| 1 |
1
멤버십 정보가 제거된 데이터를 생성하는 장치에 있어서,입력 데이터의 특징을 추출하여 잠재 벡터(latent vector)를 생성하는 인코딩부(encoder); 및 상기 잠재 벡터의 일부 차원으로 구성된 멤버십 특성 벡터(membership character vector)를 소정의 벡터로 대체하여 생성한 변형된 잠재 벡터를 입력 받아 재구성 데이터(reconstruction data)를 생성하는 디코딩부(decoder)를 포함하는, 데이터 생성 장치
|
| 2 |
2
청구항 1에 있어서,상기 멤버십 특성 벡터로부터 클래스 정보를 예측하는 클래스 구분부(class discriminator); 및상기 잠재 벡터에서 상기 멤버십 특성 벡터를 제외한 차원으로 구성된 클래스 특성 벡터(class character vector)로부터 멤버십 정보를 예측하는 멤버십 구분부(membership discriminator)를 더 포함하는, 데이터 생성 장치
|
| 3 |
3
청구항 2에 있어서,상기 클래스 구분부는 학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 멤버십 특성 벡터를 입력 받아 상기 학습 샘플 데이터의 레이블을 예측하며, 상기 학습 샘플 데이터의 레이블 및 상기 예측된 학습 샘플 데이터의 레이블의 차이에 기초하여 생성된 교차 엔트로피 손실(cross entropy loss)를 감소시키는 방향으로 학습된, 데이터 생성 장치
|
| 4 |
4
청구항 2에 있어서,상기 멤버십 구분부는학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 멤버십 특성 벡터 및 참조 데이터 세트(reference dataset)에 포함된 참조 샘플 데이터(reference sample data)로부터 생성된 멤버십 특성 벡터 중 어느 하나를 입력 받아 멤버십 특성 벡터의 레이블을 예측하며, 상기 입력된 멤버십 특성 벡터의 레이블 및 상기 예측된 멤버십 특성 벡터의 레이블의 차이에 기초하여 생성된 이진 교차 엔트로피 손실(binary cross entropy loss)을 감소시키는 방향으로 학습된, 데이터 생성 장치
|
| 5 |
5
청구항 4에 있어서,상기 학습 샘플 데이터의 레이블 및 참조 샘플 데이터의 레이블은 서로 이진수 반전 값을 가지는, 데이터 생성 장치
|
| 6 |
6
청구항 1에 있어서,상기 디코딩부는학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 잠재 벡터를 입력 받아 생성한 재구성 데이터 및 상기 입력된 학습 샘플 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss)를 감소시키는 방향으로 학습된, 데이터 생성 장치
|
| 7 |
7
청구항 2에 있어서,상기 인코딩부는상기 클래스 구분부 및 상기 멤버십 구분부와 적대적 게임(adversarial game)을 통하여 학습된, 데이터 생성 장치
|
| 8 |
8
청구항 2에 있어서,상기 인코딩부는재구성 데이터 및 입력 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss)를 감소시키는 방향으로 학습되며,상기 클래스 부분부에서 생성된 교차 엔트로피 손실(cross entropy loss) 및 상기 멤버십 구분부에서 생성된 이진 교차 엔트로피 손실(binary cross entropy loss)을 증가시키는 방향으로 학습된, 데이터 생성 장치
|
| 9 |
9
청구항 1에 있어서, 상기 소정의 벡터는모든 요소(element)들이 0인 영 벡터(zero vector), 학습 데이터 세트에 포함된 모든 학습 샘플 데이터의 평균 벡터(mean vector) 및 랜덤 잡음(random noise)로 구성된 잡음 벡터(noise vector) 중 적어도 하나인, 데이터 생성 장치
|
| 10 |
10
멤버십 정보가 제거된 데이터를 생성하는 방법에 있어서,입력 데이터의 특징을 추출하여 잠재 벡터(latent vector)를 생성하는 인코딩 단계; 및 상기 잠재 벡터의 일부 차원으로 구성된 멤버십 특성 벡터(membership character vector)를 소정의 벡터로 대체하여 생성한 변형된 잠재 벡터를 입력 받아 재구성 데이터(reconstruction data)를 생성하는 디코딩 단계를 포함하는, 데이터 생성 방법
|
| 11 |
11
청구항 10에 있어서,상기 멤버십 특성 벡터로부터 클래스 정보를 예측하는 클래스 구분 단계; 및상기 잠재 벡터에서 상기 멤버십 특성 벡터를 제외한 차원으로 구성된 클래스 특성 벡터(class character vector)로부터 멤버십 정보를 예측하는 멤버십 구분 단계를 더 포함하는, 데이터 생성 방법
|
| 12 |
12
청구항 11에 있어서,상기 클래스 구분 단계는 학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 멤버십 특성 벡터를 입력 받아 상기 학습 샘플 데이터의 레이블을 예측하며, 상기 학습 샘플 데이터의 레이블 및 상기 예측된 학습 샘플 데이터의 레이블의 차이에 기초하여 생성된 교차 엔트로피 손실(cross entropy loss)를 감소시키는 방향으로 학습된 인공 신경망을 이용하는, 데이터 생성 방법
|
| 13 |
13
청구항 11에 있어서,상기 멤버십 구분부는학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 멤버십 특성 벡터 및 참조 데이터 세트(reference dataset)에 포함된 참조 샘플 데이터(reference sample data)로부터 생성된 멤버십 특성 벡터 중 어느 하나를 입력 받아 멤버십 특성 벡터의 레이블을 예측하며, 상기 입력된 멤버십 특성 벡터의 레이블 및 상기 예측된 멤버십 특성 벡터의 레이블의 차이에 기초하여 생성된 이진 교차 엔트로피 손실(binary cross entropy loss)을 감소시키는 방향으로 학습된 인공 신경망을 이용하는, 데이터 생성 방법
|
| 14 |
14
청구항 13에 있어서,상기 학습 샘플 데이터의 레이블 및 참조 샘플 데이터의 레이블은 서로 이진수 반전 값을 가지는, 데이터 생성 방법
|
| 15 |
15
청구항 10에 있어서,상기 디코딩 단계는학습 데이터 세트(training dataset)에 포함된 학습 샘플 데이터(training sample data)로부터 생성된 잠재 벡터를 입력 받아 생성한 재구성 데이터 및 상기 입력된 학습 샘플 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss)를 감소시키는 방향으로 학습된 인공 신경망을 이용하는, 데이터 생성 방법
|
| 16 |
16
청구항 11에 있어서,상기 인코딩 단계는상기 클래스 구분부 및 상기 멤버십 구분부와 적대적 게임(adversarial game)을 통하여 학습된 인공 신경망을 이용하는, 데이터 생성 방법
|
| 17 |
17
청구항 11에 있어서,상기 인코딩 단계는재구성 데이터 및 입력 데이터의 차이에 기초하여 생성된 재구성 손실(reconstruction loss)를 감소시키는 방향으로 학습되며,상기 클래스 구분 단계에서 생성된 교차 엔트로피 손실(cross entropy loss) 및 상기 멤버십 구분 단계에서 생성된 이진 교차 엔트로피 손실(binary cross entropy loss)을 증가시키는 방향으로 학습된 인공 신경망을 이용하는, 데이터 생성 방법
|
| 18 |
18
청구항 10에 있어서, 상기 소정의 벡터는모든 요소(element)들이 0인 영 벡터(zero vector), 학습 데이터 세트에 포함된 모든 학습 샘플 데이터의 평균 벡터(mean vector) 및 랜덤 잡음(random noise)로 구성된 잡음 벡터(noise vector) 중 적어도 하나인, 데이터 생성 방법
|
