1 |
1
학습 정확도 향상 장치의 학습 정확도 향상 방법에 있어서,상기 학습 정확도 향상 장치가 인공 신경망의 복수의 비용 함수들의 조합을 상기 인공 신경망의 전체 비용 함수로 설정하는 단계; 및상기 학습 정확도 향상 장치가 상기 전체 비용 함수를 이용하여 상기 인공 신경망의 복수의 파라미터들을 업데이트하는 동안 상기 복수의 비용 함수들 각각의 그래디언트가 서로 상쇄되는 상충 영역(conflict region)에서 상기 복수의 비용 함수들 중에서 선택된 비용 함수만을 이용하여 상기 복수의 파라미터들 중에서 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 단계를 포함하고,상기 상충 영역은 상기 복수의 비용 함수들의 그래디언트가 서로 상쇄되어 상기 전체 비용 함수가 0 으로 수렴되는 영역인 학습 정확도 향상 방법
|
2 |
2
삭제
|
3 |
3
제1항에 있어서,상기 업데이트하는 단계는,상기 상충 영역에서 상기 복수의 비용 함수들의 그래디언트가 서로 상쇄되는 조합인 코스트 조합을 검출하는 단계;코스트 선택 확률에 따라 상기 코스트 조합에서 적어도 하나 이상의 비용 함수를 선택하는 단계; 및상기 선택된 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 단계를 포함하는 학습 정확도 향상 방법
|
4 |
4
제3항에 있어서,상기 상충 영역에 대응하는 파라미터들 중에서 하나 이상의 파라미터는 상기 선택된 비용 함수의 최적해로 수렴되는 학습 정확도 향상 방법
|
5 |
5
제1항에 있어서,상기 전체 비용 함수를 이용하여 상기 인공 신경망의 복수의 파라미터들을 업데이트하는 동안 상기 상충 영역에서 상기 복수의 비용 함수들 중에서 상기 선택된 비용 함수를 제외한 나머지 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 단계를 더 포함하는 학습 정확도 향상 방법
|
6 |
6
제5항에 있어서,상기 상충 영역에 대응하는 파라미터들 중에서 하나 이상의 파라미터는 상기 나머지 비용 함수의 최적해로 수렴되는 학습 정확도 향상 방법
|
7 |
7
제5항에 있어서,상기 선택된 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 단계 및 상기 나머지 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 단계는 상기 상충 영역에 대응하는 파라미터들이 상기 선택된 비용 함수 및 상기 나머지 비용 함수 중에서 적어도 하나의 최적해로 수렴할 때까지 지속적으로 반복되는 학습 정확도 향상 방법
|
8 |
8
제7항에 있어서,상기 상충 영역에 대응하는 파라미터들은 상기 선택된 비용 함수의 최적해로 수렴되는 파라미터들과 상기 나머지 비용 함수의 최적해로 수렴되는 파라미터들로 분리되는 학습 정확도 향상 방법
|
9 |
9
제8항에 있어서,상기 상충 영역에 대응하는 파라미터들 각각은 상기 선택된 비용 함수의 최적해 및 상기 나머지 비용 함수의 최적해 중에서 어느 하나로 드리프트되는 학습 정확도 향상 방법
|
10 |
10
통신부; 및상기 통신부를 통한 입력 데이터에 대한 인공 신경망의 복수의 비용 함수들의 조합을 상기 인공 신경망의 전체 비용 함수로 설정하고, 상기 전체 비용 함수를 이용하여 상기 인공 신경망의 복수의 파라미터들을 업데이트하는 동안 상기 복수의 비용 함수들의 그래디언트가 서로 상쇄되는 상충 영역(conflict region)에서 상기 복수의 비용 함수들 중에서 선택된 비용 함수만을 이용하여 상기 복수의 파라미터들 중에서 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 프로세서를 포함하고,상기 상충 영역은 상기 복수의 비용 함수들의 그래디언트가 서로 상쇄되어 상기 전체 비용 함수가 0 으로 수렴되는 영역인 학습 정확도 향상 장치
|
11 |
11
삭제
|
12 |
12
제10항에 있어서,상기 프로세서는 상기 상충 영역에서 상기 복수의 비용 함수들의 그래디언트가 서로 상쇄되는 조합인 코스트 조합을 검출하고, 코스트 선택 확률에 따라 상기 코스트 조합에서 적어도 하나 이상의 비용 함수를 선택하고, 상기 선택된 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 학습 정확도 향상 장치
|
13 |
13
제12항에 있어서,상기 상충 영역에 대응하는 파라미터들 중에서 하나 이상의 파라미터는 상기 선택된 비용 함수의 최적해로 수렴되는 학습 정확도 향상 장치
|
14 |
14
제10항에 있어서,상기 프로세서는 상기 전체 비용 함수를 이용하여 상기 인공 신경망의 복수의 파라미터들을 업데이트하는 동안 상기 상충 영역에서 상기 복수의 비용 함수들 중에서 상기 선택된 비용 함수를 제외한 나머지 비용 함수만을 이용하여 상기 상충 영역에 대응하는 파라미터들을 업데이트하는 학습 정확도 향상 장치
|
15 |
15
제14항에 있어서,상기 상충 영역에 대응하는 파라미터들 중에서 하나 이상의 파라미터는 상기 나머지 비용 함수의 최적해로 수렴되는 학습 정확도 향상 장치
|
16 |
16
제14항에 있어서,상기 프로세서는 상기 상충 영역에 대응하는 파라미터들이 상기 선택된 비용 함수 및 상기 나머지 비용 함수 중에서 적어도 하나의 최적해로 수렴할 때까지 지속적으로 업데이트를 반복하는 학습 정확도 향상 장치
|
17 |
17
제16항에 있어서,상기 상충 영역에 대응하는 파라미터들은 상기 선택된 비용 함수의 최적해로 수렴되는 파라미터들과 상기 나머지 비용 함수의 최적해로 수렴되는 파라미터들로 분리되는 학습 정확도 향상 장치
|
18 |
18
제17항에 있어서,상기 상충 영역에 대응하는 파라미터들 각각은 상기 선택된 비용 함수의 최적해 및 상기 나머지 비용 함수의 최적해 중에서 어느 하나로 드리프트되는 학습 정확도 향상 장치
|