1 |
1
가치 평가 장치에 의해 수행되는 딥러닝 기반의 가치 평가 방법에 있어서,평가 대상의 클래스 정보를 입력받는 단계;GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 포함하되,상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
2 |
2
제1 항에 있어서,상기 평가 대상은 기술이고,상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
3 |
3
제1 항에 있어서,상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
4 |
4
제1 항에 있어서,상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,상기 제1 가치 평가 결과를 산출하는 단계는,상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 단계; 및상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 단계를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
5 |
5
제1 항에 있어서,상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,상기 제1 가치 평가 결과를 산출하는 단계는,상기 복수개의 데이터 샘플 각각을 분류기(classifier)에 적용하여, 상기 클래스 정보에 대한 컨피던스 스코어를 결정하는 단계; 및상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하되,상기 분류기는 입력된 데이터 샘플을 기초로 상기 평가 대상의 클래스를 예측하는 기계 학습 모델인 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
6 |
6
제1 항에 있어서,상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,상기 제1 가치 평가 결과를 산출하는 단계는,상기 복수개의 데이터 샘플 각각을 상기 판별기에 적용하여, 실제 데이터에 대한 컨피던스 스코어를 결정하는 단계; 및상기 컨피던스 스코어가 임계치 이상인 데이터 샘플에 기초하여 상기 제1 가치 평가 결과를 산출하는 단계를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
7 |
7
제1 항에 있어서,상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,상기 트레이닝하는 단계는,상기 제1 변수를 더미 변수(dummy variable)로 변환하는 단계; 및상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
8 |
8
제1 항에 있어서,상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
9 |
9
제8 항에 있어서,상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,상기 트레이닝하는 단계는,상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 단계;상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 단계; 및상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 단계를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
10 |
10
제1 항에 있어서,상기 딥러닝 모델은 상기 평가 대상의 클래스를 분류하는 분류기를 더 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
11 |
11
제10 항에 있어서,상기 딥러닝 모델을 트레이닝하는 단계를 더 포함하되,상기 트레이닝하는 단계는,상기 평가 대상의 클래스 정보가 포함된 제1 실제 데이터 샘플과 상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 이용하여 상기 분류기를 트레이닝하는 단계;상기 트레이닝된 분류기를 이용하여, 상기 평가 대상의 클래스 정보가 포함되지 않은 제2 실제 데이터 샘플에 상기 평가 대상의 클래스를 부여하는 단계; 및상기 클래스가 부여된 상기 제2 실제 데이터 샘플을 이용하여 상기 딥러닝 모델을 트레이닝하는 단계를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
12 |
12
제1 항에 있어서,상기 제1 평가 기초 데이터는 상기 가치 평가 모델의 제1 모델 변수에 대응되는 제1 가상 데이터와 제2 모델 변수에 대응되는 제2 가상 데이터를 포함하고,상기 생성기는 상기 제1 가상 데이터를 생성하는 제1 서브 생성기(sub-generator)와 상기 제2 가상 데이터를 생성하는 제2 서브 생성기를 포함하는 것을 특징으로 하는,딥러닝 기반의 가치 평가 방법
|
13 |
13
삭제
|
14 |
14
삭제
|
15 |
15
프로세서;상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,상기 컴퓨터 프로그램은,평가 대상의 클래스 정보를 입력받는 동작;GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 동작;상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 동작;상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작;상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 동작; 및상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 동작을 수행하도록 하는 인스트럭션들(instructions)을 포함하고,상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것을 특징으로 하는,가치 평가 장치
|
16 |
16
제15 항에 있어서,상기 평가 대상은 기술이고,상기 평가 대상의 클래스 정보는 IPC(International Patent Classification) 코드 및 SIC(Standard Industrial Classification) 코드 중 적어도 하나를 포함하는 것을 특징으로 하는,가치 평가 장치
|
17 |
17
제15 항에 있어서,상기 가치 평가 모델은 현금 흐름 할인 모형인 것을 특징으로 하는,가치 평가 장치
|
18 |
18
제15 항에 있어서,상기 제1 평가 기초 데이터는 복수개의 데이터 샘플을 포함하고,상기 평가 대상의 제1 가치 평가 결과를 산출하는 동작은,상기 복수개의 데이터 샘플을 상기 가치 평가 모델에 적용하여, 복수개의 가치 평가 값을 결정하는 동작; 및상기 복수개의 가치 평가 값에 커널 밀도 추정(kernel density estimation) 기법을 적용하여, 상기 평가 대상의 가치 분포를 추정하는 동작을 포함하는 것을 특징으로 하는,가치 평가 장치
|
19 |
19
제15 항에 있어서,상기 딥러닝 모델의 트레이닝 데이터는 범주형 값을 갖는 제1 변수에 관한 데이터를 포함하고,상기 컴퓨터 프로그램은,상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,상기 트레이닝하는 동작은,상기 제1 변수를 더미 변수(dummy variable)로 변환하는 동작; 및상기 더미 변수에 관한 데이터를 이용하여 상기 딥러닝 모델을 트레이닝하는 동작을 포함하는 것을 특징으로 하는,가치 평가 장치
|
20 |
20
제15 항에 있어서,상기 판별기는 가상 데이터와 실제 데이터를 분류하는 제1 분류기와 상기 평가 대상의 클래스를 분류하는 제2 분류기를 포함하되,상기 생성기의 입력 데이터 및 출력 데이터는 상기 평가 대상의 클래스 정보를 포함하는 것을 특징으로 하는,가치 평가 장치
|
21 |
21
제20 항에 있어서,상기 컴퓨터 프로그램은,상기 딥러닝 모델을 트레이닝하는 동작을 수행하도록 하는 인스트럭션들을 더 포함하되,상기 트레이닝하는 동작은,상기 생성기에 의해 생성된 제1 가상 데이터 샘플을 상기 제1 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제1 오차를 결정하는 동작;상기 제1 가상 데이터 샘플을 상기 제2 분류기에 적용하여, 상기 제1 가상 데이터 샘플에 대한 제2 오차를 결정하는 동작; 및상기 제1 오차 및 상기 제2 오차를 이용하여, 상기 생성기를 트레이닝하는 동작을 포함하는 것을 특징으로 하는,가치 평가 장치
|
22 |
22
컴퓨팅 장치와 결합되어,평가 대상의 클래스 정보를 입력받는 단계;GAN(Generative Adversarial Network) 기반의 딥러닝 모델을 이용하여, 상기 입력된 클래스 정보와 연관된 제1 평가 기초 데이터를 생성하되, 상기 제1 평가 기초 데이터는 가상의 데이터 샘플로 구성되는 것인, 단계;상기 클래스 정보와 연관된 제2 평가 기초 데이터를 획득하되, 상기 제2 평가 기초 데이터는 실제의 데이터 샘플로 구성되는 것인, 단계;상기 제1 평가 기초 데이터를 가치 평가 모델에 적용하여 상기 평가 대상의 제1 가치 평가 결과를 산출하는 단계;상기 제2 평가 기초 데이터를 상기 가치 평가 모델에 적용하여 상기 평가 대상의 제2 가치 평가 결과를 산출하는 단계; 및상기 제1 가치 평가 결과 및 상기 제2 가치 평가 결과의 가중치 합에 기초하여 상기 평가 대상에 대한 최종 가치 평가 결과를 산출하는 단계를 실행시키되,상기 딥러닝 모델은 상기 제1 평가 기초 데이터를 생성하는 생성기(generator)와 실제 데이터와 가상 데이터를 판별하는 판별기(discriminator)를 포함하고,상기 최종 가치 평가 결과를 산출함에 있어서, 상기 제1 가치 평가 결과와 상기 제2 가치 평가 결과에 적용되는 가중치는, 상기 제1 평가 기초 데이터를 상기 판별기에 적용하여 획득된 컨피던스 스코어(confidence score)에 기초하여 결정되는 것인, 컴퓨터로 판독가능한 기록 매체에 저장된,컴퓨터 프로그램
|