1 |
1
불균형 데이터를 처리하도록 구성된 데이터 처리 장치에 있어서,복수의 학습 데이터 및 목표 데이터를 기반으로 기준 값을 연산하도록 구성된 전처리기; 및상기 복수의 학습 데이터를 제1 가중치 모델에 적용하여 제1 예측 데이터를 생성하고, 상기 목표 데이터 및 상기 기준 값 사이의 제1 거리 및 상기 목표 데이터 및 상기 제1 예측 데이터 사이의 제2 거리를 기반으로 손실 값을 연산하고, 상기 연산된 손실 값을 기반으로 상기 제1 가중치 모델을 갱신하도록 구성된 학습기를 포함하고,상기 복수의 학습 데이터 및 상기 목표 데이터는 분균형 분포를 갖는 데이터 처리 장치
|
2 |
2
제 1 항에 있어서,상기 기준 값은 상기 복수의 학습 데이터 및 상기 목표 데이터에 대한 최빈값, 중간값, 및 평균값 중 하나인 데이터 처리 장치
|
3 |
3
제 1 항에 있어서,상기 전처리기는:외부 학습 데이터베이스로부터의 데이터 세트에 대한 정규화 동작을 수행하여, 상기 복수의 학습 데이터 및 상기 목표 데이터를 생성하도록 구성된 정규화부;상기 복수의 학습 데이터 및 상기 목표 데이터를 기반으로 상기 기준 값을 연산하도록 구성된 기준 값 연산부; 및상기 목표 데이터 및 상기 기준 값을 기반으로 상기 제1 거리를 연산하도록 구성된 제1 거리 연산부를 포함하는 데이터 처리 장치
|
4 |
4
제 3 항에 있어서,상기 학습기는:외부 가중치 모델 데이터베이스로부터 상기 제1 가중치 모델을 생성하도록 구성된 제1 가중치 모델 생성부;상기 학습 데이터를 상기 제1 가중치 모델에 적용하여 상기 제1 예측 데이터를 연산하도록 구성된 제1 예측 연산부;상기 목표 데이터 및 상기 제1 예측 데이터를 기반으로 상기 제2 거리를 연산하도록 구성된 제2 거리 연산부;상기 제1 거리 및 상기 제2 거리를 기반으로 상기 손실 값을 연산하도록 구성된 손실 연산부; 및상기 손실 값을 기반으로 상기 제1 가중치 모델에 포함된 복수의 파라미터들 및 복수의 가중치들을 갱신하여 제2 가중치 모델을 생성하고, 상기 제2 가중치 모델을 상기 외부 가중치 데이터베이스에 저장하도록 구성된 모델 갱신부를 포함하는 데이터 처리 장치
|
5 |
5
제 4 항에 있어서,상기 정규화부는 외부 타겟 데이터베이스로부터의 데이터 세트에 대한 정규화 동작을 수행하여 복수의 입력 데이터를 생성하도록 더 구성되고,상기 데이터 처리 장치는:상기 복수의 입력 데이터를 상기 외부 가중치 모델 데이터베이스로부터의 가중치 모델에 적용하여 결과 데이터를 생성하도록 구성된 예측기를 더 포함하는 데이터 처리 장치
|
6 |
6
제 5 항에 있어서,상기 예측기는:상기 외부 가중치 데이터베이스로부터 상기 가중치 모델을 생성하도록 구성된 제2 가중치 모델 생성부;상기 복수의 입력 데이터를 상기 가중치 모델에 적용하여 결과 데이터를 연산하도록 구성된 제2 예측 연산부; 및상기 제2 예측 데이터에 대한 역정규화 동작을 수행하고, 상기 역정규화된 제2 예측 데이터를 외부 예측 결과 데이터베이스에 저장하도록 구성된 역정규화부를 포함하는 데이터 처리 장치
|
7 |
7
제 4 항에 있어서,상기 손실 연산부는 상기 제1 거리 및 상기 제2 거리에 기반된 손실 함수를 사용하여 상기 손실 값을 연산하는 데이터 처리 장치
|
8 |
8
제 1 항에 있어서,상기 제1 거리 또는 상기 제2 거리가 증가함에 따라 상기 손실 값이 증가하는 데이터 처리 장치
|
9 |
9
제 8 항에 있어서,상기 제1 거리가 제1 값인 경우에서 상기 제2 거리의 증가에 따른 상기 손실 값의 제1 증가량은 상기 제1 거리가 상기 제1 값보다 큰 제2 값인 경우에서 상기 제2 거리의 증가에 따른 상기 손실 값의 제2 증가량보다 작은 데이터 처리 장치
|
10 |
10
제 1 항에 있어서,상기 학습기는 상기 제1 거리를 기반으로 복수의 알고리즘들 중 하나를 선택하고, 상기 선택된 알고리즘을 사용하여 상기 제1 거리 및 상기 제2 거리를 기반으로 상기 손실 값을 연산하는 데이터 처리 장치
|
11 |
11
제 1 항에 있어서,상기 복수의 학습 데이터는 시계열 데이터인 데이터 처리 장치
|
12 |
12
불균형 데이터를 처리하도록 구성된 데이터 처리 장치의 동작 방법에 있어서,복수의 학습 데이터 및 목표 데이터를 기반으로 기준 값을 연산하는 단계;상기 목표 데이터 및 상기 기준 값 사이의 제1 거리를 연산하는 단계;외부 가중치 모델 데이터베이스로부터 생성된 제1 가중치 모델에 상기 복수의 학습 데이터를 적용하여 제1 예측 데이터를 생성하는 단계;상기 목표 데이터 및 상기 제1 예측 데이터 사이의 제2 거리를 연산하는 단계;상기 제1 거리 및 상기 제2 거리를 기반으로 손실 값을 연산하는 단계; 및상기 손실 값을 기반으로 상기 제1 가중치 모델을 갱신하여 제2 가중치 모델을 생성하고, 상기 제2 가중치 모델을 상기 외부 가중치 모델 데이터베이스에 저장하는 단계를 포함하는 동작 방법
|
13 |
13
제 12 항에 있어서,상기 제1 거리 또는 상기 제2 거리가 증가함에 따라 상기 손실 값이 증가하고,상기 제1 거리가 제1 값인 경우에서 상기 제2 거리에 따른 상기 손실 값의 제1 증가율은 상기 제1 거리가 상기 제1 값보다 큰 제2 값인 경우에서 상기 제2 거리에 따른 상기 손실 값의 제2 증가율보다 작은 동작 방법
|
14 |
14
제 12 항에 있어서,상기 제1 거리 또는 상기 제2 거리가 증가함에 따라 상기 손실 값이 증가하고,상기 제1 거리가 기준 거리보다 짧은 경우, 손실 값은 제1 알고리즘을 사용하여 상기 제1 거리 및 상기 제2 거리를 기반으로 연산되고, 상기 제1 거리가 상기 기준 거리보다 긴 경우, 상기 손실 값은 제2 알고리즘을 사용하여 상기 제1 거리 및 상기 제2 거리를 기반으로 연산되고,상기 제1 알고리즘에 의한 상기 제2 거리의 변화에 따른 상기 손실 값의 제1 변화율은 상기 제2 알고리즘에 의한 상기 제2 거리의 변화에 따른 상기 손실 값의 제2 변화율보다 작은 동작 방법
|
15 |
15
제 12 항에 있어서,상기 외부 가중치 모델 데이터베이스로부터 생성된 상기 제2 가중치 모델에 복수의 입력 데이터를 적용하여 제2 예측 데이터를 생성하는 단계를 더 포함하는 동작 방법
|