맞춤기술찾기

이전대상기술

신경망 학습을 통한 데이터 처리 장치, 신경망 학습을 통한 데이터 처리 방법, 및 동일 방법을 기록한 기록 매체

  • 기술번호 : KST2020011324
  • 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 본 발명의 실시예에 따른 신경망 학습을 통한 데이터 처리 방법은, 신경망을 통해 처리되는 태스크(task)의 제1 입력값을 상기 신경망을 통해 처리하여 제1 출력값을 획득하는 단계, 상기 제1 출력값에 기초하여 투영(projection) 공간을 형성하는 단계, 상기 태스크의 입력값 중 제2 입력값을 상기 신경망을 통해 처리하여 제2 출력값을 획득하는 단계, 상기 제2 출력값을 상기 투영 공간에 투영하는 단계 및 상기 투영 공간 상에서 상기 제2 출력값의 처리과정을 수행하는 단계를 포함할 수 있다.
Int. CL G06N 3/08 (2006.01.01) G06N 3/063 (2006.01.01) G06N 20/00 (2019.01.01)
CPC
출원번호/일자 1020190051364 (2019.05.02)
출원인 한국과학기술원
등록번호/일자
공개번호/일자 10-2020-0097618 (2020.08.19) 문서열기
공고번호/일자
국제출원번호/일자
국제공개번호/일자
우선권정보 대한민국  |   1020190014684   |   2019.02.08
대한민국  |   1020190023479   |   2019.02.27
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2019.05.02)
심사청구항수 25

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 문재균 대전광역시 유성구
2 윤성환 대전광역시 유성구
3 서준 대전광역시 유성구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 김성호 대한민국 서울특별시 강남구 도곡로 *** (역삼동,미진빌딩 *층)(KNP 특허법률사무소)

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
2019.05.02 수리 (Accepted) 1-1-2019-0451063-81
2 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
3 출원인정보변경(경정)신고서
Notification of change of applicant's information
2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
4 의견제출통지서
Notification of reason for refusal
2020.08.20 발송처리완료 (Completion of Transmission) 9-5-2020-0568113-46
5 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment
2020.10.19 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2020-1101890-06
6 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
2020.10.19 수리 (Accepted) 1-1-2020-1101891-41
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
신경망을 통해 처리되는 태스크(task)의 제1 입력값을 상기 신경망을 통해 처리하여 제1 출력값을 획득하는 단계;상기 제1 출력값에 기초하여 투영(projection) 공간을 형성하는 단계;상기 태스크의 입력값 중 제2 입력값을 상기 신경망을 통해 처리하여 제2 출력값을 획득하는 단계;상기 제2 출력값을 상기 투영 공간에 투영하는 단계; 및상기 투영 공간 상에서 상기 제2 출력값의 처리과정을 수행하는 단계;를 포함하는,신경망 학습을 통한 데이터 처리 방법
2 2
제 1항에 있어서,상기 투영 공간을 형성하는 과정을 선형 처리(linear processing)를 통해 수행하는,신경망 학습을 통한 데이터 처리 방법
3 3
제 1항에 있어서,상기 신경망의 출력값을 상기 투영 공간에 투영하는 과정을 선형 처리를 통해 수행하는,신경망 학습을 통한 데이터 처리 방법
4 4
제 1항에 있어서,상기 투영 공간은 상기 신경망의 상기 제1 출력값과 기준 벡터 셋을 기초로 생성되고,상기 기준 벡터 셋은 하나 혹은 복수의 기준 벡터들로 이루어진 셋으로 상기 신경망과 함께 학습될 수 있는, 신경망 학습을 통한 데이터 처리 방법
5 5
제 4항에 있어서,상기 신경망의 상기 제2 출력값이 상기 투영 공간 상에 투영되어 획득된 제1 결과값과 상기 기준 벡터 셋이 상기 투영 공간 상에 투영되어 획득된 제2 결과값을 함께 이용하여 상기 투영 공간 상에서 상기 처리과정을 수행하는,신경망 학습을 통한 데이터 처리 방법
6 6
제 1항에 있어서,상기 투영 공간이 경사 기반 알고리즘(gradient-descent algorithm)을 사용하지 않고 형성될 수 있는,신경망 학습을 통한 데이터 처리 방법
7 7
제 1항에 있어서,상기 신경망은 Recurrent Neural Network (RNN) 또는 Convolutional Neural Network (CNN)인,신경망 학습을 통한 데이터 처리 방법
8 8
제 1항에 있어서,상기 제1 입력값은 서포트 셋(support set)이고 상기 제2 입력값은 쿼리 셋(query set)이며,상기 서포트 셋은 상기 태스크의 입력값 중 선택된 일부와 해당 일부 데이터에 대한 라벨(label) 정보를 포함하고, 상기 쿼리 셋은 상기 태스크의 입력값 중 상기 서포트 셋을 제외한 나머지 데이터와 해당 나머지 데이터에 대한 라벨 정보를 포함하는, 신경망 학습을 통한 데이터 처리 방법
9 9
제 8항에 있어서,상기 처리 과정은 상기 신경망을 통해 상기 서포트 셋을 처리한 후 얻어진 상기 제1 출력값을 이용하여 생성된 상기 투영 공간 상에서 상기 신경망을 통해 상기 쿼리 셋을 처리한 후 얻어진 상기 제2 출력값을 기초로 상기 쿼리 셋(query set)을 분류하는, 신경망 학습을 통한 데이터 처리 방법
10 10
제 9항에 있어서,상기 쿼리 셋을 상기 신경망을 통해 처리하여 얻어진 상기 제2 출력값이 상기 투영 공간 상에 투영되어 획득된 제1 결과값과 기준 벡터 셋 내의 기준 벡터들이 상기 투영 공간 상에 투영되어 획득된 제2 결과값을 함께 이용하여 상기 투영 공간 상에서 상기 쿼리 셋의 분류를 수행하고,상기 기준 벡터 셋은 하나 혹은 복수의 기준 벡터들로 이루어진 셋으로 신경망과 함께 학습될 수 있는,신경망 학습을 통한 데이터 처리 방법
11 11
제 10항에 있어서,상기 제1 결과값과 상기 제2 결과값들 사이의 다수의 쌍에 대해서 얻을 수 있는 거리 값들을 이용하여 상기 투영 공간 상에서 상기 쿼리 셋의 분류를 수행하고,상기 쿼리 셋 내의 모든 데이터에 대해서 획득된 상기 거리 값들에 기반한 결함값(loss)을 이용하여 상기 신경망과 상기 기준 벡터 셋을 업데이트 할 수 있는,신경망 학습을 통한 데이터 분류 방법
12 12
제 11항에 있어서,상기 투영 공간 상에서 상기 제2 결과값 중에 소정의 제1 결과값과 가장 가까운 거리 값을 갖는 소정의 제2 결과값을 기초로 상기 투영 공간 상에서 상기 쿼리 셋의 분류를 수행하는,신경망 학습을 통한 데이터 처리 방법
13 13
제 10항에 있어서,상기 투영 공간은 상기 신경망의 출력 공간 상에 포함되는 상기 제1 출력값으로부터 획득된 평균 벡터와 상기 평균 벡터에 대응하는 상기 기준 벡터 셋이 서로 가깝게 정렬되기 위한 공간이고,상기 평균 벡터는 상기 서포트 셋을 상기 신경망을 통해 처리한 상기 제1 출력값의 클래스 별 평균값에 해당하는,신경망 학습을 통한 데이터 처리 방법
14 14
제 13항에 있어서,상기 투영 공간은 상기 평균 벡터와 상기 기준 벡터 셋의 차이인 오류 벡터를 이용하여 생성되는,신경망 학습을 통한 데이터 처리 방법
15 15
제 14항에 있어서,상기 오류 벡터가 상기 투영 공간 상에서 모든 클래스에 대해 0(null)이 되도록 상기 투영 공간이 생성되는,신경망 학습을 통한 데이터 처리 방법
16 16
제 9항에 있어서,상기 투영 공간이 경사 기반 알고리즘(gradient-descent algorithm)을 사용하지 않고 형성될 수 있는,신경망 학습을 통한 데이터 처리 방법
17 17
제 9항에 있어서,상기 신경망은 Recurrent Neural Network (RNN) 또는 Convolutional Neural Network (CNN)인,신경망 학습을 통한 데이터 처리 방법
18 18
신경망 학습을 통한 데이터 처리 장치에 있어서,상기 데이터 처리 장치에서 판독 가능한 명령을 실행하도록 구현되는 프로세서를 포함하고,상기 프로세서는,상기 신경망을 통해 처리되는 태스크의 제1 입력값을 상기 신경망을 통해 처리하여 제1 출력값을 획득하고, 상기 제1 출력값에 기초하여 투영 공간을 형성하며, 상기 태스크의 입력값 중 제2 입력값을 상기 신경망을 통해 처리하고, 상기 제2 출력값을 상기 투영 공간에 투영하여,상기 투영 공간 상에서 상기 제2 출력값의 처리과정을 수행하는,신경망 학습을 통한 데이터 처리 장치
19 19
제 18항에 있어서,상기 투영 공간을 형성하는 과정을 선형 처리(linear processing)를 통해 수행하는,신경망 학습을 통한 데이터 처리 장치
20 20
제 18항에 있어서,상기 프로세서는,상기 신경망의 출력값을 상기 투영 공간에 투영하는 과정을 선형 처리를 통해 수행하는,신경망 학습을 통한 데이터 처리 장치
21 21
제 18항에 있어서,상기 프로세서는,상기 투영 공간을 상기 신경망의 상기 제1 출력값과 기준 벡터 셋을 통해 생성하고,상기 기준 벡터 셋은 하나 혹은 복수의 기준 벡터들로 이루어진 셋으로 상기 신경망과 함께 학습될 수 있는, 신경망 학습을 통한 데이터 처리 장치
22 22
제 21항에 있어서,상기 프로세서는,상기 신경망의 상기 제2 출력값이 상기 투영 공간 상에 투영되어 획득된 제1 결과값과 상기 기준 벡터 셋이 상기 투영 공간 상에 투영되어 획득된 제2 결과값을 함께 이용하여 상기 투영 공간 상에서 상기 처리과정을 수행하는,신경망 학습을 통한 데이터 처리 장치
23 23
제 18항에 있어서,상기 프로세서는,상기 투영 공간을 경사 기반 알고리즘(gradient-descent algorithm)을 사용하지 않고 형성할 수 있는,신경망 학습을 통한 데이터 처리 장치
24 24
제 18항에 있어서,상기 신경망은 Recurrent Neural Network (RNN) 또는 Convolutional Neural Network (CNN)인,신경망 학습을 통한 데이터 처리 장치
25 25
제 18항에 있어서,상기 제1 입력값은 서포트 셋(support set)이고 상기 제2 입력값은 쿼리 셋(query set)이며,상기 서포트 셋은 상기 태스크의 입력값 중 선택된 일부와 해당 일부 데이터에 대한 라벨 정보를 포함하고, 상기 쿼리 셋은 상기 태스크의 입력값 중 상기 서포트 셋을 제외한 나머지 데이터와 해당 나머지 데이터에 대한 라벨 정보를 포함하는, 신경망 학습을 통한 데이터 처리 장치
26 26
제 25항에 있어서, 상기 프로세서는,상기 신경망을 통해 상기 서포트 셋을 처리한 후 얻어진 상기 제1 출력값을 이용하여 생성된 상기 투영 공간 상에서 상기 신경망을 통해 상기 쿼리 셋을 처리한 후 얻어진 상기 제2 출력값을 기초로 상기 쿼리 셋을 분류하는, 신경망 학습을 통한 데이터 처리 장치
27 27
제 26항에 있어서,상기 프로세서는,상기 쿼리 셋을 상기 신경망을 통해 처리하여 얻어진 상기 제2 출력값이 상기 투영 공간 상에 투영되어 획득된 제1 결과값과 기준 벡터 셋 내의 기준 벡터들이 상기 투영 공간 상에 투영되어 획득된 제2 결과값을 함께 이용하여 상기 쿼리 셋의 상기 투영 공간 상에서의 분류를 수행하고,상기 기준 벡터 셋은 하나 혹은 복수의 기준 벡터들로 이루어진 셋으로 신경망과 함께 학습될 수 있는,신경망 학습을 통한 데이터 처리 장치
28 28
제 27항에 있어서,상기 프로세서는,상기 제1 결과값과 상기 제2 결과값에 사이의 복수의 쌍에 대해서 얻을 수 있는 거리 값들을 이용하여 상기 투영 공간 상에서 상기 쿼리 셋의 분류를 수행하고,상기 쿼리 셋 내의 모든 데이터에 대해서 획득된 상기 거리 값들에 기반한 결함값(loss)을 이용하여 상기 신경망과 상기 기준 벡터 셋을 업데이트 할 수 있는,신경망 학습을 통한 데이터 처리 장치
29 29
제 28항에 있어서,상기 프로세서는,상기 투영 공간 상에서 상기 제2 결과값 중에 소정의 제1 결과값과 가장 가까운 거리 값을 갖는 소정의 제2 결과값을 기초로 상기 투영 공간 상에서 상기 쿼리 셋의 분류를 수행하는,신경망 학습을 통한 데이터 처리 장치
30 30
제 28항에 있어서,상기 투영 공간은 상기 신경망의 출력 공간 상에 포함되는 상기 제1 출력값으로부터 획득된 평균 벡터와 상기 평균 벡터에 대응하는 상기 기준 벡터 셋이 서로 가깝게 정렬되기 위한 공간이고,상기 평균 벡터는 상기 서포트 셋을 상기 신경망을 통해 처리한 상기 제1 출력값의 클래스 별 평균값에 해당하는,신경망 학습을 통한 데이터 처리 장치
31 31
제 30항에 있어서,상기 프로세서는,상기 평균 벡터와 상기 기준 벡터 셋의 차이인 오류 벡터를 이용하여 상기 투영 공간을 생성하는,신경망 학습을 통한 데이터 처리 장치
32 32
제 31항에 있어서,상기 프로세서는,상기 오류 벡터가 상기 투영 공간 상에서 모든 클래스에 대해 0(null)이 되도록 상기 투영 공간을 생성하는,신경망 학습을 통한 데이터 처리 장치
33 33
제 26항에 있어서,상기 신경망은 Recurrent Neural Network (RNN) 또는 Convolutional Neural Network (CNN)인,신경망 학습을 통한 데이터 처리 장치
34 34
제 26항에 있어서,상기 투영 공간에 대한 투영을 통해 경사 기반 알고리즘(gradient descent algorithm) 처리 방식을 이용하지 않고 상기 쿼리 셋에 대한 분류를 수행하는,신경망 학습을 통한 데이터 처리 장치
35 35
제 1항 내지 제 18항 중 어느 한 항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체
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 정보통신.방송 연구개발사업 (EZBARO)자율지능 동반자를 위한 적응형 기계학습기술 연구개발(2018)