| 1 |
1
실험 디자인을 구성하는 요소를 수치화하는 단계; 수치화된 상기 실험 디자인을 구성하는 요소를 전달 받아 심층 신경망 기반의 생성 모델을 이용하여 실험의 특정 실험 변수들을 인코딩하는 단계; 및 인코딩된 상기 실험 변수들의 조합을 통해 사용자가 의도한 실험 변수의 조합으로 실험을 재구성하는 단계를 포함하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 2 |
2
제1항에 있어서,상기 심층 신경망 기반의 생성 모델을 이용하여 실험의 특정 실험 변수들을 인코딩하는 단계는, 실험의 독립 변수와 종속 변수 간의 모든 가능한 관계를 파악하도록 학습된 후, 각 개별 이벤트가 실험 여건에 기여하는 정도를 시각화하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 3 |
3
제1항에 있어서,상기 심층 신경망 기반의 생성 모델을 이용하여 실험의 특정 실험 변수들을 인코딩하는 단계는, 심층 합성곱 신경망(deep Convolutional Neural Network, CNN)을 기반으로 하는 가설 시각화 모듈(Hypothesis Visualization)로 구성되는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 4 |
4
제1항에 있어서,상기 인코딩된 상기 실험 변수들의 조합을 통해 사용자가 의도한 실험 변수의 조합으로 실험을 재구성하는 단계는, 상기 실험 변수를 인코딩하여 잠재 태스크 벡터(latent task vector)와 실제 실험 사이의 관계를 학습하며, 각각의 상기 실험 변수와 실제 실험 생성 사이의 관계를 파악하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 5 |
5
제1항에 있어서,상기 인코딩된 상기 실험 변수들의 조합을 통해 사용자가 의도한 실험 변수의 조합으로 실험을 재구성하는 단계는, 생성적 적대 신경망(Information Maximizing Generative Adversarial Networks, InfoGAN)을 기반으로 하는 가설 임베딩 모듈(Hypothesis Embedding, E-모듈)로 구성되는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 6 |
6
제1항에 있어서,상기 심층 신경망 기반의 생성 모델을 이용하여 실험의 특정 실험 변수들을 인코딩하는 단계는, 상기 가설 시각화 모듈의 마지막 출력의 이전 레이어(Layer)의 정보인 중간 결과물을 인코딩된 실험 변수로 사용하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 7 |
7
제6항에 있어서, 상기 인코딩된 상기 실험 변수들의 조합을 통해 사용자가 의도한 실험 변수의 조합으로 실험을 재구성하는 단계는, 상기 인코딩된 실험 변수를 입력 받아 실험을 생성하도록 학습하며, 상기 인코딩된 실험 변수와 실험 생성과의 상관관계를 고려하며 실험을 생성하도록 학습하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 방법
|
| 8 |
8
실험 디자인을 구성하는 요소를 수치화하는 전처리부; 및 수치화된 상기 실험 디자인을 구성하는 요소를 전달 받아 심층 신경망 기반의 생성 모델을 이용하여 실험의 특정 실험 변수들을 인코딩하는 실험 변수 인코딩부를 포함하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 9 |
9
제8항에 있어서,인코딩된 상기 실험 변수들의 조합을 통해 사용자가 의도한 실험 변수의 조합으로 실험을 재구성하는 실험 생성 모델부를 더 포함하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 10 |
10
제8항에 있어서,상기 실험 변수 인코딩부는, 실험의 독립 변수와 종속 변수 간의 모든 가능한 관계를 파악하도록 학습된 후, 각 개별 이벤트가 실험 여건에 기여하는 정도를 시각화하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 11 |
11
제8항에 있어서,상기 실험 변수 인코딩부는, 심층 합성곱 신경망(deep Convolutional Neural Network, CNN)을 기반으로 하는 가설 시각화 모듈(Hypothesis Visualization)로 구성되는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 12 |
12
제8항에 있어서,상기 실험 생성 모델부는, 상기 실험 변수를 인코딩하여 잠재 태스크 벡터(latent task vector)와 실제 실험 사이의 관계를 학습하며, 각각의 상기 실험 변수와 실제 실험 생성 사이의 관계를 파악하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 13 |
13
제9항에 있어서,상기 실험 생성 모델부는, 생성적 적대 신경망(Information Maximizing Generative Adversarial Networks, InfoGAN)을 기반으로 하는 가설 임베딩 모듈(Hypothesis Embedding, E-모듈)로 구성되는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 14 |
14
제9항에 있어서,상기 실험 변수 인코딩부는, 상기 가설 시각화 모듈의 마지막 출력의 이전 레이어(Layer)의 정보인 중간 결과물을 인코딩된 실험 변수로 사용하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
| 15 |
15
제14항에 있어서, 상기 실험 생성 모델부는, 상기 인코딩된 실험 변수를 입력 받아 실험을 생성하도록 학습하며, 상기 인코딩된 실험 변수와 실험 생성과의 상관관계를 고려하며 실험을 생성하도록 학습하는 것을 특징으로 하는, 생성모델을 이용한 실험 가설 생성 시스템
|
