KR20200094815A

KR20200094815A - 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법

Info

Publication number: KR20200094815A
Application number: KR1020190006010A
Authority: KR
Inventors: 반성범; 김민구
Original assignee: 조선대학교산학협력단
Priority date: 2019-01-17
Filing date: 2019-01-17
Publication date: 2020-08-10
Also published as: KR102253572B1

Abstract

본 발명은 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법에 관한 것으로 더욱 상세하게는 개인 식별을 위해 수집된 데이터들을 복수의 뉴럴 네트워크에 각각 입력하여 학습에 우수한 데이터들을 추출한 후 추출된 데이터들을 단일 뉴럴 네트워크에 학습하여 개인 식별을 수행함으로써, 오버피팅을 방지할 수 있고 더불어 개인 식별률을 향상시킬 수 있는 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법에 관한 것이다.

Description

앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법{Ensemble network-based data learning method and person identification method}

정보화 사회로의 변화와 다양한 시스템 및 기기들의 증가로, 개인의 신원 확인을 위한 연구들이 활발하게 이루어져 있으며, 특히, 사람의 신체적, 행동적 특징을 이용한 생체인식 기술이 활발히 진행되고 있다.

생체인식 기술은 사람마다 고유하여, 변하지 않고, 변화시킬 수도 없는 데이터를 사용하여 개인을 식별하거나 인증하는 기술로 얼굴, 지문, 홍채뿐만 아니라 생체신호인, 심전도를 이용하여 생체인식을 수행하는 기술들이 개발되고 있다.

한편, 얼굴, 지문, 홍채, 심전도 등의 데이터를 이용하여 개인 식별과 인증을 수행하기 위해 다양한 기계학습 알고리즘이 사용되고 있으며, 그중에서도 별도의 특징 추출 과정 없이 학습 과정에서 자동으로 특징 추출 및 학습이 진행되는 뉴럴 네트워크(Neural Network)가 각광받고 있다.

뉴럴 네트워크(Neural Network)란 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링 한 컴퓨팅 알고리즘으로, 학습을 통해 입력 데이터와 출력 데이터들 사이의 사상을 수행할 수 있다.

이러한 뉴럴 네트워크는 데이터를 학습하는 과정이 중요하며, 학습을 위해 방대한 데이터뿐만 아니라 각 데이터들이 분별력이 있는 특징을 갖는 것이 중요하다.

만약, 학습을 위해 필요한 데이터의 수가 적당하지 않거나, 분별력이 낮은 특징을 갖는 데이터를 학습하게되면, 오버피팅이 발생하여 개인 식별의 성능이 저하된다.

오버피팅이란, 학습 데이터가 과하게 학습이 이루어져, 학습된 데이터와 실제 데이터의 오차가 증가하는 과적합 현상으로 뉴럴 네트워크의 학습에 있어서 오버피팅는 가장 중요한 문제이다.

이러한, 오버피팅은 많은 양의 데이터를 학습시켜, 방지하는 것이 일반적이나 데이터의 양이 많아질수록 학습에 소요되는 시간이 많아지게되며, 가장 큰 문제는 무분별하게 데이터의 양을 늘릴수록 분별력이 떨어지는 데이터가 포함되어 개인 식별률이 낮아지게된다.

따라서, 오버피팅을 방지할 수 있고, 우수한 특징이 있는 데이터만을 추출하여 뉴럴 네트워크에 학습시킴으로써, 개인 식별률을 향상시킬 수 있는 방법이 필요하다.

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 뉴럴 네트워크의 학습을 위해 수집된 데이터들 중 우수한 특징을 갖는 데이터들을 선별하고, 선별된 학습 데이터들을 학습시킴으로써, 오버피팅을 방지하고, 개인 식별 성능을 향상시킬 수 있는 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법을 제공하는 데 있다.

상기 목적을 달성하기 위해 본 발명은 개인 식별을 위해 학습에 필요한 데이터(이하,"수집 데이터"이라함)들을 수집하는 단계; 상기 수집 데이터들을 병렬적으로 구성된 복수의 뉴럴 네트워크에 학습하기 위한 제1 학습 데이터와 상기 뉴럴 네트워크들을 통해 개인 식별을 수행하기 위한 검증 데이터로 분류하는 단계; 상기 복수의 뉴럴 네트워크에 상기 제1 학습 데이터들의 학습을 완료하고, 상기 검증 데이터를 입력하여 정확히 식별된 검증 데이터(이하,"제2 학습 데이터"이라함)들을 추출하는 단계; 및 상기 제2 학습 데이터를 단일 뉴럴 네트워크에 학습하는 단계;를 포함하는 것을 특징으로 하는 앙상블 네트워크 기반 데이터 학습 방법을 제공한다.

바람직한 실시예에 있어서, 상기 제2 학습 데이터들을 추출하는 단계:는 상기 복수의 뉴럴 네트워크에 상기 제1 학습 데이터들을 각각 학습하는 단계; 상기 복수의 뉴럴 네트워크에 상기 검증 데이터들을 각각 입력하여 개인 식별을 수행하는 단계; 및 상기 복수의 뉴럴 네트워크에서 정확히 식별된 검증 데이터들을 상기 제2 학습 데이터로 추출하는 단계;를 포함한다.

바람직한 실시예에 있어서, 상기 복수의 뉴럴 네트워크는 서로 다른 종류의 뉴럴 네트워크로 구성되거나, 동일한 뉴럴 네트워크로 구성되되, 레이어 구성과 파라미터가 서로 다르다.

바람직한 실시예에 있어서, 상기 복수의 뉴럴 네트워크는 서로 다른 레이어구성과 파라미터를 갖는 두 개의 컨벌루션 뉴럴 네트워크와 리커런트 뉴럴 네트워크를 포함하고, 상기 단일 뉴럴 네트워크는 컨벌루션 뉴럴 네트워크로 이루어진다.

또한, 본 발명은 컴퓨터와 결합하여 앙상블 네트워크 기반 데이터 학습 방법을 수행하기 위한 기록 매체에 저장된 컴퓨터프로그램을 제공한다.

또한, 본 발명은 앙상블 네트워크 기반의 학습 방법을 통해 뉴럴 네트워크의 학습을 수행하는 단계; 식별하고자 하는 대상의 데이터(이하, "개인 식별 데이터"이라함)을 입력받는 단계; 및 상기 개인 식별 데이터를 상기 뉴럴 네트워크에 입력하여 개인 식별을 수행하는 단계;를 포함하는 것을 특징으로 하는 앙상블 네트워크 기반의 개인 식별 방법을 제공한다.

또한, 본 발명은 컴퓨터와 결합하여 앙상블 네트워크 기반의 개인 식별 방법을 수행하기 위한 기록 매체에 저장된 컴퓨터프로그램을 더 제공한다.

본 발명은 다음과 같은 우수한 효과를 가진다.

본 발명의 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법에 의하면, 수집된 데이터 중 일부는 복수의 뉴럴 네트워크에 학습하고, 나머지 일부는 학습된 복수의 뉴럴 네트워크를 통해 개인 식별을 수행하여, 올바르게 식별된 데이터들을 단일 뉴럴 네트워크에 학습하기 위한 학습 데이터로 추출함으로써, 분별력이 높은 학습 데이터들을 추출할 수 있고, 추출된 학습 데이터들을 단일 뉴럴 네트워크에 학습시키고, 학습된 단일 뉴럴 네트워크를 통해 개인 식별을 수행하기 때문에 높은 식별률을 나타내는 장점이 있다.

도 1은 본 발명의 일 실시예에 따른 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법의 전체 흐름도,
도 2는 본 발명의 일 실시예에 따른 앙상블 네트워크 기반의 제2 학습 데이터 추출 방법의 흐름도,
도 3은 본 발명의 일 실시예에 따른 앙상블 네트워크 기반 데이터 학습 및 개인 식별 방법의 성능 평가를 위한 앙상블 네트워크 구성을 보여주는 도면,
도 4는 본 발명의 일 실시예에 따른 앙상블 네트워크와 복수의 뉴럴 네트워크 각각의 개인 식별 결과를 나타내는 그림이다.

본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.

이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.

그러나 본 발명은 여기서 설명되는 실시예에 한정되지 않고, 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.

본 발명의 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법은 복수의 뉴럴 네트워크 구성과 단일 뉴럴 네트워크로 이루어진 앙상블 네트워크를 통해 개인 식별을 위해 수집된 데이터들을 상기 복수의 뉴럴 네트워크에 입력하여 학습에 적합한 데이터들을 추출하고, 추출된 데이터들을 상기 단일 뉴럴 네트워크에 학습한 후에 개인 식별하고자 하는 대상의 데이터를 상기 단일 뉴럴 네트워크에 입력하여 개인 식별을 수행하는 방법이다.

또한, 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법은 실질적으로 컴퓨터에 의해 수행되며 상기 컴퓨터에는 상기 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법이 수행하기 위한 컴퓨터 프로그램이 저장된다.

또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라, 스마트폰이나 태블릿 PC와 같은 스마트 기기를 포함하는 광의의 컴퓨팅 장치를 의미한다.

또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록 매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.

예를 들면, 상기 기록 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.

또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 프로그램일 수 있다.

이하에서는 본 발명의 일 실시예에 따른 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법에 대해 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법의 전체 흐름도로, 도 1을 참조하면 본 발명의 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법은 크게 앙상블 네트워크를 기반으로 데이터를 학습하는 방법(S1000)과 상기 앙상블 네트워크를 기반으로 개인 식별을 수행하는 방법(S2000)을 포함하여 이루어진다.

먼저, 상기 앙상블 네트워크를 기반으로 데이터를 학습하는 방법(S1000)은 먼저, 개인 식별을 위해 대상자들의 학습에 필요한 데이터(이하,"수집 데이터"이라함)들을 수집한다(S1100).

여기서, 상기 수집 데이터는 얼굴, 지문, 홍채 등과 같은 신체적 특징이거나, 심전도, 근전도, 뇌전도와 같은 생체신호일 수 있다.

또한, 상기 데이터들은 2차원 영상인 것이 바람직하다.

다음, 수집 데이터들을 제1 학습 데이터와 검증 데이터로 분류한다(S1200).

자세하게는, 상기 수집된 데이터들 중 아래에서 설명할 복수의 뉴럴 네트워크에 학습될 제1 학습 데이터와 상기 복수의 뉴럴 네트워크에 입력하여 개인 식별할 검증 데이터로 구분된다.

또한, 상기 제1 학습 데이터와 상기 검증 데이터는 대상별로 구분되어 분류되어 진다.

다음, 상기 복수의 뉴럴 네트워크에 상기 제1 학습 데이터와 상기 검증 데이터를 입력하여 제2 학습 데이터를 추출한다(S1300).

자세하게는 상기 제2 학습 데이터를 추출하는 과정(S1300)은 먼저, 복수의 뉴럴 네트워크에 상기 제1 학습 데이터를 학습한다(S1310).

또한, 상기 제1 학습 데이터는 상기 복수의 뉴럴 네트워크에 각각 학습된다.

또한, 상기 복수의 뉴럴 네트워크는 서로 병렬적으로 구성되며, 뉴럴 네트워크의 개수가 한정된 것은 아니다.

또한, 상기 복수의 뉴럴 네트워크는 서로 다른 종류의 뉴럴 네트워크로 구성되거나, 레이어 구성 또는 파라미터 설정값이 서로 다른 동일한 뉴럴 네트워크로 구성될 수 있다.

다음, 상기 복수의 뉴럴 네트워크에 상기 검증 데이터를 입력하여 개인 식별을 수행한다(S1320).

또한, 상기 검증 데이터는 상기 복수의 뉴럴 네트워크에 각각 입력되어 개인 식별을 수행한다.

다음, 상기 복수의 뉴럴 네트워크에서 개인 식별된 검증 데이터 중 정확히 개인 식별된 검증 데이터들을 제2 학습 데이터로 추출한다(S1330).

자세하게는, 각각의 뉴럴 네트워크에 대상자들의 검증 데이터들이 입력되게 되면, 개인 식별을 수행하게 되고, 이때 각각의 뉴럴 네트워크에서 입력된 대상자들의 검증 데이터가 어떠한 대상자와 일치하는지 결과를 출력하게 되므로, 입력된 대상자들의 검증 데이터와 상기 출력 결과가 올바르게 일치하는 대상자들의 검증 데이터들을 제2 학습 데이터로 한다.

즉, 상기 제2 학습 데이터는 복수의 네트워크들로부터 개인 식별이 정확히 이루어진 검증 데이터이며 이는 각 대상의 분별력 있는 고유의 특성이 잘 나타난 데이터를 의미한다.

따라서, 고유의 특성이 있는 검증 데이터를 학습 데이터로 추출하므로 상기 제2 학습 데이터 추출 과정(S1300)을 통해 대상자들 간의 유사한 특성을 갖는 데이터들을 사전에 학습 데이터로 사용하지 않도록 배제할 수 있다는 장점이 있다.

다음, 상기 제2 학습 데이터를 단일 뉴럴 네트워크에 학습한다(S1400).

다음, 상기 제2 학습 데이터를 상기 단일 뉴럴 네트워크에 학습(S1400)한 후에는 상기 앙상블 네트워크 기반 개인 식별 방법을 수행한다(S2000).

상기 앙상블 네트워크 기반 개인 식별 방법(S2000)은 먼저, 개인 식별하고자 하는 대상의 데이터(이하, "개인 식별 데이터"이라함)를 입력받는다(S2100).

다음, 상기 단일 뉴럴 네트워크에 상기 개인 식별 데이터를 입력하여 개인 식별을 수행한다(S2200).

도 3은 본 발명의 일 실시예에 따른 앙상블 네트워크 기반 데이터 학습 및 개인 식별 방법의 성능 평가를 위한 앙상블 네트워크 구성을 보여주는 것으로, 도 3을 참조하면, 본 발명의 앙상블 네트워크 기반 데이터 학습 방법 및 개인 식별 방법의 성능 평가를 위해 복수의 뉴럴 네트워크(20)는 두 개의 컨벌루션 뉴럴 네트워크(21,22) 및 리커런트 뉴럴 네트워크(23)로 이루어지고, 단일 뉴럴 네트워크(30)는 컨벌루션 뉴럴 네트워크로 구성된 앙상블 네트워크를 통해 실험을 진행하였다.

또한, 두 개의 컨벌루션 네트워크(21,22)는 각각 다른 레이어과 파라미터로 구성되었으며, 먼저, CNN_1(21)은 Convolution layer 3개 Max-Polling layer 3개 Fully Connected Layer로 구성되었으며, CNN_2(22)는 Convolution layer 2개, Max-Pooling Layer 3개 Fully Connected Layer로 구성하였다.

또한, 실험에 쓰인 상기 수집 데이터(10)는 18명에 대한 제1 학습 데이터 4,500장(11), 검증 데이터(12) 2,700장을 포함하며, 상기 개인 식별 데이터(40)는 개인당 100장씩 총 1800장을 사용하였다.

또한, 상기 수집 데이터(10)와 상기 개인 식별 데이터(40)는 2차원 영상의 심전도 데이터이다.

도 4는 본 발명의 일 실시예에 따른 앙상블 네트워크와 복수의 뉴럴 네트워크 각각의 개인 식별 결과를 보여주는 것으로 도 4를 참조하면, 본 발명의 앙상블 네트워크 기반 개인 식별 결과와 상기 복수의 뉴럴 네트워크(20)에 구성된 각각의 뉴럴 네트워크(21,22,23)의 개인 식별 결과를 오차 행렬(Confusion Matrix)로 나타내어 비교하였다.

또한, 도 4의 (a)는 CNN_1의 개인 식별 결과, (b)는 CNN_2의 개인 식별 결과, (c)는 RNN의 개인 식별 결과, (d)는 앙상블 네트워크 기반의 개인 식별 결과를 나타낸다.

한편, 상기 CNN_1(21), CNN_2(22), RNN은(23)의 개인 식별 결과는 상기 제1 학습 데이터(11)가 학습된 상태에서 상기 개인 식별 데이터(40) 1800장을 입력하여 도출하였다.

또한, 상기 오차 행렬의 가로축은 개인 식별된 결과이며, 세로축은 개인 식별을 위해 입력한 데이터의 실제 대상자를 의미한다.

또한, 상기 개인 식별 결과들을 아래의 수학식을 통해 성능 평가를 수행하였다.

여기서, TP는 해당 대상의 개인 식별 데이터를 정확히 식별한 개인 식별 데이터의 수, FN은 해당 대상의 개인 식별 데이터임에도 불구하고 다른 대상으로 잘못 식별된 개인 식별 데이터의 수, TN은 해당 대상의 개인 식별 데이터가 아닌 것을 정확히 식별한 개인 식별 데이터의 수, FP는 해당 대상의 개인 식별 데이터가 아님에도 불구하고 해당 대상의 개인 식별 데이터로 잘못 식별된 개인 식별 데이터의 수를 나타낸다.

또한, Precision은 해당 대상으로 식별된 개인 식별 데이터들 중 실제 해당 대상의 개인 식별 데이터로 정확히 식별한 비율이고, Recall은 해당 대상의 개인 식별 데이터 중 정확하게 해당 대상으로 식별된 비율이며, F1 Score는 상기 Precision과 Recall의 조화 평균으로, 시스템의 성능을 나타내 것이고, Accuracy는 전체 대상들의 개인 식별 데이터 중 정확히 식별된 개인 식별 데이터의 비율을 나타낸다.

아래의 표 1은 각각의 뉴럴 네트워크의 개인 식별 성능 평가와 제안한 앙상블 네트워크 기반의 개인 식별 성능 평가 결과를 나타낸다.

Method	Precision	Recall	F1 Score	Accuracy
CNN_1	98%	97%	97%	97.3%
CNN_2	98%	98%	98%	97.9%
RNN	97%	97%	97%	97.2%
Ensemble Network	99%	99%	99%	98.9%

개인 식별 성능 평가 결과, 본 발명에서 제안한 방법인 앙상블 네트워크 기반의 개인 식별 방법이 상기 CNN_1(21), CNN_2(22), RNN(23)보다 성능이 전체적으로 높은 것으로 나타났으며, 특히, Accuracy 부분을 살펴보면, 상기 CNN_1은 1800개의 개인 식별 데이터 중 1752장을 정확히 식별하고 48장을 오식별하여 97.3%의 식별률을 나타냈으며, 상기 CNN_2는 1800개의 개인 식별 데이터 중 1763장을 정확히 식별하고 37장을 오식별하여 97.9%의 인식률을 나타내었고, RNN의 경우 1800개의 개인 식별 데이터 중 1750장을 정확히 식별하고 50장을 오식별하여 97.2%를 나타내었으나, 본 발명의 앙상블 네트워크 기반의 개인 식별 방법은 1800개의 개인 식별 데이터 중 1,780장을 정확히 식별을 하고, 20장을 오식별하여 98.9%의 식별률을 나타내어 성능이 가장 우수함을 확인할 수 있다.

따라서, 복수의 뉴럴 네트워크를 통해 분별력 있는 학습 데이터들을 추출하고 이를 단일 뉴럴 네트워크에 학습시켜, 개인 식별을 수행함으로써, 개인 식별률의 정확도를 향상시킬 수 있는 장점이 있다.

이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시에에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.

10:수집 데이터 20:복수의 뉴럴 네트워크
30:단일 뉴럴 네트워크

Claims

개인 식별을 위해 학습에 필요한 데이터(이하,"수집 데이터"이라함)들을 수집하는 단계;
상기 수집 데이터들을 병렬적으로 구성된 복수의 뉴럴 네트워크에 학습하기 위한 제1 학습 데이터와 상기 뉴럴 네트워크들을 통해 개인 식별을 수행하기 위한 검증 데이터로 분류하는 단계;
상기 복수의 뉴럴 네트워크에 상기 제1 학습 데이터들의 학습을 완료하고, 상기 검증 데이터를 입력하여 정확히 식별된 검증 데이터(이하,"제2 학습 데이터"이라함)들을 추출하는 단계; 및
상기 제2 학습 데이터를 단일 뉴럴 네트워크에 학습하는 단계;를 포함하는 것을 특징으로 하는 앙상블 네트워크 기반 데이터 학습 방법.
제 1 항에 있어서,
상기 제2 학습 데이터들을 추출하는 단계:는
상기 복수의 뉴럴 네트워크에 상기 제1 학습 데이터들을 각각 학습하는 단계;
상기 복수의 뉴럴 네트워크에 상기 검증 데이터들을 각각 입력하여 개인 식별을 수행하는 단계; 및 상기 복수의 뉴럴 네트워크에서 정확히 식별된 검증 데이터들을 상기 제2 학습 데이터로 추출하는 단계;를 포함하는 것을 특징으로 하는 앙상블 네트워크 기반 데이터 학습 방법.
제 2 항에 있어서,
상기 복수의 뉴럴 네트워크는 서로 다른 종류의 뉴럴 네트워크로 구성되거나, 동일한 뉴럴 네트워크로 구성되되, 레이어 구성과 파라미터가 서로 다른 것을 특징으로 하는 앙상블 네트워크 기반 데이터 학습 방법
제 1 항에 있어서,
상기 복수의 뉴럴 네트워크는 서로 다른 레이어 구성과 파라미터를 갖는 두 개의 컨벌루션 뉴럴 네트워크와 리커런트 뉴럴 네트워크를 포함하고, 상기 단일 뉴럴 네트워크는 컨벌루션 뉴럴 네트워크로 이루어지는 것을 특징으로 하는 앙상블 네트워크 기반 데이터 학습 방법.
컴퓨터와 결합하여 제 1 항 내지 제 4 항 중 어느 한 항의 앙상블 네트워크 기반 데이터 학습 방법을 수행하기 위한 기록 매체에 저장된 컴퓨터프로그램.
제 1 항 내지 제 4 항 중 어느 한 항의 방법으로 뉴럴 네트워크의 학습을 수행하는 단계;
식별하고자 하는 대상의 데이터(이하, "개인 식별 데이터"이라함)을 입력받는 단계; 및
상기 개인 식별 데이터를 상기 뉴럴 네트워크에 입력하여 개인 식별을 수행하는 단계;를 포함하는 것을 특징으로 하는 앙상블 네트워크 기반 개인 식별 방법.
컴퓨터와 결합하여 제 6 항의 앙상블 네트워크 기반 개인 식별 방법을 수행하기 위한 기록 매체에 저장된 컴퓨터프로그램.