学习方法、学习设备和计算机可读记录介质技术

提供了学习方法、学习设备和计算机可读记录介质。学习设备基于原始训练数据中包括的非存储目标信息对原始训练数据进行扩展，以生成多个扩展训练数据。学习设备通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值。学习设备学习该学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。

【技术实现步骤摘要】
学习方法、学习设备和计算机可读记录介质
本文讨论的实施方式涉及学习方法等。
技术介绍
为了学习深度学习模型，训练数据(学习数据)量是在很大程度上有助于性能的因素，而且优选的是存在大量训练数据。如果训练数据量不足，并且将训练数据中不存在的应用数据类型应用于已利用所述训练数据进行了学习的深度学习模型，则难以获得合适的输出结果，并且存在较高的失败可能性。在使用客户数据的业务的领域，考虑到合同或信息泄露的风险，难以永久地存储某些客户数据或针对不同客户的任务共享数据，等等；因此，训练数据量可能不足。如果训练数据量不足，则通常执行数据扩展(dataaugmentation)。数据扩展是对原始训练数据执行的以便将训练数据的范围扩展到应用数据的范围的处理，例如，添加噪声、平行移位或删除。在这里，存在以下
技术介绍
：原始训练数据被输入到深度学习模型并且所获得的中间特征值被存储，使得在不存储原始训练数据的情况下，可以增加可用于学习新的深度学习模型的数据量。图12是示出
技术介绍
的图。在图12中，深度学习模型10包括第一NN(Neutra本文档来自技高网...

【技术保护点】
1.一种学习方法，包括：/n基于原始训练数据中包括的非存储目标信息对所述原始训练数据进行扩展，以生成多个扩展训练数据；/n通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值；以及/n学习所述学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。/n

【技术特征摘要】
20190117 JP 2019-0061341.一种学习方法，包括：
基于原始训练数据中包括的非存储目标信息对所述原始训练数据进行扩展，以生成多个扩展训练数据；
通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值；以及
学习所述学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。


2.根据权利要求1所述的学习方法，其中，所述生成扩展训练数据包括：基于所述非存储目标信息生成伪信息，并且将所生成的伪信息添加到所述原始训练数据，以生成所述扩展训练数据。


3.根据权利要求2所述的学习方法，其中，
所述非存储目标信息是利用其能够识别个人的信息，并且
所述生成扩展训练数据包括：生成与利用其能够识别个人的所述信息相似的信息作为所述伪信息。


4.根据权利要求1、2或3所述的学习方法，还包括以相关的方式存储与原始训练数据对应的正确的信息和经学习的参考特征值。


5.一种存储有程序的计算机可读记录介质，所述程序使计算机执行包括以下操作的处理：
基于原始训练数据中包括的非存储目标信息对所述原始训练数据进行扩展，以生成多个扩展训练数据；
通过将所述多个扩展训练数据输入到学习模型，生成多个中间特征值；以及
学习所述学习模型的参数，使得：关于所述多个中间特征值，根据从参考训练数据扩展的多个扩展训练数据生成的所述多个中间特征值中的每一个变得与参考特征值相似。


6.根据权利要求5所述的计...

【专利技术属性】
技术研发人员：河东孝，上村健人，安富优，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP