Ｃ４Ｔ、ユーザーの趣味嗜好を把握・推論する学習型推論エンジン「ＮＥＸＴｅ」を販売
学習型推論エンジン「ＮＥＸＴｅ（ネクスト）（Ｎｅｕｒａｌ ＥＸＴｒａｃｔ ｅｎｇｉｎｅ）」の販売開始
株式会社シーフォーテクノロジー（東京都品川区、社長：三住 光男、以下Ｃ４Ｔ）は、ニューラルネットワーク（＊１）技術を用いて、ユーザーの選択・利用しているコンテンツ（画像、音楽、テキスト．．．ｅｔｃ）データの特徴をリアルタイムに学習し、ユーザーの趣味嗜好を把握・推論する学習型推論エンジン「ＮＥＸＴｅ（ネクスト）（Ｎｅｕｒａｌ ＥＸＴｒａｃｔ ｅｎｇｉｎｅ）」の販売を本日より開始いたします。
ニューラルネットワークとは複数項目から成る一連のデータ（多次元データリスト）に対してネットワークに“一種のパターン記憶（刷り込み）”＝学習処理を行わせ、学習後のネットワークを用いて学習データ以外のデータが与えられた場合でも、それ相応の振る舞い（推論・認識・予測）をさせることが可能なアルゴリズム（仕組み）です。
ネットワークの構成（形態）の違いによって階層型ニューラルネットワーク、非階層型ニューラルネットワークに大別されます。
従来のニューラルネットワークの学習は、データを一定期間蓄積して行うバッチ処理方式であるため、学習データ領域の増加、学習時間の増大および学習から推論までのタイムラグという問題がありました。ＮＥＸＴｅ（ネクスト）では独自アルゴリズムをニューラルネットワーク処理に組み込むことにより、データを蓄積することなくオンタイムの学習を実現しました。これにより、学習とその学習結果を用いた推論がタイムラグなしで同時並行可能となります。また、ＮＥＸＴｅ（ネクスト）はＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）（＊２）、ＳＯＭ（ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ｍａｏ）（＊３）、ＬＶＱ（Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ）（＊４） ３種類の学習・推論アルゴリズムが実装されており、利用用途に応じて使い分けることが可能です。
ＮＥＸＴｅ（ネクスト）の主な利用用途としては、パーソナライズレコメンドサービス／システムがあげられます。
例えば、楽曲のレコメンドシステムでは個人の趣味嗜好を学習し、多数の楽曲データベースから学習結果を基に個人の趣味嗜好を推論してレコメンドすることが可能となり、パーソナライズされたロングテール機能を提供することが可能です。
ＮＥＸＴｅ（ネクスト）およびＮＥＸＴｅ（ネクスト）を利用したシステム構築（受託開発）での売上げを予定いたしております。なお、本件によるＣ４Ｔの業績に与える影響は、現状軽微の見通しです。
＊１【 ニューラルネットワークとは 】
現在のコンピュータの判断はデジタルの世界で０／１の判断、つまり良いか悪いか、合っているか合ってないか等の二者択一の判断しかできず、「判断」を実用化することは依然、誤差の生じる困難な分野です。
私たち人間の判断はアナログの世界で大体合っている、どちらともいえない、おそらく間違っているというようなあいまいな判断を行っていますが、その分「当たらずとも遠からず」であり、当たりはずれの差を自然と避けるようにしています。
当社が採用しているニューラルネットワーク技術は、このようなコンピュータと人間の世界との橋渡しを行う先端技術のひとつであり、人間の脳に近い判断、情報処理をコンピュータ上で実現させることができます。
具体的には、こういうデータを入力した場合、こういう出力（結果）になるという一連のデータ（これを専門用語で教師データと呼びます）を学習させると、入出力データ間の関係を自動的にニューラルネットワークが把握します。
次に、新しい（未知）データをこのニューラルネットワークに入力すると、正確ではないが適切であると思われる出力が得られます。
※添付資料をご参照ください。
＊２【ＢＰ：Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ】
ＢＰとはＢａｃｋ Ｐｒｏｐａｇａｔｉｏｎの略で、教師あり学習方式に属します。入力データに対するニューラルネットワークの出力が教師データに等しくなるように教師データと出力値の誤差を用いてネットワークの結合重みを段階的に更新していきます。この方式は主にデータシミュレーション、予測分野に用いられます。
＊３【ＳＯＭ：Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ｍａｏ】
ＳＯＭとはＳｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ Ｍａｐの略で、教師なし学習方式に属します。二次元マップ上に配置されたユニット群に対して、入力データに最も近いユニット（勝者ユニット）とその近傍ユニットを入力データに順次近づけていくことにより、カテゴリ分布マップが生成されます。この方式は主にデータクラスタリング（カテゴリ分類）分野に用いられます。
＊４【ＬＶＱ：Ｌｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎ】
ＬＶＱとはＬｅａｒｎｉｎｇ Ｖｅｃｔｏｒ Ｑｕａｎｔｉｚａｔｉｏｎの略で、教師あり学習方式に属します。上記ＳＯＭの概念を拡張して勝者ユニットが教師データと同じ場合、勝者ユニットを入力データに近づけ、教師データと異なる場合、勝者ユニットを入力データから遠ざけるようにユニットを更新します。この方式は主にデータ判定、パターン分類分野に用いられます。
【 株式会社シーフォーテクノロジー 会社概要 】
本社所在地：東京都品川区上大崎２丁目１３番１７号 目黒東急ビル５階
代表取締役社長：三住 光男（ミスミ ミツオ）
資本金：１３億６６８万円（２００７年１月１日現在）
事業内容：インターネットセキュリティに欠かせない暗号技術をはじめとする要素技術の研究・開発、情報セキュリティ製品の供給およびソリューションサービスを提供しております。今後も、パートナーとの技術提携により新しい技術・サービスの提供を行い、情報セキュリティ分野において、金融・医療・通信事業などへの実績を踏まえて、公企業体からコンシューマまで、幅広く、Ｃ４Ｔの技術を用いてセキュアな環境を提供していきます。
（東証マザーズ 証券コード２３５５）
ＵＲＬ：http://c4t.jp/
以 上
※記載の会社名や商品名は、それぞれ各社・各団体の商標または登録商標です。
※記載の会社名および商品名、ウェブサイトのＵＲＬなどは、本リリース発表時点のものです。
※掲載文中では、（ＴＭ）、（Ｒ）マークは原則として明記しておりません。