JP7362165B2 - プライバシーのためにデータをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ａｄａｐｔｉｏｎ ｎｅｔｗｏｒｋ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｏｂｆｕｓｃａｔｉｏｎ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｔｏ ｂｅ ｃｏｎｃｅａｌｅｄ ｆｏｒ ｐｒｉｖａｃｙ、ａｎｄ ｔｒａｉｎｉｎｇ ｄｅｖｉｃｅ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝ - Google Patents

プライバシーのためにデータをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ａｄａｐｔｉｏｎ ｎｅｔｗｏｒｋ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｏｂｆｕｓｃａｔｉｏｎ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｔｏ ｂｅ ｃｏｎｃｅａｌｅｄ ｆｏｒ ｐｒｉｖａｃｙ、ａｎｄ ｔｒａｉｎｉｎｇ ｄｅｖｉｃｅ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝ Download PDF

Info

Publication number
JP7362165B2
JP7362165B2 JP2022520167A JP2022520167A JP7362165B2 JP 7362165 B2 JP7362165 B2 JP 7362165B2 JP 2022520167 A JP2022520167 A JP 2022520167A JP 2022520167 A JP2022520167 A JP 2022520167A JP 7362165 B2 JP7362165 B2 JP 7362165B2
Authority
JP
Japan
Prior art keywords
learning
adaptive
characteristic information
network
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022520167A
Other languages
English (en)
Other versions
JP2022551832A (ja
Inventor
金泰勳
Original Assignee
ディーピング ソース インコーポレイテッド．
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ディーピング ソース インコーポレイテッド． filed Critical ディーピング ソース インコーポレイテッド．
Publication of JP2022551832A publication Critical patent/JP2022551832A/ja
Application granted granted Critical
Publication of JP7362165B2 publication Critical patent/JP7362165B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G06F21/6254—Protecting personal data, e.g. for financial or medical purposes by anonymising data, e.g. decorrelating personal data from the owner's identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
    • G06F21/12—Protecting executable software
    • G06F21/14—Protecting executable software against software analysis or reverse engineering, e.g. by obfuscation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
    • G06F21/106—Enforcing content protection by specific content processing
    • G06F21/1066—Hiding content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/70—Protecting specific internal or peripheral components, in which the protection of a component leads to protection of the entire computer
    • G06F21/82—Protecting input, output or interconnection devices
    • G06F21/84—Protecting input, output or interconnection devices output devices, e.g. displays or monitors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Technology Law (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Filters That Use Time-Delay Elements (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Description

本発明は適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）の学習方法に係り；より詳しくは、個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するための変造ネットワークに対応される適応ネットワークの学習方法及びこれを利用した学習装置、そして学習された適応ネットワークをテストする方法及びこれを利用したテスト装置に関する。
ビッグデータ（Ｂｉｇ Ｄａｔａ）とは、既存の企業環境や公共機関で使われる全ての定型化されたデータはもとより、電子商取引データ、メタデータ、ウェブログデータ、無線識別（ＲＦＩＤ：Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）データ、センサーネットワークデータ、ソーシャルネットワークデータ、インターネットテキストと文書に関するデータ、インターネット検索インデックシングデータなど既存にまだ活用することができなかった非定型化または半定型化されたデータを全て含むデータを意味する。このようなデータは一般的に普通のソフトウェアツール及びコンピュータシステムでは取り扱いにくい水準の膨大なデータ量を持つという意味でビッグデータと称している。
また、このようなビッグデータはそれ自体は意味ないことがあるが、パターンなどに対する機械学習を通じて様々な分野で新しいデータを作ったり、判断または予測するのに有用に使われることができる。
近来になって、個人情報保護法強化などによってこのようなビッグデータを取り引きまたは共有するためには該当データの個人識別が可能な情報を削除したり、該当個人の同意を得ることが要求される。しかし、相当な量のビッグデータの中で個人識別が可能な情報があるか否かをいちいち確認することも困難であり、なお、個人の同意をいちいち得ることも不可能であったため、これを支援するための多様な技術が登場している。
これに関する従来技術の一例として、韓国登録特許公報第１０‐１８６１５２０号に開示されている技術を例として挙げることができる。これによると、変形対象である入力イメージから人の顔領域を検出する検出段階、前記入力イメージから人が識別されることを防ぐために前記検出された顔領域を人の顔の形状ではない歪曲された第１イメージに変形する第１コンシーリング段階、及び前記第１イメージに基づいて所定の顔形成を持つ第２イメージを生成し、前記入力イメージで前記第１イメージを前記第２イメージに変形し、前記第２イメージは前記検出段階で検出された顔領域の形状と相違する顔形状を持つように生成される第２コンシーリング段階を含む顔‐コンシーリング方法を提供する。
しかし、前記のような従来技術を始め、今まで紹介された技術はデータ上に顔、テキストなどの識別情報を含むか否かを確認し、識別情報にあたる部分をマスキング（Ｍａｓｋｉｎｇ）またはブラー（Ｂｌｕｒ）処理して消したり隠す方式だったので、原本データが損傷されて機械学習で使われにくく、データ上に予測できなかった識別情報が含まれて、これをコンシーリング（例えば、非識別化）処理することができない場合もしばしば発生した。特に、従来のセキュリティカメラ（Ｓｅｃｕｒｉｔｙ Ｃａｍｅｒａ）は映像イメージ内にフレームの間で変化のある全てのピクセルをブラー処理する方式で非識別処理を行うが、このような方式で非識別処理を遂行すると、非識別された顔の表情など主要情報が原本映像イメージに入っている情報と変わるようになるだけでなく、顔検出過程で漏れた個人識別情報が原本映像イメージ上にそのまま残る問題があった。また、ブラー処理された映像イメージは従来の映像デブラリング（Ｄｅｂｌｕｒｒｉｎｇ）技術の中で一つを利用して原状復帰されることもできる。
ここで、本発明者（ら）は、原本データと相違するように変造（Ｏｂｆｕｓｃａｔｉｏｎ）された変造データを生成し、ラーニングモデル（Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ）に原本データが入力されて出力される結果と、上記変造データが入力されて出力される結果とが互いに同一または類似にする技術と、このために学習されたモデルを提供する技術を提案する。
本発明は、前述した従来技術の問題点を全て解決することをその目的とする。
また、本発明は、データ内で個人識別情報を捜す作業が必要ではないため、手軽く、なお正確にコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）、例えば、非識別化（Ａｎｏｎｙｍｉｚａｔｉｏｎ）処理を遂行することをまた他の目的とする。
また、本発明は、原本データから非可逆的に変造（Ｏｂｆｕｓｃａｔｉｏｎ）されてコンシーリング（例：非識別化）処理されたデータを生成することにより、原本データの保安及びプライバシーを守ることをまた他の目的とする。
また、本発明は、人間には全然違く見えるデータであるが、コンピュータには互いに同一または類似に見えるデータを生成することをまた他の目的とする。
また、本発明は、ビッグデータ取り引き市場を活性化させることをまた他の目的とする。
また、本発明は、原本データをコンシーリング（例：非識別化）処理するように学習されたラーニングモデル（Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ）を提供することをまた他の目的とする。
前記目的を達成するための本発明の代表的な構成は次のとおりである。
本発明の一態様によると、 個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する方法において、（ａ）第１学習装置は、（ｉ）前記変造ネットワークにトレーニングデータが入力されると、前記変造ネットワークをもって前記トレーニングデータを変造するようにして変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用することで学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用することで学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、第２学習装置が前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応データ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｄａｔａ）を生成させるプロセス、及びテストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応データを生成させるプロセスを遂行する段階；及び（ｂ）前記第２学習装置は、（ｉ）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス、及び（ｉｉ）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応データに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行する段階；を含む方法が提供される。
一実施例において、前記第２学習装置が（ｉ）（ｉ‐１）前記第１特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって、前記第１特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第１特徴適応データに対応される第１適応特性情報を前記第１適応レファレンスとして出力させ、（ｉ‐２）前記学習用第１特性情報と前記第１適応特性情報との間の差及び前記学習用第２特性情報と前記第１適応特性情報との間の差の中で一つを参照して前記第１適応エラーを獲得するプロセス、及び（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第２特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第２特徴適応データに対応される第２適応特性情報を前記第２適応レファレンスとして出力させ、（ｉｉ‐２）（ｉｉ‐２ａ）前記変造されたテストデータを前記ラーニングネットワークに入力して生成されたテスト用第１特性情報と前記第２適応特性情報との間の差及び（ｉｉ‐２ｂ）前記テストデータを前記ラーニングネットワークに入力して生成されたテスト用第２特性情報と前記第２適応特性情報との間の差の中で一つを参照して前記第２適応エラーを獲得するプロセスの中で一つを遂行する。
一実施例において、 前記第１エラーは、（ｉ）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを利用して算出され、前記第１適応エラーは、（ｉ）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）前記トレーニングデータＧＴとを参照して算出され、前記第２適応エラーは、（ｉ）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロス（Ａｄａｐｔｉｏｎ Ｌｏｓｓ）を利用して算出される。
一実施例において、前記第１エラーは、（ｉ）前記学習用第１特性情報と前記学習用第２特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力と（ｉｉ‐２）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを参照して算出され、前記第１適応エラーは、（ｉ）前記学習用第１特性情報と前記第１適応特性情報との間の差または前記学習用第２特性情報と前記第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１適応ロスを参照して算出され、前記第２適応エラーは、（ｉ）前記テスト用第１特性情報と前記第２適応特性情報との間の差または前記テスト用第２特性情報と前記第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロスを参照して算出される。
一実施例において、前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置が、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーないし前記学習用第１_ｎ特性情報と前記学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計（Ｗｅｉｇｈｔｅｄ Ｓｕｍ）である前記第１エラーを生成させるプロセス、及び（ｉｖ）前記第１エラーが最小化され、前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和したり、前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和したりして、前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）（１）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力してそれぞれ生成される場合は、前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和したり、（２）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力することでそれぞれ生成される場合は、前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和したりして、前記第２適応エラーを獲得するプロセスの中で一つを遂行する。
一実施例において、前記第１_１エラーないし前記第１_ｎエラーはそれぞれ（ｉ）（ｉ‐１）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１変造ロスないし（ｉｉ）（ｉｉ‐１）前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第ｎ変造ロスをさらに参照してそれぞれ算出され、（ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された前記第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された前記第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるし、（ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定される。
一実施例において、前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１変造ロスないし前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と前記トレーニングデータＧＴとを参照して算出された第ｎ変造ロスの加重合計である前記第１エラーを生成するプロセス、及び（ｉｖ）前記第１エラーが最小化されて前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスを加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスを加重和して前記第２適応エラーを獲得するプロセスを遂行する。
一実施例において、前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように、前記変造ネットワークを学習することで前記変造ネットワークが第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータを第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成させ、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークが第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差を参照して算出された第１_１適応エラーが最小化されるように前記適応ネットワークを学習することで、前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記学習用第１_ｋ特性情報と前記第１_ｋ適応特性情報との間の差または前記学習用第２_ｋ特性情報と前記第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで、前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたテストデータに対して前記ラーニング演算を適用してテスト用第１_１特性情報ないしテスト用第１_ｎ特性情報を生成させたり、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記テストデータに対して前記ラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を生成させ、（ｉｉ‐２）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力して前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐３）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差または前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差を参照して算出された第２_１適応エラーが最小化されるように前記適応ネットワークを学習することで前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを前記第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐４）前記テスト用第１_ｋ特性情報と前記第２_ｋ適応特性情報との間の差または前記テスト用第２_ｋ特性情報と前記第２_ｋ適応特性情報との間の差を参照して算出された第２_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する。
一実施例において、前記第１_ｋエラーは、（ｉ）前記学習用第１_ｋ特性情報を利用して生成された、前記第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された第ｋ変造ロスをさらに参照して算出され、（ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるし、（ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照して決定されたり、（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定される。
一実施例において、前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように前記変造ネットワークを学習することで、前記変造ネットワークをもって第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータが第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成し、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークをもって前記第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記第１_ｋ適応特性情報を利用して生成された第１_ｋ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐３）前記第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する。
本発明の他の態様によると、個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）をテストする方法において、（ａ）第１学習装置は、（ｉ）前記変造ネットワークをもって前記変造ネットワークに入力されたトレーニングデータを変造するようにし、変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用して学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行した後または遂行する間、第２学習装置が（ｉ）（ｉ‐１）前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応トレーニングデータ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ）を生成させるプロセス、及び（ｉ‐２）第１テストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応トレーニングデータを生成させるプロセスの中で一つ及び（ｉｉ）（ｉｉ‐１）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス及び（ｉｉ‐２）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応トレーニングデータに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行した状態で、テスト装置がコンシーリング処理するための第２テストデータを獲得する段階；及び（ｂ）前記テスト装置が、前記第２テストデータを前記適応ネットワークに入力することで、前記適応ネットワークをもって前記第２テストデータを適応するようにして特徴適応テストデータを生成させ、前記特徴適応テストデータを前記第２テストデータのコンシーリング処理されたデータとして獲得する段階；を含む方法が提供される。
本発明のまた他の態様によると、個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する第２学習装置において、インストラクションを格納する少なくとも一つのメモリー；及び（Ｉ）第１学習装置は、（ｉ）前記変造ネットワークにトレーニングデータが入力されると、前記変造ネットワークをもって前記トレーニングデータを変造するようにして変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用することで学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用することで学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応データ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｄａｔａ）を生成させるプロセス、及びテストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応データを生成させるプロセスを遂行するプロセス；及び（ＩＩ）（ｉ）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス、及び（ｉｉ）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応データに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行するプロセスを遂行するための前記インストラクションを実行するように構成された少なくとも一つのプロセッサ；を含む装置が提供される。
一実施例において、前記プロセッサが、（ｉ）（ｉ‐１）前記第１特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第１特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第１特徴適応データに対応される第１適応特性情報を前記第１適応レファレンスとして出力させ、（ｉ‐２）前記学習用第１特性情報と前記第１適応特性情報との間の差及び前記学習用第２特性情報と前記第１適応特性情報との間の差の中で一つを参照して前記第１適応エラーを獲得するプロセス、及び（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第２特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第２特徴適応データに対応される第２適応特性情報を前記第２適応レファレンスとして出力させ、（ｉｉ‐２）（ｉｉ‐２ａ）前記変造されたテストデータを前記ラーニングネットワークに入力して生成されたテスト用第１特性情報と前記第２適応特性情報との間の差及び（ｉｉ‐２ｂ）前記テストデータを前記ラーニングネットワークに入力して生成されたテスト用第２特性情報と前記第２適応特性情報との間の差の中で一つを参照して前記第２適応エラーを獲得するプロセスの中で一つを遂行する。
一実施例において、前記第１エラーは、（ｉ）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを利用して算出され、前記第１適応エラーは（ｉ）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）前記トレーニングデータＧＴとを参照して算出され、前記第２適応エラーは（ｉ）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロス（Ａｄａｐｔｉｏｎ Ｌｏｓｓ）を利用して算出される。
一実施例において、前記第１エラーは、（ｉ）前記学習用第１特性情報と前記学習用第２特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力と（ｉｉ‐２）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを参照して算出され、前記第１適応エラーは、（ｉ）前記学習用第１特性情報と前記第１適応特性情報との間の差または前記学習用第２特性情報と前記第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１適応ロスを参照して算出され、前記第２適応エラーは、（ｉ）前記テスト用第１特性情報と前記第２適応特性情報との間の差または前記テスト用第２特性情報と前記第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロスを参照して算出される。
一実施例において、前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置が、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーないし前記学習用第１_ｎ特性情報と前記学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計（Ｗｅｉｇｈｔｅｄ Ｓｕｍ）である前記第１エラーを生成させるプロセス、及び（ｉｖ）前記第１エラーが最小化され、前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和したり、前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和したりして、前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）（１）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力してそれぞれ生成される場合は、前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和したり、（２）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力することでそれぞれ生成される場合は、前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和したりして、前記第２適応エラーを獲得するプロセスの中で一つを遂行する。
一実施例において、前記第１_１エラーないし前記第１_ｎエラーは、それぞれ（ｉ）（ｉ‐１）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１変造ロスないし（ｉｉ）（ｉｉ‐１）前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第ｎ変造ロスをさらに参照してそれぞれ算出され、（ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された前記第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された前記第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるし、（ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定される。
一実施例において、前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１変造ロスないし前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と前記トレーニングデータＧＴとを参照して算出された第ｎ変造ロスの加重合計である前記第１エラーを生成するプロセス、及び（ｉｖ）前記第１エラーが最小化されて前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスを加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスを加重和して前記第２適応エラーを獲得するプロセスを遂行する。
一実施例において、前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように、前記変造ネットワークを学習することで前記変造ネットワークが第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータを第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成させ、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークが第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差を参照して算出された第１_１適応エラーが最小化されるように前記適応ネットワークを学習することで、前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記学習用第１_ｋ特性情報と前記第１_ｋ適応特性情報との間の差または前記学習用第２_ｋ特性情報と前記第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで、前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたテストデータに対して前記ラーニング演算を適用してテスト用第１_１特性情報ないしテスト用第１_ｎ特性情報を生成させたり、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記テストデータに対して前記ラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を生成させ、（ｉｉ‐２）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力して前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐３）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差または前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差を参照して算出された第２_１適応エラーが最小化されるように前記適応ネットワークを学習することで前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを前記第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐４）前記テスト用第１_ｋ特性情報と前記第２_ｋ適応特性情報との間の差または前記テスト用第２_ｋ特性情報と前記第２_ｋ適応特性情報との間の差を参照して算出された第２_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する。
一実施例において、前記第１_ｋエラーは、（ｉ）前記学習用第１_ｋ特性情報を利用して生成された、前記第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された第ｋ変造ロスをさらに参照して算出され、（ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるし、（ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照して決定されたり、（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定される。
一実施例において、前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように前記変造ネットワークを学習することで、前記変造ネットワークをもって第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータが第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成し、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークをもって前記第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記第１_ｋ適応特性情報を利用して生成された第１_ｋ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐３）前記第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する。
本発明のまた他の態様によると、個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）をテストするテスト装置において、インストラクションを格納する少なくとも一つのメモリー；及び（Ｉ）第１学習装置は、（ｉ）前記変造ネットワークをもって前記変造ネットワークに入力されたトレーニングデータを変造するようにし、変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用して学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行した後または遂行する間、第２学習装置が（ｉ）（ｉ‐１）前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応トレーニングデータ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ）を生成させるプロセス、及び（ｉ‐２）第１テストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応トレーニングデータを生成させるプロセスの中で一つ及び、（ｉｉ）（ｉｉ‐１）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス及び（ｉｉ‐２）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応トレーニングデータに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行した状態で、コンシーリング処理のための第２テストデータを獲得するプロセス；及び（ＩＩ）前記第２テストデータを前記適応ネットワークに入力することで、前記適応ネットワークをもって前記第２テストデータを適応するようにして特徴適応テストデータを生成させ、前記特徴適応テストデータを前記第２テストデータのコンシーリング処理されたデータとして獲得するプロセスを遂行するための前記インストラクションを実行するように構成された少なくとも一つのプロセッサを含む装置が提供される。
その他にも、本発明の方法を実行するためのコンピュータプログラムを格納するためのコンピュータ読取り可能な記録媒体がさらに提供される。
本発明は、データ内で個人識別情報を捜す作業が必要ではないため、手軽く、なお正確にコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理を遂行できる効果がある。
また、本発明は、原本データから非可逆的に変造（Ｏｂｆｕｓｃａｔｉｏｎ）されてコンシーリング処理されたデータを生成することにより、データの保安及びプライバシーを守ることができる他の効果がある。
また、本発明は、人間には全然違く見えるデータであるが、コンピュータには互いに同一または類似に見えるデータを生成できるまた他の効果がある。
また、本発明によると、ビッグデータ取り引き市場を活性化させることることができるまた他の効果がある。
また、本発明は、原本データをコンシーリング処理するように学習されたモデルに比べてコンピュータリソースを少なく使用するラーニングモデル（Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ）を提供することで、ランタイム（Ｒｕｎ‐ｔｉｍｅ）でのオーバーヘッド（Ｏｖｅｒｈｅａｄ）を防ぐことができるまた他の効果がある。
本発明における実施例の説明に利用されるために添付された以下の図面は、本発明の実施例のうち、単に一部であるに過ぎず、本発明の属する技術分野において通常の知識を有する者（以下「通常の技術者」）をもっては、発明的作業が行われずにこれらの図面に基づいて他の各図面が得られ得る。
図１は、本発明の一実施例によって原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理することができる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する学習装置を簡略に示したもので、 図２は、本発明の一実施例によって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法を簡略に示したもので、 図３は、本発明の一実施例によって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する他の方法を簡略に示したもので、 図４は、本発明の他の実施例によって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法を簡略に示したもので、 図５は、本発明の他の実施例によって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する他の方法を簡略に示したもので、 図６は、本発明の一実施例によって学習された適応ネットワークをテストするテスト装置を簡略に示したものである。
後述する本発明に関する詳細な説明は、本発明が実施され得る特定の実施例を例示として示す添付図面を参照する。これらの実施例は、通常の技術者が本発明を実施することができるように十分詳細に説明される。本発明の多様な実施例は互いに異なるが、相互に排他的である必要はないことが理解されるべきである。例えば、ここに記載されている特定機能、構造及び特性は、本発明の精神及び範囲を逸脱せず、かつ一実施例から他の実施例に変更されて具現され得る。また、それぞれの実施例内の個別構成要素の位置又は配置は、本発明の精神及び範囲を逸脱せず、かつ変更され得ることが理解されるべきである。したがって、後述の詳細な説明は、限定的な意味として受け取ろうとするものではなく、本発明の範囲は特許請求範囲の請求項が請求する範囲及びそれと均等な全ての範囲を包括するものとして受け入れられるべきである。図面において類似な参照符号は、様々な側面にわたって同一であるか、又は類似な構成要素を指す。以下では、本発明の詳細な説明と請求項に含まれた「含む」と言う用語と該当用語の多様な表現は他の技術的特徴、追加、構成要素又は段階を排除することを意味しない。本発明の他の目的、恵沢及び特徴は、部分的には明細書から、及び部分的には本発明の移行から技術分野において通常の知識を有する者に明らかに現われる。次の例示と図面は例示として示したが、本発明がこれに制限されるものではない。
本発明が属する技術分野において通常の知識を有する者が本発明を容易に実施できるようにするために、本発明の幾つかの好ましい実施例に関して添付の図面を参照して詳しく説明する。
図１は、本発明の一実施例によって原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）（例：非識別化）処理することができる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する第２学習装置を簡略に示したものである。第１学習装置は以後説明する。
図１を参照すれば、本発明の一実施例による第２学習装置１００は、ラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）で変造データ（Ｏｂｆｕｓｃａｔｅｄ Ｄａｔａ）を利用して算出された結果が入力データを利用して算出された結果と同一又は類似するように少なくとも一つの入力データを変造することができる変造ネットワークと相違するアーキテクチャ（Ａｒｃｈｉｔｅｃｔｕｒｅ）を持つが変造ネットワークの入力と出力のフォーマットは同一のマシンラーニングモデル（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ）である適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習するためのインストラクション（Ｉｎｓｔｒｕｃｔｉｏｎ）が格納されたされたメモリー１１０と、メモリー１１０に格納されたインストラクションによって変造ネットワークを学習する動作を遂行するプロセッサ１２０とを含むことができる。
具体的に、第２学習装置１００は、少なくとも一つのコンピューティング装置（例えば、コンピュータプロセッサ、メモリー、ストーレジ、入力装置、出力装置又はその他既存のコンピューティング装置の構成要素）；ルーター、スイッチなどのような電子通信装置；ネットワーク付きストーレジ（ＮＡＳ）及びストーレジ領域ネットワーク（ＳＡＮ）のような電子情報ストーレジシステム）と少なくとも一つのコンピュータソフトウェア（すなわち、コンピューティング装置をもって特定方式で機能させるインストラクション）の組み合わせを利用して所望のシステム性能を一般的に達成することができる。
また、このような装置のプロセッサは、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、キャッシュメモリー（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕｓ）などのハードウェア構成を含むことができる。また、コンピューティング装置は、運営体制、特定目的を達成するアプリケーションのソフトウェア構成をさらに含むこともできる。
コンピューティング装置に対するこのような説明が本発明を実施するためのプロセッサ、メモリー、ミディアムまたは他のコンピューティング要素の任意の組み合わせを含む統合装置を排除することではない。
このとき、適応ネットワークは変造ネットワークに比べて少ないコンピューティングソースを使用するように設計されることができる。一例として、適応ネットワークは変造ネットワークに比べて演算に使われるパラメータの個数が少ないか、又は深度（Ｄｅｐｔｈ）が低いことがあって、変造ネットワークの一部レイヤーが取り除かれたラーニングモデルである。また、適応ネットワークは変造ネットワークとは相違する少なくとも一つのラーニングモデルを利用して変造ネットワークと類似する少なくとも一つの機能を遂行することができる。
すなわち、変造データがラーニングネットワークに入力される際、ラーニングネットワークが入力データから出た結果と同一又は類似な結果を出力するよう、原本データを変造データ（例：非識別化処理されたデータ）に変造するように学習された変造ネットワークをコンピューティングリソースが低い装置に設置した場合は、これによって装置でオーバーヘッド（Ｏｖｅｒｈｅａｄ）が発生することがあるので、これを防ぐために変造ネットワークと類似な機能を遂行するが、コンピューティングリソースを少なく使用する適応ネットワークを使用させるようにする。また、変造ネットワークがパブリックアクセス（Ｐｕｂｌｉｃ Ａｃｃｅｓｓ）に公開される場合、第３者が変造ネットワークを利用してビッグモデル（Ｂｉｇ Ｍｏｄｅｌ）を学習することができるし、変造ネットワークの学習されたビッグモデルを利用してコンシーリング処理された変造データからコンシーリング処理されていない原本データを獲得することができる問題点があるので、変造ネットワークの保安のために変造ネットワークの代わりに適応ネットワークをパブリックアクセスに公開することができる。
一方、（ａ）第１学習装置は、（ｉ）変造ネットワークにトレーニングデータが入力されると、変造ネットワークをもってトレーニングデータを変造するようにして変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワークに入力して、ラーニングネットワークをもって変造されたトレーニングデータに対して学習されたパラメータを利用したラーニング演算を適用することで学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）トレーニングデータをラーニングネットワークに入力して、ラーニングネットワークをもってトレーニングデータに対して学習されたパラメータを利用したラーニング演算を適用することで学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）学習用第１特性情報と学習用第２特性情報とを参照して算出された第１エラーが最小化され、トレーニングデータと変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、第２学習装置１００がトレーニングデータを適応ネットワークに入力することで、適応ネットワークをもってトレーニングデータを適応するようにして第１特徴適応データ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｄａｔａ）を生成させるプロセス、及びテストデータを適応ネットワークに入力することで適応ネットワークをもってテストデータを適応するようにして第２特徴適応データを生成させるプロセスを遂行することができる。そして、第２学習装置１００は、（ｉ）変造ネットワークによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように適応ネットワークを学習するプロセス、または（ｉｉ）テストデータを学習された変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと第２特徴適応データに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように適応ネットワークを学習するプロセスを遂行することができる。ここに出た第１適応レファレンスと第２適応レファレンスは以後説明する。
このとき、第１学習装置は、ラーニングネットワークが変造されたトレーニングデータを入力として利用して算出された結果がトレーニングデータを入力として利用して算出された結果と同一又は類似するようにトレーニングデータを変造（例：非識別化）できる変造ネットワークを学習するためのインストラクションが格納されたメモリーと、メモリーに格納されたインストラクションによって変造ネットワークを学習する動作を遂行するプロセッサとを含むことができる。具体的に、第１学習装置は、少なくとも一つのコンピューティング装置（例えば、コンピュータプロセッサ、メモリー、ストーレジ、入力装置、出力装置またはその他既存のコンピューティング装置の構成要素）；ルーター、スイッチなどのような電子通信装置；ネットワーク付きストーレジ（ＮＡＳ）及びストーレジ領域ネットワーク（ＳＡＮ）のような電子情報ストーレジシステム）と少なくとも一つのコンピュータソフトウェア（すなわち、コンピューティング装置をもって特定方式で機能させるインストラクション）の組み合わせを利用して所望システム性能を一般的に達成することができる。また、コンピューティング装置のプロセッサは、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、キャッシュメモリー（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕｓ）などのハードウェア構成を含むことができる。また、コンピューティング装置は、運営体制、特定目的を達成するアプリケーションのソフトウェア構成をさらに含むこともできる。
また、第１学習装置と第２学習装置１００は同一装置であるか、または異なる装置である。
本発明の一実施例による第２学習装置１００を利用して個人情報を保護するために原本データをコンシーリング（例：非識別化）処理することができる変造ネットワークに対応される適応ネットワークを学習する方法は、図２ないし図５を参照して次のように説明することができる。
図２は本発明の一実施例にしたがって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法を簡略に示したものである。
先ず、第１学習装置を利用して原本データをコンシーリング（例：非識別化）処理するために使われる変造ネットワークＯを学習する方法を説明する。
トレーニングデータが獲得されると、第１学習装置はトレーニングデータを変造ネットワークＯに入力して変造ネットワークＯをもってトレーニングデータを変造し、変造されたトレーニングデータを生成させることができる。
このとき、トレーニングデータは学習に利用される原本データの原本トレーニングデータであるか、又は原本トレーニングデータを変換（Ｍｏｄｉｆｙ）して生成された変換（Ｍｏｄｉｆｉｅｄ）トレーニングデータであり、変換トレーニングデータは原本トレーニングデータに対してランダムノイズ生成ネットワーク（未図示）を通じて生成された少なくとも一つのランダムノイズを追加して生成されることができる。一例として、ランダムノイズ生成ネットワークは正規分布 Ｎ（０、σ）を持つランダムノイズを生成させ、生成されたノイズを原本トレーニングデータに追加して変換トレーニングデータを生成することができる。また、変換トレーニングデータは、ランダムノイズ以外にも原本トレーニングデータをブラー（Ｂｌｕｒ）処理したり、原本トレーニングデータの解像度を変更して生成されることができるが、本発明の範囲がこれに限定されず、原本トレーニングデータを変換する多様な方法が適用されることができる。
また、変造されたトレーニングデータは、人にはトレーニングデータと違く認識されるが、ラーニングネットワークではトレーニングデータと同一または類似なものとして認識されることができる。
一方、変造ネットワークＯは、一例として、トレーニングデータとしてのイメージに対してコンボリューション演算を少なくとも一回適用するための少なくても一つのコンボリューションレイヤーを持つ少なくとも一つのエンコーダー（Ｅｎｃｏｄｅｒ）と、エンコーダーから出力される少なくとも一つの特徴マップに対してデコンボリューション演算を少なくとも一回適用して変造されたトレーニングデータを生成するための少なくても一つのデコンボリューションレイヤーを含む少なくとも一つのデコーダー（Ｄｅｃｏｄｅｒ）を含むことができるが、本発明の範囲がこれに限定されず、入力されるトレーニングデータを変造することができる多様な構造を持つラーニングネットワークは何でも含むことができる。
そして、第１学習装置は、（ｉ）変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって（ｉ‐１）変造されたトレーニングデータに対して学習されたパラメータを利用したネットワーク演算を適用して（ｉ‐２）変造されたトレーニングデータに対応する学習用第１特性情報を生成させるプロセス、及び（ｉｉ）トレーニングデータをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって（ｉｉ‐１）トレーニングデータに対して学習されたパラメータを利用したネットワーク演算を適用して（ｉｉ‐２）トレーニングデータに対応する学習用第２特性情報を生成させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。
このとき、ラーニングネットワークＦはマシンラーニングネットワークを含むことができるが、本発明の範囲がこれに限定されず、トレーニングデータに対して予め学習されたパラメータでネットワーク演算を適用して学習用第１特性情報を生成することにより、トレーニングデータに対してネットワーク演算を適用して学習用第２特性情報を生成することができるラーニングネットワークは何でも含むことができる。そして、マシンラーニングネットワークはＫ‐近傍（Ｋ‐Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒｓ）、線形回帰（Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）、ロジスティック回帰（Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ）、サポートベクターマシン（ＳＶＭ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）とランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、神経網（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、群集（Ｃｌｕｓｔｅｒｉｎｇ）、視覚化（Ｖｉｓｕａｌｉｚａｔｉｏｎ）と次元縮小（Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ Ｒｅｄｕｃｔｉｏｎ）、相関規則学習（Ａｓｓｏｃｉａｔｉｏｎ Ｒｕｌｅ Ｌｅａｒｎｉｎｇ）、深層信念ネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋ）、強化学習（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）、及びディープラーニング（Ｄｅｅｐ ｌｅａｒｎｉｎｇ）アルゴリズムの中で少なくとも一つを含むことができるが、マシンラーニングネットワークはこれに限定されず、多様な学習アルゴリズムを含むことができる。また、コンシーリング（例：非識別化）処理のための対象は原本データに含まれた個人情報である。ここで、個人情報は、個人識別情報、個人の医療情報、生体情報、行動情報など個人と係わる如何なる情報も含むことができる。
そして、学習用第１特性情報と学習用第２特性情報とは、変造されたトレーニングデータとトレーニングデータとにそれぞれ対応する特徴（Ｆｅａｔｕｒｅ）またはロジット（Ｌｏｇｉｔ）である。また、学習用第１特性情報と学習用第２特性情報は変造されたトレーニングデータとトレーニングデータ内にそれぞれ含まれた所定の特徴と係る特徴値、または所定の特徴と係るベクター（Ｖｅｃｔｏｒ）、行列（Ｍａｔｒｉｘ）及び座標（Ｃｏｏｒｄｉｎａｔｅ）の中で少なくとも一つに関する値を含むロジットである。例えば、トレーニングデータが顔イメージデータの場合、上記結果は顔認識のためのクラス、顔の特徴、一例として、笑う表情、顔の特徴点（Ｌａｎｄｍａｒｋ Ｐｏｉｎｔ、例えば、両目の端点）に関する座標である。
以後、第１学習装置は、学習用第１特性情報を参照して算出された第１エラーが最小化され、トレーニングデータと変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるよう、変造ネットワークＯを学習することができる。
すなわち、第１学習装置は、（ｉ）（ｉ‐１）学習用第１特性情報と学習用第２特性情報とを参照して獲得された少なくとも一つの第１_１エラー、及び（ｉ‐２）学習用第１特性情報を利用して生成された少なくとも一つの学習用タスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）とこれに対応する少なくとも一つのトレーニングデータＧＴとを参照して獲得された変造ロスの少なくとも一つの第１_２エラーの中で少なくとも一部を参照して算出された少なくとも一つの第１エラーを最小化し、（ｉｉ）トレーニングデータと変造されたトレーニングデータとを参照して算出された少なくとも一つの第２エラーを最大化するよう、変造ネットワークＯを学習することができる。これをもう少し詳しく説明すると、第１学習装置が変造ネットワークＯを学習するにあたり、第２エラーを利用して変造ネットワークＯをもってトレーニングデータと相当異なる変造されたトレーニングデータを出力させるようにし、ラーニングネットワークＦでトレーニングデータと同一または類似に認識されるように第１エラーを利用して変造ネットワークＯをもってトレーニングデータを変造して変造されたトレーニングデータを出力させるようにする。
このとき、第１学習装置は、（ｉ）学習用第１特性情報と学習用第２特性情報との間の差と、（ｉｉ）学習用タスク特定出力とこれに対応するトレーニングデータＧＴとの間の少なくとも一つの差の中で少なくとも一部を参照して第１エラーを獲得することができる。一例として、第１学習装置は学習用第１特性情報と学習用第２特性情報との間のノルム（Ｎｏｒｍ）またはコサイン類似度（Ｃｏｓｉｎｅ Ｓｉｍｉｌａｒｉｔｙ）を参照して第１エラーを獲得することができるが、本発明の範囲がこれに限定されず、学習用第１特性情報と学習用第２特性情報との間の差を算出することができる多様なアルゴリズムを使うことができる。また、第１学習装置はトレーニングデータと変造されたトレーニングデータとの間の少なくとも一つの差を参照して第２エラーを獲得することができる。
また、第１学習装置は変造されたトレーニングデータのエントロピーとノイズ程度の中で少なくとも一部を参照して少なくとも一つのクオリティ（Ｑｕａｌｉｔｙ）を測定することができるし、測定されたクオリティをさらに参照して第１エラーを獲得することができる。すなわち、第１学習装置は、変造されたトレーニングデータのクオリティを最小化（例えば、変造されたトレーニングデータのエントロピー、ノイズなどの少なくとも一部を最大化）するように変造ネットワークＯを学習することができる。
そして、第１学習装置が第１エラーを最小化して第２エラーを最大化するように変造ネットワークＯを学習する場合、第１学習装置はラーニングネットワークＦの学習されたパラメータを固定してアップデートせず、変造ネットワークＯのみを学習することができる。
一方、学習用タスク特定出力は、ラーニングネットワークＦが遂行しようとするタスクに対する出力として、クラス分類のためのクラスに対する確率、位置検出のためのリグレッション（Ｒｅｇｒｅｓｓｉｏｎ）による座標値などラーニングネットワークＦの学習されたタスクによる多様な結果値を持つことができるし、活性化ユニット（Ａｃｔｉｖａｔｉｏｎ Ｕｎｉｔ）の活性化関数（Ａｃｔｉｖａｔｉｏｎ Ｆｕｎｃｔｉｏｎ）がラーニングネットワークＦから出力される学習用第１特性情報に適用され、ラーニングネットワークＦで遂行しようとするタスクによる学習用タスク特定出力を生成することができる。このとき、活性化関数では、シグモイド（Ｓｉｇｍｏｉｄ）関数、線形（Ｌｉｎｅａｒ）関数、ソフトマックス（Ｓｏｆｔｍａｘ）関数、ＲｅＬＵ（Ｒｌｉｎｅａｒ）関数、二乗（Ｓｑｕａｒｅ）関数、ＳＱＲＴ関数、Ｓｒｌｉｎｅａｒ関数、ＡＢＳ関数、ＴＡＮＨ関数、Ｂｒｌｉｎｅａｒ関数などが使われることができるが、本発明の範囲がこれに限定されない。
一例として、ラーニングネットワークＦがクラス分類のためのタスクを遂行する場合、第１学習装置はラーニングネットワークＦから出力される学習用第１特性情報をクラス別にマッピング（Ｍａｐｐｉｎｇ）して、変造されたトレーニングデータに対してクラス別に少なくとも一つの確率を生成することができる。このとき、クラス別の確率はクラス別にラーニングネットワークＦから出力される学習用第１特性情報が正解である確率を示すことができる。例えば、トレーニングデータが顔イメージデータの場合、顔が笑う状態である確率は０．７５、笑わっていない状態である確率は０．２５などのように出力されることができる。このとき、ラーニングネットワークＦから出力される学習用第１特性情報をクラス別にマッピングするためにソフトマックスアルゴリズムを使用することができるが、本発明の範囲はこれに限定されず、学習用第１特性情報をクラス別にマッピングするために多様なアルゴリズムが使われることができる。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００はトレーニングデータを適応ネットワークＡに入力することにより、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させるようにする。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、又は異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたトレーニングデータを第１適応ＧＴとして獲得することができるし、第１特徴適応データを第１適応レファレンスとして獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
一方、第２学習装置１００は、（ｉ）第１特徴適応データをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって第１特徴適応データに対して学習されたパラメータを利用したラーニング演算を適用し、第１特徴適応データに対応される第１適応特性情報を第１適応レファレンスとして出力させるプロセス、及び（ｉｉ）（ｉｉ‐１）学習用第１特性情報と第１適応特性情報との間の差、または（ｉｉ‐２）学習用第２特性情報と第１適応特性情報との間の差を参照して第１適応エラーを獲得するプロセスを遂行することができる。
また、第２学習装置１００は、（ｉ）第１適応特性情報を利用して生成された、第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）トレーニングデータＧＴとを参照して算出された第１適応ロスをさらに参照して第１適応エラーを獲得することができる。
このとき、第１適応タスク特定出力は、ラーニングネットワークＦが遂行しようとするタスクに対する出力であり、クラス分類のためのクラスに対する確率、位置検出のためのリグレッションによる座標値などラーニングネットワークＦの学習されたタスクによる多様な結果値を持つことができるし、活性化ユニットの活性化関数がラーニングネットワークＦから出力される第１適応特性情報に適用され、ラーニングネットワークＦで遂行しようとするタスクによる第１適応タスク特定出力を生成することができる。
これに加え、第２学習装置１００は、（ｉ）（ｉ‐１）学習用第１特性情報と第１適応特性情報との間の差または（ｉ‐２）学習用第２特性情報と第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）第１適応特性情報を利用して生成された、第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された第１適応ロスを参照して算出された第１適応エラーを獲得することができる。
他の例として、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００は、テストデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させることができる。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力して学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、及び（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出されることができる、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたテストデータを第２適応ＧＴとして獲得することができるし、第２特徴適応データを第２適応レファレンスとして獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
一方、第２学習装置１００は、第２特徴適応データをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって第２特徴適応データに対して学習されたパラメータを利用したラーニング演算を適用して第２特徴適応データに対応される第２適応特性情報を第２適応レファレンスとして出力させるプロセスを遂行することができる。そして、変造されたテストデータをラーニングネットワークＦに入力してテスト用第１特性情報を生成した後、テスト用第１特性情報と第２適応特性情報との間の差を参照して第２適応エラーを算出したり、テストデータをラーニングネットワークＦに入力してテスト用第２特性情報を生成した後、テスト用第２特性情報と第２適応特性情報との間の差を参照して第２適応エラーを算出することができる。
また、第２学習装置１００は、（ｉ）第２適応特性情報を利用して生成された、第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）テストデータＧＴとを参照して算出された第２適応ロスをさらに参照して、第２適応エラーを獲得することができる。
このとき、第２適応タスク特定出力はラーニングネットワークＦが遂行しようとするタスクに対する出力であり、クラス分類のためのクラスに対する確率、位置検出のためのリグレッションによる座標値などラーニングネットワークＦの学習されたタスクによる多様な結果値を持つことができるし、活性化ユニットの活性化関数がラーニングネットワークＦから出力される第２適応特性情報に適用され、ラーニングネットワークＦで遂行しようとするタスクによる第２適応タスク特定出力を生成することができる。
これに加え、第２学習装置１００は、（ｉ）（ｉ‐１）テスト用第１特性情報と第２適応特性情報との間の差または（ｉ‐２）テスト用第２特性情報と第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）第２適応特性情報を利用して生成された、第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）テストデータに対応されるテストデータＧＴとを参照して算出された第２適応ロスを参照して、第２適応エラーを獲得することができる。
図３は本発明の一実施例によって原本データをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する他の方法を簡略に示したもので、図２におけるラーニングネットワークＦが予め学習されたパラメータを持つ多数のラーニングネットワーク（Ｆ１、Ｆ２、…、Ｆｎ）で構成されたものである。このとき、多数のラーニングネットワーク（Ｆ１、Ｆ２、…、Ｆｎ）のそれぞれは互いに異なるタスクを少なくとも一部遂行するように学習された状態である。下記の説明では、前記図２の説明から容易に理解できる部分に対しては詳細な説明を省略する。
先ず、第１学習装置を利用して原本データをコンシーリング（例：非識別化）処理するために使われる変造ネットワークＯを学習する方法について説明する。
トレーニングデータが獲得されると、第１学習装置は、トレーニングデータを変造ネットワークＯに入力することで、変造ネットワークＯをもってトレーニングデータを変造し、変造されたトレーニングデータを生成させることができる。
このとき、トレーニングデータは学習に利用される原本データの原本トレーニングデータであるか、又は原本トレーニングデータを変換して生成された変換トレーニングデータである。そして、変造されたトレーニングデータは、人にはトレーニングデータと相違するように認識されることができるが、ラーニングネットワークではトレーニングデータと同一または類似なものとして認識されることができる。
そして、第１学習装置は、変造されたトレーニングデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用したこれに対応するネットワーク演算を変造されたトレーニングデータに対して適用し（ｉｉ）変造されたトレーニングデータに対応する学習用第１_１特性情報ないし学習用第１_ｎ特性情報それぞれを生成させることができる。また、第１学習装置は、トレーニングデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するネットワーク演算をトレーニングデータに対して適用して（ｉｉ）トレーニングデータに対応する学習用第２_１特性情報ないし学習用第２_ｎ特性情報のそれぞれを生成させることができる。
以後、第１学習装置は、学習用第１_１特性情報と学習用第２_１特性情報とを参照して算出された第１_１エラーないし学習用第１_ｎ特性情報と学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計（Ｗｅｉｇｈｔｅｄ Ｓｕｍ）である第１エラーを獲得してこの第１エラーを最小化するようにして、トレーニングデータと変造されたトレーニングデータとを参照して算出された第２エラーを最大化するように、変造ネットワークＯを学習することができる。
一例として、第１学習装置は、（ｉ）学習用第１_１特性情報と学習用第２_１特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して生成された第１変造ロスの中で少なくとも一つを参照して算出された第１_１エラーを獲得し、（ｉ）学習用第１_ｎ特性情報と学習用第２_ｎ特性情報との間の差、（ｉｉ）（ｉｉ‐１）学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された第ｎ変造ロスの中で少なくとも一つを参照して算出された、第１_ｎエラーを獲得することができる。
すなわち、第１_ｎエラーは、（ｉ）学習用第１_ｎ特性情報と学習用第２_ｎ特性情報との間の差、（ｉｉ）（ｉｉ‐１）学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された第ｎ変造ロス、及び（ｉｉｉ）前記（ｉ）と前記（ｉｉ）との総和の中でいずれか一つであることができるが、本発明の範囲がこれに限定されない。
また、第１学習装置は、変造されたトレーニングデータのエントロピー、ノイズ程度の中で少なくとも一部を参照して少なくとも一つのクオリティを測定することができるし、測定されたクオリティをさらに参照して第１エラーを獲得することができる。すなわち、第１学習装置は、変造されたトレーニングデータのクオリティを最小化（例えば、変造されたトレーニングデータのエントロピー、ノイズなどの少なくとも一部を最大化）するように変造ネットワークＯを学習することができる。
そして、第１学習装置が第１エラーを最小化して第２エラーを最大化するように変造ネットワークＯを学習する場合、第１学習装置はラーニングネットワークＦの学習されたパラメータを固定してアップデートせずに、変造ネットワークＯのみを学習することができる。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００は、トレーニングデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたトレーニングデータを第１適応ＧＴとして獲得することができるし、第１特徴適応データを第１適応レファレンスとして獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
また、第２学習装置１００は、第１特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータのそれぞれを利用した、これに対応するラーニング演算を第１特徴適応データに対して適用して（ｉｉ）第１_１適応特性情報ないし第１_ｎ適応特性情報のそれぞれを出力させることができる。そして、第２学習装置１００は、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれを加重和したり、（ｉｉ）（ｉｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれを加重和して第１適応エラーを獲得することができる。
このとき、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。または、（ｉ）（ｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、第１特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第１特徴適応データに対して適用して（ｉｉ）第１_１適応特性情報ないし第１_ｎ適応特性情報のそれぞれを出力させることができる。また、（ｉ）（ｉ‐１）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ）（ｉｉ‐１）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスを加重和して第１適応エラーを算出することができる。
これとは違って、前記方法を利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００は、テストデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させるようにする。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力することで、学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、及び（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出された、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたテストデータを第２適応ＧＴとして獲得することができるし、第２特徴適応データを第２適応レファレンスとして獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
また、第２学習装置１００は、第２特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第２特徴適応データに対して適用して（ｉｉ）第２_１適応特性情報ないし第２_ｎ適応特性情報のそれぞれを出力させることができる。そして、第２学習装置１００は、（ｉ）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、変造されたテストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力してそれぞれ生成される場合は、（ｉ‐１）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないし（ｉ‐２）テスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差を加重和したり、（ｉｉ）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、テストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力してそれぞれ生成される場合は、（ｉｉ‐１）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないし（ｉｉ‐２）テスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差を加重和して第２適応エラーを獲得することができる。
このとき、（ｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないしテスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないしテスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、第２特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれをもって（ｉ）第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第２特徴適応データに対して適用して（ｉｉ）第２_１適応特性情報ないし第２_ｎ適応特性情報のそれぞれを出力させることができる。また、（ｉ）（ｉ‐１）第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と（ｉ‐２）テストデータＧＴとを参照して算出された、第２_１適応ロスないし（ｉｉ）（ｉｉ‐１）第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と（ｉｉ‐２）テストデータＧＴとを参照して算出された、第２_ｎ適応ロスを加重和して第２適応エラーを算出することができる。
一方、学習用第１_１特性情報と学習用第２_１特性情報とを参照して算出された第１_１エラーないし学習用第１_ｎ特性情報と学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計である第１エラーを最小化し、トレーニングデータと変造されたトレーニングデータとを参照して算出された第２エラーを最大化するように変造ネットワークＯを学習することができる。しかし、他の例として、第１_１エラーないし第１_ｎエラーのそれぞれを利用して変造ネットワークＯを順次学習することもできる。
すなわち、第１学習装置は、トレーニングデータを変造ネットワークＯに入力することで、変造ネットワークＯをもってトレーニングデータを変造して第１変造されたトレーニングデータを生成させることができる。そして、第１学習装置は、（ｉ）第１変造されたトレーニングデータを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって（ｉ‐１）第１ラーニングネットワークＦ１の第１学習されたパラメータを利用したネットワーク演算を第１変造されたトレーニングデータに対して適用して（ｉ‐２）第１変造されたトレーニングデータに対応される学習用第１_１特性情報を出力するようにして、（ｉｉ）トレーニングデータを第１ラーニングネットワークＦ１に入力することで、（ｉｉｉ）第１ラーニングネットワークＦ１をもって（ｉｉｉ‐１）第１学習されたパラメータを利用したネットワーク演算をトレーニングデータに対して適用して（ｉｉｉ‐２）トレーニングデータに対応される学習用第２_１特性情報を出力させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。以後、第１学習装置は、学習用第１_１特性情報と学習用第２_１特性情報とを参照して算出された第１_１エラーを最小化し、トレーニングデータと第１変造されたトレーニングデータとを参照して算出された第２_１エラーを最大化するように変造ネットワークＯを学習することによって、変造ネットワークＯが第１学習された変造ネットワークＯになるようにする。
そして、第１学習装置は、定数のｋを２からｎまで増加させながら前記プロセスを繰り返して、第ｎラーニングネットワークＦｎまで遂行することで第ｎ学習された変造ネットワークＯを獲得することができる。
すなわち、第１学習装置は、トレーニングデータを第（ｋ‐１）学習された変造ネットワークＯに入力することで、第（ｋ‐１）学習された変造ネットワークＯをもってトレーニングデータを変造して第ｋ変造されたトレーニングデータを生成させる。そして、第１学習装置は、（ｉ）第ｋ変造されたトレーニングデータを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって（ｉ‐１）第ｋラーニングネットワークＦｋの第ｋ学習されたパラメータを利用したネットワーク演算を第ｋ変造されたトレーニングデータに対して適用して（ｉ‐２）第ｋ変造されたトレーニングデータに対応される学習用第１_ｋ特性情報を出力するようにし、（ｉｉ）トレーニングデータを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋに（ｉｉ‐１）第ｋ学習されたパラメータを利用したネットワーク演算をトレーニングデータに対して適用して（ｉｉ‐２）トレーニングデータに対応される学習用第２_ｋ特性情報を出力させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。以後、第１学習装置は、学習用第１_ｋ特性情報と学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーを最小化し、トレーニングデータと第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーを最大化するように、第（ｋ‐１）学習された変造ネットワークＯを学習することで、第（ｋ‐１）学習された変造ネットワークＯが第ｋ学習された変造ネットワークＯになるようにすることができる。
このとき、第１_ｋエラーは（ｉ）学習用第１_ｋ特性情報を利用して生成された、第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された第ｋ変造ロスをさらに参照して算出されることができる。
また、第１_ｋエラーは、（ｉ）学習用第１_ｋ特性情報と学習用第２_ｋ特性情報との間の差、（ｉｉ）第ｋ変造ロス、及び（ｉｉｉ）前記（ｉ）と前記（ｉｉ）との総和の中でいずれか一つであってもよいが、本発明の範囲がこれに限定されない。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００はトレーニングデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させるようにする。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたトレーニングデータを第１適応ＧＴとして獲得することができるし、第１特徴適応データを第１適応レファレンスとして獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
また、第２学習装置１００は、（ｉ）第１特徴適応データである第１_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第１_１特徴適応データに対して適用して第１_１適応特性情報を出力させるプロセス、及び（ｉｉ）学習用第１_１特性情報と第１_１適応特性情報との間の差または学習用第２_１特性情報と第１_１適応特性情報との間の差を参照して算出された、第１_１適応エラーが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。そして、第２学習装置１００は、トレーニングデータを第（ｋ‐１）学習された適応ネットワークＡに入力することで、第（ｋ‐１）学習された適応ネットワークＡをもって第１_ｋ特徴適応データを生成させることができるし、第１_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって第１_ｋ特徴適応データに対してラーニング演算を適用して第１_ｋ適応特性情報を生成させることができる。以後、第２学習装置１００は、学習用第１_ｋ特性情報と第１_ｋ適応特性情報との間の差または学習用第２_ｋ特性情報と第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように、第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにするプロセスを遂行することができる。
このとき、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。または、（ｉ）（ｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、（ｉ）第１特徴適応データである第１_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第１_１特徴適応データに対して適用して第１_１適応特性情報を出力させるプロセス、及び（ｉｉ）（ｉｉ‐１）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。そして、第２学習装置１００は、トレーニングデータを第（ｋ‐１）学習された適応ネットワークＡに入力することで、第（ｋ‐１）学習された適応ネットワークＡをもって第１_ｋ特徴適応データを生成させることができるし、第１_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって第１_ｋ特徴適応データに対してラーニング演算を適用して第１_ｋ適応特性情報を生成させることができるし、第１_ｋ適応特性情報を参照して生成された第１_ｋ適応タスク特定出力とトレーニングデータＧＴとを参照して算出された第１_ｋ適応ロスが最小化されるように、第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにすることができる。
他の例として、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００はテストデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または他の装置である。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力して学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、及び（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出された、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたテストデータを第２適応ＧＴとして獲得することができるし、第２特徴適応データを第２適応レファレンスとして獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
また、第２学習装置１００は、変造されたテストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を変造されたテストデータに対して適用して（ｉｉ）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報それぞれを出力するようにしたり、テストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれをもってテストデータに対してラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を出力させることができる。そして、第２学習装置１００は、（ｉ）第２特徴適応データである第２_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第２_１特徴適応データに対して適用して第２_１適応特性情報を出力させるプロセス、及び（ｉｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差またはテスト用第２_１特性情報と第２_１適応特性情報との間の差を参照して算出された、第２_１適応エラーが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。また、第２学習装置は、テストデータを第（ｋ‐１）学習された適応ネットワークＡに入力することで、第（ｋ‐１）学習された適応ネットワークＡをもって第２_ｋ特徴適応データを生成させることができるし、第２_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって第２_ｋ特徴適応データに対してラーニング演算を適用して第２_ｋ適応特性情報を生成させることができる。以後、第２学習装置１００は、テスト用第１_ｋ特性情報と第２_ｋ適応特性情報との間の差またはテスト用第２_ｋ特性情報と第２_ｋ適応特性情報との間の差を参照して算出された、第２_ｋ適応エラーが最小化されるように、第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるように学習するプロセスを遂行することができる。
このとき、（ｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないしテスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されたり、（ｉｉ）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないしテスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、（ｉ）第２特徴適応データである第２_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第２_１特徴適応データに対して適用して第２_１適応特性情報を出力させるプロセス、及び（ｉｉ）第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された第２_１適応ロスが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。また、第２学習装置は、テストデータを第（ｋ‐１）学習された適応ネットワークＡに入力することで、第（ｋ‐１）学習された適応ネットワークＡをもって第２_ｋ特徴適応データを生成するようにし、第２_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって第２_ｋ特徴適応データに対してラーニング演算を適用して第２_ｋ適応特性情報を生成させる。以後、第２学習装置１００は、第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力とテストデータＧＴとを参照して算出された第２_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるように学習するプロセスを遂行することができる。
図４は本発明の他の実施例によって原本データをコンシーリング（例：非識別化）処理することができる変造ネットワークに対応される適応ネットワークを学習する方法を簡略に示したものである。以下の説明では、前記図２と図３の説明から容易に理解できる部分に対しては詳細な説明を省略する。
先ず、第１学習装置を利用して原本データをコンシーリング処理する変造ネットワークＯを学習する方法を説明する。
トレーニングデータが獲得されると、第１学習装置は、トレーニングデータを変造ネットワークＯに入力することで、変造ネットワークＯをもってトレーニングデータを変造して、変造されたトレーニングデータを生成させるようにする。
そして、第１学習装置は、（ｉ）変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって（ｉ‐１）変造されたトレーニングデータに対して学習されたパラメータを利用したネットワーク演算を適用して（ｉ‐２）変造されたトレーニングデータに対応する学習用第１特性情報を生成させ、（ｉｉ）トレーニングデータをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって（ｉｉ‐１）トレーニングデータに対して学習されたパラメータを利用したネットワーク演算を適用して（ｉｉ‐２）トレーニングデータに対応する学習用第２特性情報を生成させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。
以後、入力されるデータが本物か否かを判別する判別機（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）（Ｄ）に入力された、変造されたトレーニングデータに対応される少なくとも一つの変造されたトレーニングデータスコアを第２エラーとして獲得した状態で、第１学習装置は、（ｉ）第１エラーを最小化して第２エラーを最大化するように変造ネットワークＯを学習することができるし、（ｉｉ）判別機Ｄに入力された変換トレーニングデータまたは変換変造されたトレーニングデータに対応される変換トレーニングデータスコアまたは変換変造されたトレーニングデータスコアの中で少なくとも一つを最大化して変造されたトレーニングデータスコアを最小化するように判別機Ｄを学習することができる。このとき、変換トレーニングデータまたは変換変造されたトレーニングデータは、トレーニングデータまたは変造されたトレーニングデータに対してランダムノイズ生成ネットワーク（未図示）を通じて生成された少なくとも一つのランダムノイズを追加してそれぞれ生成されることができる。一例として、ランダムノイズ生成ネットワークは正規分布Ｎ（０、σ）を持つランダムノイズを生成させることができるし、生成されたノイズをトレーニングデータまたは変造されたトレーニングデータに追加して変換トレーニングデータを生成することができる。また、変換トレーニングデータまたは変換変造されたトレーニングデータは、ランダムノイズ以外にもトレーニングデータまたは変造されたトレーニングデータをブラー（Ｂｌｕｒ）処理したり、トレーニングデータまたは変造されたトレーニングデータの解像度を変更してそれぞれ生成されることができるが、本発明の範囲はこれに限定されず、トレーニングデータまたは変造されたトレーニングデータを変換する多様な方法が適用されることができる。
すなわち、第１学習装置は、変造ネットワークＯを学習するにあたり、第１エラーを利用してラーニングネットワークＦがトレーニングデータを変造してトレーニングデータと同一または類似に認識されるように変造されたトレーニングデータを出力するようにし、第２エラーを利用してラーニングネットワークＦがトレーニングデータとは異なるが、トレーニングデータとの区別が難しい変造されたトレーニングデータを出力させることができる。
このとき、判別機Ｄに入力された変換トレーニングデータまたは変換変造されたトレーニングデータに対応される変換トレーニングデータスコアまたは変換変造されたトレーニングデータスコアの最大値は、変換トレーニングデータまたは変換変造されたトレーニングデータを本物のデータとして判別する１であり、判別機Ｄに入力された変造されたトレーニングデータに対応される変造されたトレーニングデータスコアの最小値は、変造されたトレーニングデータをにせ物データとして判別する０である。すなわち、判別機Ｄは変造されたトレーニングデータを変換トレーニングデータまたは変換変造されたトレーニングデータとして認識するように学習されることができる。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００は、トレーニングデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるかか、または異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたトレーニングデータを第１適応ＧＴとして獲得することができるし、第１特徴適応データを第１適応レファレンスとして獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
一方、第２学習装置１００は、（ｉ）第１特徴適応データをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって第１特徴適応データに対して学習されたパラメータを利用したラーニング演算を適用して、第１特徴適応データに対応される第１適応特性情報を第１適応レファレンスとして出力させるプロセス、及び（ｉｉ）（ｉｉ‐１）学習用第１特性情報と第１適応特性情報との間の差を参照したり、（ｉｉ‐２）学習用第２特性情報と第１適応特性情報との間の差を参照して第１適応エラーを獲得するプロセスを遂行することができる。
また、第２学習装置１００は、（ｉ）第１適応特性情報を利用して生成された、第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）トレーニングデータＧＴとを参照して算出された第１適応ロスをさらに参照して、第１適応エラーを獲得することができる。
このとき、第１適応タスク特定出力は、ラーニングネットワークＦが遂行しようとするタスクに対する出力であって、クラス分類のためのクラスに対する確率、位置検出のためのリグレッションによる座標値などラーニングネットワークＦの学習されたタスクによる多様な結果値を持つことができるし、活性化ユニットの活性化関数がラーニングネットワークＦから出力される第１適応特性情報に適用され、ラーニングネットワークＦで遂行しようとするタスクによる第１適応タスク特定出力を生成することができる。
これに加え、第２学習装置１００は、（ｉ）（ｉ‐１）学習用第１特性情報と第１適応特性情報との間の差または（ｉ‐２）学習用第２特性情報と第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）第１適応特性情報を利用して生成された、第１特徴適応データに対応される第１適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された第１適応ロスを参照して、第１適応エラーを獲得することができる。
他の例として、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００は、テストデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させることができる。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力して学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、及び（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出された、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたテストデータを第２適応ＧＴとして獲得することができるし、第２特徴適応データを第２適応レファレンスとして獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
一方、第２学習装置１００は、第２特徴適応データをラーニングネットワークＦに入力することで、ラーニングネットワークＦをもって第２特徴適応データに対して学習されたパラメータを利用したラーニング演算を適用して第２特徴適応データに対応される第２適応特性情報を第２適応レファレンスとして出力させることができる。そして、変造されたテストデータをラーニングネットワークＦに入力してテスト用第１特性情報を生成した後、テスト用第１特性情報と第２適応特性情報との間の差を参照して第２適応エラーを算出したり、テストデータをラーニングネットワークＦに入力してテスト用第２特性情報を生成した後、テスト用第２特性情報と第２適応特性情報との間の差を参照して第２適応エラーを算出することができる。
また、第２学習装置１００は、（ｉ）第２適応特性情報を利用して生成された、第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）テストデータＧＴとを参照して算出された第２適応ロスをさらに参照して、第２適応エラーを獲得することができる。
このとき、第２適応タスク特定出力は、ラーニングネットワークＦが遂行しようとするタスクに対する出力であって、クラス分類のためのクラスに対する確率、位置検出のためのリグレッションによる座標値などラーニングネットワークＦの学習されたタスクによる多様な結果値を持つことができるし、活性化ユニットの活性化関数がラーニングネットワークＦから出力される第２適応特性情報に適用され、ラーニングネットワークＦで遂行しようとするタスクによる第２適応タスク特定出力を生成することができる。
これに加え、第２学習装置１００は、（ｉ）（ｉ‐１）テスト用第１特性情報と第２適応特性情報との間の差または（ｉ‐２）テスト用第２特性情報と第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）第２適応特性情報を利用して生成された、第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）テストデータに対応されるテストデータＧＴとを参照して算出された第２適応ロスを参照して第２適応エラーを獲得することができる。
図５は本発明の他の実施例によって原本データをコンシーリング（例：非識別化）処理することができる変造ネットワークに対応される適応ネットワークを学習する他の方法を簡略に示したもので、図４におけるラーニングネットワークＦを予め学習されたパラメータを持つ多数のラーニングネットワーク（Ｆ１、Ｆ２、…、Ｆｎ）で構成したものである。下記説明では前記図２ないし図４の説明で容易に理解できる部分に対しては詳細な説明を省略する。
先ず、第１学習装置を利用して原本データをコンシーリング（例：非識別化）処理する変造ネットワークＯを学習させる方法を説明する。
トレーニングデータが獲得されると、第１学習装置は、トレーニングデータを変造ネットワークＯに入力することで、変造ネットワークＯをもってトレーニングデータを変造して変造されたトレーニングデータを生成させることができる。
そして、第１学習装置は、変造されたトレーニングデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するネットワーク演算を変造されたトレーニングデータに対して適用して（ｉｉ）変造されたトレーニングデータに対応する学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させることができる。また、第１学習装置は、トレーニングデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するネットワーク演算をトレーニングデータに対して適用して（ｉｉ）トレーニングデータに対応する学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させることができる。
以後、第１学習装置は、学習用第１_１特性情報と学習用第２_１特性情報とを参照して算出された第１_１エラーないし学習用第１_ｎ特性情報と学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計である第１エラーを獲得してこの第１エラーを最小化するようにし、判別機Ｄに入力された変造されたトレーニングデータに対応される変造されたトレーニングデータスコアである第２エラーを最大化するように変造ネットワークＯを学習することができるし、判別機Ｄに入力された変換トレーニングデータまたは変換変造されたトレーニングデータに対応される変換トレーニングデータスコアまたは変換変造されたトレーニングデータスコアを最大化するようにし、変造されたトレーニングデータスコアを最小化するように判別機Ｄを学習することができる。
一例として、第１学習装置は、（ｉ）学習用第１_１特性情報と学習用第２_１特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して生成された第１変造ロスの中で少なくとも一つを参照して算出された第１_１エラーを獲得し、（ｉ）学習用第１_ｎ特性情報と学習用第２_ｎ特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して生成された第ｎ変造ロスの中で少なくとも一つを参照して算出された第１_ｎエラーを獲得することで、第１_１エラーないし第１_ｎエラーを獲得することができる。
すなわち、第１_ｎエラーは、（ｉ）学習用第１_ｎ特性情報と学習用第２_ｎ特性情報との間の差、（ｉｉ）（ｉｉ‐１）学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された第ｎ変造ロス、及び（ｉｉｉ）前記（ｉ）と前記（ｉｉ）との総和の中でいずれか一つであることができるが、本発明の範囲がこれに限定されものではない。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００は、トレーニングデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯで生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された第１適応エラーが最小化されるように、適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたトレーニングデータを第１適応ＧＴとして獲得することができるし、第１特徴適応データを第１適応レファレンスとして獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
また、第２学習装置１００は、第１特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第１特徴適応データに対して適用して（ｉｉ）第１_１適応特性情報ないし第１_ｎ適応特性情報のそれぞれを出力させることができる。そして、第２学習装置１００は、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれを加重和したり、（ｉｉ）（ｉｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差を加重和したりして、第１適応エラーを獲得することができる。
このとき、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。または（ｉ）（ｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、第１特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータを利用した、これに対応するラーニング演算を第１特徴適応データに対して適用して（ｉｉ）第１_１適応特性情報ないし第１_ｎ適応特性情報のそれぞれを出力させることができる。そして、（ｉ）（ｉ‐１）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ）（ｉｉ‐１）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスを加重和して、第１適応エラーを算出することができる。
これとは違って、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００はテストデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力して学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、及び（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出された、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、変造されたテストデータを第２適応ＧＴとして獲得することができるし、第２特徴適応データを第２適応レファレンスとして獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
また、第２学習装置１００は、第２特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第２特徴適応データに対して適用して（ｉｉ）第２_１適応特性情報ないし第２_ｎ適応特性情報を出力させることができる。また、第２学習装置１００は、（ｉ）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、変造されたテストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力してそれぞれ生成される場合は、（ｉ‐１）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないし（ｉ‐２）テスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差を加重和したり、（ｉｉ）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、テストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力してそれぞれ生成される場合は、（ｉｉ‐１）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないし（ｉｉ‐２）テスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差を加重和して第２適応エラーを獲得することができる。
このとき、（ｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないしテスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができたり、（ｉｉ）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないしテスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、第２特徴適応データを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を第２特徴適応データに対して適用して（ｉｉ）第２_１適応特性情報ないし第２_ｎ適応特性情報のそれぞれを出力させることができる。また、（ｉ）（ｉ‐１）第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と（ｉ‐２）テストデータＧＴとを参照して算出された、第２_１適応ロスないし（ｉｉ）（ｉｉ‐１）第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と（ｉｉ‐２）テストデータＧＴとを参照して算出された、第２_ｎ適応ロスを加重和して第２適応エラーを獲得することができる。
一方、学習用第１_１特性情報と学習用第２_１特性情報とを参照して算出された第１_１エラーないし学習用第１_ｎ特性情報と学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計である第１エラーを獲得してこの第１エラーを最小化するようにし、判別機に入力された変造されたトレーニングデータに対応される変造されたトレーニングデータスコアである第２エラーを最大化するように、変造ネットワークＯを学習することができる。しかし、第１_１エラーないし第１_ｎエラーのそれぞれを利用して変造ネットワークＯを順次学習することもできる。
すなわち、第１学習装置は、トレーニングデータを変造ネットワークＯに入力することで、変造ネットワークＯをもってトレーニングデータを変造して第１変造されたトレーニングデータを生成させる。そして、第１学習装置は、（ｉ）第１変造されたトレーニングデータを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって（ｉ‐１）第１ラーニングネットワークＦ１の第１学習されたパラメータを利用したネットワーク演算を第１変造されたトレーニングデータに対して適用して（ｉ‐２）第１変造されたトレーニングデータに対応する学習用第１_１特性情報を出力させるプロセス、（ｉｉ）トレーニングデータを第１ラーニングネットワークＦ１に入力することで、（ｉｉｉ）第１ラーニングネットワークＦ１をもって（ｉｉｉ‐１）第１学習されたパラメータを利用したネットワーク演算をトレーニングデータに対して適用して（ｉｉｉ‐２）トレーニングデータに対応する学習用第２_１特性情報を出力させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。以後、第１学習装置は、第１_１特性情報と第２_１特性情報とを参照して算出された少なくとも一つの第１_１エラーを最小化するようにし、判別機Ｄに入力された第１変造されたトレーニングデータに対応される少なくとも一つの第１変造されたトレーニングデータスコアである少なくとも一つの第２_１エラーを最大化するように変造ネットワークＯを学習することで、変造ネットワークＯが第１学習された変造ネットワークＯになるようにすることができる。また、第１学習装置は、判別機Ｄに入力された変換トレーニングデータまたは変換変造されたトレーニングデータに対応される少なくとも一つの第１変換トレーニングデータスコアまたは少なくとも一つの第１変換変造されたトレーニングデータスコアが最大化されるようにし、少なくとも一つの第１変造されたトレーニングデータスコアが最小化されるように判別機Ｄを学習することで、判別機Ｄが第１学習された判別機Ｄになるようにすることができる。
そして、定数のｋを２からｎまで増加させながら、第１学習装置は、前記プロセスを繰り返して第ｎラーニングネットワークＦｎまで遂行することで第ｎ学習された変造ネットワークＯを獲得することができる。
すなわち、第１学習装置は、トレーニングデータを第（ｋ‐１）学習された変造ネットワークＯに入力することで、第（ｋ‐１）変造ネットワークＯをもってトレーニングデータを変造して第ｋ変造されたトレーニングデータを生成させることができる。そして、第１学習装置は、（ｉ）第ｋ変造されたトレーニングデータを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって（ｉ‐１）第ｋラーニングネットワークＦｋの第ｋ学習されたパラメータを利用したネットワーク演算を第ｋ変造されたトレーニングデータに対して適用して（ｉ‐２）第ｋ変造されたトレーニングデータに対応する学習用第１_ｋ特性情報を出力させるプロセス、及び（ｉｉ）トレーニングデータを第ｋラーニングネットワークＦｋに入力することで、第ｋラーニングネットワークＦｋをもって（ｉｉ‐１）第ｋ学習されたパラメータを利用したネットワーク演算をトレーニングデータに対して適用して（ｉｉ‐２）トレーニングデータに対応する学習用第２_ｋ特性情報を出力させるプロセスを遂行したり、他の装置をもって遂行するように支援することができる。以後、第１学習装置は、学習用第１_ｋ特性情報と学習用第２_ｋ特性情報とを参照して算出された少なくとも一つの第１_ｋエラーを最小化するようにし、第（ｋ‐１）学習された判別機Ｄに入力された第ｋ変造されたトレーニングデータに対応される少なくとも一つの第ｋ変造されたトレーニングデータスコアである第２_ｋエラーを最大化するように、第（ｋ‐１）学習された変造ネットワークＯを学習することで、第（ｋ‐１）学習された変造ネットワークＯが第ｋ学習された変造ネットワークＯになるようにすることができる。また、第１学習装置は、第（ｋ‐１）学習された判別機Ｄに入力された変換トレーニングデータまたは変換変造されたトレーニングデータに対応される少なくとも一つの第ｋ変換トレーニングデータスコアまたは少なくとも一つの第ｋ変換変造されたトレーニングデータスコアが最大化されるようにし、少なくとも一つの第ｋ変造されたトレーニングデータスコアが最小化されるように第（ｋ‐１）学習された判別機Ｄを学習することで、第（ｋ‐１）学習された判別機Ｄが第ｋ学習された判別機Ｄになるようにすることができる。
このとき、第１_ｋエラーは、（ｉ）学習用第１_ｋ特性情報を利用して生成された、第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得した、第ｋ変造ロスをさらに参照して算出されることができる。
また、第１_ｋエラーは、（ｉ）学習用第１_ｋ特性情報と学習用第２_ｋ特性情報との間の差、（ｉｉ）第ｋ変造ロス、及び（ｉｉｉ）前記（ｉ）と前記（ｉｉ）との総和の中でいずれか一つであるが、本発明の範囲がこれに限定されるものではない。
次に、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習されている状態で、第２学習装置１００はトレーニングデータを適応ネットワークＡに入力することで、適応ネットワークＡをもってトレーニングデータを適応するようにして第１特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、変造ネットワークＯによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、第１適応ＧＴに変造されたトレーニングデータを獲得することができるし、第１適応レファレンスとして第１特徴適応データを獲得することができるし、変造されたトレーニングデータと第１特徴適応データとの間の差を参照して第１適応エラーを獲得することができる。
また、第２学習装置１００は、（ｉ）第１特徴適応データである第１_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第１_１特徴適応データに対して適用して第１_１適応特性情報を出力させるプロセス、及び（ｉｉ）学習用第１_１特性情報と第１_１適応特性情報との間の差または学習用第２_１特性情報と第１_１適応特性情報との間の差を参照して算出された第１_１適応エラーが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。そして、第２学習装置１００は、トレーニングデータを第（ｋ‐１）学習された適応ネットワークＡに入力して第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、第１_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力して第ｋラーニングネットワークＦｋをもって第１_ｋ特徴適応データに対してラーニング演算を適用して第１_ｋ適応特性情報を生成させることができる。以後、第２学習装置１００は、学習用第１_ｋ特性情報と第１_ｋ適応特性情報との間の差または学習用第２_ｋ特性情報と第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにするプロセスを遂行することができる。
このとき、（ｉ）（ｉ‐１）学習用第１_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第１_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。または、（ｉ）（ｉ‐１）学習用第２_１特性情報と第１_１適応特性情報との間の差ないし（ｉ‐２）学習用第２_ｎ特性情報と第１_ｎ適応特性情報との間の差のそれぞれは、（ｉｉ）（ｉｉ‐１）（ｉｉ‐１ａ）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐１ｂ）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスないし（ｉｉ‐２）（ｉｉ‐２ａ）第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と（ｉｉ‐２ｂ）トレーニングデータＧＴとを参照して算出された、第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されることができる。
これに加え、第２学習装置１００は、（ｉ）第１特徴適応データである第１_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第１_１特徴適応データに対して適用して、第１_１適応特性情報を出力させるプロセス、及び（ｉｉ）（ｉｉ‐１）第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と（ｉｉ‐２）トレーニングデータＧＴとを参照して算出された、第１_１適応ロスが最小化されるように適応ネットワークＡを学習することで、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。そして、第２学習装置１００は、トレーニングデータを第（ｋ‐１）学習された適応ネットワークＡに入力して第（ｋ‐１）学習された適応ネットワークＡをもって第１_ｋ特徴適応データを生成させ、第１_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力して第ｋラーニングネットワークＦｋをもって第１_ｋ特徴適応データに対してラーニング演算を適用して第１_ｋ適応特性情報を生成させ、第１_ｋ適応特性情報を利用して生成された第１_ｋ適応タスク特定出力とトレーニングデータＧＴとを参照して算出された、第１_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークＡを学習することで第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにすることができる。
これとは違って、前記プロセスを利用して第１学習装置によって変造ネットワークＯが学習された状態で、第２学習装置１００は、テストデータを適応ネットワークＡに入力して適応ネットワークＡをもってテストデータを適応するようにして第２特徴適応データを生成させることができる。このとき、第１学習装置と第２学習装置１００は同一な装置であるか、または異なる装置である。
そして、第２学習装置１００は、テストデータを学習された変造ネットワークＯに入力して学習された変造ネットワークＯをもって変造されたテストデータを生成させるプロセス、変造されたテストデータに対応される第２適応ＧＴを獲得するプロセス、（１）第２適応ＧＴと（２）第２特徴適応データに対応される第２適応レファレンスとを参照して算出された、第２適応エラーが最小化されるように適応ネットワークＡを学習するプロセスを遂行することができる。
このとき、第２学習装置１００は、第２適応ＧＴに変造されたテストデータを獲得することができるし、第２適応レファレンスで第２特徴適応データを獲得することができるし、変造されたテストデータと第２特徴適応データとの間の差を参照して第２適応エラーを獲得することができる。
また、第２学習装置１００は、変造されたテストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎのそれぞれに入力することで、第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもって（ｉ）第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれの第１学習されたパラメータないし第ｎ学習されたパラメータをそれぞれ利用した、これに対応するラーニング演算を変造されたテストデータに対して適用して、（ｉｉ）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報のそれぞれを出力するようにしたり、テストデータを第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎに入力して第１ラーニングネットワークＦ１ないし第ｎラーニングネットワークＦｎそれぞれをもってテストデータに対してラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を出力させることができる。そして、第２学習装置１００は、（ｉ）第２特徴適応データである第２_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第２_１特徴適応データに対して適用して第２_１適応特性情報を出力させるプロセス、及び（ｉｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差またはテスト用第２_１特性情報と第２_１適応特性情報との間の差を参照して算出された第２_１適応エラーが最小化されるように適応ネットワークＡを学習して、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。また、第２学習装置は、テストデータを第（ｋ‐１）学習された適応ネットワークＡに入力して第（ｋ‐１）学習された適応ネットワークＡをもって第２_ｋ特徴適応データを生成させ、第２_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力して第ｋラーニングネットワークＦｋをもって第２_ｋ特徴適応データに対してラーニング演算を適用して第２_ｋ適応特性情報を生成させることができる。以後、第２学習装置１００は、テスト用第１_ｋ特性情報と第２_ｋ適応特性情報との間の差またはテスト用第２_ｋ特性情報と第２_ｋ適応特性情報との間の差を参照して算出された第２_ｋ適応エラーが最小化されるように、第（ｋ‐１）学習された適応ネットワークＡを学習して第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにするプロセスを遂行することができる。
このとき、（ｉ）テスト用第１_１特性情報と第２_１適応特性情報との間の差ないしテスト用第１_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_ｎ適応ロスのそれぞれをさらに参照して決定されることができるか、または（ｉｉ）テスト用第２_１特性情報と第２_１適応特性情報との間の差ないしテスト用第２_ｎ特性情報と第２_ｎ適応特性情報との間の差のそれぞれは、第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_１適応ロスないし第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_ｎ適応ロスのそれぞれをさらに参照して決定されることができる。
これに加え、第２学習装置１００は、（ｉ）第２特徴適応データである第２_１特徴適応データを第１ラーニングネットワークＦ１に入力することで、第１ラーニングネットワークＦ１をもって第１学習されたパラメータを利用したラーニング演算を第２_１特徴適応データに対して適用して第２_１適応特性情報を出力させるプロセス、及び（ｉｉ）第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_１適応ロスが最小化されるように適応ネットワークＡを学習して、適応ネットワークＡが第１学習された適応ネットワークＡになるようにするプロセスを遂行することができる。また、第２学習装置は、テストデータを第（ｋ‐１）学習された適応ネットワークＡに入力して第（ｋ‐１）学習された適応ネットワークＡをもって第２_ｋ特徴適応データを生成させることができるし、第２_ｋ特徴適応データを第ｋラーニングネットワークＦｋに入力して第ｋラーニングネットワークＦｋをもって第２_ｋ特徴適応データに対してラーニング演算を適用して第２_ｋ適応特性情報を生成させることができる。以後、第２学習装置１００は、第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力とテストデータＧＴとを参照して算出された、第２_ｋ適応ロスが最小化されるように、第（ｋ‐１）学習された適応ネットワークＡを学習することで、第（ｋ‐１）学習された適応ネットワークＡが第ｋ学習された適応ネットワークＡになるようにするプロセスを遂行することができる。
図６は本発明の一実施例によって学習された適応ネットワークＡをテストするテスト装置を簡略に示したものである。
図６を参照すれば、本発明の一実施例によるテスト装置２００は、ラーニングネットワークで変造データを利用して算出された結果が入力データを利用して算出された結果と同一又は類似するように少なくとも一つの入力データを変造することができる変造ネットワークと他のアーキテクチャを持つが、変造ネットワークの入力と出力のフォーマットは同一のマシンラーニングモデルである適応ネットワークをテストするためのインストラクションが格納されたメモリー２１０と、メモリー２１０に格納されたインストラクションによって変造ネットワークを学習する動作を遂行するプロセッサ２２０を含むことができる。
具体的に、テスト装置２００は、少なくとも一つのコンピューティング装置（例えば、コンピュータプロセッサ、メモリー、ストーレジ、入力装置、出力装置またはその他既存のコンピューティング装置の構成要素）；ルーター、スイッチなどのような電子通信装置；ネットワーク付きストーレジ（ＮＡＳ）及びストーレジ領域ネットワーク（ＳＡＮ）のような電子情報ストーレジシステム）と少なくとも一つのコンピュータソフトウェア（すなわち、コンピューティング装置をもって特定方式で機能させるインストラクション）の組み合わせを利用して所望のシステム性能を一般的に達成することができる。
また、コンピューティング装置のプロセッサはＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）またはＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、キャッシュメモリー（Ｃａｃｈｅ Ｍｅｍｏｒｙ）、データバス（Ｄａｔａ Ｂｕｓ）などのハードウェア構成を含むことができる。また、コンピューティング装置は、運営体制、特定目的を達成するアプリケーションのソフトウェア構成をさらに含むこともできる。
しかし、コンピューティング装置が本発明を実施するためのプロセッサ、メモリー、ミディアムまたは他のコンピューティング要素の任意の組み合わせを含む統合装置を排除することではない。
一方、テスト装置２００は次のような方法を利用して学習された適応ネットワークをテストすることができる。
先ず、適応ネットワークは図２ないし図５で説明した方法によって学習された状態である。
すなわち、第１学習装置は、（ｉ）変造ネットワークにトレーニングデータが入力されると、変造ネットワークをもってトレーニングデータを変造するようにし、変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワークに入力して、ラーニングネットワークをもって変造されたトレーニングデータに対して学習されたパラメータを利用したラーニング演算を適用して学習用第１特性情報を生成させ、（ｉｉ‐２）トレーニングデータをラーニングネットワークに入力して、ラーニングネットワークをもってトレーニングデータに対して学習されたパラメータを利用したラーニング演算を適用して学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）学習用第１特性情報と学習用第２特性情報を参照して算出された第１エラーが最小化され、トレーニングデータと変造されたトレーニングデータを参照して算出された第２エラーが最大化されるように、変造ネットワークを学習するプロセスを遂行したか、または遂行する状態である。
以後、第２学習装置が（ｉ）トレーニングデータを適応ネットワークに入力することで、適応ネットワークをもってトレーニングデータを適応するようにして第１特徴適応トレーニングデータを生成させるプロセス、または（ｉｉ）第１テストデータを適応ネットワークに入力することで適応ネットワークをもってテストデータを適応するようにして第２特徴適応トレーニングデータを生成させるプロセスを遂行することができるし、（ｉｉｉ）変造ネットワークによって生成された、変造されたトレーニングデータに対応される第１適応ＧＴを獲得し、（１）第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンスとを参照して算出された、第１適応エラーが最小化されるように適応ネットワークを学習するプロセス、または（ｉｖ）テストデータを学習された変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと第２特徴適応トレーニングデータに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように適応ネットワークを学習するプロセスを遂行することができる。
次に、第２テストデータが獲得されると、テスト装置２００は、前記第２テストデータを前記学習された適応ネットワークに入力することで、前記学習された適応ネットワークをもって前記第２テストデータを適応するようにして特徴適応テストデータを生成させるプロセス、及び前記特徴適応テストデータを前記第２テストデータのコンシーリング処理されたデータとして獲得するプロセスを遂行することができる。
このとき、第２テストデータは第１テストデータと同一であるか、または異なるデータである。すなわち、第１テストデータは学習された変造ネットワークをテストするために使われることができるし、第２テストデータは学習された適応ネットワークをテストするために使われることができる。
一方、本発明の実施例によって学習された適応ネットワークは多様なコンピュータ構成要素を通じて実行されることができるプログラム命令語の形態で具現され、コンピュータ読み取り可能な記録媒体に記録されて提供されることができる。本発明の一実施例によると、購入者は記録媒体に記録されたプログラム命令語をコンピューティング装置を利用して実行することで、自分が別途保有したり、他の出処または経路から獲得された原本データからコンシーリング処理と類似にに適応処理されたデータを生成することができるし、適応処理されたデータを自分のラーニングネットワークで利用することができる。
一方、本発明の一実施例によると、学習された適応ネットワークは多様なコンピュータ構成要素を通じて実行されることができるプログラム命令語の形態で具現した場合、正確度が高く設定されて購入者のコンピューティング装置でコンピューティングオーバーヘッド（Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｏｖｅｒｈｅａｄ）を発生させる変造ネットワークとは違って、コンピューティングリソースを少なく使うように具現されてコンピューティングオーバーヘッドを防ぐことができる。
以上、説明された本発明による実施例は、多様なコンピュータ構成要素を通じて遂行できるプログラム命令語の形態で具現され、コンピュータの読み取り可能な記録媒体に記録されることができる。前記コンピュータの読み取り可能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。前記コンピュータの読み取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別設計されて構成されたものであるか、またはコンピュータソフトウェア分野の当業者に公知されて使用可能なものであってもよい。コンピュータの読み取り可能な記録媒体の例には、ハードディスク、フロッピーディスク及び磁気テープのような磁気媒体、ＣＤ‐ＲＯＭ、ＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌ ｄｉｓｋ）のような磁気‐光媒体（ｍａｇｎｅｔｏ‐ｏｐｔｉｃａｌ ｍｅｄｉａ）、及びＲＯＭ、ＲＡＭ、フラッシュメモリなどのようなプログラム命令語を格納して遂行するように特別構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作われるもののような機械語コードのみならず、インタプリタなどを使用してコンピュータによって実行されることができる高級言語コードも含まれる。前記ハードウェア装置は、本発明による処理を行うために一つ以上のソフトウェアモジュールとして作動するように構成されることができるし、その逆も同様である。
以上、本発明が具体的な構成要素などのような特定事項と、限定された実施例及び図面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたものに過ぎず、本発明が前記実施例に限定されるものではなく、本発明が属する技術分野における通常の知識を有する者であれば、このような記載から多様な修正及び変形を図ることができる。
したがって、本発明の思想は前記説明された実施例に限って決まってはならず、後述する特許請求の範囲だけでなく、この特許請求の範囲と均等に、または等価的に変形された全てのものは本発明の思想の範疇に属するものとする。
１００：学習装置、
１１０：メモリー、
１２０：プロセッサ、
２００：テスト装置、
２１０：メモリー、
２２０：プロセッサ

Claims (22)

  1. 個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する方法において、
    （ａ）第１学習装置は、（ｉ）前記変造ネットワークにトレーニングデータが入力されると、前記変造ネットワークをもって前記トレーニングデータを変造するようにして変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用することで学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用することで学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、第２学習装置が前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応データ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｄａｔａ）を生成させるプロセス、及びテストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応データを生成させるプロセスを遂行する段階；及び
    （ｂ）前記第２学習装置は、（ｉ）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス、及び（ｉｉ）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応データに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行する段階；
    を含む方法。
  2. 前記第２学習装置が（ｉ）（ｉ‐１）前記第１特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって、前記第１特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第１特徴適応データに対応される第１適応特性情報を前記第１適応レファレンスとして出力させ、（ｉ‐２）前記学習用第１特性情報と前記第１適応特性情報との間の差及び前記学習用第２特性情報と前記第１適応特性情報との間の差の中で一つを参照して前記第１適応エラーを獲得するプロセス、及び（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第２特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第２特徴適応データに対応される第２適応特性情報を前記第２適応レファレンスとして出力させ、（ｉｉ‐２）（ｉｉ‐２ａ）前記変造されたテストデータを前記ラーニングネットワークに入力して生成されたテスト用第１特性情報と前記第２適応特性情報との間の差及び（ｉｉ‐２ｂ）前記テストデータを前記ラーニングネットワークに入力して生成されたテスト用第２特性情報と前記第２適応特性情報との間の差の中で一つを参照して前記第２適応エラーを獲得するプロセスの中で一つを遂行する請求項１に記載の方法。
  3. 前記第１エラーは、（ｉ）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを利用して算出され、
    前記第１適応エラーは、（ｉ）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）前記トレーニングデータＧＴとを参照して算出され、
    前記第２適応エラーは、（ｉ）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロス（Ａｄａｐｔｉｏｎ Ｌｏｓｓ）を利用して算出される請求項２に記載の方法。
  4. 前記第１エラーは、（ｉ）前記学習用第１特性情報と前記学習用第２特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力と（ｉｉ‐２）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを参照して算出され、
    前記第１適応エラーは、（ｉ）前記学習用第１特性情報と前記第１適応特性情報との間の差または前記学習用第２特性情報と前記第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１適応ロスを参照して算出され、
    前記第２適応エラーは、（ｉ）前記テスト用第１特性情報と前記第２適応特性情報との間の差または前記テスト用第２特性情報と前記第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロスを参照して算出される請求項２に記載の方法。
  5. 前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置が、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーないし前記学習用第１_ｎ特性情報と前記学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計（Ｗｅｉｇｈｔｅｄ Ｓｕｍ）である前記第１エラーを生成させるプロセス、及び（ｉｖ）前記第１エラーが最小化され、前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、
    前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和して前記第１適応エラーを獲得するプロセス、または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）（１）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力してそれぞれ生成される場合は、前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和して前記第２適応エラーを獲得するプロセス、または（２）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力することでそれぞれ生成される場合は、前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和して前記第２適応エラーを獲得するプロセスを遂行する請求項２に記載の方法。
  6. 前記第１_１エラーないし前記第１_ｎエラーはそれぞれ（ｉ）（ｉ‐１）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉ‐２）前記トレーニングデータに対応するトレーニングデータＧＴとを参照して獲得された第１変造ロスないし（ｉｉ）（ｉｉ‐１）前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第ｎ変造ロスをさらに参照してそれぞれ算出され、
    （ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された前記第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された前記第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、
    （ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセスを遂行する請求項５に記載の方法。
  7. 前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と前記トレーニングデータに対応するトレーニングデータＧＴとを参照して算出された第１変造ロスないし前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と前記トレーニングデータＧＴとを参照して算出された第ｎ変造ロスの加重合計である前記第１エラーを生成するプロセス、及び（ｉｖ）前記第１エラーが最小化されて前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、
    前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスを加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスを加重和して前記第２適応エラーを獲得するプロセスを遂行する請求項２に記載の方法。
  8. 前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように、前記変造ネットワークを学習することで前記変造ネットワークが第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータを第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成させ、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークが第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、
    前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差を参照して算出された第１_１適応エラーが最小化されるように前記適応ネットワークを学習することで、前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記学習用第１_ｋ特性情報と前記第１_ｋ適応特性情報との間の差または前記学習用第２_ｋ特性情報と前記第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで、前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたテストデータに対して前記ラーニング演算を適用してテスト用第１_１特性情報ないしテスト用第１_ｎ特性情報を生成するプロセス、または前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記テストデータに対して前記ラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を生成するプロセスを遂行し、（ｉｉ‐２）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力して前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐３）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差または前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差を参照して算出された第２_１適応エラーが最小化されるように前記適応ネットワークを学習することで前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを前記第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐４）前記テスト用第１_ｋ特性情報と前記第２_ｋ適応特性情報との間の差または前記テスト用第２_ｋ特性情報と前記第２_ｋ適応特性情報との間の差を参照して算出された第２_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する請求項２に記載の方法。
  9. 前記第１_ｋエラーは、（ｉ）前記学習用第１_ｋ特性情報を利用して生成された、前記第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された第ｋ変造ロスをさらに参照して算出され、
    （ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、
    （ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照して決定されるプロセス、または（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセスを遂行する請求項８に記載の方法。
  10. 前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように前記変造ネットワークを学習することで、前記変造ネットワークをもって第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータが第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成し、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークをもって前記第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、
    前記第２学習装置は、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータに対応するトレーニングデータＧＴとを参照して算出された第１_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記第１_ｋ適応特性情報を利用して生成された第１_ｋ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐３）前記第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する請求項２に記載の方法。
  11. 個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）をテストする方法において、
    （ａ）第１学習装置は、（ｉ）前記変造ネットワークをもって前記変造ネットワークに入力されたトレーニングデータを変造するようにし、変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用して学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行した後または遂行する間、
    第２学習装置が（ｉ）（ｉ‐１）前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応トレーニングデータ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ）を生成させるプロセス、及び（ｉ‐２）第１テストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応トレーニングデータを生成させるプロセスの中で一つ及び（ｉｉ）（ｉｉ‐１）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス及び（ｉｉ‐２）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応トレーニングデータに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行した状態で、テスト装置がコンシーリング処理するための第２テストデータを獲得する段階；及び
    （ｂ）前記テスト装置が、前記第２テストデータを前記適応ネットワークに入力することで、前記適応ネットワークをもって前記第２テストデータを適応するようにして特徴適応テストデータを生成させ、前記特徴適応テストデータを前記第２テストデータのコンシーリング処理されたデータとして獲得する段階；
    を含む方法。
  12. 個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）を学習する第２学習装置において、
    インストラクションを格納する少なくとも一つのメモリー；及び
    （Ｉ）第１学習装置は、（ｉ）前記変造ネットワークにトレーニングデータが入力されると、前記変造ネットワークをもって前記トレーニングデータを変造するようにして変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用することで学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用することで学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応データ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｄａｔａ）を生成させるプロセス、及びテストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応データを生成させるプロセスを遂行するプロセス；及び（ＩＩ）（ｉ）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）前記第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス、及び（ｉｉ）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応データに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行するプロセスを遂行するための前記インストラクションを実行するように構成された少なくとも一つのプロセッサ；
    を含む装置。
  13. 前記プロセッサが、（ｉ）（ｉ‐１）前記第１特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第１特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第１特徴適応データに対応される第１適応特性情報を前記第１適応レファレンスとして出力させ、（ｉ‐２）前記学習用第１特性情報と前記第１適応特性情報との間の差及び前記学習用第２特性情報と前記第１適応特性情報との間の差の中で一つを参照して前記第１適応エラーを獲得するプロセス、及び（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記ラーニングネットワークに入力することで、前記ラーニングネットワークをもって前記第２特徴適応データに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して前記第２特徴適応データに対応される第２適応特性情報を前記第２適応レファレンスとして出力させ、（ｉｉ‐２）（ｉｉ‐２ａ）前記変造されたテストデータを前記ラーニングネットワークに入力して生成されたテスト用第１特性情報と前記第２適応特性情報との間の差及び（ｉｉ‐２ｂ）前記テストデータを前記ラーニングネットワークに入力して生成されたテスト用第２特性情報と前記第２適応特性情報との間の差の中で一つを参照して前記第２適応エラーを獲得するプロセスの中で一つを遂行する請求項１２に記載の装置。
  14. 前記第１エラーは、（ｉ）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力（Ｔａｓｋ Ｓｐｅｃｉｆｉｃ Ｏｕｔｐｕｔ）と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを利用して算出され、
    前記第１適応エラーは（ｉ）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ）前記トレーニングデータＧＴとを参照して算出され、
    前記第２適応エラーは（ｉ）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロス（Ａｄａｐｔｉｏｎ Ｌｏｓｓ）を利用して算出される請求項１３に記載の装置。
  15. 前記第１エラーは、（ｉ）前記学習用第１特性情報と前記学習用第２特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記学習用第１特性情報を利用して生成された、前記変造されたトレーニングデータに対する学習用タスク特定出力と（ｉｉ‐２）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された変造ロスを参照して算出され、
    前記第１適応エラーは、（ｉ）前記学習用第１特性情報と前記第１適応特性情報との間の差または前記学習用第２特性情報と前記第１適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第１適応特性情報を利用して生成された、前記第１特徴適応データに対する第１適応タスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第１適応ロスを参照して算出され、
    前記第２適応エラーは、（ｉ）前記テスト用第１特性情報と前記第２適応特性情報との間の差または前記テスト用第２特性情報と前記第２適応特性情報との間の差、及び（ｉｉ）（ｉｉ‐１）前記第２適応特性情報を利用して生成された、前記第２特徴適応データに対する第２適応タスク特定出力と（ｉｉ‐２）前記テストデータに対応されるテストデータＧＴとを参照して獲得された第２適応ロスを参照して算出される請求項１３に記載の装置。
  16. 前記ラーニングネットワークはそれぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置が、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーないし前記学習用第１_ｎ特性情報と前記学習用第２_ｎ特性情報とを参照して算出された第１_ｎエラーの加重合計（Ｗｅｉｇｈｔｅｄ Ｓｕｍ）である前記第１エラーを生成させるプロセス、及び（ｉｖ）前記第１エラーが最小化され、前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、
    前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和して前記第１適応エラーを獲得するプロセス、または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差を加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）（１）テスト用第１_１特性情報ないしテスト用第１_ｎ特性情報が、前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力してそれぞれ生成される場合は、前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和して前記第２適応エラーを獲得するプロセス、または（２）テスト用第２_１特性情報ないしテスト用第２_ｎ特性情報が、前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力することでそれぞれ生成される場合は、前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差を加重和して前記第２適応エラーを獲得するプロセスを遂行する請求項１３に記載の装置。
  17. 前記第１_１エラーないし前記第１_ｎエラーは、それぞれ（ｉ）（ｉ‐１）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と（ｉ‐２）前記トレーニングデータに対応するトレーニングデータＧＴとを参照して獲得された第１変造ロスないし（ｉｉ）（ｉｉ‐１）前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と（ｉｉ‐２）前記トレーニングデータＧＴとを参照して獲得された第ｎ変造ロスをさらに参照してそれぞれ算出され、
    （ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された前記第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して算出された前記第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された前記第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、
    （ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して算出された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセスを遂行する請求項１６に記載の装置。
  18. 前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）前記変造されたトレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたトレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報ないし学習用第１_ｎ特性情報を生成させるプロセス、（ｉｉ）前記トレーニングデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記トレーニングデータに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報ないし学習用第２_ｎ特性情報を生成させるプロセス、（ｉｉｉ）前記学習用第１_１特性情報を利用して生成された学習用第１タスク特定出力と前記トレーニングデータに対応するトレーニングデータＧＴとを参照して算出された第１変造ロスないし前記学習用第１_ｎ特性情報を利用して生成された学習用第ｎタスク特定出力と前記トレーニングデータＧＴとを参照して算出された第ｎ変造ロスの加重合計である前記第１エラーを生成するプロセス、及び（ｉｖ）前記第１エラーが最小化されて前記第２エラーが最大化されるように前記変造ネットワークを学習するプロセスを遂行したか、又は遂行している状態で、
    前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第１特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報ないし第１_ｎ適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスを加重和して前記第１適応エラーを獲得するプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれに入力することで、前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記第２特徴適応データに対して前記第１学習されたパラメータないし前記第ｎ学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報ないし第２_ｎ適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスを加重和して前記第２適応エラーを獲得するプロセスを遂行する請求項１３に記載の装置。
  19. 前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように、前記変造ネットワークを学習することで前記変造ネットワークが第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータを第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成させ、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークが第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、
    前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差または前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差を参照して算出された第１_１適応エラーが最小化されるように前記適応ネットワークを学習することで、前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記学習用第１_ｋ特性情報と前記第１_ｋ適応特性情報との間の差または前記学習用第２_ｋ特性情報と前記第１_ｋ適応特性情報との間の差を参照して算出された第１_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで、前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記変造されたテストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記変造されたテストデータに対して前記ラーニング演算を適用してテスト用第１_１特性情報ないしテスト用第１_ｎ特性情報を生成するプロセス、または前記テストデータを前記第１ラーニングネットワークないし前記第ｎラーニングネットワークに入力して前記第１ラーニングネットワークないし前記第ｎラーニングネットワークのそれぞれをもって前記テストデータに対して前記ラーニング演算を適用してテスト用第２_１特性情報ないしテスト用第２_ｎ特性情報を生成するプロセスを遂行し、（ｉｉ‐２）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力して前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐３）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差または前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差を参照して算出された第２_１適応エラーが最小化されるように前記適応ネットワークを学習することで前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを前記第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐４）前記テスト用第１_ｋ特性情報と前記第２_ｋ適応特性情報との間の差または前記テスト用第２_ｋ特性情報と前記第２_ｋ適応特性情報との間の差を参照して算出された第２_ｋ適応エラーが最小化されるように前記第（ｋ‐１）学習された適応ネットワークを学習することで前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する請求項１３に記載の装置。
  20. 前記第１_ｋエラーは、（ｉ）前記学習用第１_ｋ特性情報を利用して生成された、前記第ｋ変造されたトレーニングデータに対する学習用第ｋタスク特定出力と（ｉｉ）前記トレーニングデータに対応されるトレーニングデータＧＴとを参照して獲得された第ｋ変造ロスをさらに参照して算出され、
    （ｉ）前記学習用第１_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第１_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、または（ｉｉ）前記学習用第２_１特性情報と前記第１_１適応特性情報との間の差ないし前記学習用第２_ｎ特性情報と前記第１_ｎ適応特性情報との間の差のそれぞれは、前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_１適応ロスないし前記第１_ｎ適応特性情報を利用して生成された第１_ｎ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセス、
    （ｉ）前記テスト用第１_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第１_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照して決定されるプロセス、または（ｉｉ）前記テスト用第２_１特性情報と前記第２_１適応特性情報との間の差ないし前記テスト用第２_ｎ特性情報と前記第２_ｎ適応特性情報との間の差のそれぞれは、前記第２_１適応特性情報を利用して生成された前記第２_１適応タスク特定出力と前記テストデータＧＴとを参照して算出された前記第２_１適応ロスないし前記第２_ｎ適応特性情報を利用して生成された前記第２_ｎ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｎ適応ロスのそれぞれをさらに参照してそれぞれ決定されるプロセスを遂行する請求項１９に記載の装置。
  21. 前記ラーニングネットワークは、それぞれ少なくとも一つの第１学習されたパラメータないし少なくとも一つの第ｎ（前記ｎは１以上の整数である）学習されたパラメータを持つ第１ラーニングネットワークないし第ｎラーニングネットワークを含み、
    前記第１学習装置は、（ｉ）（ｉ‐１）前記変造されたトレーニングデータである第１変造されたトレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１変造されたトレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_１特性情報を生成させ、（ｉ‐２）前記トレーニングデータを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記トレーニングデータに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_１特性情報を生成させ、（ｉ‐３）前記学習用第１_１特性情報と前記学習用第２_１特性情報とを参照して算出された第１_１エラーが最小化され、前記トレーニングデータと前記第１変造されたトレーニングデータとを参照して算出された第２_１エラーが最大化されるように前記変造ネットワークを学習することで、前記変造ネットワークをもって第１学習された変造ネットワークになるようにするプロセス、及び（ｉｉ）定数のｋを２からｎまで増加させながら、（ｉｉ‐１）前記トレーニングデータを第（ｋ‐１）学習された変造ネットワークに入力することで、前記第（ｋ‐１）学習された変造ネットワークをもって第ｋ変造されたトレーニングデータを生成させ、（ｉｉ‐２）（１）前記第ｋ変造されたトレーニングデータが第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記第ｋ変造されたトレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第１_ｋ特性情報を生成させ、（２）前記トレーニングデータを前記第ｋラーニングネットワークに入力することで、前記第ｋラーニングネットワークをもって前記トレーニングデータに対して前記第ｋ学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２_ｋ特性情報を生成し、（ｉｉ‐３）前記学習用第１_ｋ特性情報と前記学習用第２_ｋ特性情報とを参照して算出された第１_ｋエラーが最小化され、前記トレーニングデータと前記第ｋ変造されたトレーニングデータとを参照して算出された第２_ｋエラーが最大化されるように前記変造ネットワークを学習することで、前記第（ｋ‐１）学習された変造ネットワークをもって前記第ｋ学習された変造ネットワークになるようにするプロセスを遂行したか、又は遂行している状態で、
    前記プロセッサは、（ｉ）（ｉ‐１）前記第１特徴適応データである第１_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第１_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第１_１適応特性情報を生成させ、（ｉ‐２）前記第１_１適応特性情報を利用して生成された第１_１適応タスク特定出力と前記トレーニングデータに対応するトレーニングデータＧＴとを参照して算出された第１_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記トレーニングデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第１_ｋ特徴適応データを生成させ、前記第１_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第１_ｋ特徴適応データに対して前記ラーニング演算を適用して第１_ｋ適応特性情報を生成させ、（ｉ‐３）前記第１_ｋ適応特性情報を利用して生成された第１_ｋ適応タスク特定出力と前記トレーニングデータＧＴとを参照して算出された第１_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセス、または（ｉｉ）（ｉｉ‐１）前記第２特徴適応データである第２_１特徴適応データを前記第１ラーニングネットワークに入力することで、前記第１ラーニングネットワークをもって前記第２_１特徴適応データに対して前記第１学習されたパラメータを利用した前記ラーニング演算を適用して第２_１適応特性情報を生成させ、（ｉｉ‐２）前記第２_１適応特性情報を利用して生成された第２_１適応タスク特定出力と前記テストデータに対応するテストデータＧＴとを参照して算出された第２_１適応ロスが最小化されるように前記適応ネットワークを学習して前記適応ネットワークが第１学習された適応ネットワークになるようにし、前記テストデータを第（ｋ‐１）学習された適応ネットワークに入力して前記第（ｋ‐１）学習された適応ネットワークをもって第２_ｋ特徴適応データを生成させ、前記第２_ｋ特徴適応データを前記第ｋラーニングネットワークに入力して前記第ｋラーニングネットワークをもって前記第２_ｋ特徴適応データに対して前記ラーニング演算を適用して第２_ｋ適応特性情報を生成させ、（ｉｉ‐３）前記第２_ｋ適応特性情報を利用して生成された第２_ｋ適応タスク特定出力と前記テストデータＧＴとを参照して算出された第２_ｋ適応ロスが最小化されるように第（ｋ‐１）学習された適応ネットワークを学習して前記第（ｋ‐１）学習された適応ネットワークが第ｋ学習された適応ネットワークになるようにするプロセスを遂行する請求項１３に記載の装置。
  22. 個人情報を保護するために原本データをコンシーリング（Ｃｏｎｃｅａｌｉｎｇ）処理するために使われる変造ネットワーク（Ｏｂｆｕｓｃａｔｉｏｎ Ｎｅｔｗｏｒｋ）に対応される適応ネットワーク（Ａｄａｐｔｉｏｎ Ｎｅｔｗｏｒｋ）をテストするテスト装置において、
    インストラクションを格納する少なくとも一つのメモリー；及び
    （Ｉ）第１学習装置は、（ｉ）前記変造ネットワークをもって前記変造ネットワークに入力されたトレーニングデータを変造するようにし、変造されたトレーニングデータを生成させるプロセス、（ｉｉ）（ｉｉ‐１）前記変造されたトレーニングデータを少なくとも一つの予め学習されたパラメータを持つラーニングネットワーク（Ｌｅａｒｎｉｎｇ Ｎｅｔｗｏｒｋ）に入力して、前記ラーニングネットワークをもって前記変造されたトレーニングデータに対して前記学習されたパラメータを利用したラーニング演算を適用して学習用第１特性（Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）情報を生成させ、（ｉｉ‐２）前記トレーニングデータを前記ラーニングネットワークに入力して、前記ラーニングネットワークをもって前記トレーニングデータに対して前記学習されたパラメータを利用した前記ラーニング演算を適用して学習用第２特性情報を生成させるプロセス、及び（ｉｉｉ）前記学習用第１特性情報と前記学習用第２特性情報とを参照して算出された第１エラーが最小化され、前記トレーニングデータと前記変造されたトレーニングデータとを参照して算出された第２エラーが最大化されるように、前記変造ネットワークを学習するプロセスを遂行した後または遂行する間、第２学習装置が（ｉ）（ｉ‐１）前記トレーニングデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記トレーニングデータを適応するようにして第１特徴適応トレーニングデータ（Ｆｅａｔｕｒｅ Ａｄａｐｔｅｄ Ｔｒａｉｎｉｎｇ Ｄａｔａ）を生成させるプロセス、及び（ｉ‐２）第１テストデータを前記適応ネットワークに入力することで前記適応ネットワークをもって前記テストデータを適応するようにして第２特徴適応トレーニングデータを生成させるプロセスの中で一つ及び、（ｉｉ）（ｉｉ‐１）前記変造ネットワークによって生成された前記変造されたトレーニングデータに対応される第１適応ＧＴ（Ａｄａｐｔｉｏｎ Ｇｒｏｕｎｄ Ｔｒｕｔｈ）を獲得し、（１）前記第１適応ＧＴと（２）第１特徴適応データに対応される第１適応レファレンス（Ｒｅｆｅｒｅｎｃｅ）とを参照して算出された、第１適応エラーが最小化されるように前記適応ネットワークを学習するプロセス及び（ｉｉ‐２）前記テストデータを学習された前記変造ネットワークに入力して生成された、変造されたテストデータに対応される第２適応ＧＴと前記第２特徴適応トレーニングデータに対応される第２適応レファレンスとを参照して算出された第２適応エラーが最小化されるように前記適応ネットワークを学習するプロセスの中で一つを遂行した状態で、コンシーリング処理のための第２テストデータを獲得するプロセス；及び（ＩＩ）前記第２テストデータを前記適応ネットワークに入力することで、前記適応ネットワークをもって前記第２テストデータを適応するようにして特徴適応テストデータを生成させ、前記特徴適応テストデータを前記第２テストデータのコンシーリング処理されたデータとして獲得するプロセスを遂行するための前記インストラクションを実行するように構成された少なくとも一つのプロセッサを含む装置。
JP2022520167A 2019-10-24 2020-04-28 プライバシーのためにデータをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ａｄａｐｔｉｏｎ ｎｅｔｗｏｒｋ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｏｂｆｕｓｃａｔｉｏｎ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｔｏ ｂｅ ｃｏｎｃｅａｌｅｄ ｆｏｒ ｐｒｉｖａｃｙ、ａｎｄ ｔｒａｉｎｉｎｇ ｄｅｖｉｃｅ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝ Active JP7362165B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/663,132 2019-10-24
US16/663,132 US10621379B1 (en) 2019-10-24 2019-10-24 Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same
PCT/KR2020/005581 WO2021080102A1 (en) 2019-10-24 2020-04-28 Method for training and testing adaption network corresponding to obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same

Publications (2)

Publication Number Publication Date
JP2022551832A JP2022551832A (ja) 2022-12-14
JP7362165B2 true JP7362165B2 (ja) 2023-10-17

Family

ID=70223718

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022520167A Active JP7362165B2 (ja) 2019-10-24 2020-04-28 プライバシーのためにデータをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ａｄａｐｔｉｏｎ ｎｅｔｗｏｒｋ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｏｂｆｕｓｃａｔｉｏｎ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｔｏ ｂｅ ｃｏｎｃｅａｌｅｄ ｆｏｒ ｐｒｉｖａｃｙ、ａｎｄ ｔｒａｉｎｉｎｇ ｄｅｖｉｃｅ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝

Country Status (5)

Country Link
US (1) US10621379B1 (ja)
EP (1) EP3812988A1 (ja)
JP (1) JP7362165B2 (ja)
KR (1) KR102183335B1 (ja)
WO (1) WO2021080102A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11562134B2 (en) * 2019-04-02 2023-01-24 Genpact Luxembourg S.à r.l. II Method and system for advanced document redaction
US11681965B2 (en) * 2019-10-25 2023-06-20 Georgetown University Specialized computing environment for co-analysis of proprietary data
KR20210057401A (ko) * 2019-11-12 2021-05-21 한국전자통신연구원 다중 생체정보 기반 사용자 인증 장치 및 방법
US10956598B1 (en) * 2020-04-24 2021-03-23 Deeping Source Inc. Method for preventing breach of original data for deep learning and data breach preventing device using them
US11017319B1 (en) * 2020-06-23 2021-05-25 Deeping Source Inc. Method for training obfuscation network which conceals original data to be used for machine learning and training surrogate network which uses obfuscated data generated by obfuscation network and method for testing trained obfuscation network and learning device and testing device using the same
US11017320B1 (en) * 2020-06-24 2021-05-25 Deeping Source Inc. Method for training obfuscation network which conceals original data to be used for machine learning and training surrogate network which uses obfuscated data generated by obfuscation network and learning device using the same and method for testing trained obfuscation network and testing device using the same
US11200494B1 (en) * 2020-10-21 2021-12-14 Deeping Source Inc. Method for training and testing obfuscation network capable of obfuscating data for privacy, and training device and testing device using the same
KR102642332B1 (ko) * 2020-12-30 2024-03-05 동국대학교 산학협력단 동적 메모리 기반의 신경망을 이용한 Few-Shot 텍스트 분류 장치 및 그 방법
KR102417702B1 (ko) * 2021-01-06 2022-07-07 (주)유엠로직스 설명 가능한 인공지능 기법을 이용한 유해물질 처리 최적 공정 데이터 산출 시스템 및 그 방법
US11308359B1 (en) * 2021-10-27 2022-04-19 Deeping Source Inc. Methods for training universal discriminator capable of determining degrees of de-identification for images and obfuscation network capable of obfuscating images and training devices using the same
US11423643B1 (en) * 2021-11-29 2022-08-23 Deeping Source Inc. Method for generating obfuscated image to be used in training learning net work and labeling device using the same
US11669635B1 (en) * 2021-11-29 2023-06-06 Deeping Source Inc. Learning method and learning device for training obfuscation network capable of obfuscating original data for privacy and testing method and testing device using the same
US11886955B2 (en) 2022-02-16 2024-01-30 Protopia AI, Inc. Self-supervised data obfuscation in foundation models
CN114925858B (zh) * 2022-07-19 2023-09-29 北京百度网讯科技有限公司 基于深度学习框架持续集成***的任务处理方法及装置
KR102518913B1 (ko) * 2022-12-14 2023-04-10 라온피플 주식회사 인공지능 모델의 성능 관리 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005626A1 (en) 2015-02-26 2018-01-04 Longsand Limited Obfuscating training data
US20180165597A1 (en) 2016-12-08 2018-06-14 Resurgo, Llc Machine Learning Model Evaluation in Cyber Defense
JP2018106216A (ja) 2016-12-22 2018-07-05 日本電信電話株式会社 学習データ生成装置、開発データ生成装置、モデル学習装置、それらの方法、及びプログラム
US20190095629A1 (en) 2017-09-25 2019-03-28 International Business Machines Corporation Protecting Cognitive Systems from Model Stealing Attacks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101784265B1 (ko) * 2016-06-09 2017-10-12 주식회사 그리즐리 빅데이터의 비식별화 처리 방법
KR101861520B1 (ko) 2017-03-15 2018-05-28 광주과학기술원 얼굴 비식별화 방법
KR20190104268A (ko) * 2019-07-25 2019-09-09 엘지전자 주식회사 비식별화된 음성 신호를 학습하는 인공 지능 기기 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180005626A1 (en) 2015-02-26 2018-01-04 Longsand Limited Obfuscating training data
US20180165597A1 (en) 2016-12-08 2018-06-14 Resurgo, Llc Machine Learning Model Evaluation in Cyber Defense
JP2018106216A (ja) 2016-12-22 2018-07-05 日本電信電話株式会社 学習データ生成装置、開発データ生成装置、モデル学習装置、それらの方法、及びプログラム
US20190095629A1 (en) 2017-09-25 2019-03-28 International Business Machines Corporation Protecting Cognitive Systems from Model Stealing Attacks

Also Published As

Publication number Publication date
US10621379B1 (en) 2020-04-14
WO2021080102A1 (en) 2021-04-29
EP3812988A1 (en) 2021-04-28
JP2022551832A (ja) 2022-12-14
KR102183335B1 (ko) 2020-11-27

Similar Documents

Publication Publication Date Title
JP7362165B2 (ja) プライバシーのためにデータをコンシーリング処理することができる変造ネットワークに対応される適応ネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置｛ｍｅｔｈｏｄ ｆｏｒ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ａｄａｐｔｉｏｎ ｎｅｔｗｏｒｋ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｏｂｆｕｓｃａｔｉｏｎ ｎｅｔｗｏｒｋ ｃａｐａｂｌｅ ｏｆ ｐｒｏｃｅｓｓｉｎｇ ｄａｔａ ｔｏ ｂｅ ｃｏｎｃｅａｌｅｄ ｆｏｒ ｐｒｉｖａｃｙ、ａｎｄ ｔｒａｉｎｉｎｇ ｄｅｖｉｃｅ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
JP7040712B2 (ja) 個人情報保護のために原本データをコンシーリング処理する変調ネットワークを学習する方法及びテストする方法、そして、これを利用した学習装置及びテスト装置
JP7297226B2 (ja) 個人情報を保護するために原本データをコンシーリング処理して生成された変造データを認識するために使われる使用者ラーニングネットワークを学習する方法及びテストする方法、そしてこれを利用した学習装置及びテスト装置
KR102412832B1 (ko) 개인 정보 보호를 위하여 원본 데이터를 변조하는 변조 네트워크를 학습하는 방법 및 테스팅하는 방법, 그리고, 이를 이용한 학습 장치 및 테스팅 장치
US11017319B1 (en) Method for training obfuscation network which conceals original data to be used for machine learning and training surrogate network which uses obfuscated data generated by obfuscation network and method for testing trained obfuscation network and learning device and testing device using the same
US11200342B1 (en) Method for training and testing obfuscation network capable of processing data to be obfuscated for privacy, and training device and testing device using the same
US11017320B1 (en) Method for training obfuscation network which conceals original data to be used for machine learning and training surrogate network which uses obfuscated data generated by obfuscation network and learning device using the same and method for testing trained obfuscation network and testing device using the same
US11366930B1 (en) Method for training and testing obfuscation network capable of obfuscating data to protect personal information, and learning device and testing device using the same
US11244248B1 (en) Method for training and testing user learning network to be used for recognizing obfuscated data created by obfuscating original data to protect personal information and user learning device and testing device using the same
US11308359B1 (en) Methods for training universal discriminator capable of determining degrees of de-identification for images and obfuscation network capable of obfuscating images and training devices using the same
JP2021521566A (ja) 原本データとマークデータとを合成してマーキング済みデータを生成するデータエンベディングネットワークを学習する方法、及びテストする方法、並びに、それを利用した学習装置及びテスト装置
KR20230121974A (ko) 개인 정보 보호를 위하여 원본 데이터를 변조하는 변조네트워크를 학습하는 방법 및 테스트하는 방법, 그리고, 이를 이용한 학습 장치 및 테스트 장치
Hewage et al. Optimizing the trade-off between classification accuracy and data privacy in the area of data stream mining
KR102260039B1 (ko) 개인 정보 보호를 위하여 원본 데이터를 컨실링 처리하는 변조 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고, 이를 이용한 학습 장치 및 테스트 장치
KR102244190B1 (ko) 데이터를 컨실링 처리하는 방법 및 이를 이용한 데이터 변조 장치
KR102247769B1 (ko) 원본 데이터와 마크 데이터를 합성하여 마킹된 데이터를 생성하는 데이터 임베딩 네트워크를 학습하는 방법 및 테스트하는 방법, 그리고 이를 이용한 학습 장치 및 테스트 장치

Legal Events

Date Code Title Description
A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20220418

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220331

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230509

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230808

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230905

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230927

R150 Certificate of patent or registration of utility model

Ref document number: 7362165

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150