요약 | 인공 지능은 현재 및 과거의 정보를 통합하고, 그 각각은 세계의 부분의 상태를 예측한다. 뉴런의 출력은 2가지 예측자 간의 차이 또는 예측 오류에 상응한다. 과거 정보에 기여하는 입력은 오류를 최소화하기 위해서 선택되며, 이는 anti-Hebbian 타입 유연성 규칙을 통해 일어날 수 있다. 현재의 정보 공급원은 오류를 최대화하기 위해 선택되며, 이는 Hebbian 타입 유연성 규칙을 통해 일어날 수 있다. 이것은 뉴런이 뉴런이 이미 보유하고 있는 과거의 정보와 중복되지 않은 외부 세계로부터 새로운 정보를 수신한다는 것을 확인시켜준다. 예측하기 위해 스스로 학습함으로써, 뉴런 또는 이들 뉴런의 네트워크는 지적이고 유리한 출력을 생성하는데 필요한 정보를 획득한다. |
---|---|
Int. CL | G06N 3/10 (2006.01) G06F 15/18 (2006.01) G06N 3/04 (2006.01) |
CPC | |
출원번호/일자 | 1020107011168 (2010.05.20) |
출원인 | 한국과학기술원 |
등록번호/일자 | 10-1122158-0000 (2012.02.23) |
공개번호/일자 | 10-2010-0085120 (2010.07.28) 문서열기 |
공고번호/일자 | (20120316) 문서열기 |
국제출원번호/일자 | PCT/US2008/084156 (2008.11.20) |
국제공개번호/일자 | WO2009067582 (2009.05.28) |
우선권정보 |
미국 | 12/271,282 | 2008.11.14
미국 | 60/989,391 | 2007.11.20 |
법적상태 | 소멸 |
심사진행상태 | 수리 |
심판사항 | |
구분 | 국제출원 |
원출원번호/일자 | |
관련 출원번호 | |
심사청구여부/일자 | Y (2010.05.20) |
심사청구항수 | 15 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 한국과학기술원 | 대한민국 | 대전광역시 유성구 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 피오릴로 크리스토퍼 | 미국 | 미국 씨에이 ***** 멘로 |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 김강욱 | 대한민국 | 전북 전주시 덕진구 틀못*길**, 은빛빌딩 ***호(장동)(특허법인다해(전라도분사무소)) |
번호 | 이름 | 국적 | 주소 |
---|---|---|---|
1 | 한국과학기술원 | 대전광역시 유성구 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허법 제203조에 따른 서면 [Patent Application] Document according to the Article 203 of Patent Act |
2010.05.20 | 수리 (Accepted) | 1-1-2010-0325785-27 |
2 | 보정요구서 Request for Amendment |
2010.05.31 | 발송처리완료 (Completion of Transmission) | 1-5-2010-0048199-00 |
3 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2010.06.16 | 수리 (Accepted) | 4-1-2010-5109403-88 |
4 | [출원서등 보정]보정서 [Amendment to Patent Application, etc.] Amendment |
2010.06.16 | 수리 (Accepted) | 1-1-2010-0385754-18 |
5 | [출원인변경]권리관계변경신고서 [Change of Applicant] Report on Change of Proprietary Status |
2010.06.17 | 수리 (Accepted) | 1-1-2010-0388942-10 |
6 | 의견제출통지서 Notification of reason for refusal |
2011.07.28 | 발송처리완료 (Completion of Transmission) | 9-5-2011-0420600-33 |
7 | [지정기간연장]기간연장(단축, 경과구제)신청서 [Designated Period Extension] Application of Period Extension(Reduction, Progress relief) |
2011.09.28 | 수리 (Accepted) | 1-1-2011-0759212-35 |
8 | [지정기간연장]기간연장(단축, 경과구제)신청서 [Designated Period Extension] Application of Period Extension(Reduction, Progress relief) |
2011.10.28 | 수리 (Accepted) | 1-1-2011-0849129-87 |
9 | [명세서등 보정]보정서 [Amendment to Description, etc.] Amendment |
2011.11.28 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2011-0941987-60 |
10 | [거절이유 등 통지에 따른 의견]의견(답변, 소명)서 [Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation) |
2011.11.28 | 수리 (Accepted) | 1-1-2011-0941986-14 |
11 | 등록결정서 Decision to grant |
2012.02.13 | 발송처리완료 (Completion of Transmission) | 9-5-2012-0083464-93 |
12 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2013.02.01 | 수리 (Accepted) | 4-1-2013-5019983-17 |
13 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2014.12.24 | 수리 (Accepted) | 4-1-2014-5157968-69 |
14 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2014.12.24 | 수리 (Accepted) | 4-1-2014-5157993-01 |
15 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2014.12.24 | 수리 (Accepted) | 4-1-2014-5158129-58 |
16 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2019.04.24 | 수리 (Accepted) | 4-1-2019-5081392-49 |
17 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2020.05.15 | 수리 (Accepted) | 4-1-2020-5108396-12 |
18 | 출원인정보변경(경정)신고서 Notification of change of applicant's information |
2020.06.12 | 수리 (Accepted) | 4-1-2020-5131486-63 |
번호 | 청구항 |
---|---|
1 |
1 두 부류 이상의 입력들(inputs)을 받고 출력(output)을 계산하기 위한 정보 처리 수단(information processing element)을 사용하는, 컴퓨터로 구현된 정보 처리 방법에 있어서, 상기 정보 처리 수단을 통해 제1 부류의 입력들(a first class of inputs)을 수신하며, 상기 제1 부류의 입력들(inputs) 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 액티비티(activity)는 상기 정보처리 수단을 위한 외부 세계의 특정 부분에 대한 외부 변수 값에 대한 정보를 가지는 단계;상기 정보 처리 수단을 통해 제2 부류의 입력들(a second class of inputs)을 수신하며, 상기 제2 부류의 입력들(inputs) 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 적어도 하나 이상의 입력들(inputs)의 액티비티(activity)는 상기 정보 처리 수단의 과거 출력(output)들의 특정 시간-의존 기억(distinct time-dependent memory)에 상응하는 단계; 상기 정보 처리 수단을 통해 상기 제1 및 제2 부류의 입력의 액티비티(activity)들의 가중 합계의 함수(a function of a weighted sum)를 이용하고, 상기 제1 및 제2 부류의 입력들(inputs)의 웨이트 값들(weight values)를 이용하여 상기 정보 처리 수단의 출력(output)을 계산하는 단계; 및제1 부류의 입력의 액티비티(activity)의 가중합계(a weighted sum)와 제2 부류의 입력의 액티비티(activity)의 가중 합계(a weighted sum)간의 차이를 최소화하기 위해, 상기 입력들(inputs)과 상기 차이(discrepancy)의 액티비티(activity)의 조합을 이용하는 법칙인 안티-헵 타입 유연성 규칙(anti-Hebbian type associative plasticity rule)를 사용하여, 상기 제2 부류에서의 하나 이상의 입력들(inputs)의 웨이트 값(weight value)를 수정하는 단계를 포함하며, 상기 제2 부류의 입력의 액티비티(activity)의 가중 합계(a weighted sum)는 제1 부류의 입력들의 액티비티(activity)의 가중 합계(a weighted sum)를 예측하고, 예측을 확장함으로써 외부 변수(external variable)값과 예측 오류(prediction error)에 대응되는 출력(output)을 예측하는 것을 특징으로 하는 방법 |
2 |
2 제1항에 있어서, 상기 제1 부류의 입력들의 가중 합계(a weighted sum)는 상기 차이(discrepancy)와 액티비티(activity)와의 조합을 활용하는 헵 타입 연관 규칙(Hebbian-type associative plasticity rule)을 통해 수정하고, 상기 제1 부류의 입력들(inputs)의 웨이트(weights)은 그러므로 상기 정보 처리 수단에 새로운 정보를 제공하는 자신의 능력치로 선택되는 방법 |
3 |
3 제2항에 있어서, 상기 헵 타입 관련 유연성 규칙(Hebbian-type associative plasticity rule)은 보상 목표(a rewarding goal)에 대한 정보를 결합하고, 따라서 상기 정보 처리 수단은 보상을 예측하는 것을 배우게 되는 방법 |
4 |
4 제1항에 있어서, 상기 정보 처리 수단을 통해 제3 부류의 입력을 수신하며, 각각의 제3 부류의 입력들은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 액티비티(activity)는 상기 정보처리 수단을 위한 외부 세계의 특정 부분에 대한 외부 변수 값에 대한 정보를 가지는 단계; 및입력(input)의 액티비티(activity)과 상기 차이(discrepancy)의 조합하는 법칙인 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)을 사용하여 상기 차이를 최소화하기 위해, 상기 제3 부류에서의 상기 입력들(inputs)의 웨이트 값(weight value)를 수정하는 단계를 더 포함하는 방법 |
5 |
5 제1항에 있어서, 상기 정보 처리 수단의 출력(output)은 상기 차이(discrepancy)가 기설정된 한계치를 초과하는 경우 값은“1”이 되고, 그렇지 않으면 “0”이 되며, 상기 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)은 상기 웨이트(weight)를 결정하기 위해, 상기 액티비티(activity)과 상기 차이(discrepancy)의 조합 대신에 상기 액티비티(activity)과 상기 출력(output)의 조합을 사용하는 방법 |
6 |
6 적어도 두 부류의 입력들(inputs)을 수신하고 출력(output)을 계산하는 정보 처리 수단을 이용하는 정보 처리 장치에 있어서, 상기 정보 처리 수단을 통해 제1 부류의 입력들(inputs)을 수신하며, 상기 제1 부류의 입력 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 액티비티(activity)은 상기 정보처리 수단을 위한 외부 세계의 특정 부분에 대한 외부 변수 값에 대한 정보를 가지는 수단; 상기 정보 처리 수단을 통해 제2 부류의 입력들(inputs)을 수신하며 상기 제2 부류의 입력들(inputs) 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 적어도 하나의 입력들(inputs)의 액티비티(activity)은 상기 정보 처리 수단의 과거 출력(output)들의 특정 시간-의존 기억(distinct time-dependent memory)에 상응하는 수단; 상기 제1 및 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)의 함수를 이용하고, 상기 제1 부류의 입력들(inputs)과 상기 제2 부류의 입력들(inputs)의 웨이트 값들(weight values)를 이용하여, 상기 제1 부류의 입력과 상기 제2 부류의 입력들(inputs)의 웨이트 값들(weight values)를 이용하고, 상기 제1 및 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)의 함수를 이용하여, 상기 정보 처리 수단을 통해 상기 정보 처리 수단의 출력(output)을 생성하는 수단; 및제1 부류의 입력들(inputs)의 액티비티(activity)들의 가중합계(a weighted sum)와 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)간의 차이(discrepancy)를 최소화하기 위해, 한 입력(input)의 액티비티(activity)와 차이(discrepancy)의 조합을 이용하는 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)을 사용하여, 상기 제2 부류에서의 하나 이상의 입력들(inputs)의 웨이트 값(weight value)를 수정하는 수단을 포함하며, 상기 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)는 제1 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)를 예측하고, 예측을 확장함으로써 외부 변수 값과 예측 오류(a prediction error)에 대응되는 출력(output)값을 예측하는 장치 |
7 |
7 제6항에 있어서, 상기 차이(discrepancy)를 극대화하기 위해, 상기 제1 부류의 입력들(inputs)의 웨이트 값들(weight values)는 액티비티(activity)과 차이(discrepancy)의 조합을 활용하는 헵 타입 연관 규칙(Hebbian type associative plasticity rule)을 통해 수정되고, 상기 제1 부류의 입력들(inputs)의 웨이트(weights)은 그러므로 상기 정보 처리 수단에 새로운 정보를 제공하는 자신의 능력치로 선택되는 장치 |
8 |
8 제7항에 있어서, 상기 헵 타입 관련 유연성 규칙(Hebbian type associative plasticity rule)은 보상 목표(a rewarding goal)에 대한 정보에 결합됨으로, 상기 정보 처리 수단은 보상을 예측하는 것을 배우게 되는 장치 |
9 |
9 제6항에 있어서,상기 정보 처리 수단을 통해 제3 부류의 입력들(inputs)을 수신하고, 각각의 제3 부류의 입력(input)은 웨이트(weight)와 액티비티(activity)를 가지며, 상기 액티비티(activity)는 상기 정보처리 수단을 위한 외부 세계의 특정 부분에 대한 외부 변수 값에 대한 정보를 가지는 수단; 및입력(input)의 액티비티(activity)와 상기 차이(discrepancy)의 조합을 이용하는 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)을 사용하여 상기 차이(discrepancy)를 최소화하기 위해 상기 제3 부류에서의 상기 입력들(inputs)의 웨이트(weight)를 수정하는 수단을 더 포함하는 장치 |
10 |
10 제6항에 있어서,상기 정보 처리 수단의 출력(output)은 상기 차이(discrepancy)가 기설정된 한계치(a predetermined threshold)를 초과하는 경우 값은 “1”이 되고, 그렇지 않으면 “0”이 되며, 상기 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)은 상기 웨이트(weight)를 결정하기 위해, 상기 액티비티(activity)과 상기 차이(discrepancy)의 조합 대신에 상기 액티비티(activity)과 상기 출력(output)의 조합을 사용하는 장치 |
11 |
11 두 부류 이상의 입력들(inputs)을 수신하고 출력(output)을 계산하는 정보 처리 수단을 이용하여 정보를 처리하기 위해 하나 이상의 지시 시퀀스(one or more sequences of instructions)를 저장하는 컴퓨터 판독 가능한 기억 매체로서(a computer-readable storage medium), 하나 이상의 프로세서들에 의해 실행될 때 상기 지시(instructions)는 그 프로세서들이 다음의 단계들을 실행하도록 한다: 상기 정보 처리 수단을 통해 제1 부류의 입력들(inputs)을 수신하는 단계, 상기 제1 부류의 입력들(inputs) 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 액티비티(activity)는 상기 정보처리 수단을 위한 외부 세계의 특정 부분에 대한 외부 변수 값에 대한 정보를 가지는 단계;상기 정보 처리 수단을 통해 제2 부류의 입력들(a second class of inputs)을 수신하며, 상기 제2 부류의 입력들(inputs) 각각은 웨이트(weight)과 액티비티(activity)을 가지고, 상기 적어도 하나 이상의 입력들(inputs)의 액티비티(activity)는 상기 정보 처리 수단의 과거 출력(output)들의 특정 시간-의존 기억(distinct time-dependent memory)에 상응하는 단계;상기 정보 처리 수단을 통해 제2 부류의 입력들(inputs)을 수신하며, 상기 제2 부류의 입력들(inputs) 각각은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 적어도 하나 이상의 입력들(inputs)의 액티비티(activity)는 상기 정보 처리 수단의 과거 출력(output)들의 특정 시간-의존 기억(distinct time-dependent memory)에 상응하는 단계; 상기 정보 처리 수단을 통해 상기 제1 및 제2 부류의 입력들(inputs)의 액티비티(activity)들의 가중 합계의 함수(a function of a weighted sum)를 이용하고, 상기 제1 및 제2 부류의 입력들(inputs)의 웨이트 값들(weight values)를 이용하여 상기 정보 처리 수단의 출력(output)을 계산하는 단계; 및제1 부류의 입력들(inputs)의 액티비티(activity)의 가중합계(a weighted sum)와 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)간의 차이를 최소화하기 위해, 상기 입력들(inputs)과 상기 차이(discrepancy)의 액티비티(activity)의 조합을 이용하는 법칙인 안티-헵 타입 유연성 규칙(anti-Hebbian type associative plasticity rule)을 사용하여, 상기 제2 부류에서의 하나 이상의 입력들(inputs)의 웨이트 값(weight value)를 수정하는 단계를 포함하며,상기 제2 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)는 제1 부류의 입력들(inputs)의 액티비티(activity)의 가중 합계(a weighted sum)를 예측하고, 예측을 확장함으로써 외부 변수(external variable)값과 예측 오류(prediction error)에 대응되는 출력(output)을 예측하는 것을 특징으로 하는 기록 매체 |
12 |
12 제11항에 있어서,상기 차이(discrepancy)를 극대화하기 위해, 상기 제1 부류의 입력들(inputs)의 웨이트 값들(weight values)는 액티비티(activity)과 차이(discrepancy)의 조합을 활용하는 헵 타입 연관 규칙(Hebbian type associative plasticity rule)을 통해 수정되고, 상기 제1 부류의 입력의 웨이트(weights)은 그러므로 상기 정보 처리 수단에 새로운 정보를 제공하는 자신의 능력치로 선택되는 기록 매체 |
13 |
13 제12항에 있어서, 상기 헵 타입 관련 유연성 규칙(Hebbian type associative plasticity rule)은 보상 목표에 대한 정보에 결합됨으로, 상기 정보 처리 수단은 보상을 예측하는 것을 배우게 되는 기록 매체 |
14 |
14 제11항에 있어서, 상기 정보 처리 수단을 통해 제3 부류의 입력들을 수신하며, 각각의 제3 부류의 입력은 웨이트(weight)와 액티비티(activity)을 가지고, 상기 액티비티(activity)은 정보 처리 수단으로의 외부 특정 부분에 대한 외부 변수의 값에 대한 정보를 가지는 단계; 및 입력(input)의 액티비티(activity)와 상기 차이(discrepancy)의 조합을 이용하는 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)을 사용하여 상기 차이(discrepancy)를 최소화하기 위해 상기 제3 부류에서의 상기 입력들(inputs)의 웨이트(weight)를 수정하는 단계를 더 포함하는 기록 매체 |
15 |
15 제11항에 있어서, 상기 정보 처리 수단의 출력(output)은 상기 차이(discrepancy)가 기설정된 한계치를 초과하는 경우 값은“1”이 되고, 그렇지 않으면 “0”이 되며, 상기 안티-헵 타입 유연성 규칙(anti-Hebbian-type associative plasticity rule)은 상기 웨이트(weight)를 결정하기 위해, 상기 액티비티(activity)과 상기 차이(discrepancy)의 조합 대신에 상기 액티비티(activity)과 상기 출력(output)의 조합을 사용하는 기록 매체 |
16 |
16 삭제 |
17 |
17 삭제 |
18 |
18 삭제 |
19 |
19 삭제 |
20 |
20 삭제 |
지정국 정보가 없습니다 |
---|
순번 | 패밀리번호 | 국가코드 | 국가명 | 종류 |
---|---|---|---|---|
1 | EP02212833 | EP | 유럽특허청(EPO) | FAMILY |
2 | US08112372 | US | 미국 | FAMILY |
3 | US08504502 | US | 미국 | FAMILY |
4 | US20090132451 | US | 미국 | FAMILY |
5 | US20100198765 | US | 미국 | FAMILY |
6 | WO2009067582 | WO | 세계지적재산권기구(WIPO) | FAMILY |
순번 | 패밀리번호 | 국가코드 | 국가명 | 종류 |
---|---|---|---|---|
1 | EP2212833 | EP | 유럽특허청(EPO) | DOCDBFAMILY |
2 | US2009132451 | US | 미국 | DOCDBFAMILY |
3 | US2010198765 | US | 미국 | DOCDBFAMILY |
4 | US8112372 | US | 미국 | DOCDBFAMILY |
5 | US8504502 | US | 미국 | DOCDBFAMILY |
6 | WO2009067582 | WO | 세계지적재산권기구(WIPO) | DOCDBFAMILY |
국가 R&D 정보가 없습니다. |
---|
특허 등록번호 | 10-1122158-0000 |
---|
표시번호 | 사항 |
---|---|
1 |
출원 연월일 : 20100520 출원 번호 : 1020107011168 공고 연월일 : 20120316 공고 번호 : 특허결정(심결)연월일 : 20120213 청구범위의 항수 : 15 유별 : G06N 3/04 발명의 명칭 : 단일 뉴런 및 네트워크에 의한 예측 존속기간(예정)만료일 : 20160224 |
순위번호 | 사항 |
---|---|
1 |
(권리자) 한국과학기술원 대전광역시 유성구... |
제 1 - 3 년분 | 금 액 | 315,000 원 | 2012년 02월 24일 | 납입 |
제 4 년분 | 금 액 | 259,000 원 | 2015년 01월 27일 | 납입 |
번호 | 서류명 | 접수/발송일자 | 처리상태 | 접수/발송번호 |
---|---|---|---|---|
1 | [특허출원]특허법 제203조에 따른 서면 | 2010.05.20 | 수리 (Accepted) | 1-1-2010-0325785-27 |
2 | 보정요구서 | 2010.05.31 | 발송처리완료 (Completion of Transmission) | 1-5-2010-0048199-00 |
3 | 출원인정보변경(경정)신고서 | 2010.06.16 | 수리 (Accepted) | 4-1-2010-5109403-88 |
4 | [출원서등 보정]보정서 | 2010.06.16 | 수리 (Accepted) | 1-1-2010-0385754-18 |
5 | [출원인변경]권리관계변경신고서 | 2010.06.17 | 수리 (Accepted) | 1-1-2010-0388942-10 |
6 | 의견제출통지서 | 2011.07.28 | 발송처리완료 (Completion of Transmission) | 9-5-2011-0420600-33 |
7 | [지정기간연장]기간연장(단축, 경과구제)신청서 | 2011.09.28 | 수리 (Accepted) | 1-1-2011-0759212-35 |
8 | [지정기간연장]기간연장(단축, 경과구제)신청서 | 2011.10.28 | 수리 (Accepted) | 1-1-2011-0849129-87 |
9 | [명세서등 보정]보정서 | 2011.11.28 | 보정승인간주 (Regarded as an acceptance of amendment) | 1-1-2011-0941987-60 |
10 | [거절이유 등 통지에 따른 의견]의견(답변, 소명)서 | 2011.11.28 | 수리 (Accepted) | 1-1-2011-0941986-14 |
11 | 등록결정서 | 2012.02.13 | 발송처리완료 (Completion of Transmission) | 9-5-2012-0083464-93 |
12 | 출원인정보변경(경정)신고서 | 2013.02.01 | 수리 (Accepted) | 4-1-2013-5019983-17 |
13 | 출원인정보변경(경정)신고서 | 2014.12.24 | 수리 (Accepted) | 4-1-2014-5157968-69 |
14 | 출원인정보변경(경정)신고서 | 2014.12.24 | 수리 (Accepted) | 4-1-2014-5157993-01 |
15 | 출원인정보변경(경정)신고서 | 2014.12.24 | 수리 (Accepted) | 4-1-2014-5158129-58 |
16 | 출원인정보변경(경정)신고서 | 2019.04.24 | 수리 (Accepted) | 4-1-2019-5081392-49 |
17 | 출원인정보변경(경정)신고서 | 2020.05.15 | 수리 (Accepted) | 4-1-2020-5108396-12 |
18 | 출원인정보변경(경정)신고서 | 2020.06.12 | 수리 (Accepted) | 4-1-2020-5131486-63 |
기술번호 | KST2014046716 |
---|---|
자료제공기관 | NTB |
기술공급기관 | 한국과학기술원 |
기술명 | 단일 뉴런 및 네트워크에 의한 예측 |
기술개요 |
인공 지능은 현재 및 과거의 정보를 통합하고, 그 각각은 세계의 부분의 상태를 예측한다. 뉴런의 출력은 2가지 예측자 간의 차이 또는 예측 오류에 상응한다. 과거 정보에 기여하는 입력은 오류를 최소화하기 위해서 선택되며, 이는 anti-Hebbian 타입 유연성 규칙을 통해 일어날 수 있다. 현재의 정보 공급원은 오류를 최대화하기 위해 선택되며, 이는 Hebbian 타입 유연성 규칙을 통해 일어날 수 있다. 이것은 뉴런이 뉴런이 이미 보유하고 있는 과거의 정보와 중복되지 않은 외부 세계로부터 새로운 정보를 수신한다는 것을 확인시켜준다. 예측하기 위해 스스로 학습함으로써, 뉴런 또는 이들 뉴런의 네트워크는 지적이고 유리한 출력을 생성하는데 필요한 정보를 획득한다. |
개발상태 | 기술개발완료 |
기술의 우수성 | |
응용분야 | 인공지능 |
시장규모 및 동향 | |
희망거래유형 | 기술매매,라이센스, |
사업화적용실적 | |
도입시고려사항 |
과제정보가 없습니다 |
---|
[KST2015113810][한국과학기술원] | 로봇 행동양식 구현시스템, 그 방법 및 그 기록매체 | 새창보기 |
---|---|---|
[KST2015113772][한국과학기술원] | 핑거 프린팅 시스템의 정합 과정에서 사용하는 디스턴스 메트릭을 학습을 통해서 결정하는 방법 | 새창보기 |
[KST2023008273][한국과학기술원] | 신경망을 이용하여 쓰기 주소를 결정하는 데이터 저장 장치 | 새창보기 |
[KST2022003913][한국과학기술원] | 태스크 수행 방법 및 이를 이용하는 전자 장치 | 새창보기 |
[KST2022023078][한국과학기술원] | 조직 특이적 조절지역의 무세포 DNA 분포를 이용한 인공지능 기반 암 조기진단 방법 | 새창보기 |
[KST2015111582][한국과학기술원] | 뉴우튼/엘엠에스알고리즘을이용한적응신호처리기 | 새창보기 |
[KST2020014261][한국과학기술원] | 기저학습 오토인코더와 그를 기반으로 하는 추천 시스템을 위한 콘텐츠 정보 활용 방법 및 장치 | 새창보기 |
[KST2019012171][한국과학기술원] | 라이브 스트리밍을 위한 프리패칭 기반 클라우드 중계 장치 및 방법 | 새창보기 |
[KST2018016436][한국과학기술원] | 딥 네트워크 구조 및 딥 러닝 기반 영상 인식 시스템 | 새창보기 |
[KST2023009640][한국과학기술원] | 영상 처리 방법, 영상 처리를 위한 트레이닝 방법, 및 영상 처리 장치 | 새창보기 |
[KST2020001536][한국과학기술원] | 백내장 진단을 위한 토너먼트 기반의 랭킹 컨볼루셔널 뉴럴 네트워크 | 새창보기 |
[KST2019019060][한국과학기술원] | 합성곱 신경망을 위한 주의집중 값 계산 방법 | 새창보기 |
[KST2015117419][한국과학기술원] | 뉴로-퍼지 시스템과 병렬처리 프로세서를 결합한 컴퓨터 시스템, 이를 이용하여 영상에서 물체를 인식하는 방법 및 장치 | 새창보기 |
[KST2019021728][한국과학기술원] | 뉴럴 네트워크를 이용하는 영상 처리 장치 및 상기 장치가 수행하는 방법 | 새창보기 |
[KST2017013890][한국과학기술원] | X선 영상에서의 치아의 인접면 우식증 영역 검출 방법 및 장치(Method and Apparatus for Detection of a Region Representing Interdental Caries in an X-ray Image) | 새창보기 |
[KST2018005997][한국과학기술원] | CNN을 이용한 이미지 디헤이징 방법 및 그 시스템(METHOD AND SYSTEM FOR DEHAZING IMAGE USING CONVOLUTIONAL NEURAL NETWORK) | 새창보기 |
[KST2015111714][한국과학기술원] | 자율학습 프로그래밍 방법 | 새창보기 |
[KST2021000482][한국과학기술원] | 심층 신경망 구조를 이용한 프레임 보간 방법 및 장치 | 새창보기 |
[KST2019024084][한국과학기술원] | 비연속적으로 확률 뉴런을 가지는 딥러닝 모델 및 지식 전파에 기반한 학습 방법 및 그 시스템 | 새창보기 |
[KST2015112228][한국과학기술원] | 사용자 행동 패턴 기반 지능형 주거 공간의 학습방법 | 새창보기 |
[KST2015114420][한국과학기술원] | 뉴로-퍼지 시스템과 병렬처리 프로세서가 결합된, 파이프라이닝 컴퓨터 시스템, 이를 이용하여 영상에서 물체를 인식하는 방법 및 장치 | 새창보기 |
[KST2021010551][한국과학기술원] | 텔레프레즌스를 위한 원격 공간 아바타 배치 방법 및 그 장치 | 새창보기 |
[KST2019013093][한국과학기술원] | 단말 클러스터 내 이미지를 이용하여 컨볼루션 뉴럴 네트워크 모델을 학습시키기 위한 시스템 및 방법 | 새창보기 |
[KST2021008228][한국과학기술원] | 전안부 이미지를 이용한 각막 병변 분석 시스템 및 방법 그리고 컴퓨터로 판독 가능한 기록 매체 | 새창보기 |
[KST2017015347][한국과학기술원] | 감성 TV를 위한 표정 인식 기반 스테레오스코픽 3D 콘텐츠에 기인한 시각 피로도 측정 방법 및 시스템(METHOD AND SYSTEM TO MEASURE STEREOSCOPIC 3D CONTENT-INDUCED VISUAL DISCOMFORT BASED FACIAL EXPRESSION RECOGNITION FOR SENSITIVITY TV) | 새창보기 |
[KST2019020991][한국과학기술원] | 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 GRU 기반의 셀 구조 설계 | 새창보기 |
[KST2015113714][한국과학기술원] | 뉴로-퍼지 시스템과 병렬처리 프로세서가 결합된 전력 제어 가능한 컴퓨터 시스템, 이를 이용하여 영상에서 물체를 인식하는 방법 및 장치 | 새창보기 |
[KST2021015921][한국과학기술원] | 고해상도 강도 이미지 생성 방법 및 장치 | 새창보기 |
[KST2017014972][한국과학기술원] | 군집 지능과 기계학습 알고리즘을 이용한 적응형 미지 공격 탐지 시스템의 방식 및 장치(METHOD AND APPARATUS TO ADAPTIVELY DETECT UNKNOWN ATTACKS USING SWARM INTELLIGENCE AND MACHINE LEARNING ALGORITHMS) | 새창보기 |
[KST2023010208][한국과학기술원] | 다채널 레이더에서의 딥러닝 알고리즘을 이용한 타겟 드론의 고도 실시간 추정 방법 및 시스템 | 새창보기 |
심판사항 정보가 없습니다 |
---|