KR102092263B1 - 일정한 처리 시간 내에 k개의 극값을 찾는 방법 - Google Patents

일정한 처리 시간 내에 k개의 극값을 찾는 방법 Download PDF

Info

Publication number
KR102092263B1
KR102092263B1 KR1020187010531A KR20187010531A KR102092263B1 KR 102092263 B1 KR102092263 B1 KR 102092263B1 KR 1020187010531 A KR1020187010531 A KR 1020187010531A KR 20187010531 A KR20187010531 A KR 20187010531A KR 102092263 B1 KR102092263 B1 KR 102092263B1
Authority
KR
South Korea
Prior art keywords
dataset
bit
vector
memory array
value
Prior art date
Application number
KR1020187010531A
Other languages
English (en)
Other versions
KR20180053731A (ko
Inventor
엘리 어만
아비단 아케립
모쉐 레이져
Original Assignee
쥐에스아이 테크놀로지 인코포레이티드
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 쥐에스아이 테크놀로지 인코포레이티드 filed Critical 쥐에스아이 테크놀로지 인코포레이티드
Priority to KR1020207007806A priority Critical patent/KR102305568B1/ko
Publication of KR20180053731A publication Critical patent/KR20180053731A/ko
Application granted granted Critical
Publication of KR102092263B1 publication Critical patent/KR102092263B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/221—Column-oriented storage; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/22—Arrangements for sorting or merging computer data on continuous record carriers, e.g. tape, drum, disc
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2207/00—Indexing scheme relating to methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F2207/22—Indexing scheme relating to groups G06F7/22 - G06F7/36
    • G06F2207/226—Priority queue, i.e. 1 word in, 1 word out sorter; Output word, i.e. min or max of words in memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

방법은 데이터세트의 크기와 무관한 일정한 시간 내에 요소의 데이터세트의 k개의 극값의 세트를 결정하는 단계를 포함한다. 방법은 k개의 표시자의 세트를 생성하며, 각각의 표시자는 멀티 비트 이진수의 대형 데이터세트 내의 하나의 멀티 비트 이진수와 연관된다. 방법은 각각의 상기 멀티 비트 이진수의 각각의 비트 n이 연관 메모리 어레이의 상이한 행 n에 위치되도록 멀티 비트 이진수를 배열하는 단계, 최상위 비트(MSB)를 저장하는 행으로부터 시작하여, 행에서 극값을 갖는 비트를 갖는 각각의 멀티 비트 이진수에 대한 세트에 표시자를 추가하는 단계, 및 상기 세트가 k개의 표시자를 포함할 때까지 추가를 계속하는 단계를 포함한다.

Description

일정한 처리 시간 내에 K개의 극값을 찾는 방법
관련 출원에 대한 상호 참조
본 출원은 2016년 7월 17일자로 출원된 미국 가출원 62/363,270, 2016년 7월 21일자로 출원된 미국 가출원 62/364,883, 및 2017년 1월 22일자로 출원된 미국 가출원 62/449,038의 우선권 및 혜택을 주장하며, 그 모두는 참조로서 본원에 포함된다.
기술분야
본 발명은 일반적으로 연관 계산, 및 특히 연관 계산을 이용하는 데이터 마이닝 알고리즘에 관한 것이다.
데이터 마이닝은 대형 데이터세트에서 패턴을 발견하는 계산 프로세스이다. 이는 상이한 기술을 사용하여 데이터세트를 분석한다. 이러한 기법 중 하나는 분류이며, 이는 그룹 구성원이 알려져 있는 데이터세트의 아이템과 연관된 데이터에 기초하여 새로운 아이템의 그룹 구성원을 예측하는 데 사용되는 기술이다. k-최근접 이웃(k-Nearest Neighbors, k-NN) 알고리즘은 이에 제한되지는 않으나, 다른 수많은 응용 중에서도, 생물 정보학, 발화 인식, 이미지 처리, 통계적 추정, 패턴 인식과 같은 기계 학습 절차가 사용되는 많은 분야에서 사용되는 알려진 데이터 마이닝 분류 방법 중 하나이다.
객체(예를 들어, 제품, 이미지, 얼굴, 음성, 텍스트, 비디오, 인간 조건, DNA 시퀀스 등)의 대형 데이터세트에서, 각각의 객체는 수많은 미리 정의된 클래스 중 하나와 연관될 수 있다 (예를 들어, 제품 클래스는 시계, 꽃병, 귀고리, 펜 등일 수 있다). 클래스의 수는 작거나 클 수 있고, 클래스와 연관되는 것 이외에 각각의 객체는 속성 세트(예를 들어, 제품의 경우: 크기, 무게, 가격 등)로 설명될 수 있다. 속성 각각은 수치 값(예를 들어, 제품 사이즈의 경우: 예컨대 너비 20. 5cm 등)으로 더 정의될 수 있다. 분류 절차의 목적은 객체의 속성의 값 및 데이터세트의 기분류된 객체와의 유사성에 기초하여 미분류 객체(클래스가 아직 정의되지 않음)의 클래스를 식별하는 것이다.
K-최근접 이웃 알고리즘은 먼저 도입된 객체 X(분류되지 않음)와 데이터세트의 각각의 모든 객체 사이의 유사성을 산출한다. 유사성은 거리가 작을수록 객체가 더 유사하도록 객체들 사이의 거리로 정의되며, 사용될 수 있는 몇 가지 알려진 거리 함수가 있다. 거리가 새로운 도입된 객체 X와 데이터세트의 모든 객체 사이에서 산출된 후에, X에 대한 k개의 최근접 이웃이 선택될 수 있으며, 여기서 k는 K-최근접 이웃 알고리즘의 사용자에 의해 정의된 미리 정의된 수이다. X는 k개의 최근접 이웃 중에서 가장 공통적인 클래스에 할당된다.
다른 알고리즘 중에서 K-최근접 이웃 알고리즘은 데이터세트의 가장 작거나 가장 큰, 즉 극단 k 아이템에 신속하게 액세스하기 위해 정렬되지 않은 대형 데이터세트를 매우 신속하고 효율적으로 분석해야 한다.
데이터세트에서 이러한 k개의 가장 작은/가장 큰 아이템을 찾는 한 가지 방법은 숫자가 순서대로 배열되고 첫 번째(또는 마지막) k 숫자가 데이터세트의 원하는 k 아이템이 되도록 데이터세트를 먼저 정렬하는 것일 수 있다. 수많은 정렬 알고리즘이 본 기술분야에 공지되어 있으며 사용될 수 있다.
하나의 메모리 내 정렬 알고리즘은 2015년 1월 1일에 출원되었고 본 출원의 공동 양수인에게 양도된 미국 특허 출원 14/594,434에 설명되어 있다. 이 알고리즘은 처음에 제1 최소치(또는 최대치)을 찾고, 그 다음에 제2 최소치(또는 최대치)를 찾고, 이어서 데이터세트의 모든 숫자가 최소치에서 최대치로(또는 최대치에서 최소치로) 정렬될 때까지 프로세스를 반복함으로써 세트의 숫자를 정렬하는 데 사용될 수 있다. 미국 특허 출원14/594,434에 설명된 정렬 알고리즘의 계산 복잡도는 n이 세트의 크기일 때 O(n)이다 (세트 전체를 정렬하기 위한 n번의 반복이 있으므로). 계산이 k번째 반복에서 중지되면 (제1 k 최소치/최대치를 찾는 데 사용되는 경우), 복잡도는 O(k)일 수 있다.
본 발명의 바람직한 실시예에 따라, 요소의 데이터세트의 크기와 무관한 일정한 시간 내에 요소의 데이터세트의 k개의 극값의 세트를 결정하는 단계를 포함하는 방법이 제공된다.
또한, 본 발명의 바람직한 실시예에 따르면, 방법은 또한 값을 비트별로 검토하는 단계를 또한 포함하며, 여기서 데이터세트의 각각의 요소로부터의 비트 n은 동시에 검토되고 검토는 최상위 비트(MSB)부터 시작된다.
또한, 본 발명의 바람직한 실시예에 따르면, 방법은 극값을 갖는 비트 n을 가진 각각의 요소에 대한 표시자 세트에 표시자를 추가하는 단계를 또한 포함한다.
본 발명의 바람직한 실시예에 따르면, k개 표시자 세트를 생성하는 방법이 제공되며, 각각의 표시자는 멀티 비트 이진수의 대형 데이터세트에서 하나의 멀티 비트 이진수와 연관된다. 방법은 각각의 멀티 비트 이진수의 각각의 비트 n이 연관 메모리 어레이의 상이한 행 n에 위치되도록 멀티 비트 이진수를 배열하는 단계를 포함한다. 방법은 최상위 비트(MSB)를 저장하는 행으로부터 시작하여, 행에서 극값을 갖는 비트를 가진 각각의 멀티 비트 이진수에 대한 세트에 표시자를 추가하는 단계, 및 세트가 k개의 표시자를 포함할 때까지 추가를 계속하는 단계를 또한 포함한다.
또한, 본 발명의 바람직한 실시예에 따르면, 극값은 최대치 또는 최소치 중 하나이다.
또한, 본 발명의 바람직한 실시예에 따르면, 멀티 비트 이진수의 인덱스는 멀티 비트 이진수 각각의 추가 최하위 비트로서 사용된다.
또한, 본 발명의 바람직한 실시예에 따르면, 표시자는 벡터의 크기가 대형 데이터세트의 크기와 동일한 마커 벡터 내의 비트이고, 표시는 인덱스가 대형 데이터세트 내의 극단 멀티 비트 이진수의 인덱스와 동일한 벡터 내의 열의 비트 세트이다.
또한, 본 발명의 바람직한 실시예에 따르면, 표시자의 양을 카운트하는 것은 제1 열과 제2 열 사이에 있는 각각의 열로 제1 값을 시프팅하지 않고, 제1 열로부터 제1 열에 바로 인접하지 않는 제2 열로 직접 제1 값을 시프팅하는 것을 포함한다.
또한, 본 발명의 바람직한 실시예에 따르면, 시프팅은 응답자(responder, RSP) 신호를 사용하여 단일 단계에서 제1 위치로부터 제3 위치로 그리고 단일 단계에서 제3 위치로부터 제2 위치로 값을 복사하는 것을 포함한다.
또한, 본 발명의 바람직한 실시예에 따르면, 추가하는 단계는 멀티 비트 이진수 각각마다 후보 표시를 생성하는 단계를 포함한다. 제1 미리 결정된 값을 갖는 비트를 가진 현재 열의 각각의 멀티 비트 이진수에 대해, 후보 표시를 삭제하는 단계, 및 제2 미리 결정된 값을 갖는 비트를 가진 현재 열의 각각의 멀티 비트 이진수에 대해, 자격(qualified) 표시의 양이 k보다 작을 때까지 후보 표시를 자격 표시로 수정하는 단계, 및 모든 자격 표시를 세트에 추가하는 단계.
또한, 본 발명의 바람직한 실시예에 따르면, 후보 표시는 모든 비트가 "1"로 초기화되는 비트의 벡터를 포함하고, 자격 표시는 모두 "0"으로 초기화되는 비트의 벡터를 포함한다. 또한, 후보 표시를 제거하는 것은 후보 표시와 스캔된 비트 사이에서 논리적 "AND" 연산을 수행하고, 자격 표시와 후보 표시 사이에서 논리적 "OR" 연산을 수행함으로써 후보 표시를 자격 표시로 수정하는 것을 포함한다.
본 발명의 바람직한 실시예에 따르면, 대형 데이터세트에서 k-최근접 이웃(K-NN) 알고리즘으로 미분류 객체에 클래스를 할당하는 방법이 제공되며, 데이터세트 내의 각각의 객체는 클래스와 연관된다. 방법은 미분류 객체와 데이터세트 내의 각각의 객체 사이의 거리를 산출하는 단계; 최소값을 갖는 거리를 가진 객체를 나타내는 k개의 표시자를 찾는 단계로서, 찾는 단계는 데이터세트의 크기와 무관한 일정한 시간 내에 일어나는, k개의 표시자를 찾는 단계; 및 k-최소치 표시자에서 가장 공통적인 클래스를 미분류 객체에 할당하는 단계를 포함한다.
본 발명의 바람직한 실시예에 따르면, 멀티 비트 이진수의 대형 데이터세트의 k개의 극값의 세트를 결정하기 위한 시스템이 제공된다. 시스템은 대형 데이터세트를 저장하는 메모리 어레이, 계산을 하고 계산 결과를 저장하는 연관 메모리, 및 일정한 계산 복잡도로 데이터세트에서 k개의 극값을 찾고 극값 각각의 표시를 생성하는 k-최소(k-min) 프로세서를 포함한다.
본 발명의 바람직한 실시예에 따르면, 미분류 아이템을 분류하는 방법이 제공된다. 방법은 대형 데이터세트 내의 각각의 아이템에 대한 특징 세트를 초기 준비하는 단계를 포함한다. 초기 준비하는 단계는 기분류된 아이템의 트레이닝 세트를 사용하여 트레이닝되지 않은 콘볼루션 신경 네트워크(convolution neural network, CNN)를 트레이닝하는 것을 시작하는 단계, CNN이 수렴을 시작할 때 중간 네트워크 상태에서 트레이닝을 중지하는 단계, 중간 상태를 사용하여 분류된 아이템의 활성화를 계산하는 단계, 및 활성화를 분류된 아이템의 특징으로 저장하는 단계를 포함한다. 미분류 아이템에 대해, 중간 상태를 사용하여 미분류 아이템의 활성화를 계산하는 단계, 및 미분류 아이템의 활성화와 분류된 아이템의 활성화 사이에서 K-NN 연산을 수행하는 단계.
본 발명으로 간주되는 주제는 특히 본 명세서의 결론 부분에서 지적되고 명백하게 청구된다. 그러나, 본 발명은 그 목적, 특징, 및 이점과 함께 구성 및 동작 방법 모두가 첨부 도면과 함께 읽을 때 다음의 상세한 설명을 참조함으로써 가장 잘 이해될 수 있으며, 여기서:
도 1a 및 도 1b는 본 발명의 바람직한 실시예에 따라 구성되고 동작하여 일정한 시간 내에 k개의 극값을 계산하기 위한 메모리 계산 디바이스의 논리적 개략도 및 물리적 개략도이다.
도 2는 메모리 어레이에 저장된 데이터세트 C의 개략도이다;
도 3은 데이터세트 C의 예이다;
도 4 및 도 5는 계산에 사용되는 임시 저장부의 개략도이다;
도 6은 k-최소(k-Mins) 프로세서의 계산 단계를 설명하는 흐름도이다;
도 7-11은 도 3의 예시적인 데이터세트에 대해, 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서의 계산 단계의 예의 도면이다;
도 12는 k-최소치 프로세서에 의해 사용되는 카운트 연산에서 사용하기 위한 효율적인 시프트의 일 실시예의 개략도이다; 그리고
도 13은 수많은 데이터 마이닝 사례의 이벤트 흐름의 개략도이다.
설명의 단순성 및 명료성을 위해, 도면에 도시된 요소는 반드시 일정한 비율로 그려진 것은 아니라는 것이 이해될 것이다. 예를 들어, 요소 중 일부의 치수는 명료성을 위해 다른 요소에 비해 과장될 수 있다. 또한, 적절한 것으로 고려되는 경우, 대응하는 또는 유사한 요소를 나타내기 위해 참조 부호가 도면들 사이에서 반복될 수 있다.
다음의 상세한 설명에서, 본 발명의 완전한 이해를 제공하기 위해 수많은 특정 세부 사항이 제시된다. 그러나, 본 발명은 이들 특정 세부 사항 없이 실시될 수 있음이 본 기술분야의 통상의 기술자에 의해 이해될 것이다. 다른 예에서, 공지된 방법, 절차, 및 구성 요소는 본 발명을 모호하게 않도록 상세히 설명되지 않았다.
출원인은 공지된 정렬 메커니즘의 복잡도가 데이터세트 크기에 비례하므로, 데이터세트가 매우 클 때 k-최소치 값을 찾기 위해 데이터세트를 정렬하는 것은 효율적이지 않다는 것을 깨달았다. 데이터세트가 커짐에 따라, 데이터세트로부터 k-최소치 값을 취출하는 요청에 응답하는 유효 시간이 증가할 것이다.
출원인은 연관 메모리 디바이스가 대형 데이터세트를 저장하는 데 사용될 수 있고, 이는 데이터세트 자체의 크기가 아니라 데이터세트의 객체의 크기에만 비례하는 일정한 계산 복잡도 (O(1))을 갖는 임의의 크기의 데이터세트에서 k-최소치 값을 찾는 메모리 내 방법을 제공할 수 있음을 또한 깨달았다.
이러한 일정한 복잡도를 제공할 수 있는 메모리 디바이스는 2009년 7월 16일에 출원된 미국 특허 출원 12/503,916, 현재는 미국 특허 제8,238,173호; 2015년 1월 1일에 출원된 미국 특허 출원 14/588,419; 2015년 1월 12일에 출원된 미국 특허 출원 14/594,434; 2014년 11월 27일에 출원된 미국 특허 출원 제14/555,638호; 및 2016년 5월 5일에 출원된 미국 특허 출원 제15/146,908호, 현재는 미국 특허 제9,558,812호에 설명되어 있으며, 이들 모두는 본 발명의 공통 양도인에게 양도되었다.
출원인은 연관 계산이 일정한 계산 복잡도와 더불어, 요청당 최소 대기 시간으로 k-최소치 값을 찾는 신속하고 효율적인 방법을 제공할 수 있음을 또한 깨달았다. 또한, 연관 메모리의 데이터는 계산 중에 이동되지 않고, 계산 이전의 원래의 메모리 위치에 남아있을 수 있다.
데이터세트 크기를 증가시키는 것은 k-최소치 질의의 계산 복잡도 및 응답 시간에 영향을 미치지 않을 수도 있다는 것이 이해될 수 있을 것이다.
이제 도 1a 및 도 1b를 참조하며, 이들은 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 메모리 계산 디바이스(100)의 개략도이다. 도 1a에 도시된 바와 같이, 디바이스(100)는 데이터세트를 저장하는 메모리 어레이(110), k-최소치 연산을 수행하기 위해 메모리 논리 소자 상에 구현된 k-최소치 프로세서(120), 및 메모리 어레이(110)에 저장된 데이터에 대해 k-최소치 프로세서(120)에 의해 이루어진 연산의 중간 및 최종 결과를 저장하기 위해 사용될 수 있는 k-최소치 임시 저장부(130)를 포함할 수 있다. 도 1b에서, k-최소치 프로세서(120) 및 k-최소치 임시 저장부(130)의 물리적 양태가 연관 메모리 어레이(140)에 도시되어 있다. 연관 메모리 어레이(140)는 k-최소치 프로세서(120)의 연산과 k-최소치 임시 저장부(130)의 저장을 결합한다. 메모리 어레이(110)는 이진수의 매우 대형 데이터세트를 저장할 수 있다. 각각의 이진수는 고정된 수의 비트로 구성되고 메모리 어레이(110)의 상이한 열에 저장된다. k-최소치 임시 저장부(130)는 메모리 어레이(110)에 저장된 정보의 복사본, 및 k-최소치 프로세서(120)에 의해 수행되는 계산 단계와 관련된 임시 정보를 저장하는 여러 개의 벡터, 뿐만 아니라 데이터세트에서 k개의 가장 낮은 값을 저장하는 k개의 열의 표시를 포함하는 최종 결과를 저장할 수 있다.
(본 명세서에서 전술한 미국 특허 출원에 설명된 바와 같이 부울 연산의 수행을 가능하게 하기 위해) 메모리 어레이(110) 및 연관 메모리 어레이(140)에 저장된 데이터는 열에 저장될 수 있는 것을 알 수 있다. 그러나, 명확성을 위해, 설명 및 도면은 숫자가 (행에) 수평으로 표시되는 정보의 논리적 보기를 제공한다. 실제 저장 및 계산은 수직으로 행해지는 것이 이해될 것이다.
이제 참조되는 도 2는 메모리 어레이(110)에 저장된 데이터세트 C의 개략도이다. 전술한 바와 같이, 데이터세트 C의 행은 메모리 어레이(110)에 열로서 저장된다. 데이터세트 C는 q 행에 멀티 비트 이진수를 저장할 수 있다. 데이터세트 C의 각각의 이진수는 CP로 언급되며, 여기서 p는 이진수가 저장되는 메모리 에러이 C의 행 식별자이다. 각각의 수 CP은 m 비트
Figure 112018037071584-pct00001
Figure 112018037071584-pct00002
로 구성되며, 여기서
Figure 112018037071584-pct00003
는 행 p에 저장된 이진수의 비트 i를 나타낸다. m(이진수를 포함하는 비트 수)의 값은 8, 16, 32, 64, 128 등일 수 있다.
전술한 바와 같이 CP는 어레이 C의 행 (p)을 나타내며, 여기서 (p = 1..q)이고, Ci는 어레이 C의 열 (i)을 나타내며, 여기서 (i = 1..m)이고,
Figure 112018037071584-pct00004
는 어레이 C의 셀(행 p와 열 i의 교집합)을 나타내며, 여기서 (p = 1..q; i = 1..m)이다. 도 2에서 행 3 열 2에 있는,
Figure 112018037071584-pct00005
로 언급되는 아이템이 사각형으로 표시되어 있다.
이제 참조되는 도 3은 11개의 이진수, 즉 q = 11을 갖는 데이터세트 C의 예이다. 각각의 행에는 0에서 시작하여 10까지의 식별자로 라벨링된다. 예시적인 데이터세트 C의 이진수는 각각 8비트를 가지며, 비트는 비트 7 내지 비트 0으로 라벨링된 열에 저장되며, 이 예에서 m = 8이다. 각각의 이진수의 십진수 값이 각각의 행의 오른쪽에 나타내어져 있다. 이 예에서 찾아질 최소 이진수의 원하는 양은 4, 즉 k = 4로 설정될 수 있고, 도 3의 데이터세트에서 4개의 가장 작은 수는 (a) 행 9에 저장된 수 14; (b) 행 5에 저장된 수 56; (c) 행 1에 저장된 수 88; 및 (d) 행 4에 저장된 수 92인 것을 알 수 있다.
본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)는 대형 데이터세트 C에서 k개의 가장 작은 이진수를 찾을 수 있다. 데이터세트 C에서 k개의 가장 작은 수의 그룹은 k-최소치 세트라고 지칭되며 k개의 수를 가질 수 있다. k-최소치 프로세서(120)는 MSB(최상위 비트)로부터 LSB(최하위 비트)까지의 데이터세트 C의 열 Ci를 스캔하고, 동시에 행 CP - 여기서
Figure 112018037071584-pct00006
은 0이다 - 을 선택하여 다음 단계로 계속 진행함으로써 k-최소치 세트를 생성할 수 있다. 특정 위치( i번째 비트)에서 값 0을 갖는 이진수는 동일한 위치에서 값 1을 갖는 이진수보다 더 작음을 알 수 있다.
선택된 행의 양이 목표 행 k와 비교된다. 선택된 행의 양이 k보다 크다면, k-최소치 프로세서(120)는 너무 많은 행이 있기 때문에 이미 선택된 행의 다음 비트를 계속 스캔할 수 있고, 그 세트는 더 감소될 것이다. (선택되지 않은 행은 더 큰 값을 갖는 이진수를 포함할 수 있으므로, 나머지 계산에서는 고려되지 않는다). 선택된 행의 양이 k보다 작은 경우, k-최소치 프로세서(120)는 선택된 행을 k-최소치 세트에 추가할 수 있고 나머지 모든 이진수의 다음 비트를 계속 스캔할 수 있다. (선택된 행의 양이 충분하지 않으므로, 추가적인, 더 많은 이진수를 가진 행이 고려될 것이다). 선택된 행의 양이 정확히 k이면, k-최소치 프로세서(120)는 k-최소치 세트가 필요로 하는 k개의 아이템을 포함할 수 있기 때문에 그 처리를 중지할 수 있다.
k = 1일 때, k-최소치 세트는 전체 데이터세트의 전역 최소치인 단일 숫자를 포함한다는 것을 알 수 있다. 데이터세트에 이 값을 갖는 인스턴스가 하나를 초과하여 있을 수 있고, 이 값의 제1 인스턴스는 k-최소치 세트의 멤버로 선택된다는 것이 또한 이해될 수 있을 것이다.
k-최소치 프로세서(120)는 데이터세트 C의 이진수의 비트가 메모리 어레이(110)에 저장되는 정보로 구축될 수 있다는 것이 또한 이해될 수 있을 것이다. 도 3의 예에서, 이진수는 행으로 표시되며, 여기서 MSB는 가장 왼쪽 비트이고, LSB는 가장 오른쪽 비트이고, 다른 모든 비트는 그 사이에 있다. 또한, 메모리 어레이(110)의 이진수의 배열은 데이터세트 C의 모든 이진수의 i번째 위치에 있는 비트가 메모리 어레이(110)에서 동일한 행 Ci에 위치되도록 된다. 즉, 데이터세트 C의 모든 이진수의 MSB는 같은 행에 있을 수 있고, 데이터세트 C의 모든 이진수의 LSB는 같은 행에 있을 수 있고, 따라서 그 사이에 모든 비트가 있을 수 있다.
이제 참조되는 도 4 및 도 5 는 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 임시 저장부(120)의 개략도이다. k-최소치 임시 저장부(120)는 벡터에 저장된 중간 정보를 포함할 수 있다. k-최소치 프로세서(120)에 의해 사용되는 벡터는 벡터 D - 임시 역 벡터; 벡터 V - 자격 k-최소치 마커 벡터; 벡터 M - 후보 벡터; 벡터 N - 임시 후보 벡터; 및 벡터 T - 임시 구성원 벡터이다. k-최소치 섹션(120)에 사용되는 모든 벡터의 크기(행 수)는 q이며 데이터세트 C의 행 수와 동일하다. 각각의 벡터는 세트의 일부, 세트에 합류할 후보 등과 같이, k-최소치 세트와 관련하여 데이터세트 C의 연관된 행에 저장된 이진수와 관련된 표시를 각각의 행에 저장한다. 벡터는 전체 데이터세트와 같이, 메모리 어레이(110)의 행에 물리적으로 저장되지만, 명확성을 위해 열로 도시된다는 것을 알 수 있다.
벡터 D는 k-최소치 프로세서(120)에 의해 처리되는 열 Ci의 비트의 역의 값을 포함할 수 있는 임시 역 벡터이다. 전술한 바와 같이, 데이터세트 C의 이진수의 비트는 MSB로부터 LSB로 처리될 수 있고, 각각의 단계에서, k-최소치 프로세서(120)는 메모리 어레이(110)의 또 다른 행 i를 처리할 수 있다.
벡터 D는 데이터세트 C에서 처리된 열 Ci의 역이다:
D = NOT Ci
1의 값을 갖는 벡터 D의 임의의 행 p(즉, DP = 1)는 셀
Figure 112018037071584-pct00007
(데이터세트 C의 행 p)에 저장된 원래 비트의 값이 0이었음을 나타낼 수 있으며, 이는 데이터세트 C의 행 p에 저장된 이진수가 k-최소치 세트에 참여할 후보가 될 수 있음을 나타낸다. 유사하게, 0의 값을 갖는 벡터 D내의 모든 행 p(즉, DP = 0)는 셀
Figure 112018037071584-pct00008
(데이터세트 C의 행 p)에 저장된 원래 비트의 값이 1이었음을 것을 나타낼 수 있고, 이는 데이터세트 C로부터의 관련 이진수가 평가되는 데이터세트로부터의 다른 수보다 크기 때문에 k-최소치 세트에 참여할 후보가 아닐 수 있음을 나타낸다.
벡터 V는 자격 k-최소치 마커 벡터이며, (이미) k-최소치 세트의 일부인 이진수를 갖는 데이터세트 C의 모든 행의 목록을 유지한다. 알고리즘에 의해 사용되는 다른 벡터와 마찬가지로, 데이터세트 C의 이진수 CP가 k-최소치 세트에 속하는지 여부의 최종 표시 VP를 각각의 행 p에 유지하는 q 크기의 벡터이다.
1의 값을 갖는 벡터 V의 임의의 행 p(즉, VP = 1)는 데이터세트 C의 동일한 행 p에 저장된 이진수의 값이 k-최소치 세트 멤버로서 자격이 있음을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 V의 모든 행 p(즉, VP = 0)는 데이터세트 C의 행 p에 저장된 이진수가 k-최소치 세트의 일부가 될 자격이 없음을 나타낼 수 있다.
벡터 V는 계산 시작 시에 k-최소치 세트가 비어 있기 때문에 모두 0으로 초기화될 수 있다. 계산의 끝에서, V는 k개의 자격 표시를 포함할 수 있다 (즉, 벡터 V의 k 비트의 값은 1이고, 모든 다른 비트의 값은 0일 수 있다). 벡터 V의 비트 VP가 계산 중에 1로 설정되면, C의 연관된 이진수 CP는 k-최소치 세트의 일부이고, k-최소치 세트의 일부가 되는 것을 멈추지 않을 수 있다. 벡터 V의 표시는 단지 설정될 수 있다. k-최소치 프로세서가 데이터세트 C의 다음 열로 계속 진행하는 동안 표시는 또한 계산 프로세스를 따라 "설정 해제"되지 않을 수 있다. (열은 MSB에서 LSB로 처리되므로, 가장 작은 것으로 정의된 수는 그 특성을 변경하지 않고 다음 열을 처리될 때 더 커질 수 있다).
벡터 M은 후보 벡터이며, 잠재적으로 k-최소치 세트의 일부가 될 수 있는 수를 갖는 데이터세트 C의 모든 행의 목록을 유지한다. 데이터세트 C의 연관된 이진수는 k-최소치 세트에 아직 추가되지 않았지만, 세트에서 아직 제외되지 않았으며 잠재적으로 k-최소치 프로세서(120)의 절차를 따라 또한 세트에 합류할 수 있다. k-최소치 프로세서(120)에 의해 사용되는 다른 모든 벡터와 마찬가지로, 데이터세트 C의 이진수 CP가 여전히 k-최소치 세트에 합류할 후보로서 고려될 수 있는지 여부의 표시 MP를 각각의 행 p에 유지하는 q 크기의 벡터이다.
1의 값을 갖는 벡터 M의 임의의 행 p(즉, MP = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 k-최소치 세트에 합류할 후보일 수 있음을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 M의 모든 행 p(즉, MP = 0)는 데이터세트 C의 행 p에 저장된 이진수가 더 이상 k-최소치 세트에 합류할 후보로 고려될 수 없음을 나타낼 수 있다.
세트가 정렬되지 않을 수 있고 숫자는 랜덤하게 퍼져 있을 수 있으므로, 데이터세트 C의 모든 수가 잠재적으로 k-최소치 세트의 일부가 될 수 있기 때문에 벡터 M은 모두 1로 초기화될 수 있다.
계산 중에 벡터 M의 비트 MP가 0으로 설정되면, 이는 C의 연관된 이진수 CP가 더 이상 k-최소치 세트의 잠재적인 후보로 고려되지 않을 수 있음을 나타내고, k-최소치 프로세서(120)가 평가를 위해 다음 비트로 계속 진행하는 동안, 표시는 계산 프로세스를 따라 또한 다시 변경되지 않을 수 있다. 후보가 되는 것이 중단될 수 있는 이진수는 다른 이진수보다 크기 때문에, 추가 평가에서 영구적으로 제외될 수 있다.
벡터 N은 임시 후보 벡터이며, 벡터 M에 의해 표시된 바와 같은 CP의 과거에 처리된 비트에 따른 이진수의 현재 후보 상태 및 역의 값이 벡터 D에 저장될 수 있는 현재 처리된 비트의 값을 고려하여, 아직 V에 있지 않은 수 CP가 여전히 k-최소에 합류할 후보로 고려될 수 있는지의 임시 표시 NP를 각각의 행 p에 대해 유지한다. N은 벡터 M과 벡터 D의 논리적 AND이다.
N = M AND D
1의 값을 갖는 벡터 N의 임의의 행 p(즉, NP = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 여전히 k-최소치 세트에 합류할 후보임을 나타낼 수 있다. 유사하게, 0의 값을 갖는 벡터 N의 모든 행 p(즉, NP = 0)는 데이터세트 C의 행 p에 저장된 이진수가 더 이상 k-최소치 세트에 합류할 후보가 될 것으로 고려되지 않을 수 있음을 나타낼 수 있다. 이진수 CP가 이전에 후보가 되는 것에서 배제되지 않고 (즉, MP = 1), C의 현재 검사된 비트가 0, 즉 DP = 1인 경우에 그리고 이러한 경우에만, NP는 1이 될 것이다.
벡터 T는 임시 구성원 벡터이며, 이진수 CP가 잠재적으로 k-최소의 멤버인지 여부, 즉 이미 k-최소치 세트에 있거나(벡터 V에 표시가 있음) k-최소치 세트에 합류할 후보(벡터 N에 표시가 있음)인지 여부의 임시 표시 TP를 각각의 행 p에 대해 유지한다. T는 벡터 N과 벡터 V의 논리적 OR이다.
T = N OR V
1의 값을 갖는 벡터 T의 임의의 행 p(즉, TP = 1)는 데이터세트 C의 행 p에 저장된 이진수의 값이 k-최소치 세트의 임시 멤버로서 고려될 수 있음을 나타낼 수 있고, 0의 값을 갖는 벡터 T의 모든 행 p(즉, TP = 0)는 관련 이진수가 k-최소치 세트의 멤버가 아닐 수 있음을 나타낼 수 있다.
전술한 바와 같이, k-최소치 프로세서(120)는 데이터세트 C에 저장된 모든 수 CP에 대해 동시에 작업할 수 있고, MSB에서 LSB까지 그것들의 비트에 걸쳐 반복할 수 있다. 빈 그룹(V = 0)으로 시작할 수 있으며, 데이터세트의 모든 이진수에 후보 상태를 할당할 수 있다 (M = 1). k-최소치 프로세서(120)의 각각의 단계에서, 열 Ci의 비트
Figure 112018068303980-pct00009
의 역(D = NOT C)이 평가된다 (k개의 최대 값을 찾기 위해서는, Ci가 역의 값 대신에 평가된다). D의 값이 0이면 (즉,
Figure 112018068303980-pct00010
= 1), 수 CP는 k-최소치 세트에 합류하기에는 너무 커서 잠재적으로 후보 목록 N (N = M 및 D)으로부터 제거될 수 있다. 후보 수가 산출되고 (CNT = COUNT(N OR V)), 원하는 크기인 k-최소치 그룹-k와 비교된다.
CNT (k-최소치 세트의 잠재적인 이진수)가 필요한 것보다 작으면 (CNT < k), (k-최소치 세트에 자격 멤버가 충분하지 않기 때문에) 모든 후보가 자격을 가지게 될 수 있고 (V = N OR V), 검색이 계속될 수 있다.
CNT가 필요한 것보다 크면 (CNT > k), 현재 검사된 비트에서 1의 비트 값을 갖는 모든 이진수가 후보 목록에서 제거되어 (M = N), 후보 수를 감소시킬 수 있다. 나머지 후보는 다음 단계로 진행될 수 있다.
CNT가 필요한 값에 맞으면 (CNT = k), 모든 후보가 자격을 가지게 될 수 있고 (V = N 또는 V), k-최소치 프로세서(120)의 계산이 종료될 수 있다.
이제 참조되는 도 6은 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120) 기능 단계의 흐름도이다. k-최소치 프로세서(120) 기능 단계는 초기화(610), 루프(620), 벡터 산출(630), 대형 세트(640), 소형 세트(650), 적절한 세트(660)를 포함한다. k-최소치 프로세서(120)의 처리 단계는 또한 이하에서 의사 코드로서 제공된다.
초기화(610)는 k-최소치 세트가 비어 있는 세트로 시작할 수 있으므로 벡터 V를 0으로 초기화할 수 있고, 데이터세트 C내의 모든 이진수가 후보일 수 있으므로 벡터 M을 1로 초기화할 수 있다.
루프(620)는 데이터세트 C의 이진수의 모든 비트에 걸쳐 루프할 수 있으며, MSB에서 시작하여 LSB에서 종료한다.
각각의 처리된 비트에 대해, 벡터 산출(630)은 임시 벡터 D, N, 및 T를 산출할 수 있고, 후보의 양이 카운트될 수 있다. 벡터 D는 열 i의 역으로서 생성될 수 있고, 후보 벡터 N은 (벡터 M에 있는) 기존 후보 및 처리되는 비트의 역의 값을 보유하는 벡터 D에 의해 반영된 비트 i의 값으로부터 생성된다. 벡터 T는 벡터 V에 의해 반영된 k-최소치 세트의 현재 멤버와 생성된 후보 벡터 N 사이의 논리적 OR로서 산출될 수 있다. 벡터 T에 있는 후보의 수는 이하에서 더 설명되는 바와 같이 카운트될 수 있다.
후보의 수가 필요한 것보다 크면, 대형 세트(640)는 후보 벡터 M를 업데이트하고 다음 비트로 계속 진행할 수 있다. 후보의 수가 필요한 것보다 작으면, 소형 세트(650)는 새로운 후보를 멤버 벡터 V에 추가하고 다음 비트로 계속 진행할 수 있고, 후보의 수가 필요한 만큼이라면, 적절한 세트(660)는 계산이 LSB에 도달하지 않았더라도 자격 마커 벡터 V를 업데이트하고 루프를 빠져나올 수 있다.
1 KMINS(int k, array C)
2 {
3 M := 1
4 V := 0
5 FOR i = MSB to i = LSB:
6 D := not(C[i]);
7 N := M AND D;
8 T := N OR V;
9 cnt = COUNT(T);
10 IF cnt > K:
11 M := N;
12 ELIF cnt < K:
13 V := T;
14 ELSE:
15 V := T;
16 EXIT;
17 ENDIF
18 ENDFOR
19 }
도 7-11은 도 3의 예시적인 데이터세트 및 알고리즘의 각각의 단계에서의 결과적인 벡터의 내용물에 대해 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)의 산출 단계의 예의 도면이다. 이 예에서 k-최소치 세트의 필요한 크기는 전술한 바와 같이 4로 설정된다.
도 7은 계산 결과를 명확하게 하기 위한 각각의 수의 십진수 값, 및 각각 0 및 1로의 초기화 후에 벡터 V 및 벡터 M의 내용물과 함께, 데이터세트 C의 내용물의 예이다.
도 8은 데이터세트 C의 예에서 비트 수 7인 MSB에 대한 k-최소치 프로세서(120)의 반복 후에 상이한 벡터의 상태의 예이다. 벡터 D는 데이터세트 C의 열 7의 역의 값을 포함할 수 있다. 그 다음에, 벡터 N은 벡터 M과 벡터 D의 논리적 AND 연산으로서 산출될 수 있다. 그 다음에, 벡터 T는 벡터 N과 벡터 V의 논리적 OR 연산으로서 산출될 수 있고, T에 있는 표시의 수가 카운트된다. 카운트 값은 5이며, 이는 예에서 4 인 필요한 k 값보다 크다. 이 경우, 벡터 M은 N의 값으로 업데이트되고 알고리즘은 다음 비트로 계속 진행된다.
도 10은 비트 수 5인 다음 비트에 대한 k-최소치 프로세서(120)의 반복 후의 상이한 벡터의 예이다. 벡터 D는 데이터세트 C의 열 5의 역의 값을 포함할 수 있다. 벡터 N은 이전과 같이 벡터 M과 벡터 D의 논리적 AND 연산으로서 산출될 수 있다. 그 다음에, 벡터 T는 벡터 N과 벡터 V의 논리적 OR 연산으로서 산출될 수 있고, 값 "1"을 갖는 비트 수가 카운트된다. 카운트의 값은 필요한 세트 크기인 4이며, 따라서 V는 T의 값으로 업데이트되고 알고리즘은 종료된다. 이 시점에서 벡터 V는 모든 행에서 데이터세트 C의 작은 수를 나타내는 마크(비트 값 "1")를 포함하고, 따라서 정확한 수가 벡터 V에 의해 가리켜지는 것을 알 수 있다.
예의 데이터세트에서, 최소값을 갖는 정확히 4개의 이진수가 존재하며, 각각의 이진수의 비트 수가 8이긴 하나, 3회 반복 후에 k-최소치 프로세서(120)에 의해 발견될 수 있다. 처리 복잡도가 데이터세트 크기가 아니라 이진수의 비트 수에 의해 한정된다는 것을 알 수 있다.
이진수가 데이터세트에 2회 이상 존재할 때, k-최소치 프로세서(120)는 데이터세트의 이진수의 마지막 비트에 도달하고, k-최소치 멤버로서 자격을 가질 정확히 k개의 아이템을 찾지 못할 수도 있다. 이 경우, 데이터세트의 각각의 이진수의 고유 인덱스를 나타내는 추가적인 비트 세트가 추가적인 최하위 비트로서 사용될 수 있다. 각각의 이진수가 고유 인덱스와 연관되므로, 추가적인 비트는 데이터세트 내의 각각의 아이템에 대한 고유 값을 생성하는 것을 보장할 수 있고, k-최소치 세트의 정확한 양의 아이템을 제공할 수 있다.
이제 참조되는 도 11은 k-최소치 세트의 크기가 k보다 클 수 있도록 반복되는 이진수의 인스턴스를 갖는 예시적인 데이터세트 C의 예이다. (도 11의 예에서, 십진수 값이 56인 이진수가 행 3 및 행 5에서 두 번 반복되고, 십진수 값이 14인 이진수가 행 8, 행 9, 및 행 10에서 세 번 반복된다. 결과적으로, k-최소치 세트에는 5개의 아이템이 있으며, 한편 k는 4이다). k-최소치 세트의 아이템의 수를 감소시키기 위해, 각각의 이진수의 인덱스는 데이터세트 C의 이진수의 최하위 비트로서 k-최소치 프로세서(120)로 처리될 수 있다. 인덱스가 고유하기 때문에, 오직 k개의 인덱스만이 k-최소치 세트에 있게 될 것이다. 도 11에 도시된 바와 같이, 인덱스 비트의 추가는 정확하게 k=4멤버인 k-최소치 세트를 생성한다.
전술한 바와 같이, 본 발명의 일 실시예에 따라 구성되고 동작하는 k-최소치 프로세서(120)는 벡터에서의 표시의 수, 즉 벡터 T의 세트 비트를 카운트할 수 있다. 벡터의 세트 비트의 수를 카운트하는 여러 가지 방법이 있는데, 그 중 하나는 각각의 수를 바로 옆의 이웃과 더하고, 그 다음에 전체 벡터가 카운트될 때까지 2 열 떨어진 결과, 4 열 떨어진 결과 등등과 결과를 더하는 공지된 피라미드 카운트이다.
출원인은 효율적인 카운트가 2015년 1월 1일에 출원되고 본 발명의 공동 양수인에게 양도된 미국 특허 출원 14/594,434에 상세하게 설명된 RSP 신호를 사용하여 연관 메모리에 구현될 수 있다는 것을 깨달았다. RSP 신호는 큰 벡터에서의 표시 카운트에 필요한 비트의 효율적인 큰 시프트를 위해 사용될 수 있다. 벡터가 큰 경우, 하나씩 하는 시프트 연산 대신에 순간 시프트를 제공하는 시프트 16, 256, 2000 등과 같은 큰 시프트가 필요할 수 있다.
RSP는 열 중 적어도 하나의 열의 데이터 후보의 포지티브 식별에 응답하는 신호를 발생시킬 수 있는 유선 OR 회로이다.
이제 참조되는 도 12는 예시적인 어레이(1200)를 사용하여 카운트 연산을 위한 효율적인 시프트를 구현하기 위해 RSP 신호를 사용하는 일 실시예의 개략도이다. 어레이(1200)는 다음의 컬럼: 행(1210), 벡터(1220), 위치(1230), X-보관(1240), RSP 신호(1245), 및 RSP 열(1250)을 포함할 수 있다.
행(1210)은 어레이(1200)의 행의 인덱스일 수 있다. 어레이(1200)는 16개의 행이 있을 수 있지만, 어레이(1200)는 32, 64, 128, 256, 512, 1024, 2000 등과 같은 임의의 수의 행일 수 있다. 벡터(1220)는 행 n으로부터의 비트가 행 0에 재배치되어야 하는 비트의 벡터일 수 있다, 즉, (예를 들어, 다른 열의 행 0에 있는 비트에 이를 추가하기 위해) 위치 n의 비트의 값은 위치 0으로 복사되어야 한다. 각각의 행에서, 비트의 값은 시프팅될 값이며 "X"로 표기된 값인 행 n에 저장된 값을 제외하고는 "y"로 표기될 수 있다. 벡터(1220)의 모든 비트는 값 "0" 또는 값 "1"을 가질 수 있다. 위치 열(1230)은 비트(X로 표기됨)가 시프팅될 것이며 값이 "1"로 설정되어 있는 행 n에서를 제외하고는 모든 행에서 값 "0"을 갖는 열일 수 있다. X-보관(1240)는 벡터(1220)와 위치(1230)의 값 사이의 부울 AND 연산의 결과일 수 있다. X-보관(1240)은 벡터(1220)의 행 n에 저장된 값 X를 보관할 수 있고 벡터(1220)의 모든 다른 행의 값을 널(null)로 만들 수 있다.
RSP 신호(1245)는 X-보관(1240)의 모든 셀에 대해 수행된 OR 연산의 결과이고 값 X를 가질 수 있다. X-보관(1240)의 모든 비트의 값이 행 n에 저장된 값 X를 제외하고는 "0"이므로, X-보관(1240)의 모든 셀에 대한 OR 부울 연산의 값은 값 X일 것임을 알 수 있다. 셀 RSP 신호(1245)에서 수신된 값은 행 n에서 행 0으로 값 X를 효과적으로 시프팅하는 셀 0을 포함하는 RSP(1250)의 모든 셀에 또한 기입될 수 있다.
전술한 k-최소치 알고리즘은 k 최근접 이웃(K-NN) 데이터 마이닝 알고리즘에 의해 사용될 수 있다. K-NN에서, D는 q개의 객체를 포함하는 대형 데이터세트를 나타낼 수 있다 (q는 엄청나게 큼). DP는 데이터세트 D의 하나의 객체이고: DP ∈ D, A는 분류할 객체이다. 객체는 수치 속성의 벡터에 의해 정의된다: A는 n개의 속성의 벡터
Figure 112018037071584-pct00011
에 의해 정의되고, DP는 동일한 n개의 속성의 벡터
Figure 112018037071584-pct00012
에 의해 정의된다. m 비트의 이진수 CP인, 객체 A와 객체 DP 사이의 거리가 도입된 객체 A와 데이터세트 D의 각각의 객체 DP 사이에서 산출된다. 거리 CP는 2개의 0이 아닌 벡터들 사이의 코사인 유사성을 나타낼 수 있다. 본 기술분야에서 공지된 코사인 유사성은 벡터의 각각의 쌍을 벡터의 내적으로 알려져 있는 스칼라 양과 연관시킨다.
코사인 거리는 공식:
Figure 112018037071584-pct00013
을 사용하여 산출될 수 있다.
거리 CP는 객체 A와 데이터세트 내의 각각의 객체 DP 사이에서 산출되고, 대형 데이터세트 C에 이진수로 저장된다. k-최소치 알고리즘은 일정한 시간 내에 A의 k개의 최근접 이웃을 나타내는 C에서 k개의 가장 작은 이진수를 찾을 수 있다.
예를 들어 K-NN 알고리즘에 의한 사용을 위해 k-최소치 알고리즘의 산출을 완료하는 데 필요한 단계의 수는 극도로 클 수 있는 데이터세트의 객체의 수 (q)가 아니라, 데이터세트에 저장된 객체의 크기(A와 데이터세트의 객체 사이의 거리를 나타내는 이진수를 구성하는 비트 수, 즉 m)에만 달려 있음을 알 수 있다. 알고리즘의 산출은 데이터세트의 모든 행에서 동시에 행해질 수 있다. 데이터세트에 객체의 임의의 추가가 k-최소치 프로세서(120)의 처리 시간을 연장시키지 않을 수 있음을 또한 알 수 있다. 온라인 애플리케이션에서 사용된다면, 데이터세트로부터 객체의 객체 취출 시간은 데이터세트가 커질 때와 동일하게 유지될 수 있다.
전술한 본 발명을 사용하는 질의의 처리량은 현재 질의의 결과가 사용자에게 반환되기 전에 다음 질의의 산출을 시작함으로써 개선될 수 있다는 것을 알 수 있다. k-최소치 프로세서(120)는 객체가 그 상태를 후보로부터 자격으로 변경한 반복 식별자를 표기하기 위해 각각의 이진수에 수치 표시를 추가함으로써 세트 대신에 아이템의 순서화된 목록을 생성할 수 있음을 또한 알 수 있다. 더 작은 이진수가 더 큰 이진수보다 빨리 자격을 갖게 되기 때문에, 더 작은 이진수의 반복 식별자는 또한 데이터세트 C의 더 큰 이진수의 반복 식별자보다 작을 수 있다.
달리 언급되지 않는 한, 앞의 논의에서 명백한 바와 같이, 명세서 전반에 걸쳐, k개의 최소 수에 대한 논의는 k개의 최대 수에 준용되며 그 반대의 경우도 마찬가지이고, 극한 수라고 지칭될 수 있음이 이해된다.
출원인은 K-NN 프로세스가 음성 인식, 이미지 및 비디오 인식, 추천 시스템, 자연 언어 처리 등과 같은 수많은 분야에서 분류기 및 인식 시스템의 속도를 개선시키는 데 이용될 수 있다는 것을 깨달았다. 출원인은 또한 본 발명의 바람직한 실시예에 따라 구성되고 동작하는 K-NN 알고리즘이 O(1)의 우수한 계산 복잡도를 제공하기 때문에 이전에는 사용되지 않았던 분야에서 사용될 수 있음을 깨달았다.
어느 시점에서 분류를 위해 K-NN 알고리즘을 사용할 수 있는 수많은 데이터 마이닝 사례의 이벤트의 흐름을 도시하는 도 13이 이제 참조된다. 시스템(1300)은 입력 신호(1310)로부터 특징(1330)을 추출하는 특징 추출기(1320), 및 입력 신호(1310)의 아이템의 인식 및/또는 분류(1350)를 발생시키는 K-NN 분류기(1340)를 포함할 수 있다.
신호(1310)는 이미지, 음성, 문서, 비디오 등일 수 있다. 이미지의 경우, 특징 추출기(1320)는 학습 단계 등에 있는 콘볼루션 신경 네트워크(CNN)일 수 있다. 발화의 경우, 특징(1330)은 멜 주파수 켑스트럴 계수(mel-frequency cepstral coefficient, MFCC)일 수 있다. 문서의 경우, 특징은 정보 이득(information gain, IG), Chi 스퀘어(Chi Square, CHI), 상호 정보(mutual information, MI), 산출된 Ng-Goh-Low(NGL) 계수 값, 산출된 Galavotti-Sebastiani-Simi(GSS) 계수 값, 관련성 스코어(Relevancy score, RS), MSF DF, 문서 빈도에 대한 용어 빈도(term frequency for the document frequency, TFDF) 등일 수 있다. 추출된 특징은 K-NN 분류기(1340)가 동작할 수 있는 도 1의 메모리 계산 디바이스(100)와 같은 디바이스에 저장될 수 있다. 분류(1350)는 이미지 인식과 같은 아이템의 예측된 클래스, 또는 이미지 신호에 대한 분류; 오디오 신호에 대한 발화 검출 또는 잡음 제거; 문서 신호에 대한 문서 분류 또는 스팸 검출; 등일 수 있다.
예를 들어, CNN 네트워크는 분류가 알려져 있는 아이템의 트레이닝 세트를 사용하여 학습을 시작할 수 있다는 것을 알 수 있다. 짧은 학습 시간 후에, 네트워크의 첫 수렴이 관찰된다. 학습 단계는 일반적으로 안정되고 신뢰할 수 있는 네트워크의 완전한 수렴을 위해 몇 시간 및 며칠 지속된다.
본 발명의 바람직한 실시예에 따르면, 학습은 수렴의 시작 직후에 중지될 수 있고, 네트워크는 완전한 수렴이 달성되기 전에 이러한 "과도적" 상태로 저장될 수 있다.
본 발명의 바람직한 실시예에 따르면, "과도적" 상태에 있는 네트워크를 사용하여 산출된 트레이닝 세트의 활성화 값은 트레이닝 세트 내의 각각의 아이템의 특징(1330)으로서 정의될 수 있고, 그러한 각각의 아이템의 분류와 함께 저장될 수 있다. 특징은 정규화될 수 있다는 것을 알 수 있다 - 즉, 각각의 아이템의 모든 활성화의 제곱의 합은 더해서 최대 1.0으로 설정될 수 있다.
분류될 새로운 아이템이 수신되는 경우, 과도적 상태에 있는 네트워크를 사용하여 아이템에 대해 CNN이 수행되고, 저장된 특징을 사용하는 K-NN 절차가 새로운 아이템을 분류하는 데 사용될 수 있다. 새로운 아이템의 K-NN 분류는 새로운 객체의 특징 세트와 데이터베이스의 아이템 사이의 코사인 유사성을 산출하고, 상세히 전술한 바와 같이 k개의 최근접 이웃의 클래스의 클래스로 새로운 아이템을 분류함으로써 수행될 수 있다.
전술한 k-최소치 방법을 사용하는 K-NN 알고리즘은 표준 CNN의 마지막 부분을 대체할 수 있다는 것을 알 수 있다.
K-NN 알고리즘의 추가는 트레이닝 기간 시간을 대폭 감소시키면서 부분적으로 트레이닝된 신경 네트워크로 높은 분류 정확성을 제공할 수 있음을 알 수 있다.
분류를 위해 CNN을 K-NN과 함께 사용하는 것은 이미지 및 비디오 인식, 추천 시스템, 자연 언어 처리 등과 같은 애플리케이션에서 네트워크의 완전히 연결된 부분을 대체할 수 있다.
본 발명의 특정 특징이 본 명세서에 도시되고 기술되었지만, 많은 수정, 대체, 변경 및 균등물이 이제 본 기술분야의 통상의 기술자에게 일어날 것이다. 따라서, 첨부된 청구 범위는 본 발명의 진정한 사상 내에 있는 그러한 모든 수정 및 변경을 포함하도록 의도된 것으로 이해되어야 한다.

Claims (14)

  1. 메모리 어레이에 저장된 데이터세트 내에서 아이템을 찾기 위한 방법으로서,
    상기 메모리 어레이 내에서, 상기 데이터세트의 크기와 무관한 일정한 시간 내에 상기 데이터세트의 k개의 극값의 세트를 결정하는 단계를 포함하고, 상기 결정하는 단계는:
    최상위 비트(MSB)부터 시작해서 상기 극값을 비트별로 검토하는 단계를 포함하되, 상기 데이터세트의 각각의 요소로부터의 비트 n은 동시에 검토되는, 메모리 어레이에 저장된 데이터세트 내에서 아이템을 찾기 위한 방법.
  2. 제1항에 있어서,
    상기 검토하는 단계는 극값을 갖는 비트 n을 가진 각각의 요소에 대한 표시자 세트에 표시자를 추가하는 단계를 포함하는, 메모리 어레이에 저장된 데이터세트 내에서 아이템을 찾기 위한 방법.
  3. k개의 표시자의 세트를 생성하는 방법으로서,
    각각의 표시자는 메모리 어레이에 저장된 멀티 비트 이진수의 데이터세트 내의 하나의 멀티 비트 이진수와 연관되고,
    상기 방법은:
    상기 메모리 어레이 내에서, 각각의 상기 멀티 비트 이진수의 각각의 비트 n이 상기 메모리 어레이의 상이한 행 n에 위치되도록 상기 멀티 비트 이진수를 배열하는 단계;
    상기 메모리 어레이 내에서, 최상위 비트(MSB)를 저장하는 행으로부터 시작하여, 상기 행에서 극값을 갖는 비트를 가진 각각의 멀티 비트 이진수에 대해 상기 세트에 표시자를 추가하는 단계; 및
    상기 메모리 어레이 내에서, 상기 세트가 k개의 상기 표시자를 포함할 때까지 상기 추가하는 단계를 계속하는 단계를 포함하는, k개의 표시자의 세트를 생성하는 방법.
  4. 제3항에 있어서,
    상기 극값은 최대치 또는 최소치 중 하나인, k개의 표시자의 세트를 생성하는 방법.
  5. 제3항에 있어서,
    상기 멀티 비트 이진수의 인덱스는 상기 멀티 비트 이진수 각각의 추가 최하위 비트로서 사용되는, k개의 표시자의 세트를 생성하는 방법.
  6. 제3항에 있어서,
    상기 표시자는 벡터의 크기가 상기 데이터세트의 크기와 동일한 마커 벡터 내의 비트이고, 표시는 상기 데이터세트 내의 극단 멀티 비트 이진수의 인덱스와 동일한 인덱스를 갖는 상기 마커 벡터 내의 열의 비트 세트인, k개의 표시자의 세트를 생성하는 방법.
  7. 제6항에 있어서,
    상기 방법은, 상기 메모리 어레이 내에서, 상기 표시자의 양을 카운트하는 단계를 더 포함하고, 상기 카운트하는 단계는, 제1 열과 제2 열 사이에 있는 각각의 열로 제1 값을 시프팅하지 않고, 상기 제1 열로부터 상기 제1 열에 바로 인접하지 않는 상기 제2 열로 직접 상기 제1 값을 시프팅하는 것을 포함하는, k개의 표시자의 세트를 생성하는 방법.
  8. 제7항에 있어서,
    상기 시프팅하는 것은 응답자(responder, RSP) 신호를 사용하여 단일 단계에서 제1 위치로부터 제3 위치로 그리고 단일 단계에서 상기 제3 위치로부터 제2 위치로 상기 값을 복사하는 것을 포함하는, k개의 표시자의 세트를 생성하는 방법.
  9. 제3항에 있어서,
    상기 추가하는 단계는:
    상기 멀티 비트 이진수 각각마다 후보 표시를 생성하는 단계;
    제1 미리 결정된 값을 갖는 비트를 가진 현재 열의 각각의 멀티 비트 이진수에 대해, 상기 후보 표시를 삭제하는 단계;
    제2 미리 결정된 값을 갖는 비트를 가진 현재 열의 각각의 멀티 비트 이진수에 대해, 자격 표시의 양이 k보다 작을 때까지 상기 후보 표시를 자격 표시로 수정하는 단계; 및
    상기 자격 표시 모두를 상기 세트에 추가하는 단계를 포함하는, k개의 표시자의 세트를 생성하는 방법.
  10. 제9항에 있어서,
    후보 표시는 모든 비트가 "1"로 초기화되는 비트의 벡터를 포함하고, 자격 표시는 모두 "0"으로 초기화되는 비트의 벡터를 포함하고,
    상기 후보 표시를 삭제하는 단계는, 상기 후보 표시와 스캔된 비트 사이에서 논리적 "AND" 연산을 수행하는 단계를 포함하고,
    상기 후보 표시를 자격 표시로 수정하는 단계는, 상기 자격 표시와 상기 후보 표시 사이에서 논리적 "OR" 연산을 수행하는 것을 포함하는, k개의 표시자의 세트를 생성하는 방법.
  11. 메모리 어레이에 저장된 데이터세트에서 k-최근접 이웃(k-nearest neighbors, K-NN) 알고리즘으로 미분류 객체에 클래스를 할당하는 방법으로서,
    상기 데이터세트 내의 각각의 객체는 클래스와 연관되고,
    상기 방법은:
    상기 메모리 어레이 내에서, 상기 미분류 객체와 상기 데이터세트 내의 각각의 객체 사이의 거리를 산출하는 단계;
    상기 메모리 어레이 내에서, 최소값을 갖는 거리를 가진 객체를 나타내는 k개의 표시자를 찾는 단계로서, 상기 찾는 단계는 상기 데이터세트의 크기와 무관한 일정한 시간 내에 일어나는, k개의 표시자를 찾는 단계; 및
    상기 메모리 어레이 내에서, k-최소치 표시자에서 가장 공통적인 클래스를 상기 미분류 객체에 할당하는 단계를 포함하는, k-최근접 이웃(K-NN) 알고리즘으로 미분류 객체에 클래스를 할당하는 방법.
  12. 멀티 비트 이진수의 데이터세트의 k개의 극값의 세트를 결정하기 위한 시스템으로서,
    상기 데이터세트를 저장하는 메모리 어레이;
    계산을 하고 계산 결과를 저장하는 연관 메모리; 및
    일정한 계산 복잡도로 상기 데이터세트에서 k개의 극값을 찾고 상기 극값 각각의 표시를 생성하도록 상기 연관 메모리 상에서 동작하는 k-최소치 프로세서를 포함하고,
    상기 k-최소치 프로세서는 최상위 비트(MSB)부터 시작해서 상기 값을 비트별로 검토하도록 더 구성되고, 상기 k-최소치 프로세서는 상기 데이터세트의 각각의 요소로부터의 비트 n를 동시에 검토하는, k개의 극값의 세트를 결정하기 위한 시스템.
  13. 삭제
  14. 삭제
KR1020187010531A 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법 KR102092263B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020207007806A KR102305568B1 (ko) 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201662363270P 2016-07-17 2016-07-17
US62/363,270 2016-07-17
US201662364883P 2016-07-21 2016-07-21
US62/364,883 2016-07-21
US201762446861P 2017-01-17 2017-01-17
US62/446,861 2017-01-17
PCT/IB2017/054233 WO2018015848A2 (en) 2016-07-17 2017-07-13 Finding k extreme values in constant processing time

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020207007806A Division KR102305568B1 (ko) 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법

Publications (2)

Publication Number Publication Date
KR20180053731A KR20180053731A (ko) 2018-05-23
KR102092263B1 true KR102092263B1 (ko) 2020-03-24

Family

ID=60941271

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020187010531A KR102092263B1 (ko) 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법
KR1020207007806A KR102305568B1 (ko) 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020207007806A KR102305568B1 (ko) 2016-07-17 2017-07-13 일정한 처리 시간 내에 k개의 극값을 찾는 방법

Country Status (4)

Country Link
US (2) US10929751B2 (ko)
KR (2) KR102092263B1 (ko)
CN (1) CN108351974A (ko)
WO (1) WO2018015848A2 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9859005B2 (en) * 2014-01-12 2018-01-02 Gsi Technology Inc. Memory device
US10248906B2 (en) 2016-12-28 2019-04-02 Intel Corporation Neuromorphic circuits for storing and generating connectivity information
US11216437B2 (en) 2017-08-14 2022-01-04 Sisense Ltd. System and method for representing query elements in an artificial neural network
WO2019035862A1 (en) 2017-08-14 2019-02-21 Sisense Ltd. SYSTEM AND METHOD FOR INCREASING THE PRECISION OF APPROXIMATION OF INTERROGATION RESULTS USING NEURAL NETWORKS
US11256985B2 (en) 2017-08-14 2022-02-22 Sisense Ltd. System and method for generating training sets for neural networks
US10949766B2 (en) 2017-10-15 2021-03-16 Gsi Technology Inc. Precise exponent and exact softmax computation
US20190266482A1 (en) * 2018-02-26 2019-08-29 Gsi Technology Inc. Distance based deep learning
KR102212128B1 (ko) 2018-05-10 2021-02-17 주식회사 엘지화학 역삼투막, 이의 제조방법 및 수처리 모듈
KR102562320B1 (ko) 2018-12-24 2023-08-01 삼성전자주식회사 비트 연산 기반의 뉴럴 네트워크 처리 방법 및 장치
CN110378220B (zh) * 2019-06-13 2023-05-09 南京理工大学 Fpga的信号极值点提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276344A (ja) * 2007-04-26 2008-11-13 Just Syst Corp 多重トピック分類装置、多重トピック分類方法、および多重トピック分類プログラム

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4546456A (en) * 1983-06-08 1985-10-08 Trw Inc. Read-only memory construction and related method
US5014327A (en) 1987-06-15 1991-05-07 Digital Equipment Corporation Parallel associative memory having improved selection and decision mechanisms for recognizing and sorting relevant patterns
SE9002558D0 (sv) * 1990-08-02 1990-08-02 Carlstedt Elektronik Ab Processor
US5649181A (en) * 1993-04-16 1997-07-15 Sybase, Inc. Method and apparatus for indexing database columns with bit vectors
US5799300A (en) * 1996-12-12 1998-08-25 International Business Machines Corporations Method and system for performing range-sum queries on a data cube
US5983224A (en) 1997-10-31 1999-11-09 Hitachi America, Ltd. Method and apparatus for reducing the computational requirements of K-means data clustering
US7958096B2 (en) * 2000-09-20 2011-06-07 Ndsu-Research Foundation System and method for organizing, compressing and structuring data for data mining readiness
US20070205969A1 (en) * 2005-02-23 2007-09-06 Pixtronix, Incorporated Direct-view MEMS display devices and methods for generating images thereon
US8099380B1 (en) * 2007-05-29 2012-01-17 University Of Southern California Blind evaluation of nearest neighbor queries wherein locations of users are transformed into a transformed space using a plurality of keys
US8244789B1 (en) * 2008-03-14 2012-08-14 Altera Corporation Normalization of floating point operations in a programmable integrated circuit device
US20160086222A1 (en) * 2009-01-21 2016-03-24 Truaxis, Inc. Method and system to remind users of targeted offers in similar categories
US10832746B2 (en) 2009-07-16 2020-11-10 Gsi Technology Inc. Non-volatile in-memory computing device
US8238173B2 (en) * 2009-07-16 2012-08-07 Zikbit Ltd Using storage cells to perform computation
US8315092B2 (en) * 2010-01-27 2012-11-20 Fusion-Io, Inc. Apparatus, system, and method for determining a read voltage threshold for solid-state storage media
US9785434B2 (en) 2011-09-23 2017-10-10 Qualcomm Incorporated Fast minimum and maximum searching instruction
US20140018193A1 (en) 2012-07-11 2014-01-16 William E. Morgan Golf ball having multiple different coating layers
US9449675B2 (en) * 2013-10-31 2016-09-20 Micron Technology, Inc. Apparatuses and methods for identifying an extremum value stored in an array of memory cells
US10153042B2 (en) * 2013-11-28 2018-12-11 Gsi Technology Inc. In-memory computational device with bit line processors
US9418719B2 (en) * 2013-11-28 2016-08-16 Gsi Technology Israel Ltd. In-memory computational device
US9859005B2 (en) * 2014-01-12 2018-01-02 Gsi Technology Inc. Memory device
KR102221684B1 (ko) * 2014-03-17 2021-03-02 에스케이플래닛 주식회사 멀티클래스 분류 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체
KR101612605B1 (ko) * 2014-05-07 2016-04-14 포항공과대학교 산학협력단 얼굴 특징점 추출 방법 및 이를 수행하는 장치
JP6582416B2 (ja) * 2014-05-15 2019-10-02 株式会社リコー 画像処理装置、画像処理方法及びプログラム
CN106796811B (zh) 2015-05-05 2019-07-30 Gsi科技公司 Sram多单元操作
US10534836B2 (en) * 2016-12-06 2020-01-14 Gsi Technology Inc. Four steps associative full adder
US10777262B1 (en) * 2016-12-06 2020-09-15 Gsi Technology, Inc. Read data processing circuits and methods associated memory cells
US10249362B2 (en) * 2016-12-06 2019-04-02 Gsi Technology, Inc. Computational memory cell and processing array device using the memory cells for XOR and XNOR computations
US10521229B2 (en) * 2016-12-06 2019-12-31 Gsi Technology, Inc. Computational memory cell and processing array device using memory cells
CN113961876B (zh) * 2017-01-22 2024-01-30 Gsi 科技公司 关联存储器设备中的稀疏矩阵乘法
US11210605B1 (en) * 2017-07-24 2021-12-28 Amazon Technologies, Inc. Dataset suitability check for machine learning
US10514914B2 (en) * 2017-08-29 2019-12-24 Gsi Technology Inc. Method for min-max computation in associative memory
US10402165B2 (en) * 2017-08-30 2019-09-03 Gsi Technology Inc. Concurrent multi-bit adder
US10635397B2 (en) * 2018-03-08 2020-04-28 Gsi Technology Inc. System and method for long addition and long multiplication in associative memory

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276344A (ja) * 2007-04-26 2008-11-13 Just Syst Corp 多重トピック分類装置、多重トピック分類方法、および多重トピック分類プログラム

Also Published As

Publication number Publication date
WO2018015848A2 (en) 2018-01-25
KR20200032258A (ko) 2020-03-25
WO2018015848A3 (en) 2018-03-01
KR20180053731A (ko) 2018-05-23
KR102305568B1 (ko) 2021-09-27
US20210158164A1 (en) 2021-05-27
CN108351974A (zh) 2018-07-31
US20180018566A1 (en) 2018-01-18
US10929751B2 (en) 2021-02-23

Similar Documents

Publication Publication Date Title
KR102092263B1 (ko) 일정한 처리 시간 내에 k개의 극값을 찾는 방법
Szepannek ClustMixType: User-Friendly Clustering of Mixed-Type Data in R.
Lanchantin et al. Deep motif dashboard: visualizing and understanding genomic sequences using deep neural networks
Wu et al. Online feature selection with streaming features
Qu et al. Joint hierarchical category structure learning and large-scale image classification
US20180341642A1 (en) Natural language processing with knn
CN112614538A (zh) 一种基于蛋白质预训练表征学习的抗菌肽预测方法和装置
CN104616029B (zh) 数据分类方法及装置
Chen et al. Aggregated Wasserstein distance and state registration for hidden Markov models
US20220101057A1 (en) Systems and methods for tagging datasets using models arranged in a series of nodes
Harita et al. A fundamental study on suicides and rainfall datasets using basic machine learning algorithms
CN114547307A (zh) 文本向量模型训练方法、文本匹配方法、装置及设备
CN110968693A (zh) 基于集成学习的多标签文本分类计算方法
CN112489689B (zh) 基于多尺度差异对抗的跨数据库语音情感识别方法及装置
Skousen An overview of analogical modeling
CN112417147A (zh) 训练样本的选取方法与装置
KR102608683B1 (ko) Knn을 이용한 자연 언어 처리
Kim et al. Tweaking deep neural networks
Ali et al. A k nearest neighbours classifiers ensemble based on extended neighbourhood rule and features subsets
CN111737469A (zh) 数据挖掘方法、装置、终端设备和可读存储介质
CN112651590A (zh) 一种指令处理流程推荐的方法
Johari et al. Improved feature selection techniques for image retrieval based on metaheuristic optimization
Nadler Error and reject rates in a hierarchical pattern recognizer
WO2023044931A1 (zh) Rna-蛋白质相互作用预测方法、装置、介质及电子设备
CN116071636B (zh) 商品图像检索方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant