[发明专利]信息处理方法以及信息处理系统

说明书

将第一数据输入到第一模型，获得第一特征信息(S101)，将第一数据输入到第二模型，获得第二特征信息(S102)，对第一特征信息进行转换处理，获得第一转换结果(S103)，对第二特征信息进行转换处理，获得第二转换结果(S104)，对第一转换结果进行射影处理，获得第一射影结果(S105)，对第二转换结果进行射影处理，获得第二射影结果(S106)，对第一射影结果与第二射影结果之间的误差进行计算(S107)，以减小误差的方式来训练第二模型(S108)，上述的转换处理是，使第一射影结果与第二射影结果之间的误差比对第一特征信息进行射影处理而获得的射影结果与对第二特征信息进行射影处理而获得的射影结果之间的误差大的处理。

技术领域

本公开涉及信息处理方法以及信息处理系统。

背景技术

例如存在一种根据系统的计算资源以及性能规格来变更用于机器学习处理的设定变更技术(例如参照专利文献1)。据此，即使计算资源以及性能规格被限制，推理性能也能被维持在一定程度。

并且，还存在一种根据输入数据在射影空间上的距离，来减少在输入数据不同的2个推理模型之间产生的推理性能的差异的技术(例如参照非专利文献1)。据此，即使输入数据不同，也能够在某种程度上减少推理性能的差异。

在此，推理性能是针对正确答案数据的推理结果的精度或正确度，例如是针对所有输入数据的推理结果的正确回答率。

(现有技术文献)

(专利文献)

专利文献1：美国专利申请公开第2016/0328644号说明书

(非专利文献)

非专利文献1：Eric Tzeng,Judy Hoffman,Ning Zhang,Kate Saenko,and TrevorDarrell,“Deep domain confusion:Maximizing for domain invariance”,arXiv:1412.3474

发明内容

发明要解决的问题

然而，在上述专利文献1所公开的技术中，存在如下的问题：即使推理性能被维持，也存在通过设定变更前的机器学习处理而得到的推理模型的推理结果和通过设定变更后的机器学习处理而得到的推理模型的推理结果并不相同的情况。

并且，在上述非专利文献1所公开的技术中，存在如下的问题：根据输入数据的组合的不同，存在因输入数据在射影空间上的距离变小而导致不能通过机器学习处理来进行训练的情况。

本公开的目的在于为了解决上述的现有的问题，而提供一种不论输入数据的组合如何都能够减少在2个推理模型之间产生的推理结果的差异的信息处理方法等。

解决问题所采用的手段

本公开的一个形态所涉及的信息处理方法，由处理器执行，在所述方法中，将第一数据输入到第一推理模型，获得第一特征信息，将所述第一数据输入到第二推理模型，获得第二特征信息，对所述第一特征信息进行转换处理，获得第一转换结果，对所述第二特征信息进行所述转换处理，获得第二转换结果，对所述第一转换结果进行射影处理，获得第一射影结果，对所述第二转换结果进行所述射影处理，获得第二射影结果，获得示出所述第一射影结果与所述第二射影结果之间的误差的第一误差，以减小所述第一误差的方式，通过机器学习来训练所述第二推理模型，所述转换处理是，使所述第一射影结果与所述第二射影结果之间的误差，比对所述第一特征信息进行所述射影处理而获得的第一非转换射影结果与对所述第二特征信息进行所述射影处理而获得的第二非转换射影结果之间的误差大的处理。