CN111373403A 一种用于隐藏原始数据以保护个人信息的混淆网络的学习方法和测试方法以及其学习装置和测试装置 （深度来源公司）

PCT/KR2019/008939201一种用于隐藏原始数据以保护个人信息的(Concealing)原始数据以保护个人信息的混淆网络(ObfuscationNetwork)的方法，所述方法络运算应用于输入的训练数据，从而生成第2特特征信息和第2特征信息作为参考而获得的错误与将任务特定输出(TaskSpecificOutput)和其对应的真实数据(GroundTruth)作为参考而获得的错误中的至少一部分来计算出的错误最2(b)所述学习装置(i)将所述混淆的训练数据输入到具有至少一个学习参数的学习网络中，以使所述学习网络(i-1)用所述学习参数将网络运算应用于所述混淆的训练数据，述第2特征信息作为参考而获得的至少一个第1_1错误与(i-2)将使用所述第1特征信息来生成的任务特定输出和与所述任务特定输出对应的至少一个真实数据作为参考而获得的过参考所述训练数据和所述混淆的训练数据来计算出的至少所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输出关所述学习装置学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1所述第1_1特征信息生成的至少一个第1任务特定输出和(i-2b)与所述第1任务特定输对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至(i-2a)将用所述第1_n特征信息生成的至少一个第n任务特定输出和(i-2b)与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行最小化，(ii)并对通过参考所述训练数据和所述混淆的训练数据所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络3所述学习装置将所述训练数据输入到所述混淆网络中，以使所述所述学习装置(i)将所述第1混淆的训练数据输入到所学习网络(i-1)用所述第1学习网络的所述第1学习参数将网络运算应用于所述第1混淆的述训练数据输入到所述第1学习网络中，以使所述第1学习网络(ii-1)用所述第1学习参数将网络运算应用于所述训练数据，(ii-2)从而输出与所述训练数据相对应的第2_1特征信所述学习装置学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的至少一个第(1_2)_1错误中至少一部分来计算出的至少一个第1_1错误进行最小化，(ii)并对通过参考所述训练数据和所述第1混淆的训练数据来计算出的所述学习装置在将整数k从2增加到n的同时，(i)将所述训练数据输入到所述第k-1学第k学习网络用所述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆数据输入到所述第k学习网络中，以使所述第k学习网络用所述第k学习参数将网络运算应习的混淆网络，(iii-1)以对通过参考(iii-1a)将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-1b)将用所述第1_k特征信息生成的至少一个第k任务特定输出和与所述第k任务特定输出对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部分来计算出的至少一个第1_k错误进行最在获得与输入到鉴别器的所述混淆的训练数据相对应的至少一个混淆的训练数据分数作为所述第2错误的状态下，其中所述鉴别器鉴别所输入数据的真实性，所述学习装置(i)在学习所述混淆网络以最小化所述第1错误并最大化第2错误的同时，(ii)学习所述鉴4所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输出关所述学习装置(i)学习所述混淆网络，以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1所述第1_1特征信息生成的至少一个第1任务特定输出和(i-2b)与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至(i-2a)将用所述第1_n特征信息生成的至少一个第n任务特定输出和(i-2b)与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行最小化，且对作为与输入到所述鉴别器的所述混淆的训练数据以对与输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数进行最大化且对所述混淆的训练数据所述学习网络包括分别具有第1学习参数至第n学习参数的第1学习网络至第n学习网所述学习装置将所述训练数据输入到所述混淆网络所述学习装置(i)将所述第1混淆的训练数据输入到所学习网络(i-1)用所述第1学习网络的所述第1学习参数将网络运算应用于所述第1混淆的述训练数据输入到所述第1学习网络中，以使所述第1学习网络(ii-1)用所述第1学习参数将网络运算应用于所述训练数据，(ii-2)从而输出与所述训练数据相对应的第2_1特征信所述学习装置学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所5述第2_1特征信息作为参考而获得的至少一个第(1特征信息生成的至少一个第1任务特定输出和(i-2b)与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误中至少一部分来计算出的至少一个第的所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第1修改训练数据分数所述学习装置在将整数k从2增加到n的同时，(i)将所述训练数据输入到所述第k-1学第k学习网络用所述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆数据输入到所述第k学习网络中，以使所述第k学习网络用所述第k学习参数将网络运算应习的混淆网络，以对通过参考(iii-1)将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-2)将用所述第1_k特征信息生成的至少一个第k任务特定输出和与所述第k任务特定输出对应的至少一个第k真实数据作为参考而获得的为与输入到所述第k-1学习的鉴别器的所述第k混淆的训练数据相对应的至少一个第k混淆器的所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第k修改训练数据分分别与输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数的最大值为1，作为分别用于鉴别淆的训练数据相对应的所述混淆的训练数据分数的最小值为0，作为用于鉴别所述混淆的所述学习装置通过参考(i)所述第1特征信息和所述第2特征信息之间的差异与(ii)所述任务特定输出和所述真实数据之间的至少一个差异中的至少一部分来获取所述第1错所述学习装置通过参考所述第1特征信息和所述第2特征信息之间的范数或余弦相似6所述学习装置通过参考所述混淆的训练数据的熵值和干扰程度中至少一部分来测量11.一种学习用于隐藏原始数据以保护个人信息的混淆网络的测试方法，所述方法包输入到所述学习网络中，以使所述学习网络(iii-1)用所述学习参数将网络运算应用于所混淆网络，(iv-1)以对通过参考(iv-1a)将所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(iv-1b)将用所述第1特征信息生成的至少一个任务特定输出和与所述任务特定输出对应的至少一个真实数据作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误进行最小化，(iv-2)对通过参考所述训练数(b)所述测试装置将所述测试数据输入到所述混淆网络中，以使所述混淆网络使用所所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少7一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进所述学习装置(i)获得与输入到鉴别器的所述混淆的训练数据相对应的至少一个混淆以对与输入到所述鉴别器的修改训练数据或混淆的修改训练数据相对应的至少一个修改所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行最小化，(iii-2)对作为与输入到所述鉴别器的所述混淆的训练数据相对应的所述修改述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训练数据分8参数的所述学习网络中，以使所述学习网络(i-1)用所述学习参数将网络运算应用于所述考而获得的至少一个第1_1错误与(i-2)将用所述第1特征信息生成的至少一个任务特定输出和与所述任务特定输出对应的至少一个真实数据作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误进行最小化，(ii)对通过参考所述训练数据所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述处理器(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习网第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输出关于所述处理器学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(i-2)将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行最小化，(ii)并对通过参考所述训练数据和所述混淆的训练数据来计算出的所述第2错误进行所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述处理器将所述训练数据输入到所述混淆网络中，9所述处理器(i)将所述第1混淆的训练数据输入到所述第习网络(i-1)用所述第1学习网络的所述第1学习参数将网络运算应用于所述第1混淆的训训练数据输入到所述第1学习网络中，以使所述第1学习网络(ii-1)用所述第1学习参数将所述处理器学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的至少一个第(1_2)_1错误中至少一部分来计算出的至少一个第1_1错误进行最小化，(ii)并对通过参考所述训练数据和所述第1混淆的训练数据来计算出的至所述处理器在将整数k从2增加到n的同时，(i)将所述训练数据输入到所述第k-1学习学习网络用所述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆的训输入到所述第k学习网络中，以使所述第k学习网络用所述第k学习参数将网络运算应用于混淆网络，(iii-1)以对通过参考(iii-1a)将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-1b)将用所述第1_k特征信息生成的至少一个第k任务特定输出和与所述第k任务特定输出对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部分来计算出的至少一个第1_k错误进行最小化，(iii-2)并对通过参考所述训练数据和所述第k混淆的训练数据来计算出的至少一个所述在获得与输入到鉴别器的所述混淆的训练数据相对应的至少一个混淆的训练数据分所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述处理器(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习网第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输出关于所述处理器(i)学习所述混淆网络，以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(i-2)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训练数据分数或所述混所述学习网络包括分别具有第1学习参数至第n学习参数的第1学习网络至第n学习网所述处理器将所述训练数据输入到所述混淆网络中，所述处理器(i)将所述第1混淆的训练数据输入到所述第习网络(i-1)用所述第1学习网络的所述第1学习参数将网络运算应用于所述第1混淆的训训练数据输入到所述第1学习网络中，以使所述第1学习网络(ii-1)用所述第1学习参数将所述处理器学习所述混淆网络，(i)以对通过参考(i-1)将所述第1_1特征信息和所述第2_1特征信息作为参考而获得的至少一个第(1_1)_1错误与(i-2)(i-2a)将用所述第1_1特征信息生成的至少一个第1任务特定输出和(i-2b)与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误中至少一部分来计算出的至少一个第所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第1修改训练数据分数或所述处理器在将整数k从2增加到n的同时，(i)将所述训练数据输入到所述第k-1学习学习网络用所述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆的训输入到所述第k学习网络中，以使所述第k学习网络用所述第k学习参数将网络运算应用于混淆网络，以对通过参考(iii-1)将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-2)将用所述第1_k特征信息生成的至少一个第k任务特定输出和与所述第k任务特定输出对应的至少一个第k真实数据作为参考而获得的至与输入到所述第k-1学习的鉴别器的所述第k混淆的训练数据相对应的至少一个第k混淆的训练数据分数的至少一个第2_k错误进行最大化，从而使所述k-1学习的混淆网络成为第k器的所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第k修改训练数据分分别与输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数的最大值为1，作为用于鉴别所述训练数据相对应的所述混淆的训练数据分数的最小值为0，作为用于鉴别所述混淆的训练所述处理器通过参考(i)所述第1特征信息和所述第2特征信息之间的差异与(ii)所述任务特定输出和所述真实数据之间的至少一个差异中的至少一部分来获取所述第1错误，并通过参考所述训练数据和所述混淆的训练数据之间的至少所述处理器通过参考所述第1特征信息和所述第2特征信息之间的范数或余弦相似度所述处理器通过参考所述混淆的训练数据的熵值和干扰程度中至少一部分来测量至25.一种学习用于隐藏原始数据以保护个人信息的混淆网络的测试装置，所述装置包置在已经执行以下过程的条件下获取测试数据：(i)获取训练数据并将其输入到混淆网络训练数据相对应的第2特征信息；以及(iv)学习所述混淆网络，(iv-1)以对通过参考(iv-1a)将所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(iv-1b)将用所述第1特征信息生成的至少一个任务特定输出和与所述任务特定输出对应的至少一个真实数据作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误进行最小化，(iv-2)对通过参考所述训练数据和所述混淆的训练数据来计算出所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误进行最小化，(iii-2)并对通过参考所述训练数据和所述混淆的训练数据来计算出的所所述学习装置(i)获得与输入到鉴别器的所述混淆的训练数据相对应的至少一个混淆以对与输入到所述鉴别器的修改训练数据或混淆的修改训练数据相对应的至少一个修改所述学习网络包括具有至少一个第1学习参数至至少一个第n学习参数的第1学习网络所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n学习述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和与所述第1任务特定输出对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和与所述一个第n任务特定输出对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的所述修改训[0001]本发明涉及一种用于隐藏(Concealing)原始数据以保护个人信息的混淆网络的[0002]大数据(BigData)是指包括现有企业环境或公共机构中使用的所有结构化数据[0005]作为相关现有技术的一例，可以举出例如韩国注册专利公报第1861520号中公开外，可以使用现有的视频去模糊(Deblurring)技术之一将模糊的视频图像恢复为原始状[0010]本发明的另一目的在于使得可以进行简单且准确的隐藏(Concealing)操作而无[0011]另外，本发明的另一目的还在于对原始数据进行不可逆地混淆(Obfuscation)以有至少一个学习参数的学习网络中，以使所述学习网络(i-1)用所述学习参数将网络运算应用于所述混淆的训练数据，(i-2)从而生成与所述混淆的训练数据相对应的第1特征信参数将网络运算应用于所述训练数据，(ii-2)从而生成与所述训练数据相对应的第2特征息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(i-2)将使用所述第1特征信息来生成的任务特定输出(TaskSpecificOutput)和其对应的至少一个真实数据(GroundTruth)作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误最小化，(ii)并使通过参考所述训练数据和所述混淆的训练数据来计算出的至[0017]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的1_1特征信息生成的至少一个第1任务特定输出和(i-2b)其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至(i-2a)将用所述第1_n特征信息生成的至少一个第n任务特定输出和(i-2b)其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平述训练数据和所述混淆的训练数据来计算出[0018]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个1学习网络中，以使所述第1学习网络(ii-1)用所述第1学习参数将网络运算应用于所述训征信息作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的至少一个特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-1b)将用所述第1_k特征信息生成的至少一个第k任务特定输出和其对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部分来计算出的至少一个第1_k错误(Discriminator)的所述混淆的训练数据相对应的至少一个混淆的训练数据分数(ObfuscatedTrainingDataScore)作为所述第2错误的状态下，其中所述鉴别器鉴别所淆的修改训练数据相对应的至少一个修改训练数据分数或至少一个混淆的修改训练数据改训练数据为分别通过修改所述训练数据或所述[0020]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1特征信息生成的至少一个第1任务特定输出和(i-2b)其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至(i-2a)将用所述第1_n特征信息生成的至少一个第n任务特定输出和(i-2b)其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平述鉴别器的所述混淆的训练数据相对应的所述混淆的训练数据分数的所述第2错误最大的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数最大化而获得的至少一个第(1_1)_1错误与(i-第1任务特定输出和(i-2b)其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误中至少一部分来计算出的至少一个第1_1错误最小化，(ii)并使作为与输入到所述鉴别器的所述第1混淆的训练数据相对应的至少一个第1混淆的训练数据分数的至少一个所述鉴别器，(i)以使与输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第1修改训练数据分数或至少一个第1混淆的修改训练数据分数最大化，(ii)并使所述第1混淆的训练数据分数最小化，从而使所述鉴别器成为第1学习的鉴别器，所述学习装置在将整数k从2增加到n的同时，(i)将所述训练数据输入到所述第k-1学习的习网络用所述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆的训练入到所述第k学习网络中，以使所述第k学习网络用所述第k学习参数将网络运算应用于所淆网络，(iii-1)以使通过参考将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-2)将用所述第1_k特征信息生成的至少一个第k任务特定输出和其对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中别器的所述第k混淆的训练数据相对应的至少一个第k混淆的训练数据分数的至少一个第的修改训练数据相对应的至少一个第k修改训练数据分数或至少一个第k混淆的修改训练的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数的最大所述鉴别器的所述混淆的训练数据相对应的所述混淆的训练数据分数的最小值为0，作为信息和所述第2特征信息之间的差异与(ii)所述任务特定输出和所述真实数据之间的至少一个差异中的至少一部分来获取所述第1错误，并通过参考所述训练数据和所述混淆的训息之间的范数(Norm)或余弦相似度(CosineSi数据的熵值和干扰程度中至少一部分来测量至少一种质量(Quality)，并通过进一步参考所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(iv-1b)将用所述第1特征信息生成的至少一个任务特定输出和其对应的至少一个真实数据作为参考使通过参考所述训练数据和所述混淆的训练数据来计算出的至少一个第2错误最大化；以及(b)所述测试装置将所述测试数据输入到所述混淆网络中，以使所述混淆网络使用所述整数时，所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，(iii-2)并使通过参考所述训练数据和所述混淆的训练数据来计算出的所述混淆的训练数据相对应的至少一个混淆的训练数据分数作为所述第2错误，其中所述鉴别器鉴别所输入数据的真实性，(ii)在学习所述混淆网络以最小化所述第1错误并最练数据或混淆的修改训练数据相对应的至少一个修改训练数据分数或至少一个混淆的修述混淆的修改训练数据为分别通过修改所述训练数据或所述混淆的训练数据而生成的数整数时，所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，(iii-2)使作为与输入到所述鉴别器的所述混淆的训练数据相对应的所述修改训练数据分数的所述第2错误最大混淆的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数最个学习参数的所述学习网络中，以使所述学习网络(i-1)用所述学习参数将网络运算应用于所述混淆的训练数据，(i-2)从而生成与所述混淆的训练数据相对应的第1特征信息，及(III)学习所述混淆网络，(i)以使通过参考(i-1)将所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(i-2)将用所述第1特征信息生成的至少一个任务特定输出和其对应的至少一个真实数据作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误最小化，(ii)使通过参考所述训练数据和所述混淆的[0031]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个骤(II)中，所述处理器(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而输征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(i-2)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，(ii)并使通过参考所述训练数据和所述混淆的[0032]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个第1混淆的训练数据输入到所述第1学习网络中，以使所述第1学习网络(i-1)用所述第1学习网络的所述第1学习参数将网络运算应用于所述第1混淆的训练数据，(i-2)从而输出与所述第1混淆的训练数据相对应的第1_1特征信息，(ii)并将所述训练数据输入到所述第1信息作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的至少一个第络运算应用于所述第k混淆的训练数据，从而输出关于所述第k混淆的训练数据的第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-1b)将用所述第1_k特征信息生成的至少一个第k任务特定输出和其对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部分来计算出的至少一个第1_k错误最(Discriminator)的所述混淆的训练数据相对应的至少一个混淆的训练数据分数(ObfuscatedTrainingDataScore)作为所述第2错误的状态下，其中所述鉴别器鉴别所的修改训练数据相对应的至少一个修改训练数据分数或至少一个混淆的修改训练数据分训练数据为分别通过修改所述训练数据或所述混淆的训练[0034]根据本发明一实施例，所述学习网络包括具有至少一个第1学习参数至至少一个n学习网络中，以使每个所述第1学习网络至所述第n学习网络(i-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络征信息至第1_n特征信息，(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运算应用于所述训练数据，(ii-2)从而特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(i-2)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，且使作为与输入到所述鉴别器的所述混淆的训练数据相对应的所述混淆的训练数据分数的所述第2错误最大化，(ii)并且学习所述鉴所述修改训练数据分数或所述混淆的修改训练数据分数最大化且使所述混淆的训练数据理器将所述训练数据输入到所述混淆网络中，以使所述混淆网络对所述训练数据进行混而获得的至少一个第(1_1)_1错误与(第1任务特定输出和(i-2b)其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误中至少一部分来计算出的至少一个第1_1错误最小化，(ii)并使作为与输入到所述鉴别器的所述第1混淆的训练数据相对应的至少一个第1混淆的训练数据分数的至少一个第2_1(i)以使与输入到所述鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的至使所述第k-1学习的混淆网络对所述训练数据进行混淆，从而生成第k混淆的训练数据，述第k学习网络中至少一个第k学习参数将网络运算应用于所述第k混淆的训练数据，从而从而输出关于所述训练数据的第2_k特征信息，(iii)学习所述第k-1学习的混淆网络，(iii-1)以使通过参考将所述第1_k特征信息和所述第2_k特征信息作为参考而获得的至少一个第(1_1)_k错误与(iii-2)将用所述第1_k特征信息生成的至少一个第k任务特定输出和其对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部述第k混淆的训练数据相对应的至少一个第k混淆的训练数据分数的至少一个第2_k错误最鉴别器，以使与输入到所述第k-1学习的鉴别器的所述修改训练数据或所述混淆的修改训练数据相对应的至少一个第k修改训练数据分数或至少一个第k混淆的修改训练数据分数的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数的最大所述鉴别器的所述混淆的训练数据相对应的所述混淆的训练数据分数的最小值为0，作为信息和所述第2特征信息之间的差异与(ii)所述任务特定输出和所述真实数据之间的至少一个差异中的至少一部分来获取所述第1错误，并通过参考所述训练数据和所述混淆的训之间的范数(Norm)或余弦相似度(CosineSimilarit数据的熵值和干扰程度中至少一部分来测量至少一种质量(Quality)，并通过进一步参考习装置在已经执行以下过程的条件下获取测试数据：(i)获取训练数据并将其输入到混淆述混淆的训练数据输入到具有至少一个学习参数的所述学习网络中，以使所述学习网络(iv-1a)将所述第1特征信息和所述第2特征信息作为参考而获得的至少一个第1_1错误与(iv-1b)将用所述第1特征信息生成的至少一个任务特定输出和其对应的至少一个真实数据作为参考而获得的至少一个第1_2错误中的至少一部分来计算出的至少一个第1错误最小化，(iv-2)使通过参考所述训练数据和所述混淆的训练数据来计算出的至少一个第2错整数时，所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，(iii-2)并使通过参考所述训练数据和所述混淆的训练数据来计算出的所述混淆的训练数据相对应的至少一个混淆的训练数据分数作为所述第2错误，其中所述鉴别器鉴别所输入数据的真实性，(ii)在学习所述混淆网络以最小化所述第1错误并最练数据或混淆的修改训练数据相对应的至少一个修改训练数据分数或至少一个混淆的修述混淆的修改训练数据为分别通过修改所述训练数据或所述混淆的训练数据而生成的数整数时，所述学习装置(i)将所述混淆的训练数据输入到每个所述第1学习网络至所述第n至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息至第1_n特征信息；(ii)并将所述训练数据输入到每个所述第1学习网络至所述第n学习网络中，以使每个所述第1学习网络至所述第n学习网络(ii-1)用每个所述第1学习网络至所述第n学习网络的所述第1学习参数至所述第n学习参数将与每个网络相对应的网络运信息和所述第2_1特征信息作为参考而获得的第(1_1)_1错误至将所述第1_n特征信息和所述第2_n特征信息作为参考而获得的第(1_1)_n错误的平均值的所述第1_1错误与(iii-1b)作为将用所述第1_1特征信息生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的平均值的所述第1_2错误中至少一部分来计算出的所述第1错误最小化，(iii-2)使作为与输入到所述鉴别器的所述混淆的训练数据相对应的所述修改训练数据分数的所述第2错误最大混淆的修改训练数据相对应的所述修改训练数据分数或所述混淆的修改训练数据分数最[0046]本发明的效果在于使得可以进行简单且准确的隐藏(Concealing)操作而无需在[0047]本发明的另一效果在于对原始数据进行不可逆地混淆(Obfuscation)以生成隐藏[0051]图1示出了根据本发明一实施例的用于学习隐藏(Concealing)原始数据的混淆网[0052]图2示出了根据本发明一实施例的用于学习隐藏原始数据的混淆网络的学习方[0053]图3示出了根据本发明一实施例的用于学习隐藏原始数据的混淆网络的另一学习[0054]图4示出了根据本发明另一实施例的用于学习隐藏原始数据的混淆网络的学习方[0055]图5示出了根据本发明另一实施例的用于学习隐藏原始数据的混淆网络的另一学子通信设备；诸如网络附加存储(NAS)和存储区域网络(SAN)等的电子信息存储系统)和至[0071]另外，计算装置的处理器可以包括诸如微处理单元(MPU，MicroProcessing的指令将训练数据输入到混淆网络(ObfuscationNetwork)中，以使混淆网络对训练数据至少一个学习参数的学习网络中，以使学习网络(i-1)用学习参数将网络运算应用于混淆的训练数据，(i-2)从而生成与混淆的训练数据相对应的第1特征信息(Characteristic考而获得的至少一个第1_1错误与(i-2)将使用所述第1特征信息来生成的至少一个任务特定输出(TaskSpecificOutput)和其对应的至少一个真实数据作为参考而获得的至少一入到鉴别器的修改训练数据或混淆的修改训练数据相对应的至少一个修改训练数据分数或至少一个混淆的修改训练数据分数最大化并使混淆如上所述配置的本发明一实施例的学习装置100来隐藏(例如，匿名化)原始数据以保护个过修改(Modifying)原始训练数据来生成的修改训练数据，并且可以通过将用随机干扰产模糊(Blur)原始训练数据或改变原始训练数据的分辨率来生成修改训练数据，但不限于从而生成与混淆的训练数据x'相对应的第1特征信息F(x')，(ii)并将训练数据x输入到学运算应用于用学习参数混淆的训练数据x'来输出第1特征信息F(x')且通过将网络运算应最近邻居(k-NearestNeighbors)、线性回归(LinearRegression)、逻辑回归(Logistic机森林(RandomForest)、神经网络(NeuralNetwork)、聚类(Clustering)、可视化[0083]另外，第1特征信息F(x9)和第2特征信息F(x)可以为分别与混淆的训练数据x9和可以为分别与混淆的训练数据x'和训练数据x中的预定特征相关的特征值，或者可以为包F(x9)和第2特征信息F(x)作为参考而获得的至少一个第1_1错误与(i-2)将使用第1特征信息F(x9)来生成的至少一个任务特定输出其对应的至少一个真实数据作为参考而获得的至[0085]此时，学习装置100可以通过参考(i)第1特征信息F(x9)和第2特征信息F(x)之间的差异与(ii)任务特定输出和其对应的真实数据之间的差异中的至少一部分来获得第1错能够计算第1特征信息F(x')和第2特征信息F(x)之间的差异的各种算法。另100可以通过参考训练数据x和混淆的训练数据x'之间的[0086]此外，学习装置100通过参考混淆的训练数[0087]并且，当学习装置100学习混淆网络O以使第1错误最小化并以使第2错误最大化回归中获得的坐标结果等，并且可以将激活单元(ActivationUnit)的激励函数(ActivationFunction)应用于从学习网络F输出的特征信息，从而根据要由学习网络F执[0090]此时，每个类别的概率可以表示从学习网络F为每个类别输出的第1特征信息F[0091]图3示出了根据本发明一实施例的用于隐藏原始数据的混淆网络的另一学习方[0094]接下来，学习装置100将混淆的训练数据x'输入到每网络Fn中，以使每个第1学习网络F1至第n学习网络Fn(i)用每个第1学习网络F1至第n学习网络Fn的第1学习参数至第n学习参数将与每个网络相对应的网络运算应用于混淆的训练Fn中，以使每个第1学习网络F1至第n学习网络Fn(i)用每个第1学习网络F1至第n学习网络Fn的第1学习参数至第n学习参数将与每个网络相对应的网络运算应用于训练数据x，(ii)从而分别生成与训练数据x相对应的第1_1特征信息F1(信息F1(x')和第2_1特征信息F1(x)作为参考而获得的第(1_1)_1错误至将第1_n特征信息Fn(x')和第2_n特征信息Fn(x)作为参考而获得的第(1_1)_n错误的平均值的第1_1错误与(i-2)作为将用第1_1特征信息F1(x')生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误的数据x和混淆的训练数据x'来计算出的第特定输出和其对应的第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息Fn(x')生成的第n任务特定输出和其对应的第n真实数据作为参考而获得的第(1_2)_n[0097]此外，学习装置100通过参考混淆的训练数[0098]并且，当学习装置100学习混淆网络O以使第1错误最小化并以使第2错误最大化特征信息F1(x')和第2_1特征信息F1(x)作为参考而获得的第(1_1)_1错误至将第1_n特征信息Fn(x')和第2_n特征信息Fn(x)作为参考而获得的第(1_1)_n错误的平均值的第1_1错误与(i-2)作为将用第1_1特征信息F1(x')生成的第1任务特定输出和其对应的第1真实数据作为参考而获得的第(1_2)_1错误至将用第1_n特征信息Fn(x')生成的第n任务特定输出和其对应的第n真实数据作为参考而获得的第(1_2)_n错误的平均值的第1_2错误中至少一部分来计算出的第1错误最小化，(ii)并使通过参考训练数据和混淆的训练数据x'来计算错误与第(1_2)_1错误中至少一部分来计算出的第1_1错误至通过参考第(1_1)_n错误与第1)用第1学习网络F1的第1学习参数将网络运算应用于第1混淆的训练数据x1'，(i-2)从而入到第1学习网络F1中，以使第1学习网络F1(ii-1)用第1学习参数将网络运算应用于训练习混淆网络0，(i)以使通过参考(i-1)将第1_1特征信息F1(x1')和第2_1特征信息F1(x)作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用第1_1特征信息F1(x1')生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的至少一个第(1_2)_1错误中至少一部分来计算出的至少一个第1_1错误最小化，(ii)并使通过参考训练数据x和第1混淆的训练数据x1'来计算出的至少一个第2_1错误最大化，从而使混淆学习的混淆网络0(k-1)对训练数据x进行混淆，从而可以生成第k混淆的训练数据xk'。另而输出与第k混淆的训练数据xk'相对应的第1_k特征信息Fk(xk')，(ii)将训练数据x输入作为参考而获得的至少一个第(1_1)_k错误与(i-2)将用所述第1_k特征信息生成的至少一个第1任务特定输出和其对应的至少一个第k真实数据作为参考而获得的至少一个第(1_2)_k错误中至少一部分来计算出的至少一个第1_k错误最小化，(ii)并使通过参考训练数据x和第k混淆的训练数据xk'来计算出的至少一个第2_k错误最大化，从而使第k-1学习的[0103]图4示出了根据本发明另一实施例的用于学习隐藏原始数据的混淆网络的方法。数据x'输入到具有学习参数的学习网络F中，以使学习网络F(i-1)用学习参数将网络运算应用于混淆的训练数据x'，(i-2)从而生成与混淆的训练数据x'相对应的第1特征信息F[0106]接下来，在获得与输入到鉴别以使与输入到鉴别器D的修改训练数据或混淆的修改训练数据相对应的至少一个修改训练时，可以通过将用随机干扰产生网络(未示出)产生的至少一个随机干扰添加到训练数据x加到训练数据x或混淆的训练数据x'以分别生成修改训练数据或混淆的修改训练数据。另习网络F通过使用第2错误来输出与训练数据x不同但难以区分的混淆的训练数据x'。[0108]此时，与输入到鉴别器D的修改训练数据或混淆的修改训练数据相对应的修改训练数据分数或混淆的修改训练数据分数的最大值可以为1，作为用于鉴别修改训练数据或混淆的修改训练数据为真的值，并与输入到鉴别器D的混淆的训练数据x'相对应的混淆的鉴别器D以将混淆的训练数据x'识别为修改的训练数据或混[0109]图5示出了根据本发明另一实施例的用于隐藏原始数据的混淆网络的另一学习方[0111]接下来，学习装置100将混淆的训练数据x'输入到每网络Fn中，以使每个第1学习网络F1至第n学习网络Fn(i)用每个第1学习网络F1至第n学习网络Fn的第1学习参数至第n学习参数将与每个网络相对应的网络运算应用于混淆的训练以使每个第1学习网络F1至第n学习网络Fn(i)用每个第1学习网络F1至第n学习网络Fn的第1学习参数至第n学习参数将与每个网络相对应的网络运算应用于训练数据x，(ii)从而分信息F1(x')和第2_1特征信息F1(x)作为参考而获得的第(1_1)_1错误至将第1_n特征信息Fn(x')和第2_n特征信息Fn(x)作为参考而获得的第(1_1)_n错误的平均值的第1_1错误与(i-2)作为将用第1_1特征信息F1(x')生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的第(1_2)_1错误至将用第1_n特征信息Fn(x')生成的至少一个第n任务特定输出和其对应的至少一个第n真实数据作为参考而获得的第(1_2)_n错误置100可以学习鉴别器D，以使与输入到鉴别器D的修改训练数据或混淆的修改训练数据相来计算出的第(1_1)_1错误，并可以获得通过参考第1_2特征信息F2(x')和第2_2特征信息生成的第1任务特定输出和其对应的第1真实数据作为参考而获得的第(1_2)_1错误至将用所述第1_n特征信息Fn(x')生成的第n任务特定输出和其对应的第n真实数据作为参考而获得的第(1_2)_n错误，从而可以获得作为所述第(1_2)_1错误至第(1_2)_n错误的平均值的中至少一部分来计算出的第1错误最小化且使第信息F1(x')和第2_1特征信息F1(x)作为参考而获得的第(1_1)_1错误至将第1_n特征信息Fn(x')和第2_n特征信息Fn(x)作为参考而获得的第(1_1)_n错误的平均值的第1_1错误与(i-2)作为将用第1_1特征信息F1(x')生成的第1任务特定输出和其对应的第1真实数据作为参考而获得的第(1_2)_1错误至将用第1_n特征信息Fn(x')生成的第n任务特定输出和其对应的第n真实数据作为参考而获得的第(1_2)_n错误的平均值的第1_2错误中至少一部分来计算出的第1错误最小化，(ii)使作为与输入到鉴别器的混淆的训练数据相对应的混淆参考第(1_1)_1错误与第(1_2)_1错误中至少一部分来计算出的第1_1错误至通过参考第(1_1)_n错误与第(1_2)_n错误中至少一部分来计算出的第1行以下过程：(i)将第1混淆的训练数据x1'输入到第1学习网络F1中，以使输入到第1学习网络F1中，以使第1学习网络F1(ii-1)用第1学习参数将网络运算应用于训(x)作为参考而获得的至少一个第(1_1)_1错误与(i-2)将用第1_1特征信息F1(x')生成的至少一个第1任务特定输出和其对应的至少一个第1真实数据作为参考而获得的至少一个到鉴别器D的第1混淆的训练数据x1'相对应的至少一个第1混淆的训练数据分数的至少一