1 |
1
스트림 데이터에 대응되는 변수를 포함하는 제 1 매트릭스를 생성하는 제 1 매트릭스 생성부; 상기 제 1 매트릭스의 변수들을 관심 대상이 되는 목적 변수(object variable)와 상기 목적 변수 이외의 입력 변수(input variable)로 분류하고, 상기 입력 변수에 대한 다차원 조합(multi-order combination)을 통해 조합 변수(combination variable)를 획득하고, 획득된 조합 변수를 이용하여 제 2 매트릭스를 생성하는 제 2 매트릭스 생성부; 및상기 제 1 매트릭스의 목적 변수와 상기 제 2 매트릭스의 조합 변수를 이용하여 확률 그래프 모델을 생성하는 모델 생성부; 를 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
2 |
2
제 1 항에 있어서, 상기 제 1 매트릭스 생성부는 상기 스트림 데이터의 종류에 대응되는 행(row)과 상기 스트림 데이터의 입력 시간에 대응되는 열(column)을 갖는 2차원 구조에 상기 변수를 배열하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
3 |
3
제 2 항에 있어서, 상기 제 2 매트릭스 생성부는 상기 제 1 매트릭스의 변수들을 상기 목적 변수와 상기 입력 변수로 분류하는 분류부;상기 행 및 상기 열에 따라 상기 입력 변수 중에서 일부를 선택하는 입력 변수 선택부; 상기 선택된 입력 변수를 n번 조합해서 제 1 차원 내지 제 n 차원 조합 변수들을 획득하는 조합 변수 획득부; 및상기 획득된 조합 변수들을 포함하는 상기 제 2 매트릭스를 생성하는 매트릭스 확장부; 를 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
4 |
4
제 3 항에 있어서, 상기 입력 변수 선택부는 각각의 행에서 임의의 개수의 입력 변수를 선택하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
5 |
5
제 3 항에 있어서, 상기 입력 변수 선택부는 각각의 행에서 n개의 입력 변수를 선택하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
6 |
6
제 5 항에 있어서, 상기 n 값은 마르코브 연쇄 차수(Markov chain order)에 기초하여 정해지는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
7 |
7
제 1 항에 있어서, 상기 모델 생성부는상기 제 1 매트릭스의 목적 변수와 상기 제 2 매트릭스의 조합 변수들의 조건부 확률 테이블에 기초하여 상기 확률 그래프 모델의 각 노드 간의 관계를 결정하는 노드 결정부; 및정해진 임계값 이하의 확률값을 갖는 조건부 확률 테이블의 엔트리를 삭제하여 상기 확률 그래프 모델의 구조를 결정하는 구조 결정부; 를 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
8 |
8
제 1 항에 있어서, 상기 생성된 확률 그래프 모델을 저장하거나, 또는 상기 생성된 확률 그래프 모델을 이용하여 기 저장된 확률 그래프 모델을 갱신하는 모델 갱신부; 를 더 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
9 |
9
제 1 항에 있어서,상기 생성된 확률 그래프 모델을 이용하여 현재 상황에 적합한 목적 변수를 추론하는 추론부; 를 더 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 장치
|
10 |
10
스트림 데이터에 대응되는 변수를 포함하는 제 1 매트릭스를 생성하는 단계;상기 제 1 매트릭스의 변수들을 관심 대상이 되는 목적 변수(object variable)와 상기 목적 변수 이외의 입력 변수(input variable)로 분류하고, 상기 입력 변수에 대한 다차원 조합(multi-order combination)을 통해 조합 변수(combination variable)를 획득하고, 획득된 조합 변수를 이용하여 제 2 매트릭스를 생성하는 단계; 및상기 제 1 매트릭스의 목적 변수와 상기 제 2 매트릭스의 조합 변수를 이용하여 확률 그래프 모델을 생성하는 단계; 를 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
11 |
11
제 10 항에 있어서, 상기 제 1 매트릭스를 생성하는 단계는 상기 스트림 데이터의 종류에 대응되는 행(row)과 상기 스트림 데이터의 입력 시간에 대응되는 열(column)을 갖는 2차원 구조에 상기 변수를 배열하는 과정을 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
12 |
12
제 11 항에 있어서, 상기 제 2 매트릭스를 생성하는 단계는 상기 제 1 매트릭스의 변수들을 상기 목적 변수와 상기 입력 변수로 분류하는 과정;상기 행 및 상기 열에 따라 상기 입력 변수 중에서 일부를 선택하는 과정; 상기 선택된 입력 변수를 n번 조합해서 제 1 차원 내지 제 n 차원 조합 변수들을 획득하는 과정; 및상기 획득된 조합 변수들을 포함하는 상기 제 2 매트릭스를 생성하는 과정; 을 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
13 |
13
제 12 항에 있어서, 상기 입력 변수 중 일부를 선택하는 과정은 각각의 행에서 임의의 개수의 입력 변수를 선택하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
14 |
14
제 12 항에 있어서, 상기 입력 변수 중 일부를 선택하는 과정은 각각의 행에서 n개의 입력 변수를 선택하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
15 |
15
제 14 항에 있어서, 상기 n 값은 마르코브 연쇄 차수(Markov chain order)에 기초하여 정해지는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
16 |
16
제 10 항에 있어서, 상기 모델을 생성하는 단계는 상기 제 1 매트릭스의 목적 변수와 상기 제 2 매트릭스의 조합 변수들의 조건부 확률 테이블에 기초하여 상기 확률 그래프 모델의 각 노드 간의 관계를 결정하는 과정; 및정해진 임계값 이하의 확률값을 갖는 조건부 확률 테이블의 엔트리를 삭제하여 상기 확률 그래프 모델의 구조를 결정하는 과정; 을 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
17 |
17
제 10 항에 있어서, 상기 생성된 확률 그래프 모델을 저장하거나, 또는 상기 생성된 확률 그래프 모델을 이용하여 기 저장된 확률 그래프 모델을 갱신하는 단계; 를 더 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|
18 |
18
제 10 항에 있어서,상기 생성된 확률 그래프 모델을 이용하여 현재 상황에 적합한 목적 변수를 추론하는 단계; 를 더 포함하는 시공간 구조 기반의 확률 그래프 모델 학습 방법
|