1 |
1
신규 데이터를 수신하는 단계;적어도 하나의 기초 학습 데이터로부터 상기 기초 학습 데이터의 특성을 대표하는 적어도 하나의 시드 정보를 샘플링하여 입력 정보를 생성하고, 기초 학습 모델에 의해 상기 입력 정보에 대응하는 라벨 정보를 포함하는 표준 데이터를 생성하는 단계;상기 신규 데이터 및 상기 표준 데이터를 결합하여 적어도 하나의 전이 학습 데이터를 생성하는 단계; 및상기 전이 학습 데이터를 학습하여 전이 학습 모델을 생성하는 단계를 포함하는, 전이 학습 모델 생성 방법
|
2 |
2
제1 항에 있어서, 상기 표준 데이터를 생성하는 단계는적어도 하나의 상기 기초 학습 데이터를 이용하여 상기 기초 학습 모델을 학습하는 단계;적어도 하나의 상기 기초 학습 데이터의 분포를 학습하는 단계;적어도 하나의 특정 클래스에 위치된 상기 기초 학습 데이터를 기초하여, 상기 특정 클래스를 대표하는 시드 정보를 샘플링하는 단계;상기 시드 정보에 대응하는 상기 표준 데이터의 입력 정보를 생성하는 단계;상기 기초 학습 모델을 이용하여, 상기 표준 데이터의 입력 정보에 대응하는 라벨 정보를 생성하는 단계;상기 신규 데이터 및 상기 표준 데이터 각각의 라벨 정보를 서로 비교하는 단계; 및 상기 신규 데이터의 라벨 정보와 일치하지 않는 라벨 정보를 갖는 상기 표준 데이터를 추출하는 단계를 포함하는, 전이 학습 모델 생성 방법
|
3 |
3
제2 항에 있어서,상기 기초 학습 데이터의 분포를 학습하는 단계에서는 데이터 분포 모델에 의해 적어도 하나의 상기 기초 학습 데이터의 분류를 학습하는, 전이 학습 모델 생성 방법
|
4 |
4
제3 항에 있어서,상기 데이터 분포 모델은, 결정 트리(Decision Tree) 알고리즘, k-근접 이웃(KNN, K-Nearest Neighbor) 알고리즘, 다층 퍼셉트론(MLP, Multi-Layer Perceptron) 신경망 알고리즘, 딥러닝(Deep-Learning) 알고리즘, 서포트 벡터 머신(SVM, Support Vector Machine) 알고리즘, 에이다부스트(AdaBoost) 알고리즘, 랜덤 포레스트(RF, Random Forest) 알고리즘 또는 확률 그래프 모델(Probabilistic Graphical Models) 중 어느 하나를 이용하여 상기 기초 학습 데이터를 분류하는, 전이 학습 모델 생성 방법
|
5 |
5
제1 항에 있어서,상기 전이 학습 데이터를 생성하는 단계는 상기 신규 데이터 및 상기 추출된 표준 데이터의 개수 및 출력 정보 비중을 균등하게 조정하는 단계; 및조정된 상기 신규 데이터 및 상기 표준 데이터를 결합하여 상기 전이 학습 데이터를 생성하는 단계를 포함하는, 전이 학습 모델 생성 방법
|
6 |
6
제1 항에 있어서,상기 전이 학습 모델을 생성하는 단계 이후에 상기 신규 데이터가 발생될 경우, 상기 기초 학습 모델에 상기 생성된 전이 학습 모델을 대체 적용하여 상기 전이 학습 모델을 갱신하는 전이 학습 모델 생성 방법
|
7 |
7
메모리(memory); 및상기 메모리 내 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,상기 적어도 하나의 명령은,신규 데이터를 수신하도록 하는 명령,적어도 하나의 기초 학습 데이터로부터 상기 기초 학습 데이터의 특성을 대표하는 적어도 하나의 시드 정보를 샘플링하여 입력 정보를 생성하고, 기초 학습 모델에 의해 상기 입력 정보에 대응하는 라벨 정보를 포함하는 표준 데이터를 생성하도록 하는 명령,상기 신규 데이터 및 상기 표준 데이터를 결합하여 적어도 하나의 전이 학습 데이터를 생성하도록 하는 명령 및상기 전이 학습 데이터를 학습하여 전이 학습 모델을 생성하도록 하는 명령을 포함하는, 전이 학습 모델 생성 장치
|
8 |
8
제7 항에 있어서,상기 표준 데이터를 생성하도록 하는 명령은,적어도 하나의 상기 기초 학습 데이터를 이용하여 상기 기초 학습 모델을 학습하도록 하는 명령,적어도 하나의 상기 기초 학습 데이터의 분포를 학습하도록 하는 명령,적어도 하나의 특정 클래스에 위치된 상기 기초 학습 데이터를 기초하여, 상기 특정 클래스를 대표하는 시드 정보를 샘플링하도록 하는 명령,상기 시드 정보에 대응하는 상기 표준 데이터의 입력 정보를 생성하도록 하는 명령,상기 기초 학습 모델을 이용하여, 상기 표준 데이터의 입력 정보에 대응하는 라벨 정보를 생성하도록 하는 명령 및상기 신규 데이터 및 상기 표준 데이터 각각의 라벨 정보를 서로 비교하여 상기 표준 데이터를 생성하도록 하는 명령을 포함하는, 전이 학습 모델 생성 장치
|
9 |
9
제8 항에 있어서,상기 프로세서는, 데이터 분포 모델에 의해 적어도 하나의 상기 기초 학습 데이터의 분류를 학습하는, 전이 학습 모델 생성 장치
|
10 |
10
제9 항에 있어서,상기 데이터 분포 모델은, 결정 트리(Decision Tree) 알고리즘, k-근접 이웃(KNN, K-Nearest Neighbor) 알고리즘, 다층 퍼셉트론(MLP, Multi-Layer Perceptron) 신경망 알고리즘, 딥러닝(Deep-Learning) 알고리즘, 서포트 벡터 머신(SVM, Support Vector Machine) 알고리즘, 에이다부스트(AdaBoost) 알고리즘, 랜덤 포레스트(RF, Random Forest) 알고리즘 또는 확률 그래프 모델(Probabilistic Graphical Models) 중 어느 하나를 이용하여 상기 기초 학습 데이터를 분류하는, 전이 학습 모델 생성 장치
|
11 |
11
제7 항에 있어서,상기 전이 학습 데이터를 생성하도록 하는 명령은,상기 신규 데이터 및 상기 추출된 표준 데이터의 개수 및 출력 정보 비중을 균등하게 조정하도록 하는 명령 및조정된 상기 신규 데이터 및 상기 표준 데이터를 결합하여 상기 전이 학습 데이터를 생성하도록 하는 명령을 포함하는, 전이 학습 모델 생성 장치
|
12 |
12
제7 항에 있어서,상기 전이 학습 모델의 생성 이후에 상기 신규 데이터가 발생될 경우, 상기 기초 학습 모델에 상기 생성된 전이 학습 모델을 대체 적용하여 상기 전이 학습 모델을 갱신하는, 전이 학습 모델 생성 장치
|