맞춤기술찾기

이전대상기술

학습 안정화를 위한 생성적 적대 신경망 방법 및 장치

  • 기술번호 : KST2020002190
  • 담당센터 : 경기기술혁신센터
  • 전화번호 : 031-8006-1570
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 본 발명은 학습 안정화를 위한 생성적 적대 신경망 방법 및 장치에 관한 것으로, 본 발명의 일 실시 예에 따른 학습 안정화를 위한 생성적 적대 신경망 방법은 노이즈와 맵핑된 생성기 로스(Generator loss)를 이용하여 제1 메모리에 저장된 노이즈(Noise)로부터 재사용 노이즈를 추출하는 단계, 및 상기 추출된 재사용 노이즈와 제2 메모리에 저장된 실제 데이터를 이용하여 생성적 적대 신경망(Generative Adversarial Networks) 기반으로 학습하는 단계를 포함한다.
Int. CL G06N 3/08 (2006.01.01) G06N 3/04 (2006.01.01)
CPC G06N 3/08(2013.01) G06N 3/08(2013.01)
출원번호/일자 1020180106143 (2018.09.05)
출원인 성균관대학교산학협력단
등록번호/일자 10-2123973-0000 (2020.06.11)
공개번호/일자 10-2020-0027835 (2020.03.13) 문서열기
공고번호/일자 (20200617) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2018.09.05)
심사청구항수 21

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 성균관대학교산학협력단 대한민국 경기도 수원시 장안구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 임윤규 경기도 하남시 위례중앙로 ***, **
2 이지형 서울특별시 용산구
3 원민섭 경기도 수원시 영통구
4 우상명 인천광역시 부평구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 인비전 특허법인 대한민국 서울특별시 강남구 테헤란로 **길**, *층(대치동, 동산빌딩)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 성균관대학교산학협력단 경기도 수원시 장안구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application
2018.09.05 수리 (Accepted) 1-1-2018-0884469-13
2 의견제출통지서
Notification of reason for refusal
2020.02.17 발송처리완료 (Completion of Transmission) 9-5-2020-0117423-39
3 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2020.04.16 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2020-0392377-18
4 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
2020.04.16 수리 (Accepted) 1-1-2020-0392378-53
5 등록결정서
Decision to grant
2020.06.08 발송처리완료 (Completion of Transmission) 9-5-2020-0392546-74
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
생성적 적대 신경망 장치에 의해 수행되는 생성적 적대 신경망 방법으로서,노이즈와 맵핑된 생성기 로스(Generator loss)를 이용하여 제1 메모리에 저장된 노이즈(Noise)로부터 재사용 노이즈를 추출하되, 상기 노이즈와 맵핑된 생성기 로스를 크기 순서대로 정렬하고 상기 정렬된 생성기 로스에 따라 재사용 노이즈를 추출하는 단계; 및상기 추출된 재사용 노이즈와 제2 메모리에 저장된 실제 데이터를 이용하여 생성적 적대 신경망(Generative Adversarial Networks) 기반으로 학습하는 단계를 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
2 2
제1항에 있어서,상기 학습에 따라 상기 재사용 노이즈와 맵핑된 생성기 로스를 업데이트하는 단계를 더 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
3 3
제1항에 있어서,상기 생성적 적대 신경망 장치에 구비된 프로세서는 사용자로부터 배치 크기(Batch size)와 경험 수(experience number)를 입력받아, 상기 제1 메모리에 저장되는 노이즈의 배치 크기(Batch size)와 상기 재사용 노이즈의 개수를 나타내는 경험 수(experience number)를 설정하는 단계를 더 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
4 4
제1항에 있어서,학습 초기에 노이즈의 배치 크기만큼 가우시안 분포로부터 노이즈를 추출하여 상기 제1 메모리에 저장하는 단계를 더 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
5 5
제4항에 있어서,학습 초기에 상기 추출된 노이즈와 맵핑되는 생성기 로스를 임의의 절대치로 초기화하여 상기 제1 메모리에 저장하는 단계를 더 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
6 6
삭제
7 7
제1항에 있어서,상기 학습하는 단계는, 상기 추출된 재사용 노이즈를 이용하여 상기 저장된 실제 데이터에 근사한 근사 데이터를 생성하는 단계; 및상기 실제 데이터 또는 상기 생성된 근사 데이터 중에서 어느 하나의 데이터를 이용하여 생성적 적대 신경망 기반으로 학습하는 단계를 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
8 8
제1항에 있어서,학습마다 상기 노이즈의 배치 크기에서 재사용하고자 하는 노이즈의 경험 수의 차이만큼 가우시안 분포에서 노이즈를 추출하여 상기 제1 메모리에 추가하는 단계를 더 포함하는 학습 안정화를 위한 생성적 적대 신경망 방법
9 9
제8항에 있어서,상기 추가된 노이즈와 맵핑되는 생성기 로스는 임의의 절대치로 초기화되는 학습 안정화를 위한 생성적 적대 신경망 방법
10 10
제1항에 있어서,상기 생성기 로스는, 상기 제1 메모리에 저장된 노이즈가 적어도 한번은 학습에 사용되도록 노이즈별로 설정되는 학습 안정화를 위한 생성적 적대 신경망 방법
11 11
제1항에 있어서,상기 제1 메모리는, 상기 재사용 노이즈의 생성기 로스가 나머지 노이즈의 생성기 로스를 초과하더라도 기설정된 재사용 조건이 만족되면 상기 재사용 노이즈를 제거하는 큐 구조를 가지는 학습 안정화를 위한 생성적 적대 신경망 방법
12 12
노이즈 및 상기 노이즈와 맵핑된 생성기 로스를 저장하는 제1 메모리; 실제 데이터를 저장하는 제2 메모리; 및상기 제1 메모리 및 상기 제2 메모리와 연결되는 프로세서를 포함하고, 상기 프로세서는 노이즈와 맵핑된 생성기 로스(Generator loss)를 이용하여 제1 메모리에 저장된 노이즈(Noise)로부터 재사용 노이즈를 추출하되, 상기 노이즈와 맵핑된 생성기 로스를 크기 순서대로 정렬하고 상기 정렬된 생성기 로스에 따라 재사용 노이즈를 추출하고, 상기 추출된 재사용 노이즈와 제2 메모리에 저장된 실제 데이터를 이용하여 생성적 적대 신경망(Generative Adversarial Networks) 기반으로 학습하는 학습 안정화를 위한 생성적 적대 신경망 장치
13 13
제12항에 있어서,상기 프로세서는 상기 학습에 따라 상기 재사용 노이즈와 맵핑된 생성기 로스를 업데이트하는 학습 안정화를 위한 생성적 적대 신경망 장치
14 14
제12항에 있어서,상기 프로세서는, 사용자로부터 배치 크기(Batch size)와 경험 수(experience number)를 입력받아, 상기 제1 메모리에 저장되는 노이즈의 배치 크기(Batch size)와 상기 재사용 노이즈의 개수를 나타내는 경험 수(experience number)를 설정하는 학습 안정화를 위한 생성적 적대 신경망 장치
15 15
제12항에 있어서,상기 프로세서는, 학습 초기에 노이즈의 배치 크기만큼 가우시안 분포로부터 노이즈를 추출하여 상기 제1 메모리에 저장하는 학습 안정화를 위한 생성적 적대 신경망 장치
16 16
제15항에 있어서,상기 프로세서는, 학습 초기에 상기 추출된 노이즈와 맵핑되는 생성기 로스를 임의의 절대치로 초기화하여 상기 제1 메모리에 저장하는 학습 안정화를 위한 생성적 적대 신경망 장치
17 17
삭제
18 18
제12항에 있어서,상기 프로세서는, 상기 추출된 재사용 노이즈를 이용하여 상기 저장된 실제 데이터에 근사한 근사 데이터를 생성하고, 상기 실제 데이터 또는 상기 생성된 근사 데이터 중에서 어느 하나의 데이터를 이용하여 생성적 적대 신경망 기반으로 학습하는 학습 안정화를 위한 생성적 적대 신경망 장치
19 19
제12항에 있어서,상기 프로세서는, 학습마다 상기 노이즈의 배치 크기에서 재사용하고자 하는 노이즈의 경험 수의 차이만큼 가우시안 분포에서 노이즈를 추출하여 상기 제1 메모리에 추가하는 학습 안정화를 위한 생성적 적대 신경망 장치
20 20
제19항에 있어서,상기 추가된 노이즈와 맵핑되는 생성기 로스는 임의의 절대치로 초기화되는 학습 안정화를 위한 생성적 적대 신경망 장치
21 21
제12항에 있어서,상기 생성기 로스는, 상기 제1 메모리에 저장된 노이즈가 적어도 한번은 학습에 사용되도록 노이즈별로 설정되는 학습 안정화를 위한 생성적 적대 신경망 장치
22 22
제12항에 있어서,상기 제1 메모리는, 상기 재사용 노이즈의 생성기 로스가 나머지 노이즈의 생성기 로스를 초과하더라도 기설정된 재사용 조건이 만족되면 상기 재사용 노이즈를 제거하는 큐 구조를 가지는 학습 안정화를 위한 생성적 적대 신경망 장치
23 23
학습 안정화를 위한 생성적 적대 신경망 방법을 컴퓨터에 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 있어서, 노이즈와 맵핑된 생성기 로스(Generator loss)를 이용하여 제1 메모리에 저장된 노이즈(Noise)로부터 재사용 노이즈를 추출하되, 상기 노이즈와 맵핑된 생성기 로스를 크기 순서대로 정렬하고 상기 정렬된 생성기 로스에 따라 재사용 노이즈를 추출하는 단계; 및상기 추출된 재사용 노이즈와 제2 메모리에 저장된 실제 데이터를 이용하여 생성적 적대 신경망(Generative Adversarial Networks) 기반으로 학습하는 단계를 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 과학기술정보통신부 성균관대학교(자연과학캠퍼스) 차세대 공학연구자 육성 사업 2/5 Smart Vehicle 분야 차세대 공학연구자 육성 사업단
2 과학기술정보통신부 성균관대학교(자연과학캠퍼스) 차세대정보컴퓨팅기술개발사업 2단계 1/2 의미 분석을 통한 연구내용 기반 상시 모니터링 시스템 개발
3 과학기술정보통신부 (주)와이즈넛 정보통신.방송연구개발사업(SW컴퓨팅산업원천기술개발사업) 2/3 산업분석정보 적시 제공을 위한 정형/비정형 빅데이터 융합 기반 산업 평가분석 SW 개발