KR102228196B1 - 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치 - Google Patents

기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치 Download PDF

Info

Publication number
KR102228196B1
KR102228196B1 KR1020180140384A KR20180140384A KR102228196B1 KR 102228196 B1 KR102228196 B1 KR 102228196B1 KR 1020180140384 A KR1020180140384 A KR 1020180140384A KR 20180140384 A KR20180140384 A KR 20180140384A KR 102228196 B1 KR102228196 B1 KR 102228196B1
Authority
KR
South Korea
Prior art keywords
ensemble
ensemble weight
episode
meta
learning
Prior art date
Application number
KR1020180140384A
Other languages
English (en)
Other versions
KR20200057832A (ko
Inventor
박민섭
김세훈
유진규
Original Assignee
주식회사 에이아이트릭스
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 주식회사 에이아이트릭스 filed Critical 주식회사 에이아이트릭스
Priority to KR1020180140384A priority Critical patent/KR102228196B1/ko
Publication of KR20200057832A publication Critical patent/KR20200057832A/ko
Application granted granted Critical
Publication of KR102228196B1 publication Critical patent/KR102228196B1/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G06N3/045—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치를 제시하며, 메타학습장치에 대한 앙상블가중치를 결정하는 장치에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 표현형획득부, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치의 예측된 확률인 앙상블확률을 계산하는 가중치계산부 및 상기 앙상블확률을 기초로 학습을 수행하여 상기 장치의 파라미터를 설정하는 파라미터설정부를 포함할 수 있다.

Description

기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치{METHOD AND APPARATUS FOR DECIDING ENSEMBLE WEIGHT ABOUT BASE META LEARNER}
본 명세서에서 개시되는 실시예들은 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치에 관한 것으로, 보다 상세하게는 주어진 작업에 대해 최적의 기초 메타학습장치를 선택하기 위해 쿼리의 메타학습장치들에 대한 앙상블확률을 기초로 학습을 수행하는 앙상블가중치를 결정하는 방법 및 장치에 관한 것이다.
최근 들어, 인공지능이 발전됨에 따라 다양한 분야에서 인공지능을 적용하고 있다. 이때, 인공지능의 최적의 성능을 내기 위해서는 인공지능이 처리할 작업에 대해 최적화 되어야 한다.
이를 위해, 인공지능이 처리할 작업과 관련된 정보를 이용하여 인공지능을 학습(training)하는 과정이 필요하며, 효율적인 인공지능의 학습을 위해 메타학습 방법이 이용되고 있다.
메타학습이란 메타데이터를 사용하여 학습하는 과정을 학습하는 기계 학습(machine learning)으로 복수의 작업을 학습하여 새로운 작업을 일반화(generalize)하여 학습을 수행함으로써 학습 효율을 높인다.
이러한 메타학습의 목표는 소량의 라벨링된 학습정보인 메타데이터를 이용하여 새로운 작업을 해결할 수 있도록 모델(Model)을 학습시키는 것이다.
이에 대부분의 메타학습 방법은 메타학습(meta-training)단계에서 경험된 작업 세트가 단일분포(single distribution)로부터 샘플링되어 관련 작업으로 구성되는 것으로 가정한다.
하지만 메타테스트(meta-test) 단계에서 새로운 작업이 학습범위(training distribution)를 벗어나면 성능이 저하되는 문제점이 있다.
이에 대하여, 한국공개특허공보 제10-2017-0138261호는 인공 신경망 모델 학습 방법 및 딥 러닝 시스템에 관한 것으로 최소값과 최대값이 정해져 있지 않은 특정한 데이터를 효율적으로 학습할 수 있도록 할 수 있을 뿐, 상술된 문제점을 해결하지 못한다.
따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.
한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 명세서에서 개시되는 실시예들은, 퓨샷분류(Few-shot classification)를 위한 일반적인 메타 러닝 방법의 제한사항인 새로운 작업에 대한 학습성능의 저하를 방지하는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다.
본 명세서에서 개시되는 실시예들은, 주어진 작업에 대해 최적의 메타학습장치들의 앙상블확률을 학습하는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다.
본 명세서에서 개시되는 실시예들은, 기초 메타학습장치(base meta-learners)가 작업-적응적으로 결정되는 앙상블가중치결정방법 및 장치를 제시하는데 목적이 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 메타학습장치에 대한 앙상블가중치를 결정하는 장치에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 표현형획득부, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 가중치계산부 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 장치의 파라미터를 설정하는 파라미터설정부를 포함할 수 있다.
다른 실시예에 따르면, 앙상블가중치결정장치가 메타학습장치에 대한 앙상블가중치를 결정하는 방법에 있어서, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.
또 다른 실시예에 따르면, 앙상블가중치결정방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로서, 상기 앙상블가중치결정방법은, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 메타학습장치에 의해 수행되며, 앙상블가중치결정방법을 수행하기 위해 기록매체에 저장된 컴퓨터프로그램으로서, 상기 앙상블가중치결정방법은, 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 단계, 상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계 및 상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 퓨샷분류(Few-shot classification)를 위한 일반적인 메타 학습 시 새로운 작업에 대한 학습에 따른 학습성능 저하를 방지하는 앙상블가중치결정방법 및 장치를 제시할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 주어진 작업에 대해 최적의 메타학습장치들의 앙상블확률을 학습하는 앙상블가중치결정방법 및 장치를 제시할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 기본 메타학습장치들(base meta-learners)이 작업-적응적으로 결정되도록 함으로써 새로운 작업에 대한 학습 시에도 학습성능이 저하되지 않도록 하는 앙상블가중치결정방법 및 장치를 제시할 수 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 기초 메타학습장치 및 앙상블가중치결정장치를 포함하는 네트워크 구조이다.
도 2는 일 실시예에 따른 앙상블가중치결정장치를 도시한 블록도이다.
도 3은 일 실시예에 따른 앙상블가중치결정방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다.
‘퓨샷분류(few-shot classification)’란 분류하고자 하는 클래스(class)의 학습 데이터가 매우 적을 때, 혹은 단 하나만 있을 때 분류하는 작업으로 이를 효율적으로 수행하고자 하는 방법론 및 학습 방식을 퓨샷학습법(few-shot classification)이라 한다.
그리고 퓨샷분류는 원샷분류(one-shot classification)을 포함하는 개념으로 원샷분류라 함은 분류하고자 하는 클래스의 학습데이터가 단 하나만 있을 때, 새로운 데이터에 대해서 분류하는 작업이다.
이러한 퓨샷분류의 목적은 분류하고자 하는 쿼리세트(query set) Q의 예시(instance)를 라벨세트(label set)
Figure 112018113501802-pat00001
에 매핑하는 함수
Figure 112018113501802-pat00002
를 소수의 학습데이터만으로 분류하는 것이다. 특히, 퓨샷분류 중 N-way K-shot 분류는 일반적으로 N개의 클래스 각각에 K개의 학습데이터가 주어졌을 때 새로운 예시(instance)를 라벨세트인 N개의 클래수 중 하나의 클래스로 할당하는 작업이다.
이때, ‘쿼리세트’는 분류를 해야 할 예시를 그룹핑한 것이고, ‘서포트세트’는 쿼리에 포함된 예시가 분류되는 적어도 하나의 클래스에 대응되는 예시를 그룹핑한 것이다.
그리고 ‘에피소드’는 작업에 대한 분류를 대표하는 데이터로 데이터세트에서 샘플링된 예시인 쿼리세트와 쿼리세트에 대응되는 예시를 포함하는 서포트세트의 묶음(tuple)이다.
‘메타학습장치(meta-learners)’는 에피소드를 입력값으로 하여 학습을 하는 인공신경망으로 실시예에 따라 프로토타입의 네트워크(prototypical network)가 학습장치로써 이용될 수 있다.
위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.
도 1은 일 실시예에 따른 앙상블가중치결정장치(10)의 네트워크 구조이다.
네트워크(100)는 기초 메타학습장치(1)와 기초 메타학습장치와 기초 메타학습장치에 대한 앙상블확률을 결정하여 학습하는 앙상블가중치결정장치(10)로 구성될 수 있다.
기초 메타학습장치(1)는 단일 데이터세트를 기초로 메타학습을 수행하는 인공신경망으로, 복수의 기초 학습장치로 구성될 수 있다.
그리고 앙상블가중치결정장치(10)는 주어진 작업에 대해 메타학습장치(meta-learners)를 구성하는 적어도 하나의 학습장치 중 최적의 기초 학습장치(base-learners)을 선택할 수 있도록 메타학습장치의 앙상블가중치를 결정하기 위해 학습을 할 수 있다.
앙상블가중치결정장치(10)는 네트워크(N)를 통해 기초 메타학습장치(1), 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.
이러한, 앙상블가중치결정장치(10)는 쿼리세트 Q 및 서포트세트 S 의 묶음으로 구성되는 에피소드가 기초 메타학습장치(1)
Figure 112018113501802-pat00003
에 의해 임베딩(embedding)된 특징 표현형(feature representation)
Figure 112018113501802-pat00004
을 단일 스칼라로 맵핑하는 복수 레이어로 구성될 수 있다.
실시예에 따라, 앙상블가중치결정장치(10)는 콘볼루션 인공신경망(convolutional neural network)으로 구현될 수 있으며, 전역평균풀링층(Global average pooling layer) 및 집적층(dense layer)인 두 개의 콘볼루션층을 포함할 수 있다.
이러한, 앙상블가중치결정장치(10)는 콘볼루션층을 통해 M개의 기초 학습장치에 임베딩된 에피소드
Figure 112018113501802-pat00005
를
Figure 112018113501802-pat00006
로 변환할 수 있다.
M: 기초 학습장치의 수,
Figure 112018113501802-pat00007
:스케일링 파라미터
즉, 앙상블가중치결정장치(10)는 프로토타입 네트워크인 m번째 기초 학습장치에 대한 잔차(residual)
Figure 112018113501802-pat00008
를 쿼리에 따라 (1,N) 크기의 콘볼루션 필터에 의해 처리할 수 있다. 그리고 앙상블가중치결정장치(10)는 모든 쿼리의 벡터 평균을 계산하는 풀링층 이후의 채널 수를 감소시키기 위해 1 X 1 콘볼루션을 적용할 수 있으며, 마지막 집적층에서 기초 메타학습장치(1)에 대한 앙상블가중치(ensemble weight)(앙상블확률)를 생성할 수 있다.
이하에서는 앙상블가중치결정장치(10)의 각 구성부를 자세히 설명한다.
도 2는 앙상블가중치결정장치(10)의 각 구성부를 설명하기 위한 구성도이다. 도 2를 참조하면, 일 실시예에 따른 앙상블가중치결정장치(10)는, 입출력부(110), 제어부(120), 통신부(130) 및 메모리(140)를 포함할 수 있다.
입출력부(110)는 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 앙상블가중치결정장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(110)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.
구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.
제어부(120)는 앙상블가중치결정장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 제어부(120)는 입출력부(110)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 앙상블가중치결정장치(10)에 포함된 다른 구성들을 제어할 수 있다.
예를 들어, 제어부(120)는 메모리(140)에 저장된 프로그램을 실행시키거나, 메모리(140)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(140)에 저장할 수도 있다.
이러한 제어부(120)는 에피소드샘플링부(121), 표현형획득부(122), 가중치계산부(123) 및 파라미터설정부(124)로 구성될 수 있다.
이에 앞서, 기초 메타학습장치(1)는 데이터세트 M에 기초하여 학습될 수 있다.
이때, 데이터세트 M은 2분류로 나뉠 수 있으며 기초 메타학습장치(1)의 학습 또는 앙상블가중치결정장치(10)에서 앙상블가중치 결정을 위한 학습에 이용될 수 있다. 다만, 클래스의 수가 부족한 데이터세트는 기초 메타학습장치(1)를 학습시키는 데만 이용될 수 있다.
그리고 기초 메타학습장치(1)는 데이터세트 M을 이용한 학습을 통해 기초 메타학습장치(1)의 파라미터가 결정될 수 있다.
즉, 제어부(120)는 각 데이터세트에 의해 학습된 기초 메타학습장치(1)
Figure 112018113501802-pat00009
와 복수의 데이터세트
Figure 112018113501802-pat00010
에 기초하여 앙상블가중치결정장치(10)의 파라미터
Figure 112018113501802-pat00011
의 설정을 위한 학습을 수행할 수 있다.
우선, 에피소드샘플링부(121)는 작업에 대한 분류를 나타내는 에피소드를 메타학습에 이용되는 데이터세트로부터 샘플링할 수 있다.
예를 들어, 에피소드샘플링부(121)는 복수의 데이터세트 중 어느 하나의 데이터세트를 랜덤하게 선택할 수 있고, 선택된 데이터세트에서 에피소드를 샘플링할 수 있다.
이때, 에피소드는 데이터세트에서 샘플링된 예시인 쿼리세트 Q(query set)와 서포트세트 S(support set)의 묶음으로 구성될 수 있다.
그리고 표현형획득부(122)는 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 에피소드의 특징 표현형(feature representation)을 획득할 수 있다.
이때 에피소드의 특징 표현형은 아래와 같이 표현될 수 있다.
[수학식 1]
Figure 112018113501802-pat00012
Figure 112018113501802-pat00013
: 앙상블가중치결정장치, M: 학습장치의 수,
Figure 112018113501802-pat00014
: 스케일 파라미터
Figure 112018113501802-pat00015
: m번째 기초 학습장치
Figure 112018113501802-pat00016
에 의해 임베딩된 쿼리세트 Q 및 서포트세트 S 의 특징 표현형
이때, 에피소드의 특징 표현형
Figure 112018113501802-pat00017
는 아래의 조건을 만족해야 한다.
조건 1. 에피소드 표현인자는 각 클래스(K)에서 예시의 수가 고정되어야 한다. 즉, 표현인자의 차원은 다양한 클래스와 동일해야 한다.
조건 2. 에피소드 표현인자는 연관된 데이터세트에 대해 학습된 기초 메타학습장치(1)로부터 효율적으로 획득 되야 한다.
실시예에 따라, 작업이 프로토타입의 세트 및 쿼리 간의 잔차(residual)로 표현될 수 있기 때문에 프로토타입의 네트워크(prototypical network)를 기초 학습장치로 이용할 수 있다.
이에 표현형획득부(122)는 쿼리세트 Q 및 서포트세트 S의 묶음인 에피소드를 이용하여 에피소드의 특징 표현형을 아래와 같이 계산할 수 있다.
[수학식 2]
Figure 112018113501802-pat00018
Figure 112018113501802-pat00019
: 원소 곱,
Figure 112018113501802-pat00020
: m번째 기초 학습장치의 에피소드 표현인자
Figure 112018113501802-pat00021
,
Figure 112018113501802-pat00022
: i 번째 쿼리의
Figure 112018113501802-pat00023
차원 벡터, j번째 프로토타입(prototype)
이러한 에피소드 표현인자는 클래스의 예시 수 K에 영향을 받지 않으며, m번째 프로토타입의 네트워크의 마지막 층(layer)으로부터 쉽게 획득될 수 있다. 이때, 기초 메타학습장치(1)는 불변 타입이기에 적응적 모델로 확장될 수 있다.
그리고 가중치계산부(123)는 에피소드의 특징 표현형에 기초하여 메타학습장치에 대한 가중치인 앙상블가중치를 계산할 수 있다.
즉, 각 쿼리의 예측된 클래스 확률의 누적인
Figure 112018113501802-pat00024
표현되는 앙상블예측(ensemble prediction)은 아래와 같이 정의될 수 있다.
[수학식 3]
Figure 112018113501802-pat00025
Figure 112018113501802-pat00026
: 에피소드E안의 q번째 쿼리의 M개의 기초 학습장치에 대한 앙상블가중치
이때,
Figure 112018113501802-pat00027
는
Figure 112018113501802-pat00028
의 가중된 콤비네이션(combination)으로 m번째 기초 학습장치의 예측된 클래스 확률이다.
파라미터설정부(124)는 앙상블가중치를 기초로 학습을 수행하여 앙상블가중치결정장치(10)의 파라미터를 설정할 수 있다.
이때, m번째 기초 메타학습장치(1)에서의 가중치는
Figure 112018113501802-pat00029
에 의해 결정되며, 앙상블가중치결정장치(10)는 파라미터
Figure 112018113501802-pat00030
로 구성(parameterized)될 수 있다.
파라미터설정부(124)는 앙상블확률을 기초로 앙상블가중치결정장치(10)의 파라미터
Figure 112018113501802-pat00031
를 결정하기 위한 목적함수(objective function)는 아래와 같이 표현될 수 있다.
[수학식 4]
Figure 112018113501802-pat00032
D: 데이터세트의 분포, R: 단일 데이터세트
E: 쿼리세트 및 서포트세트를 포함하는 에피소드
Figure 112018113501802-pat00033
: 원핫벡터(one-hot vector)로 표현된 q번째 쿼리의 레이블의 n번째 항목
Figure 112018113501802-pat00034
: q번째 쿼리 앙상블예측의 n번째 항목
즉, 파라미터설정부(124)는 교차 엔트로피 손실(cross entropy loss)을 실제 라벨(true label) 및 앙상블확률 사이의 에피소드에 적용할 수 있고, 앙상불가중치결정장치(10)의 파라미터
Figure 112018113501802-pat00035
를 갱신(update)할 수 있다.
통신부(130)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(130)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.
통신부(130)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(130)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.
메모리(140)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(120)는 메모리(140)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(140)에 저장할 수도 있다. 또한, 제어부(120)는 메모리(140)에 설치된 프로그램을 실행할 수도 있다.
도 3은 일 실시예에 따른 앙상블가중치결정방법을 설명하기 위한 순서도이다.
도 3에 도시된 실시예에 따른 앙상블가중치결정방법은 도 1 및 도 2에 도시된 앙상블가중치결정장치(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 및 도 2에 도시된 앙상블가중치결정장치(10)에 관하여 이상에서 기술한 내용은 도 3에 도시된 실시예에 따른 앙상블가중치결정방법에도 적용될 수 있다.
이에 앞서, 기초 메타학습장치(1)는 데이터세트에 기초하여 메타학습을 수행하여 각 기초 학습장치의 파라미터가 결정될 수 있다.
예를 들어, 앙상블가중치결정장치(10)는 데이터세트 M를 이용하여 기초 메타학습장치(1)를 학습시킬 수 있으며, 학습을 통해 각 기초 메타학습장치(1)의 파라미터가 설정되도록 할 수 있다.
이때, 주어진 데이터세트 M은 기초 메타학습장치(1) 및 앙상블가중치결정장치(10)를 학습시키기 위한 2개의 서브세트로 나뉠 수 있다. 특정 데이터세트의 클래스의 수가 부족하면, 데이터세트는 기초 메타학습장치(1)의 학습에만 사용될 수 있다.
그리고 앙상블가중치결정장치(10)는 작업에 대한 분류를 나타내는 에피소드를 메타학습에 필요한 데이터세트로부터 샘플링할 수 있다(S3001).
즉, 앙상블가중치결정장치(10)는 복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링할 수 있다.
예를 들어, 앙상블가중치결정장치(10)는 G개의 데이터세트로부터 랜덤하게 단일 데이터세트를 추출할 수 있고, 추출된 단일 데이터세트로부터 에피소드를 샘플링할 수 있다.
그리고 앙상블가중치결정장치(10)는 작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 에피소드의 특징 표현형(feature representation)을 획득할 수 있다(S3002).
예를 들어, 앙상블가중치결정장치(10)는 기초 메타학습장치(1)에 에피소드를 임베딩하여 에피소드를 구성하는 쿼리세트 Q 및 서포트세트 S의 특징 표현형을 획득할 수 있다.
이후, 앙상블가중치결정장치(10)는 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산할 수 있다(S3003).
예를 들어, 앙상블가중치결정장치(10)는 앙상블가중치를 계산하기 위해 에피소드가 입력된 메타학습장치(1)로부터 임베딩된 에피소드의 특징 표현형을 앙상블가중치결정장치(10)을 구성하는 작업적응형 네트워크인 콘볼루션 층에 입력할 수 있다.
그리고 앙상블가중치결정장치(10)는 앙상블가중치를 기초로 학습을 수행하여 앙상블가중치결정장치의 파라미터를 설정할 수 있다(S3004).
즉, 앙상블가중치결정장치(10)는 기 학습된 기초 학습장치 M으로부터 기초 학습장치에 임베딩된 에피소드의 특징 표현형
Figure 112018113501802-pat00036
을 획득할 수 있고, 앙상블확률 및 에피소드에서 샘플링된 쿼리의 라벨 사이에서 최소화된 교차 엔트로피에 의해 앙상블가중치결정장치(10)가 학습될 수 있다. 이를 수식으로 나타내면 아래와 같다.
[수학식 5]
Figure 112018113501802-pat00037
Figure 112018113501802-pat00038
: 앙상블가중치결정장치의 파라미터,
Figure 112018113501802-pat00039
: 학습률
이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.
도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다.예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
또한 도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
따라서 도 3을 통해 설명된 실시예에 따른 앙상블가중치결정방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.
100: 네트워크
1: 메타학습장치
10: 앙상블가중치결정장치
110: 입출력부
120: 제어부
121: 에피소드샘플링부 122: 표현형획득부
123: 가중치계산부 124: 파라미터설정부
130: 통신부
140: 메모리

Claims (10)

  1. 메타학습장치에 대한 앙상블가중치를 결정하는 앙상블가중치결정장치에 있어서,
    작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 표현형획득부;
    상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 가중치계산부; 및
    상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 파라미터설정부를 포함하는, 앙상블가중치결정장치.
  2. 제 1 항에 있어서,
    상기 앙상블가중치결정장치는,
    복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링하는 에피소드샘플링부를 더 포함하는, 앙상블가중치결정장치.
  3. 제 1 항에 있어서,
    상기 가중치계산부는,
    상기 에피소드가 입력된 상기 메타학습장치로부터 획득되는 쿼리세트 및 서포트세트에 대한 특징 표현형을 기초로 상기 앙상블가중치를 계산하는, 앙상블가중치결정장치.
  4. 제 1 항에 있어서,
    상기 파라미터설정부는,
    상기 앙상블가중치 및 쿼리가 속하는 클래스에 대응되는 라벨 간의 교차 엔트로피를 최소화하는 상기 파라미터를 설정하는, 앙상블가중치결정장치.
  5. 앙상블가중치결정장치가 메타학습장치에 대한 앙상블가중치를 결정하는 방법에 있어서,
    작업이 속하는 분류를 나타내는 에피소드에 기초하여 메타학습장치로부터 상기 에피소드의 특징 표현형(feature representation)을 획득하는 단계;
    상기 에피소드의 특징 표현형에 기초하여 상기 메타학습장치에 대한 앙상블가중치를 계산하는 단계; 및
    상기 앙상블가중치를 기초로 학습을 수행하여 상기 앙상블가중치결정장치의 파라미터를 설정하는 단계를 포함하는, 앙상블가중치결정방법.
  6. 제 5 항에 있어서,
    상기 앙상블가중치결정방법은,
    상기 에피소드의 특징 표현형(feature representation)을 획득하는 단계 이전에,
    복수의 데이터세트 중 어느 하나의 데이터세트를 선택하고, 선택된 데이터세트에서 상기 에피소드를 샘플링하는 단계를 더 포함하는, 앙상블가중치결정방법.
  7. 제 5 항에 있어서,
    상기 앙상블가중치를 계산하는 단계는,
    상기 에피소드가 입력된 상기 메타학습장치로부터 획득되는 쿼리세트 및 서포트세트의 특징 표현형을 기초로 상기 앙상블가중치를 계산하는 단계를 포함하는, 앙상블가중치결정방법.
  8. 제 5 항에 있어서,
    상기 앙상블가중치결정장치의 파라미터를 설정하는 단계는,
    상기 앙상블가중치 및 쿼리가 속하는 클래스에 대응되는 라벨 간의 교차 엔트로피를 최소화하는 파라미터를 계산하는 단계를 포함하는, 앙상블가중치결정방법.
  9. 제 5 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  10. 앙상블가중치결정장치에 의해 수행되며, 제 5 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
KR1020180140384A 2018-11-15 2018-11-15 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치 KR102228196B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180140384A KR102228196B1 (ko) 2018-11-15 2018-11-15 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180140384A KR102228196B1 (ko) 2018-11-15 2018-11-15 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200057832A KR20200057832A (ko) 2020-05-27
KR102228196B1 true KR102228196B1 (ko) 2021-03-16

Family

ID=70910796

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180140384A KR102228196B1 (ko) 2018-11-15 2018-11-15 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102228196B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230274133A1 (en) * 2020-07-06 2023-08-31 Nippon Telegraph And Telephone Corporation Learning method, learning apparatus and program
CN113095440B (zh) * 2020-09-01 2022-05-17 电子科技大学 基于元学习者的训练数据生成方法及因果效应异质反应差异估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101828503B1 (ko) 2017-08-23 2018-03-29 주식회사 에이젠글로벌 앙상블 모델 생성 장치 및 방법
US20180293723A1 (en) 2017-04-11 2018-10-11 Electronics And Telecommunications Research Institute Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10332028B2 (en) * 2015-08-25 2019-06-25 Qualcomm Incorporated Method for improving performance of a trained machine learning model
KR102034661B1 (ko) * 2017-04-28 2019-10-21 서울대학교산학협력단 뉴럴네트워크를 위한 데이터 양자화 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180293723A1 (en) 2017-04-11 2018-10-11 Electronics And Telecommunications Research Institute Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning
KR101828503B1 (ko) 2017-08-23 2018-03-29 주식회사 에이젠글로벌 앙상블 모델 생성 장치 및 방법

Also Published As

Publication number Publication date
KR20200057832A (ko) 2020-05-27

Similar Documents

Publication Publication Date Title
CN110458107B (zh) 用于图像识别的方法和装置
US11030522B2 (en) Reducing the size of a neural network through reduction of the weight matrices
US10621755B1 (en) Image file compression using dummy data for non-salient portions of images
KR102277172B1 (ko) 인공 신경망 선택 장치 및 방법
CN108229667A (zh) 基于人工神经网络类别的修剪
US11521038B2 (en) Electronic apparatus and control method thereof
KR20210125902A (ko) 비디오 세그먼트의 검색 방법 및 장치
CN113298096B (zh) 训练零样本分类模型的方法、系统、电子设备及存储介质
Wang et al. Uncertainty-dtw for time series and sequences
US11030726B1 (en) Image cropping with lossless resolution for generating enhanced image databases
KR102034661B1 (ko) 뉴럴네트워크를 위한 데이터 양자화 방법 및 장치
CN114283350B (zh) 视觉模型训练和视频处理方法、装置、设备及存储介质
KR102228196B1 (ko) 기초 메타학습장치에 대한 앙상블가중치를 결정하는 방법 및 장치
KR20190023547A (ko) 시각 대화를 통해 객체의 위치를 알아내기 위한 주의 기억 방법 및 시스템
CN111935487B (zh) 一种基于视频流检测的图像压缩方法及系统
US20160292537A1 (en) Feature Interpolation
JP2020187734A (ja) 遺伝モデルに基づきディープニューラルネットワーク（ｄｎｎ）を訓練することにおけるデータ拡張
US20230410465A1 (en) Real time salient object detection in images and videos
WO2021012691A1 (zh) 用于检索图像的方法和装置
CA3179311A1 (en) Identifying claim complexity by integrating supervised and unsupervised learning
CN115470190A (zh) 一种多存储池数据分类存储方法、系统与电子设备
US20220318524A1 (en) Electronic device and method for controlling the electronic device thereof
JP2024511932A (ja) 全体論的ビデオ理解のためのビデオモデルの適応的使用
KR102082430B1 (ko) 의약품 검색을 위한 낱알 식별 장치 및 낱알 식별 방법
KR20220148734A (ko) 메타 대조 학습 기반의 태스크 적응형 신경망을 검색하는 장치 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant