맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

예측 모델 생성 장치 및 방법

  • 기술번호 : KST2024000412
  • 담당센터 : 대구기술혁신센터
  • 전화번호 : 053-550-1450
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 본 발명은 과거의 데이터를 분석하여 미래에 발생할 상황에 대한 결과를 예측하는 예측 모델을 생성하기 위한 기술로서, 보다 상세하게는 사전 학습 데이터셋을 이용하여 생성된 사전 학습 모델의 마지막 출력 층을 초기화하고 나머지 파라미터는 고정한 후, 초기화된 출력층에 대해서만 타겟 학습 데이터셋을 이용해 추가 학습을 진행하는 전이학습을 수행하여 예측 모델을 생성하는 장치 및 방법에 관한 것이다.
Int. CL G06N 3/08 (2023.01.01) G06N 3/04 (2023.01.01) G06N 20/00 (2019.01.01) G01F 23/80 (2022.01.01)
CPC G06N 3/08(2013.01) G06N 3/049(2013.01) G06N 20/00(2013.01) G01F 23/80(2013.01)
출원번호/일자 1020220099977 (2022.08.10)
출원인 경북대학교 산학협력단
등록번호/일자 10-2614096-0000 (2023.12.11)
공개번호/일자
공고번호/일자 (20231215) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 국내출원/신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2022.08.10)
심사청구항수 2

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 경북대학교 산학협력단 대한민국 대구광역시 북구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 정진아 대구광역시 동구
2 정지호 대구광역시 북구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 윤귀상 대한민국 서울특별시 금천구 디지털로*길 ** ***호 (가산동, 한신IT타워*차)(디앤특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 경북대학교 산학협력단 대한민국 대구광역시 북구
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		 2022.08.10 수리 (Accepted) 1-1-2022-0837191-52
2 특허고객번호 정보변경(경정)신고서·정정신고서
 2022.12.16 수리 (Accepted) 4-1-2022-5299287-47
3 [우선심사신청]심사청구서·우선심사신청서
 2023.06.22 수리 (Accepted) 1-1-2023-0688919-77
4 의견제출통지서
Notification of reason for refusal		 2023.08.22 발송처리완료 (Completion of Transmission) 9-5-2023-0763312-14
5 [거절이유 등 통지에 따른 의견]의견서·답변서·소명서
 2023.10.05 수리 (Accepted) 1-1-2023-1093264-15
6 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2023.10.05 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2023-1093265-50
7 등록결정서
Decision to grant		 2023.12.05 발송처리완료 (Completion of Transmission) 9-5-2023-1096674-82
8 특허고객번호 정보변경(경정)신고서·정정신고서
 2024.01.03 수리 (Accepted) 4-1-2024-5008436-87
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
사전 학습 데이터셋을 이용하여 사전 학습 모델을 생성하는 사전 학습 모델 생성부와;타겟 데이터셋을 이용하여 타겟 학습 모델을 생성하되, 상기 사전 학습 모델의 일부를 초기화하고 초기화된 부분을 상기 타겟 데이터셋으로 추가 학습(FINE TUNING)하여 상기 타겟 학습 모델을 생성하는 타겟 학습 모델 생성부;를 포함하고,상기 사전 학습 모델은,업데이트 게이트와 리셋 게이트를 갖는 게이트 순환 유닛(GRU)이 복수 개 연결되어 스택 구조를 형성하는 순환 신경망; 및상기 순환 신경망의 출력층에 연결되는 완전연결 계층;을 포함하며,상기 순환 신경망은,실제 데이터와 예측 데이터의 편차의 제곱합을 데이터 크기로 나눠 평균으로 만드는 평균제곱오차 손실함수를 사용하되, 아담 옵티마이저를 적용하여 모델 학습 시 데이터의 실제 결과와 모델이 예측한 결과를 기반으로 손실함수를 감소시키며,상기 완전연결 계층은,상기 순환 신경망의 출력층과 동일한 개수의 뉴런으로 구성되는 입력층; 및지하수위 예측 값을 나타내는 1개의 뉴런으로 구성되는 출력층;을 포함하고,상기 사전 학습 데이터셋이 전국 관측소에서 시계열적으로 기록된 과거 지하수위 데이터와 강수량 데이터 셋이고,상기 타겟 데이터 셋은 타겟 관측소에서의 시계열적으로 기록된 과거 지하수위 데이터와 강수량 데이터 셋인 것을 특징으로 하며,상기 사전 학습 모델과 타겟 학습 모델은 과거 지하수위 데이터와 강수량 데이터가 입력되면 미래 지하수위가 예측되는 모델인 것을 특징으로 하고,상기 타겟 학습 모델 생성부에서 실행되는 추가 학습(FINE TUNING)은 상기 사전 학습 모델의 완전연결 계층만을 초기화하고, 나머지 부분의 가중치 파라미터는 그대로 유지하되, 상기 초기화된 완전연결 계층만을 상기 타겟 데이터 셋으로 학습하는 것을 특징으로 하는, 예측 모델 생성 장치
2 2
삭제
3 3
삭제
4 4
삭제
5 5
삭제
6 6
사전 학습 모델 생성부에서 사전 학습 데이터셋을 이용하여 사전 학습 모델을 생성하는 단계와;타겟 학습 모델 생성부에서 상기 사전 학습 모델의 일부를 초기화하는 단계와;타겟 학습 모델 생성부에서 상기 사전 학습 모델의 초기화된 부분을 타겟 데이터셋으로 추가 학습(FINE TUNING)하여 타겟 학습 모델을 생성하는 단계를 포함하며,상기 사전 학습 모델은,업데이트 게이트와 리셋 게이트를 갖는 게이트 순환 유닛(GRU)이 복수 개 연결되어 스택 구조를 형성하는 순환 신경망; 및상기 순환 신경망의 출력층에 연결되는 완전연결 계층;을 포함하며,상기 순환 신경망은,실제 데이터와 예측 데이터의 편차의 제곱합을 데이터 크기로 나눠 평균으로 만드는 평균제곱오차 손실함수를 사용하되, 아담 옵티마이저를 적용하여 모델 학습 시 데이터의 실제 결과와 모델이 예측한 결과를 기반으로 손실함수를 감소시키며,상기 완전연결 계층은,상기 순환 신경망의 출력층과 동일한 개수의 뉴런으로 구성되는 입력층; 및지하수위 예측 값을 나타내는 1개의 뉴런으로 구성되는 출력층;을 포함하고,상기 사전 학습 데이터셋이 전국 관측소에서 시계열적으로 기록된 과거 지하수위 데이터와 강수량 데이터 셋이고,상기 타겟 데이터 셋은 타겟 관측소에서의 시계열적으로 기록된 과거 지하수위 데이터와 강수량 데이터 셋인 것을 특징으로 하며,상기 사전 학습 모델과 타겟 학습 모델은 과거 지하수위 데이터와 강수량 데이터가 입력되면 미래 지하수위가 예측되는 모델인 것을 특징으로 하고,상기 사전 학습 모델의 초기화된 부분을 타겟 데이터셋으로 추가 학습(FINE TUNING)하여 타겟 학습 모델을 생성하는 단계에서,상기 추가 학습(FINE TUNING)은 상기 사전 학습 모델의 완전연결 계층만을 초기화하고, 나머지 부분의 가중치 파라미터는 그대로 유지하되, 상기 초기화된 완전연결 계층만을 상기 타겟 데이터 셋으로 학습하는 것을 특징으로 하는, 예측 모델 생성 방법
7 7
삭제
8 8
삭제
9 9
삭제
10 10
삭제
지정국 정보가 없습니다
패밀리정보가 없습니다
국가 R&D 정보가 없습니다.