| 1 |
1
인공지능 연합학습 장치에 의해 수행되는 인공지능 연합학습 방법에 있어서, 글로벌 학습 데이터를 이용하여 글로벌 모델을 미리 학습하는 단계; 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 기반으로 로컬 모델을 미리 학습하는 단계; 기 저장된 로컬 학습 데이터로부터 추출된 특징 벡터를 이용하여 상기 미리 학습된 로컬 모델의 가중치 파라미터를 업데이트하는 단계; 및 상기 업데이트된 로컬 모델의 가중치 파라미터를 기반으로 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 업데이트하는 단계를 포함하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 2 |
2
제1항에 있어서,상기 업데이트된 글로벌 모델의 가중치 파라미터를 기반으로 상기 로컬 모델을 재학습하는 단계를 더 포함하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 3 |
3
제1항에 있어서,상기 글로벌 모델은, 서포트 벡터 머신(support vector machine, SVM), 컨벌루션 신경망(Convolutional Neural Networks, CNN) 및 순환 신경망(Recurrent neural network, RNN) 중에서 어느 하나의 신경망으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 4 |
4
제3항에 있어서,상기 로컬 모델은, 상기 글로벌 모델의 신경망과 동일한 신경망으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 5 |
5
제3항에 있어서,상기 글로벌 모델은, 상기 글로벌 학습 데이터의 데이터 개수가 기설정된 데이터 개수 미만이면 서포트 벡터 머신으로 구성되고, 상기 글로벌 학습 데이터의 데이터 개수가 기설정된 데이터 개수 이상이면 컨벌루션 신경망 또는 순환 신경망의 마지막단에 완전 연결 계층(fully-connected layer)이 연결된 완전 연결 신경망(Fully-connected NN)으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 6 |
6
제1항에 있어서, 상기 로컬 모델의 가중치 파라미터를 업데이트하는 단계는, 상기 기 저장된 로컬 학습 데이터가 뇌영상 이미지 데이터이면 컨벌루션 신경망을 이용하여 특징 벡터를 추출하거나, 상기 기 저장된 로컬 학습 데이터가 시계열 데이터이면 순환 신경망을 이용하여 특징 벡터를 추출하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 7 |
7
제1항에 있어서,상기 로컬 모델의 가중치 파라미터를 업데이트하는 단계는, 복수의 로컬 모델마다 개별적인 특징 벡터를 이용하여 상기 미리 학습된 로컬 모델의 가중치 파라미터를 각각 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 8 |
8
제1항에 있어서,상기 로컬 모델의 가중치 파라미터를 업데이트하는 단계는, 상기 추출된 특징 벡터를 기반으로 상기 미리 학습된 로컬 모델의 가중치 파라미터를 확률적 경사 하강법(Stochastic Gradient Descent)을 사용하여 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 9 |
9
제8항에 있어서,상기 로컬 모델의 가중치 파라미터를 업데이트하는 단계는, 확률적 경사 하강법에서 로스(Loss)에 대한 경사(Gradient) 값만큼 가중치와 바이어스를 학습률(Learning rate)를 나타내는 스텝 사이즈(Step size)만큼 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 10 |
10
제1항에 있어서,상기 글로벌 모델의 가중치 파라미터를 업데이트하는 단계는, 복수의 로컬 모델마다 상기 업데이트된 로컬 모델의 가중치 파라미터를 개별적으로 수신하고, 상기 개별적으로 수신된 복수의 로컬 모델의 가중치 파라미터를 통합하여 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 방법
|
| 11 |
11
글로벌 학습 데이터를 이용하여 글로벌 모델을 미리 학습하는 글로벌 연합학습 장치; 및 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 기반으로 로컬 모델을 미리 학습하고, 기 저장된 로컬 학습 데이터로부터 추출된 특징 벡터를 이용하여 상기 미리 학습된 로컬 모델의 가중치 파라미터를 업데이트하는 로컬 연합학습 장치를 포함하고, 상기 글로벌 연합학습 장치는, 상기 업데이트된 로컬 모델의 가중치 파라미터를 기반으로 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 12 |
12
제11항에 있어서,상기 로컬 연합학습 장치는, 상기 업데이트된 글로벌 모델의 가중치 파라미터를 기반으로 상기 로컬 모델을 재학습하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 13 |
13
제11항에 있어서,상기 글로벌 모델은, 서포트 벡터 머신(support vector machine, SVM), 컨벌루션 신경망(Convolutional Neural Networks, CNN) 및 순환 신경망(Recurrent neural network, RNN) 중에서 어느 하나의 신경망으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 14 |
14
제13항에 있어서,상기 로컬 모델은, 상기 글로벌 모델의 신경망과 동일한 신경망으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 15 |
15
제13항에 있어서,상기 글로벌 모델은, 상기 글로벌 학습 데이터의 데이터 개수가 기설정된 데이터 개수 미만이면 서포트 벡터 머신으로 구성되고, 상기 글로벌 학습 데이터의 데이터 개수가 기설정된 데이터 개수 이상이면 컨벌루션 신경망 또는 순환 신경망의 마지막단에 완전 연결 계층(fully-connected layer)이 연결된 완전 연결 신경망(Fully-connected NN)으로 구성되는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 16 |
16
제11항에 있어서, 상기 로컬 연합학습 장치는, 상기 기 저장된 로컬 학습 데이터가 이미지 데이터이면 컨벌루션 신경망을 이용하여 특징 벡터를 추출하거나, 상기 기 저장된 로컬 학습 데이터가 시계열 데이터이면 순환 신경망을 이용하여 특징 벡터를 추출하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 17 |
17
제11항에 있어서,상기 로컬 연합학습 장치는, 복수의 로컬 모델마다 개별적인 특징 벡터를 이용하여 상기 미리 학습된 로컬 모델의 가중치 파라미터를 각각 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 18 |
18
제11항에 있어서,상기 로컬 연합학습 장치는, 상기 추출된 특징 벡터를 기반으로 상기 미리 학습된 로컬 모델의 가중치 파라미터를 확률적 경사 하강법(Stochastic Gradient Descent)을 사용하여 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 19 |
19
제18항에 있어서,상기 로컬 연합학습 장치는, 확률적 경사 하강법에서 로스(Loss)에 대한 경사(Gradient) 값만큼 가중치와 바이어스를 학습률(Learning rate)를 나타내는 스텝 사이즈(Step size)만큼 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 20 |
20
제11항에 있어서,상기 글로벌 연합학습 장치는, 복수의 로컬 모델마다 상기 업데이트된 로컬 모델의 가중치 파라미터를 개별적으로 수신하고, 상기 개별적으로 수신된 복수의 로컬 모델의 가중치 파라미터를 통합하여 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 업데이트하는, 우울증 진단을 위한 인공지능 연합학습 시스템
|
| 21 |
21
프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 글로벌 학습 데이터를 이용하여 글로벌 모델을 미리 학습하는 단계; 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 기반으로 로컬 모델을 미리 학습하는 단계; 기 저장된 로컬 학습 데이터로부터 추출된 특징 벡터를 이용하여 상기 미리 학습된 로컬 모델의 가중치 파라미터를 업데이트하는 단계; 및 상기 업데이트된 로컬 모델의 가중치 파라미터를 기반으로 상기 미리 학습된 글로벌 모델의 가중치 파라미터를 업데이트하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체
|
