综合分析方法、综合分析装置以及综合分析程序与流程

1.本发明涉及综合分析方法、综合分析装置以及综合分析程序。


背景技术：

2.能够在分析数据的各种用途中利用主成分分析。例如，根据主成分分析，能够提取多维的数据的特征，并压缩该数据的信息量。另外，例如，通过利用由主成分分析得到的局部空间，能够对于对象数据，实施类识别(局部空间法)等预定推断。作为预定推断的一个例子，在非专利文献1中，提出有通过局部空间法来判定映现于观测图像中的产品的优劣的方法。
3.现有技术文献
4.非专利文献
5.非专利文献1：丰田健太，堀田一弘，“使用了局部空间法和鲁棒统计的不良部位的自动确定”，ssii2016，is3-22，2016年6月10日


技术实现要素：

6.发明所要解决的课题
7.本件发明人发现利用主成分分析的现有的方法中存在以下那样的问题。即，逐个收集成为主成分分析的对象的学习数据。为了提高基于主成分分析的数据解析的质量，期望各个用户收集足够的学习数据。然而，逐个收集足够的学习数据耗费成本，且较为困难。因此，若逐个收集学习数据，则容易产生样本的偏差，可能导致基于主成分分析的数据解析的质量不良。例如，在上述数据压缩的情况下，由主成分分析得到的压缩模型的质量不良，可能导致将本来有益的信息(例如，对其他用户的任务有益的信息)删除。另外，例如，在实施上述预定推断的情况下，没有考虑对推断有益的信息，可能导致推断的精度不良。
8.此处，为了确保足够的学习数据，考虑在由一个或多个计算机构成的一个系统中集结逐个收集的学习数据。然而，集结逐个收集的学习数据导致数据的交换耗费庞大的成本(例如通信成本)。另外，若对于集结的大量的学习数据实施主成分分析，则计算成本变大，可能导致计算处理所利用的存储器产生不足、计算处理没有在预定时间内结束等不良状况的发生。
9.本发明的一方面是鉴于这样的实际情况而完成的，其目的在于提供抑制成本的增大并且实现基于主成分分析的数据解析的质量的提高的技术。
10.用于解决课题的方法
11.本发明为了解决上述的课题，采用以下的结构。
12.即，本发明的一方面所涉及的综合分析方法包括如下步骤：多个客户端装置分别对于本地学习数据执行用于求解本地学习数据所包含的各本地样本的各要素间的相关性的运算；服务器装置从所述各客户端装置获取所述运算的结果；所述服务器装置通过对从所述各客户端装置获取到的所述运算的结果进行综合，计算表示所有本地学习数据所包含
的所有本地样本的各要素间的相关性的综合结果；所述服务器装置通过实施主成分分析，从计算出的所述综合结果导出一个以上的主成分；以及服务器装置输出与导出的所述一个以上的主成分相关的信息。
13.在该结构所涉及的综合分析方法中，将不是本地学习数据其本身且与本地学习数据所包含的本地样本的要素间的相关性相关的运算的结果集结于服务器装置。由此，能够减少在各客户端装置以及服务器装置间交换数据的成本。另外，由各客户端装置一方负担从所有本地学习数据导出一个以上的主成分的一系列的计算处理的一部分。由此，能够将逐个收集到的本地学习数据反映于主成分分析，并且能够减少服务器装置所涉及的计算成本。因此，根据该结构，能够抑制成本的增大，实现基于主成分分析的数据解析的质量的提高。
14.需要说明的是，与本地学习数据的要素间的相关性相关的运算结果的形式只要不是本地学习数据其本身并且能够导出所有本地学习数据的主成分，则可以不特别限定。运算结果例如也可以通过本地学习数据的自相关性矩阵等而构成。另外，综合结果的形式只要是在导出所有本地学习数据的主成分的过程中得到的形式，则可以不特别限定。综合结果例如可以通过方差协方差矩阵、相关系数矩阵等而构成。
15.上述一方面所涉及的综合分析方法也可以是，用于求解所述相关性的运算由如下步骤构成：获取所述所有本地学习数据所包含的所有本地样本的各要素的平均值；通过从所述本地学习数据所包含的各本地样本的各要素的值减去获取到的所述平均值，从而使各本地样本归一化(中心化)；以及根据归一化的所述各本地样本，计算所述本地学习数据的自相关性矩阵，。也可以是，获取所述运算的结果是通过获取计算出的所述自相关性矩阵而构成的，。也可以是，对所述运算的结果进行综合是通过对从所述各客户端装置获取到的所述自相关性矩阵进行求和而构成的。根据该结构，能够适当地导出所有本地学习数据的一个以上的主成分。
16.上述一方面所涉及的综合分析方法也可以是，还具备：所述综合分析方法还包括所述各客户端装置受理所述各本地样本的重要度的指定的步骤。也可以是，根据指定的所述重要度而对所述各本地样本进行加权。也可以是，所述所有本地样本的各要素的平均值是根据所述重要度进行了加权的加权平均值。也可以是，在所述计算的步骤中，所述服务器装置通过将所述自相关性矩阵之和除以与所述重要度对应的加权之和，从而计算所述所有本地学习数据的方差协方差矩阵来作为所述综合结果。根据该结构，通过将在各客户端装置中指定的各本地样本的重要度反映于主成分分析，能够实现基于主成分分析的数据解析的质量的提高。
17.在上述一方面所涉及的综合分析方法中，也可以是，所述所有本地样本的各要素的平均值通过利用从所述各客户端装置获得的所述本地样本的数量以及各要素的平均值的秘密计算来计算。若公开本地样本的数量以及各要素的平均值，则可能损害本地学习数据的机密性。在该结构中，通过利用秘密计算，能够对本地样本的数量以及各要素的平均值进行保密，并且得到所有本地样本的各要素的平均值。因此，根据该结构，在从所有本地学习数据导出一个以上的主成分的一系列的计算处理的过程中，能够确保本地学习数据的机密性。
18.在上述一方面所涉及的综合分析方法中，也可以是，所述运算的结果的综合通过
秘密计算来进行。根据该结构，在从所有本地学习数据导出一个以上的主成分的一系列的计算处理的过程中，能够确保本地学习数据的机密性。
19.上述一方面所涉及的综合分析方法也可以是，所述综合分析方法还包括所述各客户端装置从构成所述各本地样本的多个要素中受理两个以上的要素的指定的步骤。也可以是，在所述计算的步骤中，所述服务器装置通过针对指定的所述两个以上的要素，对从所述各客户端装置获取到的所述运算的结果进行综合，从而计算所述综合结果。也可以是，在所述导出的步骤中，所述服务器装置通过实施主成分分析，针对指定的所述两个以上的要素，从计算出的所述综合结果导出一个以上的主成分。根据该结构，能够实施针对在各客户端装置中指定的要素的主成分分析。
20.上述一方面所涉及的综合分析方法也可以是，所述综合分析方法还包括所述服务器装置基于指定的所述两个以上的要素的一致度将所述各客户端装置分配于多个组中的至少任一个组中的步骤。也可以是，在所述计算的步骤中，所述服务器装置通过在相同的组内针对指定的所述两个以上的要素，对从所述各客户端装置获取到的所述运算的结果进行综合，从而计算所述综合结果。也可以是，在所述导出的步骤中，所述服务器装置通过实施主成分分析，从在所述相同的组内针对指定的所述两个以上的要素而计算出的所述综合结果导出一个以上的主成分。根据该结构，能够基于指定的要素，将各客户端装置分组化，按每个组实施主成分分析。
21.上述一方面所涉及的综合分析方法也可以是，所述综合分析方法还包括所述服务器装置将所述各客户端装置分配于多个组中的至少任一个组中的步骤。也可以是，在所述计算的步骤中，所述服务器装置通过在相同的组内对从所述各客户端装置获取到的所述运算的结果进行综合，从而计算所述综合结果。也可以是，在所述导出的步骤中，所述服务器装置通过实施主成分分析，从在所述相同的组内计算出的所述综合结果导出一个以上的主成分。根据该结构，能够将各客户端装置分组化，按每个组实施主成分分析。
22.在上述一方面所涉及的综合分析方法中，也可以是，在所述分配的步骤中，所述服务器装置将表示所述多个组的列表向所述各客户端装置发送，从所述列表所示的所述多个组中选择一个以上的组，并对选择的所述一个以上的组分配所述各客户端装置。根据该结构，能够通过简单的方法，将各客户端装置分组化。
23.在上述一方面所涉及的综合分析方法中，也可以是，所述服务器装置从所述各客户端装置获取与所述本地学习数据相关的属性数据，并对从所述各客户端装置获取到的所述属性数据进行聚类，基于所述聚类的结果，将所述各客户端装置分配于所述多个组中的至少任一个组中。根据该结构，能够根据本地学习数据的属性，将各客户端装置分组化。
24.在上述一方面所涉及的综合分析方法中，也可以是，输出与所述一个以上的主成分相关的信息是通过所述服务器装置将与导出的所述一个以上的主成分相关的信息向所述各客户端装置发送而构成的。根据该结构，在各客户端装置中，能够利用对于所有本地学习数据的主成分分析的结果。
25.在上述一方面所涉及的综合分析方法中，也可以是，所述本地学习数据由映现有产品的图像数据或者通过测定产品的属性而得到的测定数据构成。根据该结构，关于能够利用于产品的外观检查的数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。
26.在上述一方面所涉及的综合分析方法中，也可以是，所述本地学习数据由通过观察对象者的状态的传感器得到的传感检测数据构成。根据该结构，关于能够利用于对象者的状态的推定的数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。
27.另外，作为上述各形式所涉及的综合分析方法的其他方式，本发明的一方面也可以是由以上的各客户端装置以及服务器装置构成的计算机系统。或者，本发明的一方面也可以是实现以上的各结构的全部或者其一部分的一个或多个装置、基于该装置的信息处理方法、程序以及存储有这样的程序的计算机及其他装置、机器等可读取的存储介质的任一个。此处，计算机等可读取的存储介质是通过电、磁、光学、机械或者化学作用而存储程序等信息的介质。
28.例如，本发明的一方面所涉及的综合分析装置具备：获取部，分别从多个客户端装置获取如下的运算的结果：所述运算是对于分别由多个客户端装置收集到的本地学习数据执行的用于求解本地学习数据所包含的各本地样本的各要素间的相关性的运算；综合部，通过对从所述各客户端装置获取到的所述运算的结果进行综合，从而计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果；分析部，通过实施主成分分析，从计算出的所述综合结果导出一个以上的主成分；以及输出部，输出与导出的所述一个以上的主成分相关的信息。
29.另外，例如，本发明的一方面所涉及的综合分析程序是用于使计算机执行如下步骤的程序：分别从多个客户端装置获取如下的运算的结果：所述运算是对于分别由多个客户端装置收集到的本地学习数据执行的用于求解本地学习数据所包含的各本地样本的各要素间的相关性的运算；通过对从所述各客户端装置获取到的所述运算的结果进行综合，从而计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果；通过实施主成分分析，从计算出的所述综合结果导出一个以上的主成分；以及输出与导出的所述一个以上的主成分相关的信息。
30.发明的效果
31.根据本发明，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。
附图说明
32.图1示意性地例示应用本发明的情形的一个例子。
33.图2示意性地例示实施方式所涉及的综合分析装置的硬件结构的一个例子。
34.图3示意性地例示实施方式所涉及的客户端装置的硬件结构的一个例子。
35.图4示意性地例示实施方式所涉及的综合分析装置的软件结构的一个例子。
36.图5a示意性地例示实施方式所涉及的客户端装置的软件结构的一个例子。
37.图5b示意性地例示实施方式所涉及的客户端装置的软件结构的一个例子。
38.图5c示意性地例示实施方式所涉及的客户端装置的软件结构的一个例子。
39.图6a例示与基于实施方式所涉及的客户端装置的本地学习数据的收集相关的处理顺序的一个例子。
40.图6b例示与实施方式所涉及的本地学习数据的要素间的相关性的计算相关的处
理顺序的一个例子。
41.图7例示实施方式所涉及的综合分析装置的处理顺序的一个例子。
42.图8示意性地例示实施方式所涉及的分组化处理的一个例子。
43.图9例示与基于实施方式所涉及的综合分析装置的客户端装置的分组化相关的处理顺序的一个例子。
44.图10例示与基于实施方式所涉及的综合分析装置的客户端装置的分组化相关的处理顺序的一个例子。
45.图11例示与基于实施方式所涉及的客户端装置的数据压缩相关的处理顺序的一个例子。
46.图12例示与基于实施方式所涉及的客户端装置的预定推断相关的处理顺序的一个例子。
47.图13示意性地例示应用本发明的其他情形的一个例子。
48.图14示意性地例示应用本发明的其他情形的一个例子。
49.图15示意性地例示应用本发明的其他情形的一个例子。
50.图16示意性地例示应用本发明的其他情形的一个例子。
51.图17示意性地例示应用本发明的其他情形的一个例子。
52.图18示意性地例示变形例所涉及的客户端装置的软件结构的一个例子。
53.图19例示与基于变形例所涉及的客户端装置的本地学习数据的收集相关的处理顺序的一个例子。
54.图20示意性地例示受理重要度以及分析对象的要素的指定的画面的一个例子。
55.图21例示与基于变形例所涉及的综合分析装置的客户端装置的分组化相关的处理顺序的一个例子。
56.图22示意性地例示变形例所涉及的客户端装置的软件结构的一个例子。
57.图23示意性地例示在变形例中实施秘密计算的情形的一个例子。
58.图24示意性地例示在变形例中实施秘密计算的情形的一个例子。
具体实施方式
59.以下，基于附图对本发明的一方面所涉及的实施方式(以下，也表述为“本实施方式”)进行说明。但是，以下所说明的本实施方式在所有方面都只不过为本发明的例示。能够在不脱离本发明的范围的内进行各种改进、变形是不言而喻的。换句话说，在本发明实施时，可以适当地采用与实施方式对应的具体结构。需要说明的是，本实施方式中利用自然语言来说明出现的数据，但更具体而言，利用计算机可识别的模拟语言、指令、参数、机器语言等来指定。
60.§
1应用例
61.图1示意性地例示应用本发明的情形的一个例子。如图1所示的那样，本实施方式所涉及的系统100具备综合分析装置1以及多个客户端装置2。
62.各客户端装置2是以收集本地学习数据3的方式构成的计算机。本地学习数据3的种类只要能够成为主成分分析的对象，则可以不特别限定，可以根据实施方式而适当地选择。本地学习数据3例如也可以是图像数据、声音数据、数值数据、文本数据、其他通过各种
传感器得到的测定数据等。以下，也将通过传感器得到的测定数据称为“传感检测数据”。
63.在本实施方式中，各客户端装置2能够利用传感器s来收集本地学习数据3。传感器s例如可以是图像传感器(相机)、红外线传感器、声音传感器(麦克风)、超声波传感器、光传感器、压力传感器、气压传感器、温度传感器等。另外，传感器s例如可以是环境传感器、生命传感器、医疗检查装置、车载传感器、家庭安全传感器等。环境传感器例如可以是气压计、温度计、湿度计、声压计、声音传感器、紫外线传感器、照度计、雨量计、气体传感器等。生命传感器例如可以是血压计、脉搏计、心率计、心电图仪、肌电图计、体温计、皮肤电反应计、微波传感器、脑电图仪、脑磁图仪、活动量计、血糖值测定器、眼电位传感器、眼球运动计测器等。医疗检查装置例如可以是ct(computed tomography，计算机断层摄影)装置、mri(magnetic resonance imaging，核磁共振)装置等。车载传感器例如可以是图像传感器、lidar(light detection and ranging，激光雷达)传感器、毫米波雷达、超声波传感器、加速度传感器等。家庭安全传感器例如可以是图像传感器、红外线传感器、活性度(语音)传感器、气体(co2等)传感器、电流传感器、智能电表(计测家电、照明等的电力使用量的传感器)等。
64.本地学习数据3由多个本地样本构成。各本地样本包括多个要素。样本的各要素例如可以如图像数据的各像素等那样从数据直接获得，例如也可以如映现于图像数据的对象物的尺寸等那样，通过对于数据执行某种信息处理(即，从数据间接)而获得。
65.各客户端装置2对于本地学习数据3执行用于求解本地学习数据3所包含的各本地样本的各要素间的相关性的运算。由此，各客户端装置2生成与本地学习数据3的要素间的相关性相关的运算的结果51。运算的结果51的形式只要不是本地学习数据3其本身并且能够利用于主成分分析，则可以不特别限定。
66.综合分析装置1是构成为实施主成分分析的计算机。综合分析装置1是本发明的“服务器装置”的一个例子。综合分析装置1从各客户端装置2获取运算的结果51。综合分析装置1通过对从各客户端装置2获取到的运算的结果51进行综合，从而计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40。所有本地学习数据是指由各客户端装置2获得，且成为主成分分析的对象的所有本地学习数据3。所有本地样本是指成为主成分分析的对象的所有本地样本。综合结果40的形式可以以能够利用于主成分分析的方式任意决定。
67.综合分析装置1通过实施主成分分析，从计算出的综合结果40导出一个以上的主成分41。主成分分析的运算内容即导出主成分41的方法可以任意地选择。导出主成分41的方法可以采用奇异值分解、特征值分解、kl展开等公知的方法。
68.综合分析装置1输出所导出的一个以上的主成分41。主成分41的输出形式以及用途可以分别任意地选择。在本实施方式中，导出的一个以上的主成分41可以提供于各客户端装置2。由此，各客户端装置2例如能够在数据压缩、预定推断等各种用途中利用从所有本地学习数据导出的一个以上的主成分41。
[0069]“推断”也可以换称为“推定”。推断可以是例如通过分组(分类、识别)导出离散值(例如，与特定的特征对应的类)以及通过递归导出连续值(例如，特定的特征出现的概率)中的任一种。推断也可以包括基于该分组或者递归的结果来进行检测、判定等任一种认定。另外，推断也可以包括预测。
[0070]
需要说明的是，系统100的称呼也可以根据在系统100内执行的信息处理、主成分
41的利用形式等而适当地变更。系统100例如也可以被称为分析系统、压缩系统、推断系统等。在系统100内的计算机中，将导出的主成分41利用于推断的情况下，系统100的称呼例如可以如检查系统、监视系统、诊断系统、检测系统、预测系统等那样根据推断的内容而适当地变更。同样，各客户端装置2例如可以被称为压缩装置、推断装置等。在将导出的主成分41利用于各客户端装置2的推断的情况下，各客户端装置2的称呼例如可以如检查装置、监视装置、诊断装置、检测装置、预测装置等那样根据推断的内容适当地变更。
[0071]
如以上那样，在本实施方式中，将不是本地学习数据3其本身且与本地学习数据3所包含的本地样本的要素间的相关性相关的运算的结果51集结于综合分析装置1。由此，能够减少在各客户端装置2与综合分析装置1之间交换数据的成本。另外，能够使各客户端装置2负担从所有本地学习数据导出一个以上的主成分41的一系列的计算处理的一部分。由此，能够将由各客户端装置2逐个收集的本地学习数据3反映于主成分分析，并且能够减少综合分析装置1所涉及的计算成本。因此，根据本实施方式，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。
[0072]
需要说明的是，图1的例子中，在系统100内存在3个客户端装置2a～2c。以下，为了方便说明，在区分各客户端装置的情况下，标注a、b、c等进一步的附图标记，在不是这样的情况下，如“客户端装置2”等那样省略这些附图标记。各客户端装置2a～2c收集本地学习数据3a～3c，生成与本地学习数据3a～3c的要素间的相关性相关的运算的结果51a～51c。将生成的运算的结果51a～51c集结于综合分析装置1。综合分析装置1根据运算的结果51a～51c来计算综合结果40，从计算出的综合结果40导出一个以上的主成分41。由此，综合分析装置1能够将与由3个客户端装置2a～2c收集到的本地学习数据3a～3c相关的一个以上的主成分41导出。但是，客户端装置2的数量不局限于3个，可以是任意的。
[0073]
另外，图1的例子中，综合分析装置1以及各客户端装置2经由网络而相互连接。网络的种类例如也可以从因特网、无线通信网、移动通信网、电话网、专用网等适当地选择。但是，对于在综合分析装置1以及各客户端装置2之间交换数据的方法而言，可以不限定于这样的例子，可以根据实施方式适当地选择。例如，也可以在综合分析装置1以及各客户端装置2之间，利用存储介质、外部存储装置等来交换数据。
[0074]
另外，图1的例子中，综合分析装置1以及多个客户端装置2分别由一个计算机构成。然而，本实施方式所涉及的系统100的结构可以不限定于这样的例子，可以根据实施方式适当地决定。例如，综合分析装置1以及多个客户端装置2中的至少任一个可以由多台计算机构成。
[0075]
§
2结构例
[0076]
[硬件结构]
[0077]
＜综合分析装置＞
[0078]
图2示意性地例示本实施方式所涉及的综合分析装置1的硬件结构的一个例子。如图2所示那样，本实施方式所涉及的综合分析装置1是控制部11、存储部12、通信接口13、输入装置14、输出装置15以及驱动器16电连接而成的计算机。在图2中，将接口记载为“i/f”。
[0079]
控制部11包括作为硬件处理器的cpu(central processing unit)，ram(random access memory)、rom(read only memory)等，并构成为基于程序以及各种数据执行信息处理。存储部12是存储器的一个例子，例如由硬盘驱动器、固态驱动器等构成。在本实施方式
中，存储部12存储综合分析程序81、多件运算结果数据221、主成分信息121、组列表123、分配信息124等各种信息。
[0080]
综合分析程序81是用于使综合分析装置1执行与主成分41的导出相关的后述的信息处理(图7、图9以及图10)的程序。综合分析程序81包括该信息处理的一系列的命令。各件的运算结果数据221表示与由各客户端装置2收集的本地学习数据3的要素间的相关性相关的运算的结果51。主成分信息121包括与导出的一个以上的主成分41相关的信息。主成分信息121作为执行了综合分析程序81的结果而被生成。组列表123表示成为分配各客户端装置2的候选的多个组的一览。分配信息124表示各客户端装置2与各组的对应关系。
[0081]
通信接口13例如是有线lan(local area network，局域网)模块、无线lan模块等，是用于进行经由网络的有线或者无线通信的接口。综合分析装置1能够利用通信接口13在与其他信息处理装置之间执行经由网络的数据通信。
[0082]
输入装置14例如是鼠标、键盘等用于进行输入的装置。另外，输出装置15例如是显示器、扬声器等用于输出的装置。用户等操作人员通过利用输入装置14以及输出装置15，能够操作综合分析装置1。
[0083]
驱动器16例如为cd驱动器、dvd驱动器等，是用于读入存储于存储介质91的程序等各种信息的驱动器装置。存储介质91是以使计算机及其他装置、机器等能够读取存储的程序等各种信息的方式通过电、磁、光学、机械或者化学的作用来存储该程序等信息的介质。上述综合分析程序81、多件运算结果数据221、组列表123以及分配信息124中的至少任一个也可以存储于存储介质91。综合分析装置1也可以从存储介质91获取上述综合分析程序81、多件运算结果数据221、组列表123以及分配信息124中的至少任一个。需要说明的是，在图2中，作为存储介质91的一个例子，例示cd、dvd等盘型的存储介质。然而，存储介质91的种类可以不局限于盘型，也可以是除盘型以外的形式。作为盘型以外的存储介质，例如可举出闪存等半导体存储器。驱动器16的种类可以根据存储介质91的种类而任意选择。
[0084]
需要说明的是，关于综合分析装置1的具体硬件结构，能够根据实施方式，适当地进行构成要素的省略、置换以及追加。例如，控制部11也可以包括多个硬件处理器。硬件处理器也可以由微处理器、fpga(field-programmable gate array)、dsp(digital signal processor)等构成。存储部12也可以由控制部11所包含的ram以及rom构成。通信接口13、输入装置14、输出装置15以及驱动器16中的至少任一个也可以省略。综合分析装置1也可以由多台计算机构成。在这种情况下，各计算机的硬件结构可以一致，也可以不一致。另外，综合分析装置1除了提供的服务专用所设计的信息处理装置之外，例如也可以是pc(personal computer)、通用的服务器装置等通用的计算机装置。
[0085]
＜客户端装置＞
[0086]
图3示意性地例示本实施方式所涉及的各客户端装置2的硬件结构的一个例子。如图3所示的那样，本实施方式所涉及的各客户端装置2是控制部21、存储部22、通信接口23、输入装置24、输出装置25、驱动器26以及外部接口27电连接而成的计算机。
[0087]
各客户端装置2的控制部21～驱动器26以及存储介质92也可以分别与上述综合分析装置1的控制部11～驱动器16以及存储介质91相同地构成。控制部21包括作为硬件处理器的cpu、ram、rom等，并构成为基于程序以及数据执行各种信息处理。存储部22例如由硬盘驱动器、固态驱动器等构成。存储部22存储收集程序85、压缩程序86、推断程序87、本地学习
数据3、运算结果数据221、主成分信息121等各种信息。
[0088]
收集程序85是用于使各客户端装置2执行后述的信息处理(图6a以及图6b)的程序，该后述的信息处理涉及与本地学习数据3的收集以及相关性相关的运算的结果51的生成。本地学习数据3以及运算结果数据221作为执行了收集程序85的结果而被生成。压缩程序86是用于使各客户端装置2执行与利用了导出的一个以上的主成分41的数据压缩相关的后述的信息处理(图11)的程序。推断程序87是用于使各客户端装置2执行与利用了导出的一个以上的主成分41的预定推断相关的后述的信息处理(图12)的程序。推断程序87的称呼例如可以如检查程序、监视程序、诊断程序、检测程序、预测程序等那样根据推断的内容而适当地变更。各程序85～87包括各信息处理的一系列的命令。收集程序85、压缩程序86、推断程序87以及主成分信息121中的至少任一个可以存储于存储介质92。另外，各客户端装置2可以从存储介质92获取收集程序85、压缩程序86、推断程序87以及主成分信息121中的至少任一个。
[0089]
外部接口27例如是usb(universal serial bus)端口、专用端口等，是用于与外部装置连接的接口。外部接口27的种类以及数量可以任意选择。各客户端装置2可以经由通信接口23以及外部接口27中的至少一方而与用于获得样本的传感器s连接。
[0090]
需要说明的是，关于各客户端装置2的具体硬件结构，能够根据实施方式，适当地进行构成要素的省略、置换以及追加。例如，控制部21也可以包括多个硬件处理器。硬件处理器可以由微处理器、fpga、dsp等构成。存储部22可以由控制部21所包含的ram以及rom构成。通信接口23、输入装置24、输出装置25、驱动器26以及外部接口27中的至少任一个可以省略。各客户端装置2可以由多台计算机构成。在这种情况下，各计算机的硬件结构可以一致，也可以不一致。另外，各客户端装置2除了提供的服务专用所设计的信息处理装置之外，也可以是通用的服务器装置、通用的pc、plc(programmable logic controller)、平板终端等。
[0091]
[软件结构]
[0092]
＜综合分析装置＞
[0093]
图4示意性地例示本实施方式所涉及的综合分析装置1的软件结构的一个例子。
[0094]
综合分析装置1的控制部11将存储于存储部12的综合分析程序81在ram展开。而且，控制部11通过cpu，解释以及执行在ram展开的综合分析程序81所包含的命令来控制各构成要素。由此，如图4所示那样，本实施方式所涉及的综合分析装置1作为计算机而动作，上述计算机具备获取部111、综合部112、分析部113、输出部114以及分组化部115作为软件模块。即，在本实施方式中，综合分析装置1的各软件模块通过控制部11(cpu)来实现。
[0095]
获取部111获取运算结果数据221，上述运算结果数据221表示对于由各客户端装置2收集到的本地学习数据3执行的用于求解本地学习数据3所包含的各本地样本的各要素间的相关性的运算的结果51。综合部112通过对从各客户端装置2获取到的运算的结果51进行综合，来计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40。分析部113通过执行主成分分析，从计算出的综合结果40导出一个以上的主成分41。输出部114输出与导出的一个以上的主成分41相关的主成分信息121。分组化部115将各客户端装置2分配于多个组中的至少任一个中。
[0096]
＜客户端装置＞
[0097]
图5a～图5c示意性地例示本实施方式所涉及的各客户端装置2的软件结构的一个例子。
[0098]
与上述综合分析装置1相同，各客户端装置2的控制部21通过cpu来解释以及执行收集程序85所包含的命令。由此，如图5a所示那样，本实施方式所涉及的各客户端装置2作为计算机而动作，该计算机具备收集部201、运算部202以及输出部203作为软件模块。同样，控制部21通过cpu解释以及执行压缩程序86所包含的命令。由此，如图5b所示那样，本实施方式所涉及的各客户端装置2作为计算机而动作，该计算机具备获取部211、压缩部212以及输出部213作为软件模块。控制部21通过cpu来解释以及执行推断程序87所包含的命令。由此，如图5c所示那样，本实施方式所涉及的各客户端装置2作为计算机而动作，该计算机具备获取部215、推断部216以及输出部217作为软件模块。即，在本实施方式中，与上述综合分析装置1相同，各客户端装置2的各信息处理的各软件模块通过控制部21(cpu)来实现。
[0099]
如图5a所示那样，收集部201对由多个本地样本30构成的本地学习数据3进行收集。运算部202对于本地学习数据3执行用于求解本地学习数据3所包含的各本地样本30的各要素间的相关性的运算。输出部203输出表示由运算部202生成的运算的结果51的运算结果数据221。
[0100]
如图5b所示那样，获取部211获取成为减少信息量(即，压缩)的对象的对象数据223(样本)。压缩部212参照主成分信息121，利用导出的主成分41来压缩对象数据223。由此，压缩部212生成压缩数据224。输出部213输出生成的压缩数据224。
[0101]
如图5c所示那样，获取部215获取成为推断的对象的对象数据226(样本)。推断部216参照主成分信息121，利用导出的主成分41，对于对象数据226实施预定推断。推断方法可以任意选择。在本实施方式中，作为推断的一个例子，推断部216基于对象数据226与数据组227的比较，执行对象数据226所包含的特征的类识别。具体而言，数据组227由多个样本228构成。多个样本228中的至少任一个可以利用构成本地学习数据3的本地样本30。各样本228包括与相应的类别对应的特征。各样本228通过利用主成分41而射影于局部空间，从而转换为特征量2281。由此，在局部空间内，能够决定属于对象的类别的范围。推断部216通过利用主成分41而射影于局部空间，从而将对象数据226转换为特征量2261。推断部216在局部空间内，将得到的特征量2261与各特征量2281进行比较。推断部216基于该比较的结果，判定对象数据226所包含的特征是否属于对象的类别。输出部217输出与推断的结果相关的信息。
[0102]
＜其他＞
[0103]
关于综合分析装置1以及各客户端装置2的各软件模块，通过后述的动作例详细地进行说明。需要说明的是，在本实施方式中，对综合分析装置1以及各客户端装置2的各软件模块均通过通用的cpu实现的例子进行说明。然而，以上的软件模块的一部分或者全部也可以通过一个或多个专用的处理器来实现。另外，关于综合分析装置1以及各客户端装置2各自的软件结构，也可以根据实施方式，适当地进行软件模块的省略、置换以及追加。
[0104]
§
3动作例
[0105]
(1)数据收集
[0106]
图6a是表示与基于本实施方式所涉及的各客户端装置2的本地学习数据3的收集相关的处理顺序的一个例子的流程图。需要说明的是，以下说明的处理顺序只不过是一个
例子，各步骤可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0107]
(步骤s101)
[0108]
在步骤s101中，控制部21作为收集部201而动作，收集本地学习数据3。
[0109]
本地学习数据3由多个本地样本30构成。各本地样本30可以适当地获取。例如，在实际空间或者假想空间中，在各种条件下生成数据。能够获取生成的数据来作为各本地样本30。在本实施方式中，也可以是，通过利用传感器s在各种条件下观测对象，从而生成传感检测数据。观测的对象可以根据本地样本30的利用目的而适当地选择。能够获取生成的传感检测数据来作为各本地样本30。
[0110]
各本地样本30可以通过计算机的动作自动地生成，也可以通过至少部分地包括操作人员的操作而手动地生成。另外，各本地样本30的生成可以通过各客户端装置2来进行，也可以通过除各客户端装置2以外的其他计算机来进行。在由各客户端装置2生成各本地样本30的情况下，控制部21通过自动地或者利用经由输入装置24的操作人员的操作手动地执行上述生成处理，能够获取各本地样本30。另一方面，在由其他计算机生成各本地样本30的情况下，控制部21例如能够经由网络、存储介质92等，获取由其他计算机生成的本地样本30。也可以是，一部分本地样本30由各客户端装置2生成，其他的本地样本30由一个或多个其他计算机生成。
[0111]
本地样本30的件数可以任意选择。若收集本地学习数据3，则控制部21使处理向接下来的步骤s102前进。
[0112]
(步骤s102)
[0113]
在步骤s102中，控制部21作为运算部202而动作，对于本地学习数据3执行用于求解本地学习数据3所包含的各本地样本30的各要素间的相关性的运算。由此，控制部21生成与本地学习数据3的要素间的相关性相关的运算的结果51。运算内容可以根据结果51的形式而适当地决定。
[0114]
图6b是表示与本实施方式所涉及的本地学习数据3的要素间的相关性的计算相关的子流程的处理顺序的流程图。本实施方式所涉及的步骤s102的处理包括以下的步骤s1021～步骤s1023的处理。但是，以下说明的处理顺序只不过是一个例子，各处理可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0115]
(步骤s1021)
[0116]
在步骤s1021中，控制部21获取所有本地样本的各要素的平均值。
[0117]
所有本地样本的各要素的平均值的计算方法可以适当地决定。作为一个例子，各客户端装置2的本地学习数据3能够通过以下的式1来表现。本地学习数据3所包含的本地样本30能够通过以下的式2来表现。所有本地样本的各要素的平均值能够根据各本地学习数据3所包含的本地样本30的数量以及各要素的平均值来计算。
[0118]
[式1]
[0119][0120]
[式2]
[0121][0122]
x
(p)
表示由第p个客户端装置2收集到的本地学习数据3。n
(p)
表示本地样本30的数量。x n(p)
表示第n个本地样本30。d表示要素的数量(维数)。x n#i(p)
表示第n个本地样本30的第i个要素。控制部21通过执行以下的式3的运算，来计算本地学习数据3所包含的本地样本30的各要素的平均值。
[0123]
[式3]
[0124][0125]u(p)
表示由第p个客户端装置2收集到的本地学习数据3所包含的本地样本30的各要素的平均值。u i(p)
表示第i个要素的平均值。以下，也将本地样本30的各要素的平均值记载为“本地样本的平均”。
[0126]
各客户端装置2将自身的本地样本的平均以及数量通知给其他客户端装置2。通知方法可以任意选择。例如，控制部21可以利用通信接口23，经由网络而对其他客户端装置2通知自身的本地样本的平均以及数量。而且，控制部21利用自身的本地样本的平均以及数量和从其他客户端装置2获取到的本地样本的平均以及数量来执行以下的式4的运算。
[0127]
[式4]
[0128][0129]
u表示所有本地样本的各要素的平均值。u i
表示所有本地样本的第i个要素的平均值。由此，各客户端装置2的控制部21能够获取所有本地样本的各要素的平均值u。若获取平均值u，则控制部21使处理向接下来的步骤s1022前进。
[0130]
需要说明的是，平均值u的运算工序可以不限定于这样的例子。作为一个例子，式4的运算可以由其他计算机执行。其他计算机可以是综合分析装置1。在这种情况下，各客户端装置2的控制部21将自身的本地样本的平均以及数量通知给其他计算机。其他计算机通过利用从各客户端装置2获取到的本地样本的平均以及数量执行上述式4的运算，来计算所有本地样本的各要素的平均值u。其他计算机将计算出的平均值u通知给各客户端装置2。由此，各客户端装置2的控制部21能够获取所有本地样本的各要素的平均值u。
[0131]
(步骤s1022)
[0132]
在步骤s1022中，控制部21如以下的式5所示那样，从本地学习数据3所包含的各本地样本30的各要素的值减去获取到的平均值。由此，控制部21对各本地样本30进行归一化(中心化)。
[0133]
[式5]
[0134][0135]
x c(p)
表示由第p个客户端装置2收集且归一化的本地学习数据3。若对各本地样本30进行归一化，则控制部21使处理向接下来的步骤s1023前进。
[0136]
(步骤s1023)
[0137]
在步骤s1023中，控制部21执行以下的式6的运算。由此，控制部21根据归一化的各本地样本30来计算本地学习数据3的自相关性矩阵。
[0138]
[式6]
[0139][0140]q(p)
表示在第p个客户端装置2中计算的自相关性矩阵。由此，控制部21能够获取自相关性矩阵来作为与本地学习数据3的要素间的相关性相关的运算的结果51。若计算出自相关性矩阵，则控制部21使与本实施方式所涉及的相关性的计算相关的子流程结束，使处理向接下来的步骤s103前进。
[0141]
(步骤s103)
[0142]
在步骤s103中，控制部21作为输出部203而动作，并输出表示生成的运算的结果51的运算结果数据221。
[0143]
输出形式可以根据实施方式适当地决定。例如，也可以是，控制部21将运算结果数据221输出至输出装置25来作为步骤s103的处理。另外，例如，也可以是，控制部21将运算结果数据221保存于预定的存储区域，来作为步骤s103的处理。预定的存储区域例如也可以是控制部21内的ram、存储部22、外部存储装置、存储媒介或者它们的组合。存储媒介例如可以是cd、dvd等，控制部21可以经由驱动器26而在存储媒介储存运算结果数据221。外部存储装置例如可以是nas(network attached storage)等数据服务器。在这种情况下，控制部21可以利用通信接口23而经由网络在数据服务器储存运算结果数据221。另外，外部存储装置例如可以是经由外部接口27而与各客户端装置2连接的外设的存储装置。
[0144]
由此，若运算结果数据221的输出结束，则控制部21使与本地学习数据3的收集相关的一系列的处理结束。
[0145]
(2)主成分分析
[0146]
图7是表示本实施方式所涉及的综合分析装置1的处理顺序的一个例子的流程图。以下说明的处理顺序是综合分析方法的一个例子。综合分析方法可以包括上述数据收集的处理顺序。但是，以下说明的处理顺序只不过是一个例子，各步骤可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0147]
(步骤s201)
[0148]
在步骤s201中，控制部11作为获取部111而动作，获取表示各客户端装置2的运算的结果51的运算结果数据221。
[0149]
各客户端装置2的运算结果数据221可以在任意时间点向综合分析装置1提供。例如，客户端装置2可以作为上述步骤s103的处理或者与步骤s103的处理分开地，将运算结果数据221向综合分析装置1传送。控制部11可以通过接收该传送来获取各客户端装置2的运算结果数据221。另外，例如，控制部11可以通过利用通信接口13经由网络而访问各客户端装置2或者数据服务器，从而获取各件的运算结果数据221。另外，例如，控制部11可以经由存储介质91或者外部存储装置而获取各件的运算结果数据221。另外，例如，也可以是，由操作人员经由输入装置14而输入输出至各客户端装置2的输出装置25的运算的结果51，由此，控制部11获取各件的运算结果数据221。在本实施方式中，控制部11获取将本地学习数据3的自相关性矩阵表示为运算的结果51的运算结果数据221。若获取到各件的运算结果数据221，则控制部11使处理向接下来的步骤s202前进。
[0150]
(步骤s202)
[0151]
在步骤s202中，控制部11作为综合部112而动作，通过对由从各客户端装置2获取
到的运算结果数据221表示的运算的结果51进行综合，从而计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40。
[0152]
综合的运算内容可以根据运算的结果51的形式而适当地决定。在本实施方式中，运算的结果51通过上述自相关性矩阵来表现。此处，控制部11可以对从各客户端装置2得到的自相关性矩阵进行求和。另外，控制部11可以适当地获取表示各客户端装置2的本地样本30的数量的信息。而且，控制部11可以将自相关性矩阵之和除以本地样本30的数量之和。由此，控制部11能够如以下的式7那样，计算方差协方差矩阵c。控制部11可以获取计算出的方差协方差矩阵c来作为综合结果40。若计算出综合结果40，则控制部11使处理向接下来的步骤s203前进。
[0153]
[式7]
[0154][0155]
需要说明的是，综合结果40的形式可以不限定于这样的例子。作为其他形式的一个例子，综合结果40可以通过相关系数矩阵来表现。在这种情况下，控制部11可以根据各客户端装置2的本地学习数据3的自相关性矩阵来计算所有本地样本的相关系数矩阵。控制部11可以获取计算出的相关系数矩阵来作为综合结果40。
[0156]
(步骤s203)
[0157]
在步骤s203中，控制部11作为分析部113而动作，通过执行主成分分析，从计算出的综合结果40导出一个以上的主成分41。
[0158]
主成分分析的运算内容可以根据实施方式适当地决定。在本实施方式中，控制部11能够获取所有本地样本的方差协方差矩阵c来作为综合结果40。此处，控制部11可以通过对方差协方差矩阵c进行kl展开而导出一个以上的主成分41。或者，控制部11如以下的式8所示那样，执行方差协方差矩阵的特征值分解。控制部11可以获取通过特征值分解得到的特征值λ来作为主成分41。
[0159]
[式8]
[0160]
c＝vλv
t
…
(式8)
[0161]
[式9]
[0162]
λ＝diag(λ1，...，λr)
…
(式9)
[0163]
[式10]
[0164]
v＝(v1，...，vr)
…
(式10)
[0165]
v表示特征向量(以下，也记载为“主成分向量”)。λ表示特征值矩阵。特征向量v能够通过上述式9来表现。另外，特征值矩阵λ能够通过上述式10来表现。式9的diag表示是对角矩阵。r表示特征值(主成分41)的数量。特征向量v的各成分v能够在特征值分解的过程中计算。
[0166]
导出的主成分41的数量可以任意选择。例如，也可以是，控制部11计算累计贡献率，导出主成分41，直至计算的累计贡献率超过阈值为止。阈值可以适当地决定。由此，控制部11能够导出一个以上的主成分41。若导出一个以上的主成分41，则控制部11使处理向接下来的步骤s204前进。
[0167]
需要说明的是，导出主成分41的方法可以不限定于上述的方法。作为其他方法的
一个例子，在得到所有本地样本的相关系数矩阵作为综合结果40的情况下，控制部11执行相关系数矩阵的特征值分解。控制部11可以获取通过特征值分解得到的特征值作为主成分41。或者，控制部11计算方差协方差矩阵或者相关系数矩阵的偏差矩阵，执行计算出的偏差矩阵的奇异值分解。控制部11可以根据通过奇异值分解而得到的奇异值来计算主成分41。主成分41的导出可以适当地采用公知的方法。
[0168]
(步骤s204)
[0169]
在步骤s204中，控制部11作为输出部114而动作，并输出与导出的一个以上的主成分41相关的主成分信息121。
[0170]
计算机参照主成分信息121，从而只要能够利用导出的主成分41或者主成分向量，则主成分信息121的形式可以不特别限定，可以根据实施方式适当地决定。例如，主成分信息121可以通过导出的主成分41其本身以及上述主成分向量中的至少任一个而构成。
[0171]
另外，主成分信息121的输出形式也可以根据实施方式适当地决定。例如，控制部11可以将主成分信息121输出至输出装置15，来作为步骤s204的处理。另外，例如，控制部11可以将主成分信息121保存于预定的存储区域，来作为步骤s204的处理。预定的存储区域例如可以是控制部11内的ram、存储部12、外部存储装置、存储媒介或者它们的组合。
[0172]
另外，例如，控制部11可以对各客户端装置2发送(传送)主成分信息121来作为步骤s204的处理。发送方法可以任意选择。作为一个例子，控制部11可以经由网络对各客户端装置2直接发送主成分信息121。或者，控制部11可以经由数据服务器等其他计算机对各客户端装置2间接发送主成分信息121。各客户端装置2通过接收该发送，能够获取主成分信息121。
[0173]
其中，提供方法以及提供的时间点可以不局限于这样的例子。作为其他例子，主成分信息121可以经由存储介质92或者外部存储装置而向各客户端装置2提供。或者，也可以是，通过由操作人员经由输入装置24而输入输出至综合分析装置1的输出装置15的主成分信息121，从而将主成分信息121提供给各客户端装置2。控制部11可以与步骤s204的处理分开地将主成分信息121提供给各客户端装置2。另外，控制部11可以对除各客户端装置2以外的利用导出的主成分41的其他计算机提供主成分信息121。
[0174]
由此，若主成分信息121的输出结束，则控制部11结束与主成分分析相关的一系列的处理。
[0175]
(3)分组化
[0176]
图8示意性地例示对本实施方式所涉及的各客户端装置2进行分组化的情形的一个例子。例如，在一个本地学习数据3与其他本地学习数据3之间数据的种类完全不同的情况下，在综合分析装置1中，对从它们各自得到的运算的结果51进行综合较为困难。此处，控制部11可以作为分组化部116而动作，将各客户端装置2分配于多个组中的至少任一个组中。
[0177]
各组可以根据本地学习数据3(本地样本30)的种类、利用的目的等而适当地设定。图8的例子中，各客户端装置2被分配于第1组以及第2组的两个组中的任一个组中。但是，组的数量可以不限定于两个，可以任意地决定。控制部11将针对各客户端装置2的组的分配结果储存为分配信息124。分配信息124例如可以保存于预定的存储区域。预定的存储区域可以是控制部11内的ram、存储部12、外部存储装置、存储媒介或者它们的组合。
[0178]
据此，控制部11按每个组执行上述步骤s201～步骤s204的处理。在上述步骤s202中，控制部11在相同的组内对从各客户端装置2获取到的运算的结果51进行综合，从而计算综合结果40。在上述步骤s203中，控制部11通过实施主成分分析，能够从在相同的组内计算出的综合结果40导出一个以上的主成分41。由此，能够按每个组实施主成分分析。
[0179]
分组化的方法可以不特别限定，可以根据实施方式适当地决定。在本实施方式中，控制部11能够通过以下的两个方法中的任一个方法，将各客户端装置2分配于多个组中的至少任一个组中。需要说明的是，对各客户端装置2进行分组可以被视为与对客户端装置2的利用者进行分组、对本地学习数据3进行分组等同义。
[0180]
(3-1)第1分组化方法
[0181]
图9是表示第1分组化方法的处理顺序的一个例子的流程图。在第1分组化方法中，控制部11通过从组的列表选择所希望的组，从而将各客户端装置2分配于多个组中的至少任一个组中。需要说明的是，在组的分配方法采用了第1分组化方法的情况下，将各客户端装置2分配于多个组中的至少任一个组中是通过以下的步骤s211～步骤s213而构成的。但是，以下说明的处理顺序只不过是一个例子，各处理可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0182]
(步骤s211)
[0183]
在步骤s211中，控制部11将表示多个组的一览的组列表123向各客户端装置2发送。发送方法可以任意选择。作为一个例子，控制部11可以经由网络对各客户端装置2直接发送组列表123。或者，控制部11可以经由数据服务器等其他计算机对各客户端装置2间接发送组列表123。由此，控制部11相对于各客户端装置2，从组列表123所示的多个组中选择一个以上的组。各组可以根据本地学习数据3、客户端装置2、客户端装置2的利用者等而适当地设定。例如，在本地样本30能够利用于外观检查的情况下，各组可以根据生产线编号、工厂名、企业名等属性而设定。另外，可以根据来自各客户端装置2的要求，在组列表123设定新的组。各客户端装置2的操作人员能够参照输出至输出装置25的组列表123，操作输入装置24，从组列表123中选择一个以上的所希望的组。各客户端装置2可以选择两个以上的组。若选择结束，则各客户端装置2的控制部21将组选择的回答返回给综合分析装置1。
[0184]
(步骤s212以及步骤s213)
[0185]
在步骤s212中，控制部11从各客户端装置2获取组选择的回答。而且，在步骤s213中，控制部11基于获取到的回答，对选择出的一个以上的组分配各客户端装置2。若一个以上的组的分配结束，则控制部11使与基于第1分组化方法的组的分配相关的一系列的处理结束。根据该第1分组化方法，能够通过简单的方法对各客户端装置2进行分组。
[0186]
(3-2)第2分组化方法
[0187]
图10是表示第2分组化方法的处理顺序的一个例子的流程图。在第2分组化方法中，控制部11根据本地学习数据3的属性，将各客户端装置2分配于适当的组。需要说明的是，在组的分配方法采用了第2分组化方法的情况下，将各客户端装置2分配于多个组中的至少任一个组中是通过以下的步骤s221～步骤s223而构成的。但是，以下说明的处理顺序只不过是一个例子，各处理可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0188]
(步骤s221)
[0189]
在步骤s221中，控制部11从各客户端装置2获取与本地学习数据3相关的属性数据。获取属性数据的方法可以根据实施方式适当地决定。
[0190]
属性数据可以包括与本地学习数据3相关的所有信息。属性数据例如可以包括表示本地样本30的数据种类的信息、表示本地样本30所表示的特征的信息、表示本地样本30的利用目的的信息等。属性数据可以在通过上述步骤s101收集本地学习数据3时生成。若获取到属性数据，则控制部11使处理向接下来的步骤s222前进。
[0191]
(步骤s222以及步骤s223)
[0192]
在步骤s222中，控制部11对从各客户端装置2获取到的属性数据进行聚类。聚类的方法可以不特别限定，可以根据实施方式适当地选择。聚类可以采用k平均法(k-means聚类)等公知的方法。
[0193]
在步骤s223中，控制部11基于聚类的结果，将各客户端装置2分配于多个组中的至少任一个组中。作为一个例子，控制部11将获取到的属性数据被分配于相同的类的客户端装置2向相同的组分配。在这种情况下，各组可以根据属性数据的类而设定。另外，控制部11可以基于聚类的结果，将客户端装置2分配于两个以上的组。
[0194]
若基于聚类的结果的组的分配结束，则控制部11使与基于第2分组化方法的组的分配相关的一系列的处理结束。根据该第2分组化方法，控制部11能够根据本地学习数据3的属性，将各客户端装置2分配于适当的组。
[0195]
在本实施方式中，控制部11通过采用以上的两个方法中的至少任一个方法，能够将各客户端装置2分配于多个组中的至少任一个组中。但是，分组化的方法可以不局限于这些例子，可以根据实施方式适当地决定。
[0196]
(4)主成分的利用：数据压缩
[0197]
图11是表示与基于本实施方式所涉及的各客户端装置2的数据压缩相关的处理顺序的一个例子的流程图。数据压缩是导出的主成分41的用途的一个例子。需要说明的是，以下说明的处理顺序只不过是一个例子，各步骤可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0198]
(步骤s301)
[0199]
在步骤s301中，控制部21作为获取部211而动作，获取成为压缩的对象的对象数据223(样本)。对象数据223是与本地样本30同种的数据。对象数据223可以通过任意方法获取。在本实施方式中，控制部21通过利用传感器s观测对象，能够生成传感检测数据。观测的对象可以根据实施方式适当地选择。控制部21可以获取生成的传感检测数据来作为对象数据223。若获取到对象数据223，则控制部21使处理向接下来的步骤s302前进。
[0200]
(步骤s302)
[0201]
在步骤s302中，控制部21作为压缩部212而动作，通过参照主成分信息121，获取从由上述综合分析装置1导出的一个以上的主成分41得到的主成分向量(特征向量v)。控制部21通过获取到的主成分向量，将对象数据223射影于局部空间。即，控制部21对主成分向量以及对象数据223的积进行运算。控制部21通过利用该运算来压缩对象数据223，从而能够生成压缩数据224。压缩数据224相当于以减少信息量的方式转换的对象数据223。若对象数据223的压缩结束，则控制部21使处理向接下来的步骤s303前进。
[0202]
(步骤s303)
[0203]
在步骤s303中，控制部21作为输出部213而动作，输出生成的压缩数据224。
[0204]
压缩数据224的输出形式可以根据实施方式适当地决定。例如，控制部21可以将压缩数据224输出至输出装置25。另外，例如，控制部21可以将压缩数据224保存于预定的存储区域。预定的存储区域例如可以是控制部21内的ram、存储部22、外部存储装置、存储媒介或者它们的组合。生成的压缩数据224可以被提供给其他计算机。
[0205]
由此，若压缩数据224的输出结束，则控制部21使与数据压缩相关的一系列的处理结束。
[0206]
(5)主成分的利用：推断
[0207]
图12是表示与基于本实施方式所涉及的各客户端装置2的预定推断相关的处理顺序的一个例子的流程图。推断是导出的主成分41的用途的一个例子。需要说明的是，以下说明的处理顺序只不过是一个例子，各步骤可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0208]
(步骤s311)
[0209]
在步骤s311中，控制部21作为获取部215而动作，获取成为推断的对象的对象数据226(样本)。对象数据226是与本地样本30同种的数据。步骤s311可以与上述步骤s301相同。在本实施方式中，控制部21能够通过传感器s，获取对象数据226。若获取到对象数据226，则控制部21使处理向接下来的步骤s312前进。
[0210]
(步骤s312～步骤s314)
[0211]
在步骤s312～步骤s314中，控制部21作为推断部216而动作，利用导出的一个以上的主成分41，推断对象数据226所包含的特征。在本实施方式中，作为推断的一个例子，基于局部空间内的对象数据226与数据组227所包含的各样本228的比较，来识别对象数据226所包含的特征的类。
[0212]
具体而言，在步骤s312中，控制部21通过参照主成分信息121，获取从由上述综合分析装置1导出的一个以上的主成分41得到的主成分向量(特征向量v)。控制部21通过获取到的主成分向量，将对象数据226射影于局部空间。由此，控制部21获取特征量2261。
[0213]
同样，各样本228也通过主成分向量而被转换为特征量2281。各样本228的转换可以预先执行。各样本228包含与相应的类别对应的特征。例如，在通过类识别进行外观检查的情况下，各样本228可以使用映现有具有与对象的类别对应的种类的缺陷的产品的图像数据。或者，各样本228可以根据“合格”的类别，使用映现有不存在缺陷的产品的图像数据。设定的类别的数量也可以是任意的。
[0214]
在步骤s313中，控制部21将在局部空间内得到的特征量2261与各特征量2281进行比较。在步骤s314中，控制部21基于比较的结果，识别对象数据226所包含的特征是否属于对象的类别。比较方法可以适当地决定。在本实施方式中，根据从各样本228得到的各特征量2281，能够在局部空间内决定属于对象的类别的范围。此处，也可以是，根据从各样本228得到的各特征量2281而设定用于规定属于对象的类别的范围的边界。边界可以通过函数等而适当地表现。控制部21可以基于设定的边界，判定得到的特征量2261是否包含于对象的类别的范围。控制部21也可以根据该判定的结果来识别对象数据226所包含的特征是否属于对象的类别。或者，控制部21对得到的特征量2261与根据属于对象的类别的各样本228得到的各特征量2281之间的距离进行计算。控制部21可以基于计算出的距离，来识别对象数
据226所包含的特征是否属于对象的类别。若针对对象数据226的推断结束，则控制部21使处理向接下来的步骤s315前进。
[0215]
(步骤s315)
[0216]
在步骤s315中，控制部21作为输出部217而动作，输出与推断的结果相关的信息。
[0217]
输出目的地以及输出的信息的内容分别可以根据实施方式适当地决定。例如，控制部21可以将步骤s314的识别的结果直接输出至输出装置25。另外，例如，控制部21可以基于步骤s314的识别的结果，来执行某种信息处理。而且，控制部21可以输出执行了该信息处理的结果来作为与推断的结果相关的信息。执行了该信息处理的结果的输出可以包括根据推断结果而输出特定的消息、根据推断结果而控制控制对象装置的动作等。输出目的地例如可以是输出装置25、其他计算机的输出装置、控制对象装置等。
[0218]
若与推断的结果相关的信息的输出结束，则控制部21使与预定推断相关的一系列的处理结束。需要说明的是，也可以是，在预定期间，控制部21持续反复执行步骤s311～步骤s315的一系列的信息处理。反复时间点可以是任意的。由此，各客户端装置2可以持续实施预定推断。
[0219]
[特征]
[0220]
如以上那样，在本实施方式中，将不是本地学习数据3其本身且与本地学习数据3的要素间的相关性相关的运算的结果51集结于综合分析装置1。由此，在上述步骤s201中，能够减少在各客户端装置2与综合分析装置1之间交换数据的成本。另外，能够使各客户端装置2负担从所有本地学习数据导出一个以上的主成分41的一系列的计算处理的一部分。在本实施方式中，通过上述步骤s102，能够使各客户端装置2负担计算本地学习数据3的自相关性矩阵的处理。由此，能够将由各客户端装置2逐个收集到的本地学习数据3反映于主成分分析，并且能够将综合分析装置1所涉及的计算成本减少与直至计算出自相关性矩阵为止的计算量相应的量。因此，根据本实施方式，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。通过利用导出的一个以上的主成分41，能够在上述数据压缩的情况下，在步骤s302中，难以删除有益的信息。另外，在上述推断的情况下，能够实现基于步骤s312～步骤s314的推断的精度的提高。
[0221]
§
4变形例
[0222]
以上，对本发明的实施方式详细地进行了说明，但前述为止的说明在所有方面只不过是本发明的例示。能够在不脱离本发明的范围内进行各种改进或者变形是不言而喻的。例如，能够进行以下那样的变更。需要说明的是，以下，关于与上述实施方式相同的结构要素，使用相同的附图标记，针对与上述实施方式相同点，适当地省略说明。以下的变形例能够适当地组合。
[0223]
＜4.1＞
[0224]
上述实施方式所涉及的系统100可以应用于从以各种目的收集到的本地学习数据导出一个以上的主成分的所有情形。收集本地学习数据3的目的例如可以是进行外观检查、栽培状况的监视、对象者的状态的监视、机器的状态的监视等任务。以下，例示限定了应用情形的变形例。
[0225]
(a)外观检查的情形
[0226]
图13示意性地例示第1变形例所涉及的检查系统100a的应用情形的一个例子。本
变形例是在相对于通过观测产品ra的状态得到的数据实施主成分分析的情形下应用了上述实施方式的例子。本变形例所涉及的检查系统100a具备综合分析装置1以及多个检查装置2a。与上述实施方式相同，综合分析装置1与各检查装置2a可以经由网络而连接。
[0227]
在本变形例中，本地学习数据3a由映现有产品ra的图像数据或者通过测定产品ra的属性而得到的测定数据构成。图像数据可以通过利用相机sa拍摄产品ra而获得。在这种情况下，图像数据的各像素相当于本地样本的各要素。另外，测定数据可以通过例如利用相机sa等传感器观察产品ra的各属性并根据得到的传感检测数据计算的各属性的测定值而构成。成为测定的对象的产品ra的属性可以适当地选择。产品ra的属性例如可以是宽度、厚度、形状、颜色、倾斜、凹凸、质感等。产品ra的质感可以通过触感(例如，粗糙/光滑、表面粗糙度的程度)、材质(例如金属/塑料)等来规定。在这种情况下，各属性的测定值相当于本地样本的各要素。也可以是，除去这些限定之外，本变形例所涉及的检查系统100a与上述实施方式所涉及的系统100相同地构成。
[0228]
需要说明的是，产品ra例如可以是电子设备、电子部件、汽车部件、药品、食品等由生产线搬运的产品。电子部件例如可以是底座、贴片式电容器、液晶、继电器的绕组等。汽车部件例如为连杆、轴体、发动机机体、电动车窗开关、控制面板等。药品例如可以是包装完毕的片剂、未包装的片剂等。产品ra可以是在制造过程结束后生成的最终品，也可以是在制造过程的中途生成的中间品，也可以是在制造过程之前准备的初始品。另外，成为外观检查的对象的缺陷例如可以是划痕、污垢、裂缝、撞击痕、毛刺、颜色不均、异物混入等。与缺陷相关的推断例如可以通过判定产品ra是否包含缺陷、判定产品ra包含缺陷的概率、识别产品ra所包含的缺陷的种类、确定出产品ra所包含的缺陷的范围或者它们的组合而构成。
[0229]
(检查装置)
[0230]
本变形例所涉及的各检查装置2a与上述实施方式所涉及的各客户端装置2对应。本变形例所涉及的各检查装置2a的硬件结构以及软件结构可以与上述实施方式所涉及的各客户端装置2相同。由此，各检查装置2a的信息处理可以通过与上述各客户端装置2相同的顺序执行。
[0231]
在上述步骤s101中，各检查装置2a收集本地学习数据3a。本地学习数据3a由映现有产品ra的图像数据或者通过测定产品ra的属性而得到的测定数据的多个本地样本而构成。各本地样本的获取可以利用相机sa。在上述步骤s102中，各检查装置2a对与本地学习数据3a的要素间的相关性相关的运算的结果51a进行计算。各检查装置2a通过执行上述步骤s1021～步骤s1023的处理，能够计算本地学习数据3a的自相关性矩阵来作为运算的结果51a。在步骤s103中，各检查装置2a输出计算出的运算的结果51a。
[0232]
(综合分析装置)
[0233]
在本变形例中，综合分析装置1关于映现有产品ra的图像数据或者通过测定产品ra的属性而得到的测定数据，导出一个以上的主成分41a。具体而言，在上述步骤s201中，综合分析装置1从各检查装置2a获取与相关性相关的运算的结果51a。在上述步骤s202中，综合分析装置1通过对从各检查装置2a获取到的运算的结果51a进行综合，来计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40a。通过上述运算处理，综合分析装置1能够获取所有本地学习数据的方差协方差矩阵来作为综合结果40a。在上述步骤s203中，综合分析装置1通过执行主成分分析，从计算出的综合结果40a导出一个
以上的主成分41a。在步骤s204中，综合分析装置1输出与导出的一个以上的主成分41a相关的信息。
[0234]
(主成分的利用)
[0235]
导出的一个以上的主成分41a可以在任意的用途中利用。另外，与导出的一个以上的主成分41a相关的信息可以在任意的时间点提供给各检查装置2a。各检查装置2a通过上述步骤s301～步骤s303的处理，能够利用导出的一个以上的主成分41a，来压缩对象数据。另外，各检查装置2a通过上述步骤s311～步骤s315的处理，能够利用计算出的一个以上的主成分41a，来识别对象数据的产品ra的状态。
[0236]
当在构成数据组的各样本利用了不存在缺陷的正常的产品ra的数据的情况下，在步骤s314中，在识别为对象数据属于对象的类别时，各检查装置2a能够判定为对象数据的产品ra不存在缺陷(即，产品ra正常)。另一方面，在识别为对象数据不属于对象的类别时，各检查装置2a能够判定为对象数据的产品ra存在缺陷。
[0237]
另外，当在构成数据组的各样本利用了包含特定的缺陷的产品ra的数据的情况下，在步骤s314中，在识别为对象数据属于对象的类别时，各检查装置2a能够判定为对象数据的产品ra存在与对象的类别对应的种类的缺陷。另一方面，在识别为对象数据不属于对象的类别时，各检查装置2a能够判定为对象数据的产品ra不存在缺陷。
[0238]
在上述步骤s315中，各检查装置2a输出与针对产品ra的缺陷而推断出的结果相关的信息。例如，各检查装置2a可以将针对产品ra的缺陷而推断出的结果直接输出至输出装置。另外，例如，在判定为产品ra存在缺陷的情况下，各检查装置2a可以将用于通知该情况的警告输出至输出装置。另外，例如，也可以是，当在搬运产品ra的输送机装置连接有各检查装置2a的情况下，各检查装置2a基于针对缺陷而推断出的结果，以将存在缺陷的产品和不存在缺陷的产品在不同的生产线上搬运的方式控制输送机装置。
[0239]
(特征)
[0240]
根据本变形例，关于能够利用于外观检查的数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。由此，在上述数据压缩的情况下，通过利用导出的一个以上的主成分41a，能够难以删除有益于外观检查的信息。另外，在上述推断的情况下，能够实现基于步骤s312～步骤s314的外观检查的精度的提高。
[0241]
(b)监视栽培状况的情形
[0242]
图14示意性地例示第2变形例所涉及的监视系统100b的应用情形的一个例子。本变形例是在相对于与植物rb相关的观测数据实施主成分分析的情形下应用了上述实施方式的例子。本变形例所涉及的监视系统100b具备综合分析装置1以及多个监视装置2b。与上述实施方式相同，综合分析装置1与各监视装置2b可以经由网络而连接。
[0243]
在本变形例中，本地学习数据3b是与植物rb相关的观测数据。观测数据例如可以由通过利用环境传感器sb观测植物rb的状态而得到的传感检测数据、通过作业者的输入而得到的植物rb的观察数据或者它们的组合而构成。环境传感器sb只要能够观测植物rb的栽培状况，则其种类可以不特别限定，可以根据实施方式适当地选择。环境传感器sb例如可以是气压计、温度计、湿度计、声压计、声音传感器、紫外线传感器、照度计、雨量计、气体传感器等。植物rb的种类可以任意选择。监视的栽培状况可以与栽培植物rb的任意要素相关。栽培状况例如可以通过至栽培时刻为止的生长环境、生长状态等来确定。也可以是，生长环境
与使植物rb生长的状况相关，例如通过对植物rb照射光的时间、植物rb周围的温度、给予植物rb的水的量等来规定。生长状态例如可以通过植物rb的生长度等来规定。观察数据例如可以通过作业记录数据、环境记录数据或者它们的组合而构成。作业记录数据例如可以由表示采花、采叶、采芽等作业的有无、执行时间、量等的信息而构成。另外，环境记录数据可以由表示作业者观测了植物rb周围的环境(例如气候、气温、湿度等)的结果的信息而构成。也可以是，除去这些限定之外，本变形例所涉及的监视系统100b与上述实施方式所涉及的系统100相同地构成。
[0244]
(监视装置)
[0245]
本变形例所涉及的各监视装置2b与上述实施方式所涉及的各客户端装置2对应。本变形例所涉及的各监视装置2b的硬件结构以及软件结构可以与上述实施方式所涉及的各客户端装置2相同。由此，各监视装置2b的信息处理可以通过与上述各客户端装置2相同的顺序来执行。
[0246]
在上述步骤s101中，各监视装置2b收集本地学习数据3b。本地学习数据3b由与植物rb相关的观测数据的多个本地样本构成。各本地样本可以通过环境传感器sb以及作业者的输入中的至少一方来获得。在上述步骤s102中，各监视装置2b对与本地学习数据3b的要素间的相关性相关的运算的结果51b进行计算。各监视装置2b通过执行上述步骤s1021～步骤s1023的处理，能够计算本地学习数据3b的自相关性矩阵来作为运算的结果51b。在步骤s103中，各监视装置2b输出计算出的运算的结果51b。
[0247]
(综合分析装置)
[0248]
在本变形例中，综合分析装置1关于与植物rb相关的观测数据，输出一个以上的主成分41b。具体而言，在上述步骤s201中，综合分析装置1从各监视装置2b获取与相关性相关的运算的结果51b。在上述步骤s202中，综合分析装置1通过对从各监视装置2b获取到的运算的结果51b进行综合，对表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40b进行计算。通过上述运算处理，综合分析装置1能够获取所有本地学习数据的方差协方差矩阵来作为综合结果40b。在上述步骤s203中，综合分析装置1通过执行主成分分析，从计算出的综合结果40b导出一个以上的主成分41b。在步骤s204中，综合分析装置1输出与导出的一个以上的主成分41b相关的信息。
[0249]
(主成分的利用)
[0250]
导出的一个以上的主成分41b可以在任意用途中利用。另外，与导出的一个以上的主成分41b相关的信息可以在任意时间点提供给各监视装置2b。各监视装置2b通过上述步骤s301～步骤s303的处理，能够利用导出的一个以上的主成分41b，来压缩对象数据。另外，各监视装置2b通过上述步骤s311～步骤s315的处理，能够利用计算出的一个以上的主成分41b，来推断对象数据的植物rb的栽培状况。需要说明的是，推断栽培状况可以包括推定收获量成为最大那样的生长环境以及作业内容中的至少一方、推定观测的当前的生长环境中最佳的作业内容等。
[0251]
在上述步骤s315中，各监视装置2b输出与针对植物rb的栽培状况而推断出的结果相关的信息。例如，各监视装置2b可以将针对植物rb的栽培状况而推断出的结果直接输出至输出装置。在这种情况下，各监视装置2b可以通过将收获量成为最大那样的生长环境以及作业内容中的至少一方、观测的当前的生长环境中最佳的作业内容等推定结果输出至输
出装置，来催促作业者改善植物rb的栽培状况。另外，例如，各监视装置2b可以与栽培装置cb连接。栽培装置cb构成为控制植物rb的生长环境。在这种情况下，各监视装置2b可以根据推断出栽培状况的结果，来决定给予栽培装置cb的控制指令。栽培状况与控制指令的对应关系可以通过表形式等的参照信息来给予。该参照信息可以储存于ram、rom、存储部、存储介质、外部存储装置等，各监视装置2b可以通过参照该参照信息，根据推定出的栽培状况来决定控制指令。而且，也可以是，各监视装置2b通过将决定出的控制指令给予栽培装置cb，来控制栽培装置cb的动作。另外，例如，也可以是，各监视装置2b将表示决定出的控制指令的信息输出至输出装置，并催促植物rb的管理者控制栽培装置cb的动作。
[0252]
需要说明的是，栽培装置cb只要能够控制植物rb的生长环境，则其种类可以不特别限定，可以根据实施方式适当地选择。栽培装置cb例如可以是帘装置、照明装置、空调设备、洒水装置等。帘装置构成为对安装于建筑物的窗的帘进行开闭。照明装置例如为led(light emitting diode)照明、荧光灯等。空调设备例如是空调等。洒水装置例如是喷洒器等。为了控制对植物rb照射光的时间而利用帘装置以及照明装置。为了控制植物rb周围的温度而利用空调设备。为了控制给予植物rb的水的量而利用洒水装置。
[0253]
(特征)
[0254]
根据本变形例，关于能够利用于植物rb的栽培状况的监视的观测数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。由此，在上述数据压缩的情况中，通过利用导出的一个以上的主成分41b，能够难以删除有益于植物rb的栽培状况的监视的信息。另外，在上述推断的情况中，能够实现步骤s312～步骤s314中推断植物rb的栽培状况的精度的提高。
[0255]
(c)诊断健康状态的情形
[0256]
图15示意性地例示第3变形例所涉及的诊断系统100c的应用情形的一个例子。本变形例是在相对于通过用于观测对象者rc的状态的传感器sc获取的传感检测数据实施主成分分析的情形下应用了上述实施方式的例子。本变形例所涉及的诊断系统100c具备综合分析装置1以及多个诊断装置2c。与上述实施方式相同，综合分析装置1与各诊断装置2c也可以经由网络而连接。
[0257]
在本变形例中，本地学习数据3c是由传感器sc得到的传感检测数据。传感器sc只要能够观测对象者rc的状态，则其种类可以不特别限定，可以根据实施方式适当地选择。传感器sc例如可以是生命传感器、医疗检查装置等。生命传感器例如可以是血压计、脉搏计、心率计、心电图仪、肌电图计、体温计、皮肤电反应计、微波传感器、脑电图仪、脑磁图仪、活动量计、血糖值测定器、眼电位传感器、眼球运动计测器等。医疗检查装置例如可以是ct装置、mri装置等。推断健康状态例如可以通过判定是否健康、判定是否存在生病的迹象、识别健康状态的种类、判定患目标疾病的概率或者它们的组合而构成。也可以是，除去这些限定之外，本变形例所涉及的诊断系统100c与上述实施方式所涉及的系统100相同地构成。
[0258]
(诊断装置)
[0259]
本变形例所涉及的各诊断装置2c与上述实施方式所涉及的各客户端装置2对应。本变形例所涉及的各诊断装置2c的硬件结构以及软件结构可以与上述实施方式所涉及的各客户端装置2相同。由此，各诊断装置2c的信息处理可以通过与上述各客户端装置2相同的顺序来执行。
[0260]
在上述步骤s101中，各诊断装置2c收集本地学习数据3c。本地学习数据3c通过由传感器sc得到的传感检测数据的多个本地样本而构成。在上述步骤s102中，各诊断装置2c对与本地学习数据3c的要素间的相关性相关的运算的结果51c进行计算。各诊断装置2c通过执行上述步骤s1021～步骤s1023的处理，能够计算本地学习数据3c的自相关性矩阵来作为运算的结果51c。在步骤s103中，各诊断装置2c输出计算出的运算的结果51c。
[0261]
(综合分析装置)
[0262]
在本变形例中，综合分析装置1关于由传感器sc得到的传感检测数据，导出一个以上的主成分41c。具体而言，在上述步骤s201中，综合分析装置1从各诊断装置2c获取与相关性相关的运算的结果51c。在上述步骤s202中，综合分析装置1通过对从各诊断装置2c获取到的运算的结果51c进行综合，来计算表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40c。通过上述运算处理，综合分析装置1能够获取所有本地学习数据的方差协方差矩阵来作为综合结果40c。在上述步骤s203中，综合分析装置1通过执行主成分分析，从计算出的综合结果40c导出一个以上的主成分41c。在步骤s204中，综合分析装置1输出与导出的一个以上的主成分41c相关的信息。
[0263]
(主成分的利用)
[0264]
导出的一个以上的主成分41c可以在任意用途中利用。另外，与导出的一个以上的主成分41c相关的信息可以在任意时间点提供给各诊断装置2c。各诊断装置2c通过上述步骤s301～步骤s303的处理，能够利用导出的一个以上的主成分41c，来压缩对象数据。另外，各诊断装置2c通过上述步骤s311～步骤s315的处理，能够利用计算出的一个以上的主成分41c，来识别对象数据的对象者rc的健康状态。
[0265]
在上述步骤s315中，各诊断装置2c输出与推断出对象者rc的健康状态的结果相关的信息。例如，各诊断装置2c可以将推断出对象者rc的健康状态的结果直接输出至输出装置。另外，例如，也可以是，在推断出的对象者rc的健康状态表示预定的疾病的迹象的情况下，各诊断装置2c将催促医院的诊查的消息输出至输出装置。另外，例如，各诊断装置2c可以相对于登录的医院的终端，发送推断出对象者rc的健康状态的结果。需要说明的是，成为发送目的地的终端的信息可以存储于ram、rom、存储部、存储介质、外部存储装置等预定的存储区域。
[0266]
(特征)
[0267]
根据本变形例，关于能够利用于对象者rc的健康状态的监视的传感检测数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。由此，在上述数据压缩的情况中，通过利用导出的一个以上的主成分41c，能够难以删除有益于对象者rc的健康状态的监视的信息。另外，在上述推断的情况中，能够实现步骤s312～步骤s314中推断对象者rc的健康状态的精度的提高。需要说明的是，本变形例所涉及的诊断对象者rc的健康状态的情形是推断对象者的状态的情形的一个例子。但是，推断对象者的状态的情形可以不局限于诊断健康状态的情形。另外，在获取本地学习数据的局面以及利用主成分的局面之间，对象者可以不一致。
[0268]
(d)监视驾驶员的状态的情形
[0269]
图16示意性地例示第4变形例所涉及的监视系统100d的应用情形的一个例子。本变形例是在相对于通过用于观测驾驶员rd的状态的传感器sd获取的传感检测数据实施主
成分分析的情形下应用了上述实施方式的情形。本变形例所涉及的监视驾驶员rd的状态的情形是推断上述对象者的状态的情形的其他的一个例子。本变形例所涉及的监视系统100d具备综合分析装置1以及多个监视装置2d。也可以与上述实施方式相同，综合分析装置1与各监视装置2d经由网络而连接。
[0270]
在本变形例中，本地学习数据3d是通过传感器sd得到的传感检测数据。传感器sd只要能够观测驾驶员rd的状态，则其种类可以不特别限定，可以根据实施方式适当地选择。传感器sd例如可以是相机、红外线传感器、麦克风、生命传感器等。驾驶员rd的状态例如可以包括姿势、行为、困倦度、疲劳度、从容度等。困倦度表示驾驶员rd的困倦的程度。疲劳度表示驾驶员rd的疲劳的程度。从容度表示相对于驾驶员rd的驾驶的从容的程度。也可以是，除去这些限定之外，本变形例所涉及的监视系统100d与上述实施方式所涉及的系统100相同地构成。
[0271]
(监视装置)
[0272]
本变形例所涉及的各监视装置2d与上述实施方式所涉及的各客户端装置2对应。本变形例所涉及的各监视装置2d的硬件结构以及软件结构可以与上述实施方式所涉及的各客户端装置2相同。由此，各监视装置2d的信息处理可以通过与上述各客户端装置2相同的顺序来执行。
[0273]
在上述步骤s101中，各监视装置2d收集本地学习数据3d。本地学习数据3d通过由传感器sd得到的传感检测数据的多个本地样本而构成。在上述步骤s102中，各监视装置2d对与本地学习数据3d的要素间的相关性相关的运算的结果51d进行计算。各监视装置2d通过执行上述步骤s1021～步骤s1023的处理，能够计算本地学习数据3d的自相关性矩阵来作为运算的结果51d。在步骤s103中，各监视装置2d输出计算出的运算的结果51d。
[0274]
(综合分析装置)
[0275]
在本变形例中，综合分析装置1关于由传感器sd得到的传感检测数据，导出一个以上的主成分41d。具体而言，在上述步骤s201中，综合分析装置1从各监视装置2d获取与相关性相关的运算的结果51d。在上述步骤s202中，综合分析装置1通过对从各监视装置2d获取到的运算的结果51d进行综合，从而对表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40d进行计算。通过上述运算处理，综合分析装置1能够获取所有本地学习数据的方差协方差矩阵来作为综合结果40d。在上述步骤s203中，综合分析装置1通过执行主成分分析，从计算出的综合结果40d导出一个以上的主成分41d。在步骤s204中，综合分析装置1输出与导出的一个以上的主成分41d相关的信息。
[0276]
(主成分的利用)
[0277]
导出的一个以上的主成分41d可以在任意用途中利用。另外，与导出的一个以上的主成分41d相关的信息可以在任意时间点提供给各监视装置2d。各监视装置2d通过上述步骤s301～步骤s303的处理，能够利用导出的一个以上的主成分41d，来压缩对象数据。另外，各监视装置2d通过上述步骤s311～步骤s315的处理，能够利用计算出的一个以上的主成分41d，来识别对象数据中的驾驶员rd的状态。
[0278]
在上述步骤s315中，各监视装置2d输出与推断出驾驶员rd的状态的结果相关的信息。例如，各监视装置2d可以将推断出驾驶员rd的状态的结果直接输出至输出装置。另外，也可以是，例如在基于困倦度以及疲劳度中的至少一方超过阈值等推断出驾驶员rd的状态
的结果被判定为最好不继续驾驶的情况下，各监视装置2d将以使车辆停车并休息的方式催促驾驶员rd的警告输出至输出装置。另外，例如，也可以是，当在控制车辆的动作的控制装置(未图示)连接有各监视装置2d的情况下，各监视装置2d根据推断出驾驶员rd的状态的结果，来决定用于对车辆指示所希望的动作的指令。各监视装置2d可以通过将决定的指令给予控制装置，来控制车辆的动作。需要说明的是，各监视装置2d以及控制装置可以由一体的计算机构成。
[0279]
(特征)
[0280]
根据本变形例，关于能够利用于驾驶员rd的状态的监视的传感检测数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。由此，在上述数据压缩的情况下，通过利用导出的一个以上的主成分41d，能够难以删除有益于驾驶员rd的状态的监视的信息。另外，在上述推断的情况下，能够实现步骤s312～步骤s314中推断驾驶员rd的状态的精度的提高。
[0281]
(e)检测机器的异常的情形
[0282]
图17示意性地例示第5变形例所涉及的检测系统100e的应用情形的一个例子。本变形例是在相对于通过用于观测机器re的状态的传感器se而获取的传感检测数据实施主成分分析的情形下应用了上述实施方式的情形。本变形例所涉及的检测系统100e具备综合分析装置1以及多个检测装置2e。也可以与上述实施方式相同，综合分析装置1与各检测装置2e经由网络而连接。
[0283]
在本变形例中，本地学习数据3e是通过传感器se而得到的传感检测数据。传感器se只要能够观测机器re的状态，则其种类可以不特别限定，可以根据实施方式适当地选择。传感器se例如可以是麦克风、加速度传感器、振动传感器等。推断机器re的状态例如可以通过判定机器re是否产生异常、判定机器re产生异常的概率、识别机器re所产生的或者有产生迹象的异常的种类、确定出产生了异常的部位或者它们的组合而构成。机器re以及异常的种类可以不特别限定，可以根据实施方式适当地选择。机器re例如可以是输送机装置、工业用机器人等构成生产线的装置。机器re可以是装置整体，也可以是马达等装置的一部分。异常例如可以是故障、异物的混入、污垢的附着、结构部件的磨损。也可以是，除去这些限定之外，本变形例所涉及的检测系统100e与上述实施方式所涉及的系统100相同地构成。
[0284]
(检测装置)
[0285]
本变形例所涉及的各检测装置2e与上述实施方式所涉及的各客户端装置2对应。本变形例所涉及的各检测装置2e的硬件结构以及软件结构可以与上述实施方式所涉及的各客户端装置2相同。由此，各检测装置2e的信息处理可以通过与上述各客户端装置2相同的顺序来执行。
[0286]
在上述步骤s101中，各检测装置2e收集本地学习数据3e。本地学习数据3e通过由传感器se得到的传感检测数据的多个本地样本而构成。在上述步骤s102中，各检测装置2e对与本地学习数据3e的要素间的相关性相关的运算的结果51e进行计算。各检测装置2e通过执行上述步骤s1021～步骤s1023的处理，能够计算本地学习数据3e的自相关性矩阵来作为运算的结果51e。在步骤s103中，各检测装置2e输出计算出的运算的结果51e。
[0287]
(综合分析装置)
[0288]
在本变形例中，综合分析装置1关于由传感器se得到的传感检测数据，导出一个以
上的主成分41e。具体而言，在上述步骤s201中，综合分析装置1从各检测装置2e获取与相关性相关的运算的结果51e。在上述步骤s202中，综合分析装置1通过对从各检测装置2e获取到的运算的结果51e进行综合，从而对表示所有本地学习数据所包含的所有本地样本的各要素间的相关性的综合结果40e进行计算。通过上述运算处理，综合分析装置1能够获取所有本地学习数据的方差协方差矩阵来作为综合结果40e。在上述步骤s203中，综合分析装置1通过执行主成分分析，能够从计算出的综合结果40e导出一个以上的主成分41e。在步骤s204中，综合分析装置1输出与导出的一个以上的主成分41e相关的信息。
[0289]
(主成分的利用)
[0290]
导出的一个以上的主成分41e可以在任意用途中利用。另外，与导出的一个以上的主成分41e相关的信息可以在任意时间点供给于各检测装置2e。各检测装置2e通过上述步骤s301～步骤s303的处理，能够利用导出的一个以上的主成分41e，来压缩对象数据。另外，各检测装置2e通过上述步骤s311～步骤s315的处理，能够利用计算出的一个以上的主成分41e，来识别对象数据中的机器re的状态。
[0291]
在上述步骤s315中，各检测装置2e将与推断出机器re的状态的结果相关的信息输出。例如，各检测装置2e可以将推断出机器re的状态的结果直接输出至输出装置。另外，例如也可以是，在基于推断出机器re的状态的结果而检测出机器re产生异常的情况下，各检测装置2e将用于通知产生该异常的警告输出至输出装置。而且，在各检测装置2e构成为能够控制机器re的动作的情况下，各检测装置2e可以与检测出产生异常对应地使机器re的动作停止。此外，各检测装置2e也可以将机器re所产生的异常的种类以及表示用于应对异常的维护方法的信息输出至输出装置。在这种情况下，表示用于应对异常的维护方法的信息可以保存于存储部、存储介质、外部存储装置、存储媒介等预定的存储区域。各检测装置2e可以从预定的存储区域适当地获取表示用于应对异常的维护方法的信息。
[0292]
(特征)
[0293]
根据本变形例，关于能够利用于机器re的异常的检测的传感检测数据，能够抑制成本的增大，并且实现基于主成分分析的数据解析的质量的提高。由此，在上述数据压缩的情况下，通过利用导出的一个以上的主成分41e，能够难以删除有益于机器re的异常的检测的信息。另外，在上述推断的情况中，能够实现步骤s312～步骤s314中检测机器re的异常的精度的提高。
[0294]
＜4.2＞
[0295]
在上述实施方式所涉及的多个客户端装置2中的至少任一个中，各本地样本30可以根据重要度进行加权。另外，在上述实施方式所涉及的多个客户端装置2中的至少任一个中，可以指定构成各本地样本30的多个要素中的成为主成分分析的对象的两个以上的要素。
[0296]
图18示意性地例示本变形例所涉及的客户端装置2j的软件结构的一个例子。本变形例所涉及的客户端装置2j的硬件结构可以与上述实施方式所涉及的客户端装置2相同。客户端装置2j的控制装置通过cpu来解释以及执行收集程序所包含的命令。由此，客户端装置2j作为计算机而动作，该计算机还具备第1受理部205以及第2受理部206来作为软件模块。第1受理部205受理各本地样本30的重要度的指定。第2受理部206从构成各本地样本30的多个要素中受理两个以上的要素的指定。也可以是，除去这点之外，本变形例所涉及的客
户端装置2j与上述实施方式所涉及的客户端装置2相同地构成。
[0297]
图19是表示与基于本变形例所涉及的客户端装置2j的本地学习数据3的收集相关的处理顺序的一个例子的流程图。需要说明的是，以下说明的处理顺序只不过是一个例子，各步骤可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0298]
在步骤s101中，与上述实施方式相同，客户端装置2j的控制部作为收集部201而动作，收集本地学习数据3。在步骤s111中，控制部作为第1受理部205而动作，受理各本地样本30的重要度的指定。在步骤s112中，控制部作为第2受理部206而动作，从构成各本地样本30的多个要素中，受理两个以上的要素的指定。步骤s111以及步骤s112的处理顺序可以不限定于这样的例子，可以根据实施方式适当地决定。
[0299]
图20示意性地例示受理重要度以及分析对象的要素的指定的画面250的一个例子。在客户端装置2j具备显示器作为输出装置的情况下，图20所例示的画面250可以显示于显示器。画面250具备输入栏251以及复选框252。各输入栏251根据本地样本30而设置。另外，各复选框252根据本地样本30的要素而设置。
[0300]
图20的例子中，输入栏251构成为能够将各本地样本30的重要度指定为5个阶段。将样本a指定为重要度“5”，将样本b指定为重要度“1”。但是，重要度的指定方法以及阶段数可以不限定于这样的例子，可以根据实施方式适当地决定。重要度可以通过离散值或者连续值来指定。另外，图20的例子中，通过在复选框252进行复选，能够指定分析对象的要素。但是，要素的指定方法可以不限定于这样的例子，可以根据实施方式适当地决定。
[0301]
操作人员通过经由输入装置而操作各输入栏251，能够指定各本地样本30的重要度。若指定了各本地样本30的重要度，则各本地样本30根据指定的重要度进行加权。同样，操作人员通过经由输入装置而操作各复选框252，能够指定成为分析对象的两个以上的要素。需要说明的是，分析对象的要素可以根据任务来指定。作为一个例子，在上述外观检查的情形下，也可以将检测第1缺陷的第1任务与检测第2缺陷的第2任务之间不同的要素指定为分析对象。由此，能够将适于任务的执行的要素指定为分析对象。
[0302]
若重要度以及分析对象的要素的指定结束，则控制部使处理向接下来的步骤s102前进。在上述运算中，x n(p)
置换为以下的式11，上述n
(p)
置换为以下的式12。另外，将没有指定(选择)的要素从运算中除去。除了这些方面之外，控制部与上述实施方式相同地执行步骤s102的处理。
[0303]
[式11]
[0304][0305]
[式12]
[0306][0307]
w n(p)
表示由第p个客户端装置2收集到的本地学习数据3的第n个本地样本30所被指定的重要度(权重)。控制部通过步骤s102的处理，能够针对指定的要素，生成与反映了重要度的相关性相关的运算的结果51。在本变形例中，在上述步骤s1021中获取的所有本地样本的各要素的平均值是根据重要度进行了加权的加权平均值。通过执行上述步骤s1021～步骤s1023的处理，控制部能够针对指定的要素，计算反映了重要度的自相关性矩阵来作为
运算的结果51。需要说明的是，没有被指定的要素的除去也可以不是由客户端装置2j进行而是由综合分析装置1进行。在步骤s103中，控制部输出计算出的运算的结果51。
[0308]
(综合分析装置)
[0309]
与指定重要度对应地，在上述步骤s202中，控制部11通过将自相关性矩阵之和除以与重要度对应的加权之和，能够计算所有本地学习数据的方差协方差矩阵来作为综合结果40。另外，通过指定分析对象的要素，从而在上述步骤s202中，控制部11针对指定的两个以上的要素，对获取到的运算的结果51进行综合，从而计算综合结果40。另外，在上述步骤s203中，控制部11通过实施主成分分析，从针对指定的两个以上的要素而计算出的综合结果40导出一个以上的主成分41。也可以是，除了这些方面之外，本变形例所涉及的综合分析装置1的信息处理与上述实施方式相同。
[0310]
(特征)
[0311]
根据本变形例，能够基于重要度对各本地样本30赋予优劣。能够提高重要的本地样本30的重要度，能够降低不重要的本地样本30的重要度。通过像这样指定的各本地样本30的重要度反映于主成分分析，能够实现基于主成分分析的数据解析的质量的提高。另外，根据本变形例，能够从本地样本30的多个要素选择成为主成分分析的对象的两个以上的要素。由此，通过从分析对象除去与任务的执行等目的相关性低的要素，能够减少主成分分析所涉及的计算成本，并且导出适于目的的主成分41。需要说明的是，在本变形例所涉及的客户端装置2j的软件结构中，可以省略第1受理部205以及第2受理部206中的至少任一个。据此，可以省略重要度的指定以及对象要素的指定中的至少任一个。
[0312]
(分组化)
[0313]
指定为分析对象的要素越相似，则收集到的本地学习数据3的利用目的相似的可能性越高。因此，假定为若对根据在指定的要素的相似度高的客户端装置2j之间收集到的本地学习数据3而计算出的运算的结果51进行综合，则能够从得到的综合结果40适当地导出一个以上的主成分41。此处，在本变形例中，也可以是，综合分析装置1的控制部11作为分组化部115而动作，并基于要素的指定结果，将各客户端装置2j分组。
[0314]
图21是表示利用了要素的指定结果的分组化方法的处理顺序的一个例子的流程图。在组的分配方法采用了图21所示的分组化方法的情况下，将各客户端装置2j分配于多个组中的至少任一个组是通过以下的步骤s251以及步骤s252而构成的。但是，以下说明的处理顺序只不过是一个例子，各处理可以尽可能变更。另外，针对以下说明的处理顺序，能够根据实施方式，适当地进行步骤的省略、置换以及追加。
[0315]
在步骤s251中，控制部11从各客户端装置2j获取指定了两个以上的要素的结果。指定结果的获取方法可以根据实施方式适当地决定。在步骤s252中，控制部11基于各客户端装置2j中指定的两个以上的要素的一致度，将各客户端装置2j分配于多个组中的至少任一个组中。作为一个例子，控制部11可以将指定的要素完全一致的客户端装置2j分配于相同的组。或者，控制部11可以将指定的要素的一致度超过阈值的客户端装置2j分配于相同的组。阈值可以适当地设定。由此，能够利用分析对象的要素的指定结果，来将各客户端装置2j进行分组。
[0316]
根据该分组，在上述步骤s202中，控制部11在相同的组内，针对指定的两个以上的要素，对从各客户端装置2j获取到的运算的结果51进行综合，从而计算综合结果40。而且，
在上述步骤s203中，控制部11通过实施主成分分析，从而从在相同的组内针对指定的两个以上的要素而计算出的综合结果40导出一个以上的主成分41。
[0317]
需要说明的是，也可以是，当在相同的组内存在指定的要素不同的客户端装置2j的情况下，在上述步骤s202中，控制部11针对包含由各客户端装置2j指定的要素的要素，对从各客户端装置2j获取到的运算的结果51进行综合。而且，也可以是，在上述步骤s203中，控制部11从针对包含的要素而计算出的综合结果40导出一个以上的主成分41。或者，也可以是，在上述步骤s203中，控制部11从针对按每个客户端装置2j指定的两个以上的要素而计算出的综合结果40导出一个以上的主成分41。
[0318]
＜4.3＞
[0319]
在上述实施方式中，各客户端装置2执行本地学习数据3的收集、数据压缩以及预定推断的3个信息处理。然而，各客户端装置2的结构可以不限定于这样的例子。多个客户端装置2中的至少任一个可以通过多台计算机构成。在这种情况下，各信息处理可以通过不同的计算机执行。
[0320]
图22示意性地例示本变形例所涉及的客户端装置2k的结构的一个例子。在本变形例中，客户端装置2k具备收集装置2001、第1利用装置2002以及第2利用装置2003。收集装置2001、第1利用装置2002以及第2利用装置2003各自的硬件结构可以与上述实施方式所涉及的各客户端装置2相同。收集装置2001通过执行收集程序85，作为具备收集部201、运算部202以及输出部203作为软件模块的计算机而动作。第1利用装置2002通过执行压缩程序86，作为具备获取部211、压缩部212以及输出部213作为软件模块的计算机而动作。第2利用装置2003通过执行推断程序87，作为具备获取部215、推断部216以及输出部217作为软件模块的计算机而动作。
[0321]
需要说明的是，利用导出的一个以上的主成分41的计算机可以不局限于各客户端装置2。导出的一个以上的主成分41可以通过除各客户端装置2以外的其他计算机而被利用。其他计算机可以包括上述综合分析装置1。另外，导出的一个以上的主成分41的用途可以不局限于上述数据压缩以及预定推断。导出的一个以上的主成分41可以利用于任意用途。
[0322]
＜4.4＞
[0323]
在上述实施方式中，在步骤s102中计算运算的结果51的过程中，利用各客户端装置2的本地样本30的数量以及各要素的平均值，来计算所有本地样本的各要素的平均值u。另外，在上述步骤s202中，对从各客户端装置2得到的运算的结果51进行综合。这些数据与本地学习数据3相关。因此，若公开这些数据，则可能损害各客户端装置2的本地学习数据3的机密性。此处，为了提高本地学习数据3的机密性，各个运算可以使用秘密计算。所有本地样本的各要素的平均值u可以通过利用了从各客户端装置2得到的本地样本30的数量以及各要素的平均值的秘密计算来计算。另外，运算的结果51的综合可以通过秘密计算来进行。秘密计算的方法可以不特别限定，可以根据实施方式适当地选择。在本变形例中，控制部11能够通过以下的两个方法中的任一个来进行秘密计算。
[0324]
(a)利用秘密分散的方法
[0325]
图23示意性地例示利用秘密分散执行秘密计算的情形的一个例子。在利用了秘密分散的方法中，第1服务器61以及第2服务器62分别作为具有可靠性的第三方装置而设置于
网络。第1服务器61以及第2服务器62分别是与综合分析装置1等相同地具备硬件处理器以及存储器的计算机。
[0326]
在该方法中，首先，各客户端装置2的控制部21在将自身的运算结果向其他计算机发送时，生成随机数。将自身的运算结果向其他计算机发送的情形在上述实施方式中是发送本地样本30的数量以及各要素的平均值的情形(以下，也记载为“第1情形”)以及发送运算的结果51的情形(以下，也记载为“第2情形”)。在第1情形下，其他计算机是计算所有本地样本的各要素的平均值u的计算机(例如综合分析装置1、其他客户端装置2)。另外，在第2情形下，其他计算机是综合分析装置1。生成随机数的方法可以根据实施方式适当地选择。
[0327]
接下来，控制部21对发送的运算结果的值与生成的随机数的差值进行计算。在第1情形下，发送的运算结果是本地样本30的数量和各要素的平均值的积以及本地样本30的数量这两个。控制部21计算它们各自与随机数的差值。与它们各自之间存在差值的随机数可以相同，也可以不同。在第2情形下，发送的运算结果是与相关性相关的运算的结果51以及本地样本30的数量这两个。与第1情形相同，控制部21计算它们各自与随机数的差值。与它们各自之间存在差值的随机数可以相同，也可以不同。而且，控制部21将计算出的差值向第1服务器61发送，另一方面，将生成的随机数向第2服务器62发送。
[0328]
据此，第1服务器61如以下的式13那样，计算从各客户端装置2接收到的差值的总和。另一方面，第2服务器62如以下的式14那样，计算从各客户端装置2接收到的随机数的总和。
[0329]
[式13]
[0330]
∑p(y(p)-s(p))
ꢀꢀꢀ…
(式13)
[0331]
[式14]
[0332]
∑ps(p)
…
(式14)
[0333]
需要说明的是，y
(p)
表示基于第p个客户端装置2的运算结果的值。在第1情形下，y
(p)
是本地样本30的数量和各要素的平均值的积(n
(p)u(p)
)以及本地样本30的数量n
(p)
这两个。各自分别进行计算。另一方面，在第2情形下，y
(p)
是与相关性相关的运算的结果51(q
(p)
)以及本地样本30的数量n
(p)
这两个。各自分别进行计算。s
(p)
表示由第p个客户端装置2生成的随机数。
[0334]
第1服务器61以及第2服务器62分别将总和的计算结果向其他计算机发送。其他计算机将分别从第1服务器61以及第2服务器62接收到的总和的计算结果相加。由此，能够防止各客户端装置2的运算结果在其他计算机中被确定，并且其他计算机计算各运算结果的总和。在第1情形下，各客户端装置2能够得到式4的运算结果。在第2情形下，综合分析装置1能够得到式7的运算结果。
[0335]
需要说明的是，秘密分散的方式可以不特别限定，可以根据实施方式适当地选择。秘密分散的方式例如可以使用国际标准(iso/iec19592-2:2017)的方式等。只要综合分析装置1是具有可靠性的服务器，则综合分析装置1可以作为第1服务器61以及第2服务器62中的任一个而动作。另外，第1服务器61以及第2服务器62可以由相同的计算机构成。
[0336]
(b)利用同态加密的方法
[0337]
图24示意性地例示利用同态加密执行秘密计算的情形的一个例子。在利用了同态加密的方法中，服务器65作为具有可靠性的第三方装置而设置于网络。服务器65是与综合
分析装置1等相同地具备硬件处理器以及存储器的计算机。
[0338]
在该方法中，首先，服务器65发布公钥以及私钥。公钥生成为具有同态性。换句话说，在给予了通过公钥而加密的两个密文的情况下，以能够保持加密的状态进行两个密文的相加的方式生成公钥。服务器65将发行的公钥以及私钥中的公钥向各客户端装置2发送。
[0339]
各客户端装置2的控制b21通过接收到的公钥，对自身的运算结果进行加密。而且，控制部21将加密的运算结果向其他计算机发送。其他计算机如以下的式15那样计算从各客户端装置2接收到的运算结果的值保持加密的状态的总和。
[0340]
[式15]
[0341]
h(∑py(p))
…
(式15)
[0342]
需要说明的是，h表示通过公钥而被加密。
[0343]
其他计算机将加密后的总和向服务器65发送。服务器65通过私钥，对从其他计算机接收到的加密总和进行解密。而且，服务器65将解密后的运算结果的总和返回其他计算机。由此，防止各客户端装置2的运算结果在其他计算机中被确定出，并且其他计算机能够计算各运算结果的总和。在第1情形下，各客户端装置2能够得到式4的运算结果。在第2情形下，综合分析装置1能够得到式7的运算结果。
[0344]
需要说明的是，同态加密的方式可以不特别限定，可以根据实施方式适当地选择。同态加密的方式例如可以使用modified-elgamal加密、paillier加密等。另外，若综合分析装置1为具有可靠性的服务器，则综合分析装置1可以作为服务器65而动作。
[0345]
如以上那样，根据本变形例，通过上述两个方法中的任一个，能够利用秘密计算来计算式4以及式7各自的总和。由此，能够提高各客户端装置2的本地学习数据3的机密性。
[0346]
＜4.5＞
[0347]
在上述实施方式中，也可以省略将各客户端装置2分组化的处理。据此，也可以从综合分析装置1的软件结构省略分组化部115。另外，上述各步骤的处理也可以由不同的计算机执行。例如，上述步骤s101的处理以及上述步骤s102的处理可以由不同的计算机执行。
[0348]
附图标记说明
[0349]1…
综合分析装置；11
…
控制部；12
…
存储部；13
…
通信接口；14
…
输入装置；15
…
输出装置；16
…
驱动器；111
…
获取部；112
…
综合部；113
…
分析部；114
…
输出部；115
…
分组化部；121
…
主成分信息；123
…
组列表；124
…
分配信息；81
…
综合分析程序；91
…
存储介质；2
…
客户端装置；21
…
控制部；22
…
存储部；23
…
通信接口；24
…
输入装置；25
…
输出装置；26
…
驱动器；27
…
外部接口；201
…
收集部；202
…
运算部；203
…
输出部；211
…
获取部；212
…
压缩部；213
…
输出部；215
…
获取部；216
…
推断部；217
…
输出部；221
…
运算结果数据；223
…
对象数据；224
…
压缩数据；226
…
对象数据；227
…
数据组；228
…
样本；85
…
收集程序；86
…
压缩程序；87
…
推断程序；92
…
存储介质；3
…
本地学习数据；30
…
本地样本；40
…
综合结果；41
…
主成分；51
…
(运算的)结果。