1 |
1
각각의 평균 벡터를 포함하는 복수 컴포넌트(Conponent)의 분포가 정의되고, 상기 복수 컴포넌트의 분포를 포함하는 잠재 분포에서 잠재 벡터(latent vector)를 샘플링하는 단계;상기 잠재 벡터를 생성 모델의 입력으로 하여 합성 데이터(synthetic data)를 생성하는 단계;상기 합성 데이터를 인코더에 입력하여 인코딩 벡터를 획득하는 단계;상기 합성 데이터가 실제 데이터에 가까워지도록 구성된 손실 함수(loss function)값에 기반하여 상기 생성 모델 및 상기 인코더를 학습시키는 단계; 및상기 손실 함수값에 기반하여 상기 잠재 분포의 파라미터를 재결정하는 단계를 포함하는, 비지도 조건부 생성 모델의 학습 방법
|
2 |
2
제1 항에 있어서,상기 컴포넌트의 분포는 가우시안 분포(Gaussian distribution)로 정의되고, 상기 잠재 분포는 각 컴포넌트들의 상기 가우시안 분포가 합성된 가우시안 믹스처(Gaussian mixture)인,비지도 조건부 생성 모델의 학습 방법
|
3 |
3
제1 항에 있어서,상기 손실 함수는,상기 인코딩 벡터가 상기 복수의 컴포넌트 중 일 컴포넌트의 평균 벡터와 가까워지고, 나머지 컴포넌트의 평균 벡터와 멀어지도록 더 구성되는,비지도 조건부 생성 모델의 학습 방법
|
4 |
4
제3 항에 있어서,상기 일 컴포넌트는, 상기 잠재 벡터와의 의존도(responsibility)에 기반하여 결정되는,비지도 조건부 생성 모델의 학습 방법
|
5 |
5
제1 항에 있어서,상기 손실 함수는, 상기 합성 데이터에 대한 판별 모델의 출력에 기반하고,상기 판별 모델은, 상기 실제 데이터와 상기 합성 데이터를 구별하도록 상기 생성 모델과 적대적(adversarial)으로 학습되는,비지도 조건부 생성 모델의 학습 방법
|
6 |
6
제1 항에 있어서,라벨링(labeling) 데이터가 존재하는 경우,상기 라벨링 데이터를 상기 인코더를 통해 인코딩하는 단계를 더 포함하고,상기 손실 함수는,상기 인코딩된 라벨링 데이터가 적어도 하나의 상기 컴포넌트의 평균 벡터와 가까워지고, 나머지 상기 컴포넌트의 평균 벡터와 멀어지도록 더 구성되는,비지도 조건부 생성 모델의 학습 방법
|
7 |
7
제6 항에 있어서,상기 라벨링 데이터에 대한 믹스 업(mix-up) 기법을 적용하는 단계를 더 포함하는,비지도 조건부 생성 모델의 학습 방법
|
8 |
8
제1 항에 있어서,상기 잠재 분포 파라미터는 상기 복수의 컴포넌트 분포에 대한 혼합 계수를 포함하는,비지도 조건부 생성 모델의 학습 방법
|
9 |
9
제8 항에 있어서,상기 잠재 분포의 파라미터를 재결정하는 단계는,상기 복수 컴포넌트 분포에 관한 파라미터 및 상기 혼합 계수를 상기 손실 함수의 기울기(gradient)에 기반하여 재결정하는 단계를 포함하는,비지도 조건부 생성 모델의 학습 방법
|
10 |
10
프로세서; 및상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 상기 메모리는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금,각각의 평균 벡터를 포함하는 복수 컴포넌트(Conponent)의 분포가 정의되고, 상기 복수 컴포넌트의 분포를 포함하는 잠재 분포에서 잠재 벡터(latent vector)를 샘플링하고,상기 잠재 벡터를 생성 모델의 입력으로 하여 합성 데이터(synthetic data)를 생성하고;상기 합성 데이터를 인코더에 입력하여 인코딩 벡터를 획득하고,상기 합성 데이터가 실제 데이터에 가까워 지도록 구성된 손실 함수(loss function)값에 기반하여 상기 생성 모델 및 상기 인코더를 학습시키고,상기 손실 함수값에 기반하여 상기 잠재 분포의 파라미터를 재결정하도록 야기하는 코드를 저장하는, 비지도 조건부 생성 모델의 학습 장치
|
11 |
11
제10 항에 있어서,상기 컴포넌트의 분포는 가우시안 분포(Gaussian distribution)로 정의되고, 상기 잠재 분포는 각 컴포넌트들의 상기 가우시안 분포가 합성된 가우시안 믹스처(Gaussian mixture)인,비지도 조건부 생성 모델의 학습 장치
|
12 |
12
제10 항에 있어서,상기 손실 함수는,상기 인코딩 벡터가 상기 복수의 컴포넌트 중 일 컴포넌트의 평균 벡터와 가까워지고, 나머지 컴포넌트의 평균 벡터와 멀어지도록 더 구성되는,비지도 조건부 생성 모델의 학습 장치
|
13 |
13
제12 항에 있어서,상기 일 컴포넌트는, 상기 잠재 벡터와의 의존도(responsibility)에 기반하여 결정되는,비지도 조건부 생성 모델의 학습 장치
|
14 |
14
제10 항에 있어서,상기 손실 함수는, 상기 합성 데이터에 대한 판별 모델의 출력에 기반하고,상기 판별 모델은, 상기 실제 데이터와 상기 합성 데이터를 구별하도록 상기 생성 모델과 적대적(adversarial)으로 학습되는,비지도 조건부 생성 모델의 학습 장치
|
15 |
15
제10 항에 있어서,라벨링(labeling) 데이터가 존재하는 경우,상기 메모리는 상기 프로세서로 하여금,상기 라벨링 데이터를 상기 인코더를 통해 인코딩하도록 야기하는 코드를 더 저장하고,상기 손실 함수는,상기 인코딩된 라벨링 데이터가 적어도 하나의 상기 컴포넌트의 평균 벡터와 가까워지고, 나머지 상기 컴포넌트의 평균 벡터와 멀어지도록 더 구성되는비지도 조건부 생성 모델의 학습 장치
|
16 |
16
제15 항에 있어서,상기 라벨링 데이터에 대한 믹스 업(mix-up) 기법을 적용하는 단계를 더 포함하는,비지도 조건부 생성 모델의 학습 장치
|
17 |
17
제10 항에 있어서,상기 잠재 분포 파라미터는 상기 복수의 컴포넌트 분포에 대한 혼합 계수를 포함하는,비지도 조건부 생성 모델의 학습 장치
|
18 |
18
제17 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 복수 컴포넌트 분포에 관한 파라미터 및 상기 혼합 계수를 상기 손실 함수의 기울기(gradient)에 기반하여 재결정하도록 야기하는 코드를 더 저장하는,비지도 조건부 생성 모델의 학습 장치
|