| 1 |
1
변분 오토 인코더(VAE)에 기초하여 학습된 기계학습 모델을 이용하여 제1 데이터와 제2 데이터의 의미론적 유사 여부를 확인하는 과정을 포함하며, 상기 제1 데이터와 제2 데이터의 의미론적 유사 여부를 확인하는 과정은,상기 제1 데이터와 상기 제2 데이터를 획득하는 과정;상기 제1 데이터를 상기 학습된 기계학습 모델을 이용하여 제1 확인 해시 코드를 결정하는 과정;상기 제2 데이터를 상기 학습된 기계학습 모델을 이용하여 제2 확인 해시 코드를 결정하는 과정;상기 제1 및 제2 확인 해시 코드에 기초하여 상기 제1 및 제2 데이터 사이의 유사도를 획득하는 과정; 및상기 제1 및 제2 데이터 사이의 유사도에 기초하여 상기 제1 및 제2 데이터의 의미론적 유사 여부를 결정하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 2 |
2
제1 항에 있어서,훈련 데이터 세트를 이용하여 상기 기계학습 모델을 훈련하는 훈련 과정을 더 포함하며, 상기 훈련 과정은,동일한 훈련 레이블 정보를 가지는 제1 훈련 데이터와 제2 훈련 데이터를 포함하는 상기 훈련 데이터 세트를 획득하는 과정;상기 제1 훈련 데이터를 상기 변분 오토 인코더(VAE)를 이용하여 훈련하고, 상기 제1 훈련 데이터의 제1 훈련 해시 코드인 제1 훈련 잠재 변수(latent variable)를 결정하는 과정;상기 제2 훈련 데이터를 상기 VAE를 이용하여 훈련하고, 상기 제2 훈련 데이터의 제2 훈련 해시 코드인 제2 훈련 잠재 변수를 결정하는 과정;상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정; 및상기 손실 함수에 기초하여 기계학습 모델을 학습하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 3 |
3
제2항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수의 평균 및 분산, 및 상기 제2 훈련 잠재 변수의 평균 및 분산을 사용하여 상기 손실 함수를 결정하는 과정을 포함하는, 데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 4 |
4
제2항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수의 평균, 및 상기 제2 훈련 잠재 변수의 평균을 사용하여 상기 손실 함수를 결정하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 5 |
5
제2항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 큰지 확인하는 과정;상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 작은 경우에 상기 손실 함수에 대한 레이블 가중치(Wt)가 0으로 설정되는 과정; 및 상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 큰 경우에 상기 손실 함수에 대한 레이블 가중치가 기 설정된 값 또는 기 설정된 함수로 설정되는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 6 |
6
제5항에 있어서,상기 기 설정된 시간은 비지도 학습의 영향도에 따라서 결정되는 것을 특징으로 하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 7 |
7
제2항에 있어서,상기 훈련 과정 이후에, 평가 데이터 세트를 이용하여 상기 학습된 기계학습 모델을 평가하는 평가 과정을 더 포함하며, 상기 평가 과정은,동일한 평가 레이블 정보를 가지는 제1 평가 데이터와 제2 평가 데이터를 포함하는 상기 평가 데이터 세트를 획득하는 과정;상기 제1 평가 데이터를 상기 학습된 기계학습 모델을 이용하여 상기 제1 평가 데이터의 제1 평가 해시 코드를 결정하는 과정;상기 평가 제2 데이터를 상기 학습된 기계학습 모델을 이용하여 상기 제2 평가 데이터의 제2 평가 해시 코드를 결정하는 과정;상기 제1 및 제2 평가 해시 코드에 기초하여 상기 제1 평가 데이터와 상기 제2 평가 데이터 사이의 유사도를 획득하는 과정; 및상기 제1 평가 데이터와 상기 제2 평가 데이터 사이의 유사도 및 상기 평가 레이블 정보에 기초하여 상기 기계학습 모델을 재 학습하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치의 제어 방법
|
| 8 |
8
변분 오토 인코더(VAE)에 기초하여 학습된 기계학습 모델을 이용하여 제1 데이터와 제2 데이터의 의미론적 유사 여부를 확인하는 프로세서를 포함하며,상기 프로세서에 의해서 수행되는 상기 제1 데이터와 제2 데이터의 의미론적 유사 여부를 확인하는 과정은,상기 제1 데이터와 상기 제2 데이터를 획득하는 과정;상기 제1 데이터를 상기 학습된 기계학습 모델을 이용하여 제1 확인 해시 코드를 결정하는 과정;상기 제2 데이터를 상기 학습된 기계학습 모델을 이용하여 제2 확인 해시 코드를 결정하는 과정;상기 제1 및 제2 확인 해시 코드에 기초하여 상기 제1 및 제2 데이터 사이의 유사도를 획득하는 과정; 및상기 제1 및 제2 데이터 사이의 유사도에 기초하여 상기 제1 및 제2 데이터의 의미론적 유사 여부를 결정하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 9 |
9
제8 항에 있어서,상기 프로세서는 훈련 데이터 세트를 이용하여 상기 기계학습 모델을 훈련하는 훈련 과정을 더 수행하며, 상기 프로세서에 수행되는 상기 훈련 과정은,동일한 훈련 레이블 정보를 가지는 제1 훈련 데이터와 제2 훈련 데이터를 포함하는 상기 훈련 데이터 세트를 획득하는 과정;상기 제1 훈련 데이터를 변분 오토 인코더(VAE)를 이용하여 훈련하고, 상기 제1 훈련 데이터의 제1 훈련 해시 코드인 제1 훈련 잠재 변수(latent variable)를 결정하는 과정;상기 제2 훈련 데이터를 상기 VAE를 이용하여 훈련하고, 상기 제2 훈련 데이터의 제2 훈련 해시 코드인 제2 훈련 잠재 변수를 결정하는 과정;상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정; 및상기 손실 함수에 기초하여 기계학습 모델을 학습하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 10 |
10
제9항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수의 평균 및 분산, 및 상기 제2 훈련 잠재 변수의 평균 및 분산을 사용하여 상기 손실 함수를 결정하는 과정을 포함하는, 데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 11 |
11
제9항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수의 평균, 및 상기 제2 훈련 잠재 변수의 평균을 사용하여 상기 손실 함수를 결정하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 12 |
12
제9항에 있어서,상기 훈련 레이블 정보, 상기 제1 훈련 잠재 변수, 및 상기 제2 훈련 잠재 변수에 기초하여 손실 함수(loss function)을 결정하는 과정은,상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 큰지 확인하는 과정;상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 작은 경우에 상기 손실 함수에 대한 레이블 가중치(Wt)가 0으로 설정되는 과정; 및 상기 훈련 과정의 경과 시간이 기 설정된 시간 보다 큰 경우에 상기 손실 함수에 대한 레이블 가중치가 기 설정된 값 또는 기 설정된 함수로 설정되는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 13 |
13
제12항에 있어서,상기 기 설정된 시간은 비지도 학습의 영향도에 따라서 결정되는 것을 특징으로 하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
| 14 |
14
제9항에 있어서,상기 프로세서는 상기 훈련 과정을 수행한 이후에, 평가 데이터 세트를 이용하여 상기 학습된 기계학습 모델을 평가하는 평가 과정을 더 수행하며, 상기 프로세서에 의해서 수행되는 상기 평가 과정은,동일한 평가 레이블 정보를 가지는 제1 평가 데이터와 제2 평가 데이터를 포함하는 상기 평가 데이터 세트를 획득하는 과정;상기 제1 평가 데이터를 상기 학습된 기계학습 모델을 이용하여 상기 제1 평가 데이터의 제1 평가 해시 코드를 결정하는 과정;상기 평가 제2 데이터를 상기 학습된 기계학습 모델을 이용하여 상기 제2 평가 데이터의 제2 평가 해시 코드를 결정하는 과정;상기 제1 평가 해시 코드 및 상기 제2 평가 해시 코드에 기초하여 상기 제1 평가 데이터와 상기 제2 평가 데이터 사이의 유사도를 획득하는 과정; 및상기 제1 평가 데이터와 상기 제2 평가 데이터 사이의 유사도 및 상기 평가 레이블 정보에 기초하여 상기 기계학습 모델을 재 학습하는 과정을 포함하는,데이터의 의미론적 유사 여부를 분석하기 위하여 기계학습을 이용한 전자 장치
|
