1 |
1
합성 데이터 활용 준지도 학습 성능향상 방법에서, 상기 방법은 합성 데이터 활용 준지도 학습 성능향상 장치의 프로세서에 의해 수행되고, 상기 방법은,실제 데이터와 생성 모델로 신규 데이터를 생성하는 신규 데이터 생성 단계;상기 생성된 신규 데이터에 임의의 레이블링 작업을 수행하는 레이블링 작업 수행 단계; 및상기 실제 데이터와 상기 임의의 레이블링된 데이터로 분류 모델을 훈련시키는 분류 모델 훈련 단계를 포함하고,상기 분류 모델 훈련 단계에서, 상기 실제 데이터에 균일한 가중치로 레이블링된 합성 데이터를 더하여 상기 분류 모델의 성능을 향상시키고, 상기 실제 데이터와 상기 레이블링된 데이터의 비율은 1:n이고,상기 임의의 레이블링 작업의 반복 횟수가 임계치 이상이고, 최종 분류 모델이 선정되지 않은 경우, 상기 분류 모델 훈련 단계에서, 상기 실제 데이터에 임의의 가중치로 레이블링되어 생성된 합성 데이터를 더하여 상기 분류 모델의 성능을 향상시키고,상기 반복 횟수가 증가함에 따라, 상기 합성 데이터의 비율과 수를 증가시키고, 상기 합성 데이터의 비율과 수가 증가함에 따라 상기 훈련된 분류 모델의 성능이 감소하면, 상기 합성 데이터의 비율을 상기 감소된 성능에 비례하여 감소시키고, 상기 합성 데이터의 비율을 감소시켜도 상기 분류 모델의 성능 증가가 없으면 상기 합성 데이터의 수를 감소시키는 것을 특징으로 하는, 준지도 학습 성능향상 방법
|
2 |
2
제1 항에 있어서,상기 훈련된 분류 모델의 성능이 이전에 훈련된 분류 모델의 성능보다 향상되었는지 여부를 판단하는 분류 모델 성능 판단 단계;상기 훈련된 분류 모델의 성능이 상기 이전에 훈련된 분류 모델의 성능보다 향상된 경우, 상기 훈련된 분류 모델을 최종 분류 모델로 선정하고,상기 훈련된 분류 모델의 성능이 상기 이전에 훈련된 분류 모델의 성능보다 향상되지 않으면, 상기 레이블링 작업 수행 단계를 통해 상기 임의의 레이블링 작업을 다른 레이블링 비율로 반복 수행하는 것을 특징으로 하는, 준지도 학습 성능향상 방법
|
3 |
3
제1 항에 있어서, 상기 분류 모델과 연관된 카테고리의 수 n에 따라 상기 균일한 가중치는 1/n로 결정되는 것을 특징으로 하는, 준지도 학습 성능향상 방법
|
4 |
4
제3 항에 있어서,상기 임의의 가중치는, 상기 반복 횟수와 상기 훈련된 분류 모델의 성능에 따라 상기 임의의 레이블링된 데이터와 상기 합성 데이터의 비율과 수가 동적으로 조정되는 것을 특징으로 하는, 준지도 학습 성능향상 방법
|
5 |
5
삭제
|
6 |
6
제4 항에 있어서,상기 반복 횟수가 증가함에 따라 신규 입력되는 객체에 대한 분류 성능이 향상되면, 상기 분류 성능의 향상에 반비례하여 상기 레이블링 작업 수행 단계를 통해 상기 합성 데이터의 비율을 감소시키는 것을 특징으로 하는, 준지도 학습 성능향상 방법
|
7 |
7
합성 데이터 활용 준지도 학습 성능향상 장치에서,실제 데이터와 생성 모델로 신규 데이터를 생성하는 데이터 생성 모듈;상기 생성된 신규 데이터에 임의의 레이블링 작업을 수행하는 레이블링 모듈; 및상기 실제 데이터와 상기 임의의 레이블링된 데이터로 분류 모델을 훈련시키는 분류 모델 훈련 모듈을 포함하고,상기 분류 모델 훈련 모듈에서, 상기 실제 데이터에 균일한 가중치로 레이블링된 합성 데이터를 더하여 상기 분류 모델의 성능을 향상시키고, 상기 실제 데이터와 상기 레이블링된 데이터의 비율은 1:n이고,상기 임의의 레이블링 작업의 반복 횟수가 임계치 이상이고, 최종 분류 모델이 선정되지 않은 경우, 상기 분류 모델 훈련 모듈에서, 상기 실제 데이터에 임의의 가중치로 레이블링되어 생성된 합성 데이터를 더하여 상기 분류 모델의 성능을 향상시키고,상기 반복 횟수가 증가함에 따라, 상기 합성 데이터의 비율과 수를 증가시키고, 상기 합성 데이터의 비율과 수가 증가함에 따라 상기 훈련된 분류 모델의 성능이 감소하면, 상기 합성 데이터의 비율을 상기 감소된 성능에 비례하여 감소시키고, 상기 합성 데이터의 비율을 감소시켜도 상기 분류 모델의 성능 증가가 없으면 상기 합성 데이터의 수를 감소시키는 것을 특징으로 하는, 준지도 학습 성능향상 장치
|
8 |
8
제7 항에 있어서,상기 분류 모델 훈련 모듈에서, 상기 훈련된 분류 모델의 성능이 이전에 훈련된 분류 모델의 성능보다 향상되었는지 여부를 판단하고,상기 훈련된 분류 모델의 성능이 상기 이전에 훈련된 분류 모델의 성능보다 향상된 경우, 상기 훈련된 분류 모델을 최종 분류 모델로 선정하고,상기 훈련된 분류 모델의 성능이 상기 이전에 훈련된 분류 모델의 성능보다 향상되지 않으면, 상기 레이블링 모듈을 제어하여 상기 임의의 레이블링 작업을 다른 레이블링 비율로 반복 수행하도록 하는, 준지도 학습 성능향상 장치
|
9 |
9
제8 항에 있어서,상기 레이블링 모듈은, 상기 반복 횟수와 상기 훈련된 분류 모델의 성능에 따라 상기 임의의 레이블링된 데이터와 상기 합성 데이터의 비율과 수를 동적으로 조정하는 것을 특징으로 하는, 준지도 학습 성능향상 장치
|