KR102354145B1 - 증가 학습을 위한 Logit 조정 및 메모리 관리 기법 - Google Patents

Abstract

본 발명은 크로스 앤프로피에 기반하여 분류로스를 최소화하는 점진학습방법에 있어서, 현재 태스크의 로짓과 과거 태스크의 로짓을 로짓 밸런싱하여 분류로스를 최소화하도록 학습을 수행하는 점진학습방법을 개시한다.

Description

증가 학습을 위한 Logit 조정 및 메모리 관리 기법{A logit adjustment and memory management method for incremental mearning}

본 발명은 점진학습방법에 관한 것이다.

인공지능의 학습모델을 제공하는 방법을 구분하는 일 방법으로, 점진학습(incremental learning)와 일괄학습(batch learning)이 있다. 상기 일괄학습은 학습에 필요한 모든 정보를 제공하는 학습방법이다. 상기 점진학습은 추가되는 데이터로부터 새로운 정보를 학습하여 이미 습득된 기존의 지식을 갱신하는 학습방법이다.

상기 점진학습은, 새로운 태스크에 대하여 인위적으로 높은 신뢰도(high confidence)가 주어진다. 그러나 상기 신뢰도가 높은 것이 정확도와 일치하지는 않는다. 이로써, 과거정보, 또는 기존의 지식은 치명적으로 손상을 입는 문제가 있다. 이 문제점은 인용문헌 1 ''F. M. Castro, M. J. Marin-Jimenez, N. Guil, C. Schmid, and K. Alahari,`End-to-end incremental learning,' in Proc. ECCV, 2018, pp. 233-248.'에 제시된다. 상기 인용문헌 1에 적용되는 지식추출(knowledge distillation) 인용문헌 2에 더 상세하게 제시된다. 상기 인용문헌 2에는 상기 과거 태스크의 로짓과 상기 신규 태스크의 로짓을 이용하여 클래스(C)의 확률(probability)를 구한다. 상기 지식추출은 손실함수를 정의할 수 있다. 상기 손실함수의 값을 최소화할 수 있도록 동작한다. 상기 로짓은 인공지능 네트워크의 비확률출력(non-probabilistic output)이다. 상기 로짓은 소프트맥스의 인풋이 될 수 있다.

상기 과거 태스크의 로짓과 상기 신규 태스크의 로짓은, 상기 인용문헌 1에 제시되는 바와 같이 상당한 불균형을 유지하고, 새로운 태스크의 과신뢰(over-confidence)는 여전하다.

인용문헌 1: F. M. Castro, M. J. Marin-Jimenez, N. Guil, C. Schmid, and K. Alahari,`End-to-end incremental learning,' in Proc. ECCV, 2018, pp. 233-248.' 인용문헌 2: https://nervanasystems.github.io/distiller/knowledge_distillation.html

본 발명은 상기되는 배경에서 제안되는 것으로서, 과거 태스크와 새로운 태스크의 신뢰도가 균형잡히는 점진학습방법을 제안한다.

본 발명은 크로스 앤프로피에 기반하여 분류로스를 최소화하는 점진학습방법에 있어서, 현재 태스크의 로짓과 과거 태스크의 로짓을 로짓 밸런싱하여 분류로스를 최소화하도록 학습을 수행하는 점진학습방법을 개시한다.

본 발명에 따르면, 점진학습에서 과거정보와 현재정보의 신뢰도의 규형을 맞추는 점진학습방법을 제안한다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.
도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.
도 4는 실시예의 점진학습방법을 설명하는 참조도이다.
도 5는 상기 태스크 별로 메모리의 상태를 보이는 도면이다.
도 6은 메모리를 관리하는 방법을 설명한다.
도 7은 실시예의 효과를 예시하는 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

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.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 발명의 일 실시 예에 따른 AI 장치(100)를 나타낸다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 단말기(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 발명의 일 실시 예에 따른 AI 서버(200)를 나타낸다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 AI 시스템(1)을 나타낸다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예를 들어, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

상기 AI장치 및 상기 AI서버 중의 적어도 어느 하나는, 메모리 및 프로세서와 함께 본 발명의 점진학습방법을 수행할 수 있다. 상기 점진학습방법이 수행된 학습모델은 각 기기에 저장되거나 호출되어 사용될 수 있다.

상기 인용문헌 1과 인용문헌 2의 지식추출의 방법론은 본 발명의 설명에 적용되는 것으로 한다.

이하에서는 상기 점진학습방법을 더 상세하게 설명한다.

도 4는 실시예의 점진학습방법을 설명하는 참조도이다.

도 4를 참조하면, 과거 태스크 정보(420)와 현재 태스크 정보(410)가 입력되어, 학습부(430)에서 점진학습될 수 있다. 상기 점진학습은 점진적으로 수행될 수 있다. 각 태스크에 대한 점진학습의 수행은, 과거 클래스와 현재 클래스의 로짓을 밸런싱하여 밸런싱된 로짓(440)으로 수행할 수 있다. 상기 점진학습은 각 태스크 별로 클래스를 정의하는 점진 클래스 학습으로 수행할 수 있다. 상기 점진학습의 메모리는 최적의 샘플로 관리될 수 있다.

이하에서 더 상세하게 설명한다.

실시예의 점진학습은 프로세서에서 수학식 1의 점진학습객체(L)을 수행하는 것으로서 수행될 수 있다.

여기서, D: 데이터, C: 클래스, x: 샘플, y: 그라운드 참(truth), T: 태스크(적어도 두 개의 클래스를 포함할 수 있음), k: 순서, θ: 학습된 분류모델, θ^tk: k번째 태스크의 학습된 분류모델, p: 과거,

:과거 태스크(t=0 에서 t=k-1까지)의 세트, L: 점진학습객체(incremental learning objective), R: 과거태스크로부터의 지식 기억(remembering the knowledge learned in the past task), N: 현재태스크에서 새로운 지식(learning new knowledge in the new task), L_R: 과거태스크로부터의 점진학습객체, L_P: 과거태스크의 지식을 보존하기 위한 상실을 기억하는 점진학습객체(remembering loss for preserving the knowledge of past tasks), 및 L_M: 샘플 메모리에 의한 과거지식의 상실을 기억하는 점진학습객체(reminding loss for the past knowledge by the sample memory), L_R=L_P+L_M이다.

여기서, L_P의 지식추출(knowledge distillation))은 G. Hinton, O. Vinyals, and J. Dean, ``Distilling the knowledge in a neural network,'' in Proc. NIPS Deep Learn. Represent. Learn. Workshop, 2015,pp. 19.(인용문헌 3)에 개시되는 방법을 사용할 수 있다. 물론 다른 방법의 적용을 배재하지는 않는다.

발명자는 Lc를 새로이 정의한다. 여기서, L_C는 크로스 앤트로피에 기반하여 새로운 태스크의 과신뢰를 다루기 위하여 주어졌다. 상기 L_C는 이전 태스크와 새로운 태스크 사이의 로짓불균형을 조정하는 새로운 분류로스이다(loss to calibrate imbalanced logits between the classes of the previous and the new tasks to address overconfidence on new task, based on cross-entropy). 상기 분류손실을 최소화하도록 학습을 수행할 수 있다.

상기 분류손실은 크로스 엔트로피의 형태로 수학식 2로 나타낼 수 있다.

여기서, z는 로짓이고, 나머지는 수학식 1의 정의가 적용될 수 있다.

상기 수학식 2에서 γ는 수학식 3으로 나타낼 수 있다.

여기서, γ: 로짓 밸런싱 인자로서, 새로운 트레이닝을 할 때마다 업데이트 하고, α: 현재 태스크의 평균 로짓이고, β: 과거 태스크의 평균 로짓이다.

상기 수학식 3에 따르면, γ>1인 때에는, 로짓은 새 클라스의 손실을 증가시킨다. 상기 로짓은 새 클라스의 그라디언트 증폭이 커진다. 상기 그라디언트가 커질수록 백-전파에 의한 과신뢰에 불리하게 작용하고, 새로운 클래스의 신뢰가 인위적으로 줄어들 수 있다.

반대로, γ<1인 때에는, 로짓은 과거 클래스의 손실을 증가시킨다. 아울러, 과거 클래스의 신뢰가 인위적으로 줄어들 수 있다. γ=0인 때에는, 수정 크로스 엔트로피는 원 크로스 앤트로피와 동일할 수 있다.

한편, 상기 로짓 밸런싱은 바닐라 크로스 앤트로피를 사용하는 어떤 방법과도 결합되어 사용될 수 있다.

상기 로짓 밸런싱이 적용된 로짓(440)이 수학식 1의 지식추출(knowledge distillation)에 적용하는 과정으로 점진학습이 수행될 수 있다. 상기 지식추출은 인용문헌 1 및 인용문헌 2를 참조할 수 있다.

본 발명의 실시예는, 좋은 성능의 학습모델 뿐만 아니라, 제한되는 용량의 메모리를 충분히 활용하는 것이 바람직하다. 이를 위하여, 상기 태스크에서 각 클래스를 대표할 수 있는 효용성이 높은 샘플을 유지하는 것이 바람직하다.

발명자는 상기 샘플의 누적 가능도를 정의한다. 상기 누적 가능도 점수가 지나치게 높은 것은 전형적인 샘플로서 전체 클래스를 대표하지 못한다. 상기 누적 가능도가 지나치게 낮은 것은 클래스의 아웃라이어(outlier)이다.

도 5는 상기 태스크 별로 메모리의 상태를 보이는 도면이고, 도 6은 메모리를 관리하는 방법에 대한 것이다. 도 6에서 메모리는 현재 태스크에서 짐진학습에 사용되는 제한되는 메모리의 용량을 의미할 수 있다. M: 샘플 메모리를 의미할 수 있다.

먼저, ξ=i번째 샘플의 누적 가능도(ith sample's cumulative likelihood)을 도 4와 같이 정의할 수 있다.

여기서, σ=e세대의 가능도, 여기서 σ(.)^e는 바닐라 소프트맥스 함수이고. E: 세대(epoch)의 수이고, z는 로짓이다.

상기 누적 가능도가 큰 샘플은 그 샘플이 속하는 클래스의 대표형상이 될 수 있다. 상기 누적 가능도가 낮은 샘플은 아웃라이로서, 이미지의 파편이거나 거의 보이지 않을 수 있다. 한편, 각 태스크에서는 새로운 샘플이 주어질 수 있다.

두번째(t=2)에서, t=1 태스크의 상기 누적 가능도가 큰 샘플을 일정량 제거할 수 있다(S1). 이 때는 상기 누적 가능도의 점수가 큰 20%의 샘플을 제거할 수 있다.

세번째(t=3)에서, t=1태스크의 상기 누적 가능도가 낮은 각 클래스의 샘플을

만큼 제거할 수 있다. 메모리가 제한되기 때문이다. 그리고, 세로운 태스크(t=2)에 속하는 샘플을 추가할 수 있다.

세로운 태스크에서는 20%의 '잊혀지지 않는" 샘플은 삭제하고, 상기 누적 가능도가

이하인 샘플을 모두 제거한다. 남은

중에서 랜덤으로 샘플을 선택할 수 있다. 새로운 태스크에서는 상기 누적 가능도가 중간인 샘플 중에서 샘플링 할 수 있다(S2).

어느 태스크(t=1)에서 상기 누적 가능도가 큰 샘플을 일정한 제거하는 단계(S1), 및 상기 어느 태스크(t=1)에서 상기 누적 가능도가 작은 샘플을 일정량 제거하고 다음 태스크(t=2)에서 누적 가능도가 중간인 샘플을 일정량 합하는 단계(S2)는 새로운 새로운 태크스가 있는 가는 판단하여(S3), 새로운 태스크가 있는 동안(S4)은 반복될 수 있다.

도 7은 실시예의 효과를 예시하는 도면이다.

도 7을 참조하면, 데이터 증강(DA: data augmentation)의 유무, 데이터 절잔을 한 경우(ablated)에, 각 평가지표를 나타낸다. 각 지표에서, 상향 화살표는 큰 점수가 좋고, 하향화살표는 작은 점수가 좋은 것을 의미한다. A(performance)는 성능을 나타내는 것으로서, A_avg는 평균 전체 점진스텝이고, A_10은 마지막 점진스텝 후에 모든 태스크에 대한 정확도이다. F는 망각도(forgetting)로서, 현재 태스크에서 정확도와 모든 태스크 중의 베스트 사이의 정확도 차지를 의미할 수 있다. I(intransigence)는 새로운 지식을 배우는 모델의 능력을 위한 매트릭스이다.

baseline은 로짓밸런싱이 되지 않은 경우이고, E2E는 인용문헌 1의 방법이고, EWC는 인용문헌 4(J. Kirkpatrick, R. Pascanu, N. C. Rabinowitz, J. Veness, G. Desjardins, A. A. Rusu, K. Milan, J. Quan, T. Ramalho, A. Grabska-Barwinska, D. Hassabis, C. Clopath, D. Kumaran, and R. Hadsell, ``Overcoming catastrophic forgetting in neural networks,'' Proc. Nat. Acad. Sci. USA, vol. 114, no. 13, pp. 3521 3526, 2017)의 방법을 가리킨다. SM(sample memory)은 실시예에서 제시되는 도 5 및 도 6의 샘플 메모리가 수행된 예를 가리키고, LB(logits balancing)는 실시예의 로짓 밸런싱이 수행된 것을 가리키고, KD(knowledge distillation)는 인용문헌 3의 지식추출이 사용된 것을 가리킨다.

각 실험의 결과에 따르면, 본 발명에 있어서, 더 좋은 결과를 얻을 수 있는 것을 확인할 수 있다.

본 발명에 따름 점진학습의 신뢰성이 높아질 수 있다.

Claims (6)

1. 컴퓨팅 장치에 의해 수행되는 크로스 엔트로피에 기반하여 분류로스를 최소화하는 점진학습방법에 있어서,
   현재 태스크의 로짓과 과거 태스크의 로짓을 로짓 밸런싱하여 분류로스를 최소화하도록 학습을 수행하고,
   상기 분류로스는,
   

   

   으로 수행되고,
   상기 로짓 밸런싱은,
   

   

   으로 수행되고,
   여기서, γ는
   

   

   이고,
   여기서, D: 데이터, C: 클래스, x: 샘플, y: 그라운드 참(truth), T: 태스크 k: 순서, θ: 학습된 분류모델, θ^tk: k번째 태스크의 학습된 분류모델, p: 과거,

   

   :과거 태스크, R: 과거태스크로부터의 지식 기억, N: 현재태스크에서 새로운 지식, L_R: 과거태스크로부터의 점진학습객체, L_P: 과거태스크의 지식을 보존하기 위한 상실을 기억하는 점진학습객체, z는 로짓이고, γ: 로짓 밸런싱 인자이고, α: 현재 태스크의 평균 로짓이고, β: 과거 태스크의 평균 로짓인,
   점진학습방법.
2. 제 1 항에 있어서,
   상기 로짓 밸런싱 인자는 새로운 트레이닝을 할 때마다 업데이트 하는 점진학습방법.
3. 제 1 항에 있어서,
   상기 학습의 수행에서 효용성이 높은 샘플을 유지하기 위하여,
   어느 태스크(t=1)에서 누적 가능도가 큰 샘플을 일정량 제거하는 단계(S1); 및
   상기 어느 태스크(t=1)에서 상기 누적 가능도가 작은 샘플을 일정량 제거하고, 다음 태스크(t=2)에서 상기 누적 가능도가 중간인 샘플을 일정량 합하는 단계(S2)가 수행되는 점진학습방법.
4. 제 3 항에 있어서,
   새로운 태스크가 있는 동안(S4)은 샘플선택은 계속 수행되는 점진학습방법.
5. 제 3 항에 있어서,
   상기 누적 가능도는
   

   

   이고,
   여기서, σ=e세대의 가능도, σ(.)^e는 바닐라 소프트맥스 함수이고. E: 세대(epoch)의 수이고, z는 로짓인, 점진학습방법.
6. 컴퓨팅 장치에 의해 각 단계가 수행되는 점진학습방법에 있어서,
   어느 태스크(t=1)에서 누적 가능도가 큰 샘플을 일정량 제거하는 단계(S1); 및
   상기 어느 태스크(t=1)에서 상기 누적 가능도가 작은 샘플을 일정량 제거하고, 다음 태스크(t=2)에서 상기 누적 가능도가 중간인 샘플을 일정량 합하는 단계(S2)를 반복하여,
   점진학습의 수행에서 효용성이 높은 샘플을 유지하고,
   상기 누적 가능도는,
   

   

   이고,
   여기서, σ=e세대의 가능도, σ(.)^e는 바닐라 소프트맥스 함수이고. E: 세대(epoch)의 수이고, z는 로짓인,
   점진학습방법.

Images