学习程序、学习方法以及学习装置制造方法及图纸

本发明专利技术涉及学习程序、学习方法以及学习装置。学习装置向学习完毕的学习模型输入作为学习对象的输入数据。而且，按照输入至学习模型的每个输入数据，学习装置根据多个特征量，使用与多个特征量中的每个特征量对应的多个恢复器来生成恢复数据，其中，与各输入数据对应地由学习模型生成上述多个特征量。之后，学习装置使多个恢复器学习，以使由多个恢复器分别生成的多个恢复数据中每个数据与输入数据接近。近。近。

【技术实现步骤摘要】
【国外来华专利技术】学习程序、学习方法以及学习装置


[0001]本专利技术涉及学习程序、学习方法以及学习装置。

技术介绍

[0002]在顺序学习等深度学习中，直接保存学习数据会带来信息泄漏等风险，因此以作为转换原始学习数据的形式的学习模型的特征量来保持。另外，在作为分别学习多个学习模型的学习数据，利用获取源不同的数据的情况下，也进行以特征量的形式来保持在之前的学习中利用的学习数据的处理。
[0003]像这样，在以特征量来保持的情况下，评价特征量中剩余多少原始学习数据的信息。例如，已知有在学习完毕的神经网络中求出特征量相同的输入数据，基于输入数据来推断通过特征量保持的信息，判断是否能够保持特征量的技术。
[0004]专利文献1:国际公开第二016/132468号
[0005]专利文献2:日本特开2017－174298号公报
[0006]专利文献3:日本特开2016－126597号公报
[0007]专利文献4:日本特开2017－126112号公报
[0008]然而，通过上述技术获得的输入数据未必是适合判断是否可以保持用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种学习程序，使计算机执行如下处理：按照输入至学习模型的每个输入数据，根据多个特征量，使用与上述多个特征量分别对应的多个恢复器生成恢复数据，其中，与各输入数据对应地由上述学习模型生成上述多个特征量；以及使上述多个恢复器学习，以使由上述多个恢复器分别生成的多个恢复数据中每个数据与上述输入数据接近。2.根据权利要求1所述的学习程序，使上述计算机执行如下处理：向学习完毕的上述多个恢复器输入上述输入数据，由上述多个恢复器分别生成多个恢复数据；计算上述多个恢复数据中的每个数据与上述输入数据的误差；以及基于上述误差，从作为上述多个恢复数据中的每个数据的生成源亦即上述多个特征量，选择所保持的特征量。3.根据权利要求1所述的学习程序，其中，上述学习模型是包含神经网络的学习模型，上述生成的处理使用与上述神经网络所具有的各中间层建立对应关系的上述多个恢复器，根据从上述各中间层输出的上述多个特征量中的每个特征量生成上述多个恢复数据。4.根据权利要求3所述的学习程序，其中，上述生成的处理使用上述多个恢复器生成将从靠前的中间层输出的特征量作为恢复对象的恢复数据，其中，上述靠前的中间层是比与上述多个恢复器中的每个恢复器建立对应关系的中间层靠前的中间层，上述学习的处理使上述多个恢复器中的每个恢复器学习，以使上述恢复数据与作为上述恢复对象的特征量的误差变小。5.根据权利要求1所述的学习程序，使上述计算机执行如下处理：对上述多个恢复器中的每个恢复器，将上述恢复数据输入至上述学习模型，获取上述恢复数据的特征量亦即恢复特征量，上述恢复特征量是由上述学习模型生成的特征量，上述学习的处理使上述多个恢复器中的每个恢复器学习，以使上述恢复数据与上述输入数据的误差、以及恢复对象的上述...

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