맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

비연속적으로 확률 뉴런을 가지는 딥러닝 모델 및 지식 전파에 기반한 학습 방법 및 그 시스템

  • 기술번호 : KST2019024084
  • 담당센터 : 대전기술혁신센터
  • 전화번호 : 042-610-2279
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 비연속적으로 확률 뉴런을 가지는 딥러닝 모델 및 지식 전파에 기반한 학습 방법이 개시된다. 학습 방법은, 복수의 히든 레이어(hidden layer)를 포함하는 학습 모델로서 비연속적인 확률 뉴런(non-consecutive stochastic neural)을 가지는 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하는 단계; 및 상기 NCSFNN을 학습시키는 단계를 포함한다.
Int. CL G06N 3/08 (2006.01.01) G06N 3/04 (2006.01.01)
CPC G06N 3/08(2013.01) G06N 3/08(2013.01)
출원번호/일자 1020160147329 (2016.11.07)
출원인 한국과학기술원
등록번호/일자 10-1738825-0000 (2017.05.16)
공개번호/일자
공고번호/일자 (20170523) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 소멸
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2016.11.07)
심사청구항수 16

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 신진우 대한민국 대전광역시 유성구
2 정송 미국 대전광역시 유성구
3 이기민 대한민국 대전광역시 유성구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 양성보 대한민국 서울특별시 강남구 선릉로***길 ** (논현동) 삼성빌딩 *층(피앤티특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한국과학기술원 대한민국 대전광역시 유성구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2016.11.07 수리 (Accepted) 1-1-2016-1084295-77
2 직권정정안내서
Notification of Ex officio Correction		 2016.11.08 발송처리완료 (Completion of Transmission) 1-5-2016-0161363-83
3 [우선심사신청]심사청구(우선심사신청)서
[Request for Preferential Examination] Request for Examination (Request for Preferential Examination)		 2017.01.17 수리 (Accepted) 1-1-2017-0058427-64
4 [우선심사신청]선행기술조사의뢰서
[Request for Preferential Examination] Request for Prior Art Search		 2017.01.18 수리 (Accepted) 9-1-9999-9999999-89
5 [우선심사신청]선행기술조사보고서
[Request for Preferential Examination] Report of Prior Art Search		 2017.01.23 수리 (Accepted) 9-1-2017-0002182-81
6 의견제출통지서
Notification of reason for refusal		 2017.02.13 발송처리완료 (Completion of Transmission) 9-5-2017-0107594-55
7 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2017.04.10 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2017-0345957-05
8 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)		 2017.04.10 수리 (Accepted) 1-1-2017-0345956-59
9 등록결정서
Decision to grant		 2017.04.25 발송처리완료 (Completion of Transmission) 9-5-2017-0296287-20
10 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.04.24 수리 (Accepted) 4-1-2019-5081392-49
11 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2020.05.15 수리 (Accepted) 4-1-2020-5108396-12
12 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2020.06.12 수리 (Accepted) 4-1-2020-5131486-63
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
컴퓨터로 구현되는 학습 시스템에서 수행되는 학습 방법에 있어서,상기 학습 시스템의 프로세서가, 복수의 히든 레이어(hidden layer)를 포함하는 학습 모델로서 비연속적인 확률 뉴런(non-consecutive stochastic neural)을 가지는 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하는 단계; 및상기 프로세서가, 상기 NCSFNN을 학습시키는 단계를 포함하고,상기 구성하는 단계는,상기 복수의 히든 레이어 중 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 구성하고 마지막 레이어를 비확률 레이어로 구성하고,상기 확률 레이어는 수학식 1의 주변 분포(marginal distribution)을 가지는 이진 확률 벡터(binary random vector)로 정의되는 것을 특징으로 하는 학습 방법
2 2
제1항에 있어서,상기 구성하는 단계는,상기 NCSFNN의 마지막 레이어를 비확률 뉴런으로 구성하는 것을 특징으로 하는 학습 방법
3 3
제1항에 있어서,상기 구성하는 단계는,DNN(deep neural network)에서 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 대체함으로써 상기 NCSFNN을 구성하는 것을 특징으로 하는 학습 방법
4 4
삭제
5 5
제1항에 있어서,상기 구성하는 단계는,상기 확률 레이어의 출력에 연결되는 레이어를 결정 레이어(deterministic layer)로 구성하는 것을 특징으로 하는 학습 방법
6 6
삭제
7 7
컴퓨터로 구현되는 학습 시스템에서 수행되는 학습 방법에 있어서,상기 학습 시스템의 프로세서가, 복수의 히든 레이어(hidden layer)를 포함하는 학습 모델로서 비연속적인 확률 뉴런(non-consecutive stochastic neural)을 가지는 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하는 단계; 및상기 프로세서가, 상기 NCSFNN을 학습시키는 단계를 포함하고,상기 구성하는 단계는,상기 복수의 히든 레이어 중 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 구성하고 마지막 레이어를 비확률 레이어로 구성하고,상기 비확률 레이어는 수학식 2와 같은 결정 벡터(deterministic vector)로 정의되는 것을 특징으로 하는 학습 방법
8 8
제1항에 있어서,상기 학습시키는 단계는,지식 전파(knowledge transfer)와 그라디언트(gradient) 근사에 기반하여 상기 NCSFNN을 학습시키는 것을 특징으로 하는 학습 방법
9 9
제3항에 있어서,상기 학습시키는 단계는,상기 DNN의 파라미터를 이용하여 선형 변환(linear transformation)을 통해 상기 NCSFNN의 파라미터를 설정하는 단계를 포함하는 학습 방법
10 10
제3항에 있어서,상기 학습시키는 단계는,2단계 학습(two-stage learning) 방식으로서 상기 DNN을 학습하고 학습한 DNN의 파라미터를 이용하여 상기 NCSFNN의 파라미터를 설정한 후 상기 NCSFNN을 학습하는 것을 특징으로 하는 학습 방법
11 11
제1항에 있어서,상기 NCSFNN은 사물 인지나 음성 인식을 위한 지도 학습(supervised learning)에 이용되는 것을 특징으로 하는 학습 방법
12 12
컴퓨터로 구현되는 학습 시스템에서 수행되는 학습 방법에 있어서,상기 학습 시스템의 프로세서가, 복수의 히든 레이어(hidden layer)를 포함하는 DNN(deep neural network)에서 비연속적인(non-consecutive) 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 대체함으로써 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하는 단계; 및상기 프로세서가, 지식 전파(knowledge transfer)와 그라디언트(gradient) 근사에 기반하여 상기 NCSFNN을 학습시키는 단계를 포함하고,상기 구성하는 단계는,상기 복수의 히든 레이어 중 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 구성하고 마지막 레이어를 비확률 레이어로 구성하고,상기 확률 레이어는 수학식 3의 주변 분포(marginal distribution)을 가지는 이진 확률 벡터(binary random vector)로 정의되는 것을 특징으로 하는 학습 방법
13 13
컴퓨터로 구현되는 학습 시스템에서 수행되는 학습 방법에 있어서,상기 학습 시스템의 프로세서가, 복수의 히든 레이어(hidden layer)를 포함하는 DNN(deep neural network)에서 비연속적인(non-consecutive) 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 대체함으로써 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하는 단계; 및상기 프로세서가, 2단계 학습(two-stage learning) 방식으로서 상기 DNN을 학습하고 학습한 DNN의 파라미터를 이용하여 상기 NCSFNN의 파라미터를 설정한 후 상기 NCSFNN을 학습시키는 단계를 포함하고,상기 구성하는 단계는,상기 복수의 히든 레이어 중 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 구성하고 마지막 레이어를 비확률 레이어로 구성하고,상기 비확률 레이어는 수학식 4와 같은 결정 벡터(deterministic vector)로 정의되는 것을 특징으로 하는 학습 방법
14 14
삭제
15 15
제12항 또는 제13항에 있어서,상기 구성하는 단계는,상기 확률 레이어의 출력에 연결되는 레이어를 결정 레이어(deterministic layer)로 구성하는 것을 특징으로 하는 학습 방법
16 16
제12항 또는 제13항에 있어서,상기 NCSFNN은 사물 인지나 음성 인식을 위한 지도 학습(supervised learning)에 이용되는 것을 특징으로 하는 학습 방법
17 17
컴퓨터로 구현되는 학습 시스템에 있어서,상기 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,복수의 히든 레이어(hidden layer)를 포함하는 DNN(deep neural network)에서 비연속적인(non-consecutive) 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 대체함으로써 NCSFNN(non-consecutive stochastic feedforward neural network)를 구성하고,상기 적어도 하나의 프로세서는, 상기 NCSFNN을 구성하기 위해,상기 복수의 히든 레이어 중 적어도 하나의 레이어를 확률 레이어(stochastic layer)로 구성하고 마지막 레이어를 비확률 레이어로 구성하고,상기 확률 레이어는 수학식 5의 주변 분포(marginal distribution)을 가지는 이진 확률 벡터(binary random vector)로 정의되는 것을 특징으로 하는 학습 시스템
18 18
삭제
19 19
제17항에 있어서,상기 적어도 하나의 프로세서는,지식 전파(knowledge transfer)와 그라디언트(gradient) 근사에 기반하여 상기 NCSFNN을 학습시키되,2단계 학습(two-stage learning) 방식으로서 상기 DNN을 학습하고 학습한 DNN의 파라미터를 이용하여 상기 NCSFNN의 파라미터를 설정한 후 상기 NCSFNN을 학습시키는 것을 특징으로 하는 학습 시스템
20 20
제17항에 있어서,상기 적어도 하나의 프로세서는,상기 NCSFNN을 사물 인지나 음성 인식을 위한 지도 학습(supervised learning)에 이용하는 것을 특징으로 하는 학습 시스템
지정국 정보가 없습니다
순번, 패밀리번호, 국가코드, 국가명, 종류의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 패밀리정보 - 패밀리정보 표입니다.
순번 패밀리번호 국가코드 국가명 종류
1 US20180129930 US 미국 FAMILY

DOCDB 패밀리 정보

순번, 패밀리번호, 국가코드, 국가명, 종류의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 패밀리정보 - DOCDB 패밀리 정보 표입니다.
순번 패밀리번호 국가코드 국가명 종류
1 US2018129930 US 미국 DOCDBFAMILY
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 미래창조과학부 광운대학교 정보통신기술인력양성 지능형 ICT 국방 감시정찰/경계 시스템 개발