KR102261055B1 - 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템 - Google Patents

클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템 Download PDF

Info

Publication number
KR102261055B1
KR102261055B1 KR1020190026343A KR20190026343A KR102261055B1 KR 102261055 B1 KR102261055 B1 KR 102261055B1 KR 1020190026343 A KR1020190026343 A KR 1020190026343A KR 20190026343 A KR20190026343 A KR 20190026343A KR 102261055 B1 KR102261055 B1 KR 102261055B1
Authority
KR
South Korea
Prior art keywords
design parameter
click
black box
rate
image
Prior art date
Application number
KR1020190026343A
Other languages
English (en)
Other versions
KR20200107347A (ko
Inventor
김경민
송호연
권선영
성낙호
Original Assignee
네이버 주식회사
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 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020190026343A priority Critical patent/KR102261055B1/ko
Publication of KR20200107347A publication Critical patent/KR20200107347A/ko
Application granted granted Critical
Publication of KR102261055B1 publication Critical patent/KR102261055B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템을 개시한다. 일실시예에 따른 디자인 파라미터 최적화 방법은, 원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리하는 단계, 상기 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 상기 원본 이미지를 상기 이미지 생성함수에 입력하여 변형된 이미지를 생성하는 단계를 포함할 수 있다.

Description

클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템{METHOD AND SYSTEM FOR OPTIMIZING DESIGN PARAMETER OF IMAGE TO MAXIMIZE CLICK THROUGH RATE}
아래의 설명은 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템에 관한 것이다.
기계학습을 사용한 기존 이미지 생성방법들, 일례로 대립생성네트워크 (generative adversarial networks) 또는 변이오토인코더(variational autoencoder)는 디자인 파라미터(일례로, 색, 글자크기, 글자체 등)을 고려하지 않고 픽셀의 분포만 고려하여 이미지를 생성하였다. 일례로, 한국공개특허 제10-2018-0120478호는 생성적 대립 네트워크에 기반한 도메인 간 관계를 학습하는 방법을 개시하고 있다. 이러한 종래기술들에서는 픽셀의 분포조차 추정된 값이다 보니, 생성된 이미지들에는 실생활에 바로 적용할 수 없을 정도로 결함이 존재한다. 기계학습을 사용하지 않은 이미지 생성방법(일례로, 포토샵)은 픽셀의 분포를 추정하지 않고 파라미터에 따라 정해진 규칙을 사용하기 때문에 결함이 없는 이미지를 생성할 수 있다. 이에 그 동안 최적의 파라미터들을 얻기 위해서 디자이너의 지식에 의존하였으며, 최적의 파라미터 값을 기계가 자동으로 찾는 일은 어려운 문제이다. 이처럼 기계학습을 사용한 기존 이미지 생성방법들은 결함이 존재하거나, 이미지 생성함수가 래스터라이징(rasterizing)을 사용하고, 미분 가능하지 않기 때문에 신뢰할 수 있는 최적화 방법을 사용할 수 없다는 문제점이 있다.
클릭율을 최대화할 수 있도록 이미지의 디자인 파라미터를 최적화할 수 있는 디자인 파라미터 최적화 방법 및 시스템을 제공한다.
적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 디자인 파라미터 최적화 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 상기 원본 이미지를 상기 이미지 생성함수에 입력하여 변형된 이미지를 생성하는 단계를 포함하는 디자인 파라미터 최적화 방법을 제공한다.
컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리하고, 상기 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리하고, 상기 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 상기 원본 이미지를 상기 이미지 생성함수에 입력하여 변형된 이미지를 생성하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.
클릭율을 최대화할 수 있도록 이미지의 디자인 파라미터를 최적화할 수 있는 디자인 파라미터 최적화 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일실시예에 있어서, 디자인 파라미터 최적화 시스템이 디자인 파라미터로부터 CTR을 출력하는 포워드 과정의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서, 함수 R과 F가 블랙박스 처리된 포워드 과정의 예를 도시한 도면이다.
도 3은 본 발명의 일실시예에 있어서, 증류네트워크를 사용한 파라미터 최적화 과정의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 미분 가능 생성모델을 사용한 파라미터 최적화의 예를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 6은 본 발명의 일실시예에 따른 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다.
도 7은 본 발명의 일실시예에 있어서, 블랙박스 최적화 모델을 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다.
도 8은 본 발명의 일실시예에 있어서, 미분 가능 네트워크를 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다.
도 9는 본 발명의 일실시예에 있어서, 미분 가능 생성모델을 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
1. 배경기술
뉴럴네트워크(neural network)는 기계학습 알고리즘의 한 종류로 1950년대의 퍼셉트론 모델로부터 발전했다. 딥러닝(deep learning)은 여러 개의 층을 가진 뉴럴네트워크를 통칭하며, 각 층은 프로젝션 행렬 W와 바이어스(bias) b, 그리고 활성함수(activation function) S를 포함한다. 뉴럴네트워크는 입력 벡터 x를 입력으로 받아 여러 개의 층을 거쳐 아래 수학식 1과 같이 출력 o를 생성한다.
Figure 112019023539286-pat00001
복수의 층을 사용하는 이유는 층이 하나일 때보다 더 정교한 입출력 매핑함수를 학습할 수 있기 때문이다.
한편, 이미지를 생성할 수 있는 이미지 생성모델은 크게 두 종류로 나누어진다.
첫 번째 종류는 대립생성네트워크(Generative Adversarial Networks, GAN)이다. 대립생성네트워크는 생성자(generator)와 분별자(discriminator)로 이뤄진다. 생성자의 역할은 랜덤 벡터를 입력으로 받아 사용자의 목적에 맞게 최대한 자연스러운 이미지(예> 자동차, 나무, 집)를 생성하는 것이다. 생성자는 뉴럴네트워크로 구현할 수 있으며, 출력노드의 개수는 출력 이미지의 픽셀크기와 동일하다. 분별자의 역할은 주어진 입력이미지가 자연스러운 이미지인지를 판단하는 것이다. 입력 이미지가 자연스럽다면 1에 가까운 값을, 그렇지 않다면 0에 가까운 값을 출력하므로 회귀모델로 볼 수 있다. 대립생성네트워크의 학습은 생성자와 분별자 사이의 대립을 통해 이뤄진다. 이때, 손실함수(loss function)는 아래 수학식 2와 같다.
Figure 112019023539286-pat00002
여기서, 대립생성네트워크에서 G는 생성자, D는 분별자, z는 랜덤 벡터이다. 게임이론에서 사용되던 미니맥스(minimax) 함수를 사용해서 생성자가 생성한 이미지가 자연스러운 이미지처럼 보이도록 학습될 수 있다.
두 번째 종류는 변이오토인코더(Variational AutoEncoder, VAE)이다. 변이오토인코더는 뉴럴넷인 인코더와 디코더로 구성될 수 있다. 변이오토인코더에서 인코더는 입력이미지 x로부터 잠재변수(latent variable) z를 계산한다. 잠재변수의 크기는 입력이미지의 크기보다 작도록 설정될 수 있으며, 가우시안 확률분포 q(z|x)를 따른다. 디코더는 잠재변수 z로부터 다시 입력 x를 출력할 수 있다. 출력값과 입력값의 차이는 에러로 측정된다. 이때, 손실함수는 아래 수학식 3과 같다.
Figure 112019023539286-pat00003
여기서, 변이오토인코더에서 q 및 f는 인코더와 디코더의 파라미터를 나타낼 수 있다. p f (x|z)는 디코더 뉴럴네트워크의 출력값이고, KL은 쿨백-라이블러 발산(Kullback-Leiber divergence)이다. p(z)는 평균과 분산을 0, 1로 갖는 표준정규분포이다. 이는 인코더가 생성한 잠재변수 z가 표준정규분포를 따르도록 하기 위함이다.
블랙박스 최적화 알고리즘은 함수 F의 구체적인 식을 모르지만 입력 x에 대한 출력 F(x)를 알 수 있을 때, F(x)의 최적값을 추정할 수 있다. 대표적인 예로 1) 강화학습(reinforcement learning)과 2) 유전자 알고리즘(genetic algorithm), 3) 베이지안 최적화(Bayesian optimization)가 있다.
1) 강화학습은 크게 Q 함수(Q-function) 기반 모델과 GP(Policy-Gradient) 기반 모델로 나눌 수 있는데, 본 발명의 실시예들은 PG 기반 모델과 연관될 수 있다. PG 기반 모델은 함수 F가 미분 가능하지 않기 때문에, 미분 가능한 정책네트워크 PG를 대신 최적화함으로써 함수 F도 최적화 시키고자 한다. 아래 수학식 4와 같이 주어지는 함수 F를 최적화시키기 위해, 수학식 5와 같이 주어지는 정책네트워크 PG의 역할은 관측 가능한 변수 s를 입력으로 받아, 함수 F를 최적화시키는 x를 출력시키는 것이다.
Figure 112019023539286-pat00004
Figure 112019023539286-pat00005
강화학습 용어를 사용하면, r은 보상(reward)이고, x는 행동(action)이며, s는 상태(state)이다. 그리고 함수 F는 환경(environment)이고, 상태 s는 행동 x에 의해 변경되어 다음 관측가능 상태 s'가 된다. 여기서 손실함수 L은 아래 수학식 6과 같다.
Figure 112019023539286-pat00006
여기서, p(x)는 정책네트워크의 출력 x의 소프트맥스(softmax) 확률값이다.
2) 유전자 알고리즘의 연산은 교차(crossover)와 변이(mutation)이 있다. 입력 x는 교차와 변이가 가능하도록 유전자형(genotype)으로 표현된 뒤, 교차와 변이를 통해 많은 수의 개체(individual)로 구성된 개체군(population)을 만든다. 각 개체는 함수 F에 의해 평가되어 결과가 좋지 못한 개체 들은 자연선택에 의해 제거된다. 다음 세대(generation)의 개체군은 살아남은 개체들 사이의 교차와 변이에 의해 다시 구성되며 자연선택 과정을 거친다. 일정 세대가 지나고 남은 개체들이 함수 F의 최적 솔루션이 될 수 있다.
3) 베이지안 최적화는 세가지 과정으로 구성될 수 있다.
a. 관측된 데이터들 D=[x1, f(x1)], (x2, f(x2)), ...]와 아래 수학식 7의 베이지안 공식을 사용해서 함수 F를 근사화한다. prior의 값은 대개 평균 0, 공분산 행렬(covariance matrix)은 임의의 커널함수를 사용할 수 있다.
Figure 112019023539286-pat00007
b. F를 더 정밀하게 예측하기 위해 다음에 관측할 지점 xn을 획득 함수(acquisition function)를 통해 선택한다. 획득 함수는 탐색(exploration)과 착취(exploitation)의 두 가지 전략을 가질 수 있다.
c. 새로 관측한 (xn, F(xn))을 D에 추가하고 적절한 기준을 만족할 때까지 첫 번째 과정으로 돌아가 반복할 수 있다.
증류네트워크(distillation networks)는 딥러닝의 선구자인 힌튼(hinton)의 숨은 지식(dark knowledge)에 의해서 널리 알려졌다. 힌튼은 복잡하고 규모가 크고 속도는 느린 뉴럴네트워크가 어플리케이션으로 사용될 때 증류네트워크를 사용할 것을 제안했다. 크기가 작고 속도가 빠른 증류네트워크는 크기가 큰 뉴럴네트워크의 입출력 매핑 함수 F를 모사하는 역할을 한다. 증류네트워크의 학습데이터 D는 다음 수학식 8과 같다.
Figure 112019023539286-pat00008
증류네트워크에서, x는 입력을 F(x)는 크기가 큰 뉴럴네트워크의 출력일 수 있다.
2. 디자인 파라미터 최적화
디자인 파라미터를 사용하여 광고클릭율 CTR(Click Through Rate)을 최대화하는 이미지를 생성하는 문제는 아래 수학식 9와 같이 나타낼 수 있다.
Figure 112019023539286-pat00009
여기서, R은 이미지 생성함수를, I는 원본 이미지를, q t , q c 는 이미지의 템플릿, 색과 같은 디자인 파라미터를 각각 의미할 수 있다. 디자인 파라미터는 이미지의 템플릿이나 색 이외에도, 글자 크기, 글자체 등 다양한 파라미터들로 확장될 수 있다. F는 CTR 예측네트워크를 의미할 수 있다. 이러한 F는 대용량의 광고이미지-CTR 쌍으로부터 뉴럴네트워크를 학습시켜 얻을 수 있다.
도 1은 본 발명의 일실시예에 있어서, 디자인 파라미터 최적화 시스템이 디자인 파라미터로부터 CTR을 출력하는 포워드 과정의 예를 도시한 도면이다. 이미지 생성함수 R(130)은 원본 이미지 I(입력 이미지(120))와 파라미터 θ(파라미터(110))를 입력으로 받아 변형된 이미지 I'(이미지(140))를 얻을 수 있다. 이때, CTR 예측네트워크 F(150)는 변형된 이미지 I'(이미지(140))에 대한 클릭율(CTR(160))을 예측할 수 있다.
한편, 수학식 8에 나타난 argmax 함수는 미분값이 존재하지 않기 때문에 학습을 할 때, 기울기(gradient)를 계산하는 것이 불가능하다. 이에, 광고클릭율을 최대화하는 디자인 파라미터를 찾는 문제는 CTR로부터 파라미터를 구하는 백워드 과정을 거쳐야 한다. 최적의 파라미터를 찾으면, 도 1에 나타난 바와 같이, 이미지 생성함수 R(130)에 원본 이미지 I(입력 이미지(120))와 최적의 파라미터를 입력함으로써, 최적의 파라미터가 적용된 이미지를 얻을 수 있게 된다. 아래에서는 세 가지 방법의 백워드 과정을 제안한다.
2.1 블랙박스 최적화 모델
블랙박스 최적화 모델인 강화학습, 유전자 알고리즘 및 베이지안 최적화 중 어느 하나를 사용하여 최적의 디자인 파라미터를 찾는 백워드 과정을 근사화할 수 있다. 도 2는 본 발명의 일실시예에 있어서, 함수 R과 F가 블랙박스 처리된 포워드 과정의 예를 도시한 도면이다. 도 2는 이미지 생성함수 R(130)과 CTR 예측네트워크 F(150)가 블랙박스 함수(Blackbox function, 210)에 의해 블랙박스 처리된 예를 나타내고 있다. 이때, 블랙박스 최적화 모델은 아래의 1) 내지 3)의 과정을 정해진 수만큼 반복할 수 있다.
1) 파라미터 추정
2) CTR 값 확인
3) 확인된 CTR 값으로부터 파라미터 추정 위치 조정
이러한 파라미터 추정 위치 조정은 탐사-개척 트레이드 오프(Exploration-exploitation tradeoff)라고도 하는데, 예를 들어 성능(performance)이 좋았던 파라미터 위치와 가까운 파라미터를 확인할 것인지(exploitation), 탐색해보지 않았던 파라미터를 새로 탐색할 것인지(exploration, 예전보다 더 좋은 파라미터를 우연찮게 찾을 수도 있기 때문에) 과정 3)에서 결정하게 된다. 과정 1) 에서는 다시 과정 3)에서 결정된 위치를 기반으로 특정 파라미터를 선택할 수 있다.
2.2 증류네트워크
증류네트워크는 원본 이미지 I와 디자인 파라미터 θ를 입력으로 받고 실수를 출력하는 뉴럴네트워크이다. 증류네트워크의 학습데이터 D는 다음 수학식 10과 같이 나타날 수 있다.
Figure 112019023539286-pat00010
증류네트워크를 사용하면 블랙박스 함수 F(R())의 미분경로(gradient path)를 생성할 수 있다. 도 3은 본 발명의 일실시예에 있어서, 증류네트워크를 사용한 파라미터 최적화 과정의 예를 도시한 도면이다. 디자인 파라미터 최적화 시스템은 CTR(160)에 대한 파라미터들의 기울기(gradient) 값을 도 3에 나타난 미분 가능 네트워크(Differentiable networks, 310)를 통해 계산할 수 있으며, 계산된 기울기 값을 사용하여 최적의 파라미터 값을 얻을 수 있다. 여기서 미분 가능 네트워크(310)로서 증류네트워크가 활용될 수 있다.
2.3 미분 가능 생성모델(generative model)과 CTR 예측네트워크
이미지 생성함수 R만 블랙박스 함수로 가정한다면, 대립생성네트워크 또는 변이오토인코더를 사용해서 CTR로부터 디자인 파라미터까지의 미분경로를 만들어 줄 수 있다. 도 4는 본 발명의 일실시예에 있어서, 미분 가능 생성모델을 사용한 파라미터 최적화의 예를 도시한 도면이다. 도 4는 이미지 생성함수 R(130)이 블랙박스 함수(410)로서 블랙박스 처리된 예를 나타내고 있다. 이 경우, 미분 가능 생성모델(420)은 CTR(160)에 대한 파라미터들의 기울기(gradient) 값을 생성하여 전달할 수 있다. 이때, 미분경로는 CTR(160) → CTR 예측네트워크 F(150) → 미분 가능 생성모델(420) → 파라미터(110)가 될 수 있다. 이는 CTR을 출력하는 파이프라인이 파라미터(110) → 미분 가능 생성모델(420) → CTR 예측네트워크 → CTR이기 때문에 파라미터에 대한 CTR의 미분값을 얻기 위해서는 파이프라인의 역순으로 미분이 계산되어야 하기 때문이다. 미분 가능 생성모델(420)로부터 CTR이 바로 계산될 수 있다면, CTR 예측네트워크는 미분경로에서 생략될 수도 있다. 미분 가능 생성모델(410)은 대립생성네트워크 또는 변이오토인코더일 수 있다. 대립생성네트워크 또는 변이오토인코더의 학습 데이터 D는 아래 수학식 11과 같이 나타날 수 있다.
Figure 112019023539286-pat00011
미분 가능 생성모델은 생성된 이미지가 흐릿하거나 깔끔하지 않다는 단점이 있지만, 미분경로를 열어주는 용도로 사용되기 때문에 큰 문제가 되지 않는다.
본 발명의 실시예들에 따른 디자인 파라미터 최적화 시스템은 이후 설명될 컴퓨터 장치를 통해 구현될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 디자인 파라미터 최적화 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 디자인 파라미터 최적화 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다. 실시예에 따라 디자인 파라미터 최적화 시스템은 둘 이상의 컴퓨터 장치들간의 연계를 통해 구현될 수도 있다.
도 5는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 일례로, 본 발명의 실시예들에 따른 디자인 파라미터 최적화 방법은 도 5를 통해 도시된 컴퓨터 장치(500)에 의해 실행될 수 있다. 이러한 컴퓨터 장치(500)는 도 5에 도시된 바와 같이, 메모리(510), 프로세서(520), 통신 인터페이스(530) 그리고 입출력 인터페이스(540)를 포함할 수 있다. 메모리(510)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(510)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(500)에 포함될 수도 있다. 또한, 메모리(510)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(510)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(510)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(530)를 통해 메모리(510)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(560)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(500)의 메모리(510)에 로딩될 수 있다.
프로세서(520)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(510) 또는 통신 인터페이스(530)에 의해 프로세서(520)로 제공될 수 있다. 예를 들어 프로세서(520)는 메모리(510)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(530)은 네트워크(560)를 통해 컴퓨터 장치(500)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(500)의 프로세서(520)가 메모리(510)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(530)의 제어에 따라 네트워크(560)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(560)를 거쳐 컴퓨터 장치(500)의 통신 인터페이스(530)를 통해 컴퓨터 장치(500)로 수신될 수 있다. 통신 인터페이스(530)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(520)나 메모리(510)로 전달될 수 있고, 파일 등은 컴퓨터 장치(500)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(540)는 입출력 장치(550)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(540)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(550)는 컴퓨터 장치(500)와 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 장치(500)는 도 5의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(500)는 상술한 입출력 장치(550) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
통신 방식은 제한되지 않으며, 네트워크(560)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 블루투스(Bluetooth)나 NFC(Near Field Communication)와 같은 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(560)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(560)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
도 6은 본 발명의 일실시예에 따른 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 디자인 파라미터 최적화 방법은 일례로 앞서 설명한 컴퓨터 장치(500)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(500)의 프로세서(520)는 메모리(510)가 포함하는 운영체제의 코드나 적어도 하나의 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(520)는 컴퓨터 장치(500)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(500)가 도 6의 방법이 포함하는 단계들(610 내지 640)을 수행하도록 컴퓨터 장치(500)를 제어할 수 있다.
단계(610)에서 컴퓨터 장치(500)는 원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리할 수 있다. 예를 들어, 컴퓨터 장치(500)는 원본 이미지와 디자인 파라미터를 이미지 생성함수에 입력하여, 원본 이미지를 디자인 파라미터에 따라 변형된 이미지를 얻을 수 있다. 또한, 컴퓨터 장치(500)는 변형된 이미지를 클릭율 예측네트워크에 입력하여 클릭율을 산출할 수 있다. 이러한 포워드 과정은 도 1을 통해 설명한 바 있다.
단계(620)에서 컴퓨터 장치(500)는 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리할 수 있다. 백워드 과정을 위한 세 가지 방법에 대해서는 도 2 내지 도 4를 통해 설명한 바 있으며, 이후 도 7 내지 도 9를 통해 더욱 자세히 설명한다.
단계(630)에서 컴퓨터 장치(500)는 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 원본 이미지를 이미지 생성함수에 입력하여 변형된 이미지를 생성할 수 있다. 원본 이미지에 최적의 디자인 파라미터를 적용하여 생성된 이미지를 통해 해당 이미지가 포함된 광고 등의 컨텐츠에 대한 클릭율을 최대화할 수 있다.
도 7은 본 발명의 일실시예에 있어서, 블랙박스 최적화 모델을 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다. 도 7의 단계들(710 내지 740)은 도 6을 통해 설명한 단계(620)에 포함되어 컴퓨터 장치(500)에 의해 수행될 수 있다.
앞서 설명한 단계(620)에서 컴퓨터 장치(500)는 이미지 생성함수 및 클릭율 예측네트워크를 블랙박스 함수로서 블랙박스 처리한 블랙박스 최적화 모델을 이용하여 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 근사화할 수 있다. 이때, 블랙박스 최적화 모델은 강화학습(reinforcement learning), 유전자 알고리즘(genetic algorithm) 및 베이지안 최적화(Bayesian optimization) 중 어느 하나를 포함할 수 있다. 한편, 이러한 백워드 과정의 근사화를 위해, 컴퓨터 장치(500)는 블랙박스 최적화 모델을 통해, 단계(620)에서 도 7의 단계들(710 내지 740)을 수행할 수 있다.
단계(710)에서 컴퓨터 장치(500)는 클릭율로부터 다음 디자인 파라미터의 추정 위치를 조정할 수 있다.
단계(720)에서 컴퓨터 장치(500)는 추정 위치가 조정된 다음 디자인 파라미터를 추정할 수 있다.
단계(730)에서 컴퓨터 장치(500)는 추정된 다음 디자인 파라미터를 이용하여 클릭율을 출력할 수 있다.
단계(740)에서 컴퓨터 장치(500)는 단계(710) 내지 단계(730)를 기설정된 횟수만큼 반복 수행할 수 있다.
앞서 설명한 바와 같이, 블랙박스 최적화 알고리즘은 함수 F의 구체적인 식을 모르지만 입력 x에 대한 출력 F(x)를 알 수 있을 때, F(x)의 최적값을 추정할 수 있다. 다시 말해, 블랙박스 처리된 이미지 생성함수 및 클릭율 예측네트워크와 관련하여, 입력으로서의 원본 이미지와 디자인 파라미터에 대한 출력으로서의 클릭율을 알 수 있을 때, 클릭율의 최적값을 추정할 수 있으며, 이를 통해 클릭율의 최적값을 얻기 위한 최적의 디자인 파라미터를 추정할 수 있다. 앞서 설명한 도 7의 단계들(710 내지 740)은 블랙박스 최적화 모델을 통해, 최적의 디자인 파라미터를 기설정된 횟수만큼 반복적으로 추정하는 과정의 예를 나타내고 있다.
도 8은 본 발명의 일실시예에 있어서, 미분 가능 네트워크를 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다. 도 8의 단계들(810 내지 830)은 도 6을 통해 설명한 단계(620)에 포함되어 컴퓨터 장치(500)에 의해 수행될 수 있다.
단계(810)에서 컴퓨터 장치(500)는 이미지 생성함수 및 클릭율 예측네트워크를 블랙박스 함수로서 블랙박스 처리할 수 있다. 앞서 도 3을 통해 이미지 생성함수 R(130)과 CTR 예측네트워크 F(150)가 블랙박스 함수로서 블랙박스 처리된 예를 설명한 바 있다.
단계(820)에서 컴퓨터 장치(500)는 원본 이미지 및 디자인 파라미터를 입력받아 클릭율에 대한 파라미터들의 기울기 값을 계산하는 미분 가능 네트워크를 이용하여 블랙박스 함수의 미분경로를 생성할 수 있다. 이러한 미분경로의 예를 도 3을 통해 설명한 바 있다.
단계(830)에서 컴퓨터 장치(500)는 미분경로를 통해 전달되는 기울기 값을 이용하여 최적의 디자인 파라미터를 산출할 수 있다.
도 9는 본 발명의 일실시예에 있어서, 미분 가능 생성모델을 이용한 디자인 파라미터 최적화 방법의 예를 도시한 흐름도이다. 도 9의 단계들(910 내지 930)은 도 6을 통해 설명한 단계(620)에 포함되어 컴퓨터 장치(500)에 의해 수행될 수 있다.
단계(910)에서 컴퓨터 장치(500)는 이미지 생성함수를 블랙박스 함수로서 블랙박스 처리할 수 있다. 앞서 도 4를 통해 이미지 생성함수 R(130)만이 블랙박스 함수로서 블랙박스 처리된 예를 설명한 바 있다.
단계(920)에서 컴퓨터 장치(500)는 원본 이미지 및 상기 디자인 파라미터를 입력받아 상기 클릭율에 대한 파라미터들의 기울기(gradient) 값을 계산하는 미분 가능 생성모델을 이용하여 클릭율에 대해 클릭율 예측네트워크 및 미분 가능 생성모델을 경유하는 미분경로를 생성할 수 있다. 이러한 미분경로의 예를 도 4를 통해 설명한 바 있다.
단계(930)에서 컴퓨터 장치(500)는 미분경로를 통해 전달되는 기울기 값을 이용하여 최적의 디자인 파라미터를 산출할 수 있다.
최적의 디자인 파라미터가 산출되면, 컴퓨터 장치(500)는 도 6의 단계(630)에서와 같이 산출된 최적의 디자인 파라미터 및 원본 이미지를 이미지 생성함수에 입력하여 변형된 이미지를 생성할 수 있다. 이때, 최적의 디자인 파라미터를 원본 이미지에 적용하여 생성된 이미지는 클릭율을 최대화할 수 있다.
이처럼 본 발명의 실시예들에 따르면, 클릭율을 최대화할 수 있도록 이미지의 디자인 파라미터를 최적화할 수 있는 디자인 파라미터 최적화 방법 및 시스템을 제공할 수 있다.
이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (15)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 디자인 파라미터 최적화 방법에 있어서,
    상기 적어도 하나의 프로세서에 의해, 원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리하는 단계;
    상기 적어도 하나의 프로세서에 의해, 블랙박스 함수에 대한 이미 알고 있는 입력 및 상기 입력에 대해 이미 알고 있는 출력을 이용하여 최적의 출력값을 산출하는 블랙박스 최적화 모델에, 상기 이미 알고 있는 입력으로서의 클릭율 및 상기 이미 알고 있는 출력으로서의 디자인 파라미터를 반영하여 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리하는 단계; 및
    상기 적어도 하나의 프로세서에 의해, 상기 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 상기 원본 이미지를 상기 이미지 생성함수에 입력하여 변형된 이미지를 생성하는 단계
    를 포함하는 디자인 파라미터 최적화 방법.
  2. 제1항에 있어서,
    상기 백워드 과정을 처리하는 단계는,
    상기 이미지 생성함수 및 상기 클릭율 예측네트워크를 상기 블랙박스 함수로서 블랙박스 처리한 상기 블랙박스 최적화 모델을 이용하여 상기 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 근사화하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  3. 제2항에 있어서,
    상기 블랙박스 최적화 모델은 강화학습(reinforcement learning), 유전자 알고리즘(genetic algorithm) 및 베이지안 최적화(Bayesian optimization) 중 어느 하나를 포함하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  4. 제2항에 있어서,
    상기 백워드 과정을 처리하는 단계는,
    상기 블랙박스 최적화 모델을 통해,
    상기 클릭율로부터 다음 디자인 파라미터의 추정 위치를 조정하는 제1 단계;
    상기 추정 위치가 조정된 다음 디자인 파라미터를 추정하는 제2 단계; 및
    상기 추정된 다음 디자인 파라미터를 이용하여 클릭율을 출력하는 제3 단계
    를 기설정된 횟수만큼 반복 수행하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  5. 제1항에 있어서,
    상기 백워드 과정을 처리하는 단계는,
    상기 이미지 생성함수 및 상기 클릭율 예측네트워크를 상기 블랙박스 함수로서 블랙박스 처리하는 단계;
    상기 원본 이미지 및 상기 디자인 파라미터를 입력받아 상기 클릭율에 대한 파라미터들의 기울기(gradient) 값을 계산하는 미분 가능 네트워크(Differentiable networks)를 이용하여 상기 블랙박스 함수의 미분경로를 생성하는 단계; 및
    상기 미분경로를 통해 전달되는 상기 기울기 값을 이용하여 상기 최적의 디자인 파라미터를 산출하는 단계
    를 포함하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  6. 제5항에 있어서,
    상기 미분 가능 네트워크는 증류네트워크(distillation networks)를 포함하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  7. 제1항에 있어서,
    상기 백워드 과정을 처리하는 단계는,
    상기 이미지 생성함수를 상기 블랙박스 함수로서 블랙박스 처리하는 단계;
    상기 원본 이미지 및 상기 디자인 파라미터를 입력받아 상기 클릭율에 대한 파라미터들의 기울기(gradient) 값을 계산하는 미분 가능 생성모델을 이용하여 상기 클릭율에 대해 상기 클릭율 예측네트워크 및 상기 미분 가능 생성모델을 경유하는 미분경로를 생성하는 단계; 및
    상기 미분경로를 통해 전달되는 상기 기울기 값을 이용하여 상기 최적의 디자인 파라미터를 산출하는 단계
    를 포함하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  8. 제7항에 있어서,
    상기 미분 가능 생성모델은 대립생성네트워크(Generative Adversarial Networks, GAN) 또는 변이오토인코더(Variational AutoEncoder, VAE)를 포함하는 것을 특징으로 하는 디자인 파라미터 최적화 방법.
  9. 컴퓨터 장치와 결합되어 제1항 내지 제8항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
  10. 제1항 내지 제8항 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
  11. 컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로세서에 의해,
    원본 이미지, 디자인 파라미터, 이미지 생성함수 및 클릭율 예측네트워크를 이용하여 디자인 파라미터로부터 클릭율을 출력하는 포워드 과정을 처리하고,
    블랙박스 함수에 대한 이미 알고 있는 입력 및 상기 입력에 대해 이미 알고 있는 출력을 이용하여 최적의 출력값을 산출하는 블랙박스 최적화 모델에, 상기 이미 알고 있는 입력으로서의 클릭율 및 상기 이미 알고 있는 출력으로서의 디자인 파라미터를 반영하여 최적의 디자인 파라미터를 산출하는 백워드 과정을 처리하고,
    상기 백워드 과정을 통해 산출된 최적의 디자인 파라미터 및 상기 원본 이미지를 상기 이미지 생성함수에 입력하여 변형된 이미지를 생성하는 것
    을 특징으로 하는 컴퓨터 장치.
  12. 제11항에 있어서,
    상기 적어도 하나의 프로세서에 의해,
    상기 이미지 생성함수 및 상기 클릭율 예측네트워크를 상기 블랙박스 함수로서 블랙박스 처리한 상기 블랙박스 최적화 모델을 이용하여 상기 클릭율로부터 최적의 디자인 파라미터를 산출하는 백워드 과정을 근사화하는 것
    을 특징으로 하는 컴퓨터 장치.
  13. 제12항에 있어서,
    상기 블랙박스 최적화 모델을 통해,
    상기 클릭율로부터 다음 디자인 파라미터의 추정 위치를 조정하는 제1 프로세스;
    상기 추정 위치가 조정된 다음 디자인 파라미터를 추정하는 제2 프로세스; 및
    상기 추정된 다음 디자인 파라미터를 이용하여 클릭율을 출력하는 제3 프로세스
    를 상기 적어도 하나의 프로세서에 의해, 기설정된 횟수만큼 반복 수행하는 것
    을 특징으로 하는 컴퓨터 장치.
  14. 제11항에 있어서,
    상기 적어도 하나의 프로세서에 의해,
    상기 이미지 생성함수 및 상기 클릭율 예측네트워크를 상기 블랙박스 함수로서 블랙박스 처리하고,
    상기 원본 이미지 및 상기 디자인 파라미터를 입력받아 상기 클릭율에 대한 파라미터들의 기울기(gradient) 값을 계산하는 미분 가능 네트워크(Differentiable networks)를 이용하여 상기 블랙박스 함수의 미분경로를 생성하고,
    상기 미분경로를 통해 전달되는 상기 기울기 값을 이용하여 상기 최적의 디자인 파라미터를 산출하는 것
    을 특징으로 하는 컴퓨터 장치.
  15. 제11항에 있어서,
    상기 적어도 하나의 프로세서에 의해,
    상기 이미지 생성함수를 상기 블랙박스 함수로서 블랙박스 처리하고,
    상기 원본 이미지 및 상기 디자인 파라미터를 입력받아 상기 클릭율에 대한 파라미터들의 기울기(gradient) 값을 계산하는 미분 가능 생성모델을 이용하여 상기 클릭율에 대해 상기 클릭율 예측네트워크 및 상기 미분 가능 생성모델을 경유하는 미분경로를 생성하고,
    상기 미분경로를 통해 전달되는 상기 기울기 값을 이용하여 상기 최적의 디자인 파라미터를 산출하는 것
    을 특징으로 하는 컴퓨터 장치.
KR1020190026343A 2019-03-07 2019-03-07 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템 KR102261055B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190026343A KR102261055B1 (ko) 2019-03-07 2019-03-07 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190026343A KR102261055B1 (ko) 2019-03-07 2019-03-07 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200107347A KR20200107347A (ko) 2020-09-16
KR102261055B1 true KR102261055B1 (ko) 2021-06-04

Family

ID=72669501

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190026343A KR102261055B1 (ko) 2019-03-07 2019-03-07 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102261055B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102595095B1 (ko) * 2020-11-26 2023-10-27 서울대학교산학협력단 유아-모사 베이지안 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101926404B1 (ko) 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101926404B1 (ko) 2018-04-27 2018-12-07 남정우 인공지능을 이용한 온라인 쇼핑몰에서의 프로모션 이미지 수정 장치

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Deep Interest Network for Click-Through Rate Prediction", Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining(pp. 1059-1068), 2018.
"Disguise Adversarial Networks for Click-through Rate Prediction", Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI-17)(pp. 1589-1595), 2017.
"Enhancing Product Images for Click-Through Rate Improvement", 25th IEEE International Conference on Image Processing (ICIP)(pp. 1428-1432), 2018.

Also Published As

Publication number Publication date
KR20200107347A (ko) 2020-09-16

Similar Documents

Publication Publication Date Title
EP3586277B1 (en) Training policy neural networks using path consistency learning
US11861474B2 (en) Dynamic placement of computation sub-graphs
US10592776B2 (en) Generating multimodal image edits for a digital image
US20200302322A1 (en) Machine learning system
US11809977B2 (en) Weakly supervised reinforcement learning
US20210158162A1 (en) Training reinforcement learning agents to learn farsighted behaviors by predicting in latent space
US11157316B1 (en) Determining action selection policies of an execution device
US9235809B2 (en) Particle methods for nonlinear control
CN110520871A (zh) 训练机器学习模型
CN109726813A (zh) 任务的强化和模仿学习
JP7284277B2 (ja) 対話履歴グラフを使用したアクション選択
US11907821B2 (en) Population-based training of machine learning models
CN109313720A (zh) 具有稀疏访问的外部存储器的增强神经网络
CN106471525A (zh) 增强神经网络以生成附加输出
EP3602419A1 (en) Neural network optimizer search
CN110383298A (zh) 用于连续控制任务的数据高效强化学习
US10860895B2 (en) Imagination-based agent neural networks
JP2014206870A (ja) プラントモデル管理装置及び方法
CN110114784A (zh) 递归神经网络
CN115066694A (zh) 计算图优化
JP6718500B2 (ja) 生産システムにおける出力効率の最適化
CN110447041A (zh) 噪声神经网络层
US11204803B2 (en) Determining action selection policies of an execution device
KR102261055B1 (ko) 클릭율 최대화를 위한 이미지 디자인 파라미터 최적화 방법 및 시스템
KR102561799B1 (ko) 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템

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