| 1 |
1
전자 장치에 있어서,서로 다른 입력 특성 간의 상호작용을 판단하기 위한 신경망 모델이 저장된 메모리; 및상기 신경망 모델에 복수의 입력 특성을 입력하여, 상기 복수의 입력 특성 간의 상호작용을 식별하는, 프로세서;를 포함하고,상기 신경망 모델은,Graph Convolutional Network에 해당하는, 제1 모델; 및적어도 하나의 Graph Convolutional Network의 활성화 함수가 특성 교차 항으로 대체된 Graph Cross Network에 해당하는, 제2 모델;을 포함하는, 전자 장치
|
| 2 |
2
제1항에 있어서,상기 제2 모델을 구성하는 각 계층의 특성 행렬은 이하 수학식들에 따라 정의되고,X(init)는 상기 제1 모델 및 상기 제2 모델 각각에 입력되는 원시 특성 행렬이고, X(0)는 선형 변환된 원시 특성 행렬이고, X(l)은 l번째 계층의 특성 행렬이고, 는 정규화된 인접 행렬이고, W(l)은 l번째 계층의 학습 가중치 행렬인, 전자 장치
|
| 3 |
3
제1항에 있어서,상기 제2 모델의 각 계층은, 상기 복수의 입력 특성 간의 서로 다른 상호작용에 대하여 학습되는, 전자 장치
|
| 4 |
4
제1항에 있어서,상기 제1 모델의 각 계층은 상기 복수의 입력 특성의 고차 특성 상호작용에 대하여 학습되는, 전자 장치
|
| 5 |
5
제1항에 있어서,상기 제1 모델의 최종 표현 행렬(X(out)gcn)은, 이하 수학식에 따라 정의되고,Lgcn은 상기 제1 모델의 계층 수인, 전자 장치
|
| 6 |
6
제5항에 있어서,상기 제2 모델의 최종 표현 행렬(X(out)cross)은, 이하 수학식에 따라 정의되고,Lcross는 상기 제2 모델의 계층 수인, 전자 장치
|
| 7 |
7
제6항에 있어서,상기 신경망 모델의 정답 레이블은, 이하 수학식에 따라 정의되고,W(out)은 학습 가능한 출력 행렬인, 전자 장치
|
| 8 |
8
제1항에 있어서,상기 프로세서는,상기 신경망 모델의 출력을 기반으로 적어도 두 개의 입력 특성 간의 관계를 나타내는 그래프 데이터를 획득하는, 전자 장치
|
| 9 |
9
서로 다른 입력 특성 간의 상호작용을 판단하기 위한 신경망 모델이 저장된 전자 장치의 제어 방법에 있어서,상기 신경망 모델에 복수의 입력 특성을 입력하는 단계; 및상기 신경망 모델의 출력을 기초로, 상기 복수의 입력 특성 간의 상호작용을 식별하는 단계;를 포함하고,상기 신경망 모델은,Graph Convolutional Network에 해당하는, 제1 모델; 및적어도 하나의 Graph Convolutional Network의 활성화 함수가 특성 교차 항으로 대체된 Graph Cross Network에 해당하는, 제2 모델;을 포함하는, 전자 장치의 제어 방법
|
| 10 |
10
제9항에 있어서,상기 제2 모델의 각 계층은, 상기 복수의 입력 특성 간의 서로 다른 상호작용에 대하여 학습되는, 전자 장치의 제어 방법
|
| 11 |
11
제9항에 있어서,상기 제1 모델의 각 계층은, 상기 복수의 입력 특성의 고차 특성 상호작용에 대하여 학습되는, 전자 장치의 제어 방법
|
| 12 |
12
전자 장치에 있어서,서로 다른 입력 특성 간의 상호작용을 판단하기 위한 신경망 모델이 저장된 메모리; 및상기 신경망 모델에 복수의 입력 특성을 입력하여, 상기 복수의 입력 특성 간의 상호작용을 식별하는, 프로세서;를 포함하고,상기 신경망 모델은,적어도 하나의 Graph Convolutional Network의 활성화 함수가 특성 교차 항으로 대체된 Graph Cross Network를 포함하는, 전자 장치
|
