1 |
1
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 라벨링된 데이터에 대한 사전 학습된 복수의 예측 모델 및 대상 모델 각각의 예측 값 사이의 관계에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 관계 추정 모델을 학습시키는 단계; 및상기 관계 추정 모델에 기초하여 라벨링되지 않은 데이터(unlabeled date)에 대한 예측 값을 획득하는 단계를 포함하는, 모델 예측 값에 기반한 예측 방법
|
2 |
2
청구항 1에 있어서, 상기 관계 추정 모델은, 라벨링된 데이터에 대한 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계를 학습하는 개별 관계 모델(Individual Relation Model) 및상기 사전 학습된 복수의 예측 모델 각각의 예측 값 사이의 관계를 학습하여 집중 가중치(Attention weight)를 계산하는 전체 관계 모델(Overall Relation Model)을 포함하는, 모델 예측 값에 기반한 예측 방법
|
3 |
3
청구항 2에 있어서, 상기 집중 가중치는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 기초하여 결정된 상기 사전 학습된 복수의 예측 모델 각각에 대한 가중치인, 모델 예측 값에 기반한 예측 방법
|
4 |
4
청구항 2에 있어서, 상기 관계 추정 모델을 학습하는 단계는, 상기 라벨링된 데이터에 대한 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 상기 개별 관계 모델을 학습시키는 단계; 및 상기 개별 관계 모델의 출력 값에 기초하여 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 집중 가중치를 계산하는 단계; 및상기 집중 가중치에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 상기 전체 관계 모델을 학습시키는 단계를 포함하는, 모델 예측 값에 기반한 예측 방법
|
5 |
5
청구항 4에 있어서, 상기 개별 관계 모델을 학습시키는 단계는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 제1 관계 벡터 각각을 생성하는 단계;상기 제1 관계 벡터 각각의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하는 단계; 및차원이 변환된 상기 제1 관계 벡터 각각에 기초하여 상기 라벨링된 데이터에 대한 라벨 및 상기 사전 학습된 복수의 예측 모델의 예측 값의 손실이 최소화되도록 상기 개별 관계 모델을 학습시키는 단계를 포함하는, 모델 예측 값에 기반한 예측 방법
|
6 |
6
청구항 5에 있어서, 상기 집중 가중치를 계산하는 단계는, 상기 전체 관계 모델을 학습시키는 단계는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 제1 관계 벡터 각각을 생성하는 단계;상기 제1 관계 벡터 각각의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하는 단계;상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값을 연결(concatenate)하여 제2 관계 벡터를 생성하는 단계;상기 제2 관계 벡터의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하는 단계;차원이 변환된 상기 제1 관계 벡터 각각 및 차원이 변환된 제 2 관계 벡터에 기초하여 상기 집중 가중치를 계산하는 단계를 포함하는, 모델 예측 값에 기반한 예측 방법
|
7 |
7
청구항 4에 있어서, 상기 전체 관계 모델을 학습시키는 단계는, 상기 사전 학습된 복수의 예측 모델 각각의 예측 값에 상기 집중 가중치를 합하여 최종 예측 값을 생성하는 단계; 및상기 최종 예측 값 및 상기 라벨링된 데이터에 대한 라벨 사이의 손실이 최소화되도록 상기 전체 관계 모델을 학습시키는 단계를 포함하는, 모델 예측 값에 기반한 예측 방법
|
8 |
8
라벨링된 데이터에 대한 사전 학습된 복수의 예측 모델 및 대상 모델 각각의 예측 값 사이의 관계에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 관계 추정 모델을 학습시키는 관계 학습부; 및상기 관계 추정 모델에 기초하여 라벨링되지 않은 데이터(unlabeled date)에 대한 예측 값을 획득하는 관계 기반 추론부를 포함하는, 모델 예측 값에 기반한 예측 장치
|
9 |
9
청구항 8에 있어서, 상기 관계 추정 모델은, 라벨링된 데이터에 대한 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계를 학습하는 개별 관계 모델(Individual Relation Model) 및상기 사전 학습된 복수의 예측 모델 각각의 예측 값 사이의 관계를 학습하여 집중 가중치(Attention weight)를 계산하는 전체 관계 모델(Overall Relation Model)을 포함하는, 모델 예측 값에 기반한 예측 장치
|
10 |
10
청구항 9에 있어서, 상기 집중 가중치는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 기초하여 결정된 상기 사전 학습된 복수의 예측 모델 각각에 대한 가중치인, 모델 예측 값에 기반한 예측 장치
|
11 |
11
청구항 9에 있어서, 상기 관계 학습부는, 상기 라벨링된 데이터에 대한 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 상기 개별 관계 모델을 학습시키고, 상기 개별 관계 모델의 출력 값에 기초하여 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 집중 가중치를 계산하고,상기 집중 가중치에 기초하여 상기 라벨링된 데이터에 대한 라벨을 예측하기 위한 상기 전체 관계 모델을 학습시키는, 모델 예측 값에 기반한 예측 장치
|
12 |
12
청구항 11에 있어서, 상기 관계 학습부는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 제1 관계 벡터 각각을 생성하고,상기 제1 관계 벡터 각각의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하고,차원이 변환된 상기 제1 관계 벡터 각각에 기초하여 상기 라벨링된 데이터에 대한 라벨 및 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값의 손실이 최소화되도록 상기 개별 관계 모델을 학습시키는, 모델 예측 값에 기반한 예측 장치
|
13 |
13
청구항 12에 있어서, 상기 관계 학습부는, 상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값 사이의 관계에 대한 제1 관계 벡터 각각을 생성하고, 상기 제1 관계 벡터 각각의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하고,상기 사전 학습된 복수의 예측 모델 및 상기 대상 모델 각각의 예측 값을 연결(concatenate)하여 제2 관계 벡터를 생성하고, 상기 제2 관계 벡터의 차원을 상기 대상 모델의 예측 값과 동일한 크기의 차원으로 변환하고, 차원이 변환된 상기 제1 관계 벡터 각각 및 차원이 변환된 제 2 관계 벡터에 기초하여 상기 집중 가중치를 계산하는 단계를 포함하는, 모델 예측 값에 기반한 예측 장치
|
14 |
14
청구항 11에 있어서, 상기 관계 학습부는, 상기 사전 학습된 복수의 예측 모델 각각의 예측 값에 상기 집중 가중치를 합하여 최종 예측 값을 생성하고, 상기 최종 예측 값 및 상기 라벨링된 데이터에 대한 라벨 사이의 손실이 최소화되도록 상기 전체 관계 모델을 학습시키는, 모델 예측 값에 기반한 예측 장치
|