| 1 |
1
인공 신경망 학습 장치가 복수의 타임 스텝 중에서 관측된 데이터가 존재하는 타임 스텝과 데이터를 예측해야 할 타임 스텝을 구분하는 예측 기준 시점을 설정하는 단계;상기 인공 신경망 학습 장치가 상기 예측 기준 시점 이전의 타임 스텝 및 상기 예측 기준 시점 이후의 타임 스텝을 구분하여 상기 이전의 타입 스텝에 대응하는 제1 인공 신경망 및 상기 이후의 타임 스텝에 대응하는 제2 인공 신경망을 학습시키는 단계; 및상기 인공 신경망 학습 장치가 시간의 흐름에 따라 새로운 타임 스텝의 학습 결과를 업데이트하는 단계를 포함하고,상기 제1 인공 신경망 및 상기 제2 인공 신경망은 서로 상이하고,상기 학습시키는 단계는,제2 인공 신경망을 학습시킴으로써 상기 예측 기준 시점 이후의 복수의 타임 스텝 모두에 대한 데이터를 예측하는 단계를 포함하는인공 신경망 학습 방법
|
| 2 |
2
제1항에 있어서,상기 학습시키는 단계는,상기 제1 인공 신경망인 상태 추정 네트워크를 학습시켜 히든 벡터 및 셀 벡터를 생성하는 단계; 및상기 히든 벡터 및 상기 셀 벡터에 기초하여 상기 제2 인공 신경망인 상태 전이 네트워크를 학습시키는 단계를 포함하는 인공 신경망 학습 방법
|
| 3 |
3
삭제
|
| 4 |
4
제2항에 있어서,상기 업데이트하는 단계는,상기 상태 추정 네트워크를 상기 새로운 타임 스텝의 관측 데이터를 이용하여 학습시킴으로써 상기 히든 벡터 및 상기 셀 벡터를 업데이트하는 단계; 및업데이트된 히든 벡터 및 업데이트된 셀 벡터에 기초하여 상기 상태 전이 네트워크를 학습시키는 단계를 포함하는 인공 신경망 학습 방법
|
| 5 |
5
제1항에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 각각은FFN(Feed-Forward Neural Network), RNN(Recurrent Neural Network), CNN(Convolution Neural Network) 중 하나로 구현되는인공 신경망 학습 방법
|
| 6 |
6
제2항에 있어서,상기 상태 전이 네트워크는,LSTM(Long Short Term Memory) 기반 네트워크를 포함하는 인공 신경망 학습 방법
|
| 7 |
7
제2항에 있어서,상기 상태 추정 네트워크 및 상기 상태 전이 네트워크는 동시에 학습되거나 상이한 시간에 학습되는인공 신경망 학습 방법
|
| 8 |
8
제2항에 있어서,상기 상태 추정 네트워크 및 상기 상태 전이 네트워크는 상이한 비용 함수를 사용하여 학습되는인공 신경망 학습 방법
|
| 9 |
9
복수의 타임 스텝 중에서 관측된 데이터가 존재하는 타임 스텝과 데이터를 예측해야 할 타임 스텝을 구분하는 예측 기준 시점을 설정하고, 상기 예측 기준 시점 이전의 타임 스텝 및 상기 예측 기준 시점 이후의 타임 스텝을 구분하여 상기 이전의 타입 스텝에 대응하는 제1 인공 신경망 및 상기 이후의 타임 스텝에 대응하는 제2 인공 신경망을 학습시키고, 시간의 흐름에 따라 새로운 타임 스텝의 학습 결과를 업데이트하는 컨트롤러를 포함하고,상기 제1 인공 신경망 및 상기 제2 인공 신경망은 서로 상이하고,상기 컨트롤러는,상기 예측 기준 시점 이후의 복수의 타임 스텝 모두에 대한 데이터를 예측하도록 상기 제2 인공 신경망을 학습시키는인공 신경망 학습 장치
|
| 10 |
10
제9항에 있어서,상기 컨트롤러는,복수의 타임 스텝 중에서 관측된 데이터가 존재하는 타임 스텝과 데이터를 예측해야 할 타임 스텝을 구분하는 예측 기준 시점을 설정하는 기준 시점 설정기; 및상기 예측 기준 시점 이전의 타임 스텝 및 상기 예측 기준 시점 이후의 타임 스텝을 구분하여 상기 이전의 타입 스텝에 대응하는 제1 인공 신경망 및 상기 이후의 타임 스텝에 대응하는 제2 인공 신경망을 학습시키고, 시간의 흐름에 따라 새로운 타임 스텝의 학습 결과를 업데이트하는 트레이너를 포함하는 인공 신경망 학습 장치
|
| 11 |
11
제10항에 있어서,상기 트레이너는,상기 제1 인공 신경망인 상태 추정 네트워크를 학습시켜 히든 벡터 및 셀 벡터를 생성하는 상태 추정기;상기 히든 벡터 및 상기 셀 벡터에 기초하여 상기 제2 인공 신경망인 상태 전이 네트워크를 학습시키는 상태 전이기; 및시간의 흐름에 따라 새로운 타임 스텝의 학습 결과를 업데이트하는 업데이터를 포함하는 인공 신경망 학습 장치
|
| 12 |
12
삭제
|
| 13 |
13
제11항에 있어서,상기 업데이터는,상기 상태 추정 네트워크를 상기 새로운 타임 스텝의 관측 데이터를 이용하여 학습시킴으로써 상기 히든 벡터 및 상기 셀 벡터를 업데이트하고, 업데이트된 히든 벡터 및 업데이트된 셀 벡터에 기초하여 상기 상태 전이 네트워크를 학습시키는인공 신경망 학습 장치
|
| 14 |
14
제9항에 있어서,상기 제1 인공 신경망 및 상기 제2 인공 신경망 각각은FFN(Feed-Forward Neural Network), RNN(Recurrent Neural Network), CNN(Convolution Neural Network) 중 하나로 구현되는인공 신경망 학습 장치
|
| 15 |
15
제11항에 있어서,상기 상태 전이 네트워크는,LSTM(Long Short Term Memory) 기반 네트워크를 포함하는 인공 신경망 학습 장치
|
| 16 |
16
제11항에 있어서,상기 상태 추정 네트워크 및 상기 상태 전이 네트워크는 동시에 학습되거나 상이한 시간에 학습되는인공 신경망 학습 장치
|
| 17 |
17
제11항에 있어서,상기 상태 추정 네트워크 및 상기 상태 전이 네트워크는 상이한 비용 함수를 사용하여 학습되는인공 신경망 학습 장치
|
