信息处理设备、信息处理方法和存储介质与流程

技术特征：
1.一种信息处理设备，包括：获取单元，其被配置成将训练数据输入至包括卷积层的机器学习模型，并且获取所述机器学习模型的输出结果；以及学习执行单元，其被配置成从包括在基于所述训练数据与所述输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素，并且使用所述特定元素执行所述卷积层的机器学习。2.根据权利要求1所述的信息处理设备，其中，所述学习执行单元包括：从包括在所述误差信息中的元素之中提取值等于或大于阈值的元素或者预定数量的值大的元素作为所述特定元素。3.根据权利要求1所述的信息处理设备，其中，所述机器学习模型包括所述卷积层和多个层，并且其中，所述学习执行单元包括：获取通过将所述训练数据从所述机器学习模型的输入层前向传播至输出层得到的输出结果，将所述误差信息从所述输出层后向传播至所述输入层，针对除所述卷积层之外的层基于后向传播的误差信息执行机器学习，针对与所述卷积层有关的卷积层从后向传播的误差信息中提取所述特定元素，以及使用所述特定元素执行机器学习。4.根据权利要求3所述的信息处理设备，其中，所述学习执行单元包括：在所述前向传播时获取关于被输入至所述卷积层的特征量的特征量信息，以及在所述后向传播时通过使用所述特征量信息和所述特定元素来执行所述卷积层的机器学习。5.根据权利要求4所述的信息处理设备，其中，所述卷积层通过使用滤波器进行滤波根据通过所述前向传播而传播的数据生成特征量，并且其中，所述学习执行单元包括：使用所述特征量信息和所述特定元素计算所述滤波器的误差梯度，以及基于所述误差梯度更新所述滤波器作为所述卷积层的机器学习。6.根据权利要求5所述的信息处理设备，其中，所述学习执行单元包括：获取作为由所述机器学习模型根据作为图像数据的训练数据的输入确定所述图像数据的结果的输出结果，通过使用所述误差信息以及具有预定图像大小并且是在所述前向传播时根据所述图像数据生成的特征量信息来计算所述滤波器的误差梯度，通过基于所述误差梯度的卷积运算来更新所述滤波器。7.根据权利要求6所述的信息处理设备，其中，所述学习执行单元包括：从所述误差信息中提取包括所述特定元素的索引和值的稀疏矩阵，从所述特征量信息中获取与所述索引相对应的矩形区域，以及通过将所述稀疏矩阵的值与所述矩形区域中的每条特征量信息标量相乘并执行加法的卷积运算来更新所述滤波器。
8.一种由计算机执行的信息处理方法，所述方法包括：将训练数据输入至包括卷积层的机器学习模型，并且获取所述机器学习模型的输出结果；从包括在基于所述训练数据与所述输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素；以及使用所述特定元素执行所述卷积层的机器学习。9.一种非暂态计算机可读存储介质，其存储使计算机执行处理的程序，所述处理包括：将训练数据输入至包括卷积层的机器学习模型，并且获取所述机器学习模型的输出结果；从包括在基于所述训练数据与所述输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素；以及使用所述特定元素执行所述卷积层的机器学习。

技术总结
本发明涉及信息处理设备、信息处理方法和存储介质。信息处理方法由计算机执行，该方法包括：将训练数据输入至包括卷积层的机器学习模型，并且获取该机器学习模型的输出结果；从包括在基于训练数据与输出结果之间的误差的误差信息中的元素之中提取满足特定条件的特定元素；以及使用特定元素执行卷积层的机器学习。习。习。


技术研发人员：笠置明彦
受保护的技术使用者：富士通株式会社
技术研发日：2021.04.27
技术公布日：2022/2/6