1 |
1
기계 학습 자동화를 구현하는 시스템에 있어서,메모리; 및적어도 하나의 프로세서를 포함하며,상기 적어도 하나의 프로세서는,상기 메모리로부터 입력된, 알고리즘 구성을 이루는 알고리즘들의 종류, 각각의 상기 알고리즘들의 하이퍼 파라미터 및 각각의 상기 알고리즘들의 매개변수들에 대한 데이터 셋으로부터 초기 시작점을 결정하는 초기화기;상기 데이터 셋에 기초하여 후보 알고리즘 구성을 결정하는 최적화기;상기 후보 알고리즘 구성에 기초하여 예측되는 성능 측정값을 얻는 성능 측정값 예측기;상기 후보 알고리즘 구성과 이전의(previous) 결과 알고리즘 구성의 성능을 비교하고, 상기 성능의 비교 결과 성능이 높은 알고리즘 구성으로 상기 결과 알고리즘 구성을 업데이트하는 측정기준 계산기; 및상기 업데이트된 결과 알고리즘 구성에 기초하여 최고의 성능을 가진 하나의 알고리즘 구성 모델을 상기 메모리에 출력하는 모델 제조기를 포함하고,상기 최적화기는 상기 알고리즘들의 종류, 각각의 상기 알고리즘들의 하이퍼 파라미터 및 각각의 상기 알고리즘들의 매개변수들을 모두 매개변수화하여 상기 후보 알고리즘 구성을 결정하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
2 |
2
제 1 항에 있어서,상기 최적화기는,상기 데이터 셋에 대하여 순차적으로 회귀를 적용하고 소정의 습득 함수로부터 전역 최적값일 가능성이 높은 알고리즘 구성에 대하여 상기 후보 알고리즘 구성을 결정하는 베이지안 최적화기인 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
3 |
3
제 1 항에 있어서,상기 최적화기는,상기 데이터 셋의 랜덤 포레스트에 대한 학습을 수행하여 최고의 성능을 보일 것이라고 예상되는 상기 후보 알고리즘 구성을 결정한 후, 상기 후보 알고리즘 구성의 실제 성능 측정값을 계산하지 않고 상기 후보 알고리즘 구성을 상기 랜덤 포레스트의 트리에 삽입하는 몬드리안 포레스트 최적화기인 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
4 |
4
제 1 항에 있어서,상기 최적화기는,온라인에서 병렬적으로 작동하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
5 |
5
제 3 항에 있어서,상기 최적화기는,상기 후보 알고리즘 구성에 대하여 병렬적으로 성능 측정값을 계산한 뒤, 상기 랜덤 포레스트의 트리에 비동기적으로 업데이트하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
6 |
6
제 3 항에 있어서,상기 최적화기는,상기 랜덤 포레스트의 각 트리 안에서 각 트리의 노드들의 경계 분포를 이용하여 상기 후보 알고리즘 구성의 불확실성을 계산하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
7 |
7
제 3 항에 있어서,상기 최적화기는,상기 랜덤 포레스트의 트리에 상기 후보 알고리즘 구성을 상기 랜덤 포레스트의 트리의 노드의 분포에 변화 없이 삽입하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 시스템
|
8 |
8
메모리 및 적어도 하나의 프로세서를 포함하는 시스템에 의하여 기계 학습 자동화를 구현하는 방법에 있어서,입력된, 알고리즘 구성을 이루는 알고리즘들의 종류, 각각의 상기 알고리즘들의 하이퍼 파라미터 및 각각의 상기 알고리즘들의 매개변수들에 대한 데이터 셋으로부터 초기 시작점을 결정하는 초기화 단계;상기 데이터 셋에 기초하여 후보 알고리즘 구성을 결정하는 최적화 단계;상기 후보 알고리즘 구성에 기초하여 예측되는 성능 측정값을 생성하는 성능 측정값 예측 단계;상기 후보 알고리즘 구성과 이전의(previous) 결과 알고리즘 구성의 성능을 비교하고, 상기 성능의 비교 결과 성능이 높은 알고리즘 구성으로 상기 결과 알고리즘 구성을 업데이트하는 측정기준 계산 단계; 및상기 업데이트된 결과 알고리즘 구성에 기초하여 최고의 성능을 가진 하나의 알고리즘 구성 모델을 출력하는 모델 제조 단계를 포함하고,상기 최적화 단계는 상기 알고리즘들의 종류, 각각의 상기 알고리즘들의 하이퍼 파라미터 및 각각의 상기 알고리즘들의 매개변수들을 모두 매개변수화하여 상기 후보 알고리즘 구성을 결정하는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
9 |
9
제 8 항에 있어서,상기 최적화 단계는,상기 데이터 셋에 대하여 순차적으로 회귀를 적용하고 소정의 습득 함수로부터 전역 최적값일 가능성이 높은 알고리즘 구성에 대하여 상기 후보 알고리즘 구성을 결정하는 베이지안 최적화로서 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
10 |
10
제 8 항에 있어서,상기 최적화 단계는,상기 데이터 셋의 랜덤 포레스트에 대한 학습을 수행하여 최고의 성능을 보일 것이라고 예상되는 상기 후보 알고리즘 구성을 결정한 후, 상기 후보 알고리즘 구성의 실제 성능 측정값을 계산하지 않고 상기 후보 알고리즘 구성을 상기 랜덤 포레스트의 트리에 삽입하는 몬드리안 포레스트 최적화로서 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
11 |
11
제 8 항에 있어서,상기 최적화 단계는,온라인에서 병렬적으로 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
12 |
12
제 10 항에 있어서,상기 최적화 단계는,상기 후보 알고리즘 구성에 대하여 병렬적으로 성능 측정값을 계산한 뒤, 상기 랜덤 포레스트의 트리에 비동기적으로 업데이트함으로써 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
13 |
13
제 10 항에 있어서,상기 최적화 단계는,상기 랜덤 포레스트의 각 트리 안에서 각 트리의 노드들의 경계 분포를 이용하여 상기 후보 알고리즘 구성의 불확실성을 계산함으로써 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
14 |
14
제 10 항에 있어서,상기 최적화 단계는,상기 랜덤 포레스트의 트리에 상기 후보 알고리즘 구성을 상기 랜덤 포레스트의 트리의 노드의 분포에 변화 없이 삽입함으로써 수행되는 것을 특징으로 하는,기계 학습 자동화를 구현하는 방법
|
15 |
15
제 8 항 내지 제 14 항의 방법을 수행하고, 컴퓨터 판독 가능 저장 매체에 저장된,컴퓨터 프로그램
|