| 1 |
1
장치에 의해 수행되는 방법에 있어서,사용자의 모달리티 정보로부터 특징 벡터를 추출하는 단계;상기 특징 벡터에 AVET(Absolute Value Equations Transform) 함수를 적용하는 단계; 및상기 적용된 결과에 기초하여 상기 특징 벡터를 역으로 예측할 수 없는 변형 템플릿(TT, Transformed Template)을 생성하는 단계;를 포함하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 2 |
2
제1 항에 있어서,상기 AVET 함수 적용 단계는,상기 특징 벡터를 동일한 크기로 분할하여 복수의 서브 벡터를 생성하는 단계;복수의 매개변수를 샘플링하는 단계; 및상기 복수의 서브 벡터 및 상기 복수의 매개변수를 상기 AVET 함수에 적용하는 단계;를 포함하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 3 |
3
제2 항에 있어서,상기 AVET 함수는, 이하의 수학식에 대응하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 4 |
4
제3 항에 있어서,상기 AVET 함수는, 아래의 조건에 따라 NP-hard 문제임이 성립되는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 5 |
5
제3 항에 있어서,상기 AVET 함수 적용 전의 유클리디언 거리와 상기 AVET 함수 적용 후의 유클리디언 거리의 유사도에 따라, 상기 AVET 함수의 데이터 유사성 보존 여부를 판단하는 단계;를 더 포함하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 6 |
6
제2 항에 있어서,상기 샘플링 단계는, 가우시안분포를 기반으로 독립항등분포 사상 매트릭스를 샘플링하는 것인, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 7 |
7
제1 항에 있어서,이중 모달리티 정보를 사용하는 경우,상기 특징 벡터 추출 단계는,상기 이중 모달리티 정보 중 제1 모달리티 정보로부터 제1 특징 벡터()를 추출하는 단계; 및상기 이중 모달리티 정보 중 제2 모달리티 정보로부터 제2 특징 벡터()를 추출하는 단계;를 포함하고, 상기 AVET 함수 적용 단계는, 복수의 매개변수를 샘플링하는 단계; 및 상기 제1 특징 벡터, 상기 제2 특징 벡터 및 상기 복수의 매개변수를 상기 AVET 함수에 적용하는 단계;를 포함하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 8 |
8
제1 항에 있어서,다중 모달리티 정보를 사용하는 경우, 상기 특징 벡터 추출 단계는, q개의 모달리티 정보로부터 q개의 특징 벡터를 추출하는 단계(여기서, q는 3 이상의 자연수);상기 q개의 특징 벡터를 연결하여 하나의 통합 특징 벡터를 생성하는 단계;상기 하나의 통합 특징 벡터를 복수의 서브 벡터로 분할하는 단계; fusing 알고리즘을 기반으로 상기 복수의 서브 벡터를 이용하여 코어 텐서(core tensor)를 생성하는 단계; 및상기 코어 텐서로부터 코어 벡터(core vector)를 생성하는 단계;를 포함하고, 상기 AVET 함수 적용 단계는, 상기 코어 벡터를 단일 특징 벡터로 하여 상기 AVET 함수에 적용하는 것인, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법
|
| 9 |
9
통신부;비가역성 및 유사성이 보장되는 AVET 함수 적용을 위한 적어도 하나의 프로세스를 저장하고 있는 메모리; 및상기 프로세스에 따라 동작하는 프로세서;를 포함하고,상기 프로세서는, 상기 프로세스를 기반으로,사용자의 모달리티 정보로부터 특징 벡터를 추출하고,상기 특징 벡터에 AVET(Absolute Value Equations Transform) 함수를 적용하고,상기 적용된 결과에 기초하여 상기 특징 벡터를 역으로 예측할 수 없는 변형 템플릿(TT, Transformed Template)을 생성하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 10 |
10
제9 항에 있어서,상기 프로세서는 상기 AVET 함수 적용 시에,상기 특징 벡터를 동일한 크기로 분할하여 복수의 서브 벡터를 생성하고,복수의 매개변수를 샘플링하고,상기 복수의 서브 벡터 및 상기 복수의 매개변수를 상기 AVET 함수에 적용하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 11 |
11
제10 항에 있어서,상기 AVET 함수는, 이하의 수학식에 대응하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 12 |
12
제11 항에 있어서,상기 AVET 함수는, 아래의 조건에 따라 NP-hard 문제임이 성립되는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 13 |
13
제11 항에 있어서,상기 프로세서는,상기 AVET 함수 적용 전의 유클리디언 거리와 상기 AVET 함수 적용 후의 유클리디언 거리의 유사도에 따라, 상기 AVET 함수의 데이터 유사성 보존 여부를 판단하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 14 |
14
제10 항에 있어서,상기 프로세서는 상기 샘플링 시에, 가우시안분포를 기반으로 독립항등분포 사상 매트릭스를 샘플링하는 것인, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 15 |
15
제9 항에 있어서,이중 모달리티 정보를 사용하는 경우,상기 프로세서는 상기 특징 벡터 추출 시에,상기 이중 모달리티 정보 중 제1 모달리티 정보로부터 제1 특징 벡터()를 추출하고, 상기 이중 모달리티 정보 중 제2 모달리티 정보로부터 제2 특징 벡터()를 추출하고,상기 AVET 함수 적용 시에, 복수의 매개변수를 샘플링하고,상기 제1 특징 벡터, 상기 제2 특징 벡터 및 상기 복수의 매개변수를 상기 AVET 함수에 적용하는, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 16 |
16
제9 항에 있어서,다중 모달리티 정보를 사용하는 경우, 상기 프로세서는 상기 특징 벡터 추출 시에,q개의 모달리티 정보로부터 q개의 특징 벡터를 추출하고(여기서, q는 3 이상의 자연수),상기 q개의 특징 벡터를 연결하여 하나의 통합 특징 벡터를 생성하고,상기 하나의 통합 특징 벡터를 복수의 서브 벡터로 분할하고,fusing 알고리즘을 기반으로 상기 복수의 서브 벡터를 이용하여 코어 텐서(core tensor)를 생성하고,상기 코어 텐서로부터 코어 벡터(core vector)를 생성하고, 상기 AVET 함수 적용 시에, 상기 코어 벡터를 단일 특징 벡터로 하여 상기 AVET 함수에 적용하는 것인, 비가역성 및 유사성이 보장되는 AVET 함수 적용 장치
|
| 17 |
17
컴퓨터와 결합되어, 비가역성 및 유사성이 보장되는 AVET 함수 적용 방법을 실행하기 위해 컴퓨터 판독가능 기록 매체에 저장된 프로그램에 있어서,사용자의 모달리티 정보로부터 특징 벡터를 추출하는 제1 프로세스;상기 특징 벡터에 AVET(Absolute Value Equations Transform) 함수를 적용하는 제2 프로세스; 및상기 적용된 결과에 기초하여 상기 특징 벡터를 역으로 예측할 수 없는 변형 템플릿(TT, Transformed Template)을 생성하는 제3 프로세스를 수행하는, 프로그램
|
