1 |
1
컴퓨터로 구현되는 딥 포레스트 분류기에 의해 수행되는 해석할 수 있고 단순화된 딥 포레스트 분류 방법으로서(1) 복수의 랜덤 포레스트(Random Forest, RF)를 사용해 멀티 레이어로 구성된 완전히 학습된 딥 포레스트를 생성하는 단계;(2) 상기 딥 포레스트에 대해, 특징 기여도 및 특징 빈도에 기초한 순차적 커버링(sequential covering)을 통해 각각의 RF의 규칙들을 의사결정 셋에 저장하는 단계; 및(3) 상기 의사결정 셋에서 불필요한 규칙을 제거하여 상기 딥 포레스트를 단순화하는 단계를 포함하며,상기 단계 (2)에서는,상기 RF의 모든 규칙을 추출할 때까지 상기 순차적 커버링을 반복하고, 상기 순차적 커버링에 의해 각 규칙의 최종 규칙 기여도에 따라 규칙이 재정렬되는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
2 |
2
제1항에 있어서, 상기 딥 포레스트는,LMRF(lightweight multilayered random forest)인 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
3 |
3
삭제
|
4 |
4
제1항에 있어서, 상기 단계 (3)에서는,상기 의사결정 셋에서, 미리 설정된 규칙의 비율에 따라 상기 재정렬된 규칙 중 불필요한 규칙을 제거하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
5 |
5
제1항에 있어서, 상기 단계 (2)는,(2-1) 상기 딥 포레스트의 레이어 및 RF의 의사결정 트리에서 특징 기여도를 계산하는 단계;(2-2) 상기 계산된 특징 기여도를 이용해 규칙 기여도를 계산하는 단계;(2-3) 상기 규칙 및 해당 규칙에 대해 계산된 규칙 기여도를 의사결정 셋에 저장하는 단계;(2-4) 상기 의사결정 셋에서 특징 패턴을 추출하는 단계;(2-5) 상기 규칙 기여도 및 특징 패턴을 이용해 최종 규칙 기여도를 산출하는 단계; 및(2-6) 상기 최종 규칙 기여도에 따라 상기 의사결정 셋의 규칙들을 정렬하는 단계를 포함하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
6 |
6
제5항에 있어서, 상기 단계 (2-1)에서는,특징 변수에 대하여 부모 노드와 자식 노드 사이의 클래스 확률 차이를 이용해 상기 특징 기여도를 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
7 |
7
제6항에 있어서, 상기 단계 (2-1)에서는,i번째 규칙의 j번째 노드의 특징 기여도 feat
|
8 |
8
제5항에 있어서, 상기 단계 (2-2)에서는,루트 노드에서 리프 노드까지의 경로를 따라 각 노드의 모든 특징 기여도를 합산하여 상기 규칙 기여도를 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
9 |
9
제8항에 있어서, 상기 단계 (2-2)에서는,t번째 트리에서 P 심도(depth)로 구성된 i번째 규칙에 대한 규칙 기여도 rit를 에 의해 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
10 |
10
제5항에 있어서, 상기 단계 (2-5)에서는,상기 의사결정 셋 dSet(v,l)의 최종 규칙 기여도 r*i를 규칙 기여도 ri와 특징 xj의 특징 패턴의 빈도 frevl(xj)의 가중 조합을 통해 에 의해 산출하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류 방법
|
11 |
11
해석할 수 있고 단순화된 딥 포레스트 분류기(10)로서,복수의 랜덤 포레스트(Random Forest, RF)를 사용해 멀티 레이어로 구성된 완전히 학습된 딥 포레스트를 생성하는 학습 모듈(100);상기 딥 포레스트에 대해, 특징 기여도 및 특징 빈도에 기초한 순차적 커버링(sequential covering)을 통해 각각의 RF의 규칙들을 의사결정 셋에 저장하는 순차적 커버링 모듈(200); 및상기 의사결정 셋에서 불필요한 규칙을 제거하여 상기 딥 포레스트를 단순화하는 규칙 제거 모듈(300)을 포함하며,상기 순차적 커버링 모듈(200)은,상기 RF의 모든 규칙을 추출할 때까지 상기 순차적 커버링을 반복하고, 상기 순차적 커버링에 의해 각 규칙의 최종 규칙 기여도에 따라 규칙이 재정렬되는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
12 |
12
제11항에 있어서, 상기 딥 포레스트는,LMRF(lightweight multilayered random forest)인 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
13 |
13
삭제
|
14 |
14
제11항에 있어서, 상기 규칙 제거 모듈(300)은,상기 의사결정 셋에서, 미리 설정된 규칙의 비율에 따라 상기 재정렬된 규칙 중 불필요한 규칙을 제거하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
15 |
15
제11항에 있어서, 상기 순차적 커버링 모듈(200)은,(2-1) 상기 딥 포레스트의 레이어 및 RF의 의사결정 트리에서 특징 기여도를 계산하는 단계;(2-2) 상기 계산된 특징 기여도를 이용해 규칙 기여도를 계산하는 단계;(2-3) 상기 규칙 및 해당 규칙에 대해 계산된 규칙 기여도를 의사결정 셋에 저장하는 단계;(2-4) 상기 의사결정 셋에서 특징 패턴을 추출하는 단계;(2-5) 상기 규칙 기여도 및 특징 패턴을 이용해 최종 규칙 기여도를 산출하는 단계; 및(2-6) 상기 최종 규칙 기여도에 따라 상기 의사결정 셋의 규칙들을 정렬하는 단계를 처리하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
16 |
16
제15항에 있어서, 상기 단계 (2-1)에서는,특징 변수에 대하여 부모 노드와 자식 노드 사이의 클래스 확률 차이를 이용해 상기 특징 기여도를 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
17 |
17
제16항에 있어서, 상기 단계 (2-1)에서는,i번째 규칙의 j번째 노드의 특징 기여도 feat
|
18 |
18
제15항에 있어서, 상기 단계 (2-2)에서는,루트 노드에서 리프 노드까지의 경로를 따라 각 노드의 모든 특징 기여도를 합산하여 상기 규칙 기여도를 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
19 |
19
제18항에 있어서, 상기 단계 (2-2)에서는,t번째 트리에서 P 심도(depth)로 구성된 i번째 규칙에 대한 규칙 기여도 rit를 에 의해 계산하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|
20 |
20
제15항에 있어서, 상기 단계 (2-5)에서는,상기 의사결정 셋 dSet(v,l)의 최종 규칙 기여도 r*i를 규칙 기여도 ri와 특징 xj의 특징 패턴의 빈도 frevl(xj)의 가중 조합을 통해 에 의해 산출하는 것을 특징으로 하는, 해석할 수 있고 단순화된 딥 포레스트 분류기(10)
|