズと一致する再構成データセットを提供する。複数の圧縮および解凍／拡張段階を使用することにより、ＡＩモデルが真正なサンプルのデータを正確に再構成する特殊化が強化される。
【0022】
好ましい態様では、本発明の技術的解決策は、開始入力データと再構成されたデータとの間の再構成誤差の量を最小にする目的で、１つまたは複数の関連するクラスタイプから入力データを正確に変換および再構成するようにＡＩモデルが訓練されるという考えに少なくとも部分的に基づいている。ＡＩモデルの訓練および特殊化により、再構成は、訓練されたモデルに関連する１つまたは複数のクラスタイプにおけるサンプルに関して最も正確である。関連するクラス以外のサンプルは、あまり正確に再構成されない。
【0023】
本発明の特殊化されたＡＩモデルは、１つまたは複数の関連するクラスタイプからのサンプルの再構成誤差を最小限に抑えるように訓練され、特殊化されるので、訓練は単純化される。特殊モデルを訓練するためには、関連するクラスタイプからのサンプルのみが必要である。これは、訓練に関連する計算コストおよび労力を大幅に低減することになる。あるいは、複数のクラスが問題になっているとき、複数のクラスを単一のＡＩモデルに関連付けるのではなく、複数の特殊化されたモデルを訓練することができ、各モデルは１つのクラスに関して特殊化される。さらに、この再構成アプローチは、確率的分類と同様に、２つ以上のクラスに対する確率に依存する必要がないので、他のタイプのサンプルは、特定種類の訓練プロセスに影響を及ぼさない。別の重要な利点として、ＡＩモデルは、関連するクラス内のサンプルのみを使用して効果的に訓練することができる。したがって、実際のまたは予測された偽造品または関連するクラス（単数または複数）外の他のサンプルを使用してＡＩモデルを訓練する必要はない。そのような他のサンプルを用いずに訓練する能力は有益である。なぜなら、いくつかのタイプのサンプルは、出会うことができず、将来のある時点まで確実には分からないことさえあるからである。このことは、訓練を達成するために、将来の偽造品または類似の変形例を知る必要も、予測しようとする必要もないことを意味する。
【0024】
訓練の後、クラス、例えば、例示のためにクラス「Ｔ」として指定されたクラスのために訓練され特殊化されたＡＩモデルは、モデルからの最も低い再構成誤差がタイプＴのサンプルに関して予想される。同様に、比較的高い再構成誤差は、タイプＴクラスの外にあるサンプルから予想される。
【0025】
結果として、本発明の戦略は、第３者のサンプルが、他の全てのタイプのサンプルよりも、１つの真正のタイプのサンプルに比較的近い状況をより良く扱うことができる。特に、本発明の戦略は、歪んだ正規化問題を回避するのに役立つことができる。確率的分類に関連する歪んだ正規化問題は、少なくとも２つの理由により生じる。第１に、単一の分類モデルは、すべての可能なクラスを考慮することを余儀なくされる。第２に、Ｓｏｆｔｍａｘ関数における正規化プロセスは、サンプルが真正タイプの残りよりも１つの真正タイプにちょうど近いにもかかわらず、入力サンプルのクラスを選択することを強いられる。確率的分類とは対照的に、本発明は、確率ではなく再構成誤差に基づいて評価を行うことを可能にする特殊化されたモデルを使用する。
【0026】
有利には、一態様では、本発明の原理が、人工知能戦略を使用してサンプルからの入力データを変換および再構成するように訓練されたＡＩモデルに基づく自己認証技術を提供する。実用的には、これらのモデルは、項目または人物であるかどうかにかかわらず、任意のサンプルをそれ自体と比較してその真正性を決定することを可能にする。再構成されたデータを、サンプルから得られた入力データと比較すると、偽造者または偽造者は、近いものであっても、確率的分類と比較して改善された精度で、真正の標的とは大きく異なる再構成結果を生成する。これにより、偽物を識別し、拒否することが容易になる。一方、特殊化されたＡＩモデルを用いて、入力データセットを評価中のサンプルから得ることができ、次いで、再構成データセットをその入力データセットから導出することができる。認証は、安全に隠されたままで安全な任意の真正な記録を参照またはアクセスすることを必要としない。評価中のサンプルは、真正のサンプルと直接比較する必要はない。むしろ、１つの観点から、サンプルをそれ自体の再構成されたバージョンと比較することで十分であり、ここで、ＡＩモデルは、サンプル自体から再構成されたバージョンを作成するために使用される。
【0027】
本発明の訓練は、いくつかの追加の利益を提供する。特殊化されたＡＩモデルは、元のソース情報またはプラットフォームのセキュリティを危険にさらすことなく、公的に配布することができる。個々の記録は、分類または認証のために決してアクセスまたは使用されず、それによって、高レベルのデータセキュリティを提供する。元のソース情報にアクセスする必要がないため、クライアントのプライバシーが強化される。入力データが分類され、識別され、認証され、検証され、または他の方法で評価されるべきサンプル、人、または他の基板から取得されるので、検証は、リモートデータベースにアクセスすることなく行われ得る。分類または認証を行っている間のインターネットまたはネットワーク接続は、分類または認証がオンサイトで行われ得るので、必要とされない。このことは、インターネットまたはネットワーク接続が失われたり、利用できなくなったりする可能性があっても、システムが機能することを意味する。この技術は、空港、スポーツイベント、コンサート、事業所などで大勢の人々を処理するときに、より速い処理、著しい利点を提供する。本技術は、また、ＡＩモデルがスマートフォンおよび適切なモバイルアプリなどのポータブルデバイスから記憶され、使用され得るので、レストランなどのより小さい会場などにも利点を提供する。
【0028】
本技術は、分類、識別、認証、検証、宝石起源および／または起源（例えば、ダイヤモンド、パールなど）の評価、タガントシグネーチャ、マシンからの音波の評価（例えば、船または他の車両の識別、適切な機能の評価など）、生体認証の評価、タガントシグナルの評価、天然および人工材料の評価、製品鮮度の評価、劣化の評価、バイオ検出の達成などのための様々な用途に使用することができる。この技術は、また、高速スキャン、品質制御、コンベヤスキャン、製造、製品仕分けなどに関して有用な能力のために使用され得る。この技術は、スペクトル的に、音響的に、又は、他の波形を介して経時的に変化する主題、例えば、化学反応の進行または完了、食品または飲料項目の鮮度などのに使用することができる。
【0029】
一態様では、本発明がサンプルのアイデンティティを評価するためのシステムに関する。前記システムは、少なくとも１つのメモリに動作可能に結合された少なくとも１つのハードウェアプロセッサを備えるコンピュータネットワークシステムを備え、前記ハードウェアプロセッサは前記少なくとも１つのメモリに記憶された以下の命令を備えるステップを実行するように構成される：
ａ）サンプルを特徴付ける入力データセットを受信するステップ；
ｂ）一意に訓練され、少なくとも１つの対応するクラスに関連付けられた人工知能（ＡＩ）モデルにアクセスするステップであって、前記ＡＩモデルが前入力データセットを含む情報から導出されたデータフローを圧縮／収縮および伸張／拡張して前記再構成データセットを提供することを含む変換を用いて、前入力データセットを含む情報を再構成データセットに変換することであって、前記再構成データセットと前入力データセットとの間の再構成誤差は、前記サンプルが前記少なくとも１つの対応するクラスにあるかどうかを示す、変換を用いて、前入力データセットを含む情報を再構成データセットに変換するステップ；
ｃ）入力データセットを含む情報を再構成データセットに変換するためにＡＩモデルを使用するステップ；
ｄ）再構成誤差を決定するために再構成データセットを含む情報を使用するステップ；および、
ｅ）再構成誤差を含む情報を使用して、サンプルが少なくとも１つの対応するクラスにあるかどうかを示す情報を決定するステップと、を含む。
ａ）サンプルを特徴付ける入力データセットを受信するステップ；
ｂ）一意に訓練され、少なくとも１つの対応するクラスに関連付けられた人工知能（ＡＩ）モデルにアクセスするステップであって、前記ＡＩモデルが前入力データセットを含む情報から導出されたデータフローを圧縮／収縮および伸張／拡張して前記再構成データセットを提供することを含む変換を用いて、前入力データセットを含む情報を再構成データセットに変換することであって、前記再構成データセットと前入力データセットとの間の再構成誤差は、前記サンプルが前記少なくとも１つの対応するクラスにあるかどうかを示す、変換を用いて、前入力データセットを含む情報を再構成データセットに変換するステップ；
ｃ）入力データセットを含む情報を再構成データセットに変換するためにＡＩモデルを使用するステップ；
ｄ）再構成誤差を決定するために再構成データセットを含む情報を使用するステップ；および、
ｅ）再構成誤差を含む情報を使用して、サンプルが少なくとも１つの対応するクラスにあるかどうかを示す情報を決定するステップと、を含む。
【0030】
別の態様では、本発明が、サンプルがクラスにあるかどうかを決定するための方法であって：
ａ）サンプルに関連する特性を示す情報を含む入力データセットを提供するステップ；
ｂ）再構成データセットを提供するための入力データセットを含む情報を変換するステップであって、前記変換することは、前記入力データセットを含む情報から導出されたデータのフローを圧縮および解凍することを含み、前記再構成データセットに関連する再構成誤差は前記サンプルが前記クラスにあるかどうかを示す、ステップ；および、
ｃ）前記サンプルが前記クラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップ、を含む。
ａ）サンプルに関連する特性を示す情報を含む入力データセットを提供するステップ；
ｂ）再構成データセットを提供するための入力データセットを含む情報を変換するステップであって、前記変換することは、前記入力データセットを含む情報から導出されたデータのフローを圧縮および解凍することを含み、前記再構成データセットに関連する再構成誤差は前記サンプルが前記クラスにあるかどうかを示す、ステップ；および、
ｃ）前記サンプルが前記クラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップ、を含む。
【0031】
別の態様では、本発明は、サンプルがクラスにあるかどうかを示す情報を決定するシステムを作成する方法であって：
ａ）クラスに関連する少なくとも１つの訓練サンプルを含む訓練サンプルセットを提供するステップ；
ｂ）訓練サンプルセットの対応する訓練サンプルを特徴付ける入力データセットを提供するステップ；
ｃ）入力データセットを圧縮および解凍して、再構成データセットのフローを拡張する人工知能（ＡＩ）モデルを提供するステップであって、前記変換することは、データのフローを圧縮することと、データのフローを解凍または拡張することとを含み、前記再構成データセットに関連する再構成誤差は前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップと、
ｄ）前記再構成誤差は、前記サンプルが前記関連クラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために、前記入力データセットを含む情報を使用するステップと、を含む。
ａ）クラスに関連する少なくとも１つの訓練サンプルを含む訓練サンプルセットを提供するステップ；
ｂ）訓練サンプルセットの対応する訓練サンプルを特徴付ける入力データセットを提供するステップ；
ｃ）入力データセットを圧縮および解凍して、再構成データセットのフローを拡張する人工知能（ＡＩ）モデルを提供するステップであって、前記変換することは、データのフローを圧縮することと、データのフローを解凍または拡張することとを含み、前記再構成データセットに関連する再構成誤差は前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップと、
ｄ）前記再構成誤差は、前記サンプルが前記関連クラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために、前記入力データセットを含む情報を使用するステップと、を含む。
【0032】
別の態様では、本発明は、真正のタガントシステムに関連するクラスにサンプルがあるかどうかを示す情報を決定するシステムを作成する方法に関し、前記方法は以下のステップを含む：
ａ）少なくとも１つの訓練サンプルを提供するステップであって、前記訓練サンプルは真正のタガントシステムを含み、前記真正のタガントシステムは、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、ステップ；
ｂ）訓練サンプルのための入力データセットを含む情報を提供するステップであって、入力データセットは、真正のタガントシステムによって示されるスペクトル特性を示す情報を含む、ステップ；
ｃ）データのフローを圧縮および解凍／拡張して再構成データセットを提供する人工知能（ＡＩ）モデルを提供するステップであって、前記再構成データセットに関連する再構成誤差が、前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップ；と、
ｄ）前記再構成誤差が前記サンプルが前記関連クラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために前記入力データセットを含む情報を使用するステップ。
ａ）少なくとも１つの訓練サンプルを提供するステップであって、前記訓練サンプルは真正のタガントシステムを含み、前記真正のタガントシステムは、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、ステップ；
ｂ）訓練サンプルのための入力データセットを含む情報を提供するステップであって、入力データセットは、真正のタガントシステムによって示されるスペクトル特性を示す情報を含む、ステップ；
ｃ）データのフローを圧縮および解凍／拡張して再構成データセットを提供する人工知能（ＡＩ）モデルを提供するステップであって、前記再構成データセットに関連する再構成誤差が、前記入力データセットと前記再構成データセットとの間の差異を特徴付ける、ステップ；と、
ｄ）前記再構成誤差が前記サンプルが前記関連クラスにあるかどうかを示すように、前記ＡＩモデルを訓練するために前記入力データセットを含む情報を使用するステップ。
【0033】
別の態様では、本発明は、サンプルが真正クラスにあるかどうかを示す情報を決定するための分類システムに関し、前記分類システムは：
ａ）真正のタガントシステムが、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、真正のクラスに関連する真正のタガントシステム；
ｂ）少なくとも１つのメモリに動作可能に結合された少なくとも１つのハードウェアプロセッサを備えるコンピュータネットワークシステムであって、ハードウェアプロセッサは、少なくとも１つのメモリに記憶された以下の命令を含むステップを実行するように構成される、コンピュータネットワークシステム、を備える：
ｉ．訓練され、真正のクラスに関連する人工知能（ＡＩ）モデルにアクセスするステップであって、前記ＡＩモデルが入力データセットを含むデータフローを圧縮／収縮および解凍／拡張することを含む変換を用いて、前記サンプルに関する入力データセットを再構成データセットに変換し再構成データセットを提供するステップであって、前記入力データセットは前記サンプルに関連するスペクトル情報を含み、前記再構成データセットと前記入力データセットとの間の再構成誤差は、前記サンプルが真正のクラスの内側にあるか外側にあるかを示す、ステップ；
ｉｉ．ＡＩモデルおよび入力データセットを含む情報の使用すること、および再構成データセットの取得すること；
ｉｉｉ．再構成誤差を決定するために再構成データセットを含む情報を使用するステップと、
ｉｖ．再構成誤差を含む情報を用いて、サンプルが真正クラスの内側にあるか外側にあるかを示す情報を決定するステップ。
［図面の簡単な説明］
ａ）真正のタガントシステムが、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、真正のクラスに関連する真正のタガントシステム；
ｂ）少なくとも１つのメモリに動作可能に結合された少なくとも１つのハードウェアプロセッサを備えるコンピュータネットワークシステムであって、ハードウェアプロセッサは、少なくとも１つのメモリに記憶された以下の命令を含むステップを実行するように構成される、コンピュータネットワークシステム、を備える：
ｉ．訓練され、真正のクラスに関連する人工知能（ＡＩ）モデルにアクセスするステップであって、前記ＡＩモデルが入力データセットを含むデータフローを圧縮／収縮および解凍／拡張することを含む変換を用いて、前記サンプルに関する入力データセットを再構成データセットに変換し再構成データセットを提供するステップであって、前記入力データセットは前記サンプルに関連するスペクトル情報を含み、前記再構成データセットと前記入力データセットとの間の再構成誤差は、前記サンプルが真正のクラスの内側にあるか外側にあるかを示す、ステップ；
ｉｉ．ＡＩモデルおよび入力データセットを含む情報の使用すること、および再構成データセットの取得すること；
ｉｉｉ．再構成誤差を決定するために再構成データセットを含む情報を使用するステップと、
ｉｖ．再構成誤差を含む情報を用いて、サンプルが真正クラスの内側にあるか外側にあるかを示す情報を決定するステップ。
［図面の簡単な説明］
【0034】
図１は、複数のタガントシステムを含むタガントライブラリを概略的に示す。
図２ａは、タガントライブラリが真正の製品ラインに配備され得る市場を概略的に示す。
図２ｂは、タガントライブラリがハードウェアデバイスにおいて使用される真正の消耗品に配備され得る市場を概略的に示す。
図３は、サンプルを１つ以上のクラスに分類するために特殊化されたＡＩモデルを使用する本発明のシステムを概略的に示す。
図４は、図３のシステムを使用するときの例示的な分類結果を概略的に示す。
図５ａは、例示的なＴ１特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図５ｂは、例示的なＴ２特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図５ｃは、例示的なＴ３特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図６は、サンプルを分類するために図３のシステムを使用する方法を概略的に示す。
図７は、図３のシステムを訓練するために使用されるシステムを概略的に示す。
図８ａは、図７のＡＩモデルのアーキテクチャをより詳細に概略的に示す。
図８ｂは、本発明のＡＩモデルの代替実施形態のアーキテクチャを概略的に示す。
図９は、本発明のニューラルネットワーク符号化部分の詳細と、圧縮データセットを得るために入力データセットに対して実行される動作の例示的なセットとを概略的に示す。
図１０は、本発明のニューラルネットワーク復号化部分の詳細と、再構成された出力データセットを得るために圧縮データセットに対して実行される動作の例示的なセットとを概略的に示す。
図１１ａは、複数の訓練されたＡＩモデルが複数のサンプルを分類するためにどのように使用され得るかを概略的に示す。
図１１ｂは、図１１ａの訓練されたＡＩモデルの使用によって得ることができる例示的な結果を示す。
図１２は、本発明の原理を用いて宝石が分類される本発明のシステムを概略的に示す。
図１３は、本発明のシステムを概略的に示す。このシステムでは、宝石が宝石にそれぞれ関連付けられたタガントのハイパースペクトル特性に基づいて、離れた距離から分類される。
図１４は、８つの異なるクラス（それぞれ７つの異なるタガントシステムＴ１～Ｔ７に対応する７つのＴ１～Ｔ７クラス、および８番目はタグ無しサンプルクラス）からのサンプルを、それぞれＴ１～Ｔ７クラスに関して特殊化するように訓練された本発明の７つの特殊化されたＡＩモデル（Ｔ１～Ｔ７モデル）を用いて評価した場合に生じる再構成誤差の７つのグラフを示す。
図１５は、訓練の目的で、３つの異なるクラスのサンプルの範囲に水平標準化を適用する方法と、サンプルをテストして分類を決定する際に、水平標準化を適用する方法を概略的に示している。
図１６は、訓練の目的で、３つの異なるクラスのサンプルの範囲に垂直標準化を適用する方法と、サンプルをテストして分類を決定する際に垂直標準化を適用する方法を概略的に示している。
図２ａは、タガントライブラリが真正の製品ラインに配備され得る市場を概略的に示す。
図２ｂは、タガントライブラリがハードウェアデバイスにおいて使用される真正の消耗品に配備され得る市場を概略的に示す。
図３は、サンプルを１つ以上のクラスに分類するために特殊化されたＡＩモデルを使用する本発明のシステムを概略的に示す。
図４は、図３のシステムを使用するときの例示的な分類結果を概略的に示す。
図５ａは、例示的なＴ１特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図５ｂは、例示的なＴ２特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図５ｃは、例示的なＴ３特殊化ＡＩモデルに関して、サンプルの再構成誤差特性を波長の関数としてプロットした場合の再構成誤差プロファイルを示す。
図６は、サンプルを分類するために図３のシステムを使用する方法を概略的に示す。
図７は、図３のシステムを訓練するために使用されるシステムを概略的に示す。
図８ａは、図７のＡＩモデルのアーキテクチャをより詳細に概略的に示す。
図８ｂは、本発明のＡＩモデルの代替実施形態のアーキテクチャを概略的に示す。
図９は、本発明のニューラルネットワーク符号化部分の詳細と、圧縮データセットを得るために入力データセットに対して実行される動作の例示的なセットとを概略的に示す。
図１０は、本発明のニューラルネットワーク復号化部分の詳細と、再構成された出力データセットを得るために圧縮データセットに対して実行される動作の例示的なセットとを概略的に示す。
図１１ａは、複数の訓練されたＡＩモデルが複数のサンプルを分類するためにどのように使用され得るかを概略的に示す。
図１１ｂは、図１１ａの訓練されたＡＩモデルの使用によって得ることができる例示的な結果を示す。
図１２は、本発明の原理を用いて宝石が分類される本発明のシステムを概略的に示す。
図１３は、本発明のシステムを概略的に示す。このシステムでは、宝石が宝石にそれぞれ関連付けられたタガントのハイパースペクトル特性に基づいて、離れた距離から分類される。
図１４は、８つの異なるクラス（それぞれ７つの異なるタガントシステムＴ１～Ｔ７に対応する７つのＴ１～Ｔ７クラス、および８番目はタグ無しサンプルクラス）からのサンプルを、それぞれＴ１～Ｔ７クラスに関して特殊化するように訓練された本発明の７つの特殊化されたＡＩモデル（Ｔ１～Ｔ７モデル）を用いて評価した場合に生じる再構成誤差の７つのグラフを示す。
図１５は、訓練の目的で、３つの異なるクラスのサンプルの範囲に水平標準化を適用する方法と、サンプルをテストして分類を決定する際に、水平標準化を適用する方法を概略的に示している。
図１６は、訓練の目的で、３つの異なるクラスのサンプルの範囲に垂直標準化を適用する方法と、サンプルをテストして分類を決定する際に垂直標準化を適用する方法を概略的に示している。
【発明の詳細な説明】
【0035】
ここで、本発明を、以下の例示的な実施形態を参照してさらに説明する。以下に記載される本発明の実施形態は、網羅的であること、または以下の詳細な説明に開示される正確な形態に本発明を限定することを意図するものではない。むしろ、選択され、説明される実施形態の目的は、本発明の原理及び実施の他の当業者による認識及び理解を容易にすることができるようにすることである。
【0036】
説明のために、本発明の原理は、製品を１つ以上の真正のクラスに分類するのを助けるために、または特定の製品が任意の真正のクラスの外にあることを決定するために、タガントシステムを使用することに関して説明される。そのような分類は、真正な製品を識別するのを助けること、競合製品を識別するのを助けること、または真正な製品として偽装しようと試みる偽造製品を識別することを含む、多くの用途を有する。分類戦略は、また、アイデンティティを確認し、アイデンティティ窃盗のリスクを低減するのを助けるために使用され得る。分類戦略を使用して、偽造品、競合サンプルなどが経時的にどのように進化するかを監視することができ、真正製品に経時的に近づく可能性があるかどうかを評価することを含む。分類戦略は、真正のサンプルがどのように進化し、劣化し、またはそうでなければ経時的に変化し得るかを監視するために使用され得る。この知識は、関連するＡＩモデルを、それ自体がある理由または別の理由で経時的に変化する真正サンプルを認識することに関してより正確にするための補足的な訓練を提供するために使用され得る。
【0037】
本発明の分類戦略は、また、未知のサンプルについての分類結果に依存するフォローアップ評価を含むことができる。そのようなフォローアップ評価は、一例として、ＡＩモデルによって提供される再構成結果が関連するクラスの内側および外側のサンプルに対する境界を設定する適用可能な再構成仕様書に比較的近い（例えば、２０％以内、またはさらに１０％以内、またはさらに５％以内、またはさらに２％以内）ときに有用である。例えば、再構成結果は、適用可能な再構成仕様書を上回っても下回ってもよい。再構成結果が再構成仕様書に比較的近い場合、これは、サンプルが関連クラス内にあるかどうかを確認するために、１つまたは複数のタイプの試験をさらに使用してそのサンプルを評価するためのフォローアップアクションをトリガすることができる。そのようなフォローアップアクションは、再構成誤差が再構成仕様書に比較的近いサンプルに関してのみ分類誤差が発生する傾向があるので、分類の精度を大幅に改善することができる。さらなる評価が、サンプルが関連するクラス内にあることを示す場合、そのサンプルからのデータを使用して、ＡＩモデルのための訓練を更新するのを助けることができる。
【0038】
これは、ＡＩモデルの訓練を経時的に更新することができる単なる１つの方法である。ＡＩモデルの更新された訓練が起こり得る他の状況が存在する。例えば、真正のサンプルが経時的に変化する傾向がある場合、変化したサンプルからのデータを使用して訓練を更新することができる。いくつかの例では、変更が十分に大きい場合、変更されたサンプルからのデータを使用して、追加のＡＩモデルを訓練して、それらの変更を伴う真正なサンプルを認識することができる。
【0039】
図１および２ａは、例示の目的で、複数のタガントシステム１２（Ｔ１クラス）、１４（Ｔ２クラス）、および１６（Ｔ３クラス）、ならびにこれらのタガントシステム１２、１４、および１６が真正製品ライン２４に対してどのように展開され得るかを含む、真正タガントライブラリ１０を概略的に示す（図２ａ）。本発明の原理は、クラスが未知であるサンプルが評価され、次いで、真正のＴ１、Ｔ２、またはＴ３クラスのうちの１つの中にあるものとして正確に分類されるか、またはこれらの真正のクラスのいずれかの外にあるものとして分類されることを可能にする。
【0040】
まず図１を参照すると、真正のタガントライブラリ１０は、少なくとも１つのタガントシステムを組み込んでいる。好ましくは、タガントライブラリ１０が、複数のタガントシステムを組み込んでいる。説明のために、タガントライブラリ１０は、３つの異なる真正のタガントシステム１２（Ｔ１クラスに関連する）、１４（Ｔ２クラスに関連する）、および１６（Ｔ３クラスに関連する）を含むものとして示されている。タガントシステム１２、１４、および１６の各々は、それぞれスペクトル１３、１５、および１７の形態のスペクトル特性を示す。説明のために、各スペクトル１３、１５、および１７は、波長の関数としての強度などの光学スペクトル特性のプロットである。
【0041】
各スペクトル１３、１５、および１７は、タガントライブラリ１０の他のタガントシステムスペクトルに関して一意である。各スペクトル１３、１５、および１７の一意性は、各スペクトルが対応する一意のスペクトルシグネーチャに関連付けられることを可能にする。本発明の原理を使用して、異なるスペクトルシグネーチャは、同一のライブラリ１０内の他のシグネーチャから一意的に識別され、または分類され、区別され得る。真正のスペクトルシグネーチャはまた、偽造品シグネーチャなどのライブラリ１０の外部の他のシグネーチャから、またはスペクトルシグネーチャが存在しない状況から区別することができる。タガントシステムおよびそれらの成分のさらなる詳細は、本出願人の同時係属中の特許出願である国際公開第２０２１／０５５５７３号；国際公開第２０２０／２６３７４４号；および国際公開第２０２１／０４１６８８号のパンフレットに記載されている。
【0042】
図１は、光学スペクトル特性（例えば、電磁スペクトルの紫外線、可視光、および／または赤外線部分におけるスペクトル特性）に基づくスペクトルシグネーチャを提供するものとして、各タガントシステム１２、１４、および１６を示すが、本発明の訓練において有用なスペクトルシグネーチャは、多種多様な分光タイプまたはそれらの組合せに基づくことができる。本発明の訓練において有用な分光タイプの例としては、核磁気共鳴（ＮＭＲ）分光法、ラマン分光法、モスバウアー分光法、レーザー誘起破壊分光法（ＬＩＢＳ）、質量分光法、吸収分光法、反射分光法、天体分光法、原子吸収分光法、円二色性分光法、電気化学インピーダンス分光法、電子スピン共鳴分光法、発光分光法、エネルギー分散分光法、蛍光分光法、フーリエ変換赤外分光法、ガンマ線分光法、赤外分光法、分子分光法、磁気共鳴分光法、光電子分光法、紫外分光法、可視光分光法、ｘ線光電子分光法、これらの組み合わせなどの１つ以上が挙げられる。各場合において、特定のクラスからの訓練サンプルの適切なスペクトルは、その特定のクラスにおけるサンプルのスペクトル特性を正確に再構成するためにＡＩモデルを訓練するために使用される。訓練の予想される結果は、特定のクラス外のサンプルのスペクトルに関連するデータが特殊化されたＡＩモデルによってあまり正確に再構成されないことである。
【0043】
図１は、真正のタガントシステム１２、１４、および１６を不注意にまたは意図的に模倣し得る第三者、偽造品、または競合タガントシステムがどのように存在し得るかをさらに示す。いくつかの実施態様において、本発明の目的は、分類が未知であるサンプルが真正であると評価され、正確に分類されることを可能にするＡＩ戦略を提供することである（例えば、評価は主題事項が真正なクラスＴ１、Ｔ２、またはＴ３内でスペクトルシグネーチャを生成することを示す）また、第三者であるか、競合製品であるか、または偽物である（例えば、スペクトルシグネーチャが存在しないか、存在する場合は認可されたクラス内に適合しない）。説明のために、第三者のタガントシステムは、タガントシステム１８（クラスＴａに関連する）、２０（クラスＴｂに関連する）、および２２（クラスＴｃに関連する）を含む。異なる第三者、タガントシステム１８、２０、および２２の各々は、それぞれスペクトル１９、２１、および２３の形態でスペクトル特性を示す。これらのスペクトル１９、２１、および２３の各々は、例えば、正当な競合社がそれ自体の製品を一意にマークすることを意図する場合、Ｔ１、Ｔ２、またはＴ３クラスから区別可能であることが意図され得る対応する一意のスペクトルシグネーチャに関連付けられ、または代替的に、偽造者が偽造製品を配信しようと試みている場合など、Ｔ１、Ｔ２、またはＴ３クラスを不適切に偽造することが意図され得る。
【0044】
図２ａは、タガントライブラリ１０が１つまたは複数の製品および／またはサービスを含む真正な製品ライン２５上に展開され得るマーケットプレイス２４を概略的に示す。説明のために、製品ライン２５は、真正の製品２６、２８、および３０を含む。具体的には、タガントシステム１２、１４、および１６は、それぞれ、真正の製品２６、２８、および３０上に配備され、その結果、各製品２６、２８、および３０はこの例示的な文脈において、それ自体の固有のスペクトルシグネーチャに関連付けられる。他の実施形態では、真正のタガントシグネーチャ、したがってその固有のスペクトルシグネーチャは、単一の製品ではなく複数の異なる製品に適切に関連付けられ得る。
【0045】
図２ａはまた、第三者のタガントシステム１８、２０、および２２が、市場２４における競争製品および／または偽造製品３２、３４、および３６にそれぞれどのように配備されるかを示す。図２ａはまた、いかなるタガントシステムも含まない、市場における競合製品または偽造製品３８を示す。本発明は、このようなタグ付きおよびタグなし項目を、分類のために使用される１つ以上の訓練されたＡＩモデルに関連するクラスまたはクラスの外側であると識別することを可能にする。
【0046】
実際には、市場２４における未知の製品の分類または真正性が問題となり得る。したがって、市場２４における未知の製品が、真正製品２６、２８、または３０のうちの１つか、あるいは代替製品３２、３４、２６、または３８であるかどうかを決定する必要があり得る。本発明の訓練において、生成物は、真正のタガントシステム１２、１４、または１６のうちの１つのスペクトルシグネーチャのうちの１つが存在するかどうかを決定するために評価される。存在する場合、製品は真正であることを確認し、適用可能なＴ１、Ｔ２、またはＴ３クラスに分類することができる。適切なシグネーチャが存在しない場合、真正のＴ１、Ｔ２、またはＴ３クラス外であると確認することができ、製品は、他の競合相手からの製品であること、以前は未知であること、または場合によっては偽造であることを示す。
【0047】
要するに、本発明の原理は、真正のタガントシステム１２、１４、および１６からのスペクトルシグネーチャが読み取られ、適用可能なＴ１、Ｔ２、またはＴ３クラスに属するものとして識別されることを可能にし、それによって、第三者タガントシステム１８、２０、および２２から読み取られたタガントシグネーチャから、ならびにタグ無しの第三者製品３８上にタガントシグネーチャが存在しないことから区別される。これにより、製品２６、２８、および３０の真正性を、第三者製品３２、３４、３６、および３８から識別、分類、および／または区別することができる。
【0048】
図２ｂは、消耗品４０２、４０４、および４０６が加工システム４０８への供給物の少なくとも一部として供給される、本発明のシステム４００の代替実施形態を概略的に示す。加工システム４０８は、アイテム４０２、４０４、または４０６などの少なくとも消耗品を含む供給物を、必要に応じて製品４１０に変換する。説明のために、消耗品４０２は真正のタガントシステム４０３でマークされ、消耗品４０４は偽物のタガントシステム４０５でマークされ、消耗品４０６はタグなしである。図２ｂは、加工システム４０８がそれぞれ構成４１１、４１３、および４１５における消耗品の各タイプに関してどのように機能するかを示す。
【0049】
図２ｂに示される原理は、多種多様なパッケージ化された／ポッド化された消耗品に関して実施され得る。例としては、家庭用または商業用のプリンタ、布地、反応物、触媒または他の促進成分に使用されるインクカートリッジ、洗濯機または食器洗い機などの器具に使用される石けんポッド、Ｎｅｓｐｒｅｓｓｏ、Ｋｅｕｒｉｇ、およびＴａｓｓｉｍｏブランドの醸造者などの醸造機械に使用されるタイプの飲料ポッド、石けん、ローション、医薬品、診断試験ストリップ／カートリッジ、塗料および他のコーティング、建築資材、自動車製品、工業潤滑剤および他の化学製品等が挙げられる。図２ｂに示される原理はタガント、通貨、身分証明書、宝石（例えば、ダイヤモンド、真珠など）、音響シグネーチャを有する機械など、多種多様な他のアイテムに関して実施され得る。
【0050】
構成４１１に示すように、加工システム４０８は、消耗品４０２がシステム４０８に供給される供給ポート４１２を含む。任意選択で、これは、同じまたは異なる供給経路を介して加工システム４０８に導入される１つまたは複数の他の供給成分（図示せず）と組み合わせて行われてもよい。加工システム４０８は、もしあれば、装填された消耗品４０２からスペクトルシグネーチャを読み取るのに効果的な方法で、供給ポート４１２の近位に提供される検出器４１４を含む。コントローラ４１６は、通信経路４２０を介して検出器４１４と通信する。検出器４１４は、検出されたスペクトル情報を、通信経路を介してコントローラ４１６に送信する。一実施形態では、コントローラ４１６は、タガントシステム４０３が真正であることを決定するために、本発明のＡＩモデルを使用するプログラム命令を含むことができる。他の実施形態では、コントローラ４１６が通信経路４２４を介してクラウド４２８と通信して、タガントシステム４０３が真正であるかどうかを決定することができる。この場合、対応するＡＩモデルは、クラウド４２８に常駐することができる。タガントシステム４０３が真正であると確認されると、コントローラ４１６および／またはクラウド４２８は、場合によっては通信経路４２２および４２６を介して制御信号を処理構成要素４１８に送信する。これらの制御信号に応答して、処理構成要素４１８は消耗品４０２を製品４１０に変換するために、１つまたは複数の段階で処理を実行する。消耗品４０２は、供給ライン４２１によって処理構成要素４１８に供給される。製品４１０は、出口４２３から提供される。
【0051】
望ましくは、ユーザと加工システム４０８との間の通信を可能にするために、適切なインターフェースが提供される。適切なインターフェースは、任意の適切な様式で提供することができる。図示のように、スマートデバイス４３０は、通信経路４２２、４２４、４２６、および／または４３２のうちの１つまたは複数を介して加工システム４０８と通信する。タブレット、ラップトップなどを含む他のタイプのデバイスによって、適切なインターフェースを提供することができる。図２ａはクラウド４２８を介して行われるようなスマートデバイス４３０との通信を示すが、通信はスマートデバイス４３０と処理装置４０８との間で直接行われてもよい。通信経路４２２、４２４、４２６、および／または４３２のいずれも、有線または無線であり得る。通信経路４２２、４２４、４２６、および／または４３２は情報がリンクされた構成要素間で任意の方向に進むことができるように、多方向である。
【0052】
構成４１３は偽造タガント４０５を有する消耗品４０４が加工システム４０８に供給されるとき、加工システム４０８がどのように異なるように機能するかを示す。この場合、検出器４１４は、タガント・システム４０５からスペクトル・シグネーチャを読み出す。検出された情報は、コントローラ４１６に送信される。コントローラ４１６内のプログラム命令はコントローラ４１６のメモリに記憶されたＡＩモデルに、スペクトルシグネーチャ４０５が真正であるかどうかを評価させる。この場合、ＡＩモデルを使用することによって生じる再構成誤差は、タガントシステム４０５が偽造品タガントシステムであるという決定を導く。その結果、出力情報は偽造品の検出を示すために、クラウド４２８を介してスマートデバイス４３０に送信される。出力情報は、様々な他の方法でも収集することができる。例えば、出力情報は後のアクセスまたはアーカイブ記憶のために、複数のデバイスからクラウドにおいて収集され得る。偽造品が検出された場合、項目４０４の処理を実行するために処理構成要素４１８を作動させるための制御信号は送信されない。代わりに、システム４０８は、項目４０４を拒否するように構成され得る。他の実施形態では、システム４０８がスマートデバイス４３０によって提供されるインターフェースを介して、ユーザから、次にどのステップを実行すべきかについての命令を求めることができる。例えば、項目４０４が加工システム４０８と互換性があることが分かっている場合、ユーザは、適切なプロセスレシピによって項目４０４の処理を実行するための指示を入力することができる。
【0053】
構成４１５は、項目４０６がタグ付けされていないことを除いて、構成４１３と同じである。適切なＡＩモデルを使用することによって、コントローラ４１６は、検出器４１４によって検出された情報を使用してこれを決定することができる。構成４１３の場合と同様に、スマートデバイス４３０によって提供されるインターフェースは、ユーザから、次にどのステップを実行すべきかについての命令を求めることができる。例えば、項目４０４が加工システム４０８と互換性があることが分かっている場合、ユーザは、適切なプロセスレシピによって項目４０４の処理を実行するための指示を入力することができる。
【0054】
図３は、本発明のシステム４０を概略的に示しており、これは、例えば、もしあれば、真正であるかもしれない、もしあれば、競合製品であるかもしれない、もしあれば、偽造であるかもしれない、を決定するために、サンプルを評価し分類するのに有用である。最初に、各サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄは、それぞれ、クラスが未知である未知のタガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄを有する未知の製品である。システム４０は関連するスペクトルシグネーチャを読み取り、これらの読み取り値を含む情報を使用して、サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄをＴ１、Ｔ２、またはＴ３クラスのうちの１つに分類し（図１および２を参照）、適切な場合、それによって、同一性および真正性を確認するように構成される。そうでない場合、システム４０は、場合によってはサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄのうちの１つまたは複数がＴ１、Ｔ２、またはＴ３クラスのいずれにも適合せず、競合製品または偽造品を示すかどうかを決定するように構成される。
【0055】
そのような評価の一態様として、システム４０は、各タガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄによって提供されるスペクトルシグネーチャがタガントシステム１２（Ｔ１）、１４（Ｔ２）、および１６（Ｔ３）に関連する適切なスペクトルシグネーチャのうちの１つかどうかを評価する。真正のタガントシステム１２、１４、または１６はリバースエンジニアリングおよび正確なマッチングが困難であり得るので、適切なスペクトルシグネーチャを示す真正のタガントシステムの存在はクラスおよび真正性を示す。システム４０はタガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄのスペクトルシグネーチャを高精度および高分解能で識別し、分類することができる。このことは、装置４０は、偽物が真正のシグネーチャと非常に類似していても偽物スペクトルシグネーチャを検出することができることを意味する。その結果、本発明は、歪んだ正規化問題に対する脆弱性が少なく、正確な分類を行うことができる。いくつかの実施モードでは９５％以上の精度を有する分類が達成され、これは確率的分類を実施するいくつかのモードで経験された８０％の精度をはるかに超える。
【0056】
いくつかの実施形態では、サンプルが真正なサンプルを定義するために使用される仕様書または他の境界に近い評価結果を提供する場合、システム４０はサンプルが境界に近いこと、およびさらなる追跡が保証されることを示す警告または他の適切な信号を生成することができる。システム４０によって提供される信号は未知のサンプルが境界にどれだけ近いかを示すことができ、例えば、黄色、橙色、または赤色の信号は、それぞれ、近いサンプル（例えば、境界の１０％超から２０％までの範囲内の再構成誤差）、非常に近い（例えば、境界の５％超から１０％までの範囲内の再構成誤差）、または極端に近い（例えば、境界の５％以内の再構成誤差）ことを示すことができる。複数の警告レベルは、真正な項目が変化していることを示す、偽造品が真正な時間に近づいていることを示すなど、様々な状況において有用であり得る。
【0057】
図３に示されるように、システム４０の例示的な実施形態は、それぞれサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄに取り付けられたタガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄのスペクトル特性を読み取るかまたは検出するために使用されるリーダ４６（検出器としてタガント産業においても知られている）を含む。説明のために、リーダ４６は、サンプル４２ａ上のタガントシステム４４ａのスペクトル特性４８ａを読み取っている。他のサンプル４２ｂ、４２ｃ、および４２ｄのスペクトル特性は、同様の方法で読み取られる。
【0058】
いくつかの実施形態では、リーダ４６が、撮像デバイス、分光計、撮像分光計、または他の光学もしくは分光捕捉デバイスであってもよい。説明のために、リーダ４６は、照明５２に応答してサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄに取り付けられたタガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄによって放射されるスペクトルの形態の光学特性を捕捉するように設計された分光計の形態である。代替の実施形態では、リーダ４６が、複数のサンプルの光学特性を同時に照明し、捕捉するように構成されてもよい。
【0059】
例示的な実施形態では、リーダ４６が、電磁スペクトルの１つまたは複数の波長帯域にわたってサンプルのスペクトルを捕捉する。多くの場合、スペクトル特性は、約１０ｎｍ～約２５００ｎｍ、好ましくは約２００ｎｍ～約１２００ｎｍ、より好ましくは約３８０ｎｍ～約１０００ｎｍの範囲の１つ以上の波長帯域にわたって捕捉される。そのような範囲は、紫外光（約１０ｎｍ～約３８０ｎｍ）、可視光（約３８０ｎｍ～約７００ｎｍ）、および赤外光（約７００ｎｍ～約２５００ｎｍ）を包含する。スペクトル捕捉は、発光、反射、吸収、透過率などのうちの１つ以上に基づくことができる。説明のために、各タガントシステム４４ａ、４４ｂ、４４ｃ、および４４ｄは、１つまたは複数の発光タガント化合物（図示せず）を含む。適切な照明５２は、対応するスペクトル特性が対応するスペクトルシグネーチャに関連付けられている発光の形態で、対応する光学特性をトリガする。
【0060】
リーダ４６は、光学特性４８ａの放射をトリガするために照明５２を提供する照明源５０を含む。リーダ４６は光学特性４８ａを読み取り又は検出し、光学特性４８ａを特徴付ける情報を含む関連する入力データセット５２ａを提供する。同様の照明、検出、および入力データセットは、他のタガントシステム４４ｂ、４４ｃ、および４４ｄについても同様に生じる。リーダ４６は、ユーザがリーダ４６に命令または情報を入力することができるユーザインターフェース４７を含む。ユーザインターフェース４７は、また、ユーザ（図示せず）に情報または命令を出力し得る。
【0061】
望ましくは、照明源５０によって提供される１つ以上の照明波長は、リーダ４６によって捕捉または読み取られる１つ以上の波長帯域とは異なる１つ以上の波長帯域からのものである。これは、照明５２が関連するスペクトルシグネーチャを組み込む捕捉された光学特性４８ａとは異なるように行われる。照明５２の波長がスペクトルシグネーチャに関連するスペクトルシグネーチャ波長と重複する場合、適切なシグネーチャ情報の読み取りは、重複する波長において不正確であり得る。例えば、リーダ４６が４２０ｎｍ～約７００ｎｍの波長範囲にわたる可視光帯域の１つまたは複数の部分に関連するスペクトルシグネーチャのスペクトルシグネーチャ情報を捕捉することを意図される場合、照明源５０は、３５０ｎｍ～約４００ｎｍの波長帯域の１つまたは複数の部分において照明５２を放出するように構成され得る。３８０ｎｍの光を放射するＬＥＤ光源は、そのような文脈における適切な光源の一例である。
【0062】
コンピュータネットワークシステム５８は、リーダ４６と、少なくとも１つのコンピュータ６２とを含む。リーダ４６およびコンピュータ６２は、ネットワーク５８の２つの異なるハードウェア構成要素として示されているが、代替の実施形態では、リーダ４６およびコンピュータ６２が単一のハードウェアユニットに統合され得る。図示のように、コンピュータ６２は、少なくとも１つのハードウェアプロセッサ６８および少なくとも１つのメモリ７０を含む。コンピュータネットワークシステム５８は、任意選択で、リモートコンピュータ７６などの１つまたは複数の他のコンピュータデバイスに組み込まれた１つまたは複数の追加のプロセッサリソース７２および／またはメモリリソース７４を含むことができる。コンピュータネットワークシステム５８の１つ以上の構成要素は、クラウドベースであってもよい。例えば、ネットワーク５８は、また、クラウド７５内にオプションの追加のクラウドベースのメモリ７７を含む。
【0063】
コンピュータネットワークシステム５８は、ユーザがコンピュータネットワークシステム５８と対話することができる少なくとも１つのインターフェースを含む。例えば、コンピュータネットワークシステム５８は、コンピュータ６２に関連する第１の出力インターフェース８２を含む。リーダ４６はまた、さらなるユーザインターフェース４７を含む。いくつかの実施形態では、インターフェース８２または４７のいずれかは、任意選択で、タッチセンサ式（図示せず）、キーボード（図示せず）、マウス（図示せず）、マイクロフォン（図示せず）ある表示モニタまたはスクリーン、および／またはスピーカ（図示せず）のうちの１つまたは複数を含み得る。説明のために、ユーザインターフェース８２は、結果８６を表示する。
【0064】
コンピュータネットワークシステム５８は、ネットワーク構成要素間の通信相互接続性を提供するための適切な通信経路を含む。例えば、コンピュータ６８は、通信経路６０を介してリーダ４６との間で通信を送受信する。コンピュータネットワークシステム５８はまた、通信経路６６を介して少なくとも１つの出力インターフェース８２との間で情報を送受信することができる。コンピュータ６２および７６は、通信経路７８によって接続される。クラウドベースのメモリ７５は、通信経路８０によってコンピュータ６８に結合される。ネットワーク構成要素間の通信経路は、有線であっても無線であってもよい。接続は、インターネット／クラウドを介して行うことができる。
【0065】
コンピュータネットワークシステム５８は、人工ニューラルネットワークシステム８８を含む。人工ニューラルネットワークシステム８８は、サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄを評価および分類して、１つまたは複数がクラスＴ１、Ｔ２、またはＴ３内にあり得るかどうか、または１つまたは複数がこれらのクラス外にあり得るかどうかを決定するための機能を組み込む。
【0066】
実際には、これらの戦略が各サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄが自己認証されることを可能にする。人工ニューラルネットワークシステム８８は、特定のサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄから得られる特性が特定のサンプルがＴ１、Ｔ２、またはＴ３２クラスのうちの１つに適合するかどうかを決定するために、それらの特性のＡＩ変換バージョンと比較され得るという意味で、サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄが自己認証されることを可能にする。１つの観点から、各サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄはその分類を決定するために、それ自体の再構成されたバージョンと比較される。サンプルも再構成されたサンプルデータも、真正なクラスとの一致があるかどうかを確認するために、真正なサンプルまたは特徴と比較される必要はない。したがって、元のまたは真正のデータは、安全かつ安全なままであり得る。代わりに、未知のサンプル自体の特徴が、再構成されたデータと比較されて、一致が存在するか否かが確認される。さらに、ＡＩモデルへのアクセスは、偽造者または他の当事者に、真正の標的の識別／組成物に関する何らかの表示を与えない。本発明のＡＩモデルによって適用される変換は、サンプルが、ＡＩモデルが特殊化されているクラスのメンバーであるとき、一致をもたらす。
【0067】
入力データセットとして特定のサンプルの特性を使用して、適切に訓練されたＡＩモデルは、入力データセットを再構成データセットに変換する。一般に、人工ニューラルネットワークシステム８８は、この変換を達成するように構成された少なくとも１つの訓練されたＡＩモデルを含む。いくつかの実施形態では、複数のクラスが関与するとき、人工ニューラルネットワークシステム８８は複数の一意の訓練されたモデルを含み、各モデルは関連する対応するクラスに関して特殊化されるように訓練される。すなわち、各モデルは入力データセットを１つの関連するクラスタイプのための再構成データセットに変換するためにモデルが使用されるとき、再構成誤差を最小限に抑えるように、独立して訓練され、特殊化され得る。再構成誤差は、モデルがモデルに関連するクラスの一部ではないサンプルの入力データセットを変換するために使用されるとき、はるかに大きくなる。説明のために、図３は、単一のＡＩモデルが単一の対応するクラスのデータを正確に再構成するように特殊化される実施形態を説明する。複数のそのような特殊化されたＡＩモデルは、それぞれ、複数の関連するクラスに関する正確な分類を可能にするために提供される。
【0068】
他の実施形態では、単一のＡＩモデルが訓練されたクラスの外側のサンプルが所望の誤差仕様書の外側のより高い再構成誤差で再構成されるように、複数の対応するクラスのデータを正確に再構成するように特殊化され得る。例えば、ＡＩモデルは、少なくとも２、又は更には少なくとも５、又は更には少なくとも１０の異なるクラスのデータを再構成するように特殊化することができる。そのようなＡＩモデルは、２０以上のクラス、またはさらには５０以上のクラス、またはさらには１００以上のクラスのデータを正確に再構成するように特殊化され得る。
【0069】
１つまたは複数のモデルは、コンピュータネットワークシステム５８の１つまたは複数のメモリに記憶され得る。例えば、図３に示すように、メモリ７０に記憶された人工ニューラルネットワークシステム８８は、Ｔ１クラスに関連付けられた訓練済みＡＩモデル９０と、Ｔ２クラスに関連付けられた訓練済みＡＩモデル９２と、Ｔ３クラスに関連付けられた訓練済みＡＩモデル９４とを含む。システム４０が１つまたは複数のさらなるクラスを評価するように構成される場合、より多くのＡＩモデルを任意選択で含めることができる。あるいは、ＡＩモデル９０、９２、および／または９４は、リモートメモリ７４および／または７７に記憶され得る。いくつかの実施形態では、モデル９０、９２、および／または９４はローカルメモリ７０ならびにリモートメモリ７４および／または７７を含む、複数のメモリ内に存在し得る。
【0070】
図示のように、人工ニューラルネットワークシステム８８は、特定のＡＩモデルに関連付けられたクラスについてのみ入力データセットを正確に再構成するように訓練された特殊化ＡＩモデル９０（Ｔ１クラスに特化）、９２（Ｔ２クラスに特化）、および９４（Ｔ３クラスに特化）を使用する。説明のために、サンプル４２ａは現在、図３において評価中であり、サンプル４２ａの分類は、最初は不明である。図３は、サンプル４２ａに関連付けられた入力データセット５２ａがモデル９０（Ｔ１）、９２（Ｔ２）、および９４（Ｔ３）の各々を通してどのように処理されて、結果８６が導出される出力データセット５４ａを提供するかを示す。高精度では、事前定義された再構成誤差仕様内の低い再構成誤差が、ａ）サンプル４２ａが特定のクラス内にあり、ｂ）そのクラスのＡＩモデルが再構成データセットを得るために使用されるときにのみ生じる。ＡＩモデルに関連付けられたクラス外のサンプル、またはクラスに関連付けられていない他のモデルの使用は、比較的高い再構成誤差を有する再構成データセットをもたらす。
【0071】
同様に、モデル９０、９２、および９４の各々は、他のサンプル４２ｂ、４２ｃ、および４２ｄの各々についても同様に入力データセット（図示せず）に適用され得る。他のサンプル４２ｂ、４２ｃ、および４２ｄの各々は、そのＡＩモデルが所定の誤差仕様を満たす再構成誤差などの適切に低い再構成誤差を有する出力を与えたクラスに関連付けられ得る。さらに、サンプル４２ａ、４２ｂ、４２ｃ、および／または４２ｄのいずれかは、そのサンプルの結果として得られる再構成誤差がＡＩモデル９０、９２、および９４のすべてに関して高すぎる場合、クラスのいずれかに属するものとして除外され得る。
【0072】
例えば、サンプル４２ａがＴ１クラスにある場合、Ｔ１クラスに対応するＡＩモデル９０を使用するとき、出力データセット５２ａに関連する再構成誤差が最も低く、好ましくは、適用可能な再構成誤差仕様内にあるように十分に低いことが予想される。言い換えれば、ＡＩモデル９０を使用したときに生じる比較的低い再構成誤差は、サンプル４２ａのタガントシステム４４ａがＴ１クラスにあることを示す。逆に、そのまさに同じ入力データセット５２ａの再構成誤差は、ＡＩモデル９２または９４を使用するとき、相対的に高く、望ましくは再構成誤差仕様外であると予想される。ＡＩモデル９２および９４の再構成誤差は、ＡＩモデル９２および９４の各々がそれぞれＴ２およびＴ３クラスに特化される限り、相対的に高くなる。
【0073】
現実世界評価のための展開の前に、望ましくは、各モデル９０、９２、および９４は関連するクラスの再構成誤差が所望の再構成誤差仕様内で達成され得るまで訓練される。望ましくは、再構成誤差仕様書が、過度に制限的であることに対して過度にオープンであるリスクをバランスさせるレベルに設定される。再構成誤差仕様があまりにもオープンである場合、これは、偽陽性（偽物が真正であると識別される）のリスクを増加させる傾向がある。再構成誤差仕様書が狭すぎる場合、これは、真正な項目が除外され、偽物（偽陰性）として分類され得るリスクを増加させる傾向がある。図３のＡＩモデル９０、９２、および９４の訓練および結果として生じる特殊化は、図７に関して以下でさらに説明され、分類が未知であるサンプルを分類するためのモデルの使用は、図１１ａおよび１１ｂに関して以下でさらに説明される。
【0074】
誤差のない完全な例では、再構成データセット５４ａの値と入力データセット５２ａとの対応する値の間に差異がないように、再構成データセット５４ａが入力データセット５２ａに完全に一致する。しかしながら、実際には、再構成データセット内の出力値が通常、入力データセット内の対応する値と完全には一致しない。したがって、再構成データセット内の対応する値と入力データセットとの間には、いくつかの差異が存在する傾向がある。これらの差を使用して、データ再構成に関連する再構成誤差特性を提供することができる。１つの目標は、真正サンプルの再構成誤差が所望の誤差仕様書を満たすのに十分に低くなるまで、訓練およびＡＩモデルを作成することである。言い換えれば、特定のタガントシステムに関連付けられた特定のＡＩモデルは、所望の誤差仕様書内の低い再構成誤差で、その特定のタガントシステムのための真正な訓練サンプルを再構成するように訓練される。結果は同じタガントシステムを有する真正サンプルのみが、そのタガントシステムの入力データセットが訓練された関連するＡＩモデルによって変換されるとき、誤差仕様内の低い再構成誤差をもたらすことができることである。対照的に、異なるタガントシステムを組み込んだサンプルや、不完全で偽造されたタガントシステムの偽物のような、他のサンプルの再構成誤差は、より高く、誤差仕様書の範囲外となる。
【0075】
誤差仕様は、入力データセット５２ａと再構成データセット５４ａとの間の差を特徴付ける任意の値、値の範囲、プロファイル（例えば、方程式またはグラフ）などであり得る。例えば、入力データセット５２ａが１２００個のデータ値Ｘｊを含み、ｊが１～１２００であり、出力データセット５４ａが１２００個のデータ値Ｙｊを含み、ｊが１～１２００で、上記で紹介した例示的な実施例を考える。各ペア応するデータペアＸｊおよびＹｊは、２つの値がどのように比較されるかを示す式によって特徴付けられ得る。例えば、それぞれの比較は、差分（Ｙｊ－Ｙｊ）、比率Ｙｊ／Ｘｊなどとして計算され得る。結果は比較値の配列になる。この図では、入力データセット５２ａ内の１２００の値および出力データセット５４ａ内の１２００の値がある場合、比較配列は１２００個の値を有する。
【0076】
本発明の訓練において、再構成誤差特性は、様々な異なる方法で比較値の配列から導出され得る。１つの実施形態によれば、比較値は、ｙ軸上の比較値およびｘ軸上のサンプル番号ｊの値を用いてグラフ化され得る。再構成誤差特性は、得られたプロファイルによって与えることができる。対応する再構成誤差仕様書は、全ての値の比較値の少なくとも５０％、又は更には少なくとも８０％、又は更には少なくとも９０％、又は更には少なくとも９５％、又は更には少なくとも９９％、又は更には１００％、又は値の１つ以上の選択された範囲が閾値を下回るように設定され得る。
【0077】
そのようなプロファイルのための再構成誤差明細書を提供する代替の態様では、複数の基準が使用され得る。例えば、比較値の全部又は選択された１つ以上の部分が指定された第１の閾値よりも低く、比較値の少なくとも５０％又は少なくとも８０％、又は少なくとも９０％、又は少なくとも９５％、又は少なくとも９９％が第２の閾値を下回るように、誤差指定を設定することができ、ここで、第２の閾値は、第１の閾値よりも低い。複数の閾値を使用することは、真正の標的が変化しているかどうか、または偽造品サンプルが真正の標的に一致することに近づいているかどうかを決定するための別の方法である。例えば、真正の標的についての再構成誤差が、その標的についての履歴結果と比較して、第１または第２の閾値に対して増加している場合、真正の標的の変化、劣化、または他の修正が示される。閾値との比較は、より近い一致を示すことができる。さらに、近似偽造品サンプルが検出された場合、近似偽造品サンプルを真正の標的からより正確に分離するために、別個の再構成モデルを構築することができる。
【0078】
他の実施形態では、単一の再構成誤差値を比較値の配列から導出することができ、次いで、そのような導出された再構成誤差に基づいて誤差仕様書とすることができる。例えば、比較値、または比較値の二乗、または比較値の二乗の平方根を合計し、次いで、比較値配列内の値の数で除算することができる。得られた導出値は、比較値の配列に対する再構成誤差とみなすことができる。実際の比較値が合計され、データペアの数で除算されるとき、結果として得られる計算は、再構成誤差として平均比較値を提供する。比較値の二乗が合計され、データペアの数で除算されるとき、結果として得られる計算は、再構成誤差として平均二乗誤差（ＭＳＥ）を提供する。二乗が合計され、合計がデータペアの数で除算され、次いで、この除算の平方根が得られるとき、結果として得られる計算は、再構成誤差として二乗平均平方根誤差（ＲＭＳＥ）を提供する。誤差仕様は、サンプルが使用されているＡＩモデルに対応するクラス内にあるために、指定された閾値を下回るような計算された再構成誤差をサンプルが有していなければならないという要件として表すことができる。
【0079】
ＡＩモデルは、所望の閾値を満たす対応するクラスの再構成を提供することができるまで訓練することができる。あるいは、ＡＩモデルが、少なくとも１つ、または少なくとも２つ、または少なくとも５つ、またはさらに少なくとも１０の訓練サイクルを通して、１つまたは複数の訓練サンプル（例えば、少なくとも１つ、または少なくとも１０つ、または少なくとも５０個の訓練サンプル、および少なくとも１００個、または少なくとも３００個、または少なくとも１０００個の訓練サンプル）を使用して訓練することができる。
【0080】
他の実施形態では、再構成誤差がユークリッド距離（すなわち、合計される二乗の平方根）に基づいてもよく、誤差仕様は適切なユークリッド距離境界によって与えられてもよい。
【0081】
いくつかの実施形態では、入力データセットおよび再構成データセット内のデータ値が連続する間隔にわたる移動平均として表すことができ、次いで、比較値はこれらの移動平均値から導出することができる。例えば、説明のために、以下の表１は、ＡＩモデルを使用する入力値および再構成値が特定のクラスに関連する１００個の訓練サンプルについて、２ｎｍの波長間隔でどのように収集され得るかを示す。各波長における平均強度値は、入力および再構成された値の列に報告される。例えば、３つの間隔にわたる入力値および再構成値の移動平均が決定される。他の間隔、例えば２～３０の間隔が使用されてもよい。次いで、対応する入力ペアと再構成移動平均値との間の対応する移動平均値を比較することができる。この場合、これらの比較値は、それぞれ対応するＲＭＳＥ値として表される。１つの実施形態では、全ての値に対する全体的な再構成誤差がＲＭＳＥ値の平均として計算されてもよい。この場合、再構成誤差は０．３９となる。これは、特定のクラスに分類されるべきサンプルについて満たされる必要がある再構成誤差仕様書として設定され得る。
【0082】
あるいは、再構成誤差仕様書は、偽陰性のリスクを低減するのに役立つ安全係数を加えたＲＭＳＥ値の平均であってもよい。同時に、安全係数は、誤検出のリスクを低減するのに役立つように過度に大きくすべきではない。いくつかの実施形態では、安全係数がＲＭＳＥ値の標準偏差の倍数、例えば、標準偏差の０．５～２．５倍、好ましくは０．５～１．５倍であることなどによって、異なる方法で計算され得る。例えば、表１のＲＭＳＥ値の標準偏差は０．２５である。安全係数がこの値の０．５倍に設定されている場合、再構成誤差仕様書は０．５２となる（Ｒ＝０．３９＋［０．５ｘ０．５２］から計算される。ここで、Ｒは再構成誤差明細書である）。
【0083】
あるいは、ＲＭＳＥ値が対応する入力移動平均値の割合として表されてもよい。再構成誤差は、パーセンテージとして表されるＲＭＳＥ値の平均として指定され得る。この場合、このように表現される再構成誤差は１．６３％となる。この値は、パーセンテージとして表される再構成誤差仕様明細書であり得る。１標準偏差（１．４６）の安全係数では、結果として得られる再構成誤差は３．９％になる。
【0084】
表１は、サンプルの仮想入力データセットから導出することができる仮想再構成誤差値の表を示す。実際には、入力データセットが電磁スペクトルまたは他の適切な入力スペクトル、例えば、音、ＮＭＲ、心電図（ＥＣＧ、ＥＫＧ）などの１つまたは複数の部分にわたって提供され得る。例えば、いくつかの実施形態では、０．１ｎｍ～１０ｎｍ、好ましくは０．５ｎｍ～５ｎｍ、より好ましくは１ｎｍ～２ｎｍの波長間隔で、４００ｎｍ～１２００ｎｍの波長範囲にわたってデータを収集することができる。説明のために、入力データセットは、２ｎｍの間隔で４２０ｎｍ～４８４ｎｍの波長範囲にわたって得られる。表１は、本発明のＡＩモデルを用いて入力データセットから得られた対応する再構成値を示す。入力データ値および再構成データ値の移動平均が決定される。各再構成された値と対応する入力データ値との間の差が決定される。
【0085】
結果として生じる差は、サンプルの再構成誤差特性を決定するために様々な方法で使用することができる。１つの技法によれば、差分の表を使用して、単一の再構成誤差値を導出することができる。例えば、差文の表を使用して、単一のＭＳＥ、ＲＭＳＥ、またはユークリッド距離を決定し、サンプルの再構成誤差を特徴付けることができる。別の技術によれば、差分のリストは、波長の関数としてプロットすることができる。これは、サンプルを特徴付けるための再構成誤差プロファイルを提供する。１つ以上の閾値を使用して、プロファイルが真正サンプルを特徴付けるか否かを評価することができる。再構成誤差をプロファイルとして特徴付けることは、市場が真正の標的との緊密な一致である１つまたは複数の偽造品によって負担されるときに有利であり得る。再構成誤差プロファイルは、指紋と同様に、うまくマッチングするための多くの異なる詳細を有する。
【0086】
【表1】
ＡＩモデルを訓練した結果、非真正サンプルについて同じ方法で計算された再構成誤差は、訓練されたＡＩモデルに対応するクラス内にある真正サンプルから導出された誤差仕様よりも大きいことが期待され得る。その結果、再構成誤差が誤差仕様内にある場合、サンプルは真正であると確認することができる。再構成誤差が誤差仕様外である場合、サンプルは、ＡＩモデルに関連するクラス外であると確認することができる。誤差が誤差仕様に近いが、直上または直下である場合、サンプルは潜在的な偽造品サンプルとしてフラグ付けされ得る。あるいはこれはサンプルがドリフトしている、および／またはシグネーチャの変更を考慮するためにシステム内でモデルを更新する必要があるなどの情報を示すことができる。
【0087】
さらに図３を参照すると、訓練が完了し、実際の使用においてサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄなどのサンプルを評価するために使用されるＡＩモデル９０、９２、および９４の後、それらの評価の結果を使用して、ＡＩモデル９０、９２、および／または９４の訓練、および／または対応する誤差仕様を更新することができる。更新されたモデルパラメータおよび／または誤差仕様の詳細は安全な場所で遠隔的に計算され得、次いで、更新命令はコンピュータデバイス６２または７６などのユーザデバイスに送信され得、ここで、更新された命令はダウンロードされ、適用可能なソフトウェアにインストールされ得る。
【0088】
本発明の明確な利点は、図３に関して論じた分析が正確であり、反復可能であり、真正の特性と偽物の特性との間のわずかな差にさえ敏感であることである。したがって、誤差仕様書は、真正性の決定から真正な項目を除外するリスクが比較的低く、同時に偽物の主題に関する真正性の偽物陽性のリスクを低減する厳しい許容範囲で設定することができる。さらに、ＡＩモデル９０、９２、および９４をリアルタイムで更新する能力は、モデルの性能が経時的にサービスされ、維持され、および／または改善されることを可能にする。
【0089】
図４は、図３の例示的な結果８６をより詳細に概略的に示す。結果８６は、モデル９０、９２、および９４をそれぞれサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄの各々に適用するときに結果として生じ得る例示的なデータを示す。図４に示される結果８６は、各再構成誤差がＲＭＳＥ値として表される表の形態である。再構成誤差は、各サンプルについて、そのサンプルの入力データセットに適用されたモデルの機関数として示される。例示のために、モデル９０、９２、および９４の各々が４．５未満の再構成誤差（ＲＭＳＥ）に従って、関連するクラス内のサンプルを認識するように訓練されると仮定すると、結果はサンプル４２ａがクラスＴ１にあり、サンプル４２ｂがクラスＴ２にあり、サンプル４２ｃがクラスＴ３にあることを示す。これは、再構成誤差がそれぞれ、これらの一致に対する誤差仕様内にあることによって示される。一方、サンプル４２ｄの再構成誤差は、モデル９０、９２、および９４のいずれかが適用された場合、再構成誤差の外側にある。これは、サンプル４２ｄがＴ１、Ｔ２、またはＴ３クラスのいずれにも存在しないことを示す。いくつかの文脈では、これはサンプル４２ｄが偽造品であることを示す。Ｔ１、Ｔ２、およびＴ３モデルの各々に対するサンプル４２ｄの再構成誤差の近接は、サンプル４２ｄがサンプル４２ａを偽造しようと試みることを示し得るが、本発明のＡＩ戦略はこれを検出することができる。
【0090】
図３の入力データセット５２ａは、サンプル４２ａ、４２ｂ、４２ｃ、または４２ｄなどの特定のサンプルの再構成誤差がプロファイルとしてどのように提供され得るかを示すために使用され得る。図３は、入力データセット５２ａが対応するスペクトルシグネーチャを提供する関心のある波長範囲にわたる波長の関数としてスペクトルの強度値を含む状況を示す。再構成データセット５４ａは、同じ波長範囲にわたる波長の関数として、対応する再構成された強度値を含み得る。各波長における各対応する入力及び再構成ペアの比較値を計算し、次いで、プロットし、表にし、又は波長の関数として特徴付けることができる。次いで、対応する誤差仕様は、比較値の少なくとも５０％、又は更には少なくとも８０％、又は更には少なくとも９０％、又は更には少なくとも９５％、又は更には少なくとも９９％、又は更には１００％がそのような境界以下であるような境界であると指定することができる。各モデル９０、９２、および９４は入力データセットおよび再構成データセット中の所与の割合またはすべての対応するデータペアについての比較値が所望の値または境界にある、および／またはそれ未満であるように、実例となる実施形態において十分に訓練され得る。
【0091】
図５ａ、５ｂ、および５ｃは、それぞれ、再構成誤差分析１００、１０２、および１０４の例示的な実施形態を概略的に示し、各サンプルの比較値が波長範囲にわたるプロファイルとしてプロットされ、誤差仕様１０１が真正比較値の十分な割合を包含するように境界として設定されるとき、サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄを分類するために使用され得る。図５ａ、５ｂ、および５ｃにおいて、波長範囲にわたる比較値のプロファイルは、プロファイルとして表される再構成誤差を表す。図５ａ、図５ｂ、および図５ｃのそれぞれにおける誤差仕様１０１は、説明のために、５％に設定されるが、本仕様書は使用される各モデルに適切な任意の値またはプロファイルに独立して設定され得る。例えば、別の戦略は、訓練サンプルの特定のパーセンテージ（例えば、少なくとも８０％、又は更には少なくとも８５％、又は更には少なくとも９０％、又は更には少なくとも９５％、又は更には少なくとも９９％、又は更には１００％）が対応するＡＩモデルによって正確に分類されるように、再構成誤差仕様書を設定することである。図５ａ、５ｂ、および５ｃにおいて、波長範囲にわたる比較値の各プロファイル１０３ａ、１０３ｂ、１０３ｃ、および１０３ｄは、プロファイルとして表される再構成誤差を表す。図５ａ、５ｂ、および５ｃの各々は、４００ｎｍ～７００ｎｍの可視波長範囲にわたるサンプル４２ａ、４２ｂ、４２ｃ、および４２ｄの各々の再構成誤差プロファイル１０３ａ、１０３ｂ、１０３ｃ、および１０３ｄをそれぞれプロットする。
【0092】
図５ａ、５ｂ、および５ｃにおいて、再構成誤差は、説明のためにプロファイルとしてプロットされる。他の実施形態では、再構成された値と対応する入力値との間の差を使用して、再構成誤差の単一の値を導出することができる。
【0093】
図５ａでは、サンプル４２ａのプロファイル１０３ａのみが、波長範囲の大部分にわたって誤差仕様を下回っている。示されるように、４００ｎｍ～７００ｎｍの波長値を考慮すると、５１０ｎｍ～５４０ｎｍおよび６７５ｎｍ～６９０ｎｍの比較値のみが、誤差仕様境界をわずかに上回っている。プロファイル１０３ｂ、１０３ｃ、および１０３ｄは、いずれの波長においても誤差仕様を満たすにはすべて大きすぎる。これらの結果は、比較値の８０％以上が誤差仕様書境界内にあることを必要とする誤差仕様書に従って、サンプル４２ａをＴ１クラスに分類することを可能にする。代替として、誤差仕様境界はより高いパーセンテージ値に設定され得るが、その場合、これは偽陽性として他のプロファイルからサンプルを捕捉するリスクを増加させ得る。
【0094】
図５ｂでは、サンプル４２ｂのプロファイル１０３ｂのみが、再構成誤差仕様書内でその比較値の少なくとも８０％を有する。プロファイル１０３ａ、１０３ｃ、および１０３ｄはすべて、誤差明細書を満たすには大きすぎるが、プロファイル１０３ｃは４５０ｎｍ～４６０ｎｍの波長についての誤差明細書境界内の比較値の数が少ない。これらの結果は、サンプル４２ｂをＴ２クラスに分類することを可能にする。
【0095】
図５ｃでは、サンプル４２ｃのプロファイル１０３ｃのみが誤差仕様書の境界内にある。プロファイル１０３ａ、１０３ｂ、および１０３ｄはすべて、誤差仕様を満たすには大きすぎる。これらの結果により、サンプル４２ｃをＴ３クラスに分類することができる。全てのモデルにおけるサンプル４２ｄのプロファイル１０３ｄは、全て再構成誤差閾値の外にあることに留意されたい。これはサンプル４２ｄがＴ１、Ｔ２、またはＴ３クラスのいずれの中にもないことを示しているが、その誤差プロファイルは図５ａのＴ１モデルの誤差仕様に最も近い。これは、サンプル４２ｄが真正サンプル４２ａを偽造しようとする試みであり得ることを示す。
【0096】
図４、図５ａ、図５ｂ、および図５ｃは、対応する再構成データを得るための特定のＡＩモデル９０、９２、または９４による入力データの変換が特定種類のサンプルについての対応する誤差仕様内の特定の結果のみをもたらすことを示す。対照的に、他のタイプのサンプルの特性に適用されるのと同じ変換は、誤差仕様を満たすことができない異なる結果をもたらす。例えば、偽造者または偽造者は近いものでさえ、適用可能なＡＩモデルによって変換されたときに非常に異なる結果を生成し、偽造者を識別することを容易にする。
【0097】
各サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄの特性を、それらの特性のＡＩ変換バージョンと比較することによって、分類が達成され得るという事実は、いくつかの利点を提供する。オリジナルデータが安全に隠され、安全なままであることができるように、サンプルを、ＡＩモデルを訓練するために使用される実際の真正の主題に関連する任意のオリジナルデータと比較する必要はない。したがって、多くの実施形態では、本発明のＡＩ戦略が適用されるとき、元の情報は決してアクセスされず、分類または認証のために使用されない。クライアントのプライバシーも、分類を達成するために元のソースデータへのアクセスが必要とされないので、強化される。
【0098】
また、重要なことは、リモートデータベースにアクセスすることなく検証を行うことができることである。認証、識別、所有権の検証、またはその他の評価を行っている間のインターネットまたはネットワーク接続は必要とされない。このことは、インターネット又はネットワーク接続は失われ得るか、又は利用不可能でも、装置４０は依然として機能することを意味する。真正のサンプルのみが、関連するＡＩモデルを使用して首尾よく変換するので、ＡＩモデルへの偽造者またはハッカーのアクセスは元のデータのセキュリティを危うくせず、偽造者またはハッカーが彼らの詐欺をより容易に実行することさえも可能にしない。
【0099】
再び図３を参照すると、少なくとも１つのプロセッサ６８および／または７２は、少なくとも１つのメモリ７０および／または７４に記憶された以下の命令を実行するステップを実行するように構成される。説明のために、これらのステップは、サンプル４２ａに関して説明される。同様のステップが、サンプル４２ｂ、４２ｃ、４２ｄ、またはＴ１、Ｔ２、もしくはＴ３クラスに関する分類が問題となっている任意の他のサンプルに関して実行され得る。最初に、命令は、ハードウェアプロセッサ６８および／または７２に、サンプル４２ａの入力５２ａを受信することを含むステップを実行させる。命令はさらに、ハードウェアプロセッサ６８および／または７２に、ＡＩモデル９０、９２、および９４を含む人工ニューラルネットワークシステム８８にアクセスすることを含むステップを実行させる。これらのモデルの各々は、入力データセット５２ａを、対応する再構成データセット５４ａに独立して変換する。各モデル９０、９２、および９４は、それぞれ、クラスＴ１、Ｔ２、またはＴ３のうちの１つに一意的に関連付けられ、その結果、特定のモデル９０、９２、または９４によって生成された再構成データセット５４ａはサンプル４２ａが特定のモデル９０、９２、または９４に関連付けられたクラスにあるとき、関連付けられた誤差仕様内の入力データセット５２ａと一致する。多くの実行モードでは、再構成データセット５４ａは、再構成誤差が特定のモデルの関連する誤差仕様の外にあるように、モデルの関連クラスにないサンプルについて入力データセット５２ａを十分にミスマッチさせる。このようなミスマッチは、サンプル４２ａが真正でない場合、例えば、サンプル４２ａが偽物である場合、あるいは異なるタガントシステムを使用し、従って異なるタガントシグネーチャを使用した競合他社の製品である場合、あるいはタガントシステムが何ら付着していない代替製品である場合に、起こり得る。
【0100】
命令は、ハードウェアプロセッサ６８および／または７２に、少なくとも１つのＡＩモデル９０、９２、および／または９４を含む情報を使用して、入力データセット５２ａを含む情報を再構成データセット５４ａにそれぞれ変換することを含むステップを実行させる。望ましくは、この変換は、各モデル９０、９２、および９４をそれぞれ使用して実行され、各モデルについて再構成データセット５６ａを提供する。命令はハードウェアプロセッサ６８および／または７２に、入力データセットおよび／またはその派生物と、再構成データセットおよび／またはその派生物との間の再構成誤差を示す情報を決定するために、入力データセットおよび／またはその誘導体と、再構成データセットおよび／またはその誘導体とを含む情報を比較するステップを実行させる。命令はハードウェアプロセッサ６８および／または７２に、再構成誤差および／またはその派生物を含む情報を使用して、サンプルが対応するクラスにあるかどうかを示す情報を決定することを含むステップを実行させる。
【0101】
図６は、図３のシステム４０を使用して、サンプル４２ａ、４２ｂ、４２ｃ、および４２ｄのいずれかなどのサンプルに対して分類評価を実行するための例示的な方法１２０を概略的に示す。ステップ１２２において、入力データセット５２ａなどの入力データセットが、サンプルのために提供される。入力データセットは、サンプルに関連する特性を示す情報を含む。いくつかの実施形態では、情報がサンプルまたはその構成要素から収集された光学的情報を含む。例えば、サンプルが適切なタガントシステムを含むかどうかを決定するために評価が行われる場合、光学的情報は、サンプルから得られるスペクトル特性とすることができる。サンプルが人物である場合、生体データは、画像キャプチャなどによって人物から収集することができる。名前、運転免許証番号、社会保障番号、または他の個人情報などの他の情報が、身元確認を支援するために使用され得る。
【0102】
ステップ１２４において、入力データセットは、特定のクラスに関連付けられ、サンプルが特定の関連付けられたクラス内にあるとき、再構成データセットの再構成誤差特性が誤差仕様内にあるように訓練されるＡＩモデルを使用して、再構成データセットに変換される。複数のクラスが問題になっている場合、各ＡＩモデルが関連するクラス内のサンプルの再構成誤差を最小化するように、複数のそのようなＡＩモデルが提供される。
【0103】
ステップ１２６において、再構成データセットが入力データセットと比較される。いくつかの実施形態では、これらの派生物が最初に（１つまたは複数のデータ変更戦略を使用して）修正し、および／または（１つまたは複数のデータ操作戦略を使用して）操作し、次いで、再構成データセットおよび入力データセットまたはその派生物を比較することによって準備される。派生物を準備するための修正および／または操作は、データをより有用な形態に変換するために実行することができる。例えば、データは正規化されてもよいし、標準化されてもよい。他の例では、移動平均（および／または他の平滑化または圧縮戦略）および／またはパーセンテージを使用することができる。他の例では、データ収差、フィルタ、バイアスを組み込むこと、重みを組み込むことなどは適切な操作または修正によって対処することができる。データ操作または修正を達成するための戦略は周知である。そのような戦略の例示的な例は、ＭＩＣＲＯＳＯＦＴ ＥＸＣＥＬブランドのスプレッドシートなどの市販のスプレッドシートプログラムに組み込まれる。一般に、データ操作は異なるより洗練されたデータを得るために、論理または計算を使用して生データを処理することを指す。データ変更とは、既存のデータ値またはデータ自体を変更することである。
【0104】
ステップ１２８では、再構成誤差および／またはその導関数を含む情報を使用して、サンプルが再構成データセットを準備するために使用されたＡＩモデルに関連するクラスにあるかどうかを決定する。再構成誤差および／またはその誘導体が誤差仕様内にある場合、サンプルは、関連するクラスの一部であると見なされる。再構成誤差および／またはその誘導体が仕様外である場合、サンプルは関連するクラス外である。
【0105】
図７は、本発明のＡＩモデル１３２が、特定のクラス、Ｔからの訓練サンプルのサンプルセット１３４に関する再構成誤差を最小化するように訓練されるシステム１３０を概略的に示している。訓練の目標１３１は、モデルがサンプルセット１３４ＥＲから得られる再構成誤差特性が誤差仕様ＥＳ、および／または特定のパーセンテージ（例えば、少なくとも８０％、または少なくとも８５％、または少なくとも９０％、または少なくとも９５％、または少なくとも９９％、またはさらに少なくとも１００％）よりも小さい場合などのように、所望の水準の精度でサンプルを分類することができるまで、ＡＩ訓練戦略を用いて、訓練サンプルがＡＩモデルによって正しく分類されるまで、モデル１３２を訓練することである。
【0106】
サンプルセット１３４は、ＡＩモデル１３２が訓練されている特定のクラスの代表的なメンバーである１つまたは複数の訓練サンプルを含む。例えば、訓練サンプルは、特定のクラスＴに関連付けられた特定のタガントシステムを含むことができる。サンプルセット１３４に含まれる訓練サンプルの数が広い範囲にわたって変化することができる。いくつかの実施モードでは、単一の訓練サンプルを使用することができる。他の実施形態では、２つ以上の訓練サンプルが使用される。説明のために、図７は、使用されている３つの訓練サンプルＳＡ、ＳＢ、およびＳＣを示す。他の実施形態では、訓練サンプルの数が示されるように少なくとも２、好ましくは少なくとも３、より好ましくは少なくとも５、より好ましくは少なくとも１０である。いくつかの実施形態では、訓練サンプルの数が１０であってもよく、１００であってもよく、１０００以上であってもよい。
【0107】
インプットデータセット１３３Ａ、１３３Ｂ、および１３３Ｃは、それぞれ、サンプルＳＡ、ＳＢ、およびＳＣのそれぞれについて得られる。各入力データセット１３３Ａ、１３３Ｂ、および１３３Ｃは、それぞれ、対応する訓練サンプルを特徴付ける情報を含む。例えば、それぞれのインプットデータセット１３３、Ａ１３３、Ｂ、および１３３Ｃは、サンプルセット１３４の訓練サンプルに組み込まれた対応するタガントシステムから収集されたスペクトル特徴を含むことができる。
【0108】
次に、ＡＩモデル１３２を使用して、入力データセット１３３Ａ、１３３Ｂ、および１３３Ｃのうちの少なくとも１つを、それぞれ、１つ以上の対応する再構成データセット１３６Ａ、１３６Ｂ、および１３６Ｃに変換する。それぞれの再構成データセット１３６、Ａ１３６、Ｂ１３６のＣは、対応するインプットデータセット１３３Ａ、１３３Ｂ、１３３Ｃと比較される。各ペアの間の差異は、再構成誤差特性１３８Ａ、１３８Ｂ、および１３８Ｃをそれぞれ決定するために使用される。再構成誤差特性１３８Ａ、１３８Ｂ、および１３８Ｃは次いで、訓練モデル変更１４２を導出するために使用され、次いで、それはＡＩ訓練モデル１３２を変更するために使用される。更新されたＡＩモデル１３２を使用して入力データセットを変換し、再構成誤差特性を有する再構成データセットを生成し、訓練モデル変更１４２を導出する方法論は、目標１３１が満たされるか、または超えられるまで繰り返される。この場合、再構成誤差はＥＲ＜ＥＳ時の誤差指定内にある。各サイクルにおいて、同じ訓練サンプル、それらのサンプルの一部、および／またはクラスを表す異なる訓練サンプルが、そのサイクルの入力データセットを生成するために使用され得る。
【0109】
目標１３１が満たされるか、または超えられると、訓練は、分類が未知であるサンプルを評価および分類するために利用可能な訓練され特殊化されたＡＩモデル１３２をもたらす。サンプルへのＡＩモデル１３２の適用が誤差明細書ＥＳ内の再構成誤差ＥＲをもたらす場合、サンプルはクラスＴ内にあるものとして分類される。サンプルへのＡＩモデル１３２の適用が仕様書外の再構成誤差をもたらす場合、サンプルはクラスＴ外である。したがって、ＡＩモデル１３２はただ１つの特定のクラスからのインプットデータを正確に再構成するように訓練されることが分かる。この方法は、他のＡＩモデルを訓練して、他のクラスに関する再構成誤差特性を最小化するように特殊化するために繰り返されてもよい。
【0110】
図８ａは、本発明の原理が、図７の訓練されたＡＩモデル１３２の好ましいアーキテクチャにどのように組み込まれるかを概略的に示している。使用中、訓練されたＡＩモデル１３２は、サンプル（図示せず）から得られた入力データセット１５０を受け取り、再構成データセット１５２を提供する。入力データセット１５０は、また、データ値１５１を含み、出力データセット１５２は、データ値１５３を含む。上述のように、入力データセット１５０を再構成データセット１５２と比較することによって得られる再構成誤差（図８には図示せず）を使用して、サンプルがクラスＴにあるかどうかを決定することができる。
【0111】
一般に、ディープニューラルネットワークＡＩモデル１３２としても業界で知られているＡＩモデル１３２は入力データを受信し、再構成データセット１５２を提供するために入力データセット１５０を変換する少なくとも１つの隠れニューラルネットワーク層（本明細書では「隠れ層」または「変換段階」とも呼ばれる）を備える。一般に、より少ない隠れ層を使用することは、再構成の差異がＡＩモデル１３２に関連するクラスまたはクラス内のサンプルと、そのようなクラスまたはクラス外のサンプルとの間で、所望のように区別できないデータ変換を生じることがある。より多くの層はＡＩモデル１３２が関連するクラスまたはクラスに関してより特殊化されることを可能にする傾向があり、それにより、再構成の差異が、クラス・部材を他のサンプルからより容易に識別することができる。しかしながら、隠れ層の数が増加することにつれて、ＡＩモデル１３２の訓練および／または使用に関する実用的な計算能力の懸念が存在する。さらに、より少ない層を使用することは、より速く、より安価な訓練ならびにより速いサンプルの評価をもたらす傾向がある。しかし、より多くの層を使用することは、強化された特殊化能力を提供するが、はるかに長く、高価な訓練およびより遅いサンプル評価を伴う。また、ＡＩモデル１３２を効果的に訓練するために必要な訓練サンプルの数は一般に、隠れ層の数が増えるにつれて多くなる傾向がある。したがって、リソースの制限に対して分解能をバランスさせることが望ましい。隠れ層の数およびサイズは、また、入力データセットのサイズおよび複雑さに依存し得る。より小さいデータセットまたはより低い次元数を有するデータセット（たとえば、より少ない変数または波長など）は、より大きいデータセットまたはより高い次元数を有するデータセットよりも少ない隠れ層を必要とする傾向があり得る。より複雑なデータセットは、より複雑でないデータセットよりも多くの隠れ層を必要とする傾向がある。
【0112】
一般に、いくつかの実施形態では、１つまたは２つの層のみを使用すれば十分である。他の実施形態では、少なくとも５層、またはさらに少なくとも１０層、またはさらに少なくとも１００層、またはさらに少なくとも１０００層、またはさらに少なくとも１０，０００層以上の層を使用することが十分であり得る。例示的な実施形態では、ＡＩモデル１３２が、２～１０，０００、好ましくは２～１０００、より好ましくは５～１００、さらにより好ましくは５～５０層を含む。
【0113】
例えば、単一層のみを有するＡＩモデルは、単一の隠れ層が再構成データセットを得るために変換を適用する前に、入力データ層を圧縮（または縮小）または解凍（または拡張）する場合、本発明の原理を実施することができる。このタイプの例示的な実施形態は、入力計算を使用して、ｎ次元の入力データセットを、ｍ次元を有する隠れ層に圧縮するＡＩモデルであり得、ここで、ｍはｎ未満であり、好ましくは、比率ｍ：ｎが０．９：１～１：１００の範囲である。次いで、ｎ次元の再構成データセット（入力データセットに一致するように）への隠れ層の活性化は、データを解凍する。別の実施例として、入力計算を使用して、ｎ個の値の入力データセットを、ｍ次元を有する隠れ層に拡張するＡＩモデルがる。ここで、ｎはｍ未満であり、好ましくは、比ｎ：ｍが０．９：１～１：１００の範囲内である。次いで、ｎ個の値の再構成データセット（入力データセットに一致するように）への隠れ層の活性化は、データを圧縮／縮小する。代表的な実施形態では、ｍは５～１０，０００であり得、ｎは５～１０，０００であり得る。
【0114】
説明のために、ＡＩモデル１３２は、８つの隠れ層１６２ａ～１６２ｈを含む。この実施形態は、合理的なリソースを使用して訓練可能であり、正確な分類のための優れた特化能力を有するＡＩモデルを提供する。
【0115】
本発明の好ましい態様によれば、ＡＩモデル１３２は、データ変換がＡＩモデル１３２の隠れ層１６２ａ～１６２ｈによって提供される変換段階におけるデータの少なくとも１つの圧縮およびデータの少なくとも１つの解凍（または拡張）を含むように構成される。好ましくは図示のように、変換は複数のデータ圧縮段階でデータを圧縮することと、複数のデータ解凍段階または展開段階でデータを解凍または展開することとを含む。たとえば、データ圧縮は、ＡＩモデル１３２の隠れ層が場合によっては別の隠れ層または入力データ層であり得る、すぐ上流の層と比較してより少ない数のノードを有するときに生じる。同様に、データ解凍または拡張は、場合によっては隠れ層または出力層が場合によっては別の隠れ層または入力データ層であり得る直ぐ上流の層と比較してより多くの数のノードを有するときに生じる。データの圧縮および解凍／展開は、任意の順序で行うことができる。データを圧縮および解凍する利点はこれが、ＡＩモデル１３２が１つまたは複数の関連するクラスのためのデータの再構成に特殊化する能力を高めることである。データ圧縮および解凍／展開の両方を使用する結果として、全体的な変換は関連する１つまたは複数のクラスの真正なサンプルのみが、再構成誤差しきい値を満たすのに十分な精度で再構成されることができるように、訓練された真正なサンプルに非常に複雑かつ一意に調整されるようになる。関連するクラス以外の他のサンプルの再構成誤差は一般に、再構成誤差閾値を満たすのに十分に正確に再構成されない。
【0116】
一般に、ＡＩモデル１３２の各層１６２ａ～１６２ｈは、それぞれ、ノード１６４ａ～１６４ｈの対応する配列を備える。各ノード１６４ａ～１６４ｈは、概して、出力を生成するために、供給されたデータに対して少なくとも１つの関数および／または変換を実行する。各ノード１６４ａ～１６４ｈによって使用される動作または変換は、１つまたは複数のパラメータ、係数などを有し得る。任意選択で、バイアスはまた、それぞれ、各ノード１６４ａ～１６ｈにおいて印加されてもよい。各ノード１６４ａ～１６４ｈの出力は、人工知能の分野において、その活性化値またはそのノード値として参照される。
【0117】
情報が隠れ層１６２ａ～１６２ｈに出入りする経路１６６ａ～１６６ｉは、リンクとも呼ばれる。各経路１６６ａ～１６６ｉは、重量によって特徴付けられてもよい。多くの実施モードでは、各ノード１６４ａ～１６４ｈおよび１５３が、場合によっては複数の重み付き経路１６６ａ～１６６ｉから入力信号の重み付き組合せを受信する。それぞれの経路の重み付けは、結果として生じる複合入力が様々な重みがどのように設定されるかに応じて、任意の後続の算出、究極的には最終的なアウトプットデータセット１５２に様々な影響を及ぼし得ることを意味する。重み付けされた入力信号と、ＡＩモデル１３２全体にわたって適用される機能、バイアス、および／または変換との組合せは、線形および／または非線形であり得る。
【0118】
隠れ層１６２ａ～１６２ｈを通る情報の流れは、順方向パス伝搬および／または逆方向パス／逆方向伝搬を介して生じ得る。説明のために、ＡＩモデル１３２のアーキテクチャは、データが矢印１６５によって示される下流方向に流れる順方向通過特性を伴って示される。
【0119】
望ましくは、データ圧縮の程度が各層１６２ａ～１６２ｄにおいて漸進的に生じる。これは、層１６２ａ～１６２ｄのそれぞれにおけるノード１６４ａ～１６４ｄの数が減少することによって概略的に示されている。いくつかの実施形態では、データ圧縮が各連続する層１６２ａ～ｄを通して着実に行われ得る。あるいは、圧縮の進行は非線形であってもよい。
【0120】
また、各層１６２ｅ～１６２ｈにおいて、漸進的にデータ解凍が行われることが望ましい。これは、層１６２ｅ～１６２ｈのそれぞれにおけるノード１６４ｅ～１６４ｈの数が増加することによって示される。いくつかの実施形態では、データ圧縮解除が各連続する層１６２ｅ～１６２ｈを通して着実に行われ得る。あるいは、伸張の進行は非線形であってもよい。
【0121】
ＡＩモデル１３２においてデータ圧縮が生じる隠れ層の数は、広い範囲から選択され得る。多くの実施形態では、圧縮が１つ以上の隠れ層、好ましくは２つ以上の隠れ層を介して行われる。多くの実施形態では、圧縮が５層以上、さらには１０層以上、さらには２０層以上の層で起こり得る。好ましい実施形態では、圧縮が１～２０個の隠れ層、好ましくは２～１０個の隠れ層、より好ましくは２～５個の隠れ層において生じる。図８ａに示すように、ＡＩモデル１３２は、データを漸進的に圧縮する４つの層１６２ａ～１６２ｄを含む。
【0122】
ＡＩモデル１３２においてデータの解凍または拡張が行われる隠れ層の数は、広範囲から選択され得る。多くの実施形態では、解凍／拡張が１つまたは複数の隠れ層、好ましくは２つまたは複数の隠れ層を介して行われる。多くの実施形態では、減圧／膨張が５層以上、１０層以上、又は２０層以上の層で発生し得る。好ましい実施形態では、解凍／拡張が１～２０個の隠れ層、好ましくは２～１０個の隠れ層、より好ましくは２～５個の隠れ層で行われる。図８ａに示すように、ＡＩモデル１３２は、データを漸進的に解凍／展開する４つの層１６２ｅ～１６２ｈを含む。
【0123】
データを圧縮するＡＩモデル１３２における隠れ層の数は、データを伸張／拡張する隠れ層の数と同じであってもよいし、異なっていてもよい。説明のために、ＡＩモデル１３２は、データを圧縮および解凍／展開する等数の隠れ層を含む。すなわち、４つの層１６２ａ～１６２ｄはデータを圧縮し、同数の層１６２ｅ～１６２ｈはデータを伸張／伸張する。
【0124】
ＡＩモデル１３２は、望ましくは、再構成データセット１５２が入力データセット１５０のサイズと一致するように、データセット１５０を圧縮および解凍／拡張する。例えば、入力データセット１５０内の値１５１の数は、再構成データセット１５２内の値１５３の数と同じである。これにより、入力データセット１５０および再構成データセット１５２における対応するデータポイントペアを直接比較して、２つのデータセットが異なるサイズである場合よりも簡単な方法で再構成誤差特性を決定することができる。
【0125】
図８ｂは、図７および８ａのＡＩモデル１３２の代わりに、本発明の訓練において使用することができるＡＩモデル１３２’の代替訓練形態を概略的に示す。ＡＩモデル１３２’は、入力データセット１５０のデータ値１５１を再構成データセット１５２’のデータ値１５３’に変換する。ＡＩモデル１３２’は、データ拡張領域１３３と、データ拡張領域１３３の下流のデータ圧縮領域１３５とを含むアーキテクチャを含む。データの流れがＡＩモデル１３２’によって変換されると、データは、最初にデータ拡張領域１３３内で拡張され、次いで、データが圧縮されて、データ圧縮領域１３５内に再構成データセット１５２’が生成される。図示のように、データ拡張領域１３３は、データ圧縮領域１３５の長さＬ２よりも短い長さＬ１を有する。これは、データ拡張領域１３３がデータ圧縮領域１３５よりも少ない数の隠れ層を有することを概略的に示す。他の実施形態では、長さＬ１（したがって、隠れ層の数）はＬ２よりも大きいか、またはＬ２に等しくさえあり得る（この場合、領域１３３および１３５の両方は同じ数の隠れ層を有する）。
【0126】
図７のＡＩモデル１３２および図８ａまたは図８ｂのＡＩモデル１３２’の訓練は、人工知能の分野で実施される１つまたは複数の訓練方法に従って、重み、パラメータ、バイアス、閾値、または他の値を調整することによって行うことができる。いくつかの訓練戦略では、調整が所望の誤差仕様書からの再構成誤差特性の偏差の関数として行われる。訓練は、帰納的及び／又は演えき的学習を用いて行うことができる。知識ベースの帰納学習（ＫＢＩＬ）は、帰納学習の一例である。ＫＢＩＬは、背景情報を用いて、データセットに関する帰納的仮説を発見することに焦点を当てている。説明ベース学習（ＥＢＬ）および関連性ベース学習（ＲＢＬ）は、演えき学習の実施例である。ＥＢＬは、説明を一般化することによって、例から一般的な規則を抽出する。ＲＢＬは、例から属性および演えき的一般化を識別する。ＡＩ訓練は、１つまたは複数のフィードバック戦略を使用することができる。例としては、教師なし学習、教師付き学習、半教師付き学習、および／または強化学習が挙げられる。
【0127】
線形回帰、非線形回帰、Ｌａｐｌａｃｅ変換、積分、誘導体化、シグモイド、双曲線正接、逆双曲線正接、サイン、コサイン、ガウス誤差線形ユニット、指数線形ユニット、スケーリング指数線形ユニット、ソフトプラス関数、Ｓｗｉｓｈ関数、Ｇｕｄｅｒｍａｎｎｉａｎ関数、整流線形ユニット、リーク整流線形ユニット、クリッピング整流線形ユニット、活性化関数、複合非線形関数、学習ベクトル量子化、スマッシュ関数、または他の正規化などを含むが、これらに限定されない、ＡＩモデル１３２または１３２’中の異なるノードの間で、様々な機能および変換を単独でまたは組み合わせて使用することができる。望ましくは、入力値から出力値への線形マッピングのみを使用することを回避するために、非線形特性をニューラルネットワーク変換に組み込むために、１つまたは複数の活性化関数が使用される。
【0128】
図９は、隠れ層１６２ａ～１６２ｄを通してデータを処理した結果として圧縮されたデータセットを得るために、図８の入力データセット１５０上で実行される動作の例示的なセットを概略的に示す。入力データセット１５０は、マトリックスＩによって表され、圧縮データセット１５６はマトリックスＨ４によって表され、層１６２ａ～ｄのそれぞれにおけるノード１６４ａ～ｄによって生成されるノード活性化値はそれぞれマトリックスＨ１、Ｈ２、Ｈ３、およびＨ４によって表され、それぞれＢ１、Ｂ２、Ｂ３、およびＢ４のそれぞれは各層におけるドット積に加算されるバイアスマトリックスであり、経路１６６ａ～ｄのそれぞれに適用される重みマトリックスはそれぞれＷ１、Ｗ２、Ｗ３、およびＷ４によって与えられ、αは任意の活性化関数を表す。入力行列Ｉが与えられると、第１の重み行列Ｗ１に対するドット積が計算され、バイアス行列Ｂ１が加算され、活性化関数αが結果に適用される。その結果、新しい行列Ｈ１が得られる。次いで、マトリックスＨ１は、次の層のための新しい入力マトリックスとして使用され、ここで、Ｈ２を提供するために同じ演算が適用される。これは、圧縮されたデータセットＨ４が得られるまで繰り返される。関数Ｈ４＝Ｆ（Ｉ）は、ニューロンの層を介して入力行列Ｉを処理して圧縮データ行列を提供する全体的な変換機能を表す。
【0129】
図１０は、隠れ層１６２ｅ～１６２ｈを介してデータを処理した結果として、解凍され、再構成された出力データセットＩ’を得るために、図９の圧縮データセットＨ４に対して実行される例示的な動作セットを概略的に示す。圧縮データセットはマトリックスＨ４によって表され、解凍され、再構成され、出力データセットはマトリックスｉ’によって表され、層１６２ｅ～ｈのそれぞれにおけるノード１６４ｅ～ｈによって生成されるノード活性化値はそれぞれマトリックスＨ５、Ｈ６、Ｈ７、およびＨ８によって表され、経路１６６ｅ～ｉのそれぞれに適用される重みマトリックスはそれぞれ、Ｗ６、Ｗ７、Ｗ８、Ｗ９、およびＷ１０によって与えられ、それぞれ、Ｂ６、Ｂ７、Ｂ８、Ｂ９、およびＢ１０のそれぞれは各層におけるドット積に追加されるバイアスマトリックスであり、αは任意の活性化関数を表す。入力行列Ｈ４が与えられると、第１の重み行列Ｗ６に対するドット積が計算され、バイアス行列Ｂ６が加算され、活性化関数αがその結果に適用される。結果は、新しい行列Ｈ５である。次いで、マトリックスＨ５は、次の層のための新しい入力マトリックスとして使用され、ここで、Ｈ６を提供するために同じ演算が適用される。これは、出力データセットＩ’が得られるまで繰り返される。関数得Ｉ’＝Ｆ（Ｈ４Ｃ）は、出力マトリックスＩ’を提供するためにニューロンの層を通してマトリックスＨ４を処理する全体的な変換関数を表す。
【0130】
図１１ａは、本発明の訓練されたＡＩモデル２００、２０２、および２０４がサンプル２１０、２１２、２１４、および２１６がＡＩモデル２００、２０２、および２０４が訓練されたクラスのいずれかにあるかどうかを決定するために使用され得る方法を概略的に示す。各モデル２００、２０２、および２０４は、１つのタイプの訓練サンプルからの入力データを圧縮し、次いで、再構成誤差を最小限に抑えるために、それらを圧縮解除して戻すように訓練された。したがって、各ＡＩモデル２００、２０２、および２０４は、それぞれ、１つの関連するクラスＴ１、Ｔ２、およびＴ３に関してのみ訓練される。訓練の結果は、ＡＩモデル２００は、サンプルがクラスＴ１にあるとき、再構成誤差を最小化するように特殊化されることである。ＡＩモデル２０２は、サンプルがクラスＴ２にあるとき、再構成誤差を最小化するように特殊化される。ＡＩモデル２０４はサンプルがクラスＴ３にあるとき、再構成誤差を最小化するように特殊化される。説明のために、ＡＩモデル２００、２０２、および２０４の各々は関連するクラスにおける訓練サンプルのための対応する所望の誤差仕様書内の再構成誤差を達成するように、独立して訓練された。誤差仕様書は異なるモデル２００、２０２、および２０４間で同じであってもよいし、異なっていてもよい。
【0131】
モデル２００、２０２、および２０４の各々は、独立して、圧縮部分２０６と、解凍部分２０８とを含む。圧縮および伸張部２０６および２０８は、各モデル２００、２０２、および２０４の専門的な訓練を前提として、各モデル２００、２０２、および２０４に関して固有である。各モデル２００、２０２、２０４の圧縮部２０６は、入力データを圧縮して圧縮データを提供する。各モデル２００、２０２、２０４の伸張部２０８は、圧縮データを解凍して、４つのサンプル２１０、２１２、２１４、２１６のそれぞれについて、各モデル２００、２０２、２０４からの再構成データ２１１、２１３、２１５、２１７の出力を提供する。圧縮部２０６はサンプル２１０、２１２、２１４、２１６からそれぞれデータ２２１、２２３、２２５、２２７を入力とし、伸張部２０８は、対応する圧縮部２０６の圧縮出力を入力とする。
【0132】
訓練は、このアプローチで単純化される。各モデルは１つのクラスタイプからのサンプルの再構成誤差を最小化することのみを担うので、関連するクラスタイプのサンプルのみが、各モデルの訓練サンプルとして使用される必要がある。偽造または関連するクラスタイプまたはタイプ以外の他のサンプルは、訓練のために使用される必要はない。これにより、計算時間およびコストを低減する。複数のモデルは容易に訓練され、各モデルは１つまたは複数の関連するクラスタイプのサンプルを再構成することに特殊化する。この再構成戦略は同じモデルを通して処理されている２つ以上のクラスに対する確率に依存しないので、他のタイプのサンプルは特定種類の訓練プロセスに影響を与えない。確率モデルと比較して、結果として得られる特殊化モデルのライブラリは、未知のサンプルが１つのクラスタイプに比較的特性が近いが、ライブラリに関連する他のクラスタイプとは著しく異なる偽物である状況をより良好に処理する。背景技術のセクションで述べたように、そのような状況は、歪んだ正規化問題のために確率モデルを混乱させる可能性があり、これは、そのような偽造品材料の誤った分類のより大きな事例を引き起こす傾向を有する可能性がある。
【0133】
モデル２００、２０２、および２０４が訓練されている場合、モデル２００、２０２、および２０４を使用して、サンプル２１０、２１２、２１４、および２１６を評価し、分類することができる。サンプル２１０、２１２、２１４、または２１６が、特定のモデル２００、２０２、および２０４に関連付けられたクラス内にある場合、誤差仕様内の低い再構成誤差が生じるはずである。サンプル２１０、２１２、２１４、または２１６が、モデル２００、２０２、または２０４が特殊化されたクラス内にない場合、誤差仕様外の比較的高い再構成誤差が生じるはずである。したがって、クラスＴ１、Ｔ２、およびＴ３のすべての外側にあるサンプルの再構成誤差は、すべてのモデル２００、２０２、および２０４に関して対応する誤差仕様の外側にあるはずである。
【0134】
図１１ｂは、それぞれサンプル２１０、２１２、２１４、および２１６の各々にモデル２００、２０２、および２０４を適用するときに生じ得る例示的な結果２３０を概略的に示す。図１１ｂに示される結果２３０は、再構成誤差がＲＭＳＥ値として表される表の形態である。例示のために、モデル２００、２０２、および２０４の各々が、３未満の再構成誤差に従って関連するクラス内のサンプルを認識するように訓練されると仮定すると、結果は、サンプル２１０がクラスＴ１にあり、サンプル２１２がクラスＴ２にあり、サンプル２１４がクラスＴ３にあることを示す。これは、再構成誤差がそれぞれ、これらの一致に対する誤差仕様内にあることによって示される。一方、サンプル２１６の再構成誤差は、モデル２００、２０２、または２０４のいずれかが適用される場合、誤差仕様外である。これは、サンプル２１６がＴ１、Ｔ２、またはＴ３クラスのいずれにも存在しないことを示す。いくつかの文脈では、これはサンプル２１６が偽造品であることを示す。再構成誤差（モデル２０４に対するサンプル２１６の７．５）の近接は、サンプル２１６がクラスＴ３を模倣しようとする偽造品であることを示し得る。
【0135】
図１２は、本発明の原理を実施するために有用なシステム３００を示し、それによって、ＡＩ戦略は、証明を評価するためにダイヤモンド３０２ａ、３０２ｂ、３０２ｃ、および３０２ｄの特性を使用する。「原産地」は、宝石が由来する地理的起源を説明するために使用される宝石産業における用語である。特定地域からの宝石は、指紋のように、独特の特徴のセットを有する傾向がある。他の領域からのジェムストーンは、一致する特性を有しない。したがって、固有の特性のセットを有する宝石は、特定の領域から来るものとして識別することができる。固有の特性のセットを持たない宝石は、特定地域からのものとして除外することができ、代わりに異なる領域からのものでなければならない。上述の本発明の実施形態では、項目に関連付けられたタガントが分類のために使用されるスペクトルシグネーチャを提供する。宝石自体のスペクトル特性は、出自を評価するのに必要な情報を組み込んでいるので、宝石の出自はタグを必要としない。
【0136】
リーダ装置３０４は、ダイヤモンド３０２ａ、３０２ｂ、３０２ｃ、および３０２ｄのスペクトル特性３０６ａ、３０６ｂ、３０６ｃ、および３０６ｄをそれぞれ読み取るために使用される。リーダは、レーザダイオード３０８と、センサ配列３１０とを含む。レーザダイオード３０８は宝石を照明する。説明のために、ダイヤモンド３０２ａが照明される。ダイオード３０８からの照明３１１は、ダイヤモンド３０２ａをトリガして、センサ配列３１０によって読み取られるスペクトル応答３０５を放出する。スペクトル応答３０５は、スペクトル特性３０６ａを組み込む。同様に、他のダイヤモンド３０２ｂ、３０２ｃ、および３０２ｄのスペクトル応答は、それぞれのスペクトル特性３０６ｂ、３０６ｃ、および３０６ｄを組み込む。検知されたデータは、クラウド３１４に格納される。スペクトル特性３０６ａ、３０６ｂ、３０６ｃ、および３０６ｄの各セットが他のものとどのように異なるかに留意されたい。これは、ダイヤモンド３０２ａ、３０２ｂ、３０２ｃ、および３０２ｄの各々が異なる地理的位置に由来することを示す。ライブラリ３１６は、世界の様々な地域にそれぞれ対応する本発明の複数のＡＩモデルを格納する。ＡＩモデルを使用して、スペクトル特性３０６ａ、３０６ｂ、３０６ｃ、および３０６ｄを再構成して、どのＡＩモデルがそれぞれダイヤモンド３０２ａ、３０２ｂ、３０２ｃ、および３０２ｄごとにデータを適切に再構成するかを決定することができる。本発明の原理によれば、そのＡＩモデルが特定のダイヤモンドのデータを適切に再構成する地理的領域は、その宝石の原点として識別することができる。ハードウェアプロセッサ３１８は、照明、感知、記憶、比較などを処理するのを助けるためにコンピューティングリソースを提供する。
【0137】
図１３は、本発明の原理を使用して宝石６３８を分類することができるように、視覚的撮像（例えば、視野の視覚的特性を符号化する画像キャプチャ）と、宝石６３８からスペクトル情報をキャプチャするマルチスペクトル／ハイパースペクトル撮像技術との組み合わせを使用する、本発明の例示的なシステム６３０を概略的に示す。説明のために、宝石６３８はダイヤモンドである。各宝石６３８は、それぞれ、タガントシステム（図示せず）でマークされる。存在する場合、それぞれの異なるタガントシステムは、それぞれ関連付けられた地理的位置に対応する。したがって、各宝石６３８上のタガントシステムを識別または分類することにより、各宝石６３８の起源を決定することができる。状況に応じて、宝石６３８は、１つまたは複数の地理的位置から生じてもよく、したがって、場合によっては１つまたは複数の異なるタガントシステムを組み込んでもよい。
【0138】
システム６３０は、マルチスペクトル／ハイパースペクトル画像キャプチャ装置６３４の視野６３２内の宝石６３８のうちの１つまたは複数にタガントシステムが存在するかどうかを遠隔検出するために使用され得る。次いで、システム６３０は、タガントシグネーチャが検出されたかどうかを示すことができる出力６５８を生成し、そのピクセルが関心のスペクトルシグネーチャを生成したシーン内の宝石６３８を強調するシーンの出力画像（図示せず）を生成することができる。マルチスペクトル／ハイパースペクトルイメージング能力を有する様々な異なる画像が市販されている。これらの能力を有する市販の撮像装置の実施例は、フィンランドのＳｐｅｃｉｍ Ｓｐｅｃｔｒａｌ Ｉｍａｇｉｎｇ Ｏｙ ＬｔからＳＰＥＣＩＭ ＦＸ ＳＥＲＩＥＳ取引で市販されているハイパースペクトルカメラである。
【0139】
説明のために、システム６３０は、シーン６３６を分析するために使用されている。シーン６３６は、採掘されたダイヤモンド石の大まかな形態の複数の宝石６３８であって、さらなる処理のために、コンベヤ６４０上で矢印６４３の方向に輸送される宝石を含む。宝石６３８は、地理的位置、さらにより具体的には、宝石６３８が採掘された鉱山（図示せず）に従って、タガントシステムでマークされている。この図における各地理的位置または鉱山は、それ自体の固有のスペクトルシグネーチャに関連付けられ、その鉱山からの宝石６３８は適切な固有のスペクトルシグネーチャをコードする対応するタガント粒子でマークされている。この図におけるシステム６３０の例示的な目的は、宝石６３８が許可されていない鉱山からプロセスに注入されるのではなく、許可された鉱山から供給されることを確認するために、宝石６３８を遠隔スキャンすることである。このように、宝石６３８を追跡する１つの理由は、特定の石が特定の許可された鉱山から供給されたことを下流の買い手または他のエンティティに確認できることである。これは、ダイヤモンド石が採掘される鉱山源が、石に与えられる価値または他の好みに影響を与え得るので、商業的に重要であり得る。
【0140】
撮像デバイス６３４は、ある距離から離れた場所にあるシーン６３６の視覚的およびマルチスペクトル画像情報の両方を捕捉するために使用される。画像は、静止画像、プッシュブルーム画像、及び／又はビデオ画像の形態を含む様々な形態で、連続的に又は所望の間隔で捕捉されてもよい。これは、手動で行うことができ、又は画像キャプチャを自動化することができる。任意の照明源６４４は、照明６４６でシーン６３６を照明する。一般に、任意の照明源６４４は、様々な読み取り条件において同様の照明を維持するのを助けるために使用され、これはより高いセキュリティのためにより厳しい公差でシグネーチャが定義されることを可能にするのを助ける。場合によっては、照明源６４４が、例えば、画像捕捉デバイス６３４が、適切な日光がある日中に屋外で画像情報を捕捉するときには必要とされないことがある。夜間、曇りすぎる場合、屋内、または他の低光条件、または周囲照明が過度に変化し得る適用では、広帯域白色光照明を使用することは、存在する場合、タガント粒子からの一貫したより強いスペクトルシグネーチャの検出を可能にするのを助けるのに有用であり得る。さらに、タガント材料が所望のスペクトル出力を生成するために特定のタイプの照明を発光するか、またはそうでなければ必要とする場合、照明源６４４は、適切な照明を提供するように選択され得る。シーン６３６は、任意選択で、視覚的および／またはマルチスペクトル画像情報を較正するのに役立つフレーム内参照として機能する、白色、ブラック、または灰色の参照面などの参照プラーク６３９を含むことができる。
【0141】
照明源６４４は、シーン６３６を、しばしば順番に発生する２つ以上のタイプの照明６４６で照明することができる。次いで、画像キャプチャ装置６３４は、各タイプの照明に関連するシーン６３４のスペクトル出力を読み取ることができる。いくつかの実施形態では、照明システム６４４が２つ以上、好ましくは２～１０の波長帯域の照明を順に含む照明６４６を提供することができる。これらの波長帯域は照明が重複する波長を有さないように、分離していてもよい。他の例では、波長帯域が部分的に重複し得る。例えば、３７０ｎｍ～４０５ｎｍの範囲の主に照明を提供する照明は、５５０ｎｍ～５９０ｎｍの範囲の主に照明を提供する照明とは異なる。別の実施例として、波長範囲３８０ｎｍ～４３０ｎｍ、４１０ｎｍ～４６０ｎｍ、および４４０ｎｍ～４８０ｎｍの３つの照明は、それぞれ、少なくとも１つの他の波長帯域と部分的に重複しているにもかかわらず、異なるタイプの照明である。
【0142】
一般に、照明源６４４は、適切なスペクトルシグネーチャを提供するタガント粒子から適切なスペクトル出力を生成するのを助けることができる、使用される１つまたは複数のタイプの照明６４６を使用する。例えば、照明６４６は、ハロゲン電球によって放射されるような明るい広帯域光の形態であってもよい。いくつかの実施形態では、ハロゲン電球が連続的にオンのままであってもよく、または変調されてもよい。
【0143】
多くの他の種類の異なる照明源６４４を使用することができる。発光ダイオード（ＬＥＤ）は、便利な照明源である。ＬＥＤは信頼性があり、安価であり、照明波長および強度が均一であり、エネルギー効率が高く、過度の加熱がなく、コンパクトで、耐久性があり、信頼性がある。レーザダイオードなどのレーザは、同様に照明に使用することができる。１つの利点として、レーザ照明は、高強度の狭いスペクトル出力を有する。いくつかの実施形態では、広帯域白色光が好適である。
【0144】
画像キャプチャ装置６３４は、キャプチャされた画像情報を制御システム６４８に提供する。制御システム６４８は、一般に、コントローラ６５０、出力６５８、インターフェース６６０、ならびに通信経路６５６、６６２、６６４、および６６６を含む。通信経路６５６は、画像キャプチャ装置６３４とコントローラ６５０との間の通信を可能にする。コントローラ６５０のいくつかのまたはすべての態様は、画像キャプチャ装置６３４自体に組み込まれるローカル構成要素６５２内にあってもよい。コントローラ６５０の他の態様は、任意選択で、１つまたは複数のリモートサーバまたは他のリモート制御構成要素６５４に組み込まれ得る。通信経路６６２は、コントローラ６５０が出力６５８と通信することを可能にする。通信経路６６４は、出力６５８およびインターフェース６６０が通信することを可能にする。通信経路６６６は、インターフェース６６０およびコントローラ６５０が通信することを可能にする。
【0145】
制御システム６４８は、望ましくは、検出されたスペクトルシグネーチャを分類するために、キャプチャされた情報を評価する適切なプログラム命令の実行を行わせるハードウェアプロセッサを含む。本発明の原理によれば、ライブラリ３１６は、世界中の様々な領域にそれぞれ対応する本発明の複数のＡＩモデルを記憶する。ＡＩモデルを使用して、宝石６３８のマルチスペクトル特性を再構成し、存在する場合、各宝石６３８のデータをそれぞれ適切に再構成するＡＩモデルを決定することができる。本発明の原理によれば、そのＡＩモデルが特定の宝石６３８のデータを適切に再構成する地理的領域は、その宝石の原産地として識別することができる。制御システム６４８は、照明、感知、記憶、比較などを処理するのを助けるためにコンピューティングリソースを提供する。
【0146】
制御システム６４８は、評価の結果を伝達するために出力６５８を提供する。出力６５８は各宝石６３８について真正のタグ付シグネーチャが検出されるかどうかを示し、どの地理的領域または鉱山が、真正のタグ付シグネーチャを有する各宝石６３８に関連付けられているかを識別することができる。検出された場合、出力１５８は、視野６３２のキャプチャされた画像内で各宝石６３８のラベル付けされた原点を示すことができる。
【0147】
出力６５８は、評価の結果に基づいて自動化されたフォローアップアクションを行うために、他の制御システム構成要素または異なるシステムに提供されてもよい。出力６５８はまた、インターフェース６６０を介してユーザ（図示せず）に提供されてもよい。インターフェース６６０は、色またはパターンが設定、入力、結果などを示すタッチパッドインターフェースおよび／またはライトを組み込むことができる。インターフェース６６０は選択肢として、合格／不合格などの可聴フィードバックを与える音声チップまたは音声出力を含むことができる。さらに、ユーザが制御システム６４８と対話することを可能にするために、制御（図示せず）が含まれてもよい。
【0148】
次に、本発明を、以下の例示的な実施例を参照して説明する。
【0149】
［実施例１］：
タグ付きおよびタグなしサンプルの準備
７つの異なるクラスを表すために、８つの異なるサンプルタイプを準備した。これらはそれぞれＴ１～Ｔ７クラスであった。異なる方法で配備された同じクラスからのサンプルを正確に分類するＡＩモデルの能力を試験するために、２つのタイプのサンプルをＴ３クラスのために準備した。サンプルＴ１～Ｔ７は、それぞれクラスＴ１～Ｔ７に対応する。
タグ付きおよびタグなしサンプルの準備
７つの異なるクラスを表すために、８つの異なるサンプルタイプを準備した。これらはそれぞれＴ１～Ｔ７クラスであった。異なる方法で配備された同じクラスからのサンプルを正確に分類するＡＩモデルの能力を試験するために、２つのタイプのサンプルをＴ３クラスのために準備した。サンプルＴ１～Ｔ７は、それぞれクラスＴ１～Ｔ７に対応する。
【0150】
サンプルＴ１を以下のように準備した。クラスＴ１に関連するタガントシステムとして、ＩＲ（赤外線）吸収色素であるＩＲ－Ｔ１を、水性インク１００重量部当たりＩＲ－Ｔ１色素を３重量部の装填量で、光学的に透明な水性ベースインクに入れた。次いで、インクとＩＲ色素、ＩＲ－Ｔ１との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサー中で４ｋの速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ１色素を含有する粉砕されたタガントインクを、次いで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、速度設定１０、８.５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、ドローダウン処理を介して金属基板上に印刷した。
【0151】
サンプルＴ２を以下のように準備した。クラスＴ２に関連するタガントシステムとして、ＩＲ（赤外線）吸収色素であるＩＲ－Ｔ２を、水性インク１００重量部当たりＩＲ－Ｔ２色素を３重量部の装填量で、光学的に透明な水性インク中に入れた。次いで、インクとＩＲ色素、ＩＲ－Ｔ２との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサーで、４ｋの速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ２色素を含有する粉砕されたタガントインクを、次いで、Ｈａｒｐｅｒ ＱＤプルーファーを用いて、１０の速度設定、８.５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、ドローダウン処理によって金属基板上に印刷した。
【0152】
サンプルＴ３ａを以下のように準備した。クラスＴ３に関連するタガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ３を、水性インク１００重量部当たりＩＲ－Ｔ３色素を３重量部の装填量で、光学的に透明な水性インク中に入れた。次いで、インクとＩＲ色素、ＩＲ－Ｔ３との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサーで、４ｋの速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ３色素を含有する粉砕されたタガントインクを、次いで、速度設定１０で、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理によって金属基板上に印刷した。
【0153】
サンプルＴ３ｂを以下のように準備した。クラスＴ３に関連するタガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ３を、水性インク１００重量部当たりＩＲ－Ｔ３色素を３重量部の装填量で、灰色に着色された水性インク中に入れた。次いで、インクとＩＲ色素、ＩＲ－Ｔ３との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサーで４ｋの速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ３色素を含有する粉砕されたタガントインクを、次いで、速度設定１０で、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理を介して、非金属不透明白色基板上に印刷した。
【0154】
サンプルＴ４を以下のように準備した。クラスＴ４に関連するタガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ４を、水性インク１００重量部当たり色素３重量部の装填量で、光学的に透明な水性インク中に入れた。次いで、インクとＩＲ色素であるＩＲ－Ｔ４との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサーで、４ｋ速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ４色素を含有する粉砕されたタガントインクを、次いで、速度設定１０、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理によって金属基板上に印刷した。
【0155】
サンプルＴ５を以下のように準備した。クラスＴ５に関連するタガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ５を、水性インク１００重量部当たり色素３重量部の充填量で、青色着色水性インク中に入れた。次いで、インクとＩＲ色素であるＩＲ－Ｔ５との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサーで４ｋ速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ５色素を含有する粉砕されたタガントインクを、次いで、速度設定１０、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理によって、非金属の不透明な白色基板上に印刷した。
【0156】
サンプルＴ６を以下のように準備した。タガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ６を、クラスＴ６に関連する３重量部のタガントシステムの装填量で青色着色水性インクに入れ、水性インク１００重量部当たり３重量部の色素の装填量で青色着色水性インクに入れた。次いで、インクとＩＲ色素であるＩＲ－Ｔ６との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサー中で４ｋ速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ６色素を含有する粉砕されたタガントインクを、次いで、速度設定１０、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理によって、非金属の不透明な白色基板上に印刷した。
【0157】
サンプルＴ７を以下のように準備した。クラスＴ７に関連するタガントシステムとしてのＩＲ（赤外線）吸収色素であるＩＲ－Ｔ７を、水性インク１００重量部当たり色素３重量部の充填量で、青色着色水性インク中に入れた。次いで、インクとＩＲ色素であるＩＲ－Ｔ７との混合物を、ＳｔａｔｅＭｉｘ Ｖｏｒｔｅｘ ｌａｂミキサー中で、４ｋ速度で５分間ビーズ粉砕した。得られた、ＩＲ－Ｔ７色素を含有する粉砕されたタガントインクを、次いで、速度設定１０、８．５ｂｃｍのアニロックスローラー、および６５デュロメーターの転写ローラーで、Ｈａｒｐｅｒ ＱＤプルーファーを使用して、実験室におけるドローダウン処理によって、非金属の不透明な白色基板上に印刷した。
【0158】
上述のように、サンプルＴ１、Ｔ２、Ｔ３ａ、およびＴ４はタガントインクを金属基板上に印刷することによって準備され、サンプルＴ３ｂ、Ｔ５、Ｔ６、およびＴ７はタガントインクを非金属基板上に印刷することによって準備された。金属基板上のタガントシステムは、非金属基板上のものより評価するのが困難である傾向があるので、金属基板をサンプルＴ１、Ｔ２、Ｔ３ａ、およびＴ４について選択した。金属基板の反射率はタガントシステムのスペクトル放射を妨害し、これは、スペクトルシグネーチャを正確に読み取る際の技術的課題を作り出す。結果として、非金属基板に関連する反射率が金属基板と比較してはるかに低いので、非金属基板上のサンプルからスペクトルを読み取ることがより容易であることが予想された。実際、スペクトルは、非金属基材上に印刷されたタガントインクを用いてサンプルから読み取るのがより容易であることが判明した。要するに、金属基板を使用することは、異なるサンプルを読み取り、評価し、分類するためのより困難な状況を作り出した。金属サンプルであっても正確な分類を達成する本発明の能力は、そのような課題に直面して正確な分類を提供する本発明の能力を強調する。
【0159】
７つのＴ１～Ｔ７タガントシステムのそれぞれは独特であった。各々は、他の６つのタガントシステムのスペクトルシグネーチャとは異なる独特のスペクトルシグネーチャを提供するスペクトル特性を有する独特のＩＲ色素を含んでいた。しかしながら、選択されたＩＲ色素は、それぞれのシグネーチャ特性においてお互いにスペクトル的に近かった。染料はまた、低充填量でタガントインク中に配合された。金属基材を使用することは、本発明の性能を評価するためのより強固な立証グランドを提供したのと同様に、これらの要因もまた、異なるサンプルを読み、評価し、分類するためのより困難な状況を作り出した。
【0160】
［実施例２］
［タグ付きサンプルの訓練スキャンの取得］
１５個の異なるハンドヘルド反射分光計を使用して、検出器当たり、実施例１の各タグ付きサンプルの５０～２５０スキャンを収集した。スキャンを収集するために複数の検出器を使用することにより、以下の実施例５の評価が可能になり、検出器間の分散が本発明のアプローチによって十分に適応されることを示した。その結果、正確な分類率を維持しながら、検出器間の分散に適応するようにモデルを訓練することができる。合計４２０３回のスキャンを得た。これらは、訓練されたＡＩモデルの分類能力を後で試験するために使用される訓練グループと予約グループとに分けられた。訓練グループは３７８３個（９０％）のスキャンを含み、これらの訓練スキャンを用いて、それぞれクラスＴ１～Ｔ７の各々について特殊化されたＡＩモデルを訓練した。予約グループは、訓練されたＡＩモデルの分類能力を試験するために使用された４２０（１０％）を含んだ。このようにして、訓練されたモデルの分類能力を試験するために使用されたスキャンは、第１の例においてモデルを訓練するために使用されなかった。
［タグ付きサンプルの訓練スキャンの取得］
１５個の異なるハンドヘルド反射分光計を使用して、検出器当たり、実施例１の各タグ付きサンプルの５０～２５０スキャンを収集した。スキャンを収集するために複数の検出器を使用することにより、以下の実施例５の評価が可能になり、検出器間の分散が本発明のアプローチによって十分に適応されることを示した。その結果、正確な分類率を維持しながら、検出器間の分散に適応するようにモデルを訓練することができる。合計４２０３回のスキャンを得た。これらは、訓練されたＡＩモデルの分類能力を後で試験するために使用される訓練グループと予約グループとに分けられた。訓練グループは３７８３個（９０％）のスキャンを含み、これらの訓練スキャンを用いて、それぞれクラスＴ１～Ｔ７の各々について特殊化されたＡＩモデルを訓練した。予約グループは、訓練されたＡＩモデルの分類能力を試験するために使用された４２０（１０％）を含んだ。このようにして、訓練されたモデルの分類能力を試験するために使用されたスキャンは、第１の例においてモデルを訓練するために使用されなかった。
【0161】
以下の実施例４に記載されるように、追加の５０回のスキャンを予約グループに加えて、訓練されたＡＩモデルの分類能力を試験するために使用された合計４７０回のスキャンを提供した。これらの追加の５０回のスキャンは、実施例１のタグ付きサンプルのスキャン、ならびにいかなるタガントシステムも含まないサンプル（タグなしサンプル）のスキャンを含んだ。タグ無しサンプルの使用は、訓練されたＡＩモデルが、タグ無しサンプルが７つのＴ１～Ｔ７クラスのいずれにも属さなかったことを首尾よく決定できるかどうかを評価するための試験を可能にした。
【0162】
各スペクトルの発光を誘発するために、訓練サンプルを、２つの光源を順に使用して照射した：最初に広帯域白色光（４００～１０００ｎｍ）、次いで９１０ｎｍのＩＲ光。４００ｎｍ～１０００ｎｍのスペクトルを、各照明タイプの下で収集した。これにより、各スキャンサンプルについて２種類のスペクトルが収集された。各タイプのスペクトルは、４００ｎｍ～１０００ｎｍの波長範囲にわたって６００個のデータポイントを含んでいた。ＩＲ反射スペクトルの６００個のデータ値を、合計１２００個の個々のデータ値を含む得られたデータ列について、可視反射スペクトルからの６００個のデータ値の最後に加えた。
【0163】
１２００個の値の各データ列について、平滑化変換を行った。平滑化平均は、１５のウィンドウサイズに対して（すなわち、１５個の値ごとに）計算された。ウィンドウは各値を中心とし、したがって、現在の値の前の７つの隣接値、現在の値、および現在の値の後の７つの隣接値を含む。データ文字列の先頭や末尾など、７つ未満の隣接する値が使用可能な場合、使用可能な値のみが平滑化に使用された。たとえば、文字列の最初の値の場合、最初の値の前に隣接する値はない。その結果、第１の値および現在の値の後の７つの隣接値について、第１の値の平滑化された値を計算するために使用された。次いで、水平標準正規変量（ＳＮＶ）変換を、以下のように各平滑化値でデータを正規化するために、各スキャンに適用した（水平標準化の説明については、図１５および以下の対応する議論を参照）：
新しい値＝（古い値－すべての古い値の平均）／すべての古い値のＳｔｄｅｖ
この表現において、「Ｓｔｄｅｖ」という用語は標準偏差を指す。得られた正規化および平滑化されたデータ列は、そのスキャンサンプルの入力データセットとして機能した。この実施例では、１２００個のデータ値すべてが単一のセットとして正規化された。代替として、６００個の値の各データセットを正規化することができ、次いで、２つの正規化されたデータストリングを連結して、１２００個の値を有する入力データセットを提供することができる。
新しい値＝（古い値－すべての古い値の平均）／すべての古い値のＳｔｄｅｖ
この表現において、「Ｓｔｄｅｖ」という用語は標準偏差を指す。得られた正規化および平滑化されたデータ列は、そのスキャンサンプルの入力データセットとして機能した。この実施例では、１２００個のデータ値すべてが単一のセットとして正規化された。代替として、６００個の値の各データセットを正規化することができ、次いで、２つの正規化されたデータストリングを連結して、１２００個の値を有する入力データセットを提供することができる。
【0164】
［実施例３］
［スキャンを使用したＡＩモデルの訓練］
図８ａのものと同様のＡＩアーキテクチャを有する７つのＡＩモデルを、実施例２のスキャンを用いて訓練した。図８ａに示すように、各モデルは、入力データセットを漸進的に圧縮する第１の圧縮部分と、再構成データセットを提供するために圧縮データを漸進的に解凍する第２の解凍部分とを有していた。各ＡＩモデルの圧縮部分は６つの隠れ層を含んでいた。各ＡＩモデルの解凍部分は、入力データセットのサイズに一致する同じ数のデータ値を含む再構成データセットを提供するためにデータを漸進的に解凍する６つの隠れ層も含んだ。
［スキャンを使用したＡＩモデルの訓練］
図８ａのものと同様のＡＩアーキテクチャを有する７つのＡＩモデルを、実施例２のスキャンを用いて訓練した。図８ａに示すように、各モデルは、入力データセットを漸進的に圧縮する第１の圧縮部分と、再構成データセットを提供するために圧縮データを漸進的に解凍する第２の解凍部分とを有していた。各ＡＩモデルの圧縮部分は６つの隠れ層を含んでいた。各ＡＩモデルの解凍部分は、入力データセットのサイズに一致する同じ数のデータ値を含む再構成データセットを提供するためにデータを漸進的に解凍する６つの隠れ層も含んだ。
【0165】
各モデルは、それぞれＴ１～Ｔ７クラスのうちの１つの関連するタガントクラスについてのみ、スペクトル、したがってスペクトルシグネーチャを適切に再構成するように特殊化されるように訓練された。また、各モデルは、関連するクラスの訓練サンプルのみを用いて訓練された。したがって、Ｔ１ ＡＩモデルは、サンプルＴ１から得られた訓練サンプルとしてスキャンのみを用いて訓練された。同様に、Ｔ２ ＡＩモデルを、サンプルＴ２から得られた訓練サンプルとしてスキャンのみを用いて訓練した。同様に、Ｔ３～Ｔ７モデルのそれぞれは、サンプルＴ３～Ｔ７からそれぞれ得られた訓練サンプルとしてスキャンのみを用いて訓練された。
【0166】
Ｔ３モデルは、Ｔ３ａおよびＴ３ｂサンプルの両方からのスキャンを使用して訓練された。これらの２つのサンプルは同じタガントシステムを含んでいたが、これらはそれぞれ２つの異なるインクキャリアを有する２つの異なる基板上で使用された。図１４のデータは、訓練されたＴ３ ＡＩモデルがＴ３タガントシステムを依然として正確に認識し、インクシステムおよび基板における差異が存在する場合でさえも、それを他のタガントシステムおよびタグなしサンプルと区別することができることを示している。
【0167】
以下の実施例４は、様々な異なるタグ無しサンプルからスペクトルスキャンを得ることを説明する。タグ無しサンプルのために訓練されたモデルはなかった。タグ無しサンプルを、実施例５で使用して、訓練されたモデルを評価し、７つの訓練されたモデルのいずれかが、タグ無しサンプルを、訓練されたＡＩモデルにそれぞれ関連するＴ１～Ｔ７クラスのいずれかにあると混同するかどうかを確認した。
【0168】
［実施例４］
［新しいサンプルスキャンの取得］
この実施例では、実施例１のタグ付きサンプから、ならびに追加のタグなしサンプルの両方から、５０の追加のスキャンサンプルを得た。これらのうち、２４のスキャンがタグ付きサンプルから得られ、２６のスキャンがタグなしサンプルから得られた。
［新しいサンプルスキャンの取得］
この実施例では、実施例１のタグ付きサンプから、ならびに追加のタグなしサンプルの両方から、５０の追加のスキャンサンプルを得た。これらのうち、２４のスキャンがタグ付きサンプルから得られ、２６のスキャンがタグなしサンプルから得られた。
【0169】
５０個の追加のサンプルのスキャンを、実施例２に関して上述した手順を用いて、タグ付きサンプルおよびタグなしサンプルから得たが、ただし、同じ検出器を用いて、５０個すべてのスキャンを得た。さらに、金属基板上に準備されたサンプルから３回のスキャンを行い、平滑化および正規化のために使用されたデータ値は、３回の読み取り値の平均であった。さらに、非金属基板上のサンプルからは、１回のスキャンのみを行った。
【0170】
予約グループからの４２０スキャンを５０の追加スキャンと組み合わせた結果、実施例３から得られた７つの訓練されたＡＩモデルの分類能力、およびそれらの関連するタガントシステム（関連するタガントクラスとも呼ばれる）、またはタグ無しサンプルの場合のそれらの欠如を試験するために、４７０スキャンの完全な予約グループが形成された。これらを以下の表に示す：
様々な異なるタグなし項目からのスキャンが得られた。サンプル４４５および４５８はオレンジ色のスキャンであり、３Ｍのポストイットノートであった。スキャン４４６および４５９は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ａｔ ｔｈｅ Ｂｅａｃｈ」ボディローションの金属金箔標識のスキャンであった。サンプル４４７および４６０は、マットブラックカウンタートップのスキャンであった。サンプル４４８および４６１は、青色の３Ｍポストイットノートのスキャンであった。サンプル４４９および４６２は、非金属の灰色のセントトーマス大学フォルダのスキャンであった。サンプル４５０、４５１、４６３、および４６４は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｉｎ ｔｈｅ Ｓｔａｒｓ」ボディローションの金属金箔標識のスキャンであった。サンプル４５２および４６５は、Ｄｅｌｌラップトップコンピュータの金属表面のスキャンであった。サンプル４５３および４６６は、実施例１の金属サンプルを作製するために使用された金属基板のスキャンであったが、インクを含まない。サンプル４５４および４６７は、実験室でドローダウン処理によって適用されたＵＶ硬化性クリアワニスでコーティングされた実施例１の金属サンプルを作製するために使用された金属基板のスキャンであり、Ｈａｒｐｅｒ ＱＤプルーファーを使用し、速度設定１０、アニロックスローラー８．５ｂｃｍ、および６５デュロメーターの転写ローラを使用した。サンプル４５５および４６８は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｐｉｎｋ Ｃｏｃｏｎｕｔ Ｃａｌｙｐｓｏ」ボディローションの金属ピンクラベルのスキャンであった。サンプル４５６および４６９は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｐｉｎｋ Ｃｏｃｏｎｕｔ Ｃａｌｙｐｓｏ」ボディウォッシュの金属ピンクラベルのスキャンであった。サンプル４５７および４７０は、Ｌｅｎｅｔａ Ｃｏからの非金属白色標準のスキャンであった。
【表2】
様々な異なるタグなし項目からのスキャンが得られた。サンプル４４５および４５８はオレンジ色のスキャンであり、３Ｍのポストイットノートであった。スキャン４４６および４５９は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ａｔ ｔｈｅ Ｂｅａｃｈ」ボディローションの金属金箔標識のスキャンであった。サンプル４４７および４６０は、マットブラックカウンタートップのスキャンであった。サンプル４４８および４６１は、青色の３Ｍポストイットノートのスキャンであった。サンプル４４９および４６２は、非金属の灰色のセントトーマス大学フォルダのスキャンであった。サンプル４５０、４５１、４６３、および４６４は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｉｎ ｔｈｅ Ｓｔａｒｓ」ボディローションの金属金箔標識のスキャンであった。サンプル４５２および４６５は、Ｄｅｌｌラップトップコンピュータの金属表面のスキャンであった。サンプル４５３および４６６は、実施例１の金属サンプルを作製するために使用された金属基板のスキャンであったが、インクを含まない。サンプル４５４および４６７は、実験室でドローダウン処理によって適用されたＵＶ硬化性クリアワニスでコーティングされた実施例１の金属サンプルを作製するために使用された金属基板のスキャンであり、Ｈａｒｐｅｒ ＱＤプルーファーを使用し、速度設定１０、アニロックスローラー８．５ｂｃｍ、および６５デュロメーターの転写ローラを使用した。サンプル４５５および４６８は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｐｉｎｋ Ｃｏｃｏｎｕｔ Ｃａｌｙｐｓｏ」ボディローションの金属ピンクラベルのスキャンであった。サンプル４５６および４６９は、Ｂａｔｈ ａｎｄ Ｂｏｄｙ Ｗｏｒｋｓからの「Ｐｉｎｋ Ｃｏｃｏｎｕｔ Ｃａｌｙｐｓｏ」ボディウォッシュの金属ピンクラベルのスキャンであった。サンプル４５７および４７０は、Ｌｅｎｅｔａ Ｃｏからの非金属白色標準のスキャンであった。
【0171】
［実施例５］
[４７０スキャンを用いてＡＩモデルのサンプルを正確に分類する能力を評価する]
この実施例では、実施例４の４７０スキャンを使用して、これらのスキャンに関連するタグ付きサンプルおよびタグなしサンプルを分類した。各ＡＩモデルを用いて、すべてのサンプルについて再構成誤差を評価し取得した。各モデルについて、全４７０サンプルの再構成誤差を、サンプルの関数としてプロットした。各ＡＩモデルのプロット結果を、図１４に示す。図１４では、Ｔ～Ｔ７ ＡＩモデルのグラフにそれぞれモデル１～モデル７の見出しが付いている。したがって、モデル１のグラフはＴ１ ＡＩモデルのためのものであり、モデル２のグラフは、Ｔ２ ＡＩモデルのためのものなどである。
[４７０スキャンを用いてＡＩモデルのサンプルを正確に分類する能力を評価する]
この実施例では、実施例４の４７０スキャンを使用して、これらのスキャンに関連するタグ付きサンプルおよびタグなしサンプルを分類した。各ＡＩモデルを用いて、すべてのサンプルについて再構成誤差を評価し取得した。各モデルについて、全４７０サンプルの再構成誤差を、サンプルの関数としてプロットした。各ＡＩモデルのプロット結果を、図１４に示す。図１４では、Ｔ～Ｔ７ ＡＩモデルのグラフにそれぞれモデル１～モデル７の見出しが付いている。したがって、モデル１のグラフはＴ１ ＡＩモデルのためのものであり、モデル２のグラフは、Ｔ２ ＡＩモデルのためのものなどである。
【0172】
一般的に、全体的な結果として、図１４のグラフ化されたデータは、仕様書が設定されている場合、ＡＩモデルが誤差仕様書の下で再構成誤差を生成したクラスにサンプルを分類できることを示している。あるいは、サンプルが関連するモデルが最も低い再構成誤差を生成したクラスに分類することができる。また、タグ無しサンプルの約９５％の再構成誤差は全てのモデルについて比較的高く、これらのサンプルが７つのクラスのいずれにも属さないことを示していることが分かる。
【0173】
例えば、サンプル１～３８は、Ｔ１クラスにある。再構成誤差は最も低く、Ｔ１モデルについてのみ０．１未満であった。他のすべてのモデルは、Ｔ２モデルの約０．４からＴ６モデルの約３．３までの範囲のより高い再構成誤差を提供する。
【0174】
サンプル３９～７６は、Ｔ２クラスにある。Ｔ２モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。
【0175】
サンプル７７～１６３は、Ｔ３クラスにある。Ｔ３モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。Ｔ３ ＡＩモデルはまた、他のサンプルについてのＴ３サンプルを区別するだけでなく、Ｔ３ａおよびＴ３ｂサンプルを互いに区別するのに十分な感度を有した。
【0176】
サンプル１６４～１９９は、Ｔ４クラスにある。Ｔ４モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。
【0177】
サンプル２００～２７８は、Ｔ５クラスにある。Ｔ５モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。
【0178】
サンプル２７９～３５８は、Ｔ６クラスにある。Ｔ６モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。
【0179】
サンプル３５９～４４４は、Ｔ７クラスにある。Ｔ７モデルの使用のみが、これらのサンプルについて約０．１未満の最低再構成誤差を提供した。他の全てのモデルは、より高い再構成誤差を提供した。
【0180】
サンプル４４５～４７０はＴ１～Ｔ７クラスのいずれにもないが、これはこれらのサンプルがタグ付けされていないためである。全てのモデルは、タグ無しサンプルの大部分について、誤差仕様外の高い再構成誤差を提供した。タグ無しサンプルの再構成誤差が適切に選択された閾値よりも高い場合、タグ無しサンプルは、タグ無しとして予測され得る。タグ無しサンプルの再構成誤差が定義された閾値よりも低い場合、タグ無しサンプルは、最も低い再構成誤差を生じたモデル内のタイプとして分類され得る。このような状況が生じた場合、タグなしサンプルは誤分類されることになる。このような状況は、モデルが十分に訓練されている場合にはまれである。この実施例で得られたデータの評価は、誤分類がサンプルの５．５％未満で起こったことを示す。これは、誤分類が２０％以上であると予想される確率的分類よりも劇的な改善である。
【0181】
結果は、各ＡＩモデルが、固有の関連するクラスの適切な再構成に特殊化するようにどのように訓練できるかを示す。結果は、再構成誤差が関連するクラスのサンプルについてのみ低くなる傾向があることを示す。金属基板上のサンプルはスペクトルにおけるノイズの増加により分類することがより困難であったが、それにもかかわらず、本発明によって教示される分類方法はこれらのより困難なサンプルでさえも正確に分類する能力を示す。
【0182】
訓練後、ＡＩモデルの分類精度を、それぞれ０．１０７１未満、０．１１８３未満、および０．１２８０未満の３つの異なる誤差閾値を用いて評価した。これらは、タグなしサンプルについての３つの最小再構成誤差値であった。３つの誤差閾値は、それぞれ、全分類精度の８８．９％、９４．５％、および９７．２％に至った。結果は、全体的な精度が異なるアプリケーションのニーズに適合するように誤差閾値を調整することによって調整され得ることを示す。
【0183】
［実施例６］
［サンプルの準備］
上記の実施例１～５は、本発明の分類戦略が、次いでＡＩモデルを訓練し、使用するための入力データセットとして使用するために１２００個のデータ値を提供するスペクトルスキャンに適用された実験を記載している。モデルの訓練および使用から得られた結果は、多数の値を含む入力データセットが、ＡＩモデルの訓練を可能にし、次いで、高い精度で分類を提供することを示す。この実施例６および以下の実施例７～１２によるサンプルの準備および試験は、入力データセットが５つのデータ値のみを含むはるかに単純なシナリオにおいてさえ、本発明の分類戦略が高度に正確であることを示すために行われた。実施例１～５の実験による１２００次元を有する入力データセットを使用することと比較して、このシナリオの単純さは、従来の分類戦略に対して本発明の利点を実証するためのより困難な状況を提起した。しかしながら、有意なことに、５つの値を有する入力データセットを再構成するときでさえ、本発明の分類戦略（本明細書では再構成またはＲＥ＊分類と呼び、アスタリスクはこの頭字語が本発明の原理に関連することを強調するのに役立つために使用される）は、広く使用されている２つの従来の分類戦略よりも優れていた。これらの２つの従来の分類戦略は、１）動径基底非線形カーネル学習（ＳＶＭ ＲＢＦ学習）を伴うサポートベクトルマシン、および２）確率的分類に基づくＡＩ／ＮＮ（ニューラルネットワーク）学習を含んだ。
［サンプルの準備］
上記の実施例１～５は、本発明の分類戦略が、次いでＡＩモデルを訓練し、使用するための入力データセットとして使用するために１２００個のデータ値を提供するスペクトルスキャンに適用された実験を記載している。モデルの訓練および使用から得られた結果は、多数の値を含む入力データセットが、ＡＩモデルの訓練を可能にし、次いで、高い精度で分類を提供することを示す。この実施例６および以下の実施例７～１２によるサンプルの準備および試験は、入力データセットが５つのデータ値のみを含むはるかに単純なシナリオにおいてさえ、本発明の分類戦略が高度に正確であることを示すために行われた。実施例１～５の実験による１２００次元を有する入力データセットを使用することと比較して、このシナリオの単純さは、従来の分類戦略に対して本発明の利点を実証するためのより困難な状況を提起した。しかしながら、有意なことに、５つの値を有する入力データセットを再構成するときでさえ、本発明の分類戦略（本明細書では再構成またはＲＥ＊分類と呼び、アスタリスクはこの頭字語が本発明の原理に関連することを強調するのに役立つために使用される）は、広く使用されている２つの従来の分類戦略よりも優れていた。これらの２つの従来の分類戦略は、１）動径基底非線形カーネル学習（ＳＶＭ ＲＢＦ学習）を伴うサポートベクトルマシン、および２）確率的分類に基づくＡＩ／ＮＮ（ニューラルネットワーク）学習を含んだ。
【0184】
実施例７～１２で使用されたＲＥ＊モデルは、ＲＥ＊ＡＩモデルが５次元入力データのために各層でより小さいニューロンを有するより浅い層を有することを除いて、実施例１～５で使用された本発明のＡＩモデルに関して上述したようなアーキテクチャを有していた。結果として、ＲＥ＊モデルは、５つの値の入力データセットを、１つの関連するクラスのための５つの値の再構成データセットに正確に再構成するように特殊化するように訓練された。さらなる差異として、その低い５次元入力のために、入力データに対して平滑化は実行されなかった。各サンプルのＺ－スコア（水平標準化）は（水平標準化は図１５で説明されており、以下の対応する議論が）依然として行われている。
【0185】
この評価は、それぞれ１３の異なるタガントシステムに基づく１３の異なるクラスを使用した。クラス１～１１の各々は、飲料分野で商業化された実際の製品のパッケージに使用される独特のタガントシステムであった。エンドユーザは所望の温かい飲料を準備するために、温水と共に製品を使用するのであろう。タガントシステムは、対応するパッケージに印刷された対応するタガントインクを提供するために、キャリアインクに組み込まれた。
【0186】
クラス１２および１３のそれぞれは、クラス１の変形であった。クラス１２は、そのインクキャリア中のタガントシステムの成分の１つの重量負荷がクラス１で使用されたものよりもクラス１２で高かったことを除いて、クラス１と全く同じタガントシステムを使用するように配合された。クラス１と比較して、これは、構成要素の強度ピークを、タガントシステムにおける他のタガント材料のピークと比較してより高くさせた。クラス１３は、そのインクキャリア中のタガントシステムの成分の１つの重量負荷がクラス１で使用される重量負荷よりもクラス１２で低かったことを除いて、クラス１と全く同じタガントシステムを使用するように配合された。クラス１と比較して、これは、構成要素の強度ピークを、タガントシステムにおける他のタガント材料のピークと比較して低くした。したがって、クラス１２はそのより高いタガント装填を示すためにクラス１２（高）と呼ばれることもあり、クラス１３はそのより低いタガント装填を示すためにクラス１３（低）と呼ばれることもある。
【0187】
上記の市販のサンプルに加えて、クラス１に関連する追加の実験室ベースのサンプルを準備した。このサンプルは、インクキャリア中の同じ重量負荷で同じタガントシステムを使用して、市販のクラス１サンプルのスペクトルシグネーチャに一致するスペクトルシグネーチャを提供するように配合された。したがって、ラボベースであることを除いて、この追加のサンプルはクラス１のメンバーである。便宜上、この追加のサンプルを本明細書では「クラス１標的」サンプルと呼び、そのスキャンを「クラス１標的」スキャンと呼ぶ。用語「標的」は、これらの標識において、このサンプルがクラス１にあること、および市販のクラス１サンプルと区別することを意図することを示すために使用される。
【0188】
全体的なサンプルセットは、１００個のクラス１サンプル、クラス２～１１のそれぞれについて１０個のサンプル、１個のクラス１２サンプル、１個のクラス１３サンプル、および１個のクラス１標的サンプルを含んだ。
【0189】
サンプルのスキャンを行った。いくつかのスキャンは訓練に使用され、残りは訓練されたモデルの性能を試験するために予約された。具体的には、クラス１のサンプルについて１００回のスキャンを行い、これらのうち８０回は訓練に使用され、２０回は訓練されたモデルを試験するために予約された。それぞれクラス２～１１のサンプルについて５０回のスキャンを行い、各クラスの５０回のスキャンのうち４０回を訓練に使用し、１０回は訓練されたモデルを試験するために予約した。それぞれ、クラス１２、クラス１３、およびクラス１標的サンプルのそれぞれのサンプルについて１００回のスキャンを行い、各クラスのスキャンのうち８０回が訓練に使用され、２０回が訓練されたモデルを試験するために予約された。クラス１標的サンプルについて１００回のスキャンを実施し、これらの全ての１００回を訓練されたモデルの試験に使用し、訓練には使用しなかった。クラス１２、クラス１３、およびクラス１標的サンプルのスキャンを得るために、各サンプルを１００の正方形のグリッドに分割した。サンプル上の異なる位置からスキャンを行うように、グリッドの各正方形からスキャンを行った。
【0190】
各スキャンを得るために、５チャネルカラーチップを有する検出器を用いて、各サンプルの蛍光発光のスキャンを行った。スキャンにより、各カラーチャネルについての値を得た。各サンプルの蛍光シグネーチャの発光を誘発するために、サンプルを３８５ｎｍの波長のＬＥＤ光源で照射した。訓練されたモデルを試験するために使用されたサンプルのスキャンは、同じ方法で得られた。実施例７～１２では、クラス１～１３のサンプルからのスキャンを用いて行われた分類実験を記載する。
【0191】
［実施例７］
［すべてのクラスのモデルが訓練反復の関数として訓練される場合の分類精度］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、クラス１～１３から２５０の訓練反復のために訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊化されたＡＩモデルを訓練し、合計１３の訓練された特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練された。そのため、他のクラスのタグ付きシグネーチャの性質は、訓練の目的には関係なかった。以下の結果によって示されるように、本発明の有意な利点は、本発明のＡＩモデルが、このように訓練されたときでさえ、最良の分類性能を提供することである。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、１つのモデルを、１３のクラスすべてに関して訓練した。
［すべてのクラスのモデルが訓練反復の関数として訓練される場合の分類精度］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、クラス１～１３から２５０の訓練反復のために訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊化されたＡＩモデルを訓練し、合計１３の訓練された特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練された。そのため、他のクラスのタグ付きシグネーチャの性質は、訓練の目的には関係なかった。以下の結果によって示されるように、本発明の有意な利点は、本発明のＡＩモデルが、このように訓練されたときでさえ、最良の分類性能を提供することである。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、１つのモデルを、１３のクラスすべてに関して訓練した。
【0192】
同じ訓練を、５００回の訓練反復を用いて繰り返した。結果は、２５０回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮおよびＲＥ＊モデルの第１のセット、ならびに５００回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮおよびＲＥ＊モデルの第２のセットであった。
【0193】
それぞれ２５０回の反復または５００回の反復に関する訓練の後、クラス１～１３ならびにクラス１標的クラスからのスキャンを正確に分類するための、対応する訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの能力を評価した。クラス１～１３に正しく分類されるサンプルの割合として示される、２つの実験の精度結果（クラス１標的サンプルからのスキャンがクラス１に対する一致であり、したがってクラス１に分類されるべきであることを想起されたい）は、以下の表に示される：
結果は、ＳＶＭ ＲＢＦとＮＮモデルが２５０回の反復を用いて訓練されたときに低い精度を有し、一方、ＲＥ＊モデルは、全てのクラスに関して全体的に９３．５％の精度を提供したことを示す。５００回の訓練反復において、ＳＶＭ ＲＢＦモデルは、依然として不十分に実行された。５００回の訓練反復におけるＮＮモデルはＲＥ＊モデルと同等の精度を有していたが、以下のことが観察される：１）ＲＥ＊モデルは２５０回の訓練反復のみを使用するＮＮモデルよりもはるかに正確であり、ＲＥ＊モデルはより少ない訓練反復を使用して効果的に訓練され得、したがって、より迅速かつより低いコストで訓練され得ることを示し；２）各ＲＥ＊モデルは関連するクラスのサンプルのみを使用して、ここに示される高い分類精度を達成するように訓練され得、その結果、クラス外の他のサンプルを知ることは必要とされない。
【表3】
結果は、ＳＶＭ ＲＢＦとＮＮモデルが２５０回の反復を用いて訓練されたときに低い精度を有し、一方、ＲＥ＊モデルは、全てのクラスに関して全体的に９３．５％の精度を提供したことを示す。５００回の訓練反復において、ＳＶＭ ＲＢＦモデルは、依然として不十分に実行された。５００回の訓練反復におけるＮＮモデルはＲＥ＊モデルと同等の精度を有していたが、以下のことが観察される：１）ＲＥ＊モデルは２５０回の訓練反復のみを使用するＮＮモデルよりもはるかに正確であり、ＲＥ＊モデルはより少ない訓練反復を使用して効果的に訓練され得、したがって、より迅速かつより低いコストで訓練され得ることを示し；２）各ＲＥ＊モデルは関連するクラスのサンプルのみを使用して、ここに示される高い分類精度を達成するように訓練され得、その結果、クラス外の他のサンプルを知ることは必要とされない。
【0194】
この実験は、すべてのサンプルが、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルが訓練された既知のクラスに関連付けられる状況を提示することに留意されたい。これは、これらの２つの従来のモデルが未知のクラスからの未知のサンプルを既知のクラスのうちの１つに強制する傾向があるので、ＳＶＭ ＲＢＦおよびＮＮモデルにとって極めて好ましい文脈を作り出す。この強制は、未知のサンプルがすべての既知のクラスの外側にある場合でも発生する。この文脈は、まだ遭遇していない新しいクラスを回避することによってＳＶＭ ＲＢＦおよびＮＮモデルに有利に働くが、ＲＥ＊戦略は２５０回の訓練反復においてＳＶＭ ＲＢＦおよびＮＮモデルを依然として上回り、５００回の訓練反復を使用するとき、ＮＮモデルのみがＲＥ＊モデルに一致する。これは、ＳＶＭ ＲＢＦモデルが両方の訓練シナリオにおいて遅れていること、ＮＮモデルが高度に正確であるために広範な訓練を必要とすること、およびＲＥ＊モデルがより少ない訓練反復を使用しても高度に正確であることを示す。
【0195】
さらに、この実験はすべてのサンプルおよびクラスがモデルに知られている状況を提示するが、これは現実世界のシナリオではない。実際のシナリオでは、以前は知られておらず、訓練に使用されていない、新しい競合相手、新しい偽造品などからの新たに遭遇する製品を含む。以下に示されるように、ＳＶＭ ＲＢＦおよびＮＮモデルは、これらの新規参入者を既知のクラスの外側にあるものとして認識することができず、代わりに、それらを既知のクラスに強制し、不可能ではないにしても、新たに遭遇したクラスの偽造検出を極めて困難にする。対照的に、本発明のＲＥ＊戦略は、有意な利点として、新たに遭遇したクラスからのサンプルが既知のクラスの外にあることをはるかに正確に認識することができる。ＲＥ＊は、サンプルを既知のクラスに強制しようとしないので、この利点が得られる。むしろ、未知のものが、すべてのＡＩモデルに対して高すぎる再構成誤差を生成する場合、ＲＥ＊戦略はそのようなサンプルが既知のクラスのいずれにも属さないことを正確に決定することができる。これは、市場で新たに遭遇した偽造品及び競争的サンプルを検出することができる強い必要性を満たす。
【0196】
結果はまた、クラス１標的スキャンが、ＲＥ＊モデルによってクラス１にあると正確に特徴付けられたことを示す。また、クラス１との高い類似性にもかかわらず、クラス１２（高）および１３（低）からのサンプルは、同様にＲＥ＊モデルによって正確に分類された。
【0197】
［実施例８］
［訓練された分類モデルが以前に知られていないクラスに最初に遭遇するシナリオをシミュレートする場合の分類精度］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、２５０回の訓練反復を使用してクラス１～３、５～８、および１０～１３に関して訓練した。これは、クラス４および９に関連するサンプルが、ＲＥ＊モデルに関して訓練時に未知であり、後にＲＥ＊モデルが最初に遭遇する偽造品である状況をシミュレートする。ＲＥ＊モデルの訓練には、クラス１～３、５～８、および１０～１３のそれぞれについて１つの特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練された。そのため、他のクラスのタグ付きシグネーチャの性質は、訓練の目的には関係なかった。さらに、従来の訓練に従った各ＳＶＭ ＲＢＦおよびＮＮモデルは、１～３、５～８、および１０～１３からのサンプルを集合的に使用して訓練され、一方、クラス４および９からのサンプルは両方とも「他の」クラスに分類され、ＳＶＭ ＲＢＦおよびＮＮモデルを「他の」クラスとして訓練するために使用された。このシナリオは、「他の」クラスが訓練時にこれらの２つのモデルに知られていたが、訓練時にＲＥ＊戦略には知られていなかったので、ＳＶＭ ＲＢＦおよびＮＮモデルに分類上の利点を与える。ＳＶＭ ＲＢＦおよびＮＮモデルに与えられる利点にもかかわらず、以下のデータは、ＲＥ＊分類戦略がより正確であることを示す。
［訓練された分類モデルが以前に知られていないクラスに最初に遭遇するシナリオをシミュレートする場合の分類精度］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、２５０回の訓練反復を使用してクラス１～３、５～８、および１０～１３に関して訓練した。これは、クラス４および９に関連するサンプルが、ＲＥ＊モデルに関して訓練時に未知であり、後にＲＥ＊モデルが最初に遭遇する偽造品である状況をシミュレートする。ＲＥ＊モデルの訓練には、クラス１～３、５～８、および１０～１３のそれぞれについて１つの特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練された。そのため、他のクラスのタグ付きシグネーチャの性質は、訓練の目的には関係なかった。さらに、従来の訓練に従った各ＳＶＭ ＲＢＦおよびＮＮモデルは、１～３、５～８、および１０～１３からのサンプルを集合的に使用して訓練され、一方、クラス４および９からのサンプルは両方とも「他の」クラスに分類され、ＳＶＭ ＲＢＦおよびＮＮモデルを「他の」クラスとして訓練するために使用された。このシナリオは、「他の」クラスが訓練時にこれらの２つのモデルに知られていたが、訓練時にＲＥ＊戦略には知られていなかったので、ＳＶＭ ＲＢＦおよびＮＮモデルに分類上の利点を与える。ＳＶＭ ＲＢＦおよびＮＮモデルに与えられる利点にもかかわらず、以下のデータは、ＲＥ＊分類戦略がより正確であることを示す。
【0198】
同じ訓練を、５００回の訓練反復を用いて繰り返した。結果は、２５０回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの第１のセット、ならびに５００回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの第２のセットであった。
【0199】
訓練後、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊戦略の能力は、サンプルをクラス１～１３に属するものとして正確に分類する。実際には、これらの実験が、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルが既知のクラス１～３、５～８、および１０～１３内のサンプルを認識する能力をシミュレートしたが、クラス４および９からのサンプルはクラス１～３、５～８、および１０～１３外であることを認識した。正しく分類されたサンプルの割合として示される２つの実験の精度結果を、以下の表に示す：
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが２５０または５００回の反復のいずれかを使用して訓練されたとき、低い精度を有することを示す。これらのモデルの精度が低いのは、少なくとも部分的には、クラス４および９からのサンプルを他のクラスのうちの１つに強制し、クラス３および８のサンプルが訓練されたクラスのいずれにも属さないことを認識できない傾向に起因する。対照的に、集合体中のＲＥ＊モデルは、全てのサンプルに関して全体的に有意に高い精度を提供した。結果は、５００回の反復を使用したときの追加の訓練がＳＶＭ ＲＢＦモデルの改善を助けなかったことを示している。結果は、また、５００回の反復を使用したときの追加の訓練がＮＮモデルを助けたが、精度は６５％までしか改善されず、ＲＥ＊モデルによって達成された８９．６％のはるかに高い精度をはるかに下回ることを示した。要するに、ＲＥ＊戦略は、新たに遭遇したサンプルが既知のクラスに属さないことをよりよく認識することができる。
【表4】
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが２５０または５００回の反復のいずれかを使用して訓練されたとき、低い精度を有することを示す。これらのモデルの精度が低いのは、少なくとも部分的には、クラス４および９からのサンプルを他のクラスのうちの１つに強制し、クラス３および８のサンプルが訓練されたクラスのいずれにも属さないことを認識できない傾向に起因する。対照的に、集合体中のＲＥ＊モデルは、全てのサンプルに関して全体的に有意に高い精度を提供した。結果は、５００回の反復を使用したときの追加の訓練がＳＶＭ ＲＢＦモデルの改善を助けなかったことを示している。結果は、また、５００回の反復を使用したときの追加の訓練がＮＮモデルを助けたが、精度は６５％までしか改善されず、ＲＥ＊モデルによって達成された８９．６％のはるかに高い精度をはるかに下回ることを示した。要するに、ＲＥ＊戦略は、新たに遭遇したサンプルが既知のクラスに属さないことをよりよく認識することができる。
【0200】
［実施例９］
[訓練された分類モデルが以前に知られていないクラスに最初に遭遇するシナリオをシミュレートする場合の分類精度]
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、２５０回の訓練反復を用いて、クラス１、３～７、および９～１３に関して２５０回の反復を通して訓練した。これは、クラス２および８に関連するサンプルがＲＥ＊モデルへの訓練時に未知であり、後にＲＥ＊モデルが最初に遭遇する偽造品である状況をシミュレートする。ＲＥ＊モデルの訓練には、クラス１、３－７、および９－１３のそれぞれに対して１つの特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練した。そのため、他のクラスのタガントシグネーチャの性質は、訓練の目的には関係なかった。さらに、従来の訓練に従ったＳＶＭ ＲＢＦおよびＮＮモデルの各々は、クラス１、３～７、および９～１３からのサンプルを集合的に使用して訓練され、一方、クラス２および７からのサンプルは両方とも「他の」クラスに分類され、ＳＶＭ ＲＢＦおよびＮＮモデルを「他の」クラスとして訓練するために使用された。このシナリオは、「他の」クラスが訓練時にこれらの２つのモデルに知られていたが、訓練時にＲＥ＊戦略には知られていなかったので、ＳＶＭ ＲＢＦおよびＮＮモデルに分類上の利点を与える。ＳＶＭ ＲＢＦおよびＮＮモデルに与えられる利点にもかかわらず、以下のデータは、ＲＥ＊分類戦略がより正確であることを示す。
[訓練された分類モデルが以前に知られていないクラスに最初に遭遇するシナリオをシミュレートする場合の分類精度]
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、２５０回の訓練反復を用いて、クラス１、３～７、および９～１３に関して２５０回の反復を通して訓練した。これは、クラス２および８に関連するサンプルがＲＥ＊モデルへの訓練時に未知であり、後にＲＥ＊モデルが最初に遭遇する偽造品である状況をシミュレートする。ＲＥ＊モデルの訓練には、クラス１、３－７、および９－１３のそれぞれに対して１つの特殊化されたＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練した。そのため、他のクラスのタガントシグネーチャの性質は、訓練の目的には関係なかった。さらに、従来の訓練に従ったＳＶＭ ＲＢＦおよびＮＮモデルの各々は、クラス１、３～７、および９～１３からのサンプルを集合的に使用して訓練され、一方、クラス２および７からのサンプルは両方とも「他の」クラスに分類され、ＳＶＭ ＲＢＦおよびＮＮモデルを「他の」クラスとして訓練するために使用された。このシナリオは、「他の」クラスが訓練時にこれらの２つのモデルに知られていたが、訓練時にＲＥ＊戦略には知られていなかったので、ＳＶＭ ＲＢＦおよびＮＮモデルに分類上の利点を与える。ＳＶＭ ＲＢＦおよびＮＮモデルに与えられる利点にもかかわらず、以下のデータは、ＲＥ＊分類戦略がより正確であることを示す。
【0201】
同じ訓練を、５００回の訓練反復を用いて繰り返した。結果は、２５０回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの第１のセット、ならびに５００回の反復で訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの第２のセットであった。
【0202】
訓練後、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊戦略の、クラス１～１３からのサンプルを正確に分類する能力を評価した。実際には、これらの実験がＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルがクラス１、３～７、および９～１３内のサンプルを認識する能力をシミュレートしたが、クラス２および８からのサンプルはクラス１、３～７、および９～１３外であることを認識した。正しく分類されたサンプルの割合として示される、２つの実験の精度結果を、以下の表に示す：
結果は、ＳＶＭ ＲＢＦモデルが２５０回または５００回のいずれの反復を使用して訓練されたときでも、低い精度を有することを示す。対照的に、ＮＮモデルおよびＲＥ＊モデルの両方は、すべてのサンプルに関して全体的に有意に高い精度を提供した。ＮＮモデルがこの試験シナリオにおいて比較的高い精度を提供したとしても、ＮＮモデルは、実施例８のシナリオにおいてはるかに不正確であった。対照的に、ＲＥ＊モデルは、両方の試験シナリオにおいて比較的高い精度を提供した。これは、本発明のＲＥ＊戦略がＳＶＭ ＲＢＦまたはＮＮモデルのいずれかよりも広い範囲のシナリオの下でより高い精度を提供することを示す。これはまた、ＲＥ＊戦略が、新たに遭遇したサンプルが既知のクラスに属さないことをよりよく認識することができることを示す。
【表5】
結果は、ＳＶＭ ＲＢＦモデルが２５０回または５００回のいずれの反復を使用して訓練されたときでも、低い精度を有することを示す。対照的に、ＮＮモデルおよびＲＥ＊モデルの両方は、すべてのサンプルに関して全体的に有意に高い精度を提供した。ＮＮモデルがこの試験シナリオにおいて比較的高い精度を提供したとしても、ＮＮモデルは、実施例８のシナリオにおいてはるかに不正確であった。対照的に、ＲＥ＊モデルは、両方の試験シナリオにおいて比較的高い精度を提供した。これは、本発明のＲＥ＊戦略がＳＶＭ ＲＢＦまたはＮＮモデルのいずれかよりも広い範囲のシナリオの下でより高い精度を提供することを示す。これはまた、ＲＥ＊戦略が、新たに遭遇したサンプルが既知のクラスに属さないことをよりよく認識することができることを示す。
【0203】
［実施例１０］
[超偽造品を分類する分類モデルの能力のシミュレーション]
超偽造品は一般に、偽造品であるが、真正クラスのスペクトルシグネーチャに極めて近いスペクトルシグネーチャを有するクラスを指す。この定義の下では、クラス１が真正クラスと見なされる場合、クラス１２およびクラス１３の各々はクラス１に関して超偽造品である。クラス１２および１３は、タガントシステムの１つの構成要素の強度が変更されていることを除いて、それぞれがクラス１と同じタガントシステムを使用するので、この状態を有する。
[超偽造品を分類する分類モデルの能力のシミュレーション]
超偽造品は一般に、偽造品であるが、真正クラスのスペクトルシグネーチャに極めて近いスペクトルシグネーチャを有するクラスを指す。この定義の下では、クラス１が真正クラスと見なされる場合、クラス１２およびクラス１３の各々はクラス１に関して超偽造品である。クラス１２および１３は、タガントシステムの１つの構成要素の強度が変更されていることを除いて、それぞれがクラス１と同じタガントシステムを使用するので、この状態を有する。
【0204】
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、２５０回の訓練反復を使用してクラス１～１１に関して訓練した。これは、クラス１２および１３に関連するサンプルがＲＥ＊モデルに対する訓練時に未知であり、後にＲＥ＊モデルが最初に遭遇する偽造品である状況をシミュレートする。ＲＥ＊モデルの訓練は、クラス１～１１のそれぞれについて１つの特殊なＡＩモデルを訓練することを含んだ。各ＲＥ＊モデルは、関連するクラスの訓練サンプルのみを使用して訓練した。そのため、他のクラスのタグ付きシグネーチャの性質は、訓練の目的には関係なかった。さらに、従来の訓練に従った各ＳＶＭ ＲＢＦおよびＮＮモデルは、クラス１～１１からのサンプルを集合的に使用して訓練され、一方、クラス１２および１３からのサンプルは両方とも「他の」クラスに分類され、ＳＶＭ ＲＢＦおよびＮＮモデルを「他の」クラスとして訓練するために使用された。このシナリオは「他の」クラスが訓練時にこれらの２つのモデルに知られていたが、訓練時にＲＥ＊戦略には知られていなかったので、ＳＶＭ ＲＢＦおよびＮＮモデルに分類上の利点を与える。ＳＶＭ ＲＢＦおよびＮＮモデルに与えられる利点にもかかわらず、以下のデータは、ＲＥ＊分類戦略がより正確であることを示す。
【0205】
訓練後、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊戦略の能力は、サンプルをクラス１～１３に属するものとして正確に分類する。実際には、これらの実験が、クラス１２および１３からのサンプルがクラス１～１１の外にあることを認識しながら、既知のクラス１～１１内のサンプルを認識するＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの能力をシミュレートした。正しく分類されたサンプルの割合として示される実験の精度結果を、以下の表に示す：
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルがＲＥ＊モデルよりもはるかに低い精度を有することを示す。これは、訓練中に超偽造品クラスがＲＥ＊モデルのいずれにも知られていない場合でも、ＲＥ＊戦略が従来の分類戦略より優れた超偽造品を認識できることを示している。
【表6】
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルがＲＥ＊モデルよりもはるかに低い精度を有することを示す。これは、訓練中に超偽造品クラスがＲＥ＊モデルのいずれにも知られていない場合でも、ＲＥ＊戦略が従来の分類戦略より優れた超偽造品を認識できることを示している。
【0206】
［実施例１１］
ＳＶＭ ＲＢＦ、ＮＮ、および他の従来の分類戦略の欠点として、対応するモデルは、少なくとも２つのクラスに関して訓練されなければならない。対照的に、本発明の戦略は単一のクラスのみに関して訓練を行うことを可能にし、結果として得られる訓練されたモデルは、依然として、クラス内またはクラス外にあるものとしてサンプルを分類することができる。実際には、このことは、訓練されたモデルは、２つのクラスを優れた精度で実際に認識することができ、第１のクラスは訓練されたモデルに関連付けられたクラスであり、第２のクラスは関連付けられたクラス外の主題であると認識することを意味する。したがって、「Ｃ」が戦略が訓練されるクラスの数を表す場合、従来の方法は、Ｃが少なくとも２であるという制限を有するＣクラスにのみ分類する傾向がある。新しく遭遇したクラスを既知のクラスの外にあるものとして分類する能力のために、本発明の再構成戦略は、Ｃを１つ以上とすることができる実用的な問題としてＣ＋１クラスに分類することができる。
ＳＶＭ ＲＢＦ、ＮＮ、および他の従来の分類戦略の欠点として、対応するモデルは、少なくとも２つのクラスに関して訓練されなければならない。対照的に、本発明の戦略は単一のクラスのみに関して訓練を行うことを可能にし、結果として得られる訓練されたモデルは、依然として、クラス内またはクラス外にあるものとしてサンプルを分類することができる。実際には、このことは、訓練されたモデルは、２つのクラスを優れた精度で実際に認識することができ、第１のクラスは訓練されたモデルに関連付けられたクラスであり、第２のクラスは関連付けられたクラス外の主題であると認識することを意味する。したがって、「Ｃ」が戦略が訓練されるクラスの数を表す場合、従来の方法は、Ｃが少なくとも２であるという制限を有するＣクラスにのみ分類する傾向がある。新しく遭遇したクラスを既知のクラスの外にあるものとして分類する能力のために、本発明の再構成戦略は、Ｃを１つ以上とすることができる実用的な問題としてＣ＋１クラスに分類することができる。
【0207】
ＳＶＭ ＲＢＦ、ＮＮ、および他の従来の分類戦略の別の欠点として、ＳＶＭ ＲＢＦおよびＮＮモデルが本発明のＲＥ＊モデルを超える有意な利点を与えられた上記の実施例８～１０を説明した。具体的には、これらの例のそれぞれにおいて、市場における偽造品をシミュレートするために使用される２つの新たに遭遇したクラスがあった。本発明のＲＥ＊モデルに関してはこれらの模擬偽造品クラスに関してＡＩモデル訓練は起こらず、その結果、各ＲＥ＊モデルは性能試験中に初めてこれらを認識するように挑戦された。課題は、新たに遭遇したクラスからのこれらの新たに遭遇したサンプルは、訓練が行われた既知のいずれのクラスの外側にあると認識されなければならないことであった。
【0208】
対照的に、ＳＶＭ ＲＢＦモデルもＮＮモデルも、これらの２つのモデルの各々が、そのような新たに遭遇したサンプルを既知のクラスの１つに誤って強制する傾向があることが知られていたので、このように挑戦されなかった。結果として、ＳＶＭ ＲＢＦおよびＮＮモデルは、そのような新たに遭遇したサンプルの１００％を誤分類することになる。このことは、ＳＶＭ ＲＢＦおよびＮＮモデルは、新たに出会ったクラスを認識できなくなる傾向があることを意味する。実施例８～１０におけるこの現実世界の欠点を回避するために、ＲＥ＊モデルとは対照的に、２つのシミュレートされた偽造品は、それぞれ、実施例８～１０のそれぞれにおいて単一の偽造品クラスにグループ化された。要するに、偽造品クラスは、訓練中にＳＶＭ ＲＢＦおよびＮＮモデルに知られていたが、ＲＥ＊モデルには全く知られていなかった。ＳＶＭ ＲＢＦおよびＮＮモデルにそのような有意な利点が与えられても、ＲＥ＊戦略は、実施例８～１０において、より良好な分類性能を依然として提供した。
【0209】
実施例８～１０におけるＳＶＭ ＲＢＦおよびＮＮモデルの好ましい処理は、一般に現実的ではない。実際には、いくつかの既知のおよび／または予測されるクラスに関して練訓練が行われる可能性がはるかに高く、さらに、モデルが分類のために使用されている訓練後に、新しい未知のクラスが初めて遭遇される。これは、例えば、競合他社が新しい製品または新しい偽造品を市場に導入する場合に起こり得る。したがって、より現実的なシナリオは、訓練された分類モデルが訓練後に初めて新しいクラスに遭遇するときに生じる。もちろん、モデル訓練は、新しいクラスが分析され、人間の努力などによって検出された後に更新することができる。しかしながら、そのような新たに遭遇するクラスに関して更新された訓練が行われるまで、本発明のＲＥ＊モデルは、ＳＶＭ ＲＢＦおよびＮＮモデルよりも、これらの新たなクラスを認識するのにはるかに良く、より早くなる。実際、以下のデータに示されるように、ＲＥ＊モデルは、このより現実的な状況において高い精度を提供する。一方、ＳＶＭ ＲＢＦおよびＮＮモデルは非常に不正確であり、実施例８～１０のより好ましいシナリオよりもはるかに悪い性能である。
【0210】
この評価は、それぞれ１６の異なるタガントシステムに基づく１８のクラス（それぞれクラス１～１８）を使用した。クラス１～１６の各々は、ユニークなタガントシステムであった。タガントシステムをキャリアインクに組み込み、基板上に印刷された対応するタガントインクを提供した。クラス１～１６における固有のタガントシステムの各々は、固有のスペクトルシグネーチャを提供する。この実施例のクラス１は、実施例６のクラス１と同じである。
【0211】
クラス１７および１８のそれぞれは、クラス１の変形であった。クラス１７は、そのインクキャリア中のタガントシステムの重量負荷がクラス１で使用されたものよりもクラス１７で高かったことを除いて、クラス１と全く同じタガントシステムを使用するように構成された。クラス１８は、そのインクキャリア中のタガントシステムの重量負荷がクラス１で使用される重量負荷よりもクラス１８で低かったことを除いて、クラス１と全く同じタガントシステムを使用するように構成された。したがって、クラス１７はそのより高いタガント負荷を示すためにクラス１７（Ｈｉｇｈ）と呼ばれることもあり、クラス１８は、そのより低いタガント負荷を示すためにクラス１８（Ｌｏｗ）と呼ばれることもある。この実施例のクラス１７および１８は、実施例６のクラス１２および１３とそれぞれ同じである。
【0212】
実施例１２～１４で使用したＲＥ＊モデルは、実施例７のＲＥ＊モデルと同じアーキテクチャを有していた。実施例１２～１４はまた、実施例７と同じＳＶＭ ＲＢＦおよびＮＮモデルを使用した。ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、５００回反復して訓練した。
【0213】
サンプルのスキャンを行った。いくつかのスキャンは訓練のために使用され、残りは訓練されたモデルの性能を試験するために残された。各スキャンを得るために、５チャネルカラーチップを有する検出器を用いて、各サンプルの蛍光発光のスキャンを行った。スキャンにより、各カラーチャネルについての値を得た。各サンプルの蛍光シグネーチャの発光を誘発するために、サンプルを３８５ｎｍの波長のＬＥＤ光源で照射した。訓練されたモデルを試験するために使用されたサンプルのスキャンは、同じ方法で得られた。実施例１２～１４は、クラス１～１８のサンプルからのスキャンを用いて行われた分類実験を記載する。
【0214】
［実施例１２］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、実施例１１のクラス１およびクラス２に対して、５００回の訓練反復で訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊ＡＩモデルを訓練し、合計２つの訓練された特殊ＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、単一モデルをクラス１および２に関して訓練した。クラス３～１８のスキャンは、訓練に使用しなかった。訓練されたモデルのその後の試験において、これは、クラス３～１８が訓練後初めて新たに遭遇したことをシミュレートした。
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、実施例１１のクラス１およびクラス２に対して、５００回の訓練反復で訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊ＡＩモデルを訓練し、合計２つの訓練された特殊ＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、単一モデルをクラス１および２に関して訓練した。クラス３～１８のスキャンは、訓練に使用しなかった。訓練されたモデルのその後の試験において、これは、クラス３～１８が訓練後初めて新たに遭遇したことをシミュレートした。
【0215】
訓練後、訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの、クラス１～１８の全てからのスキャンを正確に分類する能力を評価した。この評価は、クラス１および２からのスキャンをそれぞれクラス１および２に正確に分類するモデルの能力だけでなく、クラス３～１８からのスキャンがクラス１または２に属さなかったと認識する能力を評価した。正しく分類されたサンプルの割合として示された実験の精度結果を、以下の表に示す。各ＲＥ＊モデルの再構成誤差（ＲＭＳＥ）閾値を０．９６に設定した。この誤差閾値は、訓練されているクラスにおける訓練サンプルの９６％が正しく分類されるように選択されたことに留意されたい。
結果は、ＳＶＭ ＲＢＦとＮＮモデルが１８クラスのうちの２つのみに対して訓練されたとき、極めて低い精度を有することを示した。これらの２つのモデルからの不良な結果は、クラス３～１８のスキャンのいずれもクラス１および２の外にあることを認識することができなかったために生じた。代わりに、各従来のモデルは、クラス３～１８のスキャンをクラス１または２にあるものとして不正確に分類した。
【表7】
結果は、ＳＶＭ ＲＢＦとＮＮモデルが１８クラスのうちの２つのみに対して訓練されたとき、極めて低い精度を有することを示した。これらの２つのモデルからの不良な結果は、クラス３～１８のスキャンのいずれもクラス１および２の外にあることを認識することができなかったために生じた。代わりに、各従来のモデルは、クラス３～１８のスキャンをクラス１または２にあるものとして不正確に分類した。
【0216】
対照的に、ＲＥ＊モデルははるかに高い分類精度を提供し、ＲＥ＊モデルは、クラス１およびクラス２スキャンを適切なクラスに分類するだけでなく、クラス３～１８スキャンがクラス１またはクラス２に属さなかったことを認識するのにも、はるかに良好であったことを示している。
【0217】
［実施例１３］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、実施例１１のクラス１～５、７～１０、および１２～１６について、５００回の訓練反復を通して訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊ＡＩモデルを訓練し、合計１４の訓練された特殊ＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、クラス１～５、７～１０、および１２～１６に関して単一モデルを訓練した。クラス６、１１、１７、および１８からのスキャンは、訓練に使用しなかった。訓練されたモデルのその後の試験において、これは、クラス６、１１、１７、および１８が訓練後初めて新たに遭遇したことをシミュレートした。
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、実施例１１のクラス１～５、７～１０、および１２～１６について、５００回の訓練反復を通して訓練した。ＲＥ＊モデルの訓練には、各クラスにつき１つの特殊ＡＩモデルを訓練し、合計１４の訓練された特殊ＡＩモデルを訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、クラス１～５、７～１０、および１２～１６に関して単一モデルを訓練した。クラス６、１１、１７、および１８からのスキャンは、訓練に使用しなかった。訓練されたモデルのその後の試験において、これは、クラス６、１１、１７、および１８が訓練後初めて新たに遭遇したことをシミュレートした。
【0218】
訓練後、訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの、クラス１～１８の全てからのスキャンを正確に分類する能力を評価した。この評価は、クラス１～５、７～１０、および１２～１６からのスキャンをそれぞれクラス１～５、７～１０、および１２～１６に正確に分類するモデルの能力を試験しただけでなく、クラス６、１１、１７、および１８からのスキャンがクラス１～５、７～１０、および１２～１６に属さなかったことを認識した。正しく分類されたサンプルの割合として示された実験の精度結果を、以下の表に示す。各ＲＥ＊モデルの再構成誤差閾値はモデルが訓練されているクラスのサンプルの９６％が正確に分類されるように、０．９６に設定された。
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが本発明のＲＥ＊戦略よりもはるかに低い精度を有することを示す。これら２つのモデルからの不良な結果は、少なくとも部分的にはクラス１～５、７～１０、および１２～１６の範囲外であるクラス６、１０、１７、および１８のスキャンのいずれも認識することができなかったために生じた。代わりに、各モデルは、クラス６、１１、１７、および１８スキャンを、クラス１～５、７～１０、および１２～１６にあるものとして不正確に分類した。
【表8】
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが本発明のＲＥ＊戦略よりもはるかに低い精度を有することを示す。これら２つのモデルからの不良な結果は、少なくとも部分的にはクラス１～５、７～１０、および１２～１６の範囲外であるクラス６、１０、１７、および１８のスキャンのいずれも認識することができなかったために生じた。代わりに、各モデルは、クラス６、１１、１７、および１８スキャンを、クラス１～５、７～１０、および１２～１６にあるものとして不正確に分類した。
【0219】
対照的に、ＲＥ＊モデルははるかに高い分類精度を提供し、ＲＥ＊モデルは、クラス１～５、７～１０、および１２～１６スキャンを適切なクラスに分類するだけでなく、クラス６、１１、１７、および１８スキャンがクラス１～５、７～１０、および１２～１６に属さなかったことを認識するのに非常に良好であったことを示している。
【0220】
［実施例１４］
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、クラス１～１８に対して、５００回の訓練反復で訓練した。ＲＥ＊モデルの訓練には、１つの特殊ＡＩモデルを、合計１８の訓練された特殊ＡＩモデルの各クラスについて訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、単一モデルをクラス１～１８に関して訓練した。これはモデルを試験するために使用されるスキャンの全てが、訓練中にモデルに知られていた状況をシミュレートした。
この実験では、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを、クラス１～１８に対して、５００回の訓練反復で訓練した。ＲＥ＊モデルの訓練には、１つの特殊ＡＩモデルを、合計１８の訓練された特殊ＡＩモデルの各クラスについて訓練した。各ＲＥ＊モデルは、関連するクラスの訓練スキャンのみを使用して訓練された。ＳＶＭ ＲＢＦおよびＮＮ戦略のそれぞれについて、単一モデルをクラス１～１８に関して訓練した。これはモデルを試験するために使用されるスキャンの全てが、訓練中にモデルに知られていた状況をシミュレートした。
【0221】
訓練後、訓練されたＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルの、クラス１～１８の全てからのスキャンを正確に分類する能力を評価した。正しく分類されたサンプルの割合として示された実験の精度結果を、以下の表に示す。各ＲＥ＊モデルの再構成誤差閾値は、ＡＩモデルが訓練されているサンプルの９６％が正確に分類されるように、０．９６に設定された。
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが試験に使用された全てのスキャンが既知のクラスに由来するにもかかわらず、本発明のＲＥ＊戦略よりもはるかに低い精度を有することを示す。ＳＶＭ ＲＢＦおよびＮＮモデルからの不良な結果は、少なくとも部分的にはスキャンの低解像度に起因し、ＲＥ＊戦略とは対照的に、従来の方法はサンプルのスペクトルシグネーチャを効果的に区別することができなかったために生じた。
【表9】
結果は、ＳＶＭ ＲＢＦおよびＮＮモデルが試験に使用された全てのスキャンが既知のクラスに由来するにもかかわらず、本発明のＲＥ＊戦略よりもはるかに低い精度を有することを示す。ＳＶＭ ＲＢＦおよびＮＮモデルからの不良な結果は、少なくとも部分的にはスキャンの低解像度に起因し、ＲＥ＊戦略とは対照的に、従来の方法はサンプルのスペクトルシグネーチャを効果的に区別することができなかったために生じた。
【0222】
対照的に、ＲＥ＊モデルははるかに高い分類精度を提供し、ＲＥ＊モデルは、クラス１、２、１７、および１８の間で分類することを含む、すべてのスキャンを分類することにおいてはるかに良好であったことを示した。クラス１７および１８はクラス１に類似していたが、タガントシグネーチャの強度についてはクラス１７および１８の各々が、この例の目的のためにクラス１「超偽造品」と見なすことができる。超偽造品は一般に、偽造品であるが、真正クラスのスペクトルシグネーチャに極めて近いスペクトルシグネーチャを有するクラスを指す。これは、本発明のＲＥ＊戦略の優れた能力をシミュレートして、真正のサンプルから超偽造品を区別する。
【0223】
［実施例１５］
入力データセットの値を標準化するために異なる戦略を使用することは、実施例１１～１４のＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを含む分類モデルの分類精度に影響を及ぼし得る。図１５および１６はそれぞれ、各サンプルの入力データ値が行にあり、各データチャネルの値が列にあるように、サンプルの入力データ値をどのように表にすることができるかを示す。説明のために、図１５および１６の各々は３つのクラスのサンプルの表を示し、各クラスは、クラス内に３つのサンプルを有する。また、各サンプルは、４つのデータチャネルＤ１～Ｄ４のそれぞれにおいて、４つのデータ値ｖ１～ｖ４の入力データセットを有する。
入力データセットの値を標準化するために異なる戦略を使用することは、実施例１１～１４のＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルを含む分類モデルの分類精度に影響を及ぼし得る。図１５および１６はそれぞれ、各サンプルの入力データ値が行にあり、各データチャネルの値が列にあるように、サンプルの入力データ値をどのように表にすることができるかを示す。説明のために、図１５および１６の各々は３つのクラスのサンプルの表を示し、各クラスは、クラス内に３つのサンプルを有する。また、各サンプルは、４つのデータチャネルＤ１～Ｄ４のそれぞれにおいて、４つのデータ値ｖ１～ｖ４の入力データセットを有する。
【0224】
入力データを訓練および／または試験により適した形式に変換するために、図１５に示すように水平に、または図１６に示すように垂直にデータを標準化することができる。特定のサンプルの複数のチャネルからのデータ値が標準化されると、水平標準化が行われる。垂直標準化は、複数のサンプルの特定のチャネルのデータ値が標準化される場合に生じる。
【0225】
水平標準化は、複数のチャネルにわたる標準化が真正の項目のための適切なチャネル値を示さないので、垂直標準化よりも安全である傾向がある。垂直標準化は、真正のスペクトルシグネーチャをコピーすることを望む偽造者または他者に適切なチャネル値を明らかにするので、安全性が低い傾向がある。しかし、垂直標準化は、様々な分類戦略がより正確であることを可能にする。
【0226】
例えば、２つの実験において、ＳＶＭ ＲＢＦ、ＮＮ、およびＲＥ＊モデルは、実施例１１のクラス１～１８のクラス１および２のみに関して訓練された。次いで、訓練されたモデルを試験して、クラス１～１８のサンプルをクラス１および２の内部または外部にあるものとしてどの程度正確に分類できるかを確認した。１つの実験では、モデルを訓練し、水平標準化を伴う入力データを使用して試験した。他の実験では、モードを訓練し、垂直標準化を伴う入力データを用いて試験した。２つの実験の結果は、ＲＥ＊モデルに対する再構成誤差（ＲＭＳＥ）閾値として０．９６（すなわち、訓練されているモデル中のサンプルの９６％が正確に分類されるように）を使用して、以下の表に示されている：
実施例１１のクラス１～１８の全てからのスキャンを正確に分類する能力を試験する前に、クラス１～１４のすべてを使用してモデルを訓練したことを除いて、同じ実験を繰り返した。２つの実験の結果は、ＲＥ＊モデルに対する再構成誤差（ＲＭＳＥ）閾値として０．９６（ＡＩモデルが訓練されているクラス中のサンプルの９６％が正確に分類される）を使用して、以下の表に示されている：
実施例１１のクラス１～１８の全てからのスキャンを正確に分類する能力を試験する前に、クラス１～１８のすべてを使用してモデルを訓練したことを除いて、同じ実験を繰り返した。２つの実験の結果は、ＲＥ＊モデルに対する再構成誤差（ＲＭＳＥ）閾値として０．９６（ＡＩモデルが訓練されているクラス中のサンプルの９６％が正確に分類される）を使用して、以下の表に示されている：
この例の表のデータは、垂直標準化を使用した場合に、３つのモデルすべてがより正確に分類する傾向がどのようになるかを示している。したがって、水平標準化または垂直標準化の間で選択することは、セキュリティおよび精度などの因子のバランスをとることを含むことができる。例えば、セキュリティが最重要である場合、水平標準化を使用することができる。垂直標準化は、精度が最も重要である品質管理アプリケーションなどのシナリオにおいて使用され得る。
【表10】
実施例１１のクラス１～１８の全てからのスキャンを正確に分類する能力を試験する前に、クラス１～１４のすべてを使用してモデルを訓練したことを除いて、同じ実験を繰り返した。２つの実験の結果は、ＲＥ＊モデルに対する再構成誤差（ＲＭＳＥ）閾値として０．９６（ＡＩモデルが訓練されているクラス中のサンプルの９６％が正確に分類される）を使用して、以下の表に示されている：
【表11】
実施例１１のクラス１～１８の全てからのスキャンを正確に分類する能力を試験する前に、クラス１～１８のすべてを使用してモデルを訓練したことを除いて、同じ実験を繰り返した。２つの実験の結果は、ＲＥ＊モデルに対する再構成誤差（ＲＭＳＥ）閾値として０．９６（ＡＩモデルが訓練されているクラス中のサンプルの９６％が正確に分類される）を使用して、以下の表に示されている：
【表12】
この例の表のデータは、垂直標準化を使用した場合に、３つのモデルすべてがより正確に分類する傾向がどのようになるかを示している。したがって、水平標準化または垂直標準化の間で選択することは、セキュリティおよび精度などの因子のバランスをとることを含むことができる。例えば、セキュリティが最重要である場合、水平標準化を使用することができる。垂直標準化は、精度が最も重要である品質管理アプリケーションなどのシナリオにおいて使用され得る。
【0227】
本明細書に引用される全ての特許、特許出願、および刊行物は全ての目的のために、それらのそれぞれの全体において参照により本明細書に組み込まれる。前述の詳細な説明は、理解を明確にするためにのみ与えられている。不必要な限定はそこから理解されるべきではない。請求項により定義される本発明内に含まれる当業者にとって明白なバリエーションについて、本発明は示されたおよび記述された厳密な詳細に限定されない。
【図面の簡単な説明】
【0228】
【図1】
【図2a】
【図2b】
【図3】
【図4】
【図5a】
【図5b】
【図5c】
【図6】
【図7】
【図8a】
【図8b】
【図9】
【図10】
【図11a】
【図11b】
【図12】
【図13】
【図14】
【図15】
【図16】
【手続補正書】
【提出日】2024-02-21
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
サンプルがクラスにあるかどうかを決定するための方法であって：ａ）前記サンプルから光学的情報を取得するステップ；
ｂ）前記サンプルに関連するスペクトルデータ特性を示す情報を含む入力データセットを提供するために前記光学的情報を使用するステップ；
ｃ）コンピュータプロセッサに、コンピュータメモリに記憶されているＡＩモデルにアクセスさせ、前記ＡＩモデルを使用して、再構成データセットを提供するために、前記入力データセットを含む情報を変換するステップを含む複数のステップを実行させるステップであって、前記変換するステップは、前記入力データセットを含む前記情報から導出されたデータのフローを圧縮および解凍することを含み、前記入力データセットおよび前記再構成データセットに関連する再構成誤差は前記サンプルが前記クラスにあるかどうかを示す、ステップ；及び
ｄ）前記サンプルが前記クラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップ、
を含む、方法。
【請求項2】
前記変換するステップは、１つまたは複数の圧縮段階で前記入力データセットを圧縮し、圧縮データを提供し、次いで、１つまたは複数の段階で前記圧縮データを解凍し、前記再構成データセットを提供するステップを含む、請求項１に記載の方法。
【請求項3】
前記変換するステップは、１つまたは複数の拡張段階で前記入力データセットを拡張して拡張データを提供し、次いで、１つまたは複数の段階で前記拡張データを圧縮して前記再構成データセットを提供するステップを含む、請求項１に記載の方法。
【請求項4】
前記変換するステップは、前記クラスに関連する訓練され特殊化されたＡＩモデルを使用して、前記入力データセットを前記再構成データセットに変換するステップを含む、請求項１に記載の方法。
【請求項5】
前記サンプルが複数のクラスの内の１つのクラスにあるかどうかを決定するステップを含み、前記方法は、前記複数のクラスにそれぞれ関連する複数の訓練され特殊化されたＡＩモデルを提供するステップをさらに含み、ステップｃ）は、各ＡＩモデルが前記入力データセットを関連する再構成データセットに変換するために使用され、再構成誤差が前記再構成データセットの各々について決定されるような方法で繰り返され、ステップｄ）は前記サンプルが前記訓練され特殊化されたＡＩモデルのいずれかに関連するクラスにあるかどうかを決定するために、前記再構成誤差を含む情報を使用するステップを含む、請求項１に記載の方法。
【請求項6】
前記入力データセットが、ある波長範囲にわたる波長の関数としてのスペクトルの強度値を含む、請求項１に記載の方法。
【請求項7】
前記圧縮段階の数は、前記解凍の数とは異なる、請求項２に記載の方法。
【請求項8】
前記圧縮段階の数は、前記解凍の数とは異なる、請求項３に記載の方法。
【請求項9】
サンプルがクラスにあるかどうかを示す情報を決定するシステムを作る方法であって：ａ）前記クラスに関連する複数の訓練サンプルを含む訓練サンプルセットを提供するステップ；
ｂ）前記訓練サンプルの各々についての入力データセットを提供するステップであって、各入力データセットは前記訓練サンプルセットの対応する訓練サンプルを特徴付ける、ステップ；
ｃ）各訓練サンプルの前記入力データセットを関連する再構成データセットに変換する人工知能（ＡＩ）モデルを提供するステップであって、前記変換することは、データのフローを圧縮することと、および、データのフローを解凍または拡張することとを含み、各再構成データセットに関連する再構成誤差は各訓練サンプルについての前記入力データセットと前記関連する再構成データセットとの間の差異を特徴付ける、ステップと、
ｄ）前記再構成誤差が、前記訓練サンプルが前記クラスにあることを示すように、前記ＡＩモデルを訓練するために、前記入力データセット、前記再構成データセットおよび前記再構成誤差を含む情報を使用するステップと、を含む、方法。
【請求項10】
各訓練サンプルについての前記入力データセットは前記クラスに関連する真正のタガントシグネーチャを特徴づけ、ステップｄ）は、前記ＡＩモデルを、前記入力データセットを、誤差仕様内で前記入力データセットと一致する再構成データセットに変換するように訓練することを含む、請求項９に記載の方法。
【請求項11】
前記再構成誤差は比較値の配列から導出された値である、請求項９に記載の方法。
【請求項12】
ステップｄ）は、複数の圧縮段階で前記入力データセットを圧縮して圧縮データを提供し、次いで、複数の段階で前記圧縮データを解凍して前記再構成データセットを提供することを含む、請求項９に記載の方法。
【請求項13】
ステップｄ）は、複数の拡張段階で前記入力データセットを拡張して拡張データを提供し、次いで、複数の段階で前記拡張データを圧縮して前記再構成データセットを提供することを含む、請求項９に記載の方法。
【請求項14】
前記訓練されたＡＩモデルを経時的に更新するステップをさらに含む、請求項９に記載の方法。
【請求項15】
前記入力データセットは、ある波長範囲にわたる波長の関数としてのスペクトルの強度値を含む、請求項１０に記載の方法。
【請求項16】
前記サンプルに関連する前記特性は、前記サンプルまたはその構成要素から収集された光学的情報を含む、請求項９に記載の方法。
【請求項17】
前記光学的情報はスペクトル特性を含む、請求項１６に記載の方法。
【請求項18】
ステップｄ）は、データフローを漸進的に圧縮し、次いで、前記データフローを漸進的に解凍することを含む、請求項９に記載の方法。
【請求項19】
ステップｄ）は、データフローを漸進的に拡張し、次いで、前記データフローを漸進的に圧縮することを含む、請求項９に記載の方法。
【請求項20】
前記圧縮段階の数は、前記解凍段階の数とは異なる、請求項１２に記載の方法。
【請求項21】
前記圧縮段階の数は、前記拡張段階の数とは異なる、請求項１３に記載の方法。
【請求項22】
サンプルが真正のタガントシステムに関連するクラス内にあるかどうかを示す情報を決定するシステムを作成する方法であって：ａ）前記真正のタガントシステムを提供するステップであって、前記真正のタガントシステムは、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、ステップ；
ｂ）複数の訓練サンプルを提供するステップであって、各訓練サンプルは前記真正のタガントシステムを含み、前記真正のタガントシステムは、真正のスペクトルシグネーチャに関連するスペクトル特性を示す、ステップ；
ｃ）前記訓練サンプルの各々から前記真正のスペクトルシグネーチャの前記スペクトル特性を取得するステップ；および、
ｄ）前記訓練サンプルから取得した前記スペクトル特性を使用して前記訓練サンプルの各々についての入力データセットを提供するステップであって、前記入力データセットの各々は前記真正のタガントシステムによって示される前記スペクトル特性を示す情報を含む、ステップ；および、
ｅ）関連する再構成データセットを提供するために、前記入力データセットの各々からのデータのフローを圧縮および解凍する人工知能（ＡＩ）を提供するステップであって、前記再構成データセットの各々に関連する再構成誤差は、各入力データセットと前記関連する再構成データセットの差を特徴づける、ステップ、および
ｆ）前記再構成誤差は前記訓練サンプルが前記クラスにあることを示すように、前記ＡＩモデルを訓練するために、前記入力データセット，前記再構成データセットおよび前記再構成誤差を含む情報を使用するステップ、を含む、方法。
【国際調査報告】