| 1 |
1
컴퓨팅 장치에서 출력 레이어에 활성화 노드 및 비활성화 노드를 포함하는 신경망 모델에 대한 기계 학습을 수행하는 방법에 있어서,상기 비활성화 노드가 비활성화된 상태로 제1 학습 데이터셋을 이용하여 상기 신경망 모델을 학습하는 단계;상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계; 및상기 비활성화 노드가 활성화된 상태로, 제2 학습 데이터셋을 이용하여 상기 학습된 신경망 모델을 추가 학습하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 2 |
2
제1 항에 있어서,상기 학습된 신경망 모델의 출력 레이어를 구성하는 복수의 출력 노드 중에서 활성화 상태에 있는 각각의 출력 노드는 기 정의된 클래스와 각각 대응되고,상기 제1 학습 데이터셋은 상기 기 정의된 클래스의 레이블이 부여된 학습 데이터셋이며,상기 제2 학습 데이터셋은 상기 기 정의된 클래스에 포함되지 않은 신규 클래스의 레이블이 부여된 학습 데이터셋인 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 3 |
3
제1 항에 있어서,상기 학습된 신경망 모델의 출력 레이어를 구성하는 복수의 출력 노드 중에서 활성화 상태에 있는 각각의 출력 노드는 기 정의된 클래스와 각각 대응되고,상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계는,클래스 레이블이 부여되지 않은 분류 대상 데이터를 입력받는 단계;상기 학습된 신경망 모델을 이용하여, 상기 분류 대상 데이터의 클래스가 상기 기 정의된 클래스에 포함되지 않은 신규 클래스에 해당하는지 여부를 판정하는 단계; 및상기 신규 클래스에 해당한다는 판정에 응답하여, 상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 4 |
4
제3 항에 있어서,상기 분류 대상 데이터의 클래스가 상기 기 정의된 클래스에 포함되지 않은 신규 클래스에 해당하는지 여부를 판정하는 단계는,상기 각각의 출력 노드로부터, 상기 분류 대상 데이터에 대한 클래스 별 컨피던스 스코어(confidence score)를 획득하는 단계; 및상기 클래스 별 컨피던스 스코어가 기 설정된 조건을 만족한다는 판정에 응답하여, 상기 분류 대상 데이터의 클래스를 신규 클래스로 판정하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 5 |
5
제3 항에 있어서,상기 분류 대상 데이터의 클래스가 상기 기 정의된 클래스에 포함되지 않은 신규 클래스에 해당하는지 여부를 판정하는 단계는,상기 학습된 신경망 모델을 이용하여, 상기 분류 대상 데이터의 클래스를 예측하는 단계;상기 분류 대상 데이터와 상기 예측된 클래스에 해당하는 데이터 간의 유사도를 산출하는 단계; 및상기 산출된 유사도가 임계 수치 미만이라는 판정에 응답하여, 상기 분류 대상 데이터의 클래스를 신규 클래스로 판정하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 6 |
6
제1 항에 있어서,상기 제1 학습 데이터셋은 클래스 레이블(class label)이 부여되지 않은 데이터셋이고,상기 제1 학습 데이터셋을 이용하여 상기 신경망 모델을 학습하는 단계는,상기 제1 학습 데이터셋에 대한 클러스터링(clustering)을 수행하여, 제1 클러스터 및 제2 클러스터를 포함하는 복수의 클러스터를 구축하는 단계;상기 제1 클러스터에 속한 제1-1 학습 데이터셋에 제1 클래스 레이블을 부여하는 단계;상기 제2 클러스터에 속한 제1-2 학습 데이터셋에 제2 클래스 레이블을 부여하는 단계; 및상기 제1-1 학습 데이터셋 및 상기 제1-2 학습 데이터셋을 이용하여, 상기 신경망 모델을 학습하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 7 |
7
제6 항에 있어서,상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계는,상기 학습된 신경망 모델을 이용하여, 클래스 레이블이 부여되지 않은 분류 대상 데이터의 클래스를 예측하는 단계;상기 복수의 클러스터 중에서, 상기 예측된 클래스에 대응되는 타깃 클러스터를 선정하는 단계;상기 선정된 타깃 클러스터와 상기 분류 대상 데이터 간의 유사도를 산출하는 단계; 및상기 산출된 유사도가 임계 수치 미만이라는 판정에 응답하여, 상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 8 |
8
제7 항에 있어서,상기 활성화 상태로 변경하는 단계는,상기 임계 수치 미만이라는 판정에 응답하여, 상기 비활성화 노드의 최종 클래스를 신규 클래스로 판정하는 단계를 더 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 9 |
9
제7 항에 있어서,상기 제2 학습 데이터셋은,상기 분류 대상 데이터를 포함하는 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 10 |
10
제1 항에 있어서,상기 신경망 모델은,악성코드의 유형을 분류하는 모델이고,상기 제1 학습 데이터셋 및 상기 제2 학습 데이터셋을 구성하는 각각의 학습 데이터는,상기 악성코드의 행위 특징을 가리키는 행위 벡터인 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 11 |
11
제10 항에 있어서,상기 악성코드의 행위 특징은,상기 악성코드의 API(application programming interface) 호출 시퀀스에 기초하여 추출된 특징인 것을 특징으로 하는,신경망 모델을 위한 기계 학습 방법
|
| 12 |
12
프로세서;상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(Load)하는 메모리; 및상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,상기 컴퓨터 프로그램은,출력 레이어에 활성화 노드 및 비활성화 노드를 포함하는 신경망 모델(neural network model에서, 상기 비활성화 노드가 비활성화된 상태로 제1 학습 데이터셋을 이용하여 상기 신경망 모델을 학습하는 인스트럭션;상기 비활성화 노드의 상태를 활성화 상태로 변경하는 인스트럭션; 및상기 비활성화 노드가 활성화된 상태로, 제2 학습 데이터셋을 이용하여 상기 학습된 신경망 모델을 추가 학습하는 인스트럭션을 포함하는 것을 특징으로 하는,기계 학습 장치
|
| 13 |
13
제12 항에 있어서,상기 학습된 신경망 모델의 출력 레이어를 구성하는 복수의 출력 노드 중에서 활성화 상태에 있는 각각의 출력 노드는 기 정의된 클래스와 각각 대응되고,상기 제1 학습 데이터셋은 상기 기 정의된 클래스의 레이블이 부여된 학습 데이터셋이며,상기 제2 학습 데이터셋은 상기 기 정의된 클래스에 포함되지 않은 신규 클래스의 레이블이 부여된 학습 데이터셋인 것을 특징으로 하는,기계 학습 장치
|
| 14 |
14
제12 항에 있어서,상기 학습된 신경망 모델의 출력 레이어를 구성하는 복수의 출력 노드 중에서 활성화 상태에 있는 각각의 출력 노드는 기 정의된 클래스와 각각 대응되고,상기 비활성화 노드의 상태를 활성화 상태로 변경하는 인스트럭션은,클래스 레이블이 부여되지 않은 분류 대상 데이터를 입력받는 인스트럭션;상기 학습된 신경망 모델을 이용하여, 상기 분류 대상 데이터의 클래스가 상기 기 정의된 클래스에 포함되지 않은 신규 클래스에 해당하는지 여부를 판정하는 인스트럭션; 및상기 분류 대상 데이터의 클래스가 신규 클래스에 해당한다는 판정에 응답하여, 상기 비활성화 노드의 상태를 활성화 상태로 변경하는 인스트럭션을 포함하는 것을 특징으로 하는,기계 학습 장치
|
| 15 |
15
제14 항에 있어서,상기 분류 대상 데이터의 클래스가 상기 기 정의된 클래스에 포함되지 않은 신규 클래스에 해당하는지 여부를 판정하는 인스트럭션은,상기 학습된 신경망 모델을 이용하여, 상기 분류 대상 데이터의 클래스를 예측하는 인스트럭션;상기 분류 대상 데이터와 상기 예측된 클래스로 기 분류된 데이터 간의 유사도를 산출하는 인스트럭션; 및상기 산출된 유사도가 임계 수치 미만이라는 판정에 응답하여, 상기 분류 대상 데이터의 클래스를 신규 클래스로 판정하는 인스트럭션을 포함하는 것을 특징으로 하는,기계 학습 장치
|
| 16 |
16
제12 항에 있어서,상기 제1 학습 데이터셋은 클래스 레이블(class label)이 부여되지 않은 데이터셋이고,상기 제1 학습 데이터셋을 이용하여 상기 신경망 모델을 학습하는 인스트럭션은,상기 제1 학습 데이터셋에 대한 클러스터링(clustering)을 수행하여, 제1 클러스터 및 제2 클러스터를 포함하는 복수의 클러스터를 구축하는 인스트럭션;상기 제1 클러스터에 속한 제1-1 학습 데이터셋에 제1 클래스 레이블을 부여하는 인스트럭션;상기 제2 클러스터에 속한 제1-2 학습 데이터셋에 제2 클래스 레이블을 부여하는 인스트럭션; 및상기 제1-1 학습 데이터셋 및 상기 제1-2 학습 데이터셋을 이용하여, 상기 신경망 모델을 학습하는 인스트럭션을 포함하는 것을 특징으로 하는,기계 학습 장치
|
| 17 |
17
제16 항에 있어서,상기 비활성화 노드의 상태를 활성화 상태로 변경하는 인스트럭션은,상기 학습된 신경망 모델을 이용하여, 클래스 레이블이 부여되지 않은 분류 대상 데이터의 클래스를 예측하는 인스트럭션;상기 복수의 클러스터 중에서, 상기 예측된 클래스에 대응되는 타깃 클러스터를 선정하는 인스트럭션;상기 선정된 타깃 클러스터와 상기 분류 대상 데이터 간의 유사도를 산출하는 인스트럭션;상기 산출된 유사도가 임계 수치 미만인지 여부를 판정하는 인스트럭션; 및상기 임계 수치 미만이라는 판정에 응답하여, 상기 비활성화 노드의 상태를 활성화 상태로 변경하는 인스트럭션을 포함하는 것을 특징으로 하는,기계 학습 장치
|
| 18 |
18
제12 항에 있어서,상기 신경망 모델은,악성코드의 유형을 분류하는 모델이고,상기 제1 학습 데이터셋 및 상기 제2 학습 데이터셋을 구성하는 각각의 학습 데이터는,상기 악성코드의 행위 특징을 가리키는 행위 벡터인 것을 특징으로 하는,기계 학습 장치
|
| 19 |
19
컴퓨팅 장치와 결합되어,출력 레이어에 활성화 노드 및 비활성화 노드를 포함하는 신경망 모델(neural network model)에서, 상기 비활성화 노드가 비활성화된 상태로 제1 학습 데이터셋을 이용하여 상기 신경망 모델을 학습하는 단계;상기 비활성화 노드의 상태를 활성화 상태로 변경하는 단계; 및상기 비활성화 노드가 활성화된 상태로, 제2 학습 데이터셋을 이용하여 상기 학습된 신경망 모델을 추가 학습하는 단계를 실행시키기 위하여 컴퓨터로 판독 가능한 기록매체에 저장된,컴퓨터 프로그램
|
