[发明专利]信息处理设备、估计器生成方法和程序

说明书

技术领域

本技术涉及一种信息处理设备、估计器生成方法和程序。

背景技术

近年来，用于自动地从难以定量地确定特征的任意数据组提取该数据组的特征量的方法正引起关注。例如，已知如下方法：将任意音乐数据作为输入并且自动地构造用于自动提取该音乐数据所属的音乐风格的算法。诸如爵士、古典以及流行的音乐风格不是根据乐器的类型或演奏模式而定量地确定的。因此，在过去，通常认为在给出了任意音乐数据时，难以自动地从音乐数据提取音乐风格。

然而，实际上，区分音乐风格的特征潜在地包括在信息项的各种组合中，诸如包括在音乐数据中的音调的组合、组合音调的方式、乐器类型的组合以及旋律线或低音线的结构。因此，关于通过机器学习对用于提取这样的特征的算法（下文中，称为特征量提取器）的自动构造的可能性，已进行了对特征量提取器的研究。作为一个研究结果，可以引用在JP-A-2009-48266中描述的、基于遗传算法的特征量提取器的自动构造方法。遗传算法是模拟生物进化过程并且在机器学习的过程中将选择、交叉（crossover）和突变纳入考虑的算法。

通过使用在上述专利文献中描述的特征量提取器自动构造算法，可以自动构造用于从任意音乐数据中提取该音乐数据所属的音乐风格的特征量提取器。另外，专利文献中描述的特征量提取器自动构造算法是高度通用的，并且能够自动地构造用于不仅从音乐数据还从任意数据组提取该数据组的特征量的特征量提取器。因此，期望专利文献中描述的特征量提取器自动构造算法应用于对人工数据（诸如，音乐数据和图像数据）的特征量分析和对自然存在的各种观察量的特征量分析。

发明内容

上述文献中描述的特征量提取器自动构造算法使用之前准备的学习数据来自动构造特征量提取公式。较大数量的学习数据导致自动构造的特征量提取公式的性能较高。然而，构造特征量提取公式可利用的存储容量是有限的。另外，当学习数据的数量较大时，实现特征量提取公式的构造需要较高的计算性能。因此，期望如下配置：其优选地使用来自大量地提供的学习数据的、有助于提高特征量提取公式的性能的有用学习数据。通过实现这样的配置，可以获得具有较高精确度的特征量提取公式。因此，期望提高使用特征量提取公式来估计结果的估计器的性能。

本技术是在上述情形下做出的。本技术旨在提供一种新颖且改进的信息处理设备、估计器生成方法和程序，其能够生成更高性能的估计器。

根据本技术的一方面，提供了一种信息处理设备，其包括：特征量向量计算部，当给出每一个均被配置成包括输入数据和对应于输入数据的目标变量的多个学习数据时，将输入数据输入到多个基函数中以计算特征量向量，其中这些特征量向量包括来自各个基函数的输出值作为元素；分布调整部，调整特征量空间中由特征量向量指定的点的分布，以使得点的分布变得更接近预定分布；以及函数生成部，关于多个学习数据，生成根据特征量向量的输入而输出目标变量的估计值的估计函数。

另外，根据本技术的另一方面，提供了一种估计器生成方法，其包括：当给出每一个均被配置成包括输入数据和对应于输入数据的目标变量的多个学习数据时，将输入数据输入到多个基函数中以计算特征量向量，其中这些特征量向量包括来自各个基函数的输出值作为元素；调整特征量空间中由特征量向量指定的点的分布，以使得点的分布变得更接近预定分布；以及关于多个学习数据，生成根据特征量向量的输入而输出目标变量的估计值的估计函数。

另外，根据本技术的又一方面，提供了一种用于使得计算机实现以下功能的程序：特征量向量计算功能，当给出每一个均被配置成包括输入数据和对应于输入数据的目标变量的多个学习数据时，将输入数据输入到多个基函数中以计算特征量向量，其中这些特征量向量包括来自各个基函数的输出值作为元素；分布调整功能，调整特征量空间中由特征量向量指定的点的分布，以使得点的分布变得更接近预定分布；以及函数生成功能，关于多个学习数据，生成根据特征量向量的输入而输出目标变量的估计值的估计函数。

本技术的另一方面是提供一种存储有上述程序的计算机可读记录介质。

如上所述，本技术使得可以生成更高性能的估计器。

附图说明

图1是示出用于利用通过机器学习构造的估计器来估计结果的系统配置的图；

图2是示出用于估计器构造的学习数据的配置的图；

图3是示出估计器的结构的图；

图4是示出估计器的构造方法的流程图；

图5是示出估计器的构造方法的流程图；

图6是示出估计器的构造方法的流程图；

图7是示出估计器的构造方法的流程图；