| 1 |
1
프로세서가, 입력 데이터를 다른 속성에서 표현되도록 축약하는 규칙을 정의한 축약 기준 정보, 상기 축약 데이터에 대한 학습을 제한하는 규칙과 학습 성능의 평가 규칙을 정의한 학습 기준 정보 및 상기 축약 기준 정보를 최적화하기 위한 규칙을 정의한 지식 증강 기준 정보를 설정하는 단계;상기 프로세서가, 상기 축약 기준 정보를 기반으로 상기 입력 데이터를 축약 데이터로 축약하는 단계;상기 프로세서가, 상기 학습 기준 정보를 기반으로 상기 축약 데이터에 대해 학습을 수행하여 학습 모델을 생성하는 단계;상기 프로세서가, 상기 학습 기준 정보를 기반으로 상기 학습 모델의 성능을 평가하여, 상기 축약 데이터의 적절성을 판단하는 단계; 및상기 프로세서가, 상기 적절성을 판단한 결과에 따라서 상기 지식 증강 기준 정보를 기반으로 상기 축약 기준 정보를 갱신하는 지식 증강을 수행하는 단계;를 포함하는 자가학습을 위한 데이터 메타 스케일링 방법
|
| 2 |
2
제1항에서, 상기 설정하는 단계는,다수의 속성으로 표현되는 상기 입력 데이터를 상기 다수의 속성 중에서 적어도 하나의 속성으로 표현되도록 축약하는 규칙을 정의한 상기 축약 기준 정보를 설정하는 단계를 포함하는 것인 자가학습을 위한 데이터 메타 스케일링 방법
|
| 3 |
3
제1항에서, 상기 설정하는 단계는,상기 입력 데이터가 다수의 속성으로 표현될 때, 상기 다수의 속성 중 어느 하나의 속성을 정의하는 데이터 차원을 나타내는 정보, 상기 입력 데이터의 샘플링 단위를 정의하는 윈도우를 나타내는 정보, 상기 윈도우의 종류를 나타내는 정보, 상기 윈도우의 크기를 나타내는 정보 및상기 윈도우 내에서 대표값을 선택하는 기준을 나타내는 정보를 포함하도록 구성된 상기 축약 기준 정보를 설정하는 단계를 포함하는 것인 자가학습을 위한 데이터 메타 스케일링 방법
|
| 4 |
4
제1항에서, 상기 설정하는 단계는,상기 입력 데이터의 종류를 나타내는 정보, 상기 학습 모델의 성능을 평가하기 위한 학습 신뢰도의 조건을 나타내는 정보, 상기 학습 신뢰도의 계산 방법을 나타내는 정보 및 상기 축약 데이터에 대한 학습의 반복 횟수를 제한하는 상기 학습의 조기 종료 조건을 나타내는 정보를 포함하도록 구성된 상기 학습 기준 정보를 설정하는 단계를 포함하는 것인 자가학습을 위한 데이터 메타 스케일링 방법
|
| 5 |
5
제1항에서, 상기 설정하는 단계는,상기 축약 기준 정보의 변동 횟수를 나타내는 정보, 상기 축약 기준 정보의 변동 요소를 나타내는 정보, 상기 변동 요소의 변동 범위를 나타내는 정보, 상기 축약 데이터에 대해 학습을 수행하는 과정에서 발생한 학습 이력의 누적 횟수를 나타내는 정보를 포함하도록 구성된 상기 지식 증강 기준 정보를 설정하는 단계를 포함하는 것인 자가학습을 위한 데이터 메타 스케일링 방법
|
| 6 |
6
제5항에서, 상기 변동 요소는,상기 입력 데이터의 샘플링 단위를 정의하는 윈도우와 관련된 정보인 것인 데이터 메타 스케일링 방법
|
| 7 |
7
제6항에서, 상기 윈도우와 관련된 정보는,상기 윈도우의 크기 및 윈도우들 사이의 간격을 나타내는 정보들을 포함하는 것인 데이터 메타 스케일링 방법
|
| 8 |
8
제1항에서, 상기 축약하는 단계는,상기 입력 데이터가 다수의 속성으로 표현되고, 상기 다수의 속성을 다수의 데이터 차원으로 각각 정의 할 때,각 데이터 차원에서 상기 입력 데이터를 상기 입력 데이터의 대표값으로 샘플링하는 제1 프로세스, 상기 입력 데이터를 상기 다수의 데이터 차원에서 선택된 적어도 하나의 데이터 차원으로 변경하는 제2 프로세스 및 상기 제1 프로세스와 상기 제2 프로세스가 결합된 제3 프로세스 중에서 어느 하나의 프로세스에 의해 상기 입력 데이터를 축약 데이터로 축약하는 단계인 것인 데이터 메타 스케일링 방법
|
| 9 |
9
제8항에서, 상기 제1 프로세스는,상기 입력 데이터를 상기 입력 데이터의 대표값으로 주기적으로 샘플링하는 프로세스;상기 입력 데이터를 상기 입력 데이터의 대표값으로 비주기적으로 샘플링하는 프로세스;상기 입력 데이터의 샘플링 단위를 정의하는 윈도우가 복수이고, 복수의 윈도우가 중복되지 않은 상태에서 각 윈도우에서 대표값을 선택하는 고정 윈도우 기반의 샘플링 프로세스; 및상기 복수의 윈도우가 중복된 상태에서 각 윈도우에서 대표값을 선택하는 무빙 윈도우 기반의 샘플링 프로세스를 포함하는 것인 데이터 메타 스케일링 방법
|
| 10 |
10
제1항에서, 상기 지식 증강을 수행하는 단계는,상기 학습 모델의 성능을 평가하기 위해 계산된 학습 신뢰도가 학습 기준 정보에서 정의하는 상기 학습 성능의 평가 규칙에서 규정한 조건을 만족하지 못하는 경우, 상기 지식 증강 기준 정보에서 정의하는 상기 축약 기준 정보의 변동 요소를 나타내는 정보 및 상기 변동 요소의 변동 범위에 따라 상기 축약 기준 정보를 변경하는 단계; 및상기 변경된 축약 기준 정보에 따라 축약된 상기 축약 데이터에 대해 학습을 수행하여 생성된 학습 모델의 성능이 상기 학습 기준 정보에서 규정하는 조건을 만족하면, 상기 변경된 축약 기준 정보를 최적의 축약 기준 정보로 갱신하는 단계를 포함하는 것인 데이터 메타 스케일링 방법
|
| 11 |
11
입력 데이터를 다른 속성에서 표현되도록 축약하는 규칙을 정의한 축약 기준 정보, 상기 축약 데이터에 대한 학습을 제한하는 규칙과 학습 성능의 평가 규칙을 정의한 학습 기준 정보 및 상기 축약 기준 정보를 최적화하기 위한 규칙을 정의한 지식 증강 기준 정보를 설정하는 메타 최적화기;상기 축약 기준 정보를 기반으로 상기 입력 데이터를 축약 데이터로 축약하는 축약기;상기 학습 기준 정보를 기반으로 상기 축약 데이터에 대해 학습을 수행하여 학습 모델을 생성하는 학습기; 및상기 학습 기준 정보를 기반으로 상기 학습 모델의 성능을 평가하여, 상기 축약 데이터의 적절성을 판단하는 평가기;를 포함하고,상기 메타 최적화기는,상기 적절성을 판단한 결과에 따라서 상기 지식 증강 기준 정보를 기반으로 상기 축약 기준 정보를 갱신하는 지식 증강을 수행하는 것인 자가학습을 위한 데이터 메타 스케일링 장치
|
| 12 |
12
제11항에서, 상기 메타 최적화기는,다수의 속성으로 표현되는 상기 입력 데이터를 상기 다수의 속성 중에서 적어도 하나의 속성으로 표현되도록 축약하는 규칙을 정의한 상기 축약 기준 정보를 설정하는 것인 자가학습을 위한 데이터 메타 스케일링 장치
|
| 13 |
13
제11항에서, 상기 메타 최적화기는,상기 입력 데이터가 다수의 속성으로 표현될 때, 상기 다수의 속성 중 어느 하나의 속성을 정의하는 데이터 차원을 나타내는 정보, 상기 입력 데이터의 샘플링 단위를 정의하는 윈도우를 나타내는 정보, 상기 윈도우의 종류를 나타내는 정보, 상기 윈도우의 크기를 나타내는 정보 및상기 윈도우 내에서 대표값을 선택하는 기준을 나타내는 정보를 포함하도록 구성된 상기 축약 기준 정보를 설정하는 것인 자가학습을 위한 데이터 메타 스케일링 장치
|
| 14 |
14
제11항에서, 상기 메타 최적화기는,상기 입력 데이터의 종류를 나타내는 정보, 상기 학습 모델의 성능을 평가하기 위한 학습 신뢰도의 조건을 나타내는 정보, 상기 학습 신뢰도의 계산 방법을 나타내는 정보 및 상기 축약 데이터에 대한 학습의 반복 횟수를 제한하는 상기 학습의 조기 종료 조건을 나타내는 정보를 포함하도록 구성된 상기 학습 기준 정보를 설정하는 것인 자가학습을 위한 데이터 메타 스케일링 장치
|
| 15 |
15
제11항에서, 상기 메타 최적화기는,상기 축약 기준 정보의 변동 횟수를 나타내는 정보, 상기 축약 기준 정보의 변동 요소를 나타내는 정보, 상기 변동 요소의 변동 범위를 나타내는 정보, 상기 축약 데이터에 대해 학습을 수행하는 과정에서 발생하는 학습 이력의 누적 횟수를 나타내는 정보를 포함하도록 구성된 상기 지식 증강 기준 정보를 설정하는 것인 자가학습을 위한 데이터 메타 스케일링 장치
|
| 16 |
16
제15항에서, 상기 변동 요소는,상기 입력 데이터의 샘플링 단위를 정의하는 윈도우와 관련된 정보인 것인 데이터 메타 스케일링 장치
|
| 17 |
17
제11항에서, 상기 메타 최적화기는,상기 학습 모델의 성능이 상기 학습 성능의 평가 규칙에서 규정한 조건을 만족하지 못하는 경우, 상기 지식 증강 기준 정보에서 정의하는 상기 축약 기준 정보의 변동 요소 및 상기 변동 요소의 변동 범위에 따라 상기 축약 기준 정보를 변경하고, 상기 변경된 축약 기준 정보에 따라 축약된 상기 축약 데이터에 대해 학습을 수행하여 생성된 상기 학습 모델의 성능이 상기 학습 기준 정보에서 규정하는 조건을 만족하면, 상기 변경된 축약 기준 정보를 상기 갱신된 축약 기준 정보로서 저장소에 저장하여 지식 증강을 수행하는 것인 데이터 메타 스케일링 장치
|
