| 1 |
1
입력 데이터의 특징을 추출하여 입력 잠재 벡터(latent vector)를 생성하는 인코딩부(encoder);상기 입력 잠재 벡터(latent vector)에 기초하여 생성된 스타일 벡터를 기초로 소정의 컨텐츠 벡터를 복조하여 재구성 데이터(reconstructed data)를 생성하는 생성부(generator); 및상기 재구성 데이터 및 실제 데이터(real data)를 입력 받아 진짜 데이터 및 가짜 데이터를 구분하는 구분부(discriminator)를 포함하는, 개인정보 익명화 장치
|
| 2 |
2
청구항 1에 있어서,상기 인코딩부는직렬로 연결된 하나 이상의 인코딩 블록을 포함하며,상기 하나 이상의 인코딩 블록 각각은 합성곱 층(convolution layer), 인스턴스 정규화 층(instance normalization layer) 및 다운 샘플링 층(down sampling layer)을 포함하는, 개인정보 익명화 장치
|
| 3 |
3
청구항 2에 있어서,상기 인스턴스 정규화 층은각각의 인코딩 블록에 입력된 입력 데이터의 평균 및 표준편차를 계산한 후 아핀 변환(affine transformation)을 수행하여 개별 잠재 벡터를 생성하는, 개인정보 익명화 장치
|
| 4 |
4
청구항 2에 있어서,상기 인코딩부는상기 하나 이상의 인코딩 블록에서 생성된 하나 이상의 개별 잠재 벡터를 가중합하여 입력 잠재 벡터를 생성하는, 개인정보 익명화 장치
|
| 5 |
5
청구항 1에 있어서,상기 인코딩부는상기 입력 데이터와 상기 재구성 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss) 및 재구성 데이터에 대한 구분부의 결과값을 기초로 생성된 적대적 손실(adversarial loss)을 가중합하여 생성한 총 손실을 기초로 학습된, 개인정보 익명화 장치
|
| 6 |
6
청구항 1에 있어서,상기 생성부는직렬로 연결된 하나 이상의 디코딩 블록을 포함하며,상기 하나 이상의 디코딩 블록 각각은 합성곱 층(convolution layer), 적응 인스턴스 정규화 층(adaptive instance normalization layer) 및 업 샘플링 층(up sampling layer)을 포함하는, 개인정보 익명화 장치
|
| 7 |
7
청구항 6에 있어서,상기 하나 이상의 디코딩 블록에 포함된 각각의 상기 적응 인스턴스 정규화 층은 상기 하나 이상의 디코딩 블록 각각에 입력되는 컨텐츠 벡터의 평균 및 표준 편차를 스타일 벡터의 평균 및 표준 편차에 기초하여 조정하는, 개인정보 익명화 장치
|
| 8 |
8
청구항 6에 있어서,상기 하나 이상의 디코딩 블록은 연결된 순서에 따라 둘 이상의 디코딩 블록 그룹으로 구분되며, 상기 디코딩 블록 그룹에 따라 다른 종류의 스타일 벡터가 입력되는, 개인정보 익명화 장치
|
| 9 |
9
청구항 8에 있어서,상기 스타일 벡터는 상기 인코딩부가 학습 데이터 세트를 입력 받아 생성한 학습 잠재 벡터 세트에 포함된 모든 학습 잠재 벡터의 중심(centroid)을 계산하여 생성한 전체 학습 잠재 벡터,상기 학습 잠재 벡터 세트에 포함된 하나 이상의 학습 잠재 벡터를 하나 이상의 속성 별로 하나 이상의 기준에 따라 구분하며, 구분된 학습 잠재 벡터 별로 중심을 계산하여 생성한 하나 이상의 클래스 학습 잠재 벡터 및 상기 입력 데이터를 기초로 생성된 상기 입력 잠재 벡터 중 하나인, 개인정보 익명화 장치
|
| 10 |
10
청구항 9에 있어서,상기 하나 이상의 디코딩 블록은 연결된 순서에 따라 상기 전체 학습 잠재 벡터, 상기 클래스 학습 잠재 벡터 및 상기 입력 잠재 벡터가 입력되는, 개인정보 익명화 장치
|
| 11 |
11
청구항 10에 있어서,상기 디코딩 블록은 상기 하나 이상의 클래스 학습 잠재 벡터 중 입력 잠재 벡터가 속한 클래스에 대응하는 클래스 학습 잠재 벡터를 입력 받는, 개인정보 익명화 장치
|
| 12 |
12
입력 데이터의 특징을 추출하여 입력 잠재 벡터(latent vector)를 생성하는 단계;상기 입력 잠재 벡터(latent vector)에 기초하여 생성된 스타일 벡터를 기초로 소정의 컨텐츠 벡터를 복조하여 재구성 데이터(reconstructed data)를 생성하는 단계; 및상기 재구성 데이터 및 실제 데이터(real data)를 입력 받아 진짜 데이터 및 가짜 데이터를 구분하는 단계를 포함하는, 개인정보 익명화 방법
|
| 13 |
13
청구항 12에 있어서,상기 입력 잠재 벡터를 생성하는 단계는직렬로 연결된 하나 이상의 인코딩 블록을 이용하며,상기 하나 이상의 인코딩 블록 각각은 합성곱 층(convolution layer), 인스턴스 정규화 층(instance normalization layer) 및 다운 샘플링 층(down sampling layer)을 포함하는, 개인정보 익명화 방법
|
| 14 |
14
청구항 13에 있어서,상기 인스턴스 정규화 층은각각의 인코딩 블록에 입력된 입력 데이터의 평균 및 표준편차를 계산한 후 아핀 변환(affine transformation)을 수행하여 개별 잠재 벡터를 생성하는, 개인정보 익명화 방법
|
| 15 |
15
청구항 13에 있어서,상기 입력 잠재 벡터를 생성하는 단계는상기 하나 이상의 인코딩 블록에서 생성된 하나 이상의 개별 잠재 벡터를 가중합하여 입력 잠재 벡터를 생성하는, 개인정보 익명화 방법
|
| 16 |
16
청구항 12에 있어서,상기 입력 잠재 벡터를 생성하는 단계는상기 입력 데이터와 상기 재구성 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss) 및 재구성 데이터에 대한 구분부의 결과값을 기초로 생성된 적대적 손실(adversarial loss)을 가중합하여 생성한 총 손실을 기초로 학습된, 개인정보 익명화 방법
|
| 17 |
17
청구항 12에 있어서,상기 재구성 데이터를 생성하는 단계는직렬로 연결된 하나 이상의 디코딩 블록을 이용하며,상기 하나 이상의 디코딩 블록 각각은 합성곱 층(convolution layer), 적응 인스턴스 정규화 층(adaptive instance normalization layer) 및 업 샘플링 층(up sampling layer)을 포함하는, 개인정보 익명화 방법
|
| 18 |
18
청구항 17에 있어서,상기 하나 이상의 디코딩 블록에 포함된 각각의 상기 적응 인스턴스 정규화 층은 상기 하나 이상의 디코딩 블록 각각에 입력되는 컨텐츠 벡터의 평균 및 표준 편차를 스타일 벡터의 평균 및 표준 편차에 기초하여 조정하는, 개인정보 익명화 방법
|
| 19 |
19
청구항 17에 있어서,상기 하나 이상의 디코딩 블록은 연결된 순서에 따라 둘 이상의 디코딩 블록 그룹으로 구분되며, 상기 디코딩 블록 그룹에 따라 다른 종류의 스타일 벡터가 입력되는, 개인정보 익명화 방법
|
| 20 |
20
청구항 19에 있어서,상기 스타일 벡터는 학습 데이터 세트를 입력 받아 생성한 학습 잠재 벡터 세트에 포함된 모든 학습 잠재 벡터의 중심(centroid)을 계산하여 생성한 전체 학습 잠재 벡터,상기 학습 잠재 벡터 세트에 포함된 하나 이상의 학습 잠재 벡터를 하나 이상의 속성 별로 하나 이상의 기준에 따라 구분하며, 구분된 학습 잠재 벡터 별로 중심을 계산하여 생성한 하나 이상의 클래스 학습 잠재 벡터 및 상기 입력 데이터를 기초로 생성된 상기 입력 잠재 벡터 중 하나인, 개인정보 익명화 방법
|
| 21 |
21
청구항 20에 있어서,상기 하나 이상의 디코딩 블록은 연결된 순서에 따라 상기 전체 학습 잠재 벡터, 상기 클래스 학습 잠재 벡터 및 상기 입력 잠재 벡터가 입력되는, 개인정보 익명화 방법
|
| 22 |
22
청구항 21에 있어서,상기 디코딩 블록은 상기 하나 이상의 클래스 학습 잠재 벡터 중 입력 잠재 벡터가 속한 클래스에 대응하는 클래스 학습 잠재 벡터를 입력 받는, 개인정보 익명화 방법
|
