KR102320374B1 - A method for signed network embedding based on a adversarial training and an apparatus for the method - Google Patents
A method for signed network embedding based on a adversarial training and an apparatus for the method Download PDFInfo
- Publication number
- KR102320374B1 KR102320374B1 KR1020190155436A KR20190155436A KR102320374B1 KR 102320374 B1 KR102320374 B1 KR 102320374B1 KR 1020190155436 A KR1020190155436 A KR 1020190155436A KR 20190155436 A KR20190155436 A KR 20190155436A KR 102320374 B1 KR102320374 B1 KR 102320374B1
- Authority
- KR
- South Korea
- Prior art keywords
- edge
- virtual
- positive
- negative
- node
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
본 발명은 복수개 종류의 엣지를 포함하는 네트워크에서 네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 단계, 상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하고 상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 단계 및 상기 긍정적 엣지, 상기 가상의 긍정적 엣지, 상기 부정적 엣지, 상기 가상의 부정적 엣지에 기반하여 적대적 학습(adversarial training)을 수행하는 단계를 포함하는 적대적 학습 수행 방법을 제공한다.In the present invention, in a network including a plurality of types of edges, an edge formed at a specific node constituting the network is divided into a positive edge and a negative edge, and a virtual positive edge is based on the positive edge. (fake positive edge) and generating a virtual negative edge based on the negative edge, and based on the positive edge, the virtual positive edge, the negative edge, the virtual negative edge It provides a method of performing adversarial learning comprising the step of performing adversarial training.
Description
본 발명은 적대적 학습에 기반한 부호가 있는 네트워크 임베딩 방법 및 장치에 관한 것이다.The present invention relates to a signed network embedding method and apparatus based on adversarial learning.
딥 러닝(Deep Learning)은 기계가 사람처럼 생각하고 배울 수 있도록 하는 인공지능(AI) 기술을 의미하며, 인공 신경망 이론을 기반으로 복잡한 비선형 문제를 기계가 스스로 학습하여 해결할 수 있도록 한다. 이러한 딥 러닝 기술을 적용하면 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지, 추론 및 판단을 수행할 수 있어 패턴 분석 분야에서 광범위하게 적용되고 있다.Deep Learning refers to artificial intelligence (AI) technology that enables machines to think and learn like humans. Based on artificial neural network theory, machines can learn and solve complex nonlinear problems by themselves. If such deep learning technology is applied, the computer can perform recognition, reasoning, and judgment on its own without a person setting all judgment criteria, so it is widely applied in the field of pattern analysis.
심층 신경망(DNN: Deep Neural Network)은 입력 계층(input layer)과 출력 계층(output layer) 사이에 복수 개의 은닉 계층(hidden layer)들로 이뤄진 인공 신경망(ANN: Artificial Neural Network)을 의미하며, 선형 맞춤(linear fitting)과 비선형 변환(nonlinear transformation or activation) 등을 반복적으로 수행한다.A deep neural network (DNN) refers to an artificial neural network (ANN) consisting of a plurality of hidden layers between an input layer and an output layer, and is a linear Iteratively performs a fitting (linear fitting) and a nonlinear transformation (nonlinear transformation or activation).
심층 신경망은 이미지 인식, 음성 인식, 침입 감내 시스템(Intrusion Tolerance System) 및 자연어 처리(Natural Language Processing) 등 광범위한 분야에 적용되고 있어 그 보안 문제가 제기되어 왔다. 구체적으로, 입력 데이터에 야기된 미소 변조를 인간이 육안으로 인지할 수 없는 경우라도, 미소 변조가 발생한 입력 데이터는 심층 신경망이 입력 데이터의 클래스를 잘못 식별하도록 하는 문제점을 야기할 수 있다. 예를 들어, 심층 심경망을 통해 도로 표지판을 인식하여 주행하는 자율 주행 차량에 있어, 심층 심경망으로 입력되는 도로 표지판 이미지를 미소 변조시킴으로써 자율 주행 차량의 의도치 않는 동작이 유발되는 문제점이 존재한다(예: 좌회전 표시 이미지의 미소 변조가 자율 주행 차량의 우회전을 유발하는 경우). 상기한, 미소 변조된 입력 데이터를 적대적 예제(Adversarial Example)라 하며, 최소한의 이미지 변조를 통해 원래 이미지의 클래스와는 다른 클래스로 인식되도록 하는 것을 Evasion Attack이라 한다.Deep neural networks have been applied to a wide range of fields, such as image recognition, speech recognition, intrusion tolerance systems, and natural language processing, and their security issues have been raised. Specifically, even when the human eye cannot recognize the micro-modulation caused to the input data, the micro-modulation generated input data may cause a problem in that the deep neural network incorrectly identifies the class of the input data. For example, in an autonomous vehicle driving by recognizing road signs through a deep heart network, there is a problem in that an unintended operation of the autonomous vehicle is induced by micro-modulating a road sign image input to the deep heart network. (e.g., when micro-modulation of the left-turn indicator image causes an autonomous vehicle to turn right). The above-mentioned micro-modulated input data is referred to as an adversarial example, and an evasion attack is used to make the micro-modulated input data recognized as a class different from that of the original image through minimal image modulation.
본 발명은 네트워크를 구성하는 노드간의 관계를 긍정적 엣지와 부정적 엣지로 구분하고, 구분된 긍정적 엣지와 부정적 엣지에 기반하여 적대적 학습을 수행함으로써 기계적 학습의 정확도를 향상시킬 수 있는 방법 및 장치를 제공한다.The present invention provides a method and apparatus capable of improving the accuracy of machine learning by classifying the relationship between nodes constituting a network into a positive edge and a negative edge, and performing adversarial learning based on the divided positive and negative edges. .
본 발명은 복수개 종류의 엣지를 포함하는 네트워크에서 네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 단계, 상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하고 상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 단계 및 상기 긍정적 엣지, 상기 가상의 긍정적 엣지, 상기 부정적 엣지, 상기 가상의 부정적 엣지에 기반하여 적대적 학습(adversarial training)을 수행하는 단계를 포함하는 적대적 학습 수행 방법을 제공한다.In the present invention, in a network including a plurality of types of edges, an edge formed at a specific node constituting the network is divided into a positive edge and a negative edge, and a virtual positive edge is based on the positive edge. (fake positive edge) and generating a virtual negative edge based on the negative edge, and based on the positive edge, the virtual positive edge, the negative edge, the virtual negative edge It provides a method of performing adversarial learning comprising the step of performing adversarial training.
일 실시예에 따르면, 상기 생성하는 단계는 상기 부정적 엣지에 기반하여 상기 가상의 부정적 엣지와 상기 가상의 긍정적 엣지를 생성할 수 있다.According to an embodiment, the generating may generate the virtual negative edge and the virtual positive edge based on the negative edge.
일 실시예에 따르면, 상기 생성하는 단계는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있고, 상기 제2 노드와 제3 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드 사이에 가상의 긍정적 엣지를 생성하고, 상기 특정 노드와 상기 제3 노드 사이에 가상의 부정적 엣지를 생성할 수 있다.According to an embodiment, in the generating, the specific node and the first node are in a negative edge relationship, the first node and the second node are in a negative edge relationship, and the second node and the third node are in a negative edge relationship. When there is a relationship, a virtual positive edge may be generated between the specific node and the second node, and a virtual negative edge may be generated between the specific node and the third node.
일 실시예에 따르면, 상기 생성하는 단계는 공유되는 파라미터에 기반하여 상기 가상의 긍정적 엣지와 상기 가상의 부정적 엣지를 생성할 수 있다.According to an embodiment, the generating may generate the virtual positive edge and the virtual negative edge based on a shared parameter.
일 실시예에 따르면, 상기 적대적 학습을 수행하는 단계는 상기 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출하는 단계, 생성된 상기 가상의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 선정하는 단계, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지를 수신하는 단계 및 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행하는 단계를 포함할 수 있다.According to an embodiment, the performing of the adversarial learning includes extracting at least one negative edge from among the negative edges for the specific node, and selecting at least one virtual negative edge from among the generated virtual negative edges. receiving the at least one negative edge and the at least one virtual negative edge, and a negative edge and a virtual negative edge in a state in which the at least one negative edge and the at least one virtual negative edge are mixed It may include the step of performing adversarial learning by classifying the
일 실시예에 따르면, 상기 적대적 학습을 수행하는 단계는 상기 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출하는 단계, 긍정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 선정하는 단계, 부정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 선정하는 단계, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지를 수신하는 단계 및 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지가 혼재되어 잇는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지가 혼재되어 있는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행하는 단계를 포함할 수 있다.According to an embodiment, the performing of the adversarial learning includes extracting at least one positive edge from among the positive edges for the specific node, and at least one first virtual among virtual positive edges generated based on the positive edge. selecting a positive edge of , selecting at least one second virtual positive edge from among virtual positive edges generated based on the negative edge, the at least one positive edge and the at least one first virtual positive edge receiving an edge and the at least one second virtual positive edge, and distinguishing a positive edge from a virtual positive edge in a state in which the at least one positive edge and the at least one first virtual positive edge are mixed, , performing adversarial learning by distinguishing a positive edge from a virtual positive edge in a state in which the at least one positive edge and the at least one second virtual positive edge are mixed.
본 발명은 복수개 종류의 엣지를 포함하는 네트워크에서 적대적 학습을 수행하기 위해 네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 엣지 구분부, 상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하는 가상 긍정적 엣지 생성부, 상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 가상 부정적 엣지 생성부, 상기 긍정적 엣지와 상기 가상의 긍정적 엣지에 기반하여 적대적 학습을 수행하는 긍정적 적대적 학습부 및 상기 부정적 엣지와 상기 가상의 부정적 엣지에 기반하여 적대적 학습을 수행하는 부정적 적대적 학습부를 포함하는 전자 장치를 제공한다.The present invention is an edge divider that divides the edges formed in specific nodes constituting the network into positive edges and negative edges in order to perform adversarial learning in a network including a plurality of types of edges, the positive edge A virtual positive edge generator for generating a virtual fake positive edge based on an edge, a virtual negative edge generator for generating a virtual negative edge based on the negative edge, the positive edge and Provided is an electronic device comprising: a positive hostile learning unit configured to perform hostile learning based on the virtual positive edge; and a negative hostile learning unit configured to perform hostile learning based on the negative edge and the virtual negative edge.
일 실시예에 따르면, 상기 가상 부정적 엣지 생성부는 상기 부정적 엣지에 기반하여 상기 가상의 부정적 엣지와 상기 가상의 긍정적 엣지를 생성할 수 있다.According to an embodiment, the virtual negative edge generating unit may generate the virtual negative edge and the virtual positive edge based on the negative edge.
일 실시예에 따르면, 상기 가상 부정적 엣지 생성부는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있고 상기 제2 노드와 제3 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드 사이에 가상의 긍정적 엣지를 생성하고, 상기 특정 노드와 상기 제3 노드 사이에 가상의 부정적 엣지를 생성할 수 있다.According to an embodiment, the virtual negative edge generating unit has a negative edge relationship between the specific node and a first node, a negative edge relationship between the first node and a second node, and a negative edge relationship between the second node and the third node. When there is a relationship, a virtual positive edge may be generated between the specific node and the second node, and a virtual negative edge may be generated between the specific node and the third node.
일 실시예에 따르면, 상기 가상 긍정적 엣지 생성부와 상기 가상 부정적 엣지 생성부는 가상의 긍정적 엣지와 가상의 부정적 엣지를 생성하기 위한 파라미터를 공유할 수 있다.According to an embodiment, the virtual positive edge generator and the virtual negative edge generator may share a parameter for generating a virtual positive edge and a virtual negative edge.
일 실시예에 따르면, 상기 부정적 적대적 학습부는 상기 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출하고, 생성된 상기 가상의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 선정하며, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지를 수신하고, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다.According to an embodiment, the negative adversarial learning unit extracts at least one negative edge from among the negative edges for the specific node, selects at least one virtual negative edge from among the generated virtual negative edges, and the at least one Adversarial learning is performed by receiving a negative edge and the at least one virtual negative edge of can be done
일 실시예에 따르면, 상기 긍정적 적대적 학습부는 상기 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출하고, 긍정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 선정하며, 부정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 선정하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지를 수신하며, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지가 혼재되어 잇는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지가 혼재되어 있는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다.According to an embodiment, the positive adversarial learning unit extracts at least one positive edge from among the positive edges for the specific node, and selects at least one first virtual positive edge from among the virtual positive edges generated based on the positive edge. selecting at least one second virtual positive edge from among the virtual positive edges generated based on the negative edge, the at least one positive edge, the at least one first virtual positive edge, and the at least one Receive a second virtual positive edge, distinguish a positive edge from a virtual positive edge in a state in which the at least one positive edge and the at least one first virtual positive edge are mixed, and the at least one positive edge and the at least one second virtual positive edge may be mixed, and hostile learning may be performed by distinguishing a positive edge from a virtual positive edge.
본 발명에서 개시하고 있는 일 실시예에 따르면, 각 노드 간의 관계를 긍정적 관계와 부정적 관계로 세분화하여 학습이 가능하므로 기계적 학습의 정확도가 향상될 수 있다.According to an embodiment disclosed in the present invention, since learning can be performed by subdividing the relationship between each node into a positive relationship and a negative relationship, the accuracy of machine learning can be improved.
도 1은 본 발명의 일 실시예에 따른 적대적 학습을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 적대적 학습 수행 방법의 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 부정적 엣지에 대한 적대적 학습 수행 방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 긍정적 엣지에 대한 적대적 학습 수행 방법의 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 전자 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 공유된 임베딩 구조의 효과를 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따라 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성한 경우의 효과를 설명하기 위한 도면이다.1 is a diagram for explaining adversarial learning according to an embodiment of the present invention.
2 is a flowchart of a method for performing adversarial learning according to an embodiment of the present invention.
3 is a flowchart of a method for performing adversarial learning on a negative edge according to an embodiment of the present invention.
4 is a flowchart of a method for performing adversarial learning on a positive edge according to an embodiment of the present invention.
5 is a block diagram of an electronic device according to an embodiment of the present invention.
6 is a diagram for explaining an effect of a shared embedding structure according to an embodiment of the present invention.
7 is a diagram for explaining an effect of generating a virtual positive edge based on a negative edge according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention. In describing each figure, like reference numerals have been used for like elements.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not
도 1은 본 발명의 일 실시예에 따른 적대적 학습을 설명하기 위한 도면이다.1 is a diagram for explaining adversarial learning according to an embodiment of the present invention.
일 실시예에 따르면, 도 1의 101에서 도시하고 있는 바와 같이 네트워크를 구성하는 노드는 다른 노드들과 관계를 맺을 수 있다. 다양한 실시예에 따르면, 특정 노드가 다른 노드와 연관관계가 있는 경우 노드간 관계가 맺어졌다고 볼 수 있다. 예를 들어, 소셜 네트워크에서 특정 사용자가 다른 사용자를 팔로우하는 것을 노드 간에 관계가 맺어졌다고 볼 수 있다.According to an embodiment, as illustrated in 101 of FIG. 1 , a node constituting a network may establish a relationship with other nodes. According to various embodiments, when a specific node has a relationship with another node, it can be considered that a relationship between nodes has been established. For example, in a social network, when a specific user follows another user, a relationship is established between nodes.
일 실시예에 따르면, 특정 노드와 다른 노드간의 관계는 두 가지로 분류될 수 있다. 하나는 긍정적 관계이며 다른 하나는 부정적 관계이다. 다양한 실시예에 따르면, 도 1의 101 그래프에서 실선으로 표시된 관계를 긍정적 관계에 해당되는 긍정적 엣지(edge)로 볼 수 있으며, 점선으로 표시된 관계를 부정적 관계에 해당하는 부정적 엣지로 볼 수 있다. 예를 들어, 소셜 네트워크에서 특정 사용자가 다른 사용자를 선호하는 경우를 긍정적 관계에 있다고 볼 수 있으며, 특정 사용자가 다른 사용자를 선호하지 않는 경우를 부정적 관계에 있다고 볼 수 있다.According to an embodiment, a relationship between a specific node and another node may be classified into two types. One is a positive relationship and the other is a negative relationship. According to various embodiments, a relationship indicated by a solid line in
일 실시예에 따르면, 긍정적 엣지와 부정적 엣지가 혼재되어 있는 네트워크에서 적대적 학습을 수행하기 위해 긍정적 엣지 또는 부정적 엣지만이 추출될 수 있다. 예를 들어, 도 1의 111에서 도시하고 있는 바와 같이 부정적 엣지만이 네트워크에서 추출될 수 있으며, 113에서 도시하고 있는 바와 같이 긍정적 엣지만이 네트워크에서 추출될 수 있다.According to an embodiment, only a positive edge or a negative edge may be extracted to perform adversarial learning in a network in which positive and negative edges are mixed. For example, only negative edges may be extracted from the network as shown at 111 of FIG. 1 , and only positive edges may be extracted from the network as shown at 113 .
일 실시예에 따르면, 가상 부정적 엣지 생성부(121)는 적대적 학습을 수행하기 위해 추출된 부정적 엣지에 기반하여 가상의 부정적 엣지를 생성할 수 있다. 다양한 실시예에 따르면, 가상 긍정적 엣지 생성부(123)는 적대적 학습을 수행하기 위해 추출된 긍정적 엣지에 기반하여 가상의 긍정적 엣지를 생성할 수 있다.According to an embodiment, the virtual
일 실시예에 따르면, 가상 부정적 엣지 생성부(121)와 가상 긍정적 엣지 생성부(123)는 하나의 파라미터에 기반하여 가상의 긍정적 엣지와 가상의 부정적 엣지를 생성할 수 있다. 즉, 가상 부정적 엣지 생성부(121)와 가상 긍정적 엣지 생성부(123)는 공유된 임베딩(shared embedding)을 수행할 수 있다.According to an embodiment, the virtual
일 실시예에 따르면, 가상 부정적 엣지 생성부(121)는 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성할 수 있다. 다양한 실시예에 따르면, 특정 노드에 적대적 관계를 가지는 제1 노드에 적대적 관계를 가지는 제2 노드가 있다면, 상기 특정 노드와 상기 제2 노드는 긍정적 관계에 있다고 볼 수 있다. 따라서, 이 같은 원리를 이용하여 가상 부정적 엣지 생성부(121)는 가상의 긍정적 엣지를 생성할 수 있으며, 이를 긍정적 적대적 학습부(143)로 전달할 수 있다. According to an embodiment, the virtual
일 실시예에 따르면, 부정적 적대적 학습부(141)는 부정적 엣지와 가상의 부정적 엣지에 기반하여 적대적 학습을 수행할 수 있다. 다양한 실시예에 따르면, 부정적 적대적 학습부(141)는 동일한 개수의 부정적 엣지와 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다.According to an embodiment, the negative
일 실시예에 따르면, 적대적 학습 결과에 기반하여 특정 노드의 특성을 임베딩 공간(embedding space)에서의 고유벡터로 전환할 수 있다.According to an embodiment, a characteristic of a specific node may be converted into an eigenvector in an embedding space based on the adversarial learning result.
도 2는 본 발명의 일 실시예에 따른 적대적 학습 수행 방법의 흐름도이다. 일 실시예에 따르면, 도 2에서 도시하고 있는 흐름도는 도 5에서 도시하고 있는 전자 장치에 의해 수행될 수 있다.2 is a flowchart of a method for performing adversarial learning according to an embodiment of the present invention. According to an embodiment, the flowchart illustrated in FIG. 2 may be performed by the electronic device illustrated in FIG. 5 .
일 실시예에 따르면, S210 단계에서 네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분할 수 있다. 다양한 실시예에 따르면, 엣지는 네트워크를 구성하는 노드간 관계의 유무를 의미할 수 있다. 예를 들어, 소셜 네트워크상에서 제1 노드와 제2 노드를 팔로우 하는 경우, 제1 노드와 제2 노드 사이에 엣지가 형성되었다고 볼 수 있다.According to an embodiment, in step S210 , an edge formed at a specific node constituting a network may be divided into a positive edge and a negative edge. According to various embodiments, the edge may mean the presence or absence of a relationship between nodes constituting a network. For example, when a first node and a second node are followed on a social network, it can be considered that an edge is formed between the first node and the second node.
일 실시예에 따르면, 상기 엣지는 긍정적 엣지와 부정적 엣지로 구분될 수 있다. 다양한 실시예에 따르면, 제1 노드가 제2 노드를 선호하는 경우 제1 노드와 제2 노드는 서로 긍정적 엣지로 연결되어 있다고 볼 수 있으며, 제1 노드가 제3 노드를 비선호하는 경우 제1 노드와 제3 노드는 서로 부정적 엣지로 연결되어 있다고 볼 수 있다.According to an embodiment, the edge may be divided into a positive edge and a negative edge. According to various embodiments, when the first node prefers the second node, it can be considered that the first node and the second node are connected to each other by a positive edge, and when the first node does not prefer the third node, the first node and the third node are connected to each other by a negative edge.
일 실시예에 따르면, 노드 간의 연결관계를 엣지의 유무로만 구분하는 것이 아니라 긍정적 엣지와 부정적 엣지로 세분화하여 구분함으로써 각 노드 간의 관계를 정확하게 파악할 수 있으며, 이를 통해 기계학습의 정확도를 향상시킬 수 있다.According to an embodiment, the relationship between nodes can be accurately identified by dividing the connection relationship between nodes into positive edges and negative edges, rather than dividing only the presence or absence of edges, thereby improving the accuracy of machine learning. .
일 실시예에 따르면, S220 단계에서 S210 단계를 통해 구분된 긍정적 엣지에 기반하여 가상의 긍정적 엣지를 생성하고, S210 단계를 통해 구분된 부정적 엣지에 기반하여 가상의 부정적 엣지를 생성할 수 있다. 다양한 실시예에 따르면, S220 단계에서 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성할 수도 있다. 예를 들어, 특정 노드와 제1 노드가 부정적 엣지 관계에 있고, 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드는 긍정적 관계에 있다고 추론할 수 있다. 따라서 이 경우 S220 단계를 통해 상기 특정 노드와 상기 제2 노드에 대한 엣지를 가상의 긍정적 엣지로 생성할 수 있다.According to an embodiment, in step S220, a virtual positive edge may be generated based on the positive edge divided through step S210, and a virtual negative edge may be generated based on the negative edge divided through step S210. According to various embodiments, a virtual positive edge may be generated based on the negative edge in step S220. For example, when a specific node and the first node have a negative edge relationship and the first node and the second node have a negative edge relationship, it can be inferred that the specific node and the second node have a positive relationship . Accordingly, in this case, the edges for the specific node and the second node may be generated as virtual positive edges through step S220.
일 실시예에 따르면, 긍정적 엣지 또는 부정적 엣지에 기반하여 가성의 긍정적 엣지 또는 가상의 부정적 엣지를 생성하는 경우 랜덤 워크(random walk) 모델이 이용될 수 있다. 예를 들어 특정 노드와 네트워크를 구성하는 노드 사이를 랜덤하게 경유하다 임의의 시간에 멈춘 지점에 대응되는 노드를 가상의 긍정적 엣지 또는 가상의 부정적 엣지로 생성할 수 있다.According to an embodiment, when generating a false positive edge or a virtual negative edge based on a positive edge or a negative edge, a random walk model may be used. For example, a node corresponding to a point where it randomly passes between a specific node and a node constituting a network and stops at an arbitrary time may be created as a virtual positive edge or a virtual negative edge.
일 실시예에 따르면, S230 단계에서 S210 단계 및 S220 단계를 통해 도출되는 긍정적 엣지, 가상의 긍정적 엣지, 부정적 엣지, 가상의 부정적 엣지에 기반하여 적대적 학습(adversarial training)을 수행할 수 있다. 적대적 학습에 대한 구체적인 수행 방법은 도 3 및 도 4에 대한 설명을 통해 후술한다.According to an embodiment, in step S230, adversarial training may be performed based on the positive edge, the virtual positive edge, the negative edge, and the virtual negative edge derived through the steps S210 and S220. A specific method for performing adversarial learning will be described later with reference to FIGS. 3 and 4 .
도 3은 본 발명의 일 실시예에 따른 부정적 엣지에 대한 적대적 학습 수행 방법의 흐름도이다. 일 실시예에 따르면, 도 3에서 도시하고 있는 흐름도는 도 5에서 도시하고 있는 전자 장치에 의해 수행될 수 있다.3 is a flowchart of a method for performing adversarial learning on a negative edge according to an embodiment of the present invention. According to an embodiment, the flowchart illustrated in FIG. 3 may be performed by the electronic device illustrated in FIG. 5 .
일 실시예에 따르면, S310 단계에서 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출할 수 있다. 다양한 실시예에 따르면, 도 1에서 도시하고 있는 바와 같이 특정 노드에 대한 부정적 엣지 중에서 4개의 부정적 엣지를 추출할 수 있다.According to an embodiment, in operation S310 , at least one negative edge may be extracted from among the negative edges for a specific node. According to various embodiments, as illustrated in FIG. 1 , four negative edges may be extracted from among the negative edges for a specific node.
일 실시예에 따르면, S320 단계에서 적어도 하나의 가상의 부정적 엣지를 추출할 수 있다. 다양한 실시예에 따르면, 적대적 학습을 수행하기 위한 부정적 엣지로 예측되는 가상의 부정적 엣지를 추출할 수 있다. 예를 들어 특정 노드와 제1 노드가 긍정적 엣지로 연결되어 있고 상기 제1 노드와 제2 노드가 부정적 엣지로 연결되어 있는 경우, 상기 특정 노드와 상기 제2 노드는 부정적 엣지로 예측될 수 있다. 따라서, 이 경우 상기 제2 노드와 상기 특정 노드는 가상의 부정적 엣지로 연결되어 있다고 예측될 수 있다. 앞서 언급한 방식으로 특정 노드와 부정적 엣지로 연결될 것으로 예측되는 복수개의 노드를 예측할 수 있으며, S320 단계를 통해 상기 예측된 복수개의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 추출할 수 있다.According to an embodiment, at least one virtual negative edge may be extracted in step S320. According to various embodiments, a virtual negative edge predicted as a negative edge for performing adversarial learning may be extracted. For example, when a specific node and the first node are connected by a positive edge and the first node and the second node are connected by a negative edge, the specific node and the second node may be predicted as a negative edge. Accordingly, in this case, it can be predicted that the second node and the specific node are connected by a virtual negative edge. A plurality of nodes predicted to be connected to a specific node and a negative edge may be predicted in the above-mentioned manner, and at least one virtual negative edge may be extracted from among the plurality of predicted negative edges through step S320.
일 실시예에 따르면, S330 단계에서 S310 단계를 통해 추출된 부정적 엣지와 S320 단계를 통해 추출된 가상의 부정적 엣지를 수신할 수 있다. 다양한 실시예에 따르면, S330 단계를 통해 수신된 부정적 엣지와 가상의 부정적 엣지는 혼재되어 수신될 수 있다.According to an embodiment, in step S330, the negative edge extracted through step S310 and the virtual negative edge extracted through step S320 may be received. According to various embodiments, the negative edge received in step S330 and the virtual negative edge may be mixed and received.
일 실시예에 따르면, S340 단계에서 S330 단계를 통해 수신한 적어도 하나의 부정적 엣지와 적어도 하나의 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다. 다양한 실시예에 따르면, 적어도 하나의 부정적 엣지와 적어도 하나의 가상의 부정적 엣지를 정확하게 구분하면 학습이 성공한 것으로 판단할 수 있다. 반면, 적어도 하나의 부정적 엣지와 적어도 하나의 가상의 부정적 엣지 중 적어도 일부 엣지에 대해 구분을 실패하면 학습에 실패한 것으로 판단할 수 있다. 학습에 실패한 경우, 학습의 신뢰도를 향상시키기 위해 실패한 결과 및 학습 히스토리를 업데이트할 수 있다. According to an embodiment, adversarial learning may be performed by distinguishing at least one negative edge and at least one virtual negative edge received through operation S330 in operation S340. According to various embodiments, if at least one negative edge and at least one virtual negative edge are accurately distinguished, it may be determined that learning is successful. On the other hand, if at least one of the at least one negative edge and the at least one virtual negative edge fails to discriminate, it may be determined that the learning has failed. When learning fails, the failure result and learning history may be updated to improve the reliability of learning.
도 4는 본 발명의 일 실시예에 따른 긍정적 엣지에 대한 적대적 학습 수행 방법의 흐름도이다. 일 실시예에 따르면, 도 4에서 도시하고 있는 흐름도는 도 5에서 도시하고 있는 전자 장치에 의해 수행될 수 있다.4 is a flowchart of a method for performing adversarial learning on a positive edge according to an embodiment of the present invention. According to an embodiment, the flowchart illustrated in FIG. 4 may be performed by the electronic device illustrated in FIG. 5 .
일 실시예에 따르면, S410 단계에서 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출할 수 있다. 다양한 실시예에 따르면, 도 1에서 도시하고 있는 바와 같이 특정 노드에 대한 긍정적 엣지 중에서 4개의 긍정적 엣지를 추출할 수 있다.According to an embodiment, in step S410 , at least one positive edge may be extracted among positive edges for a specific node. According to various embodiments, as shown in FIG. 1 , four positive edges may be extracted among positive edges for a specific node.
일 실시예에 따르면, S420 단계에서 적어도 하나의 제1 가상의 긍정적 엣지를 추출할 수 있다. 다양한 실시예에 따르면, 적대적 학습을 수행하기 위한 긍정적 엣지로 예측되는 가상의 긍정적 엣지를 추출할 수 있다. 예를 들어 특정 노드와 제1 노드가 긍정적 엣지로 연결되어 있고 상기 제1 노드와 제2 노드가 긍정적 엣지로 연결되어 있는 경우, 상기 특정 노드와 상기 제2 노드는 긍정적 엣지로 예측될 수 있다. 따라서, 이 경우 상기 제2 노드와 상기 특정 노드는 가상의 긍정적 엣지로 연결되어 있다고 예측될 수 있다. 앞서 언급한 방식으로 특정 노드와 긍정적 엣지로 연결될 것으로 예측되는 복수개의 노드를 예측할 수 있으며, S420 단계를 통해 상기 예측된 복수개의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 추출할 수 있다.According to an embodiment, at least one first virtual positive edge may be extracted in operation S420 . According to various embodiments, a virtual positive edge predicted as a positive edge for performing adversarial learning may be extracted. For example, when a specific node and the first node are connected by a positive edge and the first node and the second node are connected by a positive edge, the specific node and the second node may be predicted as a positive edge. Accordingly, in this case, it can be predicted that the second node and the specific node are connected by a virtual positive edge. A plurality of nodes predicted to be connected to a specific node by a positive edge may be predicted in the above-described manner, and at least one first virtual positive edge may be extracted from among the plurality of predicted positive edges through step S420.
일 실시예에 따르면, S430 단계에서 적어도 하나의 제2 가상의 긍정적 엣지를 추출할 수 있다. 다양한 실시예에 따르면, 적대적 학습을 수행하기 위한 긍정적 엣지로 예측되는 가상의 긍정적 엣지를 부정적 엣지에 기반하여 추출할 수 있다. 예를 들어 특정 노드와 제1 노드가 부정적 엣지로 연결되어 있고 상기 제1 노드와 제2 노드가 부정적 엣지로 연결되어 있는 경우, 상기 특정 노드와 상기 제2 노드는 긍정적 엣지로 예측될 수 있다. 따라서, 이 경우 상기 제2 노드와 상기 특정 노드는 가상의 긍정적 엣지로 연결되어 있다고 예측될 수 있다. 앞서 언급한 방식으로 특정 노드와 긍정적 엣지로 연결될 것으로 예측되는 복수개의 노드를 예측할 수 있으며, S430 단계를 통해 상기 예측된 복수개의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 추출할 수 있다.According to an embodiment, at least one second virtual positive edge may be extracted in step S430 . According to various embodiments, a virtual positive edge predicted as a positive edge for performing adversarial learning may be extracted based on the negative edge. For example, when a specific node and the first node are connected by a negative edge and the first node and the second node are connected by a negative edge, the specific node and the second node may be predicted as a positive edge. Accordingly, in this case, it can be predicted that the second node and the specific node are connected by a virtual positive edge. A plurality of nodes predicted to be connected to a specific node by a positive edge may be predicted in the aforementioned manner, and at least one second virtual positive edge may be extracted from among the plurality of predicted positive edges through step S430.
일 실시예에 따르면, S440 단계에서 S410 단계를 통해 추출된 긍정적 엣지와 S420 단계를 통해 추출된 제1 가상의 긍정적 엣지와 S430 단계를 통해 추출된 제2 가상의 긍정적 엣지를 수신할 수 있다. 다양한 실시예에 따르면, S440 단계를 통해 수신된 긍정적 엣지, 제1 가상의 긍정적 엣지와 제2 가상의 긍정적 엣지는 혼재되어 수신될 수 있다.According to an embodiment, it is possible to receive the positive edge extracted in step S410 in step S440, the first virtual positive edge extracted in step S420, and the second virtual positive edge extracted in step S430. According to various embodiments, the positive edge received in step S440, the first virtual positive edge, and the second virtual positive edge may be mixed and received.
일 실시예에 따르면, S450 단계에서 S440 단계를 통해 수신한 적어도 하나의 긍정적 엣지와 적어도 하나의 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다. 다양한 실시예에 따르면, 적어도 하나의 긍정적 엣지와 적어도 하나의 가상의 긍정적 엣지를 정확하게 구분하면 학습이 성공한 것으로 판단할 수 있다. 반면, 적어도 하나의 긍정적 엣지와 적어도 하나의 가상의 긍정적 엣지 중 적어도 일부 엣지에 대해 구분을 실패하면 학습에 실패한 것으로 판단할 수 있다. 학습에 실패한 경우, 학습의 신뢰도를 향상시키기 위해 실패한 결과 및 학습 히스토리를 업데이트할 수 있다.According to an embodiment, adversarial learning may be performed by distinguishing at least one positive edge and at least one virtual positive edge received through step S440 in step S450. According to various embodiments, if at least one positive edge and at least one virtual positive edge are accurately distinguished, it may be determined that learning is successful. On the other hand, if at least one of the at least one positive edge and the at least one virtual positive edge fails to discriminate, it may be determined that the learning has failed. When learning fails, the failure result and learning history may be updated to improve the reliability of learning.
도 5는 본 발명의 일 실시예에 따른 전자 장치의 블록도이다.5 is a block diagram of an electronic device according to an embodiment of the present invention.
일 실시예에 따르면, 전자 장치(500)는 네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 엣지 구분부(510), 상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하는 가상 긍정적 엣지 생성부(520), 상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 가상 부정적 엣지 생성부(530), 상기 긍정적 엣지와 상기 가상의 긍정적 엣지에 기반하여 적대적 학습을 수행하는 긍정적 적대적 학습부(540) 및상기 부정적 엣지와 상기 가상의 부정적 엣지에 기반하여 적대적 학습을 수행하는 부정적 적대적 학습부(550)를 포함할 수 있다. 다양한 실시예에 따르면, 상기 가상 부정적 엣지 생성부(530)는 상기 부정적 엣지에 기반하여 상기 가상의 부정적 엣지와 상기 가상의 긍정적 엣지를 생성할 수 있다.According to an embodiment, the
일 실시예에 따르면, 상기 가상 부정적 엣지 생성부(530)는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드 사이에 가상의 긍정적 엣지를 생성할 수 있다.According to an embodiment, when the specific node and the first node have a negative edge relationship and the first node and the second node have a negative edge relationship, the virtual
일 실시예에 따르면, 상기 가상 부정적 엣지 생성부(530)는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고, 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있으며, 상기 제2 노드와 제3 노드가 부정적 엣지 관게에 있는 경우, 상기 특정 노드와 상기 제3 노드 사이에 가상의 부정적 엣지를 생성할 수 있다.According to an embodiment, the virtual
일 실시예에 따르면, 상기 가상 긍정적 엣지 생성부(520)와 상기 가상 부정적 엣지 생성부(530)는 가상의 긍정적 엣지와 가상의 부정적 엣지를 생성하기 위한 파라미터를 공유할 수 있다. 즉, 가상 긍정적 엣지 생성부(520)와 가상 부정적 엣지 생성부(530)는 임베딩 공간(embedding space)을 공유할 수 있다. According to an embodiment, the virtual
일 실시예에 따르면, 상기 부정적 적대적 학습부(550)는 상기 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출하고, 생성된 상기 가상의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 선정하며, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지를 수신하고, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다.According to an embodiment, the negative
일 실시예에 따르면, 상기 긍정적 적대적 학습부(540)는 상기 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출하고, 긍정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 선정하며, 부정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 선정하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지를 수신하며, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지가 혼재되어 잇는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지가 혼재되어 있는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행할 수 있다.According to an embodiment, the positive
도 6은 본 발명의 일 실시예에 따른 공유된 임베딩 구조의 효과를 설명하기 위한 도면이다.6 is a diagram for explaining an effect of a shared embedding structure according to an embodiment of the present invention.
도 6에서 y축은 정확도(accuracy)를 의미하며, x축은 데이터셋에서의 각 방법을 의미할 수 있다. 도 6을 살펴보면 임베딩 공간을 공유한 경우(즉, ASiNEg(share)인 경우) 정확도가 가장 높은 것을 확인할 수 있다. 즉, 도 6의 그래프를 통해 공유된 임베딩 공간에서 긍정적 엣지와 부정적 엣지의 proximity를 함께 학습하는 것이 긍정적 엣지와 부정적 엣지를 독립적으로 학습하는 것에 비해 효과적임을 확인할 수 있다. 도 6에서 ASiNEg(L1), ASiNEg(L2), ASiNEg(avg), ASiNEg(Con)의 정의는 아래 표 1과 같을 수 있으며, 상기 4가지의 경우는 모두 각각 독립된 임베딩 공간에서 학습을 한 뒤 조합(combining)하는 방법에 대한 것이다.In FIG. 6 , the y-axis may mean accuracy, and the x-axis may mean each method in the dataset. Referring to FIG. 6 , it can be seen that the accuracy is highest when the embedding space is shared (ie, in the case of ASiNEg (share)). That is, it can be confirmed through the graph of FIG. 6 that learning the proximity of the positive edge and the negative edge together in the shared embedding space is more effective than learning the positive edge and the negative edge independently. In FIG. 6, the definitions of ASiNEg(L1), ASiNEg(L2), ASiNEg(avg), and ASiNEg(Con) may be as shown in Table 1 below, and in all four cases, they are combined after learning in an independent embedding space. It is about how to (combining).
[표 1][Table 1]
도 7은 본 발명의 일 실시예에 따라 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성한 경우의 효과를 설명하기 위한 도면이다.7 is a diagram for explaining an effect of generating a virtual positive edge based on a negative edge according to an embodiment of the present invention.
본 발명에서 개시하고 있는 일 실시예에 따를 경우 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성할 수 있다. 도 7에서 ASiNEg(share)는 부정적 엣지에 기반한 가상의 긍정적 엣지 생성이 적용되지 않은 경우이며, ASiNEg(share+FPg-)는 부정적 엣지에 기반한 가상의 긍정적 엣지 생성이 적용된 경우이다. 도 7을 통해 부정적 엣지에 기반하여 가상의 긍정적 엣지를 생성한 경우 학습의 정확도가 향상되는 것을 확인할 수 있다.According to an embodiment disclosed in the present invention, a virtual positive edge may be generated based on the negative edge. In FIG. 7 , ASiNEg(share) indicates a case where generation of a virtual positive edge based on a negative edge is not applied, and ASiNEg(share+FPg−) indicates a case where generation of a virtual positive edge based on a negative edge is applied. 7 , it can be seen that the learning accuracy is improved when a virtual positive edge is generated based on the negative edge.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, the present invention has been looked at with respect to preferred embodiments thereof. Those of ordinary skill in the art to which the present invention pertains will understand that the present invention can be implemented in modified forms without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments are to be considered in an illustrative rather than a restrictive sense. The scope of the present invention is indicated in the claims rather than the foregoing description, and all differences within the scope equivalent thereto should be construed as being included in the present invention.
Claims (12)
네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 단계;
상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하고 상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 단계; 및
상기 긍정적 엣지, 상기 가상의 긍정적 엣지, 상기 부정적 엣지, 상기 가상의 부정적 엣지에 기반하여 적대적 학습(adversarial training)을 수행하는 단계를 포함하는,
적대적 학습 수행 방법.A method for performing adversarial learning in a network including a plurality of types of edges in which each step is performed by an electronic device implemented as a computer, the method comprising:
classifying an edge formed in a specific node constituting a network into a positive edge and a negative edge;
generating a virtual positive edge based on the positive edge and generating a fake negative edge based on the negative edge; and
Comprising performing adversarial training based on the positive edge, the virtual positive edge, the negative edge, and the virtual negative edge,
How to conduct adversarial learning.
상기 생성하는 단계는 상기 부정적 엣지에 기반하여 상기 가상의 부정적 엣지와 상기 가상의 긍정적 엣지를 생성하는 것을 특징으로 하는,
적대적 학습 수행 방법.According to claim 1,
The generating is characterized in that the virtual negative edge and the virtual positive edge are generated based on the negative edge.
How to conduct adversarial learning.
상기 생성하는 단계는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있고, 상기 제2 노드와 제3 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드 사이에 가상의 긍정적 엣지를 생성하고, 상기 특정 노드와 상기 제3 노드 사이에 가상의 부정적 엣지를 생성하는 것을 특징으로 하는,
적대적 학습 수행 방법.3. The method of claim 2,
In the generating step, when the specific node and the first node have a negative edge relationship, the first node and the second node have a negative edge relationship, and the second node and the third node have a negative edge relationship, the A virtual positive edge is generated between a specific node and the second node, and a virtual negative edge is generated between the specific node and the third node,
How to conduct adversarial learning.
상기 생성하는 단계는 공유되는 파라미터에 기반하여 상기 가상의 긍정적 엣지와 상기 가상의 부정적 엣지를 생성하는 것을 특징으로 하는,
적대적 학습 수행 방법.According to claim 1,
The generating is characterized in that the virtual positive edge and the virtual negative edge are generated based on a shared parameter,
How to conduct adversarial learning.
상기 적대적 학습을 수행하는 단계는,
상기 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출하는 단계;
생성된 상기 가상의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 선정하는 단계;
상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지를 수신하는 단계; 및
상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행하는 단계를 포함하는 것을 특징으로 하는,
적대적 학습 수행 방법.According to claim 1,
The step of performing the adversarial learning comprises:
extracting at least one negative edge from among the negative edges for the specific node;
selecting at least one virtual negative edge from among the generated virtual negative edges;
receiving the at least one negative edge and the at least one virtual negative edge; and
and performing adversarial learning by distinguishing a negative edge from a virtual negative edge in a state in which the at least one negative edge and the at least one virtual negative edge are mixed,
How to conduct adversarial learning.
상기 적대적 학습을 수행하는 단계는,
상기 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출하는 단계;
긍정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 선정하는 단계;
부정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 선정하는 단계;
상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지와 m개의 제2 가상의 긍정적 엣지를 수신하는 단계; 및
상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지가 혼재되어 잇는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지가 혼재되어 있는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행하는 단계를 포함하는 것을 특징으로 하는,
적대적 학습 수행 방법.According to claim 1,
The step of performing the adversarial learning comprises:
extracting at least one positive edge from among the positive edges for the specific node;
selecting at least one first virtual positive edge from among virtual positive edges generated based on the positive edge;
selecting at least one second virtual positive edge from among the virtual positive edges generated based on the negative edge;
receiving the at least one positive edge, the at least one first virtual positive edge, and m second virtual positive edges; and
In a state in which the at least one positive edge and the at least one first virtual positive edge are mixed, a positive edge and a virtual positive edge are distinguished, and the at least one positive edge and the at least one second virtual positive edge are mixed. characterized in that it comprises the step of performing adversarial learning by distinguishing a positive edge from a virtual positive edge in a state where the edges are mixed,
How to conduct adversarial learning.
네트워크를 구성하는 특정 노드에 형성된 엣지를 긍정적 엣지(positive edge)와 부정적 엣지(negative edge)로 구분하는 엣지 구분부;
상기 긍정적 엣지에 기반하여 가상의 긍정적 엣지(fake positive edge)를 생성하는 가상 긍정적 엣지 생성부;
상기 부정적 엣지에 기반하여 가상의 부정적 엣지(fake negative edge)를 생성하는 가상 부정적 엣지 생성부;
상기 긍정적 엣지와 상기 가상의 긍정적 엣지에 기반하여 적대적 학습을 수행하는 긍정적 적대적 학습부; 및
상기 부정적 엣지와 상기 가상의 부정적 엣지에 기반하여 적대적 학습을 수행하는 부정적 적대적 학습부를 포함하는,
전자 장치.An electronic device for performing adversarial learning in a network including a plurality of types of edges, the electronic device comprising:
an edge divider for dividing an edge formed in a specific node constituting a network into a positive edge and a negative edge;
a virtual positive edge generator for generating a virtual positive edge based on the positive edge;
a virtual negative edge generator for generating a fake negative edge based on the negative edge;
a positive hostile learning unit configured to perform hostile learning based on the positive edge and the virtual positive edge; and
Comprising a negative hostile learning unit that performs hostile learning based on the negative edge and the virtual negative edge,
electronic device.
상기 가상 부정적 엣지 생성부는 상기 부정적 엣지에 기반하여 상기 가상의 부정적 엣지와 상기 가상의 긍정적 엣지를 생성하는 것을 특징으로 하는,
전자 장치.8. The method of claim 7,
The virtual negative edge generator generates the virtual negative edge and the virtual positive edge based on the negative edge,
electronic device.
상기 가상 부정적 엣지 생성부는 상기 특정 노드와 제1 노드가 부정적 엣지 관계에 있고 상기 제1 노드와 제2 노드가 부정적 엣지 관계에 있고, 상기 제2 노드와 제3 노드가 부정적 엣지 관계에 있는 경우, 상기 특정 노드와 상기 제2 노드 사이에 가상의 긍정적 엣지를 생성하고, 상기 특정 노드와 상기 제3 노드 사이에 가상의 부정적 엣지를 생성하는 것을 특징으로 하는,
전자 장치.9. The method of claim 8,
When the specific node and the first node have a negative edge relationship, the first node and the second node have a negative edge relationship, and the second node and the third node have a negative edge relationship, A virtual positive edge is generated between the specific node and the second node, and a virtual negative edge is generated between the specific node and the third node,
electronic device.
상기 가상 긍정적 엣지 생성부와 상기 가상 부정적 엣지 생성부는 가상의 긍정적 엣지와 가상의 부정적 엣지를 생성하기 위한 파라미터를 공유하는 것을 특징으로 하는,
전자 장치.8. The method of claim 7,
The virtual positive edge generating unit and the virtual negative edge generating unit share parameters for generating a virtual positive edge and a virtual negative edge,
electronic device.
상기 부정적 적대적 학습부는,
상기 특정 노드에 대한 부정적 엣지 중에서 적어도 하나의 부정적 엣지를 추출하고, 생성된 상기 가상의 부정적 엣지 중에서 적어도 하나의 가상의 부정적 엣지를 선정하며, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지를 수신하고, 상기 적어도 하나의 부정적 엣지와 상기 적어도 하나의 가상의 부정적 엣지가 혼재되어 있는 상태에서 부정적 엣지와 가상의 부정적 엣지를 구분함으로써 적대적 학습을 수행하는 것을 특징으로 하는 것을 특징으로 하는,
전자 장치.8. The method of claim 7,
The negative hostile learning unit,
extracting at least one negative edge from among the negative edges for the specific node, selecting at least one virtual negative edge from among the generated virtual negative edges, and selecting the at least one negative edge and the at least one virtual negative edge. characterized in that adversarial learning is performed by receiving an edge and distinguishing a negative edge from a virtual negative edge in a state in which the at least one negative edge and the at least one virtual negative edge are mixed,
electronic device.
상기 긍정적 적대적 학습부는,
상기 특정 노드에 대한 긍정적 엣지 중에서 적어도 하나의 긍정적 엣지를 추출하고, 긍정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제1 가상의 긍정적 엣지를 선정하며, 부정적 엣지에 기반하여 생성된 가상의 긍정적 엣지 중에서 적어도 하나의 제2 가상의 긍정적 엣지를 선정하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지를 수신하며, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제1 가상의 긍정적 엣지가 혼재되어 잇는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분하고, 상기 적어도 하나의 긍정적 엣지와 상기 적어도 하나의 제2 가상의 긍정적 엣지가 혼재되어 있는 상태에서 긍정적 엣지와 가상의 긍정적 엣지를 구분함으로써 적대적 학습을 수행하는 것을 특징으로 하는,
전자 장치.8. The method of claim 7,
The positive hostile learning unit,
At least one positive edge is extracted from among the positive edges for the specific node, at least one first virtual positive edge is selected from among the virtual positive edges generated based on the positive edge, and the virtual generated based on the negative edge is selected. selecting at least one second virtual positive edge from among the positive edges of , receiving the at least one positive edge, the at least one first virtual positive edge, and the at least one second virtual positive edge; A positive edge and a virtual positive edge are distinguished from each other in a state in which at least one positive edge and the at least one first virtual positive edge are mixed, and the at least one positive edge and the at least one second virtual positive edge characterized in that adversarial learning is performed by distinguishing a positive edge from a virtual positive edge in a state where
electronic device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190155436A KR102320374B1 (en) | 2019-11-28 | 2019-11-28 | A method for signed network embedding based on a adversarial training and an apparatus for the method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190155436A KR102320374B1 (en) | 2019-11-28 | 2019-11-28 | A method for signed network embedding based on a adversarial training and an apparatus for the method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210066333A KR20210066333A (en) | 2021-06-07 |
| KR102320374B1 true KR102320374B1 (en) | 2021-11-02 |
Family
ID=76374274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190155436A KR102320374B1 (en) | 2019-11-28 | 2019-11-28 | A method for signed network embedding based on a adversarial training and an apparatus for the method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102320374B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025398A (en) | 2011-07-15 | 2013-02-04 | Tokyo Institute Of Technology | Discriminator generation device, method and program, and class recognition unit, method and program |
| US20180373979A1 (en) | 2017-06-22 | 2018-12-27 | Adobe Systems Incorporated | Image captioning utilizing semantic text modeling and adversarial learning |
-
2019
- 2019-11-28 KR KR1020190155436A patent/KR102320374B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013025398A (en) | 2011-07-15 | 2013-02-04 | Tokyo Institute Of Technology | Discriminator generation device, method and program, and class recognition unit, method and program |
| US20180373979A1 (en) | 2017-06-22 | 2018-12-27 | Adobe Systems Incorporated | Image captioning utilizing semantic text modeling and adversarial learning |
Non-Patent Citations (1)
| Title |
|---|
| "초기 임베딩 생성에 따른 GraphGAN의 성능 분석", 한국정보과학회 학술발표논문집(pp. 913-914), 2018년 12월 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210066333A (en) | 2021-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chai et al. | Collaborative effort towards common ground in situated human-robot dialogue | |
| KR102008290B1 (en) | Method and apparatus for detecting action of object in viedio stream | |
| JP2019535084A (en) | Image processing neural networks with separable convolutional layers | |
| CN104809069A (en) | Source node loophole detection method based on integrated neural network | |
| US20170111377A1 (en) | NETWORK CAPABLE OF DETECTING DoS ATTACKS AND METHOD OF CONTROLLING THE SAME, GATEWAY AND MANAGING SERVER INCLUDED IN THE NETWORK | |
| US20090006645A1 (en) | Automatic Reverse Engineering of Message Formats From Network Traces | |
| KR20200120970A (en) | A method and apparatus for generating image using GAN based deep learning model | |
| CN109743286A (en) | A kind of IP type mark method and apparatus based on figure convolutional neural networks | |
| Rajani et al. | Stacking with auxiliary features for visual question answering | |
| CN107045439A (en) | Software security demand based on demand for security template obtains system and method | |
| ur Rahman et al. | Dynamic image based captcha | |
| Chechik | Uncertain requirements, assurance and machine learning | |
| KR102320374B1 (en) | A method for signed network embedding based on a adversarial training and an apparatus for the method | |
| Jhanjhi et al. | Information security handbook | |
| Li et al. | Unveiling backdoor risks brought by foundation models in heterogeneous federated learning | |
| Frederick | Artificial Intelligence in Computer Networks: Role of AI in Network Security | |
| Wu et al. | A graph-theoretic model to steganography on social networks | |
| US8752073B2 (en) | Generating event definitions based on spatial and relational relationships | |
| CN114930329A (en) | Method for training module and method for preventing capture of AI module | |
| EP4007979A1 (en) | A method to prevent capturing of models in an artificial intelligence based system | |
| Alladi et al. | Ambient Intelligence for Securing Intelligent Vehicular Networks: Edge-Enabled Intrusion and Anomaly Detection Strategies | |
| Retnowati et al. | Development of sustainability systems for open government data (OGD) management by combining the shel model and soft systems methodology analysis | |
| Hagenlocher | Performance of message authentication codes for secure ethernet | |
| KR20200094846A (en) | Method and apparatus for training neural network | |
| Jin et al. | BotCatcher: A Complementary Advantages and Deep Learning Based Scheme for Intrusion Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |