1 |
1
컴퓨팅 장치에 의해 수행되는, 비정상 데이터의 탐지가 가능한 분류 모델 생성방법에 있어서,기 설정된 복수의 클래스 중 적어도 하나의 클래스로 분류되는 복수의 정상(In-Distribution) 데이터를 학습 데이터로 하여 학습시킴에 따라, 입력 데이터를 상기 기 설정된 복수의 클래스 중 어느 하나의 클래스로 분류하는 분류 모델을 생성하는 단계; 및상기 기 설정된 복수의 클래스 각각에 대응하여 구비되되, 상기 기 설정된 복수의 클래스로 분류되지 않은 복수의 비정상(Out-Of-Distribution) 데이터와 상기 복수의 정상 데이터를 학습 데이터로 하여 상기 생성된 분류 모델을 학습시키는 단계를 포함하며,상기 생성된 분류 모델을 학습시키는 단계는,상기 기 설정된 복수의 클래스 각각에 대응하여 구비된 비정상 데이터의 수에 기초하여 손실 함수를 결정하는 단계; 및상기 결정된 손실 함수가 최소가 되도록 상기 생성된 분류 모델을 학습시키는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
2 |
2
제1항에 있어서,상기 손실 함수를 결정하는 단계는,상기 복수의 정상 데이터에 대응하는 제1 손실 함수를 결정하는 단계;상기 복수의 비정상 데이터에 대응하는 제2 손실 함수를 결정하는 단계; 및상기 결정된 제1 손실 함수와 상기 결정된 제2 손실 함수를 이용하여 상기 생성된 분류 모델에 대응하는 하나의 손실 함수를 결정하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
3 |
3
제2항에 있어서,상기 결정된 제1 손실 함수는,상기 복수의 정상 데이터에 대한 교차 엔트로피 손실(Cross-entropy loss)을 산출하는 함수인,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
4 |
4
제2항에 있어서,상기 결정된 제2 손실 함수는,상기 복수의 정상 데이터의 에너지에 대한 제1 힌지 손실(Hinge loss)과 상기 복수의 비정상 데이터의 에너지에 대한 제2 힌지 손실의 제곱합을 산출하는 함수인,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
5 |
5
제4항에 있어서,상기 제2 손실 함수를 결정하는 단계는,상기 복수의 비정상 데이터 중 적어도 하나의 비정상 데이터를 학습 데이터로 하여 상기 생성된 분류 모델을 학습시키는 경우, 상기 기 설정된 복수의 클래스 각각에 대응하여 구비된 비정상 데이터의 수에 기초하여 파라미터를 산출하는 단계; 및상기 산출된 파라미터를 이용하여 손실 마진 및 손실 가중치를 결정하고, 상기 결정된 손실 마진 및 손실 가중치를 상기 제2 힌지 손실에 부여하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
6 |
6
제5항에 있어서,상기 파라미터를 산출하는 단계는,상기 적어도 하나의 비정상 데이터가 상기 기 설정된 복수의 클래스 각각에 대응하여 구비된 비정상 데이터일 확률인 제1 확률 값을 산출하는 단계;상기 적어도 하나의 비정상 데이터를 상기 생성된 분류 모델에 입력함에 따라 상기 적어도 하나의 비정상 데이터가 상기 기 설정된 복수의 클래스 각각으로 분류될 확률인 제2 확률 값을 산출하는 단계; 및상기 산출된 제1 확률 값과 상기 산출된 제2 확률 값의 곱 연산을 통해 상기 파라미터를 산출하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
7 |
7
제1항에 있어서,상기 손실 함수를 결정하는 단계는,하기의 수학식 1을 이용하여 상기 생성된 분류 모델에 대응하는 손실 함수를 결정하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
8 |
8
제7항에 있어서,상기 생성된 분류 모델에 대응하는 손실 함수를 결정하는 단계는,하기의 수학식 2를 이용하여 상기 제2 손실 함수를 결정하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
9 |
9
제8항에 있어서,상기 제2 손실 함수를 결정하는 단계는,하기의 수학식 3을 이용하여 상기 파라미터를 산출하는 단계를 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법
|
10 |
10
프로세서;네트워크 인터페이스;메모리; 및상기 메모리에 로드(load) 되고, 상기 프로세서에 의해 실행되는 컴퓨터 프로그램을 포함하되,상기 컴퓨터 프로그램은,기 설정된 복수의 클래스 중 적어도 하나의 클래스로 분류되는 복수의 정상(In-Distribution) 데이터를 학습 데이터로 하여 학습시킴에 따라, 입력 데이터를 상기 기 설정된 복수의 클래스 중 어느 하나의 클래스로 분류하는 분류 모델을 생성하는 인스트럭션(instruction); 및상기 기 설정된 복수의 클래스 각각에 대응하여 구비되되, 상기 기 설정된 복수의 클래스로 분류되지 않은 복수의 비정상(Out-Of-Distribution) 데이터와 상기 복수의 정상 데이터를 학습 데이터로 하여 상기 생성된 분류 모델을 학습시키는 인스트럭션을 포함하며,상기 생성된 분류 모델을 학습시키는 인스트럭션은,상기 기 설정된 복수의 클래스 각각에 대응하여 구비된 비정상 데이터의 수에 기초하여 손실 함수를 결정하는 인스트럭션; 및상기 결정된 손실 함수가 최소가 되도록 상기 생성된 분류 모델을 학습시키는 인스트럭션을 포함하는,비정상 데이터의 탐지가 가능한 분류 모델 생성방법을 수행하는 컴퓨팅 장치
|
11 |
11
컴퓨팅 장치와 결합되어,기 설정된 복수의 클래스 중 적어도 하나의 클래스로 분류되는 복수의 정상(In-Distribution) 데이터를 학습 데이터로 하여 학습시킴에 따라, 입력 데이터를 상기 기 설정된 복수의 클래스 중 어느 하나의 클래스로 분류하는 분류 모델을 생성하는 단계; 및상기 기 설정된 복수의 클래스 각각에 대응하여 구비되되, 상기 기 설정된 복수의 클래스로 분류되지 않은 복수의 비정상(Out-Of-Distribution) 데이터와 상기 복수의 정상 데이터를 학습 데이터로 하여 상기 생성된 분류 모델을 학습시키는 단계를 포함하며,상기 생성된 분류 모델을 학습시키는 단계는,상기 기 설정된 복수의 클래스 각각에 대응하여 구비된 비정상 데이터의 수에 기초하여 손실 함수를 결정하는 단계; 및상기 결정된 손실 함수가 최소가 되도록 상기 생성된 분류 모델을 학습시키는 단계를 포함하는 비정상 데이터의 탐지가 가능한 분류 모델 생성방법을 실행시키기 위하여 컴퓨팅 장치로 판독 가능한 기록매체에 저장된, 컴퓨터프로그램
|