KR20130127616A

KR20130127616A - 확률적 모델 시뮬레이터 및 이를 위한 인터페이스와 시뮬레이션 모듈

Info

Publication number: KR20130127616A
Application number: KR1020120051270A
Authority: KR
Inventors: 최호진; 정영섭
Original assignee: 한국과학기술원
Priority date: 2012-05-15
Filing date: 2012-05-15
Publication date: 2013-11-25
Also published as: KR101356784B1

Abstract

본 발명의 확률적 모델 시뮬레이터는 데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터로서, 상기 확률적 모델을 설계할 수 있도록 하는 인터페이스; 및 상기 확률적 모델의 학습 과정을 상기 인터페이스를 통해 단계적으로 관찰할 수 있도록 상기 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈을 포함한다.

Description

확률적 모델 시뮬레이터 및 이를 위한 인터페이스와 시뮬레이션 모듈 {Probabilistic Model Simulator and Interface and Simulation Module thereof }

본 발명은 확률적 모델 시뮬레이터 및 이를 위한 인터페이스와 시뮬레이션 모듈에 관한 것이다.

데이터의 빈도 수에 기반하여 확률적인 모델링을 수행하는 대표적인 기법으로서 확률적 토픽 마이닝(topic mining) 또는 깊은 믿음 네트워크(Deep Belief Network: DBN) 등을 이용한 모델링이 있다.

확률적 토픽 마이닝은 문서 및 이미지등 다양한 데이터에 적용될 수 있다. 예컨대, 문서를 분석하는 경우, 토픽은 순서가 매겨진 단어의 목록이고, 문서에 함께 등장한 단어들은 하나의 토픽 분포를 공유하게 되므로, 함께 등장했던 단어들은 동일 토픽 내에서 더 높은 순위를 갖게 된다. 토픽 마이닝은 문서의 각 단어들의 빈도 수만을 분석하므로 모델을 학습하기 위해 사람이 직접 토픽을 분석한 문서들을 준비할 필요가 없다. 따라서, 토픽 마이닝은, 대량의 문서가 다루는 토픽이 무엇인지 결정되지 않은 상태에서, 문서를 있는 그대로 데이터로서 사용함으로써 문서들에 내재된 토픽 분포들을 구할 수 있다는 점에서 매우 효과적이고 유용한 기술이다.

깊은 믿음 네트워크는 데이터를 2개 이상의 계층을 가진 신경 네트워크로 분석하는 기법으로서, 주로 이미지 데이터의 처리에 이용되고 있다.

확률적 토픽 마이닝 또는 깊은 믿음 네트워크를 포함하는 확률적 모델링 기법들을 교육시키기 위한 라이브러리(library) 및 툴박스(tool box) 등이 제공되고 있다.

하지만 이들 기법들의 학습 과정을 단계적(step-by-step)으로 관찰함으로써 효과적으로 교육시킬 수 있는 수단이 없어 이에 대한 필요성이 커지고 있다.

한국공개공보 제10-2010-0038378호 (2010.04.14)

본 발명은 종래의 필요성을 충족시키기 위해 안출된 것으로써, 확률적 모델의 설계를 용이하게 하고 확률적 모델의 학습 과정을 단계적으로 관찰할 수 있도록 하는 확률적 모델의 시뮬레이터를 제공하기 위한 것이다.

본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 따른 확률적 모델 시뮬레이터는 데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터로서, 상기 확률적 모델을 설계할 수 있도록 하는 인터페이스; 및 상기 확률적 모델의 학습 과정을 상기 인터페이스를 통해 단계적으로 관찰할 수 있도록 상기 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈을 포함한다.

본 발명에 따른 확률적 모델 시뮬레이터를 위한 인터페이스는 데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터를 위한 인터페이스로서, 상기 확률적 모델을 설계할 수 있도록 하는 디자인창; 및 상기 디자인창에 표현될 수 있는 객체를 표시하는 객체 옵션창을 포함한다.

본 발명에 따른 확률적 모델의 시뮬레이션 모듈은 데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈로서, 상기 확률적 모델의 학습 과정을 단계적으로 관찰할 수 있도록 상기 학습 과정의 단계별로 학습 결과가 저장되도록 한다.

본 발명에 따르면 확률적 모델의 설계를 용이하게 하고 확률적 모델의 학습 과정을 단계적으로 관찰할 수 있도록 하는 확률적 모델의 시뮬레이터를 제공할 수 있다. 또한, 본 발명에 따르면 확률적 모델의 설계를 용이하게 할 수 있는 인터페이스를 제공할 수 있다. 또한, 본 발명에 따르면 확률적 모델의 학습 과정을 단계별로 관찰할 수 있도록 하는 시뮬레이션 모듈을 제공할 수 있다. 따라서, 본 발명에 따르면 확률적 모델을 이용한 연구 및 생산활동을 용이하게 함으로써 산업에의 이용에 이바지할 수 있으며, 시뮬레이션을 통한 확률적 모듈의 효과적인 교육적 도구를 제공할 수 있다.

도1은 본 발명의 실시예에 따른 확률적 모델의 시뮬레이터에 포함되는 인터페이스의 화면를 예시한다.

이하, 본 발명의 바람직한 실시예의 상세한 설명이 첨부된 도면들을 참조하여 설명된다. 그러나, 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면들 중 인용부호들 및 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 인용부호들로 표시됨을 유의해야 한다. 참고로 본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명의 실시예에 따른 시뮬레이터는 데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터로서, 상기 확률적 모델을 설계할 수 있도록 하는 인터페이스, 및 상기 확률적 모델의 분석 과정을 상기 인터페이스를 통해 단계적으로 관찰할 수 있도록 상기 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈을 포함할 수 있다.

도1에는 본 발명의 실시예에 따른 본 발명의 실시예에 따른 확률적 모델의 시뮬레이터에 포함되는 인터페이스를 예시한다. 도1에 도시된 바와 같이, 본 발명의 실시예에 따른 인터페이스는 확률적 모델의 설계를 가능하게 하는 디자인창, 객체 옵션창 및/또는 파라메터 창을 포함할 수 있다.

본 발명의 실시예에서, 확률적 모델은 디자인창을 통해, 예컨대, 베이지안 그래프(Bayesian Graph)로서 GUI(Graphical User Interface) 환경에서 표현될 수 있다. 이때, 자바 애플릿(Java Applet)이 이용될 수 있다.

객체 옵션창에는 디자인창에 표현될 수 있는 객체가 표시된다. 따라서, 사용자는 디자인창에 표시될 노드, 선, 블록등을 표현하는 객체들을 상기 객체 옵션창으로부터 선택할 수 있다.

파라메터창에는 확률적 모델의 학습 과정의 단계마다 확률적 모델의 파라미터 추론 결과를 표시할 수 있다.

또한, 본 발명의 실시예에 따른 인터페이스는 분석하고자 하는 데이터를 표시하는 데이터창 및 확률적 모델을 통해 데이터의 분석 결과를 표시하는 모델 결과창을 더 포함할 수 있다. 이때, 데이터창에 한번에 표시될 수 있는 데이터의 개수 및 모델 결과창에 한번에 표시될 수 있는 결과의 개수에 대한 최대치가 설정될 수 있다.

본 발명의 실시예에 따른 시뮬레이션 모듈은 확률적 모델의 분석 과정을 예컨대, 인터페이스를 통해 단계적으로 관찰할 수 있도록 매 단계별로 학습 결과가 저장되도록 할 수 있다. 본 발명의 실시예에 따른 시뮬레이션 모듈은 프로그램 언어로 구현되어 컴퓨터에서 실행될 수 있다.

확률적 모델의 대표적인 예로 확률적 토픽 마이닝(topic mining)과 깊은 믿음 네트워크(Deep Belief Network)를 이용한 모델을 들 수 있다.

이하에서는 설명의 용이성을 위해, 확률적 모델의 대표적인 기법 중 하나인 토픽 마이닝을 예시로 하여 본 발명의 실시예를 설명한다.

확률적 모델인 토픽 모델은 인터페이스의 디자인창을 통해 설계될 수 있으며, 예컨대 베이지안 그래프로서 자바 애플릿을 이용한 GUI 환경에서 설계될 수 있다.

확률적 모델, 즉 토픽 모델의 설계시 유니폼(uniform) 분포 랜덤 변수, 선택용(selector) 랜덤 변수 또는 디리클레 다항분포(dirichlet-multinomial) 랜덤 변수를 이용할 수 있다. 이에 따라 여러 종류의 토픽들과 그에 대한 사전지식을 표현하는 다양한 토픽 모델을 설계할 수 있다.

토픽 모델이 베이지안 그래프로서 표현될 때 아래 3가지 요소가 요구된다. 첫째, 그래프를 구성하는 노드이다. 예컨대, 사전지식을 의미하는 디리클레 프라이어 노드(dirichlet prior node)와 다항(multinomial)분포 변수를 의미하는 노드가 있다. 둘째, 노드 사이를 이어주는 선이다. 이 선들은 방향성을 가지며, 어떤 노드들 사이에 존재하느냐에 따라 선이 가지는 의미가 달라질 수 있다. 예컨대, 디리클레 프라이어 변수를 의미하는 노드로부터 다항분포 변수를 의미하는 노드로 향하는 선은 디리클레 프라이어 변수로부터 다항분포 변수가 샘플링되는 것을 의미할 수 있다. 셋째, 한 개 이상의 노드를 감사는 블록이다. 이때, 동일한 블록 내에 존재하는 노드들은 동일한 데이터 단위로 처리됨을 의미할 수 있다.

토픽 모델의 설계를 위해, 디자인창을 통해 설계된 토픽 모델 구조의 표현식 정의를 위해서 각 노드는 고정된 의미를 갖도록 설정될 수 있다. 예컨대, 노드 Φ는 언제나 토픽을 의미하도록 설정될 수 있다. 다만, 여러 개의 토픽 변수를 사용할 경우, Φn(n은 0보다 큰 정수)으로 표시될 수 있다.

설계된 토픽 모델이 시뮬레이션 모듈에서 원활히 시뮬레이션 되도록 하기 위해 인터페이스의 한 화면에 등장하는 문서와 토픽 개수의 최대치를 설정할 수 있다. 예컨대, 도1에 도시되는 데이터 창에서 분석될 데이터인 문서가 표시될 수 있고 모델 결과창에는 확률적 모델의 분석 결과인 해당 문서에 대한 토픽이 표시될 수 있다. 즉, 데이터 창에 표시되는 분석될 데이터의 개수 및 모델 결과창에 표시되는 분석 결과의 개수의 최대치가 설정될 수 있다.

이와 같이 한정하는 이유로는 아래의 두 가지가 있다. 첫째, 일반적으로 토픽 모델은 많은 양의 문서를 대상으로 많은 토픽을 동시에 분석할 수 있지만, 시뮬레이터는 동시에 모두를 표현할 수 없기 때문이다. 둘째, 본 발명의 실시예에 따른 시뮬레이션 모듈은 확률적 모델의 학습 과정을 매 단계별로 관찰 가능하도록 시뮬레이션한다. 이를 위해, 예컨대 파라메터 추론에 붕괴 깁스 샘플링(Collapsed Gibbs Sampling)과 같은 기법을 이용한다. 따라서, 각 단계마다 해당 랜덤 변수들의 값이 저장되어야 할 필요가 있다. 하지만, 이때 문서와 토픽 개수가 많아지면 메모리 소모가 커지고 시뮬레이션이 불가능해 질 수 있기 때문이다. 예컨대, 10만 개의 단어에서 토픽을 분석하기 위해 파라메터 추론 알고리즘을 100번 반복하는 경우 1000만 단어에 해당하는 변수 값을 저장할 필요성이 있는 것이다.

인터페이스의 디자인창을 통해 설계된 확률적 모델, 예컨대 토픽 모델은 시뮬레이션 모델을 통해 시뮬레이션되도록 표현될 필요가 있다. 본 발명의 실시예에 따른 시뮬레이터에서 제공하는 고정된 표기법으로 표현된 토픽 모델의 구조를 표현하는 표현식이 정의될 수 있다. 예컨대, 표현식은 토픽 모델을 표현하는 요소들인 노드, 선, 또는 블록 등을 체계적으로 XML 파일 형태로 저장 가능하도록 할 수 있다. 이에 따라, 설계된 토픽 모델의 구조는 XML 파일 형태로 저장되거나 저장된 토픽 모델을 다시 불러와 사용될 수 있다.

토픽 모델의 학습 과정은 파라메터 추론 과정으로서 기본적으로 확률론적 과정(stochastic process)이므로 매번 다른 결과가 나올 수 있다. 하지만, 본 발명의 실시예에서는 시뮬레이션마다 각 단계별로 추론 상황을 저장하도록 한다. 이는 시뮬레이션을 수행한 후 이를 관찰하기 위해 단계를 이동할 때마다 다른 결과가 나오는 것은 바람직하지 않기 때문이다.

베이지안 그래프를 통한 토픽 모델은 데이터에 대한 사전 정보를 사전지식으써 제공하고 파라메터의 확률의 근사치를 데이터로부터 반복적으로 갱신해나가는 추론 작업을 필요로 한다. 일반적으로서, 토픽 모델을 학습하는 데는 변분 근사법(variational approximation), 라플라스 근사법(laplace approximation), 마코프체인 몬테 카를로(Markov-chain monte carlo) 방법 등이 이용될 수 있다.

본 발명의 실시예에서는 마코프체인 몬테 카를로 기법 중 하나인 붕괴 깁스 샘플링 기법을 확률적 모델의 파라메터 추론에 이용한다. 이에 따라, 추론 과정의 각 단계마다 랜덤 변수들의 값을 관측할 수 있도록 한다.

더욱이, 본 발명의 실시예에서 시뮬레이션 모듈은 확률적 모델의 구조와 파라메터 추론에 이용되는 파라메터 추론 공식 사이의 규칙성을 이용할 수 있다. 이에 따라 자동화된 파라메터 추론을 통해 확률적 모델의 학습 과정을 단계마다 관찰할 수 있다.

보다 구체적으로, 베이지안 그래프를 통해 토픽 모델을 설계할 때 이산 켤레 쌍(discrete conjugate pair)인 변수를 이용하는 경우, 토픽 모델의 파라메터 추론은 일정한 규칙성을 갖는다. 이는 파라메터 추론 공식을 단순화하기 위하여 토픽 모델을 설계할 때 켤레 쌍을 맞추어 설계하는 것이 일반적이기 때문이다. 예컨대, 변수로서는 유니폼(uniform) 분포 랜덤 변수, 선택용 랜덤 변수 또는 디리클레 다항분포(dirichlet-multinomial) 랜덤 변수가 이용될 수 있다.

수학식(1)

수학식(2)

상기 수학식 (1) 및 (2)는 잠재 디리클레 할당(LDA: Latent Dirichlet Allocation)의 파라메터 추론 공식들이다. 여기서, α_t는 토픽 t에 대한 사전지식이며 C_dt는 문서 d에서 토픽 t가 등장한 횟수이다. 따라서, θ_dt는 문서 d에서 토픽 t의 비중을 의미한다. βw는 단어 w에 대한 사전지식이며 C_tw는 전체 문서들에서 토픽 t인 단어 w가 등장한 횟수이다. 따라서, Φ_tw 는 토픽 t에서 단어 w의 비중을 의미한다.

LDA에서 디리클레 변수인 α로부터 다항분포 변수 θ_d를 거쳐서 샘플링되는 랜덤 변수 z를 가질 수 있다. 또한, 디리클레 변수 β로부터 다항분포 변수 Φz를 거쳐서 단어 w를 샘플링할 수 있다. 즉, α와 β는 데이터에 대한 사전지식을 의미하며 모델의 초기화 및 스무딩(smoothing)하는 역할을 하게 된다. 데이터에서 관측되는 단어 w로부터 파라메터 θ와 Φ의 근사치를 추론해낼 수 있다. LDA 모델에는 디리클레 변수-다항 변수가 두 쌍이 존재하며, 두 개의 파라메터 추론을 위한 수식은 디리클레 프라이어 변수 및 샘플링 변수를 이용한 분수로써 수학식 (1) 및(2)와 같은 형태를 가질 수 있. 즉, 디리클레 프라이어 변수는 분자에서 스무딩하는 역할을 하며, 분모는 다항변수의 각종 경우를 모두 더한 값이 될 수 있다.

이상에서 살펴본 바와 같이, 본 발명의 실시예에 따른 토픽 마이닝 및 DBN과 같은 확률적 모델에서 파라메터 추론 공식과 확률적 모델의 구조 사이에는 규칙성이 존재할 수 있다. 이때, 단계적 학습 과정을 관측할 수 있도록 하는 샘플링 기법을 적용하는 경우, 자동화된 파라메터 추론을 통한 확률적 모델의 동작을 단계적으로 관찰할 수 있다.

본 발명의 실시예에 따른, 시뮬레이션 모듈, 인터페이스 및/또는 이들을 포함한 시뮬레이터를 이용함으로써 확률적 모델의 개념 및 그 학습 과정을 용이하게 이해할 수 있다. 또한, 확률적 모델의 추론 과정을 단계별로 관찰할 수 있도록 함으로써 설계중인 확률적 모델의 정확성을 검증할 수 있다. 또한, 사용자는 인터페이스를 통해 용이하게 확률적 모델을 설계하는 것이 가능하다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims

데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터로서,
상기 확률적 모델을 설계할 수 있도록 하는 인터페이스; 및
상기 확률적 모델의 학습 과정을 상기 인터페이스를 통해 단계적으로 관찰할 수 있도록 상기 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈
을 포함하는 확률적 모델 시뮬레이터.
제1항에 있어서,
상기 인터페이스는 상기 확률적 모델을 설계할 수 있도록 하는 디자인창 및 상기 디자인창에 표현될 수 있는 객체를 표시하는 객체 옵션창을 포함하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제2항에 있어서,
상기 확률적 모델은 상기 디자인창을 통해 베이지안 그래프로서 GUI 환경에서 표현되며
상기 베이지안 그래프에서 각 노드는 명칭에 따라 고정된 의미를 갖는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제1항에 있어서,
상기 인터페이스는 상기 확률적 모델의 학습 과정의 단계마다 상기 확률적 모델의 파라메터 추론 결과를 표시할 수 있는 파라메터창을 포함하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제4항에 있어서,
상기 인터페이스는:
상기 확률적 모델을 통해 분석되는 상기 데이터를 표시하는 데이터창; 및
상기 확률적 모델을 통한 상기 데이터의 분석 결과를 표시하는 모델 결과창을 더 포함하며,
상기 데이터창에 한번에 표시될 수 있는 데이터의 개수 및 상기 모델 결과창에 한번에 표시될 수 있는 결과의 개수에 대한 최대치가 설정되어 있는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제3항에 있어서,
상기 디자인창을 통해 설계된 확률적 모델은, 상기 확률적 모델의 구조를 표현하는 표현식으로 저장될 수 있는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제6항에 있어서,
상기 디자인창을 통해 설계된 확률적 모델은 XML 파일 형태로 저장될 수 있는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제1항에 있어서,
상기 시뮬레이션 모듈은 상기 확률적 모델의 학습 과정의 단계별로 학습 결과가 저장되도록 하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제8항에 있어서,
상기 시뮬레이션 모듈은 상기 확률적 모델의 파라메터 추론 과정에 붕괴 깁스 샘플링(Collapsed Gibbs Sampling)을 이용하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제9항에 있어서,
상기 시뮬레이션 모듈은 상기 확률적 모델의 구조와 상기 파라메터 추론에 이용되는 파라메터 추론 공식 사이의 규칙성을 이용함으로써 상기 확률적 모델의 학습 과정을 단계별로 관찰할 수 있도록 하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
제1항 내지 제10항 중 어느 한 항에 있어서,
상기 확률적 모델은 토픽 마이닝 또는 깊음 믿음 네트워크(DBN)를 이용한 모델인 것을 특징으로 하는 확률적 모델 시뮬레이터.
제1항 내지 제10항 중 어느 한 항에 있어서,
상기 확률적 모델의 설계시 유니폼 분포 랜덤 변수, 선택용 랜덤 변수 또는 디리클레 다항분포 랜덤 변수를 이용하는 것을 특징으로 하는 확률적 모델 시뮬레이터.
데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델의 시뮬레이터를 위한 인터페이스로서,
상기 확률적 모델을 설계할 수 있도록 하는 디자인창; 및
상기 디자인창에 표현될 수 있는 객체를 표시하는 객체 옵션창
을 포함하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제13항에 있어서,
상기 확률적 모델은 상기 디자인창을 통해 베이지안 그래프로서 GUI 환경에서 표현되며
상기 베이지안 그래프에서 각 노드는 명칭에 따라 고정된 의미를 갖는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제13항에 있어서,
상기 인터페이스는 상기 확률적 모델의 학습 과정의 단계마다 상기 확률적 모델의 파라메터 추론 결과를 표시할 수 있는 파라메터창을 더 포함하는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제15항에 있어서,
상기 인터페이스는:
상기 확률적 모델을 통해 분석되는 상기 데이터를 표시하는 데이터창; 및
상기 확률적 모델을 통한 상기 데이터의 분석 결과를 표시하는 모델 결과창을 더 포함하며,
상기 데이터창에 한번에 표시될 수 있는 데이터의 개수 및 상기 모델 결과창에 한번에 표시될 수 있는 결과의 개수에 대한 최대치가 설정되어 있는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제13항에 있어서,
상기 디자인창을 통해 설계된 확률적 모델은, 상기 확률적 모델의 구조를 표현하는 표현식으로 저장될 수 있는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제17항에 있어서,
상기 디자인창을 통해 설계된 확률적 모델은 XML 파일 형태로 저장될 수 있는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제13항 내지 제18항 중 어느 한 항에 있어서,
상기 확률적 모델은 토픽 마이닝 또는 깊음 믿음 네트워크(DBN)를 이용한 모델인 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
제13항 내지 제18항 중 어느 한 항에 있어서,
상기 확률적 모델의 설계시 유니폼 분포 랜덤 변수, 선택용 랜덤 변수 또는 디리클레 다항분포 랜덤 변수를 이용하는 것을 특징으로 하는 확률적 모델 시뮬레이터를 위한 인터페이스.
데이터의 빈도 수에 기반하여 데이터를 분석하는 확률적 모델을 시뮬레이션하는 시뮬레이션 모듈로서,
상기 확률적 모델의 학습 과정을 단계적으로 관찰할 수 있도록 상기 학습 과정의 단계별로 학습 결과가 저장되도록 하는 것을 특징으로 하는 확률적 모델의 시뮬레이션 모듈.
제21항에 있어서,
상기 확률적 모델의 파라메터 추론 과정에 붕괴 깁스 샘플링(Collapsed Gibbs Sampling)을 이용하는 것을 특징으로 하는 확률적 모델의 시뮬레이션 모듈.
제21항에 있어서,
상기 확률적 모델의 구조와 상기 파라메터 추론에 이용되는 파라메터 추론 공식 사이의 규칙성을 이용함으로써 상기 확률적 모델의 학습 과정을 단계별로 관찰할 수 있도록 하는 것을 특징으로 하는 확률적 모델의 시뮬레이션 모듈.
제21항 내지 제23항 중 어느 한 항에 있어서,
상기 확률적 모델은 토픽 마이닝 또는 깊음 믿음 네트워크(DBN)를 이용한 모델인 것을 특징으로 하는 확률적 모델의 시뮬레이션 모듈.
제21항 내지 제23항 중 어느 한 항에 있어서,
상기 확률적 모델의 설계시 유니폼 분포 랜덤 변수, 선택용 랜덤 변수 또는 디리클레 다항분포 랜덤 변수를 이용하는 것을 특징으로 하는 확률적 모델의 시뮬레이션 모듈.