맞춤기술찾기
이전대상기술
크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
- 기술번호 : KST2021000276
- 담당센터 : 서울동부기술혁신센터
- 전화번호 : 02-2155-3662
| 요약 | 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 방법이 개시된다. 즉, (a) 학습 장치가, 복수 개의 성분을 가진 적어도 하나의 학습 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 각각의 상기 학습 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 학습 데이터 매트릭스로부터, 상기 학습 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 와서스타인 피처 매트릭스를 추출하도록 하는 단계; (b) 상기 학습 장치가, (i) 적어도 하나의 와서스타인 디코딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 디코딩 연산을 가하여, 상기 학습 데이터 매트릭스의 차원에 대응하는 차원을 가지는 적어도 하나의 복원 데이터 매트릭스를 생성하도록 하는 프로세스 및 (ii) 적어도 하나의 임베딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 각각의 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및 (c) 상기 학습 장치가, 적어도 하나의 옵티마이징 유닛으로 하여금, (i) 기설정된 와서스타인 확률 분포를 참조로 하여 생성된 샘플 피처 매트릭스들, (ii) 상기 와서스타인 피처 매트릭스, (iii) 상기 복원 데이터 매트릭스 및 (iv) 상기 커널 매트릭스를 참조로 하여 통합 로스를 계산하도록 한 후, 상기 통합 로스를 사용하여 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법이 개시된다. |
|---|---|
| Int. CL | G06N 3/08 (2006.01.01) G06N 20/10 (2019.01.01) |
| CPC | G06N 3/088(2013.01) G06N 20/10(2013.01) G06F 17/10(2013.01) |
| 출원번호/일자 | 1020190099179 (2019.08.13) |
| 출원인 | 서울대학교산학협력단 |
| 등록번호/일자 | 10-2202842-0000 (2021.01.08) |
| 공개번호/일자 | |
| 공고번호/일자 | (20210114) 문서열기 |
| 국제출원번호/일자 | |
| 국제공개번호/일자 | |
| 우선권정보 | |
| 법적상태 | 등록 |
| 심사진행상태 | 수리 |
| 심판사항 | |
| 구분 | 신규 |
| 원출원번호/일자 | |
| 관련 출원번호 | |
| 심사청구여부/일자 | Y (2019.08.13) |
| 심사청구항수 | 22 |
출원인
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 서울대학교산학협력단 | 대한민국 | 서울특별시 관악구 |
발명자
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 백명희조 | 서울시 강남구 | |
| 2 | 김영근 | 인천광역시 계양구 | |
| 3 | 장현웅 | 서울특별시 영등포구 |
대리인
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 특허법인 수 | 대한민국 | 서울특별시 강남구 강남대로**길 **, *층(역삼동, 케이앤와이빌딩) |
최종권리자
| 번호 | 이름 | 국적 | 주소 |
|---|---|---|---|
| 1 | 서울대학교산학협력단 | 서울특별시 관악구 |
| 번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
|---|---|---|---|---|
| 1 | [특허출원]특허출원서 [Patent Application] Patent Application |
2019.08.13 | 수리 (Accepted) | 1-1-2019-0832243-84 |
| 2 | 선행기술조사의뢰서 Request for Prior Art Search |
2020.05.11 | 수리 (Accepted) | 9-1-9999-9999999-89 |
| 3 | 선행기술조사보고서 Report of Prior Art Search |
2020.08.12 | 발송처리완료 (Completion of Transmission) | 9-6-2020-0114801-48 |
| 4 | 의견제출통지서 Notification of reason for refusal |
2020.08.28 | 발송처리완료 (Completion of Transmission) | 9-5-2020-0592619-44 |
| 5 | [거절이유 등 통지에 따른 의견]의견서·답변서·소명서 |
2020.10.28 | 수리 (Accepted) | 1-1-2020-1149939-57 |
| 6 | [명세서등 보정]보정서 [Amendment to Description, etc.] Amendment |
2020.10.28 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2020-1149943-30 |
| 7 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2020.11.25 | 수리 (Accepted) | 4-1-2020-5265458-48 |
| 8 | 등록결정서 Decision to grant |
2020.12.24 | 발송처리완료 (Completion of Transmission) | 9-5-2020-0906149-18 |
| 번호 | 청구항 |
|---|---|
| 1 |
1 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 방법에 있어서,(a) 학습 장치가, 복수 개의 성분을 가진 적어도 하나의 학습 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 각각의 상기 학습 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 학습 데이터 매트릭스로부터, 상기 학습 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 와서스타인 피처 매트릭스를 추출하도록 하는 단계;(b) 상기 학습 장치가, (i) 적어도 하나의 와서스타인 디코딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 디코딩 연산을 가하여, 상기 학습 데이터 매트릭스의 차원에 대응하는 차원을 가지는 적어도 하나의 복원 데이터 매트릭스를 생성하도록 하는 프로세스 및 (ii) 적어도 하나의 임베딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 각각의 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및(c) 상기 학습 장치가, 적어도 하나의 옵티마이징 유닛으로 하여금, (i) 기설정된 와서스타인 확률 분포를 참조로 하여 생성된 샘플 피처 매트릭스들, (ii) 상기 와서스타인 피처 매트릭스, (iii) 상기 복원 데이터 매트릭스 및 (iv) 상기 커널 매트릭스를 참조로 하여 통합 로스를 계산하도록 한 후, 상기 통합 로스를 사용하여 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부를 학습하도록 하는 단계;를 포함하는 것을 특징으로 하는 방법 |
| 2 |
2 제 1항에 있어서,상기 (c) 단계는,상기 통합 로스가, (i) 상기 복원 데이터 매트릭스 및 이에 대응하는 상기 학습 데이터 매트릭스 간의 차이가 작아지도록 상기 와서스타인 인코딩 네트워크 및 상기 와서스타인 디코딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 재구축 로스, (ii) 상기 와서스타인 피처 매트릭스 및 이에 대응하는 상기 학습 데이터 매트릭스 간의 와서스타인 거리가 작아지도록 상기 와서스타인 인코딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 와서스타인 로스 및 (iii) 상기 커널 매트릭스가 상기 크리스토펠 함수의 아웃풋을 계산하기 위해 사용될 수 있도록 상기 와서스타인 인코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 커널 로스를 포함하되,상기 와서스타인 거리는, 고차원 자료의 확률 분포와 저차원 자료의 확률 분포 간의 거리를 측정할 수 있도록, 서로 다른 두 확률 분포에 대응하는 결합 확률 분포들 중, 두 확률 분포 간 거리의 기대값을 가장 작게 추정한 값을 출력하는 와서스타인 거리 함수에 의해 계산되고,상기 와서스타인 거리는, 하기 수식을 따르되,상기 수식에서, 는 임의의 분포 및 를 한계 분포로 하는 두 확률변수 및 의 결합 확률 분포를 의미하며, 상기 수식에 따라 두 확률변수 및 간의 거리의 기대값 의 극한을 취함으로써 상기 기대값이 가장 작은 경우가 출력되는 것을 특징으로 하는 방법 |
| 3 |
3 제 2항에 있어서,상기 재구축 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 는 제j 학습 데이터 매트릭스에 대응하며, 는 상기 제j 학습 데이터 매트릭스에 대응하는 제j 와서스타인 피처 매트릭스에 대응하고, 는 상기 와서스타인 디코딩 네트워크의 파라미터에 대응하며, 은 상기 와서스타인 디코딩 네트워크에서 수행되는 상기 디코딩 연산에 대응하고, 는 입력 간의 차이를 아웃풋하는 함수인 것을 특징으로 하는 방법 |
| 4 |
4 제 2항에 있어서,상기 와서스타인 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 및 는 각각 제j 샘플 피처 매트릭스 및 제k 샘플 피처 매트릭스에 대응하며, 및 는 각각 제j 와서스타인 피처 매트릭스 및 제k 와서스타인 피처 매트릭스에 대응하며, 는 폴리노미얼 커널 함수에 대응하는 것을 특징으로 하는 방법 |
| 5 |
5 제 2항에 있어서,상기 커널 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 및 는 각각 제j 샘플 피처 매트릭스 및 제k 샘플 피처 매트릭스에 대응하며, 및 는 각각 제j 와서스타인 피처 매트릭스 및 제k 와서스타인 피처 매트릭스에 대응하고, 는 상기 임베딩 네트워크의 파라미터에 대응하며, 는 상기 임베딩 네트워크에서 수행되는 상기 임베딩 연산에 대응하고, 는 폴리노미얼 커널 함수에 대응하는 것을 특징으로 하는 방법 |
| 6 |
6 제 2항에 있어서,상기 (c) 단계는,상기 옵티마이징 유닛이, 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스를 가중합한 상기 통합 로스를 미분하여 스토캐스틱 그라디언트 디센트 방법으로 상기 파라미터들 중 적어도 일부를 학습하는 것을 특징으로 하는 방법 |
| 7 |
7 제 6항에 있어서,상기 (c) 단계는,상기 옵티마이징 유닛이, 하기 수식에 따라 상기 스토캐스틱 그라디언트 디센트 방법으로 상기 파라미터를 학습하고,는 각각 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 i번째 iteration에서의 파라미터들에 대응하고, 는 각각 상기 옵티마이징 유닛에 의해 학습된, 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 i+1번째 iteration에서의 파라미터들에 대응하며, 은 상기 통합 로스에 대응하고, 는 각각 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스에 대응하고, 및 는 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스의 반영 비율을 결정하는 하이퍼파라미터에 대응하고, 는 학습률에 대응하는 것을 특징으로 하는 방법 |
| 8 |
8 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 테스트 방법에 있어서,(a) (1) 복수 개의 성분을 가진 매트릭스의 형태를 가지는 적어도 하나의 학습 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 각각의 학습 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 학습 데이터 매트릭스로부터, 상기 학습 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 학습용 와서스타인 피처 매트릭스를 추출하도록 하는 프로세스; (2) (i) 적어도 하나의 와서스타인 디코딩 네트워크로 하여금, 각각의 상기 학습용 와서스타인 피처 매트릭스에 적어도 하나의 디코딩 연산을 가하여, 상기 학습 데이터 매트릭스의 차원에 대응하는 차원을 가지는 적어도 하나의 복원 데이터 매트릭스를 생성하도록 하는 프로세스 및 (ii) 적어도 하나의 임베딩 네트워크로 하여금, 각각의 상기 학습용 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 각각의 학습용 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스; 및 (3) 적어도 하나의 옵티마이징 유닛으로 하여금, 기설정된 와서스타인 확률 분포를 참조로 하여 생성된 샘플 피처 매트릭스들, 상기 학습용 와서스타인 피처 매트릭스, 상기 복원 데이터 매트릭스 및 상기 학습용 커널 매트릭스를 참조로 하여 통합 로스를 계산하도록 한 후, 상기 통합 로스를 사용하여 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스;를 거쳐 학습이 완료된 상태에서, 테스트 장치가, 복수 개의 성분을 가진 매트릭스의 형태를 가지는 적어도 하나의 테스트 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 상기 테스트 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 테스트 데이터 매트릭스로부터, 상기 테스트 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 테스트용 와서스타인 피처 매트릭스를 추출하도록 하는 단계;(b) 상기 테스트 장치가, 적어도 하나의 임베딩 네트워크로 하여금, 상기 테스트용 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 테스트용 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 단계; 및(c) 상기 테스트 장치가, 판단 유닛으로 하여금, 상기 테스트용 커널 매트릭스를 참조로 하여 크리스토펠 아웃풋을 생성한 후, 상기 크리스토펠 아웃풋을 참조로 하여 상기 테스트 데이터 매트릭스에 대응하는 테스트 데이터의 이상 여부를 판단하는 단계;를 포함하는 것을 특징으로 하는 방법 |
| 9 |
9 제 8항에 있어서,상기 (c) 단계는,상기 테스트 장치가, (i) 상기 와서스타인 인코딩 네트워크에 의해 각각의 레퍼런스 데이터 매트릭스로부터 생성된 각각의 레퍼런스 피처 매트릭스 및 (ii) 상기 임베딩 네트워크를 거쳐 각각의 상기 레퍼런스 피처 매트릭스로부터 생성된 지원 매트릭스를 추가로 참조로 하여 상기 크리스토펠 아웃풋을 생성하는 것을 특징으로 하는 방법 |
| 10 |
10 제 9항에 있어서,상기 (c) 단계는,상기 테스트 장치가, 하기 수식에 따라 상기 크리스토펠 아웃풋을 생성하고,상기 수식에서, 는 기설정된 하이퍼파라미터에 대응하고, 는 상기 테스트용 와서스타인 피처 매트릭스에 대응하며, 은 상기 레퍼런스 피처 매트릭스들의 집합에 대응하고, 는 폴리노미얼 커널 함수에 대응하며, 는 상기 임베딩 네트워크에서 수행되는 상기 임베딩 연산에 대응하고, 는 상기 지원 매트릭스에 대응하는 것을 특징으로 하는 방법 |
| 11 |
11 제 8항에 있어서,상기 (c) 단계는,상기 테스트 장치가, 상기 판단 유닛으로 하여금, 상기 크리스토펠 아웃풋이 기설정된 임계치보다 작을 경우 상기 테스트 데이터 매트릭스에 대응하는 상기 테스트 데이터를 이상 데이터로 판별하고, 상기 임계치보다 클 경우 상기 테스트 데이터를 정상 데이터로 판별하는 것을 특징으로 하는 방법 |
| 12 |
12 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 장치에 있어서,인스트럭션들을 저장하는 하나 이상의 메모리; 및상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되,상기 프로세서는, (I) 복수 개의 성분을 가진 적어도 하나의 학습 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 각각의 상기 학습 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 학습 데이터 매트릭스로부터, 상기 학습 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 와서스타인 피처 매트릭스를 추출하도록 하는 프로세스; (II) (i) 적어도 하나의 와서스타인 디코딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 디코딩 연산을 가하여, 상기 학습 데이터 매트릭스의 차원에 대응하는 차원을 가지는 적어도 하나의 복원 데이터 매트릭스를 생성하도록 하는 프로세스 및 (ii) 적어도 하나의 임베딩 네트워크로 하여금, 각각의 상기 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 각각의 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스; 및 (III) 적어도 하나의 옵티마이징 유닛으로 하여금, (i) 기설정된 와서스타인 확률 분포를 참조로 하여 생성된 샘플 피처 매트릭스들, (ii) 상기 와서스타인 피처 매트릭스, (iii) 상기 복원 데이터 매트릭스 및 (iv) 상기 커널 매트릭스를 참조로 하여 통합 로스를 계산하도록 한 후, 상기 통합 로스를 사용하여 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스;를 수행하는 것을 특징으로 하는 학습 장치 |
| 13 |
13 제 12항에 있어서,상기 (III) 프로세스는,상기 통합 로스가, (i) 상기 복원 데이터 매트릭스 및 이에 대응하는 상기 학습 데이터 매트릭스 간의 차이가 작아지도록 상기 와서스타인 인코딩 네트워크 및 상기 와서스타인 디코딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 재구축 로스, (ii) 상기 와서스타인 피처 매트릭스 및 이에 대응하는 상기 학습 데이터 매트릭스 간의 와서스타인 거리가 작아지도록 상기 와서스타인 인코딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 와서스타인 로스 및 (iii) 상기 커널 매트릭스가 상기 크리스토펠 함수의 아웃풋을 계산하기 위해 사용될 수 있도록 상기 와서스타인 인코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부가 학습되도록 지원하는 커널 로스를 포함하되,상기 와서스타인 거리는, 고차원 자료의 확률 분포와 저차원 자료의 확률 분포 간의 거리를 측정할 수 있도록, 서로 다른 두 확률 분포에 대응하는 결합 확률 분포들 중, 두 확률 분포 간 거리의 기대값을 가장 작게 추정한 값을 출력하는 와서스타인 거리 함수에 의해 계산되고,상기 와서스타인 거리는, 하기 수식을 따르되,상기 수식에서, 는 임의의 분포 및 를 한계 분포로 하는 두 확률변수 및 의 결합 확률 분포를 의미하며, 상기 수식에 따라 두 확률변수 및 간의 거리의 기대값 의 극한을 취함으로써 상기 기대값이 가장 작은 경우가 출력되는 것을 특징으로 하는 학습 장치 |
| 14 |
14 제 13항에 있어서,상기 재구축 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 는 제j 학습 데이터 매트릭스에 대응하며, 는 상기 제j 학습 데이터 매트릭스에 대응하는 제j 와서스타인 피처 매트릭스에 대응하고, 는 상기 와서스타인 디코딩 네트워크의 파라미터에 대응하며, 은 상기 와서스타인 디코딩 네트워크에서 수행되는 상기 디코딩 연산에 대응하고, 는 입력 간의 차이를 아웃풋하는 함수인 것을 특징으로 하는 학습 장치 |
| 15 |
15 제 13항에 있어서,상기 와서스타인 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 및 는 각각 제j 샘플 피처 매트릭스 및 제k 샘플 피처 매트릭스에 대응하며, 및 는 각각 제j 와서스타인 피처 매트릭스 및 제k 와서스타인 피처 매트릭스에 대응하며, 는 폴리노미얼 커널 함수에 대응하는 것을 특징으로 하는 학습 장치 |
| 16 |
16 제 13항에 있어서,상기 커널 로스는 하기 수식에 따라 계산되고,상기 수식에서, 는 상기 학습 데이터 매트릭스의 개수에 대응하고, 및 는 각각 제j 샘플 피처 매트릭스 및 제k 샘플 피처 매트릭스에 대응하며, 및 는 각각 제j 와서스타인 피처 매트릭스 및 제k 와서스타인 피처 매트릭스에 대응하고, 는 상기 임베딩 네트워크의 파라미터에 대응하며, 는 상기 임베딩 네트워크에서 수행되는 상기 임베딩 연산에 대응하고, 는 폴리노미얼 커널 함수에 대응하는 것을 특징으로 하는 학습 장치 |
| 17 |
17 제 13항에 있어서,상기 (III) 프로세스는,상기 옵티마이징 유닛이, 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스를 가중합한 상기 통합 로스를 미분하여 스토캐스틱 그라디언트 디센트 방법으로 상기 파라미터들 중 적어도 일부를 학습하는 것을 특징으로 하는 학습 장치 |
| 18 |
18 제 17항에 있어서,상기 (III) 프로세스는,상기 옵티마이징 유닛이, 하기 수식에 따라 상기 스토캐스틱 그라디언트 디센트 방법으로 상기 파라미터를 학습하고,는 각각 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 i번째 iteration에서의 파라미터들에 대응하고, 는 각각 상기 옵티마이징 유닛에 의해 학습된, 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 i+1번째 iteration에서의 파라미터들에 대응하며, 은 상기 통합 로스에 대응하고, 는 각각 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스에 대응하고, 및 는 상기 재구축 로스, 상기 와서스타인 로스 및 상기 커널 로스의 반영 비율을 결정하는 하이퍼파라미터에 대응하고, 는 학습률에 대응하는 것을 특징으로 하는 학습 장치 |
| 19 |
19 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 테스트 장치에 있어서,인스트럭션들을 저장하는 하나 이상의 메모리; 및상기 인스트럭션들을 수행하도록 설정된 하나 이상의 프로세서를 포함하되,상기 프로세서는, (I) (1) 복수 개의 성분을 가진 매트릭스의 형태를 가지는 적어도 하나의 학습 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 각각의 학습 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 학습 데이터 매트릭스로부터, 상기 학습 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 학습용 와서스타인 피처 매트릭스를 추출하도록 하는 프로세스; (2) (i) 적어도 하나의 와서스타인 디코딩 네트워크로 하여금, 각각의 상기 학습용 와서스타인 피처 매트릭스에 적어도 하나의 디코딩 연산을 가하여, 상기 학습 데이터 매트릭스의 차원에 대응하는 차원을 가지는 적어도 하나의 복원 데이터 매트릭스를 생성하도록 하는 프로세스 및 (ii) 적어도 하나의 임베딩 네트워크로 하여금, 각각의 상기 학습용 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 각각의 학습용 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스; 및 (3) 적어도 하나의 옵티마이징 유닛으로 하여금, 기설정된 와서스타인 확률 분포를 참조로 하여 생성된 샘플 피처 매트릭스들, 상기 학습용 와서스타인 피처 매트릭스, 상기 복원 데이터 매트릭스 및 상기 학습용 커널 매트릭스를 참조로 하여 통합 로스를 계산하도록 한 후, 상기 통합 로스를 사용하여 상기 와서스타인 인코딩 네트워크, 상기 와서스타인 디코딩 네트워크 및 상기 임베딩 네트워크의 파라미터들 중 적어도 일부를 학습하도록 하는 프로세스;를 거쳐 학습이 완료된 상태에서, 복수 개의 성분을 가진 매트릭스의 형태를 가지는 적어도 하나의 테스트 데이터 매트릭스가 획득되면, 적어도 하나의 와서스타인 인코딩 네트워크로 하여금, 상기 테스트 데이터 매트릭스에 적어도 하나의 인코딩 연산을 가하여, 상기 테스트 데이터 매트릭스로부터, 상기 테스트 데이터 매트릭스에 비해 낮은 차원을 가지는 적어도 하나의 테스트용 와서스타인 피처 매트릭스를 추출하도록 하는 프로세스; (II) 적어도 하나의 임베딩 네트워크로 하여금, 상기 테스트용 와서스타인 피처 매트릭스에 적어도 하나의 임베딩 연산을 가하여, 테스트용 커널 매트릭스를 생성하도록 하는 프로세스를 수행하도록 하는 프로세스; 및 (III) 판단 유닛으로 하여금, 상기 테스트용 커널 매트릭스를 참조로 하여 크리스토펠 아웃풋을 생성한 후, 상기 크리스토펠 아웃풋을 참조로 하여 상기 테스트 데이터 매트릭스에 대응하는 테스트 데이터의 이상 여부를 판단하는 프로세스;를 수행하는 것을 특징으로 하는 테스트 장치 |
| 20 |
20 제 19항에 있어서,상기 (III) 프로세스는,상기 프로세서가, (i) 상기 와서스타인 인코딩 네트워크에 의해 각각의 레퍼런스 데이터 매트릭스로부터 생성된 각각의 레퍼런스 피처 매트릭스 및 (ii) 상기 임베딩 네트워크를 거쳐 각각의 상기 레퍼런스 피처 매트릭스로부터 생성된 지원 매트릭스를 추가로 참조로 하여 상기 크리스토펠 아웃풋을 생성하는 것을 특징으로 하는 테스트 장치 |
| 21 |
21 제 20항에 있어서,상기 (III) 프로세스는,상기 프로세서가, 하기 수식에 따라 상기 크리스토펠 아웃풋을 생성하고,상기 수식에서, 는 기설정된 하이퍼파라미터에 대응하고, 는 상기 테스트용 와서스타인 피처 매트릭스에 대응하며, 은 상기 레퍼런스 피처 매트릭스들의 집합에 대응하고, 는 폴리노미얼 커널 함수에 대응하며, 는 상기 임베딩 네트워크에서 수행되는 상기 임베딩 연산에 대응하고, 는 상기 지원 매트릭스에 대응하는 것을 특징으로 하는 테스트 장치 |
| 22 |
22 제 19항에 있어서,상기 (III) 프로세스는,상기 프로세서가, 상기 판단 유닛으로 하여금, 상기 크리스토펠 아웃풋이 기설정된 임계치보다 작을 경우 상기 테스트 데이터 매트릭스에 대응하는 상기 테스트 데이터를 이상 데이터로 판별하고, 상기 임계치보다 클 경우 상기 테스트 데이터를 정상 데이터로 판별하는 것을 특징으로 하는 테스트 장치 |
| 지정국 정보가 없습니다 |
|---|
| 패밀리정보가 없습니다 |
|---|
| 국가 R&D 정보가 없습니다. |
|---|
| 공개전문 정보가 없습니다 |
|---|
- 본 등록정보는 참고용으로 법적증빙자료로 사용할 수 없습니다.
- 데이터 이관에 따른 소요기간(1일)으로 인하여 등록원부와 일부 차이가 발생할 수 있으며, 일부 정보(부기, 상세 주소 등)를 제공하지 않고 있습니다.
- 법적증빙자료로 활용하시거나 더 자세한 정보를 보시려면 등록원부를 발급받아 사용하시기 바랍니다.
| 특허 등록번호 | 10-2202842-0000 |
|---|
권리란
| 표시번호 | 사항 |
|---|---|
| 1 |
출원 연월일 : 20190813 출원 번호 : 1020190099179 공고 연월일 : 20210114 공고 번호 : 특허결정(심결)연월일 : 20201224 청구범위의 항수 : 22 유별 : G06N 3/08 발명의 명칭 : 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 존속기간(예정)만료일 : |
특허권자란
| 순위번호 | 사항 |
|---|---|
| 1 |
(권리자) 서울대학교산학협력단 서울특별시 관악구... |
등록료란
| 제 1 - 3 년분 | 금 액 | 451,500 원 | 2021년 01월 11일 | 납입 |
- 본 '원본보기 서비스'는 참고용이므로, 일부 오류 및 누락이 발생할 수 있습니다.
- 정확한 서류를 확인하시려면 해당 웹사이트에서 조회하시기 바랍니다. (특허로 바로가기: http://www.patent.go.kr)
- 해당 서비스는 점검으로 인해 매주 일요일 00:00 ~ 02:00까지 이용이 중단됩니다.
| 번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
|---|---|---|---|---|
| 1 | [특허출원]특허출원서 | 2019.08.13 | 수리 (Accepted) | 1-1-2019-0832243-84 |
| 2 | 선행기술조사의뢰서 | 2020.05.11 | 수리 (Accepted) | 9-1-9999-9999999-89 |
| 3 | 선행기술조사보고서 | 2020.08.12 | 발송처리완료 (Completion of Transmission) | 9-6-2020-0114801-48 |
| 4 | 의견제출통지서 | 2020.08.28 | 발송처리완료 (Completion of Transmission) | 9-5-2020-0592619-44 |
| 5 | [거절이유 등 통지에 따른 의견]의견서·답변서·소명서 | 2020.10.28 | 수리 (Accepted) | 1-1-2020-1149939-57 |
| 6 | [명세서등 보정]보정서 | 2020.10.28 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2020-1149943-30 |
| 7 | 출원인정보변경(경정)신고서 | 2020.11.25 | 수리 (Accepted) | 4-1-2020-5265458-48 |
| 8 | 등록결정서 | 2020.12.24 | 발송처리완료 (Completion of Transmission) | 9-5-2020-0906149-18 |
| 기술정보가 없습니다 |
|---|
| 과제정보가 없습니다 |
|---|
중요키워드
| [KST2020011193][서울대학교] | 원단의 불량 위치 자동 검출 방법 및 이를 위한 시스템 | 새창보기 |
|---|---|---|
| [KST2020017350][서울대학교] | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 | 새창보기 |
| [KST2019011607][서울대학교] | 멀티 모달리티 데이터 복원을 위한 심층 개념망 구축 방법 및 그 시스템 | 새창보기 |
| [KST2015158890][서울대학교] | ｎｃＲＮＡ 서열의 컴퓨터적 동정 방법 | 새창보기 |
| [KST2023002151][서울대학교] | 뉴럴 렌더링을 위한 저정밀도 하드웨어 가속기 및 그 동작 방법 | 새창보기 |
| [KST2024000097][서울대학교] | 차량의 충돌안전 제어로직의 작동원인을 분석하는 시스템 및 그의 동작 방법 | 새창보기 |
| [KST2022000304][서울대학교] | 맞춤형 금융상품 추천 시스템 및 방법 | 새창보기 |
| [KST2021010865][서울대학교] | 지능형 수출시장 정보 분석 및 제공 서비스를 위한 시스템 및 방법 | 새창보기 |
| [KST2022023663][서울대학교] | 가속기에서 실행되는 프로그램에 대한 중간표현을 생성하는 방법 및 시스템 | 새창보기 |
| [KST2024000063][서울대학교] | 소화 기관의 3차원 맵을 생성하는 방법 및 상기 방법을 수행하는 3차원 맵 생성 장치 | 새창보기 |
| [KST2023002025][서울대학교] | 미디어 스트리밍 처리 장치 및 방법 | 새창보기 |
| [KST2020007521][서울대학교] | GPU 연산 기반의 딥러닝을 이용한 선호 콘텐츠 추천 장치 및 그 방법 | 새창보기 |
| [KST2020007515][서울대학교] | 딥러닝 기반의 이미지 개인정보 가공장치 시스템, 장치 및 그 방법 | 새창보기 |
| [KST2015159050][서울대학교] | 로봇에 지능 지수를 부여하는 방법 | 새창보기 |
| [KST2019011823][서울대학교] | 이미지에 포함된 객체의 상태를 분류하는 방법 및 분류 장치 | 새창보기 |
| [KST2021010240][서울대학교] | 운동 상상 훈련 장치 및 그 동작 방법 | 새창보기 |
| [KST2022002930][서울대학교] | 소화 기관의 3차원 맵을 생성하는 방법 및 상기 방법을 수행하는 3차원 맵 생성 장치 | 새창보기 |
| [KST2022007282][서울대학교] | 발화 스타일 인코딩 네트워크 이용한 스타일 음성 합성 장치 및 음성 합성 방법 | 새창보기 |
| [KST2021011690][서울대학교] | 라이다 및 카메라 수집정보 기반 수종탐지 시스템 및 이를 이용한 수종탐지방법, 수종탐지방법을 수행하는 프로그램이 수록된 기록매체 | 새창보기 |
| [KST2022002870][서울대학교] | 임펄스 무선 초광대역 레이더를 이용한 차량 내 사람 감지 및 위치 확인 방법 | 새창보기 |
| [KST2021010204][서울대학교] | AI를 이용한 일회박출량 산출 장치 및 방법 | 새창보기 |
| [KST2019021868][서울대학교] | 출석 확인 시스템 및 방법 | 새창보기 |
| [KST2019020950][서울대학교] | 딥-러닝을 통한 무선신호 전파 채널 해석을 이용한 실내공간의 구조를 예측하는 방법 | 새창보기 |
| [KST2023002161][서울대학교] | 강화 학습을 사용한 UAV BS 기반의 통신 방법 및 이러한 방법을 수행하는 장치 | 새창보기 |
| [KST2022007902][서울대학교] | 이미지 인식 방법, 이미지 인식 장치, 이미지 전처리 장치 및 뉴럴 네트워크의 학습 방법 | 새창보기 |
| [KST2020001484][서울대학교] | 딥러닝 기반의 실시간 대상 추적 방법 및 시스템 | 새창보기 |
| [KST2024000128][서울대학교] | 기능적 분석 장치 및 방법 | 새창보기 |
| [KST2022012950][서울대학교] | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 | 새창보기 |
| [KST2023001967][서울대학교] | 합성곱 신경망을 위한 부동소수점 압축이 포함된 캐시 | 새창보기 |
| [KST2023002114][서울대학교] | 밴드 스탑 필터 기반의 센싱 방법 및 장치 | 새창보기 |
| 심판사항 정보가 없습니다 |
|---|