| 1 |
1
컴퓨터에 의해 수행되는, 기계학습을 위한 최대우도 추정 방법에 있어서,샘플 집합에 대한 손실 함수에 대해 아웃라이어(outlier) 값들 및 헤비 테일드 노이즈(heavy tailed noise)를 처리하기 위한 트리밍을 수행하는 단계;상기 트리밍이 수행됨에 따라 결정된 페널티를 고려하여 l1 정규화를 수행하는 단계; 및 상기 l1 정규화의 결과에 기반하여 상기 샘플 집합과 연관된 모델의 최대우도를 추정하는 단계를 포함하고, 상기 트리밍을 수행하는 단계는 상기 손실 함수에 대해 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는 것을 포함하는, 최대우도 추정 방법
|
| 2 |
2
제1항에 있어서,상기 손실 함수에 대한 트리밍은 수학식 1에 따라 수행되고,[수학식 1] 은 n개의 샘플들에 대한 상기 샘플 집합이고, 상기 은 상기 손실함수이고, wi는 가중치이고, h는 트리밍 파라미터이고, 상기 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는 것은 수학식 2에 따라 수행되고,[수학식 2]는 파라미터 공간을 나타내는, 최대우도 추정 방법
|
| 3 |
3
제2항에 있어서,상기 트리밍을 수행하는 단계는,상기 수학식 2에서 의 순서를 정의하고, 의 크기에 기반하여 wi를 0 또는 1로 설정함으로써, 획득되는 수학식 3에 따라 수행되고, [수학식 3]는 정규화기(regularizer)로서, 의 최소 p-h 절대합을 나타내는, 최대우도 추정 방법
|
| 4 |
4
제3항에 있어서,희소 페널티(sparsity penalty)에 종속되는 손실을 최소화하기 위해, 상기 을 0으로 설정하는, 최대우도 추정 방법
|
| 5 |
5
제1항에 있어서,상기 모델은 희소 선형 모델(sparse linear model)이고, 상기 희소 선형 모델은 선형 관계에 있는 실수 값 타겟 과 공변량 의 n 개의 관찰 쌍을 가가지는 것으로서 수학식 4와 같이 정의되고,[수학식 4], , 및 은 독립적인 관측 노이즈이고, 는 추정 대상이되는 k-희소 벡터인, 최대우도 추정 방법
|
| 6 |
6
제5항에 있어서,상기 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는 것은 수학식 5에 따라 수행되고,[수학식 5]는 상기 손실 함수에 대응하는, 최대우도 추정 방법
|
| 7 |
7
제1항에 있어서,상기 모델은 희소 그래픽 모델(sparse graphical model)이고, 상기 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는 것은 수학식 6에 따라 수행되고,[수학식 6]는 정치 행렬(positive definite matrices)의 볼록한 콘(convex cone)을 나타내고, 는 비대각의 최소 p(p-1)-h 절대합을 나타내는, 최대우도 추정 방법
|
| 8 |
8
제2항에 있어서,상기 수학식 2의 문제는 블록 좌표 하강 알고리즘(block coordinate descent algorithm)을 사용하여 해결되는, 최대우도 추정 방법
|
| 9 |
9
제8항에 있어서,상기 블록 좌표 하강 알고리즘은, , 및 를 입력 받는 단계;, 및 를 0으로 초기화하는 단계;수렴하지 않는 동안, 를 수행하는 단계; 및 및 를 출력하는 단계를 포함하여 수행되는, 최대우도 추정 방법
|
| 10 |
10
최대우도 추정 방법을 포함하여 수행되는 기계학습 방법에 있어서,상기 최대우도 추정 방법은, 샘플 집합에 대한 손실 함수에 대해 아웃라이어(outlier) 값들 및 헤비 테일드 노이즈(heavy tailed noise)를 처리하기 위한 트리밍을 수행하는 단계;상기 트리밍이 수행됨에 따라 결정된 페널티를 고려하여 l1 정규화를 수행하는 단계; 및 상기 l1 정규화의 결과에 기반하여 상기 샘플 집합과 연관된 모델의 최대우도를 추정하는 단계를 포함하고, 상기 트리밍을 수행하는 단계는 상기 손실 함수에 대해 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는 것을 포함하는, 기계학습 방법
|
| 11 |
11
샘플 집합에 대한 손실 함수에 대해 아웃라이어(outlier) 값들 및 헤비 테일드 노이즈(heavy tailed noise)를 처리하기 위한 트리밍을 수행하는 트리밍 수행부;상기 트리밍이 수행됨에 따라 결정된 페널티를 고려하여 l1 정규화를 수행하는 정규화 수행부; 및상기 l1 정규화의 결과에 기반하여 상기 샘플 집합과 연관된 모델의 최대우도를 추정하는 우도 추정부를 포함하고, 상기 트리밍 수행부는 상기 손실 함수에 대해 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는, 최대우도 추정기
|
| 12 |
12
제11항에 있어서,상기 트리밍 수행부는 수학식 1에 따라 상기 손실 함수에 대한 트리밍을 수행하고,[수학식 1] 은 n개의 샘플들에 대한 상기 샘플 집합이고, 상기 은 상기 손실함수이고, wi는 가중치이고, h는 트리밍 파라미터이고, 상기 가장 큰 페널티를 발생시키는 엔트리를 수학식 2에 따라 트리밍하고,[수학식 2]는 파라미터 공간을 나타내는, 최대우도 추정기
|
| 13 |
13
제12항에 있어서,상기 수학식 2의 문제는 블록 좌표 하강 알고리즘(block coordinate descent algorithm)을 사용하여 해결되고, 상기 블록 좌표 하강 알고리즘은, , 및 를 입력 받는 단계;, 및 를 0으로 초기화하는 단계;수렴하지 않는 동안, 를 수행하는 단계; 및 및 를 출력하는 단계를 포함하여 수행되는, 최대우도 추정기
|
| 14 |
14
기계학습 장치에 있어서, 최대우도 추정기를 포함하고,상기 최대우도 추정기는,샘플 집합에 대한 손실 함수에 대해 아웃라이어(outlier) 값들 및 헤비 테일드 노이즈(heavy tailed noise)를 처리하기 위한 트리밍을 수행하는 트리밍 수행부;상기 트리밍이 수행됨에 따라 결정된 페널티를 고려하여 l1 정규화를 수행하는 정규화 수행부; 및상기 l1 정규화의 결과에 기반하여 상기 샘플 집합과 연관된 모델의 최대우도를 추정하는 우도 추정부를 포함하고, 상기 트리밍 수행부는 상기 손실 함수에 대해 가장 큰 페널티를 발생시키는 엔트리를 트리밍하는, 기계학습 장치
|
