| 1 |
1
다중 레이블을 분류하기 위해 이용되는 특징 셋(feature set)의 선택 방법에 있어서, N개의 특징 각각의 가중치를 나타내는 값을 구성요소로 하는 가중치 벡터를 변수로 하고, N개의 특징 간의 연관성과, N개의 특징 및 M개의 레이블 사이의 연관성을 포함하는 평가 함수를 산출하는 단계;상기 평가 함수를 최소로 만드는 가중치 벡터인 최소 가중치 벡터를 산출하는 단계;상기 최소 가중치 벡터를 구성하는 N개의 구성요소 중 상위의 구성요소 값을 가지는 n개의 구성요소를 추출하는 단계; 및 상기 n개의 구성요소와 각각 대응되는 n개의 특징을 상기 특징 셋으로 선택하는 단계;를 포함하되,상기 평가 함수는 아래의 수학식과 같이 표현되는 특징 셋의 선택 방법
|
| 2 |
2
제1항에 있어서, 상기 최소 가중치 벡터를 산출하는 단계는 QP(Quadratic Programming) solver를 이용하여 최소 가중치 벡터를 산출하는 특징 셋의 선택 방법
|
| 3 |
3
제1항에 있어서, 상기 Q의 구성요소 중 i×j번째 구성요소인 Qij는 특징 i와 특징 j 간의 상호작용 정보(interaction information)와 대응되며, 상기 상호작용 정보는 상기 N개의 특징으로 구성된 특징 집합(F)의 총 연관성(total dependency of F)을 이용하여 산출되며, 상기 특징 집합(F)의 총 연관성은 아래의 수학식에 따라 표현되는 특징 셋의 선택 방법
|
| 4 |
4
제3항에 있어서, 상기 c 중 i번째 구성요소 ci는 아래의 수학식과 같이 표현되는 특징 셋의 선택 방법
|
| 5 |
5
다중 레이블을 분류하기 위해 이용되는 특징 셋(feature set)의 선택 장치에 있어서, N개의 특징 각각의 가중치를 나타내는 값을 구성요소로 하는 가중치 벡터를 변수로 하고, N개의 특징 간의 연관성과, N개의 특징 및 M개의 레이블 사이의 연관성을 포함하는 평가 함수를 산출하는 평가 함수 산출부;상기 평가 함수를 최소로 만드는 가중치 벡터인 최소 가중치 벡터를 산출하는 최소 가중치 벡터 산출부; 및상기 최소 가중치 벡터를 구성하는 N개의 구성요소 중 상위의 구성요소 값을 가지는 상위의 n개의 구성요소를 추출하고, 상기 n개의 구성요소와 각각 대응되는 n개의 특징을 상기 특징 셋으로 선택하는 선택부;를 포함하되,상기 평가 함수는 아래의 수학식과 같이 표현되는 특징 셋의 선택 장치
|
