KR101916348B1

KR101916348B1 - 인공 신경망의 훈련 방법

Info

Publication number: KR101916348B1
Application number: KR1020170099139A
Authority: KR
Inventors: 송기영
Original assignee: 주식회사 수아랩
Priority date: 2017-08-04
Filing date: 2017-08-04
Publication date: 2018-11-08
Also published as: WO2019027208A1; US20190370662A1; US10769530B2

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망(neural network)의 적어도 일부분의 훈련 방법이 개시된다. 상기 방법은 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키는 단계; 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하는 단계; 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하는 단계; 및 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하는 단계를 포함한다.

Description

인공 신경망의 훈련 방법{METHOD FOR TRAINING ARTIFICIAL NEURAL NETWORK}

본 개시는 인공 신경망에 관한 것으로, 보다 구체적으로 인공 신경망의 훈련 방법 및 훈련된 신경망을 통한 데이터 분류에 관한 것이다.

패턴 인식(pattern recognition)은 머신 러닝(machine learning)의 일 분야로서, 패턴 및 데이터의 규칙성을 인식하는 학문을 의미한다. 패턴 인식 기술은 감독 학습(supervised learning) 및 비감독 학습(unsupervised learning) 방법을 포함한다. 감독 학습 방법은 이미 패턴 인식의 결과가 결정되어 있는 데이터(“트레이닝” 데이터 라고 한다)를 이용하여 알고리즘이 패턴 인식을 학습하는 방법을 의미한다. 여기서 각각의 트레이닝 데이터는 레이블링된(labeled)된 데이터라고 지칭될 수 있다. 비감독 학습 방법은 레이블링된 데이터 없이, 알고리즘이 이전에 알려지지 않은 패턴을 발견하는 방법을 의미한다.

패턴 인식 기술을 구현하기 위해 신경망(neural network)가 이용될 수 있다. 신경망은 적어도 둘 이상의 노드들과 이러한 노드들을 연결하는 링크로 구성된다. 각각의 링크들에는 가중치가 설정될 수 있으며, 링크에 부여된 가중치는 가변적일 수 있다. 링크에 부여된 가중치는 신경망이 의도하는 패턴 인식을 수행하기에 적합하도록 수정될 수 있다.

미국 등록 특허 7,698,239는 이러한 신경망의 일 예를 도시한다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로 인공 신경망의 훈련 방법을 제공하기 위한 것이다.

대안적으로, 상기 복수의 레이어를 포함하는 신경망의 초기 가중치는 랜덤하게 결정될 수 있다.

대안적으로, 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하는 단계는, 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 상기 오차가 사전결정된 값 이하인 히든 노드를 선택하는 단계; 및 선택된 히든 노드를 제외한 미선택 히든 노드를 비활성화 하도록 상기 미선택 히든 노드의 가중치를 업데이트 하는 단계를 포함할 수 있다.

대안적으로, 상기 신경망은 적어도 3 층의 히든 레이어를 포함할 수 있다.

대안적으로, 상기 훈련 데이터는 라벨링을 포함하지 않고(unlabeled), 상기 훈련 방법은 비감독 훈련 방법(unsupervised)일 수 있다.

대안적으로, 상기 사전결정된 확률 분포는 매개변수가 랜덤으로 결정된 베이불 분포(Weibull distribution)일 수 있다.

대안적으로, 상기 히든 레이어에서 출력되는 피쳐값을 노멀라이즈(normalize)하는 단계를 더 포함할 수 있다.

대안적으로, 상기 훈련 데이터를 복수의 신경망의 입력 레이어에 각각 입력 시키는 단계를 더 포함할 수 있다.

대안적으로, 상기 복수의 신경망에서 선택된 하나 이상의 노드를 앙상블(ensemble)하여 신경망을 재구성하는 단계를 더 포함할 수 있다.

본 개시의 다른 일 실시예에 따라 컴퓨팅 디바이스의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 신경망의 입력 레이어에 입력시키도록 하는 명령; 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하도록 하는 명령; 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하도록 하는 명령; 및 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택하도록 하는 명령을 포함한다.

본 개시의 또 다른 일 실시예에 따라 복수의 레이어를 포함하는 신경망의 적어도 일부분을 훈련시키기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리를 포함하며,

상기 하나 이상의 프로세서는, 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키고, 각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하고, 상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하고, 그리고 상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 선택한다.

본 개시는 인공 신경망의 훈련 방법을 제공할 수 있다.

도 1 은 본 개시의 일 실시예 따라 인공 신경망의 일부를 나타낸 개략도이다.
도 2 는 본 개시의 일 실시예에 따라 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3a 은 베이불 분포(Weibull distribution)를 나타낸 도면이다.
도 3b 는 특정한 베이불 분포와 피쳐 값의 분포의 비교를 나타낸 도면이다.
도 4 는 본 개시의 일 실시예에 따라 입력 데이터에서 추출된 피쳐의 값을 히스토그램하여 베이불 분포와 비교하는 것을 나타낸 도면이다.
도 5 는 본 개시의 일 실시예에 따라 히든 레이어의 적어도 일부의 노드를 선택한 것을 나타낸 도면이다.
도 6 은 본 개시의 일 실시예에 따라 복수의 신경망에서 선택된 노드를 앙상블(ensemble)하는 것을 나타낸 도면이다.
도 7 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도(block diagram)이다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1 은 본 개시의 일 실시예 따라 인공 신경망의 일부를 나타낸 개략도이다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuroun)”들로 지칭될 수도 있다. 신경망은 적어도 둘 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.`

전술한 바와 같이, 신경망은 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 1에 도시된 바와 같이, 신경망은 둘 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 1 의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

도 2 은 본 개시의 일 실시예에 따라 컴퓨팅 장치의 블록 구성도를 도시한다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(110), GPU(120), 메모리(130)를 포함할 수 있다. 도 1 에 도시된 블록 구성도는 컴퓨팅 장치를 간소화한 구성으로 표현한 것으로서, 본 개시는 이에 제한되지 않고, 구동에 필요한 추가적인 구성 요소들을 포함할 수 있다.

프로세서(110)는 하나 이상으로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU)를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 인공 신경망(artificial neural network: ANN)의 훈련 방법 및 훈련된 신경망을 이용한 데이터 분류 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(110) 또는 GPU(120)는 신경망의 훈련을 위한 계산을 수행할 수 있다. 도 2에는 프로세서와 GPU가 구분되어 도시되어 있으나, 본 개시의 일 실시예에서 프로세서는 CPU 및 GPU 모두를 포함할 수 있으며, 신경망의 처리를 위한 임의의 처리 장치들을 포함할 수 있다. 본 개시의 일 실시예에 따른 방법은 프로세서에 의해 수행될 수 있다.

GPU(graphics processing unit)(120)는 딥러닝(deep learn: DN)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 또한 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 GPU 실행가능 프로그램(gpu-executable program)일 수 있다. 또한, 도 1 에는 도시되어 있지 않으나 본 개시의 일 실시예에 따라 컴퓨팅 장치는 TPU(tensor processing unit)를 포함할 수도 있다.

메모리(130)는 본 개시의 일 실시예에 따른 인공 신경망의 훈련 방법 및 데이터 분류 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110), GPU(120) 등에 의하여 판독되어 구동될 수 있다.

이하에서는 본 개시의 일 실시예에 따라 인공 신경망의 훈련 방법 및 데이터 분류 방법에 관해 설명한다.

이하에서는 본 명세서에서 사용하는 용어를 정의하도록 한다.

피쳐(feature)는 입력 데이터의 적어도 하나의 일 특성(character)에 대응할 수 있다. 특성은 예를 들어, 입력 데이터가 이미지인 경우 특성은 이미지의 그레이 스케일 히스토그램, 색 분포, 색온도, 엣지, 엣지의 형상, 이들의 조합 등일 수 있으며 전술한 특성은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 피쳐는 네트워크 함수의 적어도 일 부분에 의해 연산되어, 수치화된 입력 데이터의 적어도 하나의 특성에 대응할 수 있다. 예를 들어, 불량 제품 검사에 있어서 제품이 불량인지를 나타내는 특성(예를 들어, 가죽의 불량 검사의 경우 가죽의 찍힌 자국, 주변과 색이 다른 오염 등)이 존재한다고 가정한다. 피처는 네트워크 함수에 의해 입력 데이터를 기초로 연산되며 상기 특성에 대응할 수 있다. 전술한 특성의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 신경망에서의 피쳐는 입력 데이터에 기초하여 신경망의 일정한 서브구조에 의하여 결정되는 노드에 대응될 수 있다. 예를 들어, 가죽의 찍힌 자국을 나타내는 특성에 대응하는 하나 이상의 노드가 존재할 수 있다. 피쳐는 입력 데이터의 특성을 나타내며 입력 데이터의 일부, 입력 데이터의 요약, 입력 데이터에서 추출되는 의미를 포함할 수 있다. 예를 들어, 입력 데이터를 처리하는 특정 레이어의 특정 노드까지의 프로세스 일 수 있다. 예를 들어, 신경망의 히든 레이어 중 하나의 노드까지 연결되는 신경망의 연결 관계, 가중치, 바이어스 등에 의하여 계산되는 하나 이상의 값들이 피쳐가 될 수 있다.

특성은 데이터에서 특징적인 부분으로서, 전술한 예시에서와 같이 불량 제품 검사를 위한 이미지 데이터인 경우, 이미지 데이터에서 제품이 불량임을 인식할 수 있는 부분이 특성이 될 수 있다. 즉, 제품의 이미지 데이터에서 제품이 불량임을 인식할 수 있도록 하는 찍힘, 이염 등이 특성이 될 수 있다. 이러한 특성은 하나 이상의 피쳐에 대응되어 신경망에 인식될 수 있다. 특성과 피쳐는 서로 일대일 대응, 일대다(多), 다대일 또는 다대다 대응 관계를 가질 수 있다. 즉, 제품의 이미지 데이터에서 제품이 불량임을 인식할 수 있도록 하는 찍힘, 이염 등이 특성인 경우, 피쳐는 데이터의 이러한 특성에 기초하는 값일 수 있다. 하나 이상의 피쳐는 하나 이상의 특성과 관계될 수 있다. 전술한 예시에서 피쳐는 이미지 데이터에서 해당 특성이 추출되도록 하는 신경망의 서브 구조일 수 있다. 또한 피쳐를 통해 추출되는 특성은 전술한 예시에서와 같이 사용자 등이 시각적으로 확인할 수 있는 것에 그치지 않고, 데이터를 구분할 수 있는 추상적인 특성 또한 포함될 수 있다. 전술한 특성은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

피쳐 맵은 피쳐를 이미지상에 나타내어 이미지 상의 위치별 피쳐를 나타낸 이미지일 수 있다.

피쳐값은 전술한 피쳐에 대응되며, 입력 데이터를 신경망으로 처리한 출력값을 의미할 수 있다. 피쳐값은 입력 데이터를 피쳐로 프로세싱한 결과 값일 수 있다. 예를 들어, 신경망의 히든 레이어에 포함된 특정 노드까지의 신경망의 연결관계 등이 피쳐을 의미하는 경우, 입력 데이터의 상기 특정 노드의 출력이 피쳐값일 수 있다. 피쳐값은 각각의 입력 데이터에 기초하여 신경망에 의해 연산될 수 있다. 피쳐값은 임의의 차원을 가질 수 있다. 피쳐값은 각각의 입력 데이터를 신경망으로 처리한 출력값일 수 있다. 피쳐값은 입력 데이터 각각에 대응하여 존재할 수 있다. 예를 들어, 히든 레이어 3의 노드 1 까지의 연결 경로, 가중치, 바이어스, 계산 프로세스가 피쳐에 대응하고, 입력 데이터에 대하여 해당 노드에서 출력되는 출력값이 피쳐값이 될 수 있다.

히스토그램은 도수 분포의 형태를 그래프로 나타낸 것으로서, 본 개시에서는 피쳐값의 분포의 형태를 그래프로 나타낸 것을 의미할 수 있다. 예를 들어, 히스토그램은 도수 분포의 형태를 기둥 모양의 그래프로 나타낸 것일 수 있으나, 본 개시는 이에 제한되지 않는다. 피쳐값은 이산 값으로서, 각각의 피쳐값을 가지는 표본, 입력데이터 수가 히스토그램으로 나타날 수 있다. 각각의 입력 데이터에 대한 피쳐값은 히스토그램화 되어 피쳐값의 분포로 나타내 질 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치는 훈련 데이터를 신경망으로 처리하여 출력되는 피쳐값을 히스토그램화 하여 피쳐값의 분포를 생성하고, 피쳐값의 분포와 사전결정된 확률 분포와의 오차를 비교하여, 오차에 기초하여 신경망의 일부 노드를 선택하여 신경망을 사전 훈련시킬 수 있다.

본 개시의 신경망은 데이터의 분류를 위해 사용될 수 있다. 예를 들어, 본 개시의 신경망은 어노말리 디택션(Anomaly Detection)에 사용될 수 있다. 보다 구체적으로 본 개시의 신경망은 생산 공정에서 불량 제품과 정상 제품을 분류하기 위하여 사용될 수 있다. 본 개시의 훈련 데이터는 이미지 데이터를 포함할 수 있으며, 정상 데이터는 정상 제품의 이미지를 포함할 수 있고, 비정상 데이터는 불량 제품의 이미지를 포함할 수 있다. 본 개시의 범위는 이미지 데이터의 처리에 한정되지 않는다.

본 개시의 신경망을 이용한 데이터 분류에 따르면, 입력 데이터에서 추출된 피쳐값들의 분포가 특정한 확률 분포와 사전결정된 임계치 이하의 오차를 가지는 경우, 해당 피쳐값을 출력하는 피쳐는 입력 데이터를 분류하기에 적절한 피쳐로 해석될 수 있다. 일반적인 공장 등에서 정상품과 불량품의 분포는 자연적인 확률 분포를 따르게 된다. 그러므로 피쳐 값의 분포가 이러한 자연적인 확률 분포와 유사한 경우에 해당 피쳐는 데이터 분류를 위한 중요한 특성에 관련될 가능성이 높다. 그러므로, 해당 피쳐를 분류에 사용하도록 컴퓨팅 장치(100)는 신경망의 일부를 활성화 하거나, 비활성화 할 수 있다. 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 피쳐 값의 분포가 특정한 확률 분포를 따르는 경우 해당 피쳐를 분류에 사용하도록 선택할 수 있다. 이하에서는 확률 분포와 피쳐 값의 분포의 비교에 관해 서술한다.

도 3a 은 베이불 분포를 나타낸 도면이다.

베이불 분포는 연속 확률 분포의 하나로서, 매개변수에 따라 다양한 확률 밀도 함수의 형태를 나타낼 수 있다. 베이불 분포는 매개변수 λ 및 k 값의 변화에 따라 다양한 형태의 확률 밀도 함수의 형태를 취할 수 있다. 베이불 분포는 매개변수의 변화에 따라 대부분의 확률 분포를 나타낼 수 있으며, 도 3a 도시된 베이불 분포는 예시일 뿐이며, 본 개시의 일 실시예에 따른 확률 분포는 다차원 확률 분포를 포함할 수 있다. 다른 실시예에서, 본 데이터의 일 실시예에 따른 확률분포는 분석데이터의 역사적인 통계값에 기초할 수도 있다.

피쳐값의 분포가 확률 분포의 형상이 아닌 y=a의 그래프와 같은 형상을 가지는 경우를 가졍하자, 입력 데이터는 각각의 피쳐값으로 출력 되므로, 피쳐값의 분포가 전술된 형상을 가지는 경우 해당 피쳐는 각각의 입력 데이터들이 고루 가지고 있는 특성을 추출하는 피쳐이다. 그러나 입력 데이터들이 고루 가지고 있는 특성을 추출하여도 입력 데이터의 분류에는 도움이 되지 않는다.

그러나, 입력 데이터에서 추출된 피쳐값의 분포가 사전결정된 확률 분포의 형상을 띄는 경우, 해당 피쳐는 입력 데이터에서 일부가 가진 특성 또는 다수가 가진 특성을 추출하는 것이 되며, 이러한 피쳐는 데이터의 분류를 위한 중요 피쳐가 될 수 있다.

피쳐 값의 분포가 도 3b와 같은 확률 분포를 따르는 경우, 해당 피쳐는 입력 데이터의 일부만이 가지고 있는 특성을 추출하는 피쳐일 수 있다. 이러한 입력 데이터들의 일부만이 가지고 있는 특성은 입력 데이터의 분류를 위한 중요 특성이 될 수 있다. 따라서, 피쳐 값의 분포가 특정한 확률 분포와 유사한 경우, 해당 피쳐는입력 데이터의 분류를 위한 중요 피쳐가 될 수 있고, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 해당 피쳐를 선택하도록 신경망의 노드를 활성화하거나 비활성화 할 수 있다.

따라서, 본 개시의 일 실시예에 따른 신경망은 히든 레이어의 히든 노드에서 출력되는 피쳐값의 분포가 사전결정된 확률 분포 함수와 유사한 경우 해당 피쳐(즉 신경망의 해당 노드)는 분류를 위한 중요 피쳐(significant feature)일 수 있고, 해당 피쳐값을 출력하는 노드는 데이터 분류에 있어서 중요 피쳐를 출력하는 노드일 수 있다. 피쳐 값의 분포와 사전결정된 확률 분포 함수의 유사도 판단은 이하에서 서술한다. 따라서, 이러한 중요 피쳐를 출력하는 노드만을 활성화 시켜 신경망을 재구성 하거나, 복수의 신경망에서 중요 피쳐를 출력하는 노드들을 추출하여 신경망을 재구성 할 수 있다. 이러한 방식으로 재구성된 신경망은 데이터 분류에 높은 정확도를 가질 수 있으며, 훈련에 앞서 신경망을 중요 피쳐를 추출할 수 있는 노드들로 구성하여 훈련의 반복 횟수, 계산량을 줄여 훈련 효율성을 높일 수 있다.

사전결정된 확률 분포는 연속 함수이고, 히스토그램은 이산 분포이므로, 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 사전결정된 확률 분포와 피쳐 값의 분포의 오차를 판단할 수 있다. 도 3b는 사전결정된 확률 분포와 피쳐 값의 분포의 유사도 판단의 예시도이다. 도 3b의 예시에서, 연속 확률 분포를 나타내는 곡선은 매개변수 λ=1, k=0.5인 베이불 분포를 나타낼 수 있다. 도 3b의 예시에서, 막대 그래프 형상 부분은 피쳐 값의 분포를 나타낼 수 있다. 도 3b의 예시에서, x축은 피쳐 값이고, y축은 피쳐 값 별 표본(즉, 입력 데이터)의 수를 나타낸다. x축과 y축은 확률 분포 곡선과의 비교를 위하여 노말라이즈(normalize)(즉, 확률 분포 곡선은 0<y<1 값을 가질 수 있으므로) 될 수 있다. 즉, 컴퓨팅 장치(100)는 피쳐 값의 분포의 각 축에 해당하는 값들을 노말라이즈 하여 사전결정된 확률 분포와 비교를 용이하게 할 수 있다. 도 3b의 예시에서, 해당 피쳐는 x1 값을 가지는 입력 데이터의 수가 가장 많으며, x2 값 에서 xn 값으로 갈 수록 해당 값을 가지는 입력 데이터의 수가 줄어드는 추세를 보인다. 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 피쳐 값의 분포와 사전결정된 확률 분포의 오차를 판단할 수 있다. 도 3b의 도시된 예시와 같은 피쳐 값의 분포에서, 컴퓨팅 장치(100)는 피쳐 값 각각의 입력 데이터의 수(또는 입력 데이터 수의 노말라이즈 값)을 각각의 지점의 사전결정된 확률 분포 값과 비교할 수 있다. 예를 들어, 도 3b의 예시에서, 컴퓨팅 장치(100)는 (x1, y1)과 사전결정된 확률 분포 그래프의 하나 이상의 지점(즉 x1에 해당하는 그래프상의 y값)을 각각 비교하여 사전결정된 확률 분포와 피쳐 값의 분포를 비교할 수 있다. 예를 들어, 정규화된 히스토그램의 값과 대응하는 확률 분포값 사이의 분산이 비교 기준으로 사용될 수 있다.

다른 실시예에서, 컴퓨팅 장치(100)는 피쳐 값의 분포가 특정 확률 분포와 유사한 추세를 보이는지 여부에 기초하여 피쳐 값의 분포와 사전결정된 확률 분포와의 유사도를 판단할 수 있다. 예를 들어, 정규화된 히스토그램의 미분값과 대응하는 확률 분포의 미분값 사이의 차이가 비교 기준으로 사용될 수 있다. 도 3b의 예시와 같이 피쳐 값의 분포가 감소하는 추세를 보이는 경우, 즉 x1<x2<x3<x4<x5 인 경우에 y1>y2>y3>y4>y5 인 경항을 보이는 경우, 컴퓨팅 장치(100)는 해당 피쳐 값의 분포가 매개변수 λ=1, k=0.5인 베이불 분포와 유사한 것으로 판단할 수 있다. 즉, 본 개시의 일 실시예에 따라 컴퓨팅 장치(100)는 피쳐 값의 분포에서 피쳐 값과 각 피쳐 값에 속하는 입력 데이터의 수가 사전결정된 확률 분포와 유사한 경향을 보이는지 여부에 기초하여 사전결정된 확률 분포와 피쳐 값의 분포의 유사 여부와 오차를 판단할 수 있다. 오차가 사전결정된 임계값 이하인 경우, 컴퓨팅 장치(100)는 사전결정된 확률 분포와 피쳐 값의 분포가 유사한 것으로 판단할 수 있다. 전술한 기재는 예시일 뿐이며, 본 개시의 확률 분포, 피쳐 값 분포의 형상과 유사도 판단 방법은 이에 제한되지 않는다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 인공 신경망의 훈련(training)을 위하여 정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 신경망의 입력 레이어에 입력시킬 수 있다. 본 개시의 일 실시예에 따른 훈련 데이터는 라벨링 되지 않은 데이터 일 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 입력 레이어(input layer)에서 입력된 훈련 데이터를 계산하여 출력 값을 출력하고, 입력 레이어의 출력 값을 히든 레이어(hidden)에 전달하여 피쳐값을 출력하도록 할 수 있다. 도 4 는 본 개시의 일 실시예에 따라 인공 신경망의 일부를 나타낸 예시도이다. 본 개시의 일 실시예에 따른 신경망은 적어도 3 층의 히든 레이어를 포함할 수 있다. 도 4 에 도시된 신경망의 레이어들의 수와 노드들의 수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따른 인공 신경망은 컨볼루션 신경망(convolution neural network: CNN), 오토 인코더(auto encoder), 피드포워드 신경망(feedforward neural network), 방사 신경망(radial basis function network), 코헨 자기조직 신경망(kohonen self-organizing network), 순환 신경망(RNN: recurrent neural network) 등으로 구성될 수 있으며 본 개시는 이에 제한되지 않고 임의의 신경망을 포함할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 각각의 훈련 데이터에 대한 신경망의 히든 레이어의 히든 노드에서 출력되는 피쳐값을 히스토그램화 하여 피쳐값의 분포를 생성할 수 있다. 상기 히든 레이어는 신경망의 출력 레이어 전의 레이어 일 수 있다. 도 4를 참조하면 히든레이어 3 의 n1 노드까지의 노드의 연결 경로, 가중치(weight)에 의하여 계산되는 일군의 값의 집합이 피쳐일 수 있다. 상기 피쳐값은 훈련 데이터를 각각의 레이어의 각각의 노드에서 처리한 결과로서, 이미지의 콘트라스트, 밝기, 색감 분포, 이미지의 엣지, 이미지 히스토그램 등의 임의의 특성를 포함할 수 있으며 본 개시는 이에 제한되지 않고 추상적인 특성 또한 포함할 수 있다. 도 4의 예시에서 히든 레이어 3 은 3개의 피쳐(n1, n2, n3노드 까지의 계산 프로세스)를 추출할 수 있고, 히든레이어 3 의 각각의 노드는 각각의 훈련 데이터에 대한 피쳐값을 출력할 수 있다.

도 4의 예시에서 히든레이어3 의 n1 노드의 출력(제 1 피쳐에 대한 입력 데이터의 계산결과)인 제 1 피쳐값은 히스토그램화 되어 제 1 피쳐값 분포(310)로 출력될 수 있다. 컴퓨팅 장치(100)는 n1 노드에서 입력 데이터 각각의 출력 값들을 히스토그램화 하여 제 1 피쳐값 분포(310)를 생성할 수 있다.

여기서 제 1 피쳐값 분포(310)는 각각의 입력 데이터에 대한 피쳐값(n1의 출력)들을 히스토그램화 하여 나타낸 것이며, x축은 피쳐값, y축은 해당 피쳐값에서의 표본의 수를 나타낸다. 하나의 입력 데이터에 대하여 하나의 피쳐 값이 출력될 수 있고, 출력된 하나의 피쳐 값은 히스토그램에서 하나의 표본이 될 수 있다. 제 1 피쳐값 분포는 복수의 입력 데이터 각각에 대한 피쳐값들을 히스토그램화하여 나타낸 것이다. 이와 같이 히든레이어 3 의 n2 노드에서 입력 데이터 각각에 대한 출력은 제 2 피쳐값 분포(330)가 될 수 있고, 히든 레이어3의 n3 노드에서 입력 데이터 각각에 대한 출력은 제 3 피쳐값 분포(350)가 될 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 피쳐값의 분포와 사전 결정된 확률 분포의 오차를 계산할 수 있다. 사전결정된 확률 분포는 베이불 분포를 포함할 수 있다. 베이불 분포(200)는 도 3a 에 도시된 바와 같이 연속 확률 분포의 하나로서, 매개변수에 따라 다양한 확률 밀도 함수의 형태를 나타낼 수 있다. 베이불 분포는 매개변수 λ 및 k 값의 변화에 따라 다양한 형태의 확률 밀도 함수의 형태를 취할 수 있다. 도 3a 에 도시된 바와 같이 각각의 매개변수에 따라서 다양한 형태의 확률 밀도 함수의 분포 형태를 띌 수 있다. 여기서 베이불 분포의 매개변수는 랜덤으로 결정될 수 있고, 일반적으로 알려진 불량률에 따라 적절한 형상을 가지도록 결정될 수 있다. 전술한 베이불 분포는 예시일 뿐이며, 본 개시는 확률 분포는 n차원 확률 분포를 포함할 수 있다.

컴퓨팅 장치(100)는 피쳐값의 분포(310, 330, 350)와 사전결정된 확률 분포(200)의 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 피쳐값의 분포(310, 330, 350)와 사전결정된 베이불 분포를 비교하여 오차를 계산할 수 있다. 도 4의 예시에서 제 1 피쳐값 분포(310)는 비교적 확률 분포의 그래프의 형태와 유사한 히스토그램을 보이며, 피쳐값들이 여러 값들에 고르게 분포되어 있지 않고, 일부 값들에 집중된 양상을 보인다. 보다 구체적으로, 제 1 피쳐값 분포(310)의 형상을 살펴보면 대부분의 피쳐값들이 일부 영역에 집중되어 있고, x축 값의 끝 부분(도면 상 310의 하단 부분)에는 거의 피쳐값들이 존재하지 않는 것으로 보인다. 따라서, 이러한 형상으로 보아 제 1 피쳐값을 추출하게 하는 제 1 피쳐는 대부분의 입력 데이터가 가진 특성과 가지지 못한 특성을 나누기에 적절한 중요 피쳐로 판단된다. 제 1 피쳐값 분포(310)의 형상에서 보아, 많은 표본이 존재하는 피쳐값(도 4 참조번호 310에서 y축 값이 가장 높은 x1 지점)이 있고, 적은 표본이 존재하는 피쳐값(도 4 참조번호 310 y축 값이 낮은 x2 지점)이 있다. n1 피쳐에 상응하는 입력 데이터의 각각에 대한 피쳐값은 x1 값을 가장 많이 가지며, x2값은 가장 적게 가질 수 있음을 알 수 있다. 이는 피쳐값이 x1이 출력되는 입력 데이터의 수가 많고, 피쳐값이 x2가 출력되는 입력 데이터의 수가 적음을 나타낸다. 따라서, n1 피쳐는 다수의 입력 데이터(일반적으로, 정상데이터가 비정상 데이터보다 많은)에 대하여 대부분의 입력 데이터에서 x1을 피쳐값으로 추출하고, 일부 입력 데이터에서 x2를 피쳐값으로 추출하는 피쳐일 수 있다. n1 피쳐를 통해 추출된 제 1 피쳐값 분포(310)는 일부 피쳐값에 대하여 표본의 수가 집중된 베이불 분포의 형상을 가질 수 있다(베이불 분포(200)에서 실선과 유사한 형상). 컴퓨팅 장치(100)는 제 1 피쳐값 분포(310)와 사전결정된 베이불 분포(200 중 실선)와의 오차를 계산할 수 있으며, 오차가 사전결정된 값 이하인 경우, 컴퓨팅 장치(100)는 제 1 피쳐값을 출력하는 노드(이경우 도 4 의 예시에서 n1 노드)를 활성화 할 수 있다.

동일하게, 히든 레이어3의 n2 노드에서 각각의 입력 데이터에 대한 제 2 피쳐값이 출력될 수 있고, 컴퓨팅 장치(100)는 제 2 피쳐값 분포(330)를 생성할 수 있다. 제 2 피쳐값 분포(330)는 특정 피쳐값에 표본이 집중되지 않고 표본의 수가 전체적으로 고르게 분포된 형상을 가진다. 이경우, 제 2 피쳐는 대부분의 이미지가 가진 특성을 추출하는 피쳐인 것으로 추정될 수 있다. 제 2 피쳐값 분포(330)는 다른 피쳐 값 보다 뚜렷하게 많은 표본을 가지는 피쳐 값이 없으며 이는 제 2 피쳐에서 추출하는 특성은 입력데이터가 일반적으로 가질 수 있는 특성임을 의미할 수 있다. 컴퓨팅 장치(100)는 제 2 피쳐값 분포(330)와 사전결정된 베이불 분포의 오차를 계산할 수 있다. 이경우, 제 2 피쳐값 분포(330)와 사전결정된 베이불 분포의 오차는 제 1 피쳐값 분포(330)와 사전결정된 베이불 분포와의 오차보다 클 수 있다. 따라서, 컴퓨팅 장치(100)는 제 2 피쳐값 분포(330)와 사전결정된 베이불 분포와의 오차가 사전설정된 값(즉, 임계 값) 보다 큰 경우, 제 2 피쳐를 입력 데이터 분류에 있어 불필요한 피쳐로 판단할 수 있다. 그러므로 컴퓨팅 장치(100)는 제 2 피쳐값을 출력하는 노드(이경우 도 4 의 예시에서 n2 노드)를 비활성화 할 수 있다.

이와 동일한 방식으로, 히든 레이어3 의 노드 n3에서 출력되는 피쳐 값의 분포 역시 특정 피쳐 값에 표본이 다소 집중되는 형상을 가진다. 컴퓨팅 장치(100)는 제 3 피쳐값 분포(350)와 사전결정된 베이불 분포(200)의 오차를 계산하여, 오차가 사전결정된 값 이하인 경우 제 3 피쳐값을 출력하는 n3노드를 활성화 할 수 있다.

전술한 노드의 활성화와 비활성화는 해당 노드와 다음 노드를 연결하는 가중치를 조정함으로써 수행될 수 있다. 예를 들어, 컴퓨팅 장치(100)는 선택된 n1노드의 출력이 출력 레이어에 온전히 전달되도록 n1 노드와 연결된 출력 레이어의 노드와 n1 노드 사이의 연결 가중치를 1 로 조정할 수 있다. 또한, 예를 들어 컴퓨팅 장치(100)는 비활성화된 n2 노드의 출력이 출력 레이어에 전달되지 않도록 n2 노드와 연결된 출력 레이어의 노드와 n2 노드 사이의 연결 가중치를 0으로 조정할 수 있다. 전술한 연결 가중치는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 컴퓨팅 장치(100)는 비활성화된 노드의 출력이 다음 레이어에 전달되지 않도록 적절한 연결 가중치를 설정할 수 있고, 활성화된 노드의 출력이 다음 레이어에 전달되도록 하는 적절한 가중치를 설정할 수 있다.

본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 히든 레이어에서 출력되는 피쳐값을 노멀라이즈(normalize)할 수 있다. 도 4 의 예시에서 각각의 피쳐 값 분포에서 피쳐 값(310, 330, 350의 x축)의 범위는 서로 상이할 수 있다. 따라서, 컴퓨팅 장치(100)는 각각의 피쳐 값 분포와 사전결정된 확률 분포와의 비교를 용이하게 하도록, 피쳐 값을 노멀라이즈 하여, 피쳐 값 분포의 x축을 동일하게 맞춰줄 수 있다.

도 5 는 도 4의 예시에서 히든레이어3의 노드 n1 및 n3를 선택되고, n2가 비활성화된 신경망을 나타낸 도면이다. 컴퓨팅 장치(100)는 노드 n1, n3를 선택하여 해당 노드의 출력이 다음 레이어로 전달되도록 각 노드의 가중치를 조정할 수 있다. 컴퓨팅 장치(100)는 노드 n2를 비활성화하여 해당 노드의 출력이 다음 레이어로 전달되지 않도록 n2 노드의 가중치를 조정할 수 있다.

도 6 은 컴퓨팅 장치가 복수의 신경망을 앙상블하여 신경망을 구성하는 것을 나타낸 예시이다.

전술한 본 개시의 피쳐 값의 분포와 사전결정된 확률 분포와의 비교 및 그에 따른 신경망의 일부의 비활성화는 복수의 신경망들에 대하여 각각 수행될 수 있다.

예를 들어, 도 6 의 예시에서 제 1 신경망(400)에서는 히든 레이어3의 노드 n1, n3 이 활성화되었으며, n2노드는 비활성화되었고, 제 2 신경망(410)에서는 히든 레이어3의 노드 n4이 활성화 되었고 이외의 노드는 비활성화 되었다.

이러한 경우, 컴퓨팅 장치(100)는 제 1 신경망(400) 및 제 2 신경망(410)을 앙상블하여 제 3 신경망(430)을 구성할 수 있다.

예를 들어, 제 2 신경망(410)의 노드 n4는 히든레이어 2의 노드 4,5,6,7로부터 입력을 받으며, 히든레이어2 의 노드 4,5,6,7은 히든레이어1의 노드 6,7,8,9,10으로부터 입력을 받을 수 있다. 이러한 연결관계가 제 3 신경망(430)에서도 유지된다.

복수의 신경망에 병렬적으로 본 개시의 일 실시예에 따른 사전 훈련 방법을 적용하는 경우, 사전훈련 단계에서 망 구조를 단순화 할 수 있어 계산량을 감소시킬 수 있으며, 민감도 테스트가 용이하여 연구자가 망 내부 구조를 보다 잘 이해할 수 있는 장점이 있다(예를 들어, 통합된 두 망을 통해 본 개시의 사전 훈련 방법을 수행하는 경우, 도 6을 예로 들면 히든레이어1은 5개의 노드에서 10개의 노드로 늘어나고, 히든레이어 2 는 4개의 노드에서 8개의 노드로 늘어나 전체 적인 계산량이 늘어나며 민감도 테스트가 비용이해진다).

도 6 에 기재된 앙상블 방식은 예시일 뿐이며 본 개시의 범위는 다양한 앙상블 기법들을 포함할 수 있다.

정상 제품을 촬영한 정상 데이터와 비정상 제품을 촬영한 비정상 데이터에서는 일반적으로 정상 데이터가 비정상 데이터보다 다수 획득되며, 충분한 수의 비정상 데이터의 획득이 어려운 문제가 있다. 비정상 데이터는 학습을 위한 충분한 수가 획득되기 어려우며 학습을 위한 충분한 수의 비정상 데이터를 획득하기 위하여 데이터를 증가시키기 위하여 다양한 data augmentation 테크닉들이 사용되고 있다. 그러나, 본 개시의 일 실시예에 따라 신경망에서 출력되는 피쳐 값의 분포가 사전결정된 확률 분포와 유사한 피쳐만(중요 피쳐(significant feature))을 사용하도록 신경망을 사전 조정하는 경우, 훈련에 앞서 신경망을 중요 피쳐들(즉, 중요 노드들)로 구성하여 훈련의 반복 횟수, 계산량을 줄여 훈련 효율성을 높일 수 있다. 이경우 라벨되지 않은 훈련 데이터로도 훈련이 가능하여 비감독 훈련 방식으로 보다 많은 데이터를 처리할 수 있어 정확도가 향상될 수 있다.

본 개시의 일 실시예에 따른 신경망 훈련 방법은 역전파(back propagation) 등 신경망의 반복 학습 이전에 수행 될 수 있다. 본 개시의 일 실시예에 따른 신경망 훈련 방법은 신경망의 각 노드에서 추출되는 피쳐 값의 분포와 사전결정된 확률 분포를 비교하여, 피쳐 값의 분포가 확률 분포 상으로 유의미한 피쳐 값 만을 추출하는 노드(피쳐)만을 활성화하여, 중요 피쳐만을 추출하는 노드만이 신경망에 포함되도록 할 수 있다. 본 개시의 일 실시예에 따른 신경망 훈련 방법을 이용하면, 반복 학습 이전에 중요 피쳐만을 추출하는 노드만으로 구성된 신경망을 결정하여, 추후 반복 학습에서의 효율성을 향상시킬 수 있고, 분류 정확도를 높일 수 있다.

도 7 은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도(block diagram)이다.

도 7 은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망(neural network)의 적어도 일부분의 훈련 방법으로서,
정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키는 단계;
각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하는 단계;
상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하는 단계; 및
상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 비활성화 하도록 상기 적어도 하나의 히든 노드와 관련된 가중치를 업데이트 하는 단계;
를 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 복수의 레이어를 포함하는 신경망의 초기 가중치는 랜덤하게 결정되는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 비활성화 하도록 상기 적어도 하나의 히든 노드와 관련된 가중치를 업데이트 하는 단계는,
상기 히든 레이어의 상기 하나 이상의 히든 노드 중 상기 오차가 사전결정된 값 이하인 히든 노드를 선택하는 단계;
를 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 신경망은 적어도 3 층의 히든 레이어를 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 훈련 데이터는 라벨링을 포함하지 않고(unlabeled), 상기 훈련 방법은 비감독 훈련 방법인(unsupervised),
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 사전결정된 확률 분포는 매개변수가 랜덤으로 결정된 베이불 분포(Weibull distribution)인,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 히든 레이어에서 출력되는 피쳐값을 노멀라이즈(normalize)하는 단계;
를 더 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 1 항에 있어서,
상기 훈련 데이터를 복수의 신경망의 입력 레이어에 각각 입력 시키는 단계;
를 더 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
제 8 항에 있어서,
상기 복수의 신경망에서 선택된 하나 이상의 노드를 앙상블(ensemble)하여 신경망을 재구성하는 단계;
를 더 포함하는,
컴퓨팅 장치에서 수행되는 복수의 레이어를 포함하는 신경망의 적어도 일부분의 훈련 방법.
컴퓨팅 디바이스의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 신경망의 입력 레이어에 입력시키도록 하는 명령;
각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하도록 하는 명령;
상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하도록 하는 명령; 및
상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 비활성화하도록 상기 적어도 하나의 히든 노드와 관련된 가중치를 업데이트 하도록 하는 명령;
을 포함하는,
컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램.
복수의 레이어를 포함하는 신경망의 적어도 일부분을 훈련시키기 위한 컴퓨팅 장치로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
를 포함하며,
상기 하나 이상의 프로세서는
정상 데이터 및 비정상 데이터를 포함하는 훈련 데이터를 상기 신경망의 입력 레이어에 입력시키고,
각각의 훈련 데이터에 대한 상기 신경망의 히든 레이어의 하나 이상의 히든 노드 각각에서 출력되는 피쳐값을 히스토그램화 하여 상기 하나 이상의 히든 노드 별 피쳐값의 분포를 생성하고,
상기 각각의 피쳐값의 분포와 사전결정된 확률 분포의 오차를 계산하고, 그리고
상기 오차에 기초하여 상기 히든 레이어의 상기 하나 이상의 히든 노드 중 적어도 하나의 히든 노드를 비활성화 하도록 상기 적어도 하나의 히든 노드와 관련된 가중치를 업데이트 하는,
복수의 레이어를 포함하는 신경망의 적어도 일부분을 훈련시키기 위한 컴퓨팅 장치.