JP2023090592A - ＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置及びＯＣＴ－ＧＡＮ方法 - Google Patents

ＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置及びＯＣＴ－ＧＡＮ方法 Download PDF

Info

Publication number
JP2023090592A
JP2023090592A JP2021215113A JP2021215113A JP2023090592A JP 2023090592 A JP2023090592 A JP 2023090592A JP 2021215113 A JP2021215113 A JP 2021215113A JP 2021215113 A JP2021215113 A JP 2021215113A JP 2023090592 A JP2023090592 A JP 2023090592A
Authority
JP
Japan
Prior art keywords
oct
node
gan
samples
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021215113A
Other languages
English (en)
Inventor
ノ ソン パク，
No Seong Park
ザ ヨン キム，
Ja Young Kim
ジン ソン ジョン，
Jin Sung Jeon
ジェ フン リ，
Jae Hoon Lee
ジ ヒョン ヒョン，
Ji Hyeon Hyeong
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Yonsei University
University Industry Foundation UIF of Yonsei University
Original Assignee
Industry Academic Cooperation Foundation of Yonsei University
University Industry Foundation UIF of Yonsei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industry Academic Cooperation Foundation of Yonsei University, University Industry Foundation UIF of Yonsei University filed Critical Industry Academic Cooperation Foundation of Yonsei University
Publication of JP2023090592A publication Critical patent/JP2023090592A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Machine Translation (AREA)

Abstract

【課題】ニューラルＯＤＥをベースとして敵対的生成ネットワークモデルを用いて、テーブルデータをさらに合成できるＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク装置及び方法を提供する。【解決手段】本発明によるＯＣＴ－ＧＡＮ装置は、離散カラム及び連続カラムで構成された表データを前処理する表データ前処理部と、前記前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプルを生成するＮＯＤＥベースの生成部と、前記前処理された表データのリアルサンプル又は前記フェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行するＮＯＤＥベースの判別部と、を備える。【選択図】 図５

Description

本発明は、データ合成技術に関し、特に、ニューラルＯＤＥをベースとして敵対的生成神経モデルを用いてテーブルデータをさらに合成できるＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク装置及び方法に関する。
多くのウェブベースの応用プログラムは、テーブルデータ（ｔａｂｕｌａｒ ｄａｔａ）を使用しており、多くのエンタプライズシステムは、関係型データベース管理システム（ｒｅｌａｔｉｏｎａｌ ｄａｔａｂａｓｅ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ）を使用している。
このような理由で、多くのウェブ指向研究は、テーブルデータに対する多様な作業に集中している。
すなわち、このような作業では、現実的な合成テーブルデータを生成することが非常に重要である。
合成データの活用度が合理的に高いとともに、リアルデータと充分に異なる場合、合成データを学習データとして使用できるようにし、多くのアプリケーションに大きな助けになり得る。
生成器（Ｇｅｎｅｒａｔｏｒ）と判別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）とで構成された敵対的生成ネットワーク（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ、ＧＡＮｓ）は、最も成功的な生成モデルの内の一つに該当する。
ＧＡＮは、イメージとテキストから表に至るまで多様な領域に拡張されている。
最近は、テーブルデータを合成するためにＴＧＡＮという「ｔａｂｕｌａｒ ＧＡＮ」が紹介された。
ＴＧＡＮは、モデル互換性（ｍｏｄｅｌ ｃｏｍｐａｔｉｂｉｌｉｔｙ）の側面で、テーブルの生成にあたって既存のＧＡＮの内、最先端の性能を提供することができる。
すなわち、合成（生成された）データで学習された機械学習モデルは、知られていない実際のテスト事例について合理的な正確度を提供することができる。
一方、テーブルデータは、不規則な分布と多重様式を有する場合が多く、既存の技術が効果的に動作しないことがある。
韓国特許出願公開第１０－２０２１－００９８３８１号公報
本発明は上記従来の敵対的生成ネットワークにおける問題点に鑑みてなされたものであって、本発明の目的は、ニューラルＯＤＥをベースとして敵対的生成ネットワークモデルを用いて、テーブルデータをさらに合成できるＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク装置及び方法を提供することにある。
上記目的を達成するためになされた本発明によるＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置は、離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する表データ前処理部と、前記前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成するＮＯＤＥ（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）ベースの生成部と、前記前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又は前記フェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行するＮＯＤＥベースの判別部と、を備えることを特徴とする。
前記表データ前処理部は、前記離散カラムにある離散値を、ワンホットベクトルに変換し、前記連続カラムにある連続値を、モード特定正規化を介して前処理することが好ましい。
前記表データ前処理部は、前記連続値それぞれにガウシアンミクスチャーを適用し、当該標準偏差で正規化して正規化値及びモード値を生成することが好ましい。
前記表データ前処理部は、前記ワンホットベクトル、前記正規化値及び前記モード値を併合して前記表データにあるローデータ（ｒａｗ ｄａｔａ）をモードベース情報に変換することが好ましい。
前記ＮＯＤＥベースの生成部は、前記条件ベクトルを条件分布から取得し、前記ノイズベクトルをガウシアン分布から取得して、前記条件ベクトルと前記ノイズベクトルとを併合し、前記フェイクサンプルを生成することが好ましい。
前記ＮＯＤＥベースの生成部は、前記条件ベクトルと前記ノイズベクトルとの併合ベクトルに対する位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）を実行し、リアルサンプルの分布に一致される範囲内で前記フェイクサンプルを生成することが好ましい。
前記ＮＯＤＥベースの判別部は、前記入力されたサンプルのフィーチャ抽出を実行し、前記フィーチャ抽出されたサンプルに対するＯＤＥ（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）演算を介して複数の連続軌跡を生成することが好ましい。
前記ＮＯＤＥベースの判別部は、前記複数の連続軌跡を併合して併合軌跡（ｈｘ）を生成し、前記併合軌跡を介して前記サンプルをリアル又はフェイクに分類することが好ましい。
上記目的を達成するためになされた本発明によるＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）方法は、離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する表データ前処理段階と、前記前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成するＮＯＤＥ（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）ベースの生成段階と、前記前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又は前記フェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行するＮＯＤＥベースの識別段階と、を有することを特徴とする。
前記表データ前処理段階は、前記離散カラムにある離散値をワンホットベクトルに変換し、前記連続カラムにある連続値をモード特定正規化を介して前処理する段階を含むことが好ましい。
前記ＮＯＤＥベースの生成段階は、前記条件ベクトルを条件分布から取得し、前記ノイズベクトルをガウシアン分布から取得し、前記条件ベクトルと前記ノイズベクトルとを併合して前記フェイクサンプルを生成する段階を含むことが好ましい。
前記ＮＯＤＥベースの生成段階は、前記条件ベクトルと前記ノイズベクトルとの併合ベクトルに対する位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）を実行し、リアルサンプルの分布に一致される範囲内で前記フェイクサンプルを生成する段階を含むことが好ましい。
前記ＮＯＤＥベースの判別段階は、前記入力されたサンプルのフィーチャ抽出を実行し、前記フィーチャ抽出されたサンプルに対するＯＤＥ（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）演算を介して複数の連続軌跡を生成する段階を含むことが好ましい。
本発明に係るＯＣＴ－ＧＡＮ装置及びＯＣＴ－ＧＡＮ方法によれば、次の効果を有することができる。
但し、特定の実施形態が次の効果を全て含まなければならないか、又は次の効果のみを含まなければならないという意味ではないので、開示された技術の権利範囲は、これによって制限されるものと理解されてはならない。
本発明に係るＯＣＴ－ＧＡＮ装置及びＯＣＴ－ＧＡＮ方法は、ニューラルＯＤＥをベースとして敵対的生成ネットワークモデルを用いてテーブルデータをさらに合成できる。
本発明の実施形態に係るＯＣＴ－ＧＡＮシステムを説明するための図である。 本発明の実施形態に係るＯＣＴ－ＧＡＮ装置の概略的なシステム構成を示すブロック図である。 本発明の実施形態に係るＯＣＴ－ＧＡＮ装置の機能的構成を説明するための図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法を説明するためのフローチャートである。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法の細部設計事項を説明する図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法の細部設計事項を説明するための図である。 ＮＯＤＥと本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法を説明するための図である。 本発明の実施形態に係る２段階の接近方法を説明するための図である。 本発明の実施形態に係るＯＣＴ－ＧＡＮの学習アルゴリズムを説明するための図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験結果を示す図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験結果を示す図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験結果を示す図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験結果を示す図である。 本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験結果を示す図である。
この発明は、下記の研究課題をもって支援を受けて出願された。
〔本発明を支援した国家研究開発事業〕
〔課題固有番号〕 １７１１１２６０８２
〔課題番号〕 ２０２０－０－０１３６１－００２
〔省庁名〕 科学技術情報通信部
〔課題管理（専門）機関名〕 情報通信企画評価院
〔研究事業名〕 情報通信放送革新人材養成（Ｒ＆Ｄ）
〔研究課題名〕 人工知能大学院支援（延世大学）
〔貢献率〕 １／１
〔課題遂行機関名〕 延世大学産学協力団
〔研究期間〕 ２０２１．０１．０１～２０２１．１２．３１
次に、本発明に係るＯＣＴ－ＧＡＮ装置及びＯＣＴ－ＧＡＮ方法を実施するための形態の具体例を図面を参照しながら説明する。
本発明に関する説明は、構造的乃至機能的説明のための実施形態に過ぎないので、本発明の権利範囲は、本文に説明された実施形態により制限されるものと解釈されてはならない。
すなわち、実施形態は、多様な変更が可能であり、様々な形態を有し得るので、本発明の権利範囲は、技術的思想を実現できる均等物を含むものと理解されなければならない。
また、本発明で提示された目的又は効果は、特定の実施形態がこれを全て含まなければならないか、又はそのような効果のみを含まなければならないという意味ではないので、本発明の権利範囲は、これによって制限されるものと理解されてはならない。
一方、本明細書で述べられる用語の意味は、次のように理解されなければならない。
「第１」、「第２」等の用語は、一つの構成要素を他の構成要素から区別するためのものであって、これらの用語により権利範囲が限定されてはならない。
例えば、第１構成要素は第２構成要素と名付けられてもよく、同様に第２構成要素も第１構成要素と名付けられてもよい。
ある構成要素が他の構成要素に「接続されて」いると言及された場合には、その他の構成要素に直接的に接続されていることもあるが、中間に他の構成要素が存在することもあると理解されなければならない。
反面、ある構成要素が他の構成要素に「直接接続されて」いると言及された場合には、中間に他の構成要素が存在しないものと理解されなければならない。
一方、構成要素間の関係を説明する他の表現、すなわち、「～の間に」と「すぐ～の間に」又は「～に隣り合う」と「～に直接隣り合う」等も同様に解釈されなければならない。
単数の表現は、文脈上明らかに異なる意味ではない限り、複数の表現を含むものと理解されなければならず、「含む」又は「有する」等の用語は、実施された特徴、数字、段階、動作、構成要素、部分品、又はこれらを組み合わせたものが存在するということを指定しようとするものであり、一つ又はそれ以上の異なる特徴や数字、段階、動作、構成要素、部分品、又はこれらを組み合わせたものの存在又は付加の可能性を予め排除しないものと理解されなければならない。
各段階において、判別符号（例えば、ａ、ｂ、ｃ等）は、説明の便宜のために使用されるものであって、判別符号は各段階の順序を説明するものではなく、各段階は、文脈上明らかに特定の順序を記載しない以上、明記された順序と異なって生じ得る。
すなわち、各段階は、明記された順序と同一に生じることもあり、実質的に同時に行われることもあり、反対の順序通り行われることもある。
本発明は、コンピュータが読み取ることができる記録媒体にコンピュータが読み取ることができるコードで実現することができ、コンピュータが読み取ることができる記録媒体は、コンピュータシステムにより読み取られるデータが格納される全ての種類の記録装置を含む。
コンピュータが読み取ることができる記録媒体の例としては、ＲＯＭ、ＲＡＭ、ＣＤ－ＲＯＭ、磁気テープ、フロッピーディスク（登録商標）、光データ格納装置等がある。
また、コンピュータが読み取ることができる記録媒体は、ネットワークで接続されたコンピュータシステムに分散され、分散方式でコンピュータが読み取ることができるコードが格納されて実行することができる。
ここで使用する全ての用語は、異なって定義されない限り、本発明が属する分野で通常の知識を有する者により一般的に理解されることと同じ意味を有する。
一般的に使用される辞書に定義されている用語は、関連技術の文脈上有する意味と一致するものと解釈されなければならず、本明細書で明らかに定義しない限り、理想的であるか、又は過度に形式的な意味を有するものと解釈できない。
ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）は、生成器（ｇｅｎｅｒａｔｏｒ）と判別器（ｄｉｓｃｒｉｍｉｎａｔｏｒ）の二つのニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）で構成される。
生成器と判別器は、２プレイゼロサム（ｔｗｏ－ｐｌａｙ ｚｅｒｏ－ｓｕｍ）のゲームを行うことができ、それぞれの平衡状態（ｅｑｕｉｌｉｂｒｉｕｍ ｓｔａｔｅ）は、理論的に定義される。
ここで、生成器は、最適の生成品質を達成することができ、判別器は、リアルサンプルとフェイクサンプルとの間の区別が不可能なことがある。
ＷＧＡＮとその変形は、これまで提案された多くのＧＡＮの中で、広く使用されている。
特に、ＷＧＡＮ－ＧＰは、最も成功的なモデルのうちの一つに該当し得、以下に示す数式１のように表現できる。
Figure 2023090592000002
ここで、ｐｚは、事前分布（ｐｒｉｏｒ ｄｉｓｔｒｉｂｕｔｉｏｎ）であり、ｐｘは、データ分布（ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｄａｔａ）であり、Ｇは、生成関数（ｇｅｎｅｒａｔｏｒ ｆｕｎｃｔｉｏｎ）であり、Ｄは、判別（又はＷａｓｓｅｒｓｔｅｉｎ ｃｒｉｔｉｃ）関数（ｄｉｓｃｒｉｍｉｎａｔｏｒ ｆｕｎｃｔｉｏｎ）であり、
Figure 2023090592000003
は、Ｇ（ｚ）とｘのランダム加重組み合わせ（ｒａｎｄｏｍｌｙ ｗｅｉｇｈｔｅｄ ｃｏｍｂｉｎａｔｉｏｎ）である。
判別器は、生成品質に対するフィードバックを提供することができる。
また、ｐｇは、ｐｚの関数Ｇ（ｚ）により誘導されたフェイクデータの分布で定義され、
Figure 2023090592000004
は、ランダム組み合わせの後に生成された分布で定義される。
一般的に、事前分布ｐｚに対してＮ（０，１）が使用できる。
各作業に特化された多くのＧＡＮモデルは、ＷＧＡＮ－ＧＰフレームワークに基づいて設計される。
判別器と生成器をそれぞれ学習するために、ＷＧＡＮ－ＧＰの損失関数（ｌｏｓｓ ｆｕｎｃｔｉｏｎ）を表示するＬＤ及びＬＧが使用できる。
また、条件付きＧＡＮ（Ｃｏｎｄｉｔｉｏｎａｌ ＧＡＮ、ＣＧＡＮ）は、ＧＡＮのよくある変形の内の一つであり得る。
条件付きＧＡＮ体系で、生成器Ｇ（ｚ，ｃ）にはノイズベクトル（ｎｏｉｓｙ ｖｅｃｔｏｒ）ｚと条件ベクトル（ｃｏｎｄｉｔｉｏｎ ｖｅｃｔｉｏｎ）ｃが提供される。
そのとき、条件ベクトルは、生成するクラスレーベルを示すワンホットベクトルに該当する。
テーブルにある列の結合確率分布（ｊｏｉｎｔ ｐｒｏｂａｂｉｌｉｔｙ ｄｉｓｔｒｉｂｕｔｉｏｎ）をモデリングして現実的な合成テーブルを生成するテーブルデータ合成（ｔａｂｕｌａｒ ｄａｔａ ｓｙｎｔｈｅｓｉｓ）は、データの類型に応じて多様な方法を含むことができる。
例えば、ベイジアンネットワーク（Ｂａｙｅｓｉａｎ ｎｅｔｗｏｒｋ）と決定ツリー（ｄｅｃｉｓｉｏｎ ｔｒｅｅ）は、離散型変数を生成するのに使用することができる。
ガウシアンコピュラ（Ｇａｕｓｓｉａｎ ｃｏｐｕｌａ）を使用したテーブルの再帰モデリングは、連続型変数を生成するのに使用することができる。
分解のための差分個人情報保護アルゴリズム（ｄｉｆｆｅｒｅｎｔｉａｌｌｙ ｐｒｉｖａｔｅ ａｌｇｏｒｉｔｈｍ）は、空間データを合成するのに使用することができる。
しかし、このようなモデルが有する分布類型（ｔｙｐｅ ｏｆ ｄｉｓｔｒｉｂｕｔｉｏｎ）及び計算問題（ｃｏｍｐｕｔａｔｉｏｎａｌ ｐｒｏｂｌｅｍ）のような一部の制約条件は、充実した（ｈｉｇｈ－ｆｉｄｅｌｉｔｙ）データ合成を阻害し得る。
最近数年で、ＧＡＮをベースとした様々なデータ生成方法が主に医療記録を処理するのに使用されるテーブルデータを合成する方法として紹介されている。
ＲＧＡＮは、連続的な時系列の医療記録を生成する反面、ＭｅｄＧＡＮ及びｃｏｒｒＧＡＮは、個別的な記録を生成することができる。
ＥｈｒＧＡＮは、制限された学習データを補強するために、半教師あり学習（ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）を使用して、そのようなレーベルが指定されたレコードを生成することができる。
ＰＡＴＥ－ＧＡＮは、原本データのプライバシーを脅かさないとともに、合成データを生成することができる。
ＴａｂｌｅＧＡＮは、レーベル列に対する予測正確度を最大化するために、畳み込みネットワークを使用してテーブルデータ合成を改善することができる。
ｈ（ｔ）は、ネットワークの時間（又は階層）ｔで隠れベクトル（ｈｉｄｄｅｎ ｖｅｃｔｏｒ）を出力する関数で定義されることができる。ニューラルＯＤＥ（Ｎｅｕｒａｌ ＯＥＤ、ＮＯＤＥ）でパラメータの集合を含むネットワークｆはθｆで表現することができ、
Figure 2023090592000005
で近似される。
また、ｈ（ｔｍ）は、
Figure 2023090592000006
で計算される。
このとき、
Figure 2023090592000007
である。
すなわち、隠れベクトル進化プロセス（ｈｉｄｄｅｎ ｖｅｃｔｏｒ ｅｖｏｌｕｔｉｏｎ ｐｒｏｃｅｓｓ）の内部力学（ｉｎｔｅｒｎａｌ ｄｙｎａｍｉｃｓ）は、θｆによりパラメータ化されたＯＤＥシステムで説明することができる。
ＮＯＤＥを使用する場合、ｔを連続的なものと解釈できるが、一般的なネットワークの場合には、離散的である。
従って、ＮＯＤＥでより柔軟な構成が可能であり、本発明で判別器にＯＤＥ階層を適用する主要な理由の内の一つであり得る。
積分問題
Figure 2023090592000008
を解決するために、ＮＯＤＥではＯＤＥソルバー（ＯＤＥ ｓｏｌｖｅｒ）を介して、積分を一連の足し算に変換できる。
「Ｄｏｒｍａｎｄ－Ｐｒｉｎｃｅ」（ＤＯＰＲＩ）方法は、最も強力な積分器（ｉｎｔｅｇｒａｔｏｒ）の内の一つに該当し、ＮＯＤＥで広く使用される。
ＤＯＰＲＩは、積分問題を解決するとともに、段階の大きさ（ｓｔｅｐ ｓｉｚｅ）を動的に制御することができる。
Figure 2023090592000009
を積分問題を解決した後、ＯＤＥにより生成されたｔ０からｔｍまでのマッピング（ｍａｐｐｉｎｇ）で定義される。
φｔは、位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）になる。
φｔは、連続的であり、全単射（ｂｉｊｅｃｔｉｖｅ）であり、
Figure 2023090592000010
も全てのｔ∈［０，Ｔ］に対して連続的である。
このとき、Ｔは、時間領域（ｔｉｍｅ ｄｏｍａｉｎ）の最後の時点である。
当該特性から次のような命題が導出できる。
すなわち、φｔの入力空間のトポロジーは出力空間に保存されるので、互いに交差する軌跡（ｔｒａｊｅｃｔｏｒｙ）は、ＮＯＤＥで示すことができない（図７の（ａ）参照）。
ＮＯＤＥは、トポロジーを維持しつつ、機械学習作業を実行し、敵対的攻撃に対する表現学習（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）の堅牢性（ｒｏｂｕｓｔｎｅｓｓ）を増加させる。
逆伝播方法（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｍｅｔｈｏｄ）の代わりに隣接敏感度方法（ａｄｊｏｉｎｔ ｓｅｎｓｉｔｉｖｉｔｙ ｍｅｔｈｏｄ）がＮＯＤＥの効率性と理論的正確性を訓練するのに使用できる。
作業特化された損失（ｔａｓｋ－ｓｐｅｃｉｆｉｃ ｌｏｓｓ）Ｌに対して
Figure 2023090592000011
を定義した後、以下に示す数式２のように他の逆モード積分（ｒｅｖｅｒｓｅ－ｍｏｄｅ ｉｎｔｅｇｒａｌ）を使用し、損失ｗ．ｒ．ｔモデルのパラメータの勾配（ｇｒａｄｉｅｎｔ）が計算できる。
Figure 2023090592000012
Figure 2023090592000013
も同様の方式で計算されることができ、ＯＤＥよりも先にレイヤに勾配を逆方向に伝播することができる（もしある場合）。
隣接敏感度方法の空間複雑度（ｓｐａｃｅ ｃｏｍｐｌｅｘｉｔｙ）は、Ｏ（１）である反面、ＮＯＤＥを学習するために逆伝播を使用することは、ＤＯＰＲＩ段階の数に比例する空間複雑度を有する。
時間複雑度（ｔｉｍｅ ｃｏｍｐｌｅｘｉｔｙ）は互いに類似するか、隣接敏感度方法が逆伝播方法よりももう少し効率的である。
従って、ＮＯＤＥを効果的に学習させることができる。
以下、図１乃至９を参照して、本発明の実施形態に係るＯＣＴ－ＧＡＮ装置及び方法についてより詳しく説明する。
図１は、本発明の実施形態に係るＯＣＴ－ＧＡＮシステムを説明するための図である。
図１を参照すると、ＯＣＴ－ＧＡＮシステム１００は、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワークの方法を実行するように実現する。
このため、ＯＣＴ－ＧＡＮシステム１００は、ユーザ端末１１０、ＯＣＴ－ＧＡＮ装置１３０及びデータベース１５０を含む。
ユーザ端末１１０は、ユーザにより運用される端末装置に該当する。
例えば、ユーザは、ユーザ端末１１０を介してデータの生成及び学習に関する動作を処理する。
本発明の実施形態において、ユーザは、一つ以上のユーザと理解され、複数のユーザは、一つ以上のユーザグループに区分され得る。
また、ユーザ端末１１０は、ＯＣＴ－ＧＡＮシステム１００を構成する一つの装置であって、ＯＣＴ－ＧＡＮ装置１３０と連動して動作するコンピューティング装置に該当する。
例えば、ユーザ端末１１０は、ＯＣＴ－ＧＡＮ装置１３０と接続され、動作可能なスマートフォン、ラップトップ又はコンピュータで実現され得るが、必ずしもこれに限定されるのではなく、タブレットＰＣ等を含めて多様なデバイスでも実現することができる。
また、ユーザ端末１１０は、ＯＣＴ－ＧＡＮ装置１３０と連動するための専用プログラム又はアプリケーション（又はアプリ、ａｐｐ）を設置して実行することができる。
ＯＣＴ－ＧＡＮ装置１３０は、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワークの方法を実行するコンピュータ又はプログラムに該当するサーバで実現され得る。
また、ＯＣＴ－ＧＡＮ装置１３０は、ユーザ端末１１０と有線ネットワーク又はブルートゥース（登録商標）、ＷｉＦｉ、ＬＴＥ等のような無線ネットワークで接続され得、ネットワークを介してユーザ端末１１０とデータを送・受信する。
さらに、ＯＣＴ－ＧＡＮ装置１３０は、関連動作を実行するために、独立した外部システム（図１に図示していない）と接続されて動作するように実現される。
一方、図５は、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法、すなわち、ＯＣＴ－ＧＡＮ（ＮＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ ＧＡＮ）に関する細部設計事項を示している。
すなわち、ＮＯＤＥでネットワークｆは、ｄｈ（ｔ）／ｄｔを近似するために常微分方程式（ｏｒｄｉｎａｒｙ ｄｉｆｆｅｒｅｎｔｉａｌ ｅｑｕａｔｉｏｎｓ）システムを学習する。
このとき、ｈ（ｔ）は、時間（又は階層）ｔで隠れベクトルである。
従って、サンプルｘ（すなわち、テーブルの行又はレコード）が与えられると、積分問題、すなわち、
Figure 2023090592000014
であり、θｆはｆに対して学習するパラメータの集合である。
ＮＯＤＥは、積分問題を足し算の様々な段階に変換し、このような段階、すなわち、｛ｈ（ｔ０），ｈ（ｔ１），（ｔ２），．．．， ｈ（ｔｍ）｝で軌跡を抽出する。
学習可能なＯＤＥが装着された本発明の実施形態に係る判別器は、抽出された進化軌跡（ｅｖｏｌｕｔｉｏｎ ｔｒａｊｅｃｔｏｒｙ）を使用し、リアルサンプルと合成サンプルを区別する（他のネットワークは、最後の隠れベクトルのみ使用する（例えば、前記の場合、ｈ（ｔｍ））。
本発明に係る軌跡ベースの分類は、判別器に重要な自由（ｎｏｎ－ｔｒｉｖｉａｌ ｆｒｅｅｄｏｍ）を提供し、生成器によりよいフィードバックを提供する。
本発明に係る方法の追加核心部分は、軌跡を抽出するために全てのｉに対して当該時点ｔｉを決定する方法であり得る。
本発明に係る方法の場合、モデルがデータで学習するようにできる。
データベース１５０は、ＯＣＴ－ＧＡＮ装置１３０の動作過程で必要な多様な情報を格納する格納装置に該当する。
例えば、データベース１５０は、学習過程に使用される学習データに関する情報を格納することができ、学習のためのモデルや学習アルゴリズムに関する情報を格納することができるが、必ずしもこれに限定されるわけではなく、ＯＣＴ－ＧＡＮ装置１３０が本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法を実行する過程で、多様な形態で収集又は加工された情報を格納することができる。
一方、図１において、データベース１５０はＯＣＴ－ＧＡＮ装置１３０と独立的な装置として示しているが、必ずしもこれに限定されるわけではなく、論理的な格納装置としてＯＣＴ－ＧＡＮ装置１３０に含まれて実現できるのは勿論である。
図２は、本発明の実施形態に係るＯＣＴ－ＧＡＮ装置のシステム構成を説明する図である。
図２を参照すると、ＯＣＴ－ＧＡＮ装置１３０は、プロセッサ２１０、メモリ２３０、ユーザ入出力部２５０、及びネットワーク入出力部２７０を含む。
プロセッサ２１０は、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワークのプロシージャを実行することができ、このような過程で読まれたり、作成されるメモリ２３０を管理し、メモリ２３０にある揮発性メモリと不揮発性メモリとの間の同期化時間をスケジュールする。
プロセッサ２１０は、ＯＣＴ－ＧＡＮ装置１３０の動作全般を制御し、メモリ２３０、ユーザ入出力部２５０、及びネットワーク入出力部２７０と電気的に接続され、これらの間のデータフローを制御する。
プロセッサ２１０は、ＯＣＴ－ＧＡＮ装置１３０のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）で実現される。
メモリ２３０は、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｉｓｋ）又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）のような不揮発性メモリで実現され、ＯＣＴ－ＧＡＮ装置１３０に必要なデータ全般を格納するのに使用される補助記憶装置を含み、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のような揮発性メモリで実現された主記憶装置を含む。
また、メモリ２３０は、電気的に接続されたプロセッサ２１０により実行されることによって、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法を実行するコマンドの集合を格納する。
ユーザ入出力部２５０は、ユーザ入力を受信するための環境及びユーザに特定情報を出力するための環境を含み、例えば、タッチパッド、タッチスクリーン、画像キーボード又はポインティング装置のようなアダプタを含む入力装置及びモニター又はタッチスクリーンのようなアダプタを含む出力装置を含み得る。
一実施形態において、ユーザ入出力部２５０は、リモートアクセスを介してアクセスされるコンピューティング装置に該当し、そのような場合、ＯＣＴ－ＧＡＮ装置１３０は、独立的なサーバとして実行され得る。
ネットワーク入出力部２７０は、ネットワークを介してユーザ端末１１０と接続されるための通信環境を提供し、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）及びＶＡＮ（Ｖａｌｕｅ Ａｄｄｅｄ Ｎｅｔｗｏｒｋ）などの通信のためのアダプタを含み得る。
また、ネットワーク入出力部２７０は、データの無線送信のためにＷｉＦｉ、ブルートゥース（登録商標）などの近距離通信機能や４Ｇ以上の無線通信機能を提供するように実現される。
図３は、本発明の実施形態に係るＯＣＴ－ＧＡＮ装置の機能的構成を説明するための図である。
図３を参照すると、ＯＣＴ－ＧＡＮ装置１３０は、表データ前処理部３１０、ＮＯＤＥベースの生成部３３０、ＮＯＤＥベースの判別部３５０、及び制御部３７０を含む。
ＯＣＴ－ＧＡＮ装置１３０は、ＮＯＤＥベースの生成部３３０とＮＯＤＥベースの判別部３５０に対してＯＤＥ階層を適用する。
これを介して、ＯＣＴ－ＧＡＮ装置１３０は、判別部３５０を介して時間（又は階層）ｔをＯＤＥ階層で連続的なものと解釈できる。
また、ＯＣＴ－ＧＡＮ装置１３０は、分類性能を向上させる最適の時点を見つけて軌跡ベースの分類（ｔｒａｊｅｃｔｏｒｙ－ｂａｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を実行することもできる。
また、ＯＣＴ－ＧＡＮ装置１３０は、生成部３３０を介してＮＯＤＥの位相同型特性（ｈｏｍｅｏｍｏｒｐｈｉｃ ｃｈａｒａｃｔｅｒｉｓｔｉｃ）を用いて、初期潜在空間（ｉｎｉｔｉａｌ ｌａｔｅｎｔ ｓｐａｃｅ）の（意味論的）トポロジーを維持しつつ、
Figure 2023090592000015
を他の潜在空間に変換できる。
ｉ）テーブルデータ（ｔａｂｕｌａｒ ｄａｔａ）は、データの分布が不規則的であり、直接キャプチャーし難いことがあり、
ｉｉ）適切な潜在空間を見付けることによって、生成器がよりよいサンプルを生成することができる点で、ＯＣＴ－ＧＡＮ装置１３０は利点を有する。
また、ＯＣＴ－ＧＡＮ装置１３０は、与えられた固定条件（ｆｉｘｅｄ ｃｏｎｄｉｔｉｏｎ）でノイズベクトルを補間する作業を円滑に行うことができる。
従って、ＯＣＴ－ＧＡＮ装置１３０で実行される全体生成プロセスは、図８のように次の２段階に分離される。
１）（潜在的にリアルデータ分布に近いように）入力空間のトポロジーを維持しつつ、初期の入力空間を他の潜在空間に変換する段階、及び
２）残りの生成プロセスは、リアルデータ分布（ｒｅａｌ ｄａｔａ ｄｉｓｔｒｉｂｕｔｉｏｎ）と一致するフェイク分布（ｆａｋｅ ｄｉｓｔｒｉｂｕｔｉｏｎ）を見付ける段階。
表データ前処理部３１０は、離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する。
より具体的には、表データ（又はテーブルデータ）は、２つの類型のカラムを含む。
すなわち、２つの類型のカラムは、離散カラム（ｄｉｓｃｒｅｔｅ ｃｏｌｕｍｎ）と連続カラム（ｃｏｎｔｉｎｕｏｕｓ ｃｏｌｕｍｎ）である。
そのとき、離散カラムは
Figure 2023090592000016
、連続カラムは
Figure 2023090592000017
で表現される。
一実施形態において、表データ前処理部３１０は、離散カラムにある離散値（ｄｉｓｃｒｅｔｅ ｖａｌｕｅ）をワンホットベクトル（ｏｎｅ－ｈｏｔ ｖｅｃｔｏｒ）に変換し、連続カラムにある連続値（ｃｏｎｔｉｎｕｏｕｓ ｖａｌｕｅ）をモード特定正規化（ｍｏｄｅ－ｓｐｅｃｉｆｉｃ ｎｏｒｍａｌｉｚａｔｉｏｎ）を介して前処理する。
一方、テーブルデータを生成するＧＡＮは、時々モード崩壊（ｍｏｄｅ ｃｏｌｌａｐｓｅ）と不規則なデータ分布（ｉｒｒｅｇｕｌａｒ ｄａｔａ ｄｉｓｔｒｉｂｕｔｉｏｎ）により、希望の結果を導出し難いことがある。
そのとき、学習前にモードを特定することによって、モード特定正規化が当該問題を緩和することができる。
ｉ番目の原本サンプル（ｒａｗ ｓａｍｐｌｅ）ｒｉ（表データの行又はレコード）は、
Figure 2023090592000018
のように表現され、ここで、ｄｉ，ｊ（又はｃｉ，ｊ）は、カラムＤｊ（又はカラムＣｊ）の値である。
一実施形態において、表データ前処理部３１０は、次の３段階を介して原本サンプル（ｒａｗ ｓａｍｐｌｅ）ｒｉはｘｉで前処理される。
特に、表データ前処理部３１０は、連続値のそれぞれにガウシアンミクスチャーを適用し、当該標準偏差で正規化して正規化値及びモード値を生成し、ワンホットベクトル、正規化値、及びモード値を併合して、表データにあるローデータ（ｒａｗ ｄａｔａ）をモードベース情報に変換する。
より具体的には、第１段階で、各離散値
Figure 2023090592000019
は、ワンホットベクトル
Figure 2023090592000020
に変換される。
また、第２段階で、変分ガウシアンミクスチャー（Ｖａｒｉａｔｉｏｎａｌ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ：ＶＧＭ）モデルを介して、各連続カラムＣｊは、ガウシアンミクスチャーに適合（ｆｉｔ）する。
この場合、適合されたガウシアンミクスチャーは、
Figure 2023090592000021
である。
ここで、ｎｊは、Ｃｊカラムにモードの個数（すなわち、ガウシアン分布の個数）であり、ｗｊ，ｋ、μｊ，ｋ及びσｊ，ｋは、ｋ番目のガウシアン分布の適合加重値（ｆｉｔｔｅｄ ｗｅｉｇｈｔ）、平均（ｍｅａｎ）及び標準偏差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）である。
また、第３段階で、
Figure 2023090592000022
の確率でｃｉ，ｊに対する適切なモードｋがサンプリングできる。
その後、ｃｉ，ｊを適合された標準偏差でモードｋで正規化し、正規化された値αｉ，ｊとモード情報βｉ，ｊが格納できる。
例えば、４個のモードが存在し、３番目のモードであるｋ＝３を選択した場合、αｉ，ｊは
Figure 2023090592000023
であり、βｉ，ｊは［０，０，１，０］である。
結果として、ｒｉは、以下に示す数式３のように表現されるｘｉに変換される。
Figure 2023090592000024
このとき、ｘｉでｒｉのモードベースの細部情報が特定できる。
ＯＣＴ－ＧＡＮ装置１３０の判別部３５０と生成部３３０は、モードに対する明確性（ｃｌａｒｉｆｉｃａｔｉｏｎ）のためにｒｉの代わりにｘｉを使用する。
しかし、ｘｉは、ガウシアンミクスチャーの適合されたパラメータを使用して生成された後、ｒｉに容易に変更される。
ＮＯＤＥベースの生成部３３０は、前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成する。
すなわち、ＯＣＴ－ＧＡＮ装置１３０は、条件付きＧＡＮを実現することができる。
このとき、条件ベクトルは、
Figure 2023090592000025
のように定義され、ｃｉは零ベクトルであるか、又はｉ番目の離散カラムの任意のワンホットベクトルである。
また、ＮＯＤＥベースの生成部３３０は、ランダムにｓ∈｛１，２，．．．，ＮＤ｝を決定することができ、ｃｓのみ任意のワンホットベクトルであり、他の全てのｉ≠ｓに対してｃｉは零ベクトルである。
すなわち、ＮＯＤＥベースの生成部３３０は、ｓ番目の離散カラムで離散値を特定することができる。
ＮＯＤＥベースの生成部３３０は、初期入力
Figure 2023090592000026
が与えられると、ＯＤＥ階層に入力して他の潜在ベクトルに変換できる。
このとき、変形されたベクトルはｚ’で表現される。
ＮＯＤＥベースの生成部３３０は、当該変換のために、以下に示す数式４のように表現され、判別器のＯＤＥ階層と独立的なＯＤＥ階層を使用することができる。
Figure 2023090592000027
このとき、積分時間（ｉｎｔｅｇｒａｌ ｔｉｍｅ）は、［０，１］に固定されることができる。
すなわち、
Figure 2023090592000028
で定義することによって、Ｇを含む［０，ｗ］、ｗ＞０での全てのＯＤＥはｇ’を使用する単位時間積分（ｕｎｉｔ－ｔｉｍｅ ｉｎｔｅｇｒａｌ）で縮小される。
一実施形態において、ＮＯＤＥベースの生成部３３０は、条件ベクトルを条件分布から取得し、ノイズベクトルをガウシアン分布から取得し、条件ベクトルとノイズベクトルとを併合してフェイクサンプルを生成する。
一実施形態において、ＮＯＤＥベースの生成部３３０は、条件ベクトルとノイズベクトルとの併合ベクトルに対する位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）を実行し、リアルサンプルの分布に一致する範囲内でフェイクサンプルを生成する。
まず、ＯＤＥは位相同型マッピングに該当する。
また、ＧＡＮは、一般的に準最適（ｓｕｂ－ｏｐｔｉｍａｌ）と知られているガウシアン分布でサンプリングされたノイズベクトルを使用する。
従って、所定の変換が必要なことがある。
グロンウォールの不等式（Ｇｒｏｎｗａｌｌ－Ｂｅｌｌｍａｎ ｉｎｅｑｕａｌｉｔｙ）は、ＯＤＥφｔと２個の初期状態ｐ１（０）＝ｘ及びｐ２（０）＝ｘ＋δが与えられると、
Figure 2023090592000029
を満たす定数τが存在する。
すなわち、小さいδを有する２個の類似する入力ベクトルが
Figure 2023090592000030
の境界内で互いに近くマッピングされる。
また、ＮＯＤＥベースの生成部３３０は、中間時点でｚ’を抽出しないことによって、生成器のＯＤＥを介して位相同型マッピングを学習する。
従って、ＮＯＤＥベースの生成部３３０は、初期入力ベクトル空間のトポロジーを維持する。
初期入力ベクトルｐ（０）は、生成する項目（例えば、条件）に対する重要な情報（ｎｏｎ－ｔｒｉｖｉａｌ ｉｎｆｏｒｍａｔｉｏｎ）を含むことができるので、ＮＯＤＥベースの生成部３３０は、初期入力ベクトル間の関係を維持しつつ、初期入力ベクトルを生成に適した他の潜在ベクトル空間に変換できる。
図８は、
ｉ）ＯＤＥ階層が初期入力分布とリアルデータ分布との間の均衡分布を見付け、
ｉｉ）次の手順でリアルのようなフェイクサンプルを生成する２段階の接近方式の一実施形態を示している。
特に、本発明の実施形態に係る変換は、合成サンプル（ｓｙｎｔｈｅｔｉｃ ｓａｍｐｌｅ）の補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）を柔らかにすることができる。
すなわち、２個の類似する初期入力が与えられると、２個の類似する合成サンプルが本発明の実施形態に係る生成器により生成される。
ＮＯＤＥベースの生成部３３０は、最適の変換学習機能を備えた生成器を実現することができ、以下に示す数式５のように表現され得る。
Figure 2023090592000031
ここで、Ｔａｎｈは、双曲線タンジェント（ｈｙｐｅｒｂｏｌｉｃ ｔａｎｇｅｎｔ）であり、Ｇｕｍｂｅｌは、ワンホットベクトルを生成するためのガンベルソフトマックス（Ｇｕｍｂｅｌ－ｓｏｆｔｍａｘ）である。
ＯＤＥ関数ｇ（ｐ（ｔ），ｔ；θｇ）は、以下に示す数式６のように定義される。
Figure 2023090592000032
 ここで、
Figure 2023090592000033
である。
ＮＯＤＥベースの生成部３３０は、離散カラムに離散値を条件として指定する。
従って、
Figure 2023090592000034
が必要であり、マッチングを適用するために
Figure 2023090592000035
で表現される交差エントロピー損失（ｃｒｏｓｓ ｅｎｔｒｏｐｙ ｌｏｓｓ）が使用できる。
別の例として、ＮＯＤＥベースの生成部３３０は、ｃｓを
Figure 2023090592000036
にコピーできる。
ＮＯＤＥベースの判別部３５０は、前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又はフェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行する。
すなわち、ＮＯＤＥベースの判別部３５０は、入力サンプルｘがリアルなのか、フェイクなのか予測する際に、ｔ∈［０，ｔｍ］であるｈ（ｔ）の軌跡（ｔｒａｊｅｃｔｏｒｙ）を考慮することができる。
ＮＯＤＥベースの判別部３５０は、与えられた（前処理された又は生成された）サンプルｘに対してＤ（ｘ）を出力するＯＤＥベースの判別器で実現され、以下に示す数式７のように表現される。
Figure 2023090592000037
ここで、
Figure 2023090592000038
は、接続演算子（ｃｏｎｃａｔｅｎａｔｉｏｎ ｏｐｅｒａｔｉｏｒ）であり、Ｌｅａｋｙは「ｌｅａｋｙ ＲｅＬＵ」であり、Ｄｒｏｐはドロップアウト（ｄｒｏｐｏｕｔ）であり、ＦＣは完全接続階層（Ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）である。
ＯＤＥ関数ｆ（ｈ（ｔ），ｔ；θｆ）は、以下に示す数式８のように表現されることができる。
Figure 2023090592000039
 ここで、ＢＮはバッチ正規化（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ）であり、ＲｅＬＵは修正された線形ユニット（ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔ）である。
一実施形態において、ＮＯＤＥベースの判別部３５０は、入力されたサンプルのフィーチャ抽出を実行し、フィーチャ抽出されたサンプルに対するＯＤＥ（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）演算を介して複数の連続軌跡を生成する。
ｈ（ｔ）の軌跡（ｔｒａｊｅｃｔｏｒｙ）は、ＮＯＤＥで連続的（ｃｏｎｔｉｎｕｏｕｓ）であり得る。
しかし、ＧＡＮに対する学習過程で連続軌跡を考慮することは難しいことがある。
従って、ｈ（ｔ）の軌跡を離散化（ｄｉｓｃｒｅｔｉｚｅ）するために、ｔ１、ｔ２、．．．、ｔｍが学習でき、ｍは、当該モデルでハイパーパラメータに該当する。
また、前記数式７において、ｈ（ｔ１）、ｈ（ｔ２）、．．．、ｈ（ｔｍ）は、同一のパラメータθｆを共有することができ、ＯＤＥの単一システムを構成するが、離散化のために分離される。
Figure 2023090592000040
である場合、全てのｉに対してｔｉを学習させるために、次のグラディエント定義（隣接敏感度方法から派生する）が使用できる。
すなわち、ｔｍに対する損失Ｌのグラディエントは、以下に示す数式９のように表現される。
Figure 2023090592000041
上記のような理由で、
Figure 2023090592000042
であり、ｉ＜ｍである。
しかし、空間複雑度（ｓｐａｃｅ ｃｏｍｐｌｅｘｉｔｙ）のために中間隣接状態（ｉｎｔｅｒｍｅｄｉａｔｅ ａｄｊｏｉｎｔ ｓｔａｔｅ）を格納し、以下に示す数式１０のように逆モード積分（ｒｅｖｅｒｓｅ－ｍｏｄｅ ｉｎｔｅｇｒａｌ）でグラディエントを計算する動作は必要ではないことがある。
Figure 2023090592000043
ＮＯＤＥベースの判別部３５０は、一つの隣接状態ａｈ（ｔｍ）のみ格納し、両関数ｆ及びａｈ（ｔ）に基づいて
Figure 2023090592000044
を計算することができる。
一実施形態において、ＮＯＤＥベースの判別部３５０は、複数の連続軌跡を併合して併合軌跡（ｈｘ）を生成し、併合軌跡を介してサンプルをリアル又はフェイクに分類できる。
一般的な場合、分類のために最後の隠れベクトルｈ（ｔｍ）を使用する反面、ＮＯＤＥベースの判別部３５０は分類のために全体軌跡を使用する。
最後の隠れベクトルのみ使用する場合、分類に必要な全ての情報が正しくキャプチャーされる必要がある。
しかし、ＮＯＤＥベースの判別部３５０は、２個の類似する最後の隠れベクトルであっても、中間軌跡が少なくともｔ値で異なる場合であれば、容易に区別できる。
また、ＮＯＤＥベースの判別部３５０は、軌跡を区別する核心時点（ｋｅｙ ｔｉｍｅ）を見つけることによって、効率性をさらに向上させるようにｔｉを学習することができる。
一般的なネットワークの場合、当該レイヤの構成が離散的であるため、ｔｉに対する学習が不可能なことがある。
図７の（ｂ）は、学習可能な中間時点を有するＮＯＤＥベースの判別器のみが正しく分類できることを示し、図７の（ｃ）は、ＮＯＤＥの制限された学習表現の問題を解決することができることを示す。
より具体的には、図７の（ｂ）で、ｔ０からｔｍまでの２個の赤／青の軌跡がｔｉの周囲を除いていずれも似ていると仮定すれば、区別される時点を学習するため、本発明に係る軌跡ベースの分類は、これを正確に分類できる。
図７の（ｃ）で、赤色と青色の軌跡は互いに交差せず、ＮＯＤＥにより学習される。
しかし、ｔｉで青色の隠れベクトルとｔｍで赤色の隠れベクトルを使用することによって、相互位置を変更することができ、図７の（ｂ）では不可能なことがある。
従って、ＮＯＤＥを改善するためには、本発明に係る軌跡ベースの分類が必要である。
制御部３７０は、ＯＣＴ－ＧＡＮ装置１３０の全体的な動作を制御し、表データ前処理部３１０、ＮＯＤＥベースの生成部３３０、及びＮＯＤＥベースの判別部３５０の間の制御フロー又はデータフローを管理する。
図４は、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法を説明するためのフローチャートである。
図４を参照すると、ＯＣＴ－ＧＡＮ装置１３０は表データ前処理部３１０を介して、離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する（段階Ｓ４１０）。
ＯＣＴ－ＧＡＮ装置１３０は、ＮＯＤＥベースの生成部３３０を介して前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成する（段階Ｓ４５０）。
ＯＣＴ－ＧＡＮ装置１３０は、ＮＯＤＥベースの判別部３５０を介して前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又はフェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を行う（段階Ｓ４５０）。
本発明の実施形態に係るＯＣＴ－ＧＡＮ装置１３０は、Ｌｍａｔｃｈｉｎｇと共に前記の数式１における損失を用いてＯＣＴ－ＧＡＮを学習することができ、当該学習アルゴリズムは図９で示している。
ＯＣＴ－ＧＡＮを学習させるために、リアルテーブルＴｔｒａｉｎと最大のエポック（ｅｐｏｃｈ）ナンバー「ｍａｘ＿ｅｐｏｃｈ」が必要であり得る。
ＯＣＴ－ＧＡＮ装置１３０は、ミニバッチｂを生成した後（図９のライン４）、敵対的訓練（ａｄｖｅｒｓａｒｉａｌ ｔｒａｉｎｉｎｇ）（図９のライン５及び６）を行った後、隣接敏感度方法（ａｄｊｏｉｎｔ ｓｅｎｓｉｔｉｖｉｔｙ ｍｅｔｈｏｄ）（図９のライン７）により計算されたユーザの定義グラディエント（ｃｕｓｔｏｍ ｇｒａｄｉｅｎｔ）でｔｉを更新する。
そのとき、
Figure 2023090592000045
を算出するための空間複雑度は、Ｏ（１）であり得る。
Figure 2023090592000046
を算出することは、
Figure 2023090592000047
の計算（ｃｏｍｐｕｔａｔｉｏｎ）を含む。
ここで、ｔ０≦ｔｊ＜ｔｉ≦ｔｍである。
ｔｍからｔ０までの逆モード積分を解く間、ＯＣＴ－ＧＡＮ装置１３０は全てのｉに対して
Figure 2023090592000048
を検索する。
従って、全てのグラディエントを計算するための空間複雑度は、図９のライン７でＯ（ｍ）であり、本発明の実施形態に係る方法の追加オーバヘッド（ａｄｄｉｔｉｏｎａｌ ｏｖｅｒｈｅａｄ）に該当する。
以下、図１０～１４を参照すると、本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法に関する実験内容を説明する。
具体的には、尤度推定（ｌｉｋｅｌｉｈｏｏｄ ｅｓｔｉｍａｔｉｏｎ）、分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）、回帰（ｒｅｇｒｅｓｓｉｏｎ）、クラスタリング（ｃｌｕｓｔｅｒｉｎｇ）等に対する実験環境と結果を説明する。
図１１及び図１２の場合、全ての尤度推定結果を示している。
ＣＬＢＮ及びＰｒｉｖＢＮは、変動のある性能を示す。
ＣＬＢＮとＰｒｉｖＢＮは、ＲｉｎｇとＡｓｉａでそれぞれよい反面、ＰｒｉｖＢＮはＧｒｉｄとＧｒｉｄｒでよくない性能を示す。
ＴＶＡＥは多くの場合にＰｒ（Ｆ｜Ｓ）に対してよい性能を示す反面、Ｇｒｉｄ及びＩｎｓｕｒａｎｃｅでＰｒ（Ｔｔｅｓｔ｜Ｓ’）に対して他のものよりも相対的に低い性能を示し、これは、モード崩壊（ｍｏｄｅ ｃｏｌｌａｐｓｅ）を意味する。
同時に、ＴＶＡＥはＧｒｉｄｒに対してよい性能を示す。
大体ＴＶＡＥは、このような実験で合理的な性能を示す。
ＯＣＴ－ＧＡＮを除いた多くのＧＡＮモデルの中で、ＴＧＡＮとＴａｂｌｅＧＡＮは適当な性能を示し、他のＧＡＮは劣等な性能を示す。
例えば、Ｐｒ（Ｔｔｅｓｔ｜Ｓ’）に対してＩｎｓｕｒａｎｃｅでＴａｂｌｅＧＡＮの場合－１４．３、ＴＧＡＮの場合－１４．８、ＶＥＥＧＡＮの場合－１８．１である。
しかし、このような全てのモデルは、提案されたＯＣＴ－ＧＡＮよりもはるかに性能に優れ得る。
全ての場合に、ＯＣＴ－ＧＡＮは、最新のＧＡＮモデルであるＴＧＡＮよりもさらによい性能を示す。
図１３の場合、分類結果を示している。
ＣＬＢＮとＰｒｉｖＢＮは、模擬データを使用した尤度推定実験が悪くないにもかかわらず、当該実験では適する性能を示さないことがある。
全ての（マクロ）Ｆ－１の点数は、最悪の性能範疇に含まれ得、これは、尤度推定と分類との間の潜在的な本質的差異を証明する。
よい尤度推定を有するデータの合成が必ずしもよい分類を示すことはない。
ＴＶＡＥは多くの場合に適する点数を示す。
しかし、Ｃｒｅｄｉｔでは点数が非常に低いことがある。
これは、尤度推定と分類との間の本質的な差異を証明する。
ＴＧＡＮ及びＯＣＴ－ＧＡＮを除いた多くのＧＡＮモデルは、多くの場合に低い点数を示す（例えば、ＣｅｎｓｕｓでＶＥＥＧＡＮのＦ－１の点数は０．０９４である）。
Ｆでの深刻なモード崩壊により、ある場合には分類器をしっかり学習させることができず、Ｆ－１の点数は、‘Ｎ／Ａ’で表示される。
しかし、その変形（ｖａｒｉａｔｉｏｎ）を含めて、本発明の実施形態に係るＯＣＴ－ＧＡＮは、全てのデータセットで他の全ての方法をはるかに凌駕する性能を示す。
図１３において、ＯＣＴ－ＧＡＮを除いた全ての方法は適さない正確度を示すことができる。Ｔｔｒａｉｎで訓練された元のモデルは、０．１４のＲ２点数を示すことができ、本発明に係るＯＣＴ－ＧＡＮは、これに近い点数を示すことができる。Ｔｔｒａｉｎで表示される、ＯＣＴ－ＧＡＮと元のモデルのみが肯定的な点数を示すことができる。
図１４の場合、分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）及び回帰（ｒｅｇｒｅｓｓｉｏｎ）に対する上位２個のモデルであるＴＧＡＮ及びＯＣＴ－ＧＡＮの結果を示している。
ここで、ＯＣＴ－ＧＡＮは、ほぼ全ての場合にＴＧＡＮを凌駕する性能を示す。
一方、本発明の実施形態に係るモデルに関する主要な設計ポイントの効率性を示すために、次の比較モデルとの比較実験を行うことができる。
（１）ＯＣＴ－ＧＡＮ（ｆｉｘｅｄ）の場合、ｔｉを学習させず、ｔｉ＝ｉ／ｍ、０≦ｉ≦ｍに設定される。
すなわち、［０，１］の範囲をｔ０＝０、ｔ１＝１／ｍ、．．．、ｔｍ＝１と均等に分ける。
（２）ＯＣＴ－ＧＡＮ（ｏｎｌｙ＿Ｇ）の場合、生成器にのみＯＤＥ階層を追加することができ、判別器はＯＤＥ階層を含まないことがある。
前記の数式７において、Ｄ（ｘ）は、
Figure 2023090592000049
に設定される。
（３）ＯＣＴ－ＧＡＮ（ｏｎｌｙ＿Ｄ）の場合、判別器にのみＯＤＥ階層を追加し、生成器には
Figure 2023090592000050
を直接入力する。
図１１～図１４の場合、比較モデルの性能を示している。
図１１及び図１２で当該比較モデルは、いくつかの場合において、全体モデルであるＯＣＴ－ＧＡＮよりもさらによい尤度推定を示す。
しかし、全体モデルと比較モデルとの間の差は、相対的に小さいことがある（しかも、節制研究モデルが全体モデルよりもさらによい場合にも）。
しかし、図１３の分類及び回帰実験では、いくつかの場合でこれらの間の些細な差異を観察することができる。
例えば、Ａｄｕｌｔの場合、ＯＣＴ－ＧＡＮ（ｏｎｌｙ＿Ｇ）が他のモデルよりもはるかに低い点数を示す。
これを介して、Ａｄｕｌｔで判別器のＯＤＥ階層が核心的な役割をするという事実を確認することができる。
ＯＣＴ－ＧＡＮ（ｆｉｘｅｄ）は、ＯＣＴ－ＧＡＮとほぼ類似するが、中間時点を学習する場合、さらに向上することができる。
すなわち、ＯＣＴ－ＧＡＮ（ｆｉｘｅｄ）の場合、０．６３２である反面、ＯＣＴ－ＧＡＮの場合、０．６３５であり得る。
従って、様々なデータセットで高いデータ活用度を考慮し、全体モデルであるＯＣＴ－ＧＡＮを使用することが重要なことである。
テーブルデータ合成（ｔａｂｕｌａｒ ｄａｔａ ｓｙｎｔｈｅｓｉｓ）は、ウェブベースの研究（ｗｅｂ－ｂａｓｅｄ ｒｅｓｅａｒｃｈ）の重要な主題に該当する。
しかし、不規則なデータ分布（ｉｒｒｅｇｕｌａｒ ｄａｔａ ｄｉｓｔｒｉｂｕｔｉｏｎ）とモード崩壊（ｍｏｄｅ ｃｏｌｌａｐｓｅ）により、テーブルデータを合成する作業は非常に難しいことがある。
本発明の実施形態に係るＮＯＤＥベースの条件付きテーブルデータ敵対的生成ネットワーク方法は、このような全ての問題を解決するために、ＯＣＴ－ＧＡＮというＮＯＤＥベースの条件付きＧＡＮを実現する。
本発明の実施形態に係る方法は、分類、回帰、及びクラスタリング実験の多くの場合で最高の性能を提供する。
尚、本発明は、上述の実施形態に限られるものではない。本発明の技術的範囲から逸脱しない範囲内で多様に変更実施することが可能である。
１００ ＯＣＴ－ＧＡＮシステム
１１０ ユーザ端末
１３０ ＯＣＴ－ＧＡＮ装置
１５０ データベース
２１０ プロセッサ
２３０ メモリ
２５０ ユーザ入出力部
２７０ ネットワーク入出力部
３１０ 表データ前処理部
３３０ ＮＯＤＥベースの生成部
３５０ ＮＯＤＥベースの判別部
３７０ 制御部

Claims (13)

  1. 離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する表データ前処理部と、
    前記前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成するＮＯＤＥ（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）ベースの生成部と、
    前記前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又は前記フェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行するＮＯＤＥベースの判別部と、を備えることを特徴とするＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置。
  2. 前記表データ前処理部は、前記離散カラムにある離散値をワンホットベクトルに変換し、前記連続カラムにある連続値を、モード特定正規化を介して前処理することを特徴とする請求項１に記載のＯＣＴ－ＧＡＮ装置。
  3. 前記表データ前処理部は、前記連続値それぞれにガウシアンミクスチャーを適用し、当該標準偏差で正規化して正規化値及びモード値を生成することを特徴とする請求項２に記載のＯＣＴ－ＧＡＮ装置。
  4. 前記表データ前処理部は、前記ワンホットベクトル、前記正規化値、及び前記モード値を併合し、前記表データにあるローデータ（ｒａｗ ｄａｔａ）をモードベース情報に変換することを特徴とする請求項３に記載のＯＣＴ－ＧＡＮ装置。
  5. 前記ＮＯＤＥベースの生成部は、前記条件ベクトルを条件分布から取得し、前記ノイズベクトルをガウシアン分布から取得して、前記条件ベクトルと前記ノイズベクトルとを併合して前記フェイクサンプルを生成することを特徴とする請求項１に記載のＯＣＴ－ＧＡＮ装置。
  6. 前記ＮＯＤＥベースの生成部は、前記条件ベクトルと前記ノイズベクトルとの併合ベクトルに対する位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）を実行し、リアルサンプルの分布に一致する範囲内で前記フェイクサンプルを生成することを特徴とする請求項５に記載のＯＣＴ－ＧＡＮ装置。
  7. 前記ＮＯＤＥベースの判別部は、前記入力されたサンプルのフィーチャ抽出を実行し、前記フィーチャ抽出されたサンプルに対するＯＤＥ（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）演算を介して複数の連続軌跡を生成することを特徴とする請求項１に記載のＯＣＴ－ＧＡＮ装置。
  8. 前記ＮＯＤＥベースの判別部は、前記複数の連続軌跡を併合して併合軌跡（ｈｘ）を生成し、前記併合軌跡を介して前記サンプルをリアル又はフェイクに分類することを特徴とする請求項７に記載のＯＣＴ－ＧＡＮ装置。
  9. 離散カラム及び連続カラムで構成された表データ（ｔａｂｕｌａｒ ｄａｔａ）を前処理する表データ前処理段階と、
    前記前処理された表データに基づいて生成された条件ベクトルとノイズベクトルを読んでフェイクサンプル（ｆａｋｅ ｓａｍｐｌｅ）を生成するＮＯＤＥ（Ｎｅｕｒａｌ Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）ベースの生成段階と、
    前記前処理された表データのリアルサンプル（ｒｅａｌ ｓａｍｐｌｅ）又は前記フェイクサンプルで構成されたサンプルの入力を受けて、連続軌跡ベースの分類を実行するＮＯＤＥベースの識別段階と、を有することを特徴とするＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）方法。
  10. 前記表データ前処理段階は、前記離散カラムにある離散値をワンホットベクトルに変換し、前記連続カラムにある連続値をモード特定正規化を介して前処理する段階を含むことを特徴とする請求項９に記載のＯＣＴ－ＧＡＮ方法。
  11. 前記ＮＯＤＥベースの生成段階は、前記条件ベクトルを条件分布から取得し、前記ノイズベクトルをガウシアン分布から取得し、前記条件ベクトルと前記ノイズベクトルとを併合して前記フェイクサンプルを生成する段階を含むことを特徴とする請求項９に記載のＯＣＴ－ＧＡＮ方法。
  12. 前記ＮＯＤＥベースの生成段階は、前記条件ベクトルと前記ノイズベクトルとの併合ベクトルに対する位相同型マッピング（ｈｏｍｅｏｍｏｒｐｈｉｃ ｍａｐｐｉｎｇ）を実行し、リアルサンプルの分布に一致される範囲内で前記フェイクサンプルを生成する段階を含むことを特徴とする請求項１１に記載のＯＣＴ－ＧＡＮ方法。
  13. 前記ＮＯＤＥベースの判別段階は、前記入力されたサンプルのフィーチャ抽出を実行し、前記フィーチャ抽出されたサンプルに対するＯＤＥ（Ｏｒｄｉｎａｒｙ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｑｕａｔｉｏｎｓ）演算を介して複数の連続軌跡を生成する段階を含むことを特徴とする請求項９に記載のＯＣＴ－ＧＡＮ方法。
JP2021215113A 2021-12-17 2021-12-28 ＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置及びＯＣＴ－ＧＡＮ方法 Pending JP2023090592A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0181679 2021-12-17
KR1020210181679A KR20230092360A (ko) 2021-12-17 2021-12-17 Node 기반 조건부 테이블 데이터 적대적 생성 신경망 장치 및 방법

Publications (1)

Publication Number Publication Date
JP2023090592A true JP2023090592A (ja) 2023-06-29

Family

ID=86768702

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021215113A Pending JP2023090592A (ja) 2021-12-17 2021-12-28 ＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置及びＯＣＴ－ＧＡＮ方法

Country Status (3)

Country Link
US (1) US20230196810A1 (ja)
JP (1) JP2023090592A (ja)
KR (1) KR20230092360A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842409B (zh) * 2023-08-28 2024-02-20 南方电网数字电网研究院有限公司 新能源发电场景生成方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210098381A (ko) 2020-01-31 2021-08-10 고려대학교 산학협력단 병변 이미지 시각화 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JAYOUNG KIM ET AL., OCT-GAN: NEURAL ODE-BASED CONDITIONAL TABULAR GANS, JPN6023005899, 31 May 2021 (2021-05-31), pages 1 - 10, ISSN: 0004996123 *

Also Published As

Publication number Publication date
US20230196810A1 (en) 2023-06-22
KR20230092360A (ko) 2023-06-26

Similar Documents

Publication Publication Date Title
US11645833B2 (en) Generative adversarial network medical image generation for training of a classifier
Xu et al. Reasoning-rcnn: Unifying adaptive global reasoning into large-scale object detection
US10937540B2 (en) Medical image classification based on a generative adversarial network trained discriminator
Amiri et al. Adventures in data analysis: A systematic review of Deep Learning techniques for pattern recognition in cyber-physical-social systems
US11651214B2 (en) Multimodal data learning method and device
JP2019091440A (ja) 敵対的ネットワークを使用した準教師あり条件付き生成モデリングのためのシステム及び方法
Leke et al. Deep learning and missing data in engineering systems
KR102252439B1 (ko) 이미지에서 오브젝트 검출 및 표현
US11514369B2 (en) Systems and methods for machine learning model interpretation
Zhang et al. Deep neural networks: wasd neuronet models, algorithms, and applications
JPWO2019102962A1 (ja) 学習装置、学習方法、及び、プログラム
US20150339591A1 (en) Collegial Activity Learning Between Heterogeneous Sensors
Guo et al. Multi-label classification methods for green computing and application for mobile medical recommendations
CN111126464A (zh) 一种基于无监督域对抗领域适应的图像分类方法
Wang et al. Deep generative mixture model for robust imbalance classification
US20160210502A1 (en) Method and apparatus for determining type of movement of object in video
JP2023090592A (ja) ＯＣＴ－ＧＡＮ（Ｎｅｕｒａｌ ＯＤＥ－ｂａｓｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｔａｂｕｌａｒ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）装置及びＯＣＴ－ＧＡＮ方法
Guo et al. Occupancy estimation in smart buildings using predictive modeling in imbalanced domains
JP2012155394A (ja) 文書分類学習制御装置、文書分類装置およびコンピュータプログラム
Nishant et al. HOUSEN: hybrid over–undersampling and ensemble approach for imbalance classification
Yue et al. Vambc: A variational approach for mobility behavior clustering
JP2021096848A (ja) 深層距離学習方法およびシステム
Bhowmick et al. A comprehensive study and analysis of semi supervised learning techniques
US20240104898A1 (en) Methods and apparatus for incremental learning using stored features
Sun et al. Generative generalized zero-shot learning based on auxiliary-features

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211229

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230221

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230926