1 |
1
전체 학습 데이터에 동일한 추출 확률값을 할당한 후 비복원 추출을 수행하는 제1 샘플 추출기 및 전체 학습 데이터에 나타나는 정답 레이블 샘플을 산출하고, 산출된 정답 레이블 샘플별로 동일한 추출 확률값을 할당한 후 복원 추출을 수행하는 제2 샘플 추출기 중 하나를 설정하는 샘플 추출기 설정부;설정된 제1 샘플 추출기 또는 제2 샘플 추출기를 이용하여 전체 학습 데이터에서 분류 모델의 학습에 사용할 샘플을 추출하여 샘플 학습 데이터를 구성하는 학습 데이터 추출부; 및구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습하고 업데이트하는 분류 모델 학습부;를 포함하며,상기 샘플 추출기 설정부는 이후 구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습한 결과, 분류 모델의 검증 성능이 갱신되지 않은 것으로 판단되면, 설정된 샘플 추출기를 다른 샘플 추출기로 전환시키는 것을 특징으로 하는 불균형 데이터에 대한 딥러닝 분류 모델 성능을 향상시키기 위한 레이블 기반 샘플 추출 장치
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 분류 모델 학습부는 구성된 샘플 학습 데이터를 사용하여 딥러닝(Deep Learning) 기반의 분류 모델을 학습하고 업데이트되는 분류 모델의 가중치를 저장하는 것을 특징으로 하는 불균형 데이터에 대한 딥러닝 분류 모델 성능을 향상시키기 위한 레이블 기반 샘플 추출 장치
|
5 |
5
제1항에 있어서,구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습하고 업데이트한 결과에 대하여 분류 모델의 검증 성능 갱신 여부를 판단하는 분류 모델 검증 성능 판단부를 포함하는 것을 특징으로 하는 불균형 데이터에 대한 딥러닝 분류 모델 성능을 향상시키기 위한 레이블 기반 샘플 추출 장치
|
6 |
6
샘플 추출기 설정부에 의해, 전체 학습 데이터에 동일한 추출 확률값을 할당한 후 비복원 추출을 수행하는 제1 샘플 추출기 및 전체 학습 데이터에 나타나는 정답 레이블 샘플을 산출하고, 산출된 정답 레이블 샘플별로 동일한 추출 확률값을 할당한 후 복원 추출을 수행하는 제2 샘플 추출기 중 하나를 설정하는 단계;학습 데이터 추출부에 의해, 설정된 제1 샘플 추출기 또는 제2 샘플 추출기를 이용하여 전체 학습 데이터에서 분류 모델의 학습에 사용할 샘플을 추출하여 샘플 학습 데이터를 구성하는 단계; 분류 모델 학습부에 의해, 구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습하고 업데이트하는 단계; 및구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습하고 업데이트한 결과에 대하여 분류 모델의 검증 성능 갱신 여부를 판단하는 단계를 포함하며,상기 분류 모델의 검증 성능 갱신 여부를 판단하는 단계에서, 분류 모델의 검증 성능이 갱신되지 않은 것으로 판단되면, 설정된 샘플 추출기를 다른 샘플 추출기로 전환시키는 단계를 포함하는 것을 특징으로 하는 불균형 데이터에 대한 딥러닝 분류 모델 성능을 향상시키기 위한 레이블 기반 샘플 추출 방법
|
7 |
7
제6항에 있어서,구성된 샘플 학습 데이터를 사용하여 분류 모델을 학습하고 업데이트하는 단계는,구성된 샘플 학습 데이터를 사용하여 딥러닝 기반의 분류 모델을 학습하고 업데이트되는 분류 모델의 가중치를 저장하는 것을 특징으로 하는 불균형 데이터에 대한 딥러닝 분류 모델 성능을 향상시키기 위한 레이블 기반 샘플 추출 방법
|
8 |
8
삭제
|
9 |
9
삭제
|