KR102639172B1 - 효율적인 분류기를 식별하기 위한 전자 장치 및 이의 제어 방법 - Google Patents

Abstract

전자 장치 및 전자 장치의 제어 방법이 개시된다. 특히, 본 개시에 따른 전자 장치는 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보를 저장하는 메모리, 상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고, 상기 복수의 도메인 별로, 상기 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하며, 상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하고, 상기 복수의 도메인 별로, 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하며, 상기 복수의 도메인 별 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 프로세서를 포함한다.

Description

효율적인 분류기를 식별하기 위한 전자 장치 및 이의 제어 방법{ELECTRONIC DEVICE FOR IDENTIFYING EFFICIENT CLASSIFIER AND CONTROLLING METHOD THEREOF}

본 개시는 효율적인 분류기를 식별하기 위한 전자 장치 및 이의 제어 방법에 관한 것으로서, 보다 구체적으로는 동일한 학습 데이터로 학습된 복수의 분류기 중 가장 효율적인 분류기를 식별할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.

현재 인공 지능 기술은 다양한 분야에 적용되어 새로운 고부가가치 산업을 창출하고 있으며, 특히, 다양한 데이터를 기반으로 생성된 인공 지능 분류기는 기존의 인식 성능을 뛰어넘는 매우 우수한 결과를 보여주고 있다.

그런데, 분류기의 우수한 성능을 위해서는 다량의 학습 데이터가 필요하지만, 현실적으로 학습 데이터의 수는 제한될 수밖에 없다. 따라서, 제한된 학습 데이터를 기반으로 효율적이고 성능이 우수한 분류기를 생성하는 것은 매우 중요한 문제이다.

특히, 학습 데이터에 너무 편향된 학습은 궁극적으로 과적합(overfitting)의 문제를 발생킬 수 있으며, 이러한 문제는 특히 분류기가 고차원 방정식으로 되어 있을 경우 발생할 확률이 더욱 높아진다. 따라서, 동일한 학습 데이터에 기초하여 학습된 복수의 분류기 중에서 최대한 덜 복잡한 저차원의 분류기를 식별하여 테스트 데이터의 식별/분류에 이용하는 것이 바람직하다.

한편, 분류기의 학습을 위한 학습 데이터를 선별하는 등의 방법을 이용하여 효율적인 분류기를 생성하기 위한 종래 기술이 존재하지만, 종래 기술에 따르면, 동일한 학습 데이터에 기초하여 학습된 복수의 분류기 중 가장 효율적인 분류기를 식별하기는 어렵다는 한계가 지적되고 있다.

본 개시는 상술한 바와 같은 종래 기술의 한계를 극복하기 위한 것으로서, 본 개시의 목적은 동일한 학습 데이터로 학습된 복수의 분류기 중 가장 효율적인 분류기를 식별할 수 있는 전자 장치 및 전자 장치의 제어 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보를 저장하는 메모리, 상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고, 상기 복수의 도메인 별로, 상기 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하며, 상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하고, 상기 복수의 도메인 별로, 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하며, 상기 복수의 도메인 별 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 프로세서를 포함한다.

여기서, 상기 대표 데이터는 상기 복수의 도메인 각각에 포함된 데이터들의 중앙 값 또는 평균 값에 기초하여 식별될 수 있다.

한편, 상기 프로세서는 상기 산출된 복수의 거리 값에 기초하여, 상기 다른 학습 데이터들 중 상기 대표 데이터와의 거리가 먼 기 설정된 개수의 데이터들을 상기 복수의 최외곽 학습 데이터로 식별할 수 있다.

한편, 상기 프로세서는 상기 산출된 복수의 거리 값 사이의 차이가 기 설정된 임계 값 미만이고 서로 인접한 위치에 분포하는 복수의 데이터 중 상기 산출된 거리 값이 가장 큰 하나의 데이터를 상기 복수의 최외곽 학습 데이터 중 하나의 데이터로 식별할 수 있다.

한편, 상기 복수의 가상 데이터는 동일한 도메인에 대한 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터 각각을 포함하는 복수의 직선 방정식 상에 위치할 수 있다.

한편, 상기 프로세서는 상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 도메인에 대응되는 데이터의 경계를 구분하는 함수의 형태를 추정함으로써, 상기 복수의 분류기 각각의 형태를 식별할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 전자 장치는 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보를 저장하는 메모리 및 상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고, 상기 복수의 도메인 별로 주성분 분석을 수행하여 상기 복수의 도메인 각각에 대응되는 주성분 축을 식별하며, 상기 복수의 도메인 별로, 상기 대표 데이터를 교점으로 하고 상기 주성분 축을 포함하는 복수의 성분 축을 식별하고, 상기 복수의 도메인 별로, 상기 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하며, 상기 복수의 도메인 별로, 상기 복수의 가상 데이터 각각과 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하고, 상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 복수의 가상 데이터 중 복수의 최외곽 가상 데이터를 식별하며, 상기 복수의 도메인 별 상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 프로세서를 포함할 수 있다.

여기서, 상기 프로세서는 상기 복수의 가상 데이터 각각과 가장 인접한 학습 데이터 사이의 거리 값들을 산출하고, 상기 산출된 거리 값들을 상기 대표 데이터에 인접한 가상 데이터에 대응되는 거리 값부터 상기 대표 데이터에 먼 가상 데이터에 대응되는 거리 값 순서으로 배열하고, 상기 배열된 순서에서 상기 거리 값이 급격하게 증가하는 데이터 이전의 데이터를 상기 최외곽 가상 데이터로 식별할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기를 포함하는 전자 장치의 제어 방법은 상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계, 상기 복수의 도메인 별로, 상기 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계, 상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하는 단계, 상기 복수의 도메인 별로, 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하는 단계 및 상기 복수의 도메인 별 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 단계를 포함한다.

상술한 바와 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기를 포함하는 전자 장치의 제어 방법은 상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계, 상기 복수의 도메인 별로 주성분 분석을 수행하여 상기 복수의 도메인 각각에 대응되는 주성분 축을 식별하는 단계, 상기 복수의 도메인 별로, 상기 대표 데이터를 교점으로 하고 상기 주성분 축을 포함하는 복수의 성분 축을 식별하는 단계, 상기 복수의 도메인 별로, 상기 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하는 단계, 상기 복수의 도메인 별로, 상기 복수의 가상 데이터 각각과 상기 학습 데이터 세트에 포함된 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계, 상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 가상 데이터를 식별하는 단계 및 상기 복수의 도메인 별 상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 단계를 포함한다.

도 1은 본 개시의 일 실시 예에 따른 학습 데이터 세트에 대해 설명하기 위한 도면,
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도,
도 3은 본 개시의 일 실시 예에 따라 최외곽 학습 데이터를 식별하는 과정을 설명하기 위한 도면,
도 4는 본 개시의 일 실시 예에 따라 가상 데이터를 획득하는 과정을 설명하기 위한 도면,
도 5는 본 개시의 일 실시 예에 따라 복수의 분류기의 형태를 식별하는 과정을 설명하기 위한 도면,
도 6은 본 개시의 일 실시 예에 따라 복수의 분류기 중 테스트 데이터의 분류에 이용될 분류기를 식별하는 과정을 설명하기 위한 도면,
도 7은 본 개시에 따른 학습 데이터의 분포가 편향된 경우를 나타내는 도면,
도 8은 본 개시의 또 다른 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도,
도 9는 본 개시의 일 실시 예에 따라 복수의 도메인 각각에 대응되는 주성분 축과 복수의 성분 축을 식별하는 과정을 설명하기 위한 도면,
도 10은 본 개시의 일 실시 예에 따라 복수의 가상 데이터를 획득하고 복수의 최외곽 가상 데이터를 획득하는 과정에 대해 설명하기 위한 도면,
도 11은 복수의 가상 데이터 각각과 가장 가까운 거리에 있는 학습 데이터 사이의 거리 값을 이용하여 최외곽 데이터를 식별하는 과정을 설명하기 위한 도면,
도 12는 본 개시의 일 실시 예에 따른 복수의 최외곽 가상 데이터와 복수의 가상 데이터를 나타내는 도면, 그리고,
도 13은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 블록도이다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 하기 실시 예는 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

이하에서는 첨부한 도면을 참고하여 본 개시에 따른 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 개시의 일 실시 예에 따른 학습 데이터 세트에 대해 설명하기 위한 도면이다.

본 개시에 따른 전자 장치는 복수의 분류기의 형태를 식별할 수 있는 장치를 말한다. 여기서, 분류기는 기 구축된 학습 데이터 세트에 기초하여 학습된 인공 지능 분류기를 말한다. 분류기는 CNN(Convolutional Neural Network)과 같은 신경망을 포함할 수 있으며, 본 개시에 따른 전자 장치의 유형과 신경망의 유형에 특별한 제한이 따르는 것은 아니다. 이하에서는 본 개시에 따른 전자 장치를 '전자 장치(100)'으로 지칭한다.

한편, 도메인이란 분류기의 분류 대상에 따라 구분된 일종의 카테고리 또는 클래스를 의미한다. 예를 들어, 도 1에 도시된 바와 같이, 본 개시에 따른 학습 데이터 세트는 제1 도메인(10)에 대응되는 학습 데이터 및 제2 도메인(20)에 대응되는 학습 데이터로 구성될 수 있다. 이하에서는 설명의 편의를 위해 학습 데이터가 제1 도메인(10) 및 제2 도메인(20)이라는 두 개의 도메인으로 구성되는 경우를 전제로 설명할 것이지만, 학습 데이터를 구성하는 도메인의 개수와 각각의 도메인에 대응되는 학습 데이터의 개수에 특별한 제한이 따르는 것은 아니다.

복수의 분류기는 학습 데이터 세트를 구성하는 복수의 도메인 별 데이터를 구별하도록 학습될 수 있다. 구체적으로, 복수의 분류기는 학습 데이터에 기초하여, 입력된 데이터가 제1 도메인(10) 및 제2 도메인(20) 중 어떠한 도메인에 해당하는지를 식별하도록 학습될 수 있다.

본 개시에 있어서는, 복수의 분류기는 동일한 학습 데이터 세트에 기초하여 학습된 것을 전제로 한다. 즉, 복수의 분류기는 도 1의 제1 도메인(10)에 대응되는 학습 데이터가 입력되면 그 학습 데이터가 제1 도메인(10)에 대응된다는 인식 결과를 출력하고, 도 1의 제2 도메인(20)에 대응되는 학습 데이터가 입력되면 그 학습 데이터가 제2 도메인(20)에 대응된다는 인식 결과를 출력하도록 학습될 수 있다. 즉, 복수의 분류기는 모두 학습 데이터를 잘 분류할 수 있도록 학습될 수 있다.

그러나, 학습 데이터에 포함되지 않은 테스트 데이터가 입력되는 경우 그 입력된 데이터를 잘 분류할 수 있는지 여부는 분류기의 성능에 따라 달라질 수 있다. 따라서, 복수의 분류기 중 과적합(overfitting)의 문제를 발생시키지 않으면서, 다양한 데이터를 효과적으로 인식할 수 있는 분류기를 식별할 수 있는 기술에 대한 필요성이 대두되고 있다.

도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도이고, 도 3 내지 도 6은 도 2의 실시 예에 포함된 단계들을 상세하게 설명하기 위한 도면이다. 이하에서는 도 2 내지 도 6을 함께 참조하여 본 개시에 따른 다양한 실시 예에 대해 설명한다.

도 2에 도시된 바와 같이, 전자 장치(100)는 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별할 수 있다(S210). 여기서, 대표 데이터는 학습 데이터 세트를 구성하는 복수의 도메인 각각을 대표하는 하나의 학습 데이터를 말하며, 일 예로서, 전체 학습 데이터의 중앙 값 또는 평균 값에 기초하여 식별될 수 있다.

복수의 도메인 별 대표 데이터가 식별되면, 전자 장치(100)는 복수의 도메인 별로, 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출할 수 있다(S220). 예를 들어, 전자 장치(100)는 복수의 도메인 별로, 대표 데이터와 다른 학습 데이터들 사이의 유클리디언(Euclidean) 거리, 맨하탄(Manhattan) 거리 또는 체비셰프(Chebyshev) 거리를 나타내는 복수의 거리 값을 산출할 수 있다.

복수의 거리 값이 산출되면, 전자 장치(100)는 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별할 수 있다(S230). 구체적으로, 전자 장치(100)는 산출된 복수의 거리 값에 기초하여, 각각의 도메인에 포함된 데이터들 중 대표 데이터와의 거리가 먼 기 설정된 개수의 학습 데이터들을 복수의 최외곽 학습 데이터로 식별할 수 있다. 예를 들어, 최외곽 학습 데이터의 개수는 8개 내지 50개일 수 있으며, 다만 이에 국한되는 것은 아니다. 복수의 최외곽 학습 데이터를 식별하는 것은 도메인 별 학습 데이터의 분포를 파악하기 위한 것이다. 따라서, 최외곽 학습 데이터의 개수는, 개수가 너무 적으면 분류기의 정밀한 형태 파악이 어렵다는 점과 개수가 너무 많으면 분류기의 형태 파악에 소요되는 시간이 증가할 수 있다는 점을 고려하여 설정될 수 있다.

도 3은 본 개시의 일 실시 예에 따라 최외곽 학습 데이터를 식별하는 과정을 설명하기 위한 도면이다. 도 3의 예시를 참조하면, 전자 장치(100)는 제1 도메인에 포함된 학습 데이터에서 대표 데이터를 식별하고, 제1 도메인의 대표 데이터와 제1 도메인의 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출할 수 있다. 그리고, 전자 장치(100)는 대표 데이터와의 거리가 먼 8개의 학습 데이터들을 제1 도메인에 대한 복수의 최외곽 학습 데이터로 식별할 수 있다.

마찬가지로, 전자 장치(100)는 제2 도메인에 포함된 학습 데이터에서 대표 데이터를 식별하고, 제2 도메인의 대표 데이터와 제2 도메인의 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하며, 대표 데이터와의 거리가 먼 8개의 학습 데이터들을 제1 도메인에 대한 복수의 최외곽 학습 데이터로 식별할 수 있다.

한편, 전자 장치(100)는 산출된 복수의 거리 값 사이의 차이가 기 설정된 임계 값 미만이고 서로 인접한 위치에 분포하는 복수의 학습 데이터 중 대표 데이터와의 거리 값이 가장 큰 하나의 학습 데이터를 복수의 최외곽 학습 데이터 중 하나로 식별할 수도 있다. 다시 말해, 전자 장치(100)는 서로 인접한 위치에 분포하는 최외곽 학습 데이터가 다수 선택되는 것을 방지하기 위해, 서로 인접한 위치에 분포하는 복수의 학습 데이터 중 유사한 거리 값을 가진 학습 데이터를 제외하고 하나의 학습 데이터만을 최외곽 학습 데이터로 식별할 수 있다. 예를 들어, 서로 인접한 위치에 분포하는 3 개의 학습 데이터들과 대표 데이터 사이의 거리 값이 각각 9.8, 10.0 및 10.1인 경우, 전자 장치(100)는 거리 값이 9.8 및 10.0인 학습 데이터를 제외하고 거리 값이 10.1인 하나의 학습 데이터만을 최외곽 학습 데이터로 식별할 수 있다.

복수의 최외곽 학습 데이터가 식별되면, 전자 장치(100)는 복수의 도메인 별로, 대표 데이터와 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득할 수 있다(S240). 여기서, 복수의 가상 데이터는 동일한 도메인에 대한 대표 데이터와 복수의 최외곽 학습 데이터 각각을 포함하는 복수의 직선 방정식 상에 위치할 수 있다. 복수의 데이터의 개수와 복수의 데이터 간 간격에 특별한 제한이 따르는 것은 아니다.

구체적으로, 전자 장치(100)는 동일한 도메인에 대한 대표 데이터와 복수의 최외곽 학습 데이터 각각을 잇는 직선 방정식을 산출하고, 산출된 직선 방정식 상의 점들에 대응되는 복수의 가상 데이터를 생성할 수 있다. 복수의 가상 데이터와 대표 데이터 사이의 거리는 복수의 최외곽 학습 데이터와 대표 데이터 사이의 거리보다 긴 것이 바람직할 수 있다. 한편, 생성되는 가상 데이터의 개수는 사용자 또는 개발자에 의해 선택될 수 있다.

도 4는 본 개시의 일 실시 예에 따라 가상 데이터를 획득하는 과정을 설명하기 위한 도면이다. 도 4의 예시를 참조하면, 전자 장치(100)는 제1 도메인의 대표 데이터와 복수의 최외곽 학습 데이터 각각을 잇는 직선 방정식 상의 점들에 대응되는 복수의 가상 데이터를 생성할 수 있으며, 마찬가지로 제2 도메인의 대표 데이터와 복수의 최외곽 학습 데이터 각각을 잇는 직선 방정식 상의 점들에 대응되는 복수의 가상 데이터를 생성할 수 있다.

도 4에서는 대표 데이터와 복수의 최외곽 학습 데이터 중 일부를 잇는 직선 방정식 상의 점들에 대응되는 복수의 가상 데이터만을 나타내었으나, 이는 도면이 지나치게 복잡해지는 것을 방지하기 위한 것일 뿐이다. 한편, 전자 장치(100)는 복수의 최외곽 학습 데이터와 대표 데이터 사이의 거리보다 짧은 가상 데이터를 생성할 수도 있으나, 분류기의 형태를 추정함에 있어서는 복수의 최외곽 학습 데이터와 대표 데이터 사이의 거리보다 긴 가상 데이터가 유용하기 때문에, 도 4에 도시된 바와 같이, 복수의 최외곽 학습 데이터와 대표 데이터 사이의 거리보다 긴 가상 데이터만을 생성할 수도 있다.

복수의 가상 데이터가 획득되면, 전자 장치(100)는 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별할 수 있다(S250).

구체적으로, 전자 장치(100)는 획득된 복수의 가상 데이터를 복수의 분류기 각각에 입력하여 복수의 가상 데이터에 대응되는 도메인을 식별할 수 있다. 그리고, 전자 장치(100)는 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 도메인 별로 복수의 도메인에 대응되는 가상 데이터의 경계를 구분하는 함수의 형태를 추정할 수 있다.

도 5는 본 개시의 일 실시 예에 따라 복수의 분류기의 형태를 식별하는 과정을 설명하기 위한 도면이다. 도 5의 예시를 참조하면, 전자 장치(100)는 제1 도메인에 대응되는 복수의 가상 데이터를 제1 분류기에 입력할 수 있으며, 그 결과 제1 도메인에 대응되는 것으로 식별된 가상 데이터와 제1 도메인에 대응되는 것으로 식별되지 않은 가상 데이터가 구별될 수 있다. 마찬가지로, 전자 장치(100)는 제2 도메인에 대응되는 복수의 가상 데이터를 제1 분류기에 입력할 수 있으며, 그 결과 제2 도메인에 대응되는 것으로 식별된 가상 데이터와 제2 도메인에 대응되는 것으로 식별되지 않은 가상 데이터가 구별될 수 있다.

제1 분류기의 인식 결과가 획득되면, 전자 장치(100)는 제1 도메인에 대응되는 가상 데이터와 제2 도메인에 대응되는 가상 데이터 사이의 경계를 구분하는 함수의 형태를 추정함으로써 제1 분류기의 형태를 추정할 수 있다. 도 5의 그래프는 추정된 제1 분류기의 형태를 나타낸다.

도 2 내지 도 5를 참조하여 상술한 실시 예에 따라 제1 분류기, 제2 분류기 및 제3 분류기 각각의 형태가 추정되면, 전자 장치(100)는 제1 분류기, 제2 분류기 및 제3 분류기 중 가장 간단한 형태를 갖는 하나의 분류기를 식별할 수 있다. 구체적으로, 전자 장치(100)는 추정된 함수에 대한 미분을 수행하여 추정된 함수에 포함된 극대 값과 극소 값을 산출함으로써, 함수의 복잡도에 대한 정보를 획득할 수 있으며, 함수의 복잡도에 대한 정보에 기초하여 복수의 분류기 각각의 형태를 식별할 수 있다.

도 6은 본 개시의 일 실시 예에 따라 복수의 분류기 중 테스트 데이터의 분류에 이용될 분류기를 식별하는 과정을 설명하기 위한 도면이다. 도 6의 예시를 참조하면, 전자 장치(100)는 제1 분류기, 제2 분류기 및 제3 분류기 각각에 대한 미분을 수행하여 추정된 함수에 포함된 극대 값과 극소 값을 산출함으로써, 함수의 복잡도에 대한 정보를 획득할 수 있다. 도 6에 도시된 바와 같이, 제1 분류기, 제2 분류기 및 제3 분류기 중 제1 분류기가 가장 적은 수의 극대 값과 극소 값을 가지며, 제2 분류기는 제1 분류기 다음으로 적은 수의 극대 값과 극소 값을 가지고, 제3 분류기는 가장 많은 수의 극대 값과 극소 값을 가진다는 것을 확인할 수 있다.

따라서, 전자 장치(100)는 제1 분류기, 제2 분류기 및 제3 분류기 중 제1 분류기를 테스트 데이터의 분류에 이용될 분류기로 식별할 수 있다. 도 6에 도시된 바와 같이, 제1 도메인의 제1 테스트 데이터와 제2 도메인의 제2 테스트 데이터는 제1 분류기에 의해서는 구별될 수 있으나, 제2 분류기 및 제3 분류기에 의해서는 구별될 수 없다는 것을 나타낸다.

도 2 내지 도 6을 참조하여 상술한 실시 예에 따르면, 전자 장치(100)는 동일한 학습 데이터로 학습된 복수의 분류기 중 가장 효율적인 분류기를 식별할 수 있다. 이에 따라, 전자 장치(100)는 다양한 데이터를 효과적으로 인식할 수 있는 일반화 성능이 향상된 분류기를 제공할 수 있게 된다.

또한, 본 개시에 따르면 향후 분류기의 수정 및 업데이트 시 개선 방향을 시각적/체계적으로 파악할 수 있다. 특히, 학습 데이터가 없는 부분에서의 분류기의 형태 파악이 가능하여, 향후 새로운 테스트 데이터가 입력되는 경우 그에 대한 인식 유무도 예측 가능하여 분류기의 유지 보수에도 큰 도움이 된다.

도 7은 본 개시에 따른 학습 데이터의 분포가 편향된 경우를 나타내는 도면이다.

도 1 및 도 3 내지 도 6에 도시된 학습 데이터와는 달리, 학습 데이터의 분포는 도 7에 도시된 것과 같이 편향되어 있을 수 있다. 이 경우, 도 2 내지 도 6을 참조하여 상술한 실시 예를 그대로 적용하면, 최외곽 학습 데이터가 특정 위치 부근에서만 선택되는 문제가 발생할 수 있다. 구체적으로, 도 7에 도시된 바와 같이, 학습 데이터의 분포를 나타내는데 적합한 데이터임에도 불구하고 선택되지 않은 최외곽 학습 데이터가 존재할 수 있다.

물론, 도 2에 대한 설명에서 상술한 바와 같이, 서로 인접한 위치에 분포하는 복수의 학습 데이터 중 유사한 거리 값을 가진 학습 데이터를 제외하고 하나의 학습 데이터만을 최외곽 학습 데이터로 식별하면 이러한 문제점이 해소될 수도 있으나, 극단적으로 학습 데이터가 편향되어 있는 경우에는 문제점이 충분히 해소되지 않을 수도 있다. 따라서, 학습 데이터의 분포가 편향된 경우에 복수의 분류기 중 가장 효율적인 분류기를 식별할 수 있는 방법에 대한 필요성이 인정된다. 이에 대해서는 도 8 내지 도 12를 참조하여 설명한다.

도 8은 본 개시의 또 다른 실시 예에 따른 전자 장치(100)의 제어 방법을 나타내는 흐름도이다. 도 9 내지 도 12은 도 8의 실시 예에 포함된 단계들을 상세하게 설명하기 위한 도면이다. 이하에서는 도 8 내지 도 12을 함께 참조하여 본 개시에 따른 다양한 실시 예에 대해 설명한다.

도 8에 도시된 바와 같이, 전자 장치(100)는 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별할 수 있다(S810). 여기서, 대표 데이터는 도 2의 실시 예와 마찬가지로, 학습 데이터 세트를 구성하는 복수의 도메인 각각을 대표하는 하나의 학습 데이터를 말하며, 일 예로서, 전체 학습 데이터의 중앙 값 또는 평균 값에 기초하여 식별될 수 있다.

전자 장치(100)는 복수의 도메인 별로 주성분 분석을 수행하여 복수의 도메인 각각에 대응되는 주성분 축을 식별할 수 있다(S820). 구체적으로, 전자 장치(100)는 복수의 도메인 별로 학습 데이터에 대한 주성분 분석(PCA, Principal Component Analysis)을 수행함으로써, 복수의 도메인 각각에 대응되는 주성분 축을 식별할 수 있다. 주성분 분석은 데이터 분포의 주성분 축을 찾는 알고리즘으로서, 고차원의 데이터를 저차원의 데이터로 환원시키는 기법을 말한다. 주성분 분석 과정에서는 직교 변환을 통해 서로 연관 가능성이 있는 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간의 주성분 표본으로 변환할 수 있다.

전자 장치(100)는 복수의 도메인 별로, 대표 데이터를 교점으로 하고 주성분 축을 포함하는 복수의 성분 축을 식별할 수 있다(S830). 구체적으로, 전자 장치(100)는 복수의 도메인 별로, 주성분 축을 기준으로 기 설정된 각도 간격을 갖는 기 설정된 개수의 직선들을 생성할 수 있다. 그리고, 복수의 성분 축은 주성분 축과 생성된 직선들을 포함하는 축을 말한다. 예를 들어, 복수의 성분 축의 개수는 4개 내지 25개일 수 있으며, 다만 이에 국한되는 것은 아니다. 복수의 성분 축 사이의 각도 또한 사용자 또는 개발자에 의해 임의로 선택될 수 있으며, 복수의 성분 축 사이의 각도가 반드시 동일해야 하는 것도 아니다.

도 9는 본 개시의 일 실시 예에 따라 복수의 도메인 각각에 대응되는 주성분 축과 복수의 성분 축을 식별하는 과정을 설명하기 위한 도면이다. 도 9의 예시를 참조하면, 전자 장치(100)는 제1 도메인에 포함된 학습 데이터에 대한 주성분 분석을 수행하여 제1 도메인에 대응되는 주성분 축을 식별할 수 있으며, 주성분 축을 포함하는 복수의 성분 축들 사이의 각도가 45도 간격이 되도록 하는 3 개의 직선들을 생성할 수 있다. 마찬가지로, 전자 장치(100)는 전자 장치(100)는 제2 도메인에 포함된 학습 데이터에 대한 주성분 분석을 수행하여 제2 도메인에 대응되는 주성분 축을 식별할 수 있으며, 주성분 축을 포함하는 복수의 성분 축들 사이의 각도가 45도 간격이 되도록 하는 3 개의 직선들을 생성할 수 있다.

전자 장치(100)는 복수의 도메인 별로, 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득할 수 있다(S840). 그리고, 전자 장치(100)는 복수의 도메인 별로, 복수의 가상 데이터 각각과 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출할 수 있다(S850). 예를 들어, 전자 장치(100)는 도 2의 실시 예와 마찬가지로, 복수의 도메인 별로, 대표 데이터와 다른 학습 데이터들 사이의 유클리디언(Euclidean) 거리, 맨하탄(Manhattan) 거리 또는 체비셰프(Chebyshev) 거리를 나타내는 복수의 거리 값을 산출할 수 있다.

전자 장치(100)는 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 복수의 가상 데이터 중 복수의 최외곽 가상 데이터를 식별할 수 있다(S860). 도 2의 실시 예와 가이 도메인에 포함된 학습 데이터들 중에서 복수의 최외곽 '학습' 데이터를 식별하는 것과는 달리, 도 8의 실시 예에서는 획득된 도메인에 포함된 복수의 가상 데이터 중에서 복수의 최외곽 '가상' 데이터를 획득할 수 있다.

도 10은 본 개시의 일 실시 예에 따라 복수의 가상 데이터를 획득하고 복수의 최외곽 가상 데이터를 획득하는 과정에 대해 설명하기 위한 도면이다. 한편, 도 11은 복수의 가상 데이터 각각과 가장 가까운 거리에 있는 학습 데이터 사이의 거리 값을 이용하여 최외곽 데이터를 식별하는 과정을 설명하기 위한 도면이다. 이하에서는 도 10과 도 11을 함께 참조하여 설명한다.

도 10의 예시를 참조하면, 전자 장치(100)는 제1 도메인의 주성분 축 상의 점들에 대응되는 복수의 가상 데이터를 생성할 수 있다. 복수의 데이터의 개수와 복수의 데이터 간 간격에 특별한 제한이 따르는 것은 아니며, 사용자 또는 개발자에 의해 선택될 수 있다. 복수의 가상 데이터가 획득되면, 전자 장치(100)는 복수의 가상 데이터 각각과 복수의 가상 데이터가 포함된 도메인의 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출할 수 있다.

전자 장치(100)는 산출된 거리 값에 기초하여, 복수의 가상 데이터 각각과 가장 가까운 거리에 있는 학습 데이터를 식별할 수 있다. 도 10에는 복수의 가상 데이터 각각과 가장 가까운 거리에 있는 학습 데이터 사이의 거리 값이 각각 d1, d2, d3, d4, d5, d6, d7 및 d8로 표현되어 있다.

복수의 가상 데이터 각각과 가장 가까운 거리에 있는 학습 데이터 사이의 거리 값이 산출되면, 전자 장치(100)는 각각의 거리 값을 대표 데이터에 가까운 순서대로 배열할 수 있다. 즉, 도 11의 그래프는 도 10의 d1, d2, d3, d4, d5, d6, d7 및 d8 각각에 대응되는 가상 데이터를 가로축에 거리 값의 순서대로 나타내고, 각각의 가상 데이터에 대응되는 거리 값을 세로축에 나타낸 것이다.

한편, 가상 데이터가 학습 데이터의 분포를 벗어나기 시작하면, 가상 데이터와 가장 가까운 거리에 있는 학습 데이터 사이의 거리 값이 급격하게 증가하게 된다. 즉, 도 10 및 도 11의 예시와 같이, 거리 값 d6를 갖는 가상 데이터부터 학습 데이터와의 거리가 급격하게 증가한다. 이 경우, 학습 데이터와의 거리가 급격하게 증가하기 시작하는 가상 데이터 이전의 가상 데이터, 즉 거리 값 d5를 갖는 가상 데이터가 최외곽 가상 데이터로 식별될 수 있다.

도 12는 본 개시의 일 실시 예에 따른 복수의 최외곽 가상 데이터와 복수의 가상 데이터를 나타내는 도면이다. 즉, 도 10 및 도 11에서는 편의 상 제1 도메인의 주성분 축에 대한 복수의 가상 데이터에 대해서만 설명하였으나, 제1 도메인의 다른 성분 축들과 제2 도메인의 복수의 성분 축들에 대해서도 도 10 및 도 11에서 설명한 방법을 적용하면, 도 12에 도시된 바와 같이 모든 도메인 별로 모든 성분 축에 대한 복수의 최외곽 가상 데이터와 복수의 가상 데이터를 식별할 수 있게 된다.

전자 장치(100)는 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별할 수 있다(S870). 그리고, 전자 장치(100)는 제1 분류기, 제2 분류기 및 제3 분류기 중 가장 간단한 형태를 갖는 하나의 분류기를 식별할 수 있다.

구체적으로, 전자 장치(100)는 먼저 최외곽 가상 데이터를 분류기에 입력하여 인식 여부를 확인한 후, 순차적으로 다음 가상 데이터를 분류기에 입력하여 인식 여부를 확인할 수 있다. 여기서, 순차적으로 다음 가상 데이터를 분류기에 입력한다는 것은, 최외곽 가상 데이터와 동일한 성분 축 상에 있는 가상 데이터 중 최외곽 데이터와 가까운 가상 데이터부터 최외곽 데이터와 먼 가상 데이터 순서로 분류기에 입력한다는 것을 의미한다.

복수의 분류기 각각의 인식 결과에 기초하여 복수의 분류기 각각의 형태를 식별하고, 그 후 테스트 데이터의 분류에 이용될 분류기를 식별하는 과정에 대해서는 도 5 및 도 6을 참조하여 상술하였으므로, 동일한 내용에 대한 중복 설명은 생략한다.

도 8 내지 도 12를 참조하여 상술한 실시 예에 따르면, 전자 장치(100)는 학습 데이터의 분포가 편향된 경우에도, 학습 데이터의 분포를 나타내는 최외곽 가상 데이터를 식별하고 그에 기초하여 복수의 분류기의 형태를 식별함으로써 복수의 분류기 중 가장 효율적인 분류기를 식별할 수 있게 된다.

한편, 이상에서 상술한 실시 예에 따른 전자 장치(100)의 제어 방법은 프로그램으로 구현되어 전자 장치(100)에 제공될 수 있다. 특히, 전자 장치(100)의 제어 방법을 포함하는 프로그램은 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.

일 실시 예에 따르면, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계, 복수의 도메인 별로, 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계, 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하는 단계, 복수의 도메인 별로, 대표 데이터와 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하는 단계 및 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별하는 단계를 포함할 수 있다.

일 실시 예에 따르면, 전자 장치(100)의 제어 방법을 실행하는 프로그램을 포함하는 비일시적 컴퓨터 판독 가능 기록매체에 있어서, 전자 장치(100)의 제어 방법은 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계, 복수의 도메인 별로 주성분 분석을 수행하여 복수의 도메인 각각에 대응되는 주성분 축을 식별하는 단계, 복수의 도메인 별로, 대표 데이터를 교점으로 하고 주성분 축을 포함하는 복수의 성분 축을 식별하는 단계, 복수의 도메인 별로, 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하는 단계, 복수의 도메인 별로, 복수의 가상 데이터 각각과 학습 데이터 세트에 포함된 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계, 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 다른 학습 데이터들 중 복수의 최외곽 가상 데이터를 식별하는 단계 및 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별하는 단계를 포함할 수 있다.

도 13은 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 간략하게 나타내는 블록도이다.

도 13에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 그러나, 도 13에 도시된 바와 같은 구성들은 예시적인 것에 불과할 뿐이며, 본 개시를 실시함에 있어 도 13에 도시된 바와 같은 구성에 더하여 새로운 구성이 추가되거나 일부 구성이 생략될 수 있음은 물론이다.

메모리(110)에는 전자 장치(100)에 관한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 그리고, 메모리(110)에는 전자 장치(100)를 구동시키기 위한 O/S(Operating System)가 저장될 수 있다. 또한, 메모리(110)에는 본 개시의 다양한 실시 예들에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 프로그램이나 애플리케이션이 저장될 수도 있다. 그리고, 메모리(110)는 플래시 메모리(Flash Memory) 등과 같은 반도체 메모리나 하드디스크(Hard Disk) 등과 같은 자기 저장 매체 등을 포함할 수 있다.

구체적으로, 메모리(110)에는 본 개시의 다양한 실시 예에 따라 전자 장치(100)가 동작하기 위한 각종 소프트웨어 모듈이 저장될 수 있으며, 프로세서(120)는 메모리(110)에 저장된 각종 소프트웨어 모듈을 실행하여 전자 장치(100)의 동작을 제어할 수 있다. 즉, 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.

한편, 본 개시에서 메모리(110)라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함하는 의미로 사용될 수 있다.

특히, 본 개시에 따른 다양한 실시 예에 있어서, 메모리(110)에는 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보가 저장될 수 있다. 구체적으로, 메모리(110)에는 학습 데이터 세트에 대한 정보, 복수의 분류기 각각의 레이어 및 파라미터에 대한 정보, 대표 데이터, 가상 데이터, 최외곽 학습 데이터, 최외곽 가상 데이터 등에 대한 정보가 저장될 수 있다. 또한, 메모리(110)에는 데이터들 사이의 거리 값을 산출하기 위한 알고리즘, 학습 데이터에 대한 주성분 분석을 위한 알고리즘 등에 대한 정보가 저장될 수 있다. 그 밖에도 본 개시의 목적을 달성하기 위한 범위 내에서 필요한 다양한 정보가 메모리(110)에 저장될 수 있으며, 메모리(110)에 저장된 정보는 외부 장치로부터 수신되거나 사용자에 의해 입력됨에 따라 갱신될 수도 있다.

프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어한다. 구체적으로, 프로세서(120)는 메모리(110)를 포함하는 전자 장치(100)의 구성과 연결되며, 상술한 바와 같은 메모리(110)에 저장된 적어도 하나의 인스트럭션을 실행함으로써, 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.

프로세서(120)는 다양한 방식으로 구현될 수 있다. 예를 들어, 프로세서(120)는 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 컨트롤 로직, 하드웨어 유한 상태 기계(hardware Finite State Machine, FSM), 디지털 신호 프로세서(Digital Signal Processor, DSP) 중 적어도 하나로 구현될 수 있다. 한편, 본 개시에서 프로세서(120)라는 용어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 및 MPU(Main Processing Unit)등을 포함하는 의미로 사용될 수 있다.

일 실시 예에 있어서, 프로세서(120)는 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고, 복수의 도메인 별로, 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하며, 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하고, 복수의 도메인 별로, 대표 데이터와 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하며, 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별할 수 있다.

일 실시 예에 있어서, 프로세서(120)는 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고, 복수의 도메인 별로 주성분 분석을 수행하여 복수의 도메인 각각에 대응되는 주성분 축을 식별하며, 복수의 도메인 별로, 대표 데이터를 교점으로 하고 주성분 축을 포함하는 복수의 성분 축을 식별하고, 복수의 도메인 별로, 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하며, 복수의 도메인 별로, 복수의 가상 데이터 각각과 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하고, 복수의 도메인 별로, 산출된 복수의 거리 값에 기초하여 복수의 가상 데이터 중 복수의 최외곽 가상 데이터를 식별하며, 복수의 도메인 별 복수의 가상 데이터에 대한 복수의 분류기 각각의 인식 결과에 기초하여, 복수의 분류기 각각의 형태를 식별할 수 있다.

그 밖에도 도 1 내지 도 12를 참조하여 상술한 바 있는 다양한 실시 예들은 프로세서(120)의 제어 과정에 대해서도 마찬가지로 적용될 수 있는바, 동일하 내용에 대한 중복 설명은 생략한다.

한편, 이상에서 상술한 바와 같은 분류기(즉, 인공 지능 분류기)에 관련된 기능은 메모리(110) 및 프로세서(120)를 통해 수행될 수 있다.

프로세서(120)는 하나 또는 복수의 프로세서(120)로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서(120)는 CPU, AP 등과 같은 범용 프로세서(120), GPU. VPU 등과 같은 그래픽 전용 프로세서(120) 또는 NPU와 같은 인공 지능 전용 프로세서(120)일 수 있다.

하나 또는 복수의 프로세서(120)는, 비휘발성 메모리(110) 및 휘발성 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.

여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.

인공 지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Networks) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

학습 알고리즘은, 다수의 학습 데이터들을 이용하여 소정의 대상 기기(예컨대, 로봇)을 훈련시켜 소정의 대상 기기 스스로 결정을 내리거나 예측을 할 수 있도록 하는 방법이다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으며, 본 개시에서의 학습 알고리즘은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리(110)와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

이상에서 상술한 바와 같은 본 개시의 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다.

다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.

본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다.

상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.

100: 전자 장치 110: 메모리
120: 프로세서

Claims (10)

1. 전자 장치에 있어서,
   동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보를 저장하는 메모리; 및
   상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고,
   상기 복수의 도메인 별로, 상기 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하며,
   상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하고,
   상기 복수의 도메인 별로, 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하며,
   상기 복수의 도메인 별 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 프로세서; 를 포함하는 전자 장치.
   
2. 제1 항에 있어서,
   상기 대표 데이터는 상기 복수의 도메인 각각에 포함된 데이터들의 중앙 값 또는 평균 값에 기초하여 식별되는 전자 장치.
   
3. 제1 항에 있어서,
   상기 프로세서는,
   상기 산출된 복수의 거리 값에 기초하여, 상기 다른 학습 데이터들 중 상기 대표 데이터와의 거리가 먼 기 설정된 개수의 데이터들을 상기 복수의 최외곽 학습 데이터로 식별하는 전자 장치.
   
4. 제1 항에 있어서,
   상기 프로세서는,
   상기 산출된 복수의 거리 값 사이의 차이가 기 설정된 임계 값 미만이고 서로 인접한 위치에 분포하는 복수의 데이터 중 상기 산출된 거리 값이 가장 큰 하나의 데이터를 상기 복수의 최외곽 학습 데이터 중 하나의 데이터로 식별하는 전자 장치.
   
5. 제1 항에 있어서,
   상기 복수의 가상 데이터는 동일한 도메인에 대한 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터 각각을 포함하는 복수의 직선 방정식 상에 위치하는 전자 장치.
   
6. 제1 항에 있어서,
   상기 프로세서는,
   상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 도메인에 대응되는 데이터의 경계를 구분하는 함수의 형태를 추정함으로써, 상기 복수의 분류기 각각의 형태를 식별하는 전자 장치.
   
7. 전자 장치에 있어서,
   동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기에 대한 정보를 저장하는 메모리; 및
   상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하고,
   상기 복수의 도메인 별로 주성분 분석을 수행하여 상기 복수의 도메인 각각에 대응되는 주성분 축을 식별하며,
   상기 복수의 도메인 별로, 상기 대표 데이터를 교점으로 하고 상기 주성분 축을 포함하는 복수의 성분 축을 식별하고,
   상기 복수의 도메인 별로, 상기 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하며,
   상기 복수의 도메인 별로, 상기 복수의 가상 데이터 각각과 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하고,
   상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 복수의 가상 데이터 중 복수의 최외곽 가상 데이터를 식별하며,
   상기 복수의 도메인 별 상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 프로세서; 를 포함하는 전자 장치.
   
8. 제7 항에 있어서,
   상기 프로세서는,
   상기 복수의 가상 데이터 각각과 가장 인접한 학습 데이터 사이의 거리 값들을 산출하고,
   상기 산출된 거리 값들을 상기 대표 데이터에 인접한 가상 데이터에 대응되는 거리 값부터 상기 대표 데이터에 먼 가상 데이터에 대응되는 거리 값 순서으로 배열하고,
   상기 배열된 순서에서 상기 거리 값이 급격하게 증가하는 데이터 이전의 데이터를 상기 최외곽 가상 데이터로 식별하는 전자 장치.
   
9. 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기를 포함하는 전자 장치의 제어 방법에 있어서,
   상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계;
   상기 복수의 도메인 별로, 상기 대표 데이터와 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계;
   상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 학습 데이터를 식별하는 단계;
   상기 복수의 도메인 별로, 상기 대표 데이터와 상기 복수의 최외곽 학습 데이터에 기초하여 복수의 가상 데이터를 획득하는 단계; 및
   상기 복수의 도메인 별 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 단계; 를 포함하는 전자 장치의 제어 방법.
   
10. 동일한 학습 데이터 세트에 기초하여 학습된 복수의 분류기를 포함하는 전자 장치의 제어 방법에 있어서,
    상기 학습 데이터 세트를 구성하는 복수의 도메인 별로 대표 데이터를 식별하는 단계;
    상기 복수의 도메인 별로 주성분 분석을 수행하여 상기 복수의 도메인 각각에 대응되는 주성분 축을 식별하는 단계;
    상기 복수의 도메인 별로, 상기 대표 데이터를 교점으로 하고 상기 주성분 축을 포함하는 복수의 성분 축을 식별하는 단계;
    상기 복수의 도메인 별로, 상기 식별된 복수의 성분 축 상에 위치하는 복수의 가상 데이터를 획득하는 단계;
    상기 복수의 도메인 별로, 상기 복수의 가상 데이터 각각과 상기 학습 데이터 세트에 포함된 다른 학습 데이터들 사이의 거리를 나타내는 복수의 거리 값을 산출하는 단계;
    상기 복수의 도메인 별로, 상기 산출된 복수의 거리 값에 기초하여 상기 다른 학습 데이터들 중 복수의 최외곽 가상 데이터를 식별하는 단계; 및
    상기 복수의 도메인 별 상기 복수의 가상 데이터에 대한 상기 복수의 분류기 각각의 인식 결과에 기초하여, 상기 복수의 분류기 각각의 형태를 식별하는 단계; 를 포함하는 전자 장치의 제어 방법.
    

Images