맞춤기술찾기

이전대상기술

가지친 L1 페널티를 통한 최대우도 추정 장치 및 방법

  • 기술번호 : KST2020007694
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
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 샘플 집합에 대한 손실 함수에 대해 아웃라이어(outlier) 값들 및 헤비 테일드 노이즈(heavy tailed noise)를 처리하기 위한 트리밍을 수행하고, 트리밍이 수행됨에 따라 결정된 페널티를 고려하여 l1 정규화를 수행하고, l1 정규화의 결과에 기반하여 샘플 집합과 연관된 모델의 최대우도를 추정하는 기계학습을 위한 최대우도 추정 방법이 제공된다.
Int. CL G06N 20/00 (2019.01.01)
CPC G06N 20/00(2013.01)
출원번호/일자 1020180162849 (2018.12.17)
출원인 한국과학기술원
등록번호/일자
공개번호/일자 10-2020-0074450 (2020.06.25) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2018.12.17)
심사청구항수 12

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 양은호 대전광역시 유성구
2 윤지훈 대전광역시 유성구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 양성보 대한민국 서울특별시 강남구 선릉로***길 ** (논현동) 삼성빌딩 *층(피앤티특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
최종권리자 정보가 없습니다
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
2018.12.17 수리 (Accepted) 1-1-2018-1263093-29
2 출원인정보변경(경정)신고서
Notification of change of applicant's information
2019.04.24 수리 (Accepted) 4-1-2019-5081392-49
3 의견제출통지서
Notification of reason for refusal
2020.04.21 발송처리완료 (Completion of Transmission) 9-5-2020-0279130-11
4 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
5 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
6 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
2020.06.19 수리 (Accepted) 1-1-2020-0632232-60
7 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2020.06.19 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2020-0632233-16
8 등록결정서
Decision to grant
2020.10.26 발송처리완료 (Completion of Transmission) 9-5-2020-0735196-98
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
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
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 한국과학기술원 사물인터넷융합기술개발 공간지능을 위한 IoT 사물간 자율협업 기술 개발