[发明专利]学习装置、识别装置、以及程序

说明书

提供一种学习装置，具备：第一学习单元，用于基于和连接至第一神经网络的前级的第二神经网络的输入数据相同的数据与第一神经网络的输出数据之间的第一误差学习第一神经网络的参数；和第二学习单元，用于基于和输入数据不同的数据与从第二神经网络输出的数据之间的第二误差、以及从第一神经网络发送的且其误差经过符号反转的数据而学习第二神经网络的至少一部分参数。

技术领域

本公开涉及一种学习装置、识别装置、以及程序。

背景技术

近年来，已知一种基于用于识别的输入数据提取特征量并且基于所提取的特征量执行识别处理的技术。例如，已知一种通过基于用于学习的输入数据而学习特征量提取并且基于特征量进行识别处理来提高特征量提取和识别处理的准确性的技术(例如，参见非专利文献1)。输入数据的实施例是包括个体面部图像的图像数据。此时，识别处理可以是识别其面部出现在图像数据中的个体的处理。可代替地，输入数据的实施例是包括个体语音数据的声音数据。此时，识别处理可以是识别其语音被记录在声音数据中的个体的处理。

如上所述，输入数据包括关于个体的高分辨率信息。因此，用户通常希望保持输入数据自身的私密性。因此，可以代替输入数据而存储特征量，并且可以对使用所存储的特征量进行识别的输入数据执行识别处理。

引用列表

非专利文献

非专利文献1：Sun,Yi,and two others,Deep Learning Face Representationfrom Predicting 10,000 Classes,[online],CVPR2014,Internet http://mmlab.ie.cuhk.edu.hk/pdf/YiSun_CVPR14.pdf

非专利文献2：Yandong Wen1,and three others,A Discriminative FeatureLearning Approach for Deep Face Recognition,[online],ECCV2016,Internethttp://ydwen.github.io/papers/WenECCV16.pdf

发明内容

技术问题

然而，即使代替输入数据而存储特征量，也存在从所存储的特征量中恢复关于个体的信息的风险。因此，希望提供一种能够利用特征量的技术，以使得在启用识别处理的同时，难以恢复关于个体的信息。

问题的解决方案

根据本公开，提供一种学习装置，包括：第一学习单元，基于和连接至第一神经网络的前级的第二神经网络的输入数据相同的数据与第一神经网络的输出数据之间的第一误差而学习第一神经网络的参数；和第二学习单元，基于不同于所述输入数据的数据与所述第二神经网络的输出数据之间的第二误差、以及从所述第一神经网络发送的误差的反符号数据而学习所述第二神经网络的至少一些参数。

根据本公开，提供一种致使计算机用作学习装置的程序，包括：第一学习单元，基于和连接至第一神经网络的前级的第二神经网络的输入数据相同的数据与第一神经网络的输出数据之间的第一误差而学习第一神经网络的参数；和第二学习单元，基于不同于所述输入数据的数据与所述第二神经网络的输出数据之间的第二误差、以及从所述第一神经网络发送的误差的反符号数据而学习所述第二神经网络的至少一些参数。