| 1 |
1
제1 데이터처리장치가 소스 데이터를 익명화한 초기 합성 데이터를 생성하는 단계;제2 데이터처리장치가 상기 초기 합성 데이터를 입력받는 단계; 및상기 제2 데이터처리장치가 데이터를 생성하는 생성자 모델에 상기 초기 합성 데이터를 입력하고, 상기 생성자 모델이 출력하는 데이터를 최종 합성 데이터로 삼는 단계를 포함하되,상기 생성자 모델은 학습과정에서 상기 최종 합성 데이터에 대한 클래스 정보를 분류하는 타깃 분류기가 원본 클래스 정보를 출력하도록 역전사 정보를 받아 학습된 모델인 신경망 모델을 이용한 정보 보호 방법
|
| 2 |
2
제1항에 있어서,상기 제1 데이터처리장치는 클라이언트 장치이고, 상기 제2 데이터처리장치는 서버인 신경망 모델을 이용한 정보 보호 방법
|
| 3 |
3
제1항에 있어서,상기 초기 합성 데이터를 생성하는 단계에서,상기 제1 데이터처리장치는 상기 소스 데이터를 랜덤한 비트 스트링과 연산하여 상기 초기 합성 데이터를 생성하는 제1 단계; 및상기 제1 데이터처리장치는 상기 초기 합성 데이터를 클래스 분류를 위한 대리 분류기에 입력하는 제2 단계; 및상기 제1 데이터처리장치는 상기 대리 분류기에서 출력되는 클래스 정보와 상기 소스 데이터의 원본 클래스 정보를 비교하는 제3 단계를 포함하되,상기 제1 데이터처리장치는 상기 출력되는 클래스 정보와 상기 원본 클래스 정보가 동일하지 않은 경우, 상기 제1 단계 내지 상기 제3 단계 과정을 반복하는 신경망 모델을 이용한 정보 보호 방법
|
| 4 |
4
제3항에 있어서,상기 타깃 분류기는 복수의 컨볼루션 계층들, 복수의 비선형 연산 계층들, 복수의 풀링 계층들 및 복수의 계층들로 구성된 출력 계층을 포함하고,상기 대리 분류기는 상기 복수의 컨볼루션 계층들 중 적어도 하나의 계층, 상기 복수의 비선형 연산 계층들 중 적어도 하나의 계층, 상기 복수의 풀링 계층들 중 적어도 하나의 계층 및 상기 출력 계층의 복수의 계층들 중 적어도 하나의 계층을 포함하는 신경망 모델을 이용한 정보 보호 방법
|
| 5 |
5
제1항에 있어서,상기 제2 데이터처리장치는 입력데이터를 입력받아 출력 데이터를 출력하는 상기 생성자 모델 및 상기 출력 데이터에 대한 클래스 정보를 분류하는 타깃 분류기를 포함하는 신경망 모델을 이용하여 상기 최종 합성 데이터를 생성하되,상기 타깃 분류기는 상기 소스 데이터를 입력받아 출력하는 제1 클래스 정보와 상기 출력 데이터를 입력받아 출력하는 제2 클래스 정보 사이의 손실(loss)을 최소화하도록 학습되고, 상기 생성자 모델은 상기 출력 데이터를 입력받아 출력하는 클래스 정보가 상기 입력데이터의 원본 클래스 정보와 차이가 최소화하도록 학습되는 신경망 모델을 이용한 정보 보호 방법
|
| 6 |
6
제1항에 있어서,상기 타깃 분류기는 아래 수식으로 표현되는 목적함수로 학습되는 신경망 모델을 이용한 정보 보호 방법
|
| 7 |
7
소스 데이터를 익명화한 초기 합성 데이터를 입력받는 입력장치;입력데이터를 입력받아 출력 데이터를 출력하는 생성자 모델 및 상기 출력 데이터에 대한 클래스 정보를 분류하는 타깃 분류기를 포함하는 신경망 모델을 저장하는 저장장치; 및 상기 초기 합성 데이터를 상기 신경망 모델에 입력하여 상기 생성자 모델이 최종 합성 데이터를 출력하게 하는 연산장치를 포함하되,상기 생성자 모델은 학습과정에서 상기 출력 데이터를 입력받아 출력하는 클래스 정보가 상기 입력데이터의 원본 클래스 정보와 차이가 최소화하도록 학습된 모델인 신경망 모델을 이용하여 데이터를 보호하는 데이터처리장치
|
| 8 |
8
제7항에 있어서,상기 초기 합성 데이터는 상기 소스 데이터를 랜덤한 비트 스트링과 연산하여 생성되고, 상기 초기 합성 데이터는 대리 분류기에 상기 초기 합성 데이터를 입력하여 출력되는 클래스 정보와 상기 소스 데이터의 원본 클래스 정보가 동일한 경우에만 상기 입력장치에 입력되는 신경망 모델을 이용하여 데이터를 보호하는 데이터처리장치
|
| 9 |
9
제7항에 있어서,상기 타깃 분류기는 상기 소스 데이터를 입력받아 출력하는 제1 클래스 정보와 상기 출력 데이터를 입력받아 출력하는 제2 클래스 정보 사이의 손실(loss)을 최소화하도록 학습되고, 상기 생성자 모델은 상기 출력 데이터를 입력받아 출력하는 클래스 정보가 상기 입력데이터의 원본 클래스 정보와 차이가 최소화하도록 학습되는 신경망 모델을 이용하여 데이터를 보호하는 데이터처리장치
|
| 10 |
10
제7항에 있어서,상기 타깃 분류기는 아래 수식으로 표현되는 목적함수로 학습되는 신경망 모델을 이용하여 데이터를 보호하는 데이터처리장치
|
| 11 |
11
소스 데이터를 익명화하여 초기 합성 데이터를 생성하는 클라이언트 장치; 및상기 초기 합성 데이터를 신경망 모델에 입력하여, 최종 합성 데이터를 생성하는 익명화 서버를 포함하되,상기 신경망 모델은 입력데이터를 입력받아 출력 데이터를 출력하는 생성자 모델 및 상기 출력 데이터에 대한 클래스 정보를 분류하는 타깃 분류기를 포함하고,상기 생성자 모델은 상기 출력 데이터를 입력받아 출력하는 클래스 정보가 상기 입력데이터의 원본 클래스 정보와 차이가 최소화하도록 학습된 모델인 데이터 보호 시스템
|
| 12 |
12
제11항에 있어서,상기 클라이언트 장치는 대리 분류기에 상기 초기 합성 데이터를 입력하여 출력되는 클래스 정보와 상기 소스 데이터의 원본 클래스 정보가 동일한 경우에만 상기 초기 합성 데이터를 상기 익명화 서버에 전달하는 데이터 보호 시스템
|
| 13 |
13
제11항에 있어서,상기 타깃 분류기는 상기 소스 데이터를 입력받아 출력하는 제1 클래스 정보와 상기 출력 데이터를 입력받아 출력하는 제2 클래스 정보 사이의 손실(loss)을 최소화하도록 학습되고, 상기 생성자 모델은 상기 출력 데이터를 입력받아 출력하는 클래스 정보가 상기 입력데이터의 원본 클래스 정보와 차이가 최소화하도록 학습되는 데이터 보호 시스템
|
| 14 |
14
제11항에 있어서,상기 타깃 분류기는 아래 수식으로 표현되는 목적함수로 학습되는 데이터 보호 시스템
|
| 15 |
15
제11항에 있어서,상기 최종 합성 데이터를 입력받아 클래스 정보를 추출하는 분류기를 이용하여 상기 최종 합성 데이터의 라벨값을 추출하는 분석장치를 더 포함하는 데이터 보호 시스템
|
