| 1 |
1
메모리 및 프로세서를 구비하는 컴퓨터에 의해 수행되는 방법에 있어서,n개(n은 2 이상의 자연수)의 입력 변수로부터 획득된 학습 데이터의 입력값을 그래프 신경망 기반인 제1 신경망의 입력층으로 입력하여 출력층을 통해 예측값을 산출하는 단계;상기 예측값을 상기 학습 데이터의 목표값과 비교한 결과인 제1 학습 정보에 기초하여 상기 제1 신경망을 학습하는 단계;심층 신경망 기반의 제2 신경망에서 상기 제1 신경망의 l번째(l은 1 이상의 자연수) 은닉층에서의 중간값을 전달받아, 상기 입력값과 목표값이 관측된 시점 사이의 중간 시점값을 산출하는 단계; 및 상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계를 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 2 |
2
제1항에 있어서,상기 학습 데이터는 t 시점에서의 관측되는 입력값 및 상기 t 시점의 직후인 t+1 시점에 관측되는 목표값을 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 3 |
3
제1항에 있어서,상기 n개의 입력 변수로부터 획득된 학습 데이터의 입력값을 그래프 신경망 기반인 제1 신경망의 입력층으로 입력하여 출력층을 통해 예측값을 산출하는 단계는,상기 n개의 입력 변수로부터의 n개의 입력값을 상기 그래프 신경망의 입력층으로 입력하는 단계; 및상기 n개의 입력값에 상응하는 n개의 예측값을 산출하여 상기 출력층을 통해 출력하는 단계를 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 4 |
4
제1항에 있어서,상기 예측값을 상기 학습 데이터의 목표값과 비교한 결과인 제1 학습 정보에 기초하여 상기 제1 신경망을 학습하는 단계는,상기 예측값과 상기 목표값의 오차에 기반하여 상기 제1 학습 정보를 생성하는 단계를 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 5 |
5
제1항에 있어서,상기 예측값을 상기 학습 데이터의 목표값과 비교한 결과인 제1 학습 정보에 기초하여 상기 제1 신경망을 학습하는 단계는,상기 제1 학습 정보를 상기 제1 신경망의 출력층의 입력으로 설정하여 은닉층 및 입력층으로 전달하여 상기 제1 신경망을 학습하는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 6 |
6
제1항에 있어서,상기 제1 신경망의 l번째 은닉층에서의 활성 함수에 기초하여 상기 l번째 은닉층에서의 중간값을 산출하는 단계를 더 포함하고,상기 활성 함수는 상기 n개의 입력 변수 상호 간의 인과율을 포함하는 인접 행렬과 모델 파라미터 및 l-1번째 은닉층에서의 중간값을 포함하여 구성되는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 7 |
7
제6항에 있어서,상기 n개의 입력 변수로부터 상기 인접 행렬을 구성하는 단계를 더 포함하되,상기 인접 행렬은 상기 n개의 입력 변수의 개수의 제곱에 상응하는 크기를 가지며, 각 입력 변수 간의 인과 관계의 강도에 따라 상대적으로 표현되는 0과 1 사이의 인과율을 갖는 원소값을 포함하는 것을 특징으로 하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 8 |
8
제7항에 있어서,상기 n개의 입력 변수로부터 상기 인접 행렬을 구성하는 단계는,상기 인접 행렬과 동일한 크기를 갖는 초기 인접 행렬의 각 원소값을 산출하는 단계;상기 초기 인접 행렬에서의 각 행에서의 원소값들을 합산한 제1 대각 행렬과, 각 열에서의 원소값들을 합산한 제2 대각 행렬을 생성하는 단계; 및상기 초기 인접 행렬과 상기 산출된 제1 및 제2 대각 행렬에 상응하는 제곱근 역행렬 간의 곱셈 연산에 기초하여 상기 인접 행렬을 산출하는 단계를 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 9 |
9
제7항에 있어서,상기 n개의 입력 변수로부터 상기 인접 행렬을 구성하는 단계는,상기 인접 행렬에 포함된 각 원소값 간의 편차를 증가시키도록 상기 인접 행렬의 각 행과 열을 대상으로 하는 정규화 항(Regularization term)을 상기 인접 행렬에 설정하는 단계를 더 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 10 |
10
제6항에 있어서,상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계는,상기 입력값을 수신함에 따라 제1 식별자를 출력하도록 하고, 상기 중간 시점값을 수신함에 따라 상기 제1 식별자와 상이한 제2 식별자를 출력하도록 하는 상기 제2 학습 정보에 기초하여 상기 제2 신경망을 학습하는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 11 |
11
제10항에 있어서,상기 심층 신경망 기반의 제2 신경망에서 상기 제1 신경망의 l번째 은닉층에서의 중간값을 전달받아, 상기 입력값과 목표값이 관측된 시점 사이의 중간 시점값을 산출하는 단계는,상기 제2 신경망은, 상기 제1 및 제2 신경망을 학습하는 단계에서 상기 제2 신경망의 학습을 위한 상기 중간 시점값을 수신함에 따라, 상기 제1 식별자를 출력하도록 하는 상기 중간 시점값을 산출하는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 12 |
12
제10항에 있어서,상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계는,상기 생성된 제2 학습 정보를 상기 제1 신경망의 은닉층 및 입력층 중 적어도 하나에 입력시켜 상기 제1 신경망을 학습시키는 단계를 포함하는,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 13 |
13
제10항에 있어서,상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계는,상기 제1 신경망의 입력층에 입력되는 입력값과 동일한 입력값 또는 소정의 상황 조건을 만족하는 입력값을 대상으로 상기 중간 시점값과의 유사도에 기반한 제2 학습 정보를 산출하는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 14 |
14
제10항에 있어서,상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계는,기 설정된 최대 학습 횟수만큼 반복하여 상기 제1 및 제2 신경망을 학습하는 것인,입력 변수 간의 인과율 탐지를 위한 심층 신경망 학습 방법
|
| 15 |
15
메모리 및 프로세서를 구비하는 컴퓨터에 의해 수행되는 방법에 있어서,n개(n은 2 이상의 자연수)의 입력 변수로부터 획득된 학습 데이터의 입력값을 그래프 신경망 기반인 제1 신경망의 입력층으로 입력하여 출력층을 통해 예측값을 산출하는 단계;상기 예측값을 상기 학습 데이터의 목표값과 비교한 결과인 제1 학습 정보에 기초하여 상기 제1 신경망을 학습하는 단계;심층 신경망 기반의 제2 신경망에서 상기 제1 신경망의 l번째(l은 1 이상의 자연수) 은닉층에서의 중간값을 전달받아, 상기 입력값과 목표값이 관측된 시점 사이의 중간 시점값을 산출하는 단계; 상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 단계; 기 설정된 최대 학습 횟수만큼 상기 제1 및 제2 신경망을 반복 학습하는 단계; 및상기 학습된 제1 신경망의 인접 행렬을 제공하는 단계를 포함하고,상기 인접 행렬은 상기 n개의 입력 변수의 개수의 제곱에 상응하는 크기를 가지며, 각 입력 변수 간의 인과 관계의 강도에 따라 상대적으로 표현되는 0과 1 사이의 인과율을 갖는 원소값을 갖는 것을 특징으로 하는,심층 신경망을 이용하여 입력 변수 간의 인과율을 탐지하는 방법
|
| 16 |
16
입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템에 있어서,n개(n은 2 이상의 자연수)의 입력 변수로부터 획득된 학습 데이터에 기반하여 각 입력 변수 간의 인과율을 탐지하기 위한 프로그램이 저장된 메모리 및상기 메모리에 저장된 프로그램을 실행시키는 프로세서를 포함하되,상기 프로세서는 상기 프로그램을 실행시킴에 따라, 상기 학습 데이터의 입력값을 그래프 신경망 기반인 제1 신경망의 입력층으로 입력하여 출력층을 통해 예측값을 산출하고, 상기 예측값을 상기 학습 데이터의 목표값과 비교한 결과인 제1 학습 정보에 기초하여 상기 제1 신경망을 학습하며,심층 신경망 기반의 제2 신경망에서 상기 제1 신경망의 l번째(l은 1 이상의 자연수) 은닉층에서의 중간값을 전달받아, 상기 입력값과 목표값이 관측된 시점 사이의 중간 시점값을 산출하고, 상기 중간 시점값과 상기 학습 데이터의 입력값 간의 유사도에 기반한 제2 학습 정보에 기초하여 상기 제1 및 제2 신경망을 학습하는 것인,입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템
|
| 17 |
17
제16항에 있어서,상기 프로세서는 상기 예측값과 상기 목표값의 오차에 기반하여 상기 제1 학습 정보를 생성하고, 상기 제1 학습 정보를 상기 제1 신경망의 출력층의 입력으로 설정하여 은닉층 및 입력층으로 전달하여 상기 제1 신경망을 학습하는 것인,입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템
|
| 18 |
18
제16항에 있어서,상기 프로세서는 상기 제1 신경망의 l번째 은닉층에서의 활성 함수에 기초하여 상기 l번째 은닉층에서의 중간값을 산출하며,상기 활성 함수는 상기 n개의 입력 변수 상호 간의 인과율을 포함하는 인접 행렬과 모델 파라미터 및 l-1번째 은닉층에서의 중간값을 포함하여 구성되는 것인,입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템
|
| 19 |
19
제16항에 있어서,상기 프로세서는 상기 인접 행렬과 동일한 크기를 갖는 초기 인접 행렬의 각 원소값을 산출하고, 상기 초기 인접 행렬에서의 각 행에서의 원소값들을 합산한 제1 대각 행렬과, 각 열에서의 원소값들을 합산한 제2 대각 행렬을 생성하며, 상기 초기 인접 행렬과 상기 산출된 제1 및 제2 대각 행렬 간의 곱셈 연산에 기초하여 상기 인접 행렬을 산출하는 것인,입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템
|
| 20 |
20
제16항에 있어서,상기 프로세서는 상기 입력값을 수신함에 따라 제1 식별자를 출력하도록 하고, 상기 중간 시점값을 수신함에 따라 상기 제1 식별자와 상이한 제2 식별자를 출력하도록 하는 상기 제2 학습 정보에 기초하여 상기 제2 신경망을 학습하며, 상기 제2 신경망이 상기 중간 시점값을 수신함에 따라 상기 제1 식별자를 출력하도록 하는 상기 중간 시점값을 산출하는 것인,입력 변수 간의 인과율을 탐지하기 위한 심층 신경망 기반의 시스템
|
