| 1 |
1
랜덤 포레스트 분류 방법으로서,(1) Teacher 랜덤 포레스트 학습 모듈이, 데이트 세트 A를 이용하여, 기존의 랜덤 포레스트 학습 방법을 적용하여 Teacher 랜덤 포레스트를 학습시키는 단계;(2) 클래스 확률값 추출 모듈이, 상기 단계 (1)에서 학습시켜진 Teacher 랜덤 포레스트를 이용하여, Student 랜덤 포레스트를 위한 데이터 세트 B를 구성하는 각각의 클래스의 확률값을 추출하는 단계;(3) Student 랜덤 포레스트 학습 모듈이, 상기 단계 (2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B를 이용하여, Student 랜덤 포레스트를 학습시키는 단계; 및(4) 분류 모듈이, 상기 단계 (3)에서 학습시켜진 Student 랜덤 포레스트를 이용하여 분류를 수행하는 단계를 포함하며,상기 단계 (3)은,(3-1) 상기 단계 (2)에서 각각의 클래스의 확률값이 추출된 데이터 세트 B에서, 임의의 데이터를 선택하여 서브 세트를 구성하는 단계;(3-2) 상기 단계 (3-1)에서 구성된 서브 세트에 대하여, 각각의 내부 노드는 특징 벡터 x에서 파라미터 θi를 무작위로 선택하고, 그 중에서 가장 높은 성능을 갖는 분할 함수 f와 θ를 결정한 후, f(θ, x)를 사용하여 트리를 left(Sl), right(Sr)로 분할하는 과정을, 최대 허용 깊이까지 반복하여 트리를 생성하는 단계; 및(3-3) 상기 단계 (3-2)에서 생성된 트리에 대하여, 평가 기준을 만족하는 트리를 찾는 과정을, 트리의 개수까지 반복하여 수행하는 단계를 포함하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 2 |
2
제1항에 있어서, 상기 Student 랜덤 포레스트는,상기 Teacher 랜덤 포레스트의 트리의 수보다 작은 값의 트리의 수를 갖는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 3 |
3
제1항에 있어서, 상기 단계 (1)에서,상기 데이트 세트 A는 클래스 레이블이 포함되는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 4 |
4
제1항에 있어서, 상기 단계 (2)에서,상기 데이터 세트 B는 클래스 레이블이 포함되지 않는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 5 |
5
삭제
|
| 6 |
6
제1항에 있어서, 상기 단계 (3-2)에서,상기 성능의 평가 기준은, 상기 Teacher 랜덤 포레스트에 의해 추출된 클래스 확률 값을 이용하여 계산되는, 분할 함수 f에 대한 엔트로피 값을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 7 |
7
제6항에 있어서, 상기 단계 (3-2)에서,상기 성능의 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 8 |
8
제1항에 있어서, 상기 단계 (3-3)에서,상기 성능의 평가 기준은, 상기 Teacher 랜덤 포레스트와 상기 Student 랜덤 포레스트에 의해 각각 추출된 클래스 확률값의 교차-엔트로피(cross-entropy)를 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 9 |
9
제8항에 있어서, 상기 단계 (3-3)에서,상기 성능의 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 10 |
10
제9항에 있어서, 상기 단계 (3-3)에서,상기 계산된 교차-엔트로피(cross-entropy)가 미리 지정된 임계값보다 작을 경우 해당 트리를 사용하되, 그렇지 않을 경우 트리를 재생성하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법
|
| 11 |
11
랜덤 포레스트 분류 방법을 이용한 분류기로서,(1) 데이트 세트 A를 이용하여, 기존의 랜덤 포레스트 학습 방법을 적용하여 Teacher 랜덤 포레스트를 학습시키는 Teacher 랜덤 포레스트 학습 모듈;(2) 상기 Teacher 랜덤 포레스트 학습 모듈에서 학습시켜진 Teacher 랜덤 포레스트를 이용하여, Student 랜덤 포레스트를 위한 데이터 세트 B를 구성하는 각각의 클래스의 확률값을 추출하는 클래스 확률값 추출 모듈;(3) 상기 클래스 확률값 추출 모듈에서 각각의 클래스의 확률값이 추출된 데이터 세트 B를 이용하여, Student 랜덤 포레스트를 학습시키는 Student 랜덤 포레스트 학습 모듈; 및(4) 상기 Student 랜덤 포레스트 학습 모듈에서 학습시켜진 Student 랜덤 포레스트를 이용하여 분류를 수행하는 분류 모듈을 포함하며,상기 Student 랜덤 포레스트 학습 모듈은,(3-1) 상기 클래스 확률값 추출 모듈에서 각각의 클래스의 확률값이 추출된 데이터 세트 B에서, 임의의 데이터를 선택하여 서브 세트를 구성하는 단계;(3-2) 상기 단계 (3-1)에서 구성된 서브 세트에 대하여, 각각의 내부 노드는 특징 벡터 x에서 파라미터 θi를 무작위로 선택하고, 그 중에서 가장 높은 성능을 갖는 분할 함수 f와 θ를 결정한 후, f(θ, x)를 사용하여 트리를 left(Sl), right(Sr)로 분할하는 과정을, 최대 허용 깊이까지 반복하여 트리를 생성하는 단계; 및(3-3) 상기 단계(3-2)에서 생성된 트리에 대하여, 평가 기준을 만족하는 트리를 찾는 과정을, 트리의 개수까지 반복하여 수행하는 단계를 포함하여, Student 랜덤 포레스트를 학습시키는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 12 |
12
제11항에 있어서, 상기 Student 랜덤 포레스트는,상기 Teacher 랜덤 포레스트의 트리의 수보다 작은 값의 트리의 수를 갖는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 13 |
13
제11항에 있어서,상기 데이트 세트 A는 클래스 레이블이 포함되는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 14 |
14
제11항에 있어서,상기 데이터 세트 B는 클래스 레이블이 포함되지 않는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 15 |
15
삭제
|
| 16 |
16
제11항에 있어서, 상기 단계 (3-2)에서,상기 성능의 평가 기준은, 상기 Teacher 랜덤 포레스트에 의해 추출된 클래스 확률 값을 이용하여 계산되는, 분할 함수 f에 대한 엔트로피 값을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 17 |
17
제16항에 있어서, 상기 단계 (3-2)에서,상기 성능의 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 18 |
18
제11항에 있어서, 상기 단계 (3-3)에서,상기 성능의 평가 기준은, 상기 Teacher 랜덤 포레스트와 상기 Student 랜덤 포레스트에 의해 각각 추출된 클래스 확률값의 교차-엔트로피(cross-entropy)를 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 19 |
19
제18항에 있어서, 상기 단계 (3-3)에서,상기 성능의 평가 기준은, 다음 수학식을 이용하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
| 20 |
20
제19항에 있어서, 상기 단계 (3-3)에서,상기 계산된 교차-엔트로피(cross-entropy)가 미리 지정된 임계값보다 작을 경우 해당 트리를 사용하되, 그렇지 않을 경우 트리를 재생성하는 것을 특징으로 하는, 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법을 이용한 분류기
|
