KR20190030434A - 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 - Google Patents
상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 Download PDFInfo
- Publication number
- KR20190030434A KR20190030434A KR1020170117877A KR20170117877A KR20190030434A KR 20190030434 A KR20190030434 A KR 20190030434A KR 1020170117877 A KR1020170117877 A KR 1020170117877A KR 20170117877 A KR20170117877 A KR 20170117877A KR 20190030434 A KR20190030434 A KR 20190030434A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- trademark
- neural network
- similarity determination
- brands
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/93—Document management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/11—Patent retrieval
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/912—Applications of a database
- Y10S707/923—Intellectual property
- Y10S707/93—Intellectual property intellectual property analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/912—Applications of a database
- Y10S707/923—Intellectual property
- Y10S707/937—Intellectual property intellectual property searching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어가 개시된다. 상기 방법은 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계; 상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및 상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함한다.
Description
본 발명은 상표 유사판단 방법에 관한 것으로, 보다 구체적으로 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법에 관한 것이다.
수 년 전부터 전 세계적으로 주목받아 온 딥러닝은 이제 인공지능 및 머신러닝 분야에서 가장 중요한 방법론이 되었다. 딥러닝은 딥 뉴럴 네트워크(DNN, deep neural networks)를 이용해 학습 데이터로부터 특징(feature)을 추출하고 활용하기 위한 알고리즘이다. 뉴럴 네트워크의 각 레이어는 하위 레이어에서 추출한 정보를 전달받은 후 이를 이용해 좀 더 추상화된 정보를 생성해 상위 레이어 전달한다. 여러 계층으로 구성된 뉴럴 네트워크는 여러 번의 추상화를 통해 매우 높은 수준의 특징을 추출할 수 있다. 고수준의 특징은 저수준의 특징보다 많은 정보를 포함하면서도 변이에도 강하기 때문에, 이를 이용해 인식을 수행할 경우 높고 안정적인 성능을 얻을 수 있다.
과거에는 방향성 소실 문제(Diminishing gradient problem) 등 이론적 문제와 학습 데이터 수집의 어려움, 계산 성능의 한계 등 여러 문제로 인해 딥 뉴럴 네트워크를 사용하는데 어려움이 있었다. 그러나, 새로운 학습 알고리즘이 개발되고 대용량 데이터 처리를 위한 기술이 발전함에 따라 이론적, 현실적 문제들이 극복되기 시작하면서 딥러닝은 다양한 분야에서 뛰어난 성능을 보이고 있다.
특히, 컨볼루션 뉴럴 네트워크(CNN, convolutional neural networks)는 여러 이미지 인식 컨테스트에서 다른 방법론들을 압도하는 성능을 보이며 시각 인식 분야에서 가장 중요한 방법론이 되었다.
컨볼루션 뉴럴 네트워크의 기원은 1980년대 Fukushima가 동물의 시각 처리과정을 모방해 만든 Neocognitron이다. 그후, 1990년대에 LeCun이 기울기 기반 학습 알고리즘(gradient-based learning algorithm)을 성공적으로 적용함으로써 현실적인 문제에 널리 사용되기 시작했다. 컨볼루션 뉴럴 네트워크의 탁월한 성능은 많은 연구자들의 폭발적인 관심을 끌었고, 따라서 컨볼루션 뉴럴 네트워크를 더 개선하거나 새로운 문제에 적용하기 위한 연구가 활발히 진행되고 있다. 또한, 이러한 연구 결과를 바탕으로 실제 제품 및 서비스에 적용하기 위한 시도가 활발해지고 있다.
본 발명은 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어를 제공하기 위함이다.
본 개시 내용의 예시적인 일 실시예에 따라, 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계; 상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및 상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함하는, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 제공할 수 있다.
본 개시 내용의 예시적인 다른 실시예에 따라, 컴퓨팅 디바이스의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계; 상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및 상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함하는, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
본 개시 내용의 예시적인 또 다른 실시예에 따라, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치로서, 하나 이상의 프로세서; 및 상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하며, 상기 하나 이상의 프로세서는: 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하고, 상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하며, 그리고 상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치를 제공할 수 있다.
본 개시는 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어를 제공할 수 있다.
상기 언급된 본 개시내용의 특징들이 상세하게, 보다 구체화된 설명으로, 이하의 실시예들을 참조하여 이해될 수 있도록, 실시예들 중 일부는 첨부되는 도면에서 도시된다. 또한, 도면과의 유사한 참조번호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭하는 것으로 의도된다. 그러나, 첨부된 도면들은 단지 본 개시내용의 특정한 전형적인 실시예들만을 도시하는 것일 뿐, 본 발명의 범위를 한정하는 것으로 고려되지는 않으며, 동일한 효과를 갖는 다른 실시예들이 충분히 인식될 수 있다는 점을 유의하도록 한다.
도 1은 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치의 블록 구성도(block diagram)이다.
도 1은 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치의 블록 구성도(block diagram)이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 및 소프트웨어를 의미할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다. 또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 설명하기 위한 도면이다.
본 발명의 일 실시예에서, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법은 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계; 상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및 상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함할 수 있다.
본 발명의 일 실시예에서, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법은 상기 트레이닝하는 단계 이후에, 기 출원된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하는 단계; 및 상기 입력된 기 출원된 상표 데이터로부터, 상표 데이터 각각의 피처 데이터를 생성하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에서, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법은 유사 판단 대상이 되는 상표 데이터를 수신하는 단계; 상기 수신된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하여, 대응하는 피처 데이터를 생성하는 단계; 상기 생성된 대응하는 피처 데이터에 기초하여, 상기 기 출원된 상표 데이터 중 유사 상표들을 선택하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에서, 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법에 있어서, 상기 딥 뉴럴 네트워크는, 컨벌루셔널 뉴럴 네트워크 구조를 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치의 블록 구성도(block diagram)이다.
도 2는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 발명이 일반적으로 하나 이상의 서버 내의 컴퓨터 또는 프로세서 상에서 실행될 수 있는 특징들과 관련하여 전술되었지만, 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 발명의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 발명의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 송수신(통신) 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
도 2에서는 본 발명의 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치(602)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경이 나타내어져 있으며, 컴퓨팅 장치(602)는 처리 장치(604), 시스템 메모리(606) 및 시스템 버스(608)를 포함한다. 시스템 버스(608)는 시스템 메모리(606)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(604)에 연결시킨다. 처리 장치(604)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(604)로서 이용될 수 있다.
시스템 버스(608)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(606)는 판독 전용 메모리(ROM)(610) 및 랜덤 액세스 메모리(RAM)(612)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(610)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨팅 장치(602) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(612)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨팅 장치(602)는 또한 내장형 하드 디스크 드라이브(HDD)(614)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(614)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(616)(예를 들어, 이동식 디스켓(618)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(620)(예를 들어, CD-ROM 디스크(622)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(614), 자기 디스크 드라이브(616) 및 광 디스크 드라이브(620)는 각각 하드 디스크 드라이브 인터페이스(624), 자기 디스크 드라이브 인터페이스(626) 및 광 드라이브 인터페이스(628)에 의해 시스템 버스(608)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(624)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독 가능 저장 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨팅 장치(602)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독 가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독 가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(630), 하나 이상의 애플리케이션 프로그램(632), 기타 프로그램 모듈(634) 및 프로그램 데이터(636)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(612)에 저장될 수 있다. 여기서 프로그램 모듈(634)은 허브 모듈(2000)을 포함할 수 있다. 또한, 프로그램 모듈(634)은 DBMS 모듈(3000)을 포함할 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(612)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(638) 및 마우스(640) 등의 포인팅 장치를 통해 컴퓨팅 장치(602)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(608)에 연결되어 있는 입력 장치 인터페이스(642)를 통해 처리 장치(604)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(644) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(646) 등의 인터페이스를 통해 시스템 버스(608)에 연결된다. 모니터(644)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨팅 장치(602)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(648) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(648)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨팅 장치(602)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(650)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(652) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(654)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨팅 장치(602)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(656)를 통해 로컬 네트워크(652)에 연결된다. 어댑터(656)는 LAN(652)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(652)은 또한 무선 어댑터(656)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨팅 장치(602)는 모뎀(658)을 포함할 수 있거나, WAN(654) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(654)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(658)은 직렬 포트 인터페이스(642)를 통해 시스템 버스(608)에 연결된다. 네트워크화된 환경에서, 컴퓨팅 장치(602)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(650)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨팅 장치(602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출 가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.6(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 6Mbps(802.6a) 또는 54 Mbps(802.6b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독 가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독 가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독 가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유할 수 있는 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (9)
- 상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계;
상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및
상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함하는,
학습된 딥러닝 엔진을 이용한 상표 유사판단 방법. - 제 1 항에 있어서,
상기 트레이닝하는 단계 이후에,
기 출원된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하는 단계; 및
상기 입력된 기 출원된 상표 데이터로부터, 상표 데이터 각각의 피처 데이터를 생성하는 단계를 더 포함하는,
학습된 딥러닝 엔진을 이용한 상표 유사판단 방법. - 제 2 항에 있어서,
유사 판단 대상이 되는 상표 데이터를 수신하는 단계;
상기 수신된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하여, 대응하는 피처 데이터를 생성하는 단계; 및
상기 생성된 대응하는 피처 데이터에 기초하여, 상기 기 출원된 상표 데이터 중 유사 상표들을 선택하는 단계를 더 포함하는,
학습된 딥러닝 엔진을 이용한 상표 유사판단 방법. - 제 1 항에 있어서,
상기 딥 뉴럴 네트워크는,
컨벌루셔널 뉴럴 네트워크 구조를 포함하는,
학습된 딥러닝 엔진을 이용한 상표 유사판단 방법. - 컴퓨팅 디바이스의 하나 이상의 프로세서에 의해 실행되는 복수의 명령들을 포함하는, 컴퓨터 판독가능 저장 매체(computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하는 단계;
상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하는 단계; 및
상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는 단계를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램. - 제 5 항에 있어서,
상기 트레이닝하는 단계 이후에,
기 출원된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하는 단계; 및
상기 입력된 기 출원된 상표 데이터로부터, 상표 데이터 각각의 피처 데이터를 생성하는 단계를 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램. - 제 6 항에 있어서,
유사 판단 대상이 되는 상표 데이터를 수신하는 단계;
상기 수신된 상표 데이터를 상기 딥 뉴럴 네트워크에 입력하여, 대응하는 피처 데이터를 생성하는 단계; 및
상기 생성된 대응하는 피처 데이터에 기초하여, 상기 기 출원된 상표 데이터 중 유사 상표들을 선택하는 단계를 더 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램. - 제 5 항에 있어서,
상기 딥 뉴럴 네트워크는,
컨벌루셔널 뉴럴 네트워크 구조를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램. - 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치로서,
하나 이상의 프로세서; 및
상기 하나 이상의 프로세서에서 실행가능한 명령들을 저장하는 메모리;
를 포함하며,
상기 하나 이상의 프로세서는:
상표 출원에 대한 판단 결과를 포함하는 문서 데이터로부터, 상표 출원에 대한 거절이유 데이터를 생성하고,
상기 거절이유 데이터로부터, 둘 이상의 상표 및 상기 둘 이상의 상표에 대한 유사 판단 결과를 포함하는 라벨링된 트레이닝 데이터를 생성하며, 그리고
상기 라벨링된 트레이닝 데이터를 이용하여, 딥 뉴럴 네트워크를 트레이닝 하는,
학습된 딥러닝 엔진을 이용한 상표 유사판단 방법을 구현하기 위한 컴퓨팅 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170117877A KR20190030434A (ko) | 2017-09-14 | 2017-09-14 | 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170117877A KR20190030434A (ko) | 2017-09-14 | 2017-09-14 | 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190030434A true KR20190030434A (ko) | 2019-03-22 |
Family
ID=65949329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170117877A KR20190030434A (ko) | 2017-09-14 | 2017-09-14 | 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190030434A (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102234385B1 (ko) | 2020-12-22 | 2021-03-31 | 주식회사 드림비트 | 상표 검색 방법 및 장치 |
| CN113326888A (zh) * | 2021-06-17 | 2021-08-31 | 北京百度网讯科技有限公司 | 标注能力信息确定方法、相关装置及计算机程序产品 |
| KR20220090262A (ko) | 2020-12-22 | 2022-06-29 | 주식회사 드림비트 | 상표 검색 모델 및 상표 검색 모델의 학습 방법 |
| KR20230020116A (ko) | 2021-08-03 | 2023-02-10 | 박병규 | 상표 관련 서비스를 제공하는 컴퓨팅 장치 및 그 방법 |
-
2017
- 2017-09-14 KR KR1020170117877A patent/KR20190030434A/ko not_active Application Discontinuation
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102234385B1 (ko) | 2020-12-22 | 2021-03-31 | 주식회사 드림비트 | 상표 검색 방법 및 장치 |
| KR20220090367A (ko) | 2020-12-22 | 2022-06-29 | 주식회사 드림비트 | 상표 검색 방법 및 장치 |
| KR20220090262A (ko) | 2020-12-22 | 2022-06-29 | 주식회사 드림비트 | 상표 검색 모델 및 상표 검색 모델의 학습 방법 |
| CN113326888A (zh) * | 2021-06-17 | 2021-08-31 | 北京百度网讯科技有限公司 | 标注能力信息确定方法、相关装置及计算机程序产品 |
| CN113326888B (zh) * | 2021-06-17 | 2023-10-31 | 北京百度网讯科技有限公司 | 标注能力信息确定方法、相关装置及计算机程序产品 |
| KR20230020116A (ko) | 2021-08-03 | 2023-02-10 | 박병규 | 상표 관련 서비스를 제공하는 컴퓨팅 장치 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | From semantic communication to semantic-aware networking: Model, architecture, and open problems | |
| US12001475B2 (en) | Mobile image search system | |
| KR20190030434A (ko) | 상표 유사판단 결과에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사판단 방법, 장치 및 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 소프트웨어 | |
| CN107251060A (zh) | 针对序列标签器的预训练和/或迁移学习 | |
| Yin et al. | GANs Based Density Distribution Privacy‐Preservation on Mobility Data | |
| Panigrahi et al. | Big data and cyber foraging: future scope and challenges | |
| CN110322003B (zh) | 一种用于文档分类的基于梯度的通过添加虚假节点的图对抗样本生成方法 | |
| CN108536753A (zh) | 重复信息的确定方法及相关装置 | |
| Liu et al. | Recent advances on federated learning: A systematic survey | |
| KR102111002B1 (ko) | 컨텐츠 처리 방법 | |
| CN112968872A (zh) | 基于自然语言处理的恶意流量检测方法、系统、终端 | |
| Haldorai et al. | Cognitive social mining applications in data analytics and forensics | |
| KR20190030435A (ko) | 자연어 처리를 이용한 지정상품 추천 방법, 장치 및 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| CN112036580A (zh) | 用于联盟学习的方法、装置及联盟学习系统 | |
| Zhu et al. | Application of data mining technology in detecting network intrusion and security maintenance | |
| Jin et al. | Byzantine-robust and efficient federated learning for the internet of things | |
| US11363064B2 (en) | Identifying spam using near-duplicate detection for text and images | |
| Pan et al. | Detection of dummy trajectories using convolutional neural networks | |
| CN116778306A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
| US20160378774A1 (en) | Predicting Geolocation Of Users On Social Networks | |
| CN108111968B (zh) | 一种基于泛化的位置隐私保护方法 | |
| CN111860655B (zh) | 用户的处理方法、装置和设备 | |
| Qin et al. | Adaptive In‐Network Collaborative Caching for Enhanced Ensemble Deep Learning at Edge | |
| KR20230080816A (ko) | 상표 유사판단 결과 데이터에 기초하여 학습된 딥러닝 엔진을 이용한 상표 유사 상표 검색 방법 및 장치 | |
| Li et al. | Cost‐Sensitive Approach to Improve the HTTP Traffic Detection Performance on Imbalanced Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |