| 1 |
1
입력부에서 인코더부로 복수의 입력데이터(xt)를 전달하는 (a) 단계;상기 복수의 입력데이터에 상기 입력데이터 별로 미리 결정된 입력가중치(Ut)를 적용하고, 상기 인코더부의 기(旣)출력된 제1 출력값(et-1)에 상기 기출력된 제1 출력값 별로 미리 결정된 인코더부 내부 가중치(Wet)를 적용하여 복수의 제1 출력값(et)을 출력하는 (b) 단계;상기 제1 출력값을 중간연결부로 전달하여 상기 제1 출력값에 집중화 가중치를 적용한 복수의 제2 출력값(cr)을 출력하고, 상기 제2 출력값을 디코더부로 전달하는 (c) 단계;상기 제2 출력값, 상기 디코더부의 기출력된 제3 출력값(dt-1) 및 출력부의 기출력된 예측값()에 기초한 복수의 제3 출력값(dt)을 출력하고, 상기 제3 출력값을 상기 출력부로 전달하는 (d) 단계; 및상기 복수의 제3 출력값에 상기 제3 출력값 별로 미리 결정된 출력가중치(Vt)를 적용한 예측값()을 출력하는 (e) 단계;를 포함하는 집중화 모델 학습 방법
|
| 2 |
2
제1항에 있어서,상기 (e) 단계에서,상기 예측값을 출력한 횟수가 미리 설정된 값 미만인 경우, 상기 (d)단계 및 상기 (e)단계를 반복적으로 수행하는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 3 |
3
제1항에 있어서,상기 (b) 단계에서, 상기 복수의 제1 출력값 중에서 첫번째 제1 출력값에 적용되는 상기 인코더부 내부 가중치는 0인 것을 특징으로 하는 집중화 모델 학습 방법
|
| 4 |
4
제1항에 있어서,상기 (d) 단계에서, 상기 기출력된 제3 출력값은 디코더부 내부 가중치 (Wdt)를 포함하고,상기 기출력된 예측값은 상기 출력가중치를 포함하는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 5 |
5
제4항에 있어서,상기 (d) 단계에서,상기 복수의 제3 출력값 중에서 첫번째 제3 출력값에 적용되는 상기 디코더부 내부 가중치는 0인 것을 특징으로 하는 집중화 모델 학습 방법
|
| 6 |
6
제5항에 있어서,상기 입력가중치(Ut), 상기 인코더부 내부 가중치(Wet), 상기 디코더부 내부 가중치(Wdt) 및 상기 출력가중치(Vt)는 0과 1사이의 미리 결정된 독립적인 변수인 것을 특징으로 하는 집중화 모델 학습 방법
|
| 7 |
7
제1항에 있어서,상기 제1 출력값 et는 하기 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 8 |
8
제1항에 있어서,상기 제3 출력값 dt는 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 9 |
9
제1항에 있어서,상기 예측값 는 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 10 |
10
제1항에 있어서,상기 집중화 가중치 (j,t)는 배치도 s(j,t)를 정규화하는 softmax함수를 사용하며, 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 11 |
11
제1항에 있어서,상기 (a) 단계 이전에, 전체데이터를 학습에 사용하는 상기 입력데이터와 검증에 사용하는 검증데이터로 분할하는 단계와,상기 (e) 단계 이후에, 상기 검증데이터의 출력 추정치를 계산하여 실제 출력값과 비교하는 단계를 더 포함하는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 12 |
12
복수의 입력데이터(xt)를 출력하는 입력부;상기 입력부로부터 상기 복수의 입력데이터를 입력 받아 상기 입력데이터 별로 미리 결정된 입력가중치(Ut)를 적용하고, 기(旣)출력된 제1 출력값(et-1)에 상기 기출력된 제1 출력값 별로 미리 결정된 인코더부 내부 가중치((Wet)를 적용하여 복수의 제1 출력값(et)을 출력하는 인코더부;상기 인코더부로부터 상기 복수의 제1 출력값을 입력 받아 상기 제1 출력값에 집중화 가중치를 적용한 제2 출력값(cr)을 출력하는 중간연결부;상기 중간연결부로부터 입력 받은 상기 제2 출력값과, 기출력된 제3 출력값(dt-1) 및 기출력된 예측값()에 기초한 복수의 제3 출력값(dt)을 출력하는 디코더부; 및상기 디코더부로부터 상기 복수의 제3 출력값을 입력 받아, 상기 제3 출력값에 상기 제3 출력값 별로 미리 결정된 출력가중치(Vt)를 적용한 예측값()을 출력하는 출력부를 포함하는 집중화 모델 학습 장치
|
| 13 |
13
제1항에 있어서,상기 예측값을 출력한 횟수가 미리 설정된 값 미만인 경우, 상기 디코더부와 상기 출력부는 상기 제3 출력값과 상기 예측값을 반복적으로 출력하는 것을 특징으로 하는 집중화 모델 학습 장치
|
| 14 |
14
제12항에 있어서,상기 복수의 제1 출력값 중에서 첫번째 제1 출력값에 적용되는 상기 인코더부 내부 가중치는 0인 것을 특징으로 하는 집중화 모델 학습 장치
|
| 15 |
15
제12항에 있어서,상기 기출력된 제3 출력값은 디코더부 내부 가중치 (Wdt)를 포함하고,상기 기출력된 예측값은 상기 출력가중치를 포함하는 것을 특징으로 하는집중화 모델 학습 장치
|
| 16 |
16
제15항에 있어서,상기 복수의 제3 출력값 중에서 첫번째 제3 출력값에 적용되는 상기 디코더부 내부 가중치는 0인 것을 특징으로 하는 집중화 모델 학습 장치
|
| 17 |
17
제16항에 있어서,상기 입력가중치(Ut), 상기 인코더부 내부 가중치(Wet), 상기 디코더부 내부 가중치(Wdt) 및 상기 출력가중치(Vt)는 0과 1사이의 미리 결정된 독립적인 변수인 것을 특징으로 하는 집중화 모델 학습 장치
|
| 18 |
18
제12항에 있어서,상기 제1 출력값 et는 하기 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 19 |
19
제12항에 있어서,상기 제3 출력값 dt는 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 20 |
20
제12항에 있어서,상기 예측값 는 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 21 |
21
제12항에 있어서,상기 집중화 가중치 (j,t)는 배치도 s(j,t)를 정규화하는 softmax함수를 사용하며, 하기의 식으로부터 도출되는 것을 특징으로 하는 집중화 모델 학습 방법
|
| 22 |
22
제12항에 있어서전체데이터로부터 검증에 사용되는 검증데이터와 학습에 사용되는 상기 입력데이터로 분할하는 데이터 분할부와,상기 검증데이터의 출력 추정치를 계산하여 실제 출력값과 비교하는 검증부를 더 포함하는 집중화 모델 학습 장치
|
