KR20190092217A - Device for ensembling data and operating method thereof - Google Patents
Device for ensembling data and operating method thereof Download PDFInfo
- Publication number
- KR20190092217A KR20190092217A KR1020180081304A KR20180081304A KR20190092217A KR 20190092217 A KR20190092217 A KR 20190092217A KR 1020180081304 A KR1020180081304 A KR 1020180081304A KR 20180081304 A KR20180081304 A KR 20180081304A KR 20190092217 A KR20190092217 A KR 20190092217A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- ensemble
- model
- health
- prediction
- Prior art date
Links
- 238000011017 operating method Methods 0.000 title claims abstract description 4
- 230000036541 health Effects 0.000 claims abstract description 148
- 238000000034 method Methods 0.000 abstract description 21
- 238000012549 training Methods 0.000 description 117
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 208000023504 respiratory system disease Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 미래 건강 예측을 위한 데이터의 처리에 관한 것으로, 좀 더 구체적으로 복수의 건강 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법에 관한 것이다.The present invention relates to the processing of data for future health prediction, and more particularly, to an apparatus for ensembling data received from a plurality of health prediction devices and a method of operating the same.
건강한 삶을 영위하기 위하여, 현재의 질병을 치료하는 것에서 나아가 미래의 건강 상태를 예측하기 위한 요구가 제기되고 있다. 미래의 건강 상태를 예측하기 위하여, 빅데이터를 분석하여 질병을 진단하거나 미래의 질병 위험도를 예측하고자 하는 수요가 증가하고 있다. 산업 기술과 정보 통신 기술의 발달은 빅데이터의 구축을 지원하고 있다. 그리고, 이러한 빅데이터를 이용하여, 컴퓨터와 같은 전자 장치를 학습시켜, 다양한 서비스를 제공하는 인공 지능과 같은 기술이 대두되고 있다. 특히, 미래의 건강 상태를 예측하기 위하여, 다양한 의료 데이터 또는 건강 데이터 등을 이용한 학습 모델을 구축하는 방안이 제안되고 있다. In order to lead a healthy life, there is a demand for predicting future health conditions in addition to treating current diseases. In order to predict future health conditions, there is an increasing demand for analyzing big data to diagnose diseases or to predict future disease risks. The development of industrial technology and information and communication technology is supporting the construction of big data. In addition, technology such as artificial intelligence, which provides various services by learning electronic devices such as computers using such big data, has emerged. In particular, in order to predict future health conditions, a method of constructing a learning model using various medical data or health data has been proposed.
정확한 예측을 위해서는 데이터의 규모가 클수록 유리하지만, 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등 다양한 원인으로, 다양한 의료 기관들끼리의 데이터 공유 등은 사실상 어려울 수 있다. 이로 인하여, 의료 데이터의 하나로 통합된 빅데이터 구축은 사실상 어려운 실정이다. 이러한 의료 데이터 특유의 문제점에 대한 방안으로, 다기관의 통합된 빅데이터에 대한 단일 예측기를 구축하는 대신 다양한 의료 기관들에서 개별적으로 구축된 데이터로 개별 예측 모델을 학습하고, 이들의 예측 결과를 환자의 미래 건강 상태의 예측에 활용하는 방안이 모색되고 있다. Larger data is advantageous for accurate predictions, but sharing data among various medical institutions can be virtually difficult due to a variety of reasons, including ethical, legal, and personal privacy issues. For this reason, it is difficult to construct big data integrated as one of medical data. As a solution to the unique problems of medical data, instead of constructing a single predictor for multi-organized integrated big data, the individual predictive models are trained with data that are individually constructed from various medical institutions, and the results of these predictions are analyzed. It is looking for ways to use it to predict future health conditions.
본 발명은 미래의 건강 상태 예측의 신뢰성, 정확성, 및 효율성을 확보할 수 있도록, 복수의 건강 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법을 제공할 수 있다.The present invention can provide an apparatus for ensembling data received from a plurality of health prediction devices and a method of operating the same so as to secure reliability, accuracy, and efficiency of a future health condition prediction.
본 발명의 실시예에 따른 앙상블 예측 장치의 동작 방법에 의하여, 복수의 건강 예측 장치들로부터 수신된 데이터가 앙상블된다. 앙상블 예측 장치의 동작 방법은 원시 학습 데이터를 제1 건강 예측 장치 및 제2 건강 예측 장치에 제공하는 단계, 제1 건강 예측 장치로부터 원시 학습 데이터에 기초하여 생성된 제1 학습 결과 데이터를 수신하는 단계, 제2 건강 예측 장치로부터 원시 학습 데이터에 기초하여 생성된 제2 학습 결과 데이터를 수신하는 단계, 제1 및 제2 학습 결과 데이터 각각에 포함된 특징 데이터 중 동일한 특징을 갖는 특징 데이터 간의 상관 관계에 기초하여, 특징 별로 제1 및 제2 건강 예측 장치들 각각에 대한 가중치를 제공하는 타겟 관계 모델을 생성하는 단계, 제1 또는 제2 학습 결과 데이터에 포함된 특징 데이터 중 서로 다른 특징을 갖는 특징 데이터 사이의 상관 관계에 기초하여 서로 다른 특징 각각에 대한 가중치를 제공하는 특징 관계 모델을 생성하는 단계, 및 타겟 관계 모델 및 특징 관계 모델을 병합하여 앙상블 모델을 구축하는 단계를 포함한다.By the method of operating the ensemble prediction apparatus according to the embodiment of the present invention, data received from the plurality of health prediction apparatuses is ensemble. The operating method of the ensemble prediction apparatus includes providing raw training data to the first health prediction apparatus and the second health prediction apparatus, and receiving first learning result data generated based on the raw learning data from the first health prediction apparatus. Receiving second learning result data generated based on the raw learning data from the second health prediction apparatus, and comparing the feature data having the same feature among the feature data included in each of the first and second learning result data. On the basis of the step of generating a target relationship model for providing a weight for each of the first and second health prediction apparatus for each feature, feature data having a different feature of the feature data included in the first or second learning result data Generating a feature relationship model that provides a weight for each of the different features based on the correlation therebetween, And merging the target relationship model and the feature relationship model to build an ensemble model.
본 발명의 실시예에 따른 앙상블 예측 장치는 네트워크 인터페이스, 앙상블 모델 학습부, 건강 예측부, 및 프로세서를 포함한다. 네트워크 인터페이스는 원시 학습 데이터 또는 의료 데이터를 복수의 건강 예측 장치들에 제공하고, 원시 학습 데이터 및 의료 데이터에 기초하여 복수의 건강 예측 장치들로부터 생성된 학습 결과 데이터 및 복수의 건강 예측 장치들에 대한 복수의 메타 정보들을 수신한다. 앙상블 모델 학습부는 복수의 메타 정보들 사이의 유사도에 기초하여 타겟 학습 데이터를 선별하여 앙상블 학습 데이터를 구축하고, 타겟 학습 데이터 사이의 상관 관계 및 타겟 학습 데이터 각각에 포함된 특징 데이터 사이의 상관 관계에 기초하여 앙상블 모델을 생성한다. 건강 예측부는 의료 데이터에 의해 생성된 결과 데이터를 앙상블 모델에 입력하여 사용자의 건강 상태를 예측한다. 프로세서는 네트워크 인터페이스 및 앙상블 모델 학습부, 및 건강 예측부를 제어한다.An ensemble prediction apparatus according to an embodiment of the present invention includes a network interface, an ensemble model learner, a health predictor, and a processor. The network interface provides raw learning data or medical data to the plurality of health prediction devices, and the training result data generated from the plurality of health prediction devices and the plurality of health prediction devices based on the raw learning data and the medical data. Receive a plurality of meta information. The ensemble model learning unit constructs the ensemble training data by selecting target training data based on the similarity between the plurality of meta informations, and applies the correlation between the target training data and the feature data included in each target training data. Generate an ensemble model based on that. The health prediction unit inputs the result data generated by the medical data into the ensemble model to predict the health state of the user. The processor controls the network interface and the ensemble model learner and the health predictor.
본 발명의 실시예에 따른 데이터를 앙상블하는 장치 및 이의 동작 방법은 타겟 학습 데이터를 선별하여, 앙상블 모델을 생성함으로써 다수의 유사한 타겟 학습 데이터에 의한 오버피팅을 완화시킬 수 있다. An apparatus for ensembling data and an operation method thereof according to an embodiment of the present invention may reduce overfitting by a plurality of similar target training data by selecting target training data and generating an ensemble model.
또한, 본 발명의 실시예에 따른 데이터를 앙상블하는 장치 및 이의 동작 방법은 앙상블 모델의 학습 시에 타겟 학습 데이터 사이의 상관 관계 및 타겟 학습 데이터 각각에 포함된 특징 데이터 사이의 상관 관계를 분리하여 학습함으로써, 복수의 건강 예측 장치들 간의 특성 및 학습 데이터의 특성이 종합적으로 고려되어 앙상블 모델의 성능을 향상시킬 수 있다.In addition, the apparatus for ensembling data according to an embodiment of the present invention and a method of operating the same may be performed by separating correlation between target training data and feature data included in each target training data when the ensemble model is trained. As a result, characteristics of the plurality of health prediction apparatuses and characteristics of the training data may be comprehensively considered to improve performance of the ensemble model.
도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다.
도 2는 도 1의 앙상블 예측 장치의 예시적인 블록도이다.
도 3은 도 2의 앙상블 예측 장치의 동작 방법에 대한 순서도이다.
도 4는 도 3의 S130 단계를 구체화한 순서도이다.
도 5는 도 4의 S131 단계를 구체적으로 설명하기 위한 도면이다.
도 6은 도 4의 S132 단계를 구체적으로 설명하기 위한 도면이다.
도 7은 도 4의 S133 단계를 구체적으로 설명하기 위한 도면이다.
도 8은 도 4의 S134 단계를 구체적으로 설명하기 위한 도면이다.1 is a diagram illustrating a health state prediction system according to an embodiment of the present invention.
FIG. 2 is an exemplary block diagram of the ensemble prediction apparatus of FIG. 1.
3 is a flowchart illustrating a method of operating the ensemble prediction apparatus of FIG. 2.
4 is a flowchart embodying operation S130 of FIG. 3.
FIG. 5 is a diagram for specifically describing operation S131 of FIG. 4.
FIG. 6 is a diagram for specifically describing operation S132 of FIG. 4.
FIG. 7 is a diagram for specifically describing operation S133 of FIG. 4.
FIG. 8 is a diagram for specifically describing operation S134 of FIG. 4.
아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재된다.In the following, embodiments of the present invention are described clearly and in detail so that those skilled in the art can easily practice the present invention.
도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다. 도 1을 참조하면, 건강 상태 예측 시스템(100)은 제1 내지 제n 건강 예측 장치들(111~11n), 단말기(120), 앙상블 예측 장치(130), 및 네트워크(140)를 포함한다. 설명의 편의상, 건강 예측 장치들의 개수가 n개인 것으로 도시하였으나, 건강 예측 장치들의 개수는 제한되지 않고 복수로 제공될 수 있다.1 is a diagram illustrating a health state prediction system according to an embodiment of the present invention. Referring to FIG. 1, the health
제1 내지 제n 건강 예측 장치들(111~11n) 각각은 개별적으로 구축된 예측 모델에 기초하여 사용자의 건강 상태를 예측할 수 있다. 여기에서, 예측 모델은 시계열 의료 데이터를 이용하여, 미래 시점의 건강 상태를 예측하기 위하여 모델화된 구조일 수 있다. 제1 내지 제n 건강 예측 장치들(111~11n) 각각은 제1 내지 제n 학습 데이터(11~1n)을 이용하여 예측 모델을 생성하고 학습할 수 있다. 제1 내지 제n 건강 예측 장치들(111~11n) 각각은 서로 다른 의료 기관 또는 공공 기관에 제공될 수 있다. 제1 내지 제n 학습 데이터(11~1n)은 기관들 각각의 예측 모델 생성 및 학습을 위하여, 개별적으로 데이터베이스화될 수 있다. 서로 다른 의료 기관 또는 공공 기관은 개별적으로 예측 모델을 학습하고, 이러한 학습에 따라 구축된 예측 모델에 사용자의 시계열 의료 데이터를 적용하여, 사용자의 미래 시점에 대한 건강 상태를 예측할 수 있다.Each of the first to n-th health predicting
제1 내지 제n 건강 예측 장치들(111~11n) 각각은 네트워크(140)를 통하여, 앙상블 예측 장치(130)로부터 원시 학습 데이터(31)를 수신할 수 있다. 여기에서, 원시 학습 데이터(31)는 앙상블 예측 장치(130)에 구축되는 앙상블 모델을 학습하기 위한 데이터로 이해될 수 있다. 제1 내지 제n 건강 예측 장치들(111~11n) 각각은 원시 학습 데이터(31)를 구축된 예측 모델에 적용하여 제1 내지 제n 학습 결과 데이터를 생성할 수 있다. 여기에서, 제1 내지 제n 학습 결과 데이터는 원시 학습 데이터(31)에 따라 제1 내지 제n 건강 예측 장치들(111~11n) 각각이 미래 건강 상태를 예측한 결과 데이터로 이해될 수 있다. 제1 내지 제n 학습 결과 데이터는 네트워크(140)를 통하여, 앙상블 예측 장치(130)로 제공될 수 있다.Each of the first to nth
제1 내지 제n 학습 결과 데이터는 서로 다른 예측 모델에 기초하여 생성되므로, 서로 다른 데이터 값을 가질 수 있다. 제1 내지 제n 건강 예측 장치들(111~11n) 각각은 서로 다른 의료 데이터, 즉 서로 다른 제1 내지 제n 학습 데이터(11~1n)을 기반으로 예측 모델을 학습 및 구축하기 때문이다. 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등, 의료 데이터의 특성으로 인하여, 의료 기관 별로 데이터를 공유하기 어렵고, 빅데이터화가 어렵다. 따라서, 제1 내지 제n 건강 예측 장치들(111~11n)이 개별적으로 예측 모델을 구축하되, 앙상블 예측 장치(130)에서 제1 내지 제n 건강 예측 장치들(111~11n)로부터 예측된 결과 데이터를 앙상블함으로써, 다양한 데이터 학습이 고려된 미래 건강 예측이 가능할 수 있다.Since the first to n-th learning result data are generated based on different prediction models, they may have different data values. This is because each of the first to nth
단말기(120)는 사용자의 미래 건강 예측을 위한 요청 신호를 제공할 수 있다. 단말기(120)는 스마트폰, 데스크탑, 랩탑, 웨어러블 장치 등 요청 신호를 제공할 수 있는 전자 장치일 수 있다. 예를 들어, 단말기(120)는 네트워크(140)를 통하여, 앙상블 예측 장치(130)에 요청 신호를 제공할 수 있고, 건강 상태 예측 시스템(100)은 제1 내지 제n 건강 예측 장치들(111~11n) 및 앙상블 예측 장치(130)를 이용하여 사용자의 건강 상태를 진단하거나, 미래 건강 상태를 예측할 수 있다. 이를 위하여, 단말기(120)는 요청 신호와 함께 시계열 의료 데이터를 앙상블 예측 장치(130)에 제공할 수 있다. 시계열 의료 데이터는 진단, 치료, 검사, 또는 투약 처방 등에 의하여 생성된 사용자의 건강 상태를 나타내는 데이터를 의미할 수 있고, 예시적으로, EMR(Electronic Medical Record) 데이터 또는 PHR(Personal Health Record) 데이터일 수 있다.The
앙상블 예측 장치(130)는 제1 내지 제n 학습 결과 데이터를 이용하여 앙상블 모델을 학습한다. 여기에서, 앙상블 모델은 제1 내지 제n 건강 예측 장치들(111~11n) 각각이 건강 상태를 예측한 학습 결과 데이터를 앙상블하여, 미래 건강 상태를 최종 예측하기 위하여 모델화된 구조일 수 있다. 상술된 바와 같이, 앙상블 예측 장치(130)는 원시 학습 데이터(31)를 제1 내지 제n 건강 예측 장치들(111~11n) 각각이 학습한 결과인 제1 내지 제n 학습 결과 데이터를 수신한다. 앙상블 예측 장치(130)는 제1 내지 제n 학습 결과 데이터를 통합하여 앙상블 학습 데이터(32)를 생성할 수 있다. 앙상블 예측 장치(130)는 앙상블 학습 데이터(32)에 기초하여 앙상블 모델을 학습한다.The
앙상블 모델은 제1 내지 제n 건강 예측 장치들(111~11n)의 다양성(diversity)이 클수록, 높은 성능을 가질 수 있다. 이러한 다양성은 각각의 건강 예측 장치들에 구축된 예측 모델들의 알고리즘의 다양성, 예측 모델들 각각에 제공되는 데이터 값의 다양성, 및 데이터에 포함된 특징(feature; 예를 들어, 혈압, 콜레스테롤 수치 등)들의 다양성에 기초하여 결정될 수 있다. 다만, 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n)에 구축된 예측 모델들에 직접적으로 개입할 수 없다. 따라서, 각각의 예측 모델들이 서로 유사한 데이터, 알고리즘, 또는 특징에 의한 학습 결과로 생성된 경우, 유사하지 않은 데이터에 대하여 정확성이 급격히 감소하는 오버피팅(overfitting)이 발생될 수 있다. The ensemble model may have higher performance as the diversity of the first to nth
앙상블 예측 장치(130)는 오버피팅을 완화시키기 위하여, 타겟 학습 데이터를 선별할 수 있다. 타겟 학습 데이터는 앙상블 모델을 학습하기 위하여 제1 내지 제n 학습 결과 데이터 중 선택된 학습 데이터일 수 있다. 타겟 학습 데이터를 선별하기 위하여, 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n) 각각으로부터 제1 내지 제n 메타 정보들을 수신할 수 있다. 제1 내지 제n 메타 정보들 각각은 해당 건강 예측 장치가 학습하는 특징, 알고리즘, 및 규모 등에 대한 정보를 포함할 수 있다. 앙상블 예측 장치(130)는 제1 내지 제n 메타 정보들 사이의 유사도에 기초하여 타겟 학습 데이터를 선별하고, 선별된 타겟 학습 데이터를 통합하여 앙상블 학습 데이터(32)를 생성할 수 있다. 여기에서, 통합은 단순한 데이터의 나열 또는 결합으로 이해될 수 있다. 구체적인 타겟 학습 데이터의 선별 과정은 후술된다.The
앙상블 예측 장치(130)는 앙상블 학습 데이터(32)에 기초하여 타겟 학습 데이터 사이의 상관 관계 및 타겟 학습 데이터에 포함된 특징 데이터(이하, 특징)들 사이의 상관 관계에 기초하여 앙상블 모델을 생성할 수 있다. 앙상블 예측 장치(130)는 앙상블 학습 데이터(32)를 특징 별로 분류하여 타겟 관계 모델에 입력함으로써, 타겟 관계 모델을 생성 및 학습시킬 수 있다. 이러한 타겟 관계 모델은 타겟 학습 데이터 사이의 상관 관계를 분석하는데 이용될 수 있다. 앙상블 예측 장치(130)는 앙상블 학습 데이터(32)를 학습 데이터 별로 분류하여 특징 관계 모델에 입력함으로써, 특징 관계 모델을 생성 및 학습시킬 수 있다. 이러한 특징 관계 모델은 특징들 사이의 상관 관계를 분석하는데 이용될 수 있다. 이후, 앙상블 예측 장치(130)는 타겟 관계 모델 및 특징 관계 모델을 병합(머징)하고, 튜닝하여, 앙상블 모델을 최적화할 수 있다. 구체적인 앙상블 모델의 생성 과정은 후술된다.The
앙상블 예측 장치(130)는 앙상블 모델에 기초하여, 사용자의 미래 건강 상태를 예측 및 분석할 수 있다. 단말기(120)의 요청에 따라, 앙상블 예측 장치(130)는 시계열 의료 데이터를 제1 내지 제n 건강 예측 장치들(111~11n)에 제공할 수 있다. 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n) 각각으로부터 제1 내지 제n 예측 결과 데이터를 수신할 수 있다. 앙상블 예측 장치(130)는 앙상블 모델에 기초하여 제1 내지 제n 예측 결과 데이터를 앙상블하여, 사용자의 미래 건강 상태를 예측할 수 있다.The
네트워크(140)는 제1 내지 제n 건강 예측 장치들(111~11n), 단말기(120), 앙상블 예측 장치(130) 사이의 데이터 통신이 수행되도록 구성될 수 있다. 제1 내지 제n 건강 예측 장치들(111~11n), 단말기(120), 앙상블 예측 장치(130)는 네트워크(140)를 통하여, 유선 또는 무선으로 데이터를 주고 받을 수 있다. 도 1에 도시된 바와 달리, 제1 내지 제n 건강 예측 장치들(111~11n)과 앙상블 예측 장치(130) 사이의 데이터 통신을 수행하기 위한 네트워크와 단말기(120)와 앙상블 예측 장치(130) 사이의 데이터 통신을 수행하기 위한 네트워크는 서로 분리될 수 있다.The
도 2는 도 1의 앙상블 예측 장치의 예시적인 블록도이다. 도 2의 블록도는 앙상블 모델을 생성 및 학습하고, 앙상블 모델을 이용하여 미래 건강 상태를 예측 또는 분석하기 위한 예시적인 구성으로 이해될 것이고, 앙상블 예측 장치(130)의 구조가 이에 제한되지 않을 것이다. 도 2를 참조하면, 앙상블 예측 장치(130)는 네트워크 인터페이스(131), 프로세서(132), 메모리(133), 스토리지(136), 및 버스(137)를 포함할 수 있다. 예시적으로, 앙상블 예측 장치(130)는 서버로 구현될 수 있으나, 이에 제한되지 않는다. 설명의 편의상 도 1의 도면 부호를 참조하여, 도 2가 설명된다.FIG. 2 is an exemplary block diagram of the ensemble prediction apparatus of FIG. 1. The block diagram of FIG. 2 will be understood as an exemplary configuration for generating and learning an ensemble model and predicting or analyzing future health conditions using the ensemble model, and the structure of the
네트워크 인터페이스(131)는 도 1의 네트워크(140)를 통하여 제1 내지 제n 건강 예측 장치들(111~11n), 단말기(120)와 통신할 수 있도록 구성된다. 예를 들어, 앙상블 모델의 생성을 위하여, 네트워크 인터페이스(131)는 제1 내지 제n 건강 예측 장치들(111~11n)에 원시 학습 데이터(31)를 제공할 수 있다. 네트워크 인터페이스(131)는 제1 내지 제n 건강 예측 장치들(111~11n)의 분석 결과인 제1 내지 제n 학습 결과 데이터를 수신하고, 이를 버스(137)를 통하여 프로세서(132), 메모리(133), 또는 스토리지(136)에 제공할 수 있다. The
사용자의 미래 건강 예측 또는 분석을 위하여, 네트워크 인터페이스(131)는 단말기(120)로부터 요청 신호 및 시계열 의료 데이터를 수신할 수 있고, 시계열 의료 데이터를 제1 내지 제n 건강 예측 장치들(111~11n)에 제공할 수 있다. 네트워크 인터페이스(131)는 1 내지 제n 건강 예측 장치들(111~11n)로부터 제1 내지 제n 예측 결과 데이터를 수신하고, 이를 버스(137)를 통하여 프로세서(132), 메모리(133), 또는 스토리지(136)에 제공할 수 있다. 네트워크 인터페이스(131)는 제1 내지 제n 예측 결과 데이터를 앙상블한 결과 생성된 미래 건강 상태의 최종 예측 결과를 단말기(120)에 제공할 수 있다.In order to predict or analyze a future health of a user, the
프로세서(132)는 앙상블 예측 장치(130)의 중앙 처리 장치로의 기능을 수행할 수 있다. 프로세서(132)는 앙상블 모델의 생성 및 학습, 그리고 앙상블 모델에 기초한 미래 건강 예측 및 분석을 위하여 요구되는 제어 동작 및 연산 동작을 수행할 수 있다. 예를 들어, 프로세서(132)의 제어에 따라, 네트워크 인터페이스(131)는 원시 학습 데이터(31) 또는 시계열 의료 데이터를 제1 내지 제n 건강 예측 장치들(111~11n)에 제공하고, 학습 결과 데이터 또는 예측 결과 데이터를 수신할 수 있다. 프로세서(132)의 제어에 따라, 앙상블 모델을 생성하기 위한 타겟 학습 데이터 선별 동작, 타겟 관계 모델 및 특징 관계 모델의 학습 동작 등이 수행될 수 있다. 프로세서(132)는 메모리(133)의 연산 공간을 활용하여 동작할 수 있고, 스토리지(136)로부터 운영체제를 구동하기 위한 파일들 및 어플리케이션의 실행 파일들을 읽을 수 있다. 프로세서(132)는 운영 체제 및 다양한 어플리케이션들을 실행할 수 있다.The
메모리(133)는 프로세서(132)에 의하여 처리되거나 처리될 예정인 데이터 및 프로세스 코드들을 저장할 수 있다. 예를 들어, 메모리(133)는 원시 학습 데이터(31), 제1 내지 제n 학습 결과 데이터, 타겟 학습 데이터를 선별하기 위한 정보들, 앙상블 학습 데이터(32), 또는 앙상블 모델을 구축하기 위한 정보들을 저장할 수 있다. 또한, 메모리(133)는 시계열 의료 데이터, 건강 예측 장치들로부터 제공된 예측 결과 데이터, 또는 앙상블 결과 미래 건강에 대한 최종 예측 결과에 대한 정보들을 저장할 수 있다. 메모리(133)는 앙상블 예측 장치(130)의 주기억 장치로 이용될 수 있다. 메모리(133)는 DRAM (Dynamic RAM), SRAM (Static RAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.The
메모리(133)는 앙상블 모델 학습부(134) 및 건강 예측부(135)를 포함할 수 있다. 앙상블 모델 학습부(134) 및 건강 예측부(135)는 메모리(133)의 연산 공간의 일부일 수 있다. 이 경우, 앙상블 모델 학습부(134) 및 건강 예측부(135)는 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 스토리지(136)에 저장되고, 펌웨어를 실행 시에 메모리(133)에 로딩될 수 있다. 프로세서(132)는 메모리(133)에 로딩된 펌웨어를 실행할 수 있다. 앙상블 모델 학습부(134)는 프로세서(132)의 제어 하에 앙상블 모델을 생성 및 학습하도록 동작될 수 있다. 건강 예측부(135)는 프로세서(132)의 제어 하에 앙상블 모델을 이용하여 사용자의 미래 건강 상태를 예측 및 분석하도록 동작될 수 있다. 앙상블 모델 학습부(134) 및 건강 예측부(135)의 구체적인 동작은 후술된다.The
도 2에 도시된 바와 달리, 앙상블 모델 학습부(134) 및 건강 예측부(135)는 앙상블 모델을 구축하고, 사용자의 미래 건강 상태를 예측하기 위한 별도의 하드웨어로 구현될 수 있다. 예를 들어, 앙상블 모델 학습부(134) 및 건강 예측부(135)는 인공 신경망을 통한 학습을 수행하여 앙상블 모델을 구축하기 위한 뉴로모픽 칩 등으로 구현되거나, FPGA(Field Programmable Gate Aray) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등으로 구현될 수 있다.Unlike FIG. 2, the
스토리지(136)는 운영 체제 또는 어플리케이션들에 의해 장기적인 저장을 목적으로 생성되는 데이터, 운영 체제를 구동하기 위한 파일, 또는 어플리케이션들의 실행 파일 등을 저장할 수 있다. 예를 들어, 스토리지(136)는 앙상블 모델 학습부(134) 및 건강 예측부(135)의 실행을 위한 파일들을 저장할 수 있다. 스토리지(136)는 앙상블 예측 장치(130)의 보조 기억 장치로 이용될 수 있다. 스토리지(136)는 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.The
버스(137)는 앙상블 예측 장치(130)의 구성 요소들 사이에서 통신 경로를 제공할 수 있다. 네트워크 인터페이스(131), 프로세서(132), 메모리(133), 및 스토리지(136) 는 버스(137)를 통해 서로 데이터를 교환할 수 있다. 버스(137)는 앙상블 예측 장치(130)에서 이용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.The
도 3은 도 2의 앙상블 예측 장치의 동작 방법에 대한 순서도이다. 도 3을 참조하면, 앙상블 예측 장치의 동작 방법은 앙상블 모델을 학습하는 단계(S100) 및 미래 건강 상태를 예측하는 단계(S200)로 구분될 수 있다. 도 3의 각 단계들은 도 2의 프로세서(132)에 의하여 실행될 수 있다. S100 단계는 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 처리될 수 있다. S200 단계는 프로세서(132)의 제어 하에, 건강 예측부(135)에서 처리될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 3이 설명된다.3 is a flowchart illustrating a method of operating the ensemble prediction apparatus of FIG. 2. Referring to FIG. 3, a method of operating an ensemble prediction apparatus may be divided into a step of learning an ensemble model (S100) and a step of predicting a future health state (S200). Each step of FIG. 3 may be executed by the
S110 단계에서, 앙상블 예측 장치(130)는 원시 학습 데이터(31)를 건강 예측 장치들(111~11n)에 제공한다. 원시 학습 데이터(31)는 시계열 데이터이다. 원시 학습 데이터(31)는 시간의 흐름에 따른 특징 데이터를 포함할 수 있다. 예를 들어, 원시 학습 데이터(31)는 측정 또는 진단된 시간을 나타내는 시간 데이터를 포함할 수 있다. 원시 학습 데이터(31)는 혈압, 콜레스테롤 수치, 몸무게 등 다양한 건강 지표를 나타내는 특징 데이터를 포함할 수 있다.In operation S110, the
S120 단계에서, 앙상블 예측 장치(130)는 건강 예측 장치들(111~11n)로부터 학습 결과 데이터 및 메타 정보들을 수신한다. 학습 결과 데이터는 건강 예측 장치들(111~11n) 각각이 원시 학습 데이터(31)를 이용하여 건강 상태를 예측한 결과 데이터일 수 있다. 건강 예측 장치들(111~11n) 각각에 대응되는 메타 정보는 해당 예측 모델에서 학습한 특징 데이터, 학습 알고리즘, 및 제1 내지 제n 학습 데이터(11~1n) 중 해당 건강 예측 장치에 대응되는 학습 데이터의 규모 등에 대한 정보를 포함할 수 있다. 앙상블 모델 학습부(134)는 메타 정보들 및 학습 결과 데이터를 제공받을 수 있다.In operation S120, the
S130 단계에서, 앙상블 예측 장치(130)는 수신된 메타 정보들 및 학습 결과 데이터에 기초하여 앙상블 모델을 생성할 수 있다. S130 단계는 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 수행될 수 있다. 앙상블 모델 학습부(134)는 메타 정보들 사이의 유사도에 기초하여 학습 결과 데이터 중 일부를 선별할 수 있다. 선별된 학습 결과 데이터는 타겟 학습 데이터, 즉 앙상블 학습 데이터(32)로 결정될 수 있다. 앙상블 모델 학습부(134)는 앙상블 학습 데이터(32)에 기초하여 타겟 관계 모델, 특징 관계 모델을 생성하고, 이를 병합 및 튜닝하여 앙상블 모델을 생성할 수 있다. 생성된 앙상블 모델은 스토리지(136)에 구축될 수 있으나, 이에 제한되지 않고, 별도의 서버 또는 저장 매체에 구축될 수 있다. S130 단계의 구체적인 과정들은 도 4에서 후술된다.In operation S130, the
S200 단계에서, 앙상블 예측 장치(130)는 생성된 앙상블 모델에 기초하여, 사용자의 미래 건강 상태를 예측할 수 있다. 이를 위하여, S210 단계에서, 앙상블 예측 장치(130)는 단말기(120)로부터 시계열 의료 데이터를 수신할 수 있다. 프로세서(132)의 제어 하에, 네트워크 인터페이스(131)는 네트워크(140)를 통하여 시계열 의료 데이터를 수신할 수 있다. 시계열 의료 데이터는 사용자의 다양한 건강 지표를 나타내는 다양한 특징 데이터를 포함할 수 있다.In operation S200, the
S220 단계에서, 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n)에 건강 예측을 요청할 수 있다. 이를 위하여, 앙상블 예측 장치(130)는 단말기(120)로부터 수신된 시계열 의료 데이터를 제1 내지 제n 건강 예측 장치들(111~11n)에 제공할 수 있다. 사용자의 시계열 의료 데이터는 제1 내지 제n 건강 예측 장치들(111~11n) 각각의 개별적으로 구축된 예측 모델에 입력될 수 있다. 그 결과, 제1 내지 제n 건강 예측 장치들(111~11n)은 개별적인 예측 모델에 의하여, 제1 내지 제n 예측 결과 데이터를 생성할 수 있다. 제1 내지 제n 예측 결과 데이터는 네트워크(140)를 통하여 앙상블 예측 장치(130)에 제공될 수 있다.In operation S220, the
S230 단계에서, 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n)로부터 수신된 제1 내지 제n 예측 결과 데이터를 앙상블할 수 있다. S230 단계는 프로세서(132)의 제어 하에, 건강 예측부(135)에서 수행될 수 있다. 건강 예측부(135)는 S130 단계에서 생성된 앙상블 모델에 기초하여, 제1 내지 제n 예측 결과 데이터를 앙상블하고, 사용자의 미래 건강 상태를 예측 및 분석할 수 있다. 예측 및 분석된 사용자의 미래 건강 상태에 대한 정보는 네트워크(140)를 통하여, 단말기(120)에 제공될 수 있다. In operation S230, the
앙상블 예측 장치(130)를 이용하여, 다양한 기관들(제1 내지 제n 건강 예측 장치들(111~11n))로부터 학습된 예측 모델을 이용하여, 시계열 의료 데이터를 분석할 수 있다. 시계열 의료 데이터는 시간의 흐름에 따른 특징들에 대한 정보를 나타내므로, 시간의 경과에 따른 건강 상태의 추이가 분석될 수 있다. 이를 이용하면, 미래의 특정 시점에서의 건강 상태가 분석될 수 있다. 다만, 건강 예측 장치는 한정된 학습 데이터를 이용하여 예측 모델이 생성되므로, 앙상블 예측 장치(130)는 다양한 기관들로부터 출력된 예측 결과 데이터를 통합하여 건강 상태 예측의 정확성을 증가시킬 수 있다. 이러한 통합에 기관들 각각의 예측 모델들 사이의 상관 관계 및 특징들 사이의 상관 관계가 고려되어, 미래의 특정 시점의 건강 상태에 대한 예측 정확성이 증가될 수 있다.Using the
도 4는 도 3의 S130 단계를 구체화한 순서도이다. 즉, 도 4는 앙상블 예측 장치(130)의 앙상블 모델을 생성하는 단계를 구체화한 도면이다. 도 4의 각 단계들은 도 2의 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 처리될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 4가 설명된다.4 is a flowchart embodying operation S130 of FIG. 3. That is, FIG. 4 is a diagram illustrating an embodiment of generating an ensemble model of the
S131 단계에서, 앙상블 모델 학습부(134)는 타겟 예측 장치를 선별할 수 있다. 상술하였듯이, 앙상블 예측 장치(130)는 제1 내지 제n 건강 예측 장치들(111~11n)로부터 원시 학습 데이터(31)의 송신에 응답하여, 메타 정보들 및 학습 결과 데이터를 수신한다. 앙상블 모델 학습부(134)는 메타 정보들 사이의 유사도에 따라 메타 정보들을 하나 이상의 그룹으로 클러스터링하고, 클러스터링된 그룹 별로 하나의 대표를 선택할 수 있다. 즉, 제1 내지 제n 건강 예측 장치들(111~11n) 중 앙상블 모델을 생성 및 학습하기 위한 대상들, 즉 타겟 예측 장치들이 선택될 수 있다. 선택된 대표들에 대응되는 학습 결과 데이터가 타겟 학습 데이터, 즉 앙상블 학습 데이터(32)로 결정될 수 있다. 이에 대한 내용은 도 5에 도시된다.In operation S131, the
S132 단계에서, 앙상블 모델 학습부(134)는 앙상블 학습 데이터(32)에 기초하여 타겟 관계 모델을 생성 및 학습할 수 있다. 앙상블 모델 학습부(134)는 앙상블 학습 데이터(32)로 결정된 복수의 타겟 학습 데이터 사이의 상관 관계에 기초하여 타겟 관계 모델을 생성 및 학습할 수 있다. 앙상블 모델 학습부(134)는 특징을 기준으로, 앙상블 학습 데이터(32)를 재구성할 수 있다. 예를 들어, 앙상블 모델 학습부(134)는 제1 내지 제n 타겟 학습 데이터 각각의 혈압과 관련된 특징 데이터 간의 상관 관계를 분석 가능하도록, 특징 별로 앙상블 학습 데이터(32)를 재구성할 수 있다. 앙상블 모델 학습부(134)는 타겟 학습 데이터 각각에 포함된 동일한 특징에 대응되는 특징 데이터 사이의 상관 관계를 분석함으로써, 타겟 학습 데이터 사이의 상관 관계를 분석할 수 있다. 타겟 관계 모델은 다양한 특징(건강 지표)들에 대한 기관들(건강 예측 장치들) 별 예측 정확성을 분석하도록 구축되고, 이에 따라 기관들 각각에 대한 가중치를 결정할 수 있다. 이에 대한 내용은 도 6에 도시된다.In operation S132, the
S133 단계에서, 앙상블 모델 학습부(134)는 앙상블 학습 데이터(32)에 기초하여 특징 관계 모델을 생성 및 학습할 수 있다. 앙상블 모델 학습부(134)는 복수의 타겟 학습 데이터 각각에 포함된 복수의 특징 데이터 사이의 상관 관계에 기초하여 특징 관계 모델을 생성 및 학습할 수 있다. 앙상블 모델 학습부(134)는 타겟 학습 데이터를 기준으로, 앙상블 학습 데이터(32)를 분리할 수 있다. 예를 들어, 앙상블 모델 학습부(134)는 하나의 타겟 학습 데이터에 포함된 제1 내지 제x 특징 데이터 간의 상관 관계를 분석 가능하도록, 타겟 학습 데이터 별로 앙상블 학습 데이터(32)를 분리할 수 있다. 앙상블 모델 학습부(134)는 타겟 학습 데이터 내의 서로 다른 특징들 사이의 상관 관계를 분석할 수 있다. 특징 관계 모델은 다양한 특징(건강 지표)들 사이의 연관성 및 유사성을 분석하도록 구축되고, 이에 따른 특징들 각각에 대한 가중치를 결정할 수 있다. 이에 대한 내용은 도 7에 도시된다.In operation S133, the
S134 단계에서, 앙상블 모델 학습부(134)는 타겟 관계 모델 및 특징 관계 모델을 병합함으로써, 앙상블 모델을 구축할 수 있다. 앙상블 모델 학습부(134)는 타겟 관계 모델의 출력과 특징 관계 모델의 입력을 연결함으로써, 두 모델들을 병합(머징)하고, 앙상블 모델을 생성할 수 있다. 앙상블 모델 학습부(134)는 병합된 앙상블 모델에 다시 앙상블 학습 데이터(32)를 입력할 수 있다. 그리고, 앙상블 모델 학습부(134)는 앙상블 모델의 출력 결과를 분석하여, 타겟 학습 데이터를 생성하는 건강 예측 장치들(기관들), 그리고 특징들에 대한 가중치를 조정하는 튜닝 과정을 수행할 수 있다. 이에 대한 내용은 도 8에 도시된다.In operation S134, the
S135 단계에서, 앙상블 모델 학습부(134)는 구축된 앙상블 모델의 성능을 평가한다. 앙상블 모델 학습부(134)는 앙상블 모델로부터 출력된 결과 데이터와 원시 학습 데이터(31)에 의하여 기대되는 결과 데이터를 비교할 수 있다. 이러한 비교에 기초하여, 앙상블 모델 학습부(134)는 앙상블 모델의 성능을 평가할 수 있다. 원시 학습 데이터(31) 및 이에 대하여 기대되는 결과 데이터, 즉 원시 학습 데이터(31)에 대한 미래 건강 상태의 예측 결과는 앙상블 모델의 구축을 위하여, 미리 설정될 수 있고, 메모리(133)에 저장될 수 있다.In step S135, the
S136 단계에서, 앙상블 모델 학습부(134)는 앙상블 모델의 평가된 성능과 기준 성능을 비교할 수 있다. 기준 성능은 미리 설정될 수 있고, 메모리(133)에 저장될 수 있다. 앙상블 모델의 성능이 기준 성능 이상인 경우 (또는 높은 경우), 구축된 앙상블 모델이 최종 앙상블 모델로 결정되어 앙상블 모델을 생성하는 단계가 종료될 수 있다. 앙상블 모델의 성능이 기준 성능보다 낮은 경우 (또는 이하인 경우), S131 단계가 다시 진행된다. 이 경우, 앙상블 모델 학습부(134)는 타겟 학습 데이터를 다시 선별할 수 있다. 앙상블 모델 학습부(134)는 메타 정보들을 다시 클러스터링하거나, 클러스터링된 그룹에서 대표를 다시 선택할 수 있다. 앙상블 모델 학습부(134)는 앙상블 모델의 성능이 기준 성능을 만족할 때까지, S132 단계 내지 S135 단계를 반복할 수 있다.In operation S136, the
도 5는 도 4의 S131 단계를 구체적으로 설명하기 위한 도면이다. 즉, 도 5는 앙상블 예측 장치(130)의 타겟 예측 장치를 선별하는 단계를 구체화한 도면이다. 도 5의 각 단계들은 도 2의 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 처리될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 5가 설명된다.FIG. 5 is a diagram for specifically describing operation S131 of FIG. 4. That is, FIG. 5 is a diagram illustrating a step of selecting a target prediction device of the
S131a 단계에서, 앙상블 모델 학습부(134)는 메타 정보의 유사도를 계산한다. 앙상블 모델 학습부(134)는 제1 내지 제n 건강 예측 장치들(111~11n) 각각에 대한 메타 정보들을 수신한다. 예시적으로, 타겟 풀 상에 메타 정보들이 원형으로 도시된다. 앙상블 모델 학습부(134)는 메타 정보들을 통하여, 건강 예측 장치들(111~11n) 각각에 구축된 예측 모델들이 학습한 특징들, 예측 모델들의 알고리즘들, 학습 데이터(11~1n)의 규모를 분석할 수 있다. 앙상블 모델 학습부(134)는 분석된 결과에 기초하여 타겟 풀 상에 메타 정보들을 배치할 수 있다. 앙상블 모델 학습부(134)는 타겟 풀 상에 배치된 메타 정보들 사이의 벡터 값에 기초하여, 메타 정보의 유사도를 계산할 수 있다.In step S131a, the
S131b 단계에서, 앙상블 모델 학습부(134)는 메타 정보의 유사도에 기초하여, 메타 정보들을 하나 이상의 그룹으로 클러스터링할 수 있다. 예시적으로, 도 5의 타겟 풀에서, 메타 정보들은 유사도에 기초하여 제1 내지 제3 그룹들(C1~C3)로 클러스터링되는 것으로 도시된다. 앙상블 모델 학습부(134)는 메타 정보가 유사한 유사군별로 메타 정보들을 클러스터링한다. 즉, 동일한 그룹에 속하는 메타 정보에 대응되는 건강 예측 장치는 유사한 학습을 통하여 구축된 예측 모델을 포함하는 것으로 이해될 수 있다.In step S131b, the
S131c 단계에서, 앙상블 모델 학습부(134)는 타겟 학습 데이터를 선택한다. 이를 위하여, 앙상블 모델 학습부(134)는 원시 학습 데이터(31)에 대한 학습 결과 데이터의 정확도를 평가한다. 상술하였듯이, 앙상블 예측 장치(130)는 원시 학습 데이터(31)에 대하여 기대되는 결과 데이터, 즉 미래 건강 상태의 예측 결과를 미리 설정할 수 있다. 앙상블 모델 학습부(134)는 미리 설정된 결과 데이터에 기초하여, 그룹들 내의 메타 정보에 대응되는 학습 결과 데이터의 정확도를 평가할 수 있다. 앙상블 모델 학습부(134)는 각각의 그룹들 내에서 평가 결과 가장 높은 정확도를 갖는 학습 결과 데이터를 타겟 학습 데이터로 결정할 수 있다.In step S131c, the
예를 들어, 앙상블 모델 학습부(134)는 제1 그룹(C1)의 세 개의 메타 정보들에 대응되는 학습 결과 데이터와 기대되는 결과 데이터를 비교할 수 있다. 이 중, 제1 타겟 메타 정보(T1)에 대응되는 학습 결과 데이터의 정확도가 가장 높은 경우, 앙상블 모델 학습부(134)는 제1 타겟 메타 정보(T1)에 대응되는 학습 결과 데이터를 타겟 학습 데이터로 선택할 수 있다. 유사한 방식으로, 앙상블 모델 학습부(134)는 제2 그룹(C2) 및 제3 그룹(C3) 내의 학습 결과 데이터 중 가장 높은 정확도를 갖는 제2 타겟 메타 정보(T2) 및 제3 타겟 메타 정보(T3)에 대응되는 학습 결과 데이터를 타겟 학습 데이터로 선택할 수 있다. 즉, 앙상블 학습 데이터(32)는 제1 내지 제3 타겟 메타 정보(T1~T3)에 대응되는 학습 결과 데이터를 포함할 수 있다.For example, the
S131a 내지 S131c 단계들을 수행한 결과 선택된 타겟 학습 데이터에 기초하여, 앙상블 모델이 생성된다. 이후, 도 4의 S136 단계에서, 앙상블 모델의 성능이 기준 성능에 도달하지 못한 경우, S131a 내지 S131c 단계들이 다시 수행될 수 있다. 이 경우, S131b 단계에서, 앙상블 모델 학습부(134)는 메타 정보들을 다시 클러스터링 할 수 있다. 예를 들어, 앙상블 모델 학습부(134)는 그룹 내에서 상대적으로 메타 정보의 유사도가 낮은 메타 정보를 해당 그룹에서 제외시키거나, 다른 그룹에 포함시킬 수 있다. 또한, S131c 단계에서, 앙상블 모델 학습부(134)는 타겟 학습 데이터를 다시 선택할 수 있다. 예를 들어, 앙상블 모델 학습부(134)는 다시 수행된 클러스터링에 의하여 변경된 그룹들 내의 학습 결과 데이터의 정확도를 다시 평가하고, 타겟 학습 데이터를 다시 선별할 수 있다. As a result of performing steps S131a through S131c, an ensemble model is generated based on the selected target training data. Subsequently, in step S136 of FIG. 4, when the performance of the ensemble model does not reach the reference performance, steps S131a to S131c may be performed again. In this case, in step S131b, the
예시적으로, S131a 내지 S131c 단계들은 기계학습 방식의 학습 모델에 기초하여 진행될 수 있다. 기계학습 방식의 학습 모델은 유사도 계산 기반의 클러스터링을 수행하도록 구현될 수 있다. 유사도 계산 기반의 클러스터링을 이용하여, 타겟 학습 데이터를 선별함으로써, 앙상블 모델의 오버 피팅이 완화될 수 있다. S131a 내지 S131c 단계들에 따른, 유사도 계산, 클러스터링, 및 정확도 평가는 입력되는 메타 정보의 종류, 클러스터링 알고리즘, 및 정확도 평가 계산 방식 등에 기초하여 다양하게 설정될 수 있다. In exemplary embodiments, steps S131a to S131c may be performed based on a learning model of a machine learning method. The machine learning type learning model may be implemented to perform similarity calculation based clustering. By selecting target training data using similarity calculation based clustering, overfitting of the ensemble model can be mitigated. Similarity calculation, clustering, and accuracy evaluation according to steps S131a to S131c may be variously set based on the type of input meta information, a clustering algorithm, an accuracy evaluation calculation method, and the like.
도 6은 도 4의 S132 단계를 구체적으로 설명하기 위한 도면이다. 즉, 도 6은 앙상블 학습 데이터(32)를 이용하여 앙상블 예측 장치(130)가 타겟 관계 모델(TM)을 학습하는 과정을 나타낸다. 타겟 관계 모델(TM)은 도 2의 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 학습될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 6이 설명된다.FIG. 6 is a diagram for specifically describing operation S132 of FIG. 4. That is, FIG. 6 illustrates a process in which the
앙상블 학습 데이터(32)는 제1 내지 제n 타겟 학습 데이터(Ha~Hn)을 포함하며, 복수의 건강 예측 장치들로부터 생성된 학습 결과 데이터 중 n개의 학습 결과 데이터가 선택되었음을 의미한다. 제1 내지 제n 타겟 학습 데이터(Ha~Hn) 각각은 다양한 특징 데이터를 포함한다. 예를 들어, 제1 타겟 학습 데이터(Ha)는 제1 내지 제x 특징 데이터(a1~ax)을 포함하고, 제2 타겟 학습 데이터(Hb)는 제1 내지 제x 특징 데이터(b1~bx)을 포함하고, 제n 타겟 학습 데이터(Hn)는 제1 내지 제x 특징 데이터(n1~nx)을 포함한다.The
특징 데이터는 원시 학습 데이터(31)를 생성하기 위하여 진단, 검사, 또는 처방된 항목인 특징에 대응될 수 있다. 특징은 혈압, 콜레스테롤 수치, 몸무게 등 다양한 건강 지표를 나타낼 수 있다. 도 6에 도시된 특징 데이터는 동일한 숫자를 갖는 경우, 동일한 특징을 나타내는 것으로 가정한다. 예를 들어, 제1 타겟 학습 데이터(Ha)의 제1 특징 데이터(a1)와 제2 타겟 학습 데이터(Hb)의 제1 특징 데이터(b1)는 동일한 특징을 나타내는 것으로 이해될 것이다.The feature data may correspond to a feature that is an item that has been diagnosed, tested, or prescribed to produce the
앙상블 모델 학습부(134)는 타겟 관계 모델(TM)을 학습하기 위하여, 동일한 특징 별로 제1 내지 제n 타겟 학습 데이터(Ha~Hn)을 재구성할 수 있다. 예를 들어, 제1 타겟 학습 데이터(Ha)의 제1 특징 데이터(a1), 제2 타겟 학습 데이터(Hb)의 제1 특징 데이터(b1), 및 제n 타겟 학습 데이터(Hn)의 제1 특징 데이터(n1)는 타겟 관계 모델(TM)의 동일한 레이어에 입력되도록 재구성될 수 있다. 즉, 동일한 특징은 동일한 입력 레이어에 제공될 수 있다.The
타겟 관계 모델(TM)은 타겟 학습 데이터 사이의 관계를 고려하여, 특징 별 미래 시점의 예측 결과를 도출할 수 있다. 타겟 관계 모델(TM)은 제1 내지 제x 타겟 관계 모델들(TM1~TMx)을 포함할 수 있고, 타겟 관계 모델들(TM1~TMx)의 개수는 특징 데이터의 개수에 대응될 수 있다. 제1 내지 제x 타겟 관계 모델들(TM1~TMx) 각각은 제1 내지 제n 타겟 학습 데이터(Ha~Hn) 각각에 포함된 특징 데이터 중 한가지 종류의 특징 데이터를 입력 받는다. 예를 들어, 제1 타겟 관계 모델(TM1)은 제1 내지 제n 타겟 학습 데이터(Ha~Hn) 각각에 포함된 제1 특징 데이터(a1~n1)을 입력 받을 수 있다. The target relationship model TM may derive a prediction result of a future viewpoint by feature in consideration of the relationship between the target training data. The target relationship model TM may include first to x th target relationship models TM1 to TMx, and the number of target relationship models TM1 to TMx may correspond to the number of feature data. Each of the first to x th target relationship models TM1 to TMx receives one type of feature data among feature data included in each of the first to n th target learning data Ha through Hn. For example, the first target relationship model TM1 may receive first feature data a1 to n1 included in each of the first to nth target learning data Ha to Hn.
제1 내지 제x 타겟 관계 모델들(TM1~TMx) 각각은 제1 내지 제n 타겟 학습 데이터(Ha~Hn) 각각에 포함된 특징 데이터 중 한가지 종류의 특징 데이터 사이의 상관 관계를 학습할 수 있다. 예를 들어, 제1 타겟 관계 모델(TM1)은 제1 내지 제n 타겟 학습 데이터(Ha~Hn) 각각에 포함된 제1 특징 데이터(a1~n1) 사이의 상관 관계를 분석할 수 있다. 이를 통하여, 제1 타겟 관계 모델(TM1)은 제1 특징 데이터(a1~n1) 각각에 가중치를 부여할 수 있다. Each of the first to x th target relationship models TM1 to TMx may learn a correlation between one kind of feature data among feature data included in each of the first to n th target learning data Ha through Hn. . For example, the first target relationship model TM1 may analyze a correlation between the first feature data a1 to n1 included in each of the first to nth target learning data Ha to Hn. In this way, the first target relationship model TM1 may assign a weight to each of the first feature data a1 to n1.
예를 들어, 도 1의 제1 건강 예측 장치(111)가 제공되는 의료 기관은 다른 의료 기관들에 비하여 심혈관 질환 등에 특화될 수 있고, 제2 건강 예측 장치(112)가 제공되는 의료 기관은 다른 의료 기관들에 비해 호흡기 질환 등에 특화될 수 있다. 제1 건강 예측 장치(111)가 제1 타겟 학습 데이터(Ha)를 생성하고, 제2 건강 예측 장치(112)가 제2 타겟 학습 데이터(Hb)를 생성한 경우, 타겟 관계 모델(TM)은 제1 타겟 학습 데이터(Ha)의 심혈관 질환과 관련된 특징 데이터의 가중치를 다른 타겟 학습 데이터의 심혈관 질환과 관련된 특징 데이터보다 크게 부여할 수 있다. 또한, 타겟 관계 모델(TM)은 제2 타겟 학습 데이터(Hb)의 호흡기 질환과 관련된 특징 데이터의 가중치를 다른 타겟 학습 데이터의 호흡기 질환과 관련된 특징 데이터보다 크게 부여할 수 있다. 이를 통하여, 다양한 의료 기관들의 예측 모델들을 이용하여 미래 건강 상태가 예측될 수 있고, 미래 건강 상태의 예측 정확성이 증가할 수 있다.For example, a medical institution provided with the first
제1 내지 제x 타겟 관계 모델들(TM1~TMx) 각각은 복수의 레이어들로 계층화될 수 있다. 예시적으로, 제1 내지 제x 타겟 관계 모델들(TM1~TMx)이 뉴럴 네트워크 모델로 도시되었으나, 특정 모델로 제한되지 않고, 기계 학습을 수행할 수 있는 다양한 학습 모델이 적용될 수 있다.Each of the first to x th target relationship models TM1 to TMx may be layered into a plurality of layers. For example, although the first to x th target relationship models TM1 to TMx are illustrated as neural network models, various learning models capable of performing machine learning may be applied without being limited to a specific model.
도 7은 도 4의 S133 단계를 구체적으로 설명하기 위한 도면이다. 즉, 도 7은 앙상블 학습 데이터(32)를 이용하여 앙상블 예측 장치(130)가 특징 관계 모델(FM)을 학습하는 과정을 나타낸다. 특징 관계 모델(FM)은 도 2의 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 학습될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 7이 설명된다.FIG. 7 is a diagram for specifically describing operation S133 of FIG. 4. That is, FIG. 7 illustrates a process in which the
앙상블 학습 데이터(32)는 복수의 타겟 학습 데이터를 포함하고, 복수의 타겟 학습 데이터 각각은 복수의 특징 데이터를 포함한다. 예를 들어, 제1 타겟 학습 데이터는 제1 내지 제x 특징 데이터(a1~ax)을 포함한다. 특징 데이터는 원시 학습 데이터(31)를 생성하기 위하여 진단, 검사, 또는 처방된 항목에 대응될 수 있다. 앙상블 모델 학습부(134)는 특징 관계 모델(FM)을 학습하기 위하여, 앙상블 학습 데이터(32)를 타겟 학습 데이터 별로 분리할 수 있다. 앙상블 학습 데이터(32)는 타겟 학습 데이터 별로 특징 관계 모델(FM)에 입력된다.The
특징 관계 모델(FM)은 타겟 학습 데이터 내의 특징 데이터(a1~ax) 사이의 관계를 고려하여, 미래 시점의 예측 결과를 도출할 수 있다. 특징 관계 모델(FM)은 타겟 학습 데이터 단위로 데이터를 입력 받는다. 예를 들어, 특징 관계 모델(FM)은 제1 타겟 학습 데이터를 입력 받고, 제2 타겟 학습 데이터 내지 제n 타겟 학습 데이터를 차례로 입력 받을 수 있다. 특징 관계 모델(FM)은 하나의 타겟 학습 데이터의 제1 내지 제x 특징 데이터(a1~ax) 사이의 상관 관계를 분석할 수 있다. 이를 통하여, 특징 관계 모델(FM)은 제1 내지 제x 특징 데이터(a1~ax) 각각에 가중치를 부여할 수 있다.The feature relation model FM may derive the prediction result of the future view in consideration of the relationship between the feature data a1 to ax in the target training data. The feature relation model FM receives data in units of target training data. For example, the feature relationship model FM may receive first target training data and sequentially receive second target training data to n-th target training data. The feature relation model FM may analyze a correlation between the first to x th feature data a1 to ax of one target learning data. In this way, the feature relation model FM may assign weights to the first to x-th feature data a1 to ax.
예를 들어, 심혈관 질환과 관련하여, 제1 특징 데이터(a1)가 다른 특징 데이터에 비하여 중요한 건강 지표일 수 있다. 이 경우, 특징 관계 모델(FM)은 제1 특징 데이터(a1)의 가중치를 다른 특징 데이터보다 크게 부여할 수 있다. 또한, 호흡기 질환과 관련하여, 제2 특징 데이터(a2)와 제x 특징 데이터(ax)가 유사한 건강 지표로 이용될 수 있다. 이 경우, 특징 관계 모델(FM)은 제2 특징 데이터(a2)와 제x 특징 데이터(ax) 사이의 연산에 부여되는 가중치를 다른 특징 데이터 간의 연산에 부여되는 가중치보다 크게 설정할 수 있다. 이를 통하여, 다양한 특징들이 복합적으로 고려되어 미래 건강 상태가 예측될 수 있고, 미래 건강 상태의 예측 정확성이 증가할 수 있다.For example, with respect to cardiovascular disease, the first feature data a1 may be an important health indicator compared to other feature data. In this case, the feature relation model FM may give the weight of the first feature data a1 to be greater than other feature data. In addition, with regard to respiratory disease, the second characteristic data a2 and the x th characteristic data ax may be used as similar health indicators. In this case, the feature relation model FM may set a weight given to the calculation between the second feature data a2 and the x th feature data ax to be greater than a weight given to the calculation between the other feature data. Through this, various features may be considered in combination to predict a future health condition and increase the accuracy of prediction of the future health condition.
특징 관계 모델(FM)은 복수의 레이어들로 계층화될 수 있다. 예시적으로, 특징 관계 모델(FM)은 뉴럴 네트워크 모델로 도시되었으나, 특정 모델로 제한되지 않고, 기계 학습을 수행할 수 있는 다양한 학습 모델이 적용될 수 있다.The feature relationship model FM may be layered into a plurality of layers. For example, the feature relationship model FM is illustrated as a neural network model, but is not limited to a specific model, and various learning models capable of performing machine learning may be applied.
도 8은 도 4의 S134 단계를 구체적으로 설명하기 위한 도면이다. 즉, 도 8은 앙상블 학습 데이터(32)를 이용하여 앙상블 예측 장치(130)가 앙상블 모델(EM)을 구축하는 과정을 나타낸다. 앙상블 모델(EM)은 도 2의 프로세서(132)의 제어 하에, 앙상블 모델 학습부(134)에서 구축될 수 있다. 설명의 편의상 도 1 및 도 2의 도면 부호를 참조하여, 도 8이 설명된다.FIG. 8 is a diagram for specifically describing operation S134 of FIG. 4. That is, FIG. 8 illustrates a process in which the
앙상블 모델(EM)은 우선 도 6에서 생성된 타겟 관계 모델(TM)과 도 7에서 생성된 특징 관계 모델(FM)을 병합함으로써 생성된다. 앙상블 모델 학습부(134)는 타겟 관계 모델(TM)의 출력과 특징 관계 모델(FM)의 입력을 연결시킬 수 있다. 이를 통하여, 앙상블 모델(EM)은 타겟 학습 데이터에 대응되는 건강 예측 장치들 사이의 관계 및 타겟 학습 데이터 각각에 포함된 특징들 사이의 관계들을 종합적으로 고려할 수 있다.The ensemble model EM is first generated by merging the target relationship model TM generated in FIG. 6 and the feature relationship model FM generated in FIG. 7. The
타겟 관계 모델(TM)과 특징 관계 모델(FM)은 개별적으로 학습되므로, 두 모델들을 단순하게 병합하여 생성된 앙상블 모델(EM)은 기준 성능보다 낮은 성능을 가질 수 있다. 따라서, 타겟 관계 모델(TM)과 특징 관계 모델(FM)이 병합된 후, 앙상블 학습 데이터(32)가 다시 앙상블 모델(EM)에 입력된다. 앙상블 학습 데이터(32)는 제1 내지 제n 타겟 학습 데이터(Ha~Hn)을 포함할 수 있다. 앙상블 학습 데이터(32)는 도 6에서의 데이터 입력 방법과 같이, 동일한 특징 별로 재구성될 수 있다. 예를 들어, 제1 타겟 학습 데이터(Ha)의 제1 특징 데이터(a1), 제2 타겟 학습 데이터(Hb)의 제1 특징 데이터(b1), 및 제n 타겟 학습 데이터(Hn)의 제1 특징 데이터(n1)는 타겟 관계 모델(TM)의 동일한 레이어에 입력되도록 재구성될 수 있다.Since the target relationship model TM and the feature relationship model FM are trained separately, the ensemble model EM generated by simply merging the two models may have a lower performance than the reference performance. Therefore, after the target relationship model TM and the feature relationship model FM are merged, the
앙상블 모델(EM)에 앙상블 학습 데이터(32)를 입력한 결과에 기초하여, 앙상블 모델(EM)은 최적화될 수 있다. 즉, 앙상블 모델(EM)의 가중치가 갱신될 수 있다. 예를 들어, 앙상블 모델(EM)의 출력 결과와 미리 설정된 미래 건강 상태의 예측 결과의 비교를 통하여, 앙상블 모델(EM)의 가중치가 변경될 수 있다. 이러한 가중치의 변경은 특징 관계 모델(FM)로 한정될 수 있으나, 이에 제한되지 않는다. 또한, 타겟 관계 모델(TM) 및 특징 관계 모델(FM)의 병합 과정에의 변형 등을 최소화하고, 데이터의 평활화(smoothing)을 위하여, 타겟 관계 모델의 출력과 특징 관계 모델의 입력 사이에 병합 레이어(aggregation layer, AL)가 제공될 수 있다.Based on the result of inputting the
위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.The above description is specific examples for practicing the present invention. The present invention will include not only the embodiments described above but also embodiments that can be easily changed or simply changed in design. In addition, the present invention will also include techniques that can be easily modified and carried out using the above-described embodiments.
100: 건강 상태 예측 시스템
130: 앙상블 예측 장치100: health status prediction system
130: ensemble prediction device
Claims (1)
원시 학습 데이터를 제1 건강 예측 장치 및 제2 건강 예측 장치에 제공하는 단계;
상기 제1 건강 예측 장치로부터 상기 원시 학습 데이터에 기초하여 생성된 제1 학습 결과 데이터를 수신하는 단계;
상기 제2 건강 예측 장치로부터 상기 원시 학습 데이터에 기초하여 생성된 제2 학습 결과 데이터를 수신하는 단계;
상기 제1 학습 결과 데이터 및 상기 제2 학습 결과 데이터 각각에 포함된 특징 데이터 중 동일한 특징을 갖는 특징 데이터 간의 상관 관계에 기초하여, 상기 특징 별로 상기 제1 및 제2 건강 예측 장치들 각각에 대한 가중치를 제공하는 타겟 관계 모델을 생성하는 단계
상기 제1 학습 결과 데이터 또는 상기 제2 학습 결과 데이터에 포함된 특징 데이터 중 서로 다른 특징을 갖는 특징 데이터 간의 상관 관계에 기초하여, 상기 서로 다른 특징 각각에 대한 가중치를 제공하는 특징 관계 모델을 생성하는 단계; 및
상기 타겟 관계 모델 및 상기 특징 관계 모델을 병합하여 앙상블 모델을 구축하는 단계를 포함하는 방법.In the operating method of the device for ensemble data received from a plurality of health prediction devices,
Providing raw learning data to the first health prediction device and the second health prediction device;
Receiving first learning result data generated based on the raw learning data from the first health prediction device;
Receiving second learning result data generated based on the raw learning data from the second health prediction apparatus;
A weight for each of the first and second health prediction apparatuses for each feature based on a correlation between feature data having the same feature among feature data included in each of the first learning result data and the second learning result data. Creating a target relationship model that provides a
Generating a feature relationship model that provides a weight for each of the different features based on a correlation between the feature data having different features among the feature data included in the first learning result data or the second learning result data; step; And
Merging the target relationship model and the feature relationship model to build an ensemble model.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180011644 | 2018-01-30 | ||
KR20180011644 | 2018-01-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190092217A true KR20190092217A (en) | 2019-08-07 |
Family
ID=67621299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180081304A KR20190092217A (en) | 2018-01-30 | 2018-07-12 | Device for ensembling data and operating method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20190092217A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210073352A (en) * | 2019-12-10 | 2021-06-18 | 한국전자통신연구원 | Device for ensembling data received from prediction devices and operating method thereof |
KR102366153B1 (en) | 2020-08-20 | 2022-02-23 | 한국전력공사 | Fast ensembel inference in machine learning for real-time application and machine learning method accelerated ensembel inference |
-
2018
- 2018-07-12 KR KR1020180081304A patent/KR20190092217A/en not_active Application Discontinuation
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210073352A (en) * | 2019-12-10 | 2021-06-18 | 한국전자통신연구원 | Device for ensembling data received from prediction devices and operating method thereof |
KR102366153B1 (en) | 2020-08-20 | 2022-02-23 | 한국전력공사 | Fast ensembel inference in machine learning for real-time application and machine learning method accelerated ensembel inference |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Scalable analysis of cell-type composition from single-cell transcriptomics using deep recurrent learning | |
US10217048B2 (en) | Predictive assignments that relate to genetic information and leverage machine learning models | |
JP6356359B2 (en) | Ensemble-based research and recommendation system and method | |
JP6783887B2 (en) | Treatment route analysis and management platform | |
EP3599616A1 (en) | System and method for providing a medical data structure for a patient | |
US11699069B2 (en) | Predictive assignments that relate to genetic information and leverage machine learning models | |
Rubiolo et al. | Extreme learning machines for reverse engineering of gene regulatory networks from expression time series | |
WO2014120947A2 (en) | Methods and systems for determining a correlation between patient actions and symptoms of a disease | |
Ma et al. | Breast cancer prognostics using multi-omics data | |
US20190180882A1 (en) | Device and method of processing multi-dimensional time series medical data | |
KR20190092217A (en) | Device for ensembling data and operating method thereof | |
Musigmann et al. | Testing the applicability and performance of Auto ML for potential applications in diagnostic neuroradiology | |
KR102415220B1 (en) | Time series data processing device and operating method thereof | |
Städler et al. | Multivariate gene-set testing based on graphical models | |
US20210174229A1 (en) | Device for ensembling data received from prediction devices and operating method thereof | |
Signol et al. | SEQENS: An ensemble method for relevant gene identification in microarray data | |
CN111512381A (en) | Library screening for cancer probability | |
Le et al. | Sequence-based prediction model of protein crystallization propensity using machine learning and two-level feature selection | |
Zabardast et al. | An automated framework for evaluation of deep learning models for splice site predictions | |
Huang et al. | A multi-label learning prediction model for heart failure in patients with atrial fibrillation based on expert knowledge of disease duration | |
KR102557001B1 (en) | Device for ensembling data received from prediction devices and operating method thereof | |
WO2005048185A1 (en) | Transductive neuro fuzzy inference method for personalised modelling | |
US20200184284A1 (en) | Device for ensembling data received from prediction devices and operating method thereof | |
KR20220145654A (en) | Time series data processing device configured to process time series data with irregularity | |
Dazard et al. | R package PRIMsrc: Bump hunting by patient rule induction method for survival, regression and classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal |